REDES NEURAIS ARTIFICIAIS uma aplicao do tipo perceptron

REDES NEURAIS ARTIFICIAIS: uma aplicação do tipo perceptron multilayer na identificação de impressões digitais Acadêmico: José Mário Pereira Dantas Orientador: Prof. M. Sc. Valmir Saraiva Banca: Prof. M. Sc. Laura Costa Sarkis Prof. M. Sc. Haroldo Alexandre de Araújo Semestre: 2003 -II 1

Organização do trabalho Introdução l Datiloscopia l Redes Neurais Artificiais l Estudo de Caso l Resultados Obtidos l Conclusão e Trabalhos Futuros l 2

Introdução l As RNAs são concebidas para trabalharem segundo processos parecidos com os de um sistema nervoso, com esquemas de aprendizagem obtidos através de modelos matemáticos que possuem funções de entrada, processamento e saída. As RNA têm sua funcionalidade comprovada e são extensivamente utilizadas em várias aplicações que requerem decisões a partir de dados confusos, principalmente as de classificação (Tafner, 1995 Apud GUMZ, 2002). 3

Motivação l Grande número de aplicações que necessitam de confiabilidade e velocidade de identificação das informações. 4

Objetivos l Geral: realizar um estudo acerca dos procedimentos para o desenvolvimento de uma rede neural artificial para identificação de indivíduos através de imagens de suas impressões digitais. 5

Objetivos l Específicos: l l Estudar a datiloscopia; Construir uma arquitetura de rede neural artificial, com base na imagem da impressão digital; Realizar o treinamento da rede neural artificial construída; Implementar e testar essa arquitetura na identificação das impressões digitais. 6

Datiloscopia l Conceito: é a ciência que estuda as impressões digitais com a finalidade de realizar identificação (BARSA, 1994, p. 175). 7

Datiloscopia l Área de aplicação: l Forense; l Governamental; l Comercial. 8

Datiloscopia l Vantagens: l extremamente eficiente; l de baixo custo; l de aplicação potencialmente universal. 9

Processo de identificação de Impressões Digitais Manual Verificação da Classificação; l Análise de minúcias; l Comparação com outras n impressões Digitais l 10

Classificação (Sistema Henry) Arco Plano l Arco Angular l Presilha Interna l Presilha Externa l Verticilo l 11

Tipos de Minúcias Crista Final Crista Bifurcada 12

Comparação de Minúcias l A comparação busca: l Coincidência de tipos Minúcias; l Coincidência de Posições. 13

Datiloscopia e Redes Neurais Artificiais A datiloscopia fornece conceitos que devem ser utilizadas no processo de identificação de impressões digitais através de RNAs. l Para este trabalho o conceito mais importante é o de região nuclear, onde existe o maior número de minúcias. l 14

Redes Neurais Artificiais l O que são? As Redes Neurais Artificiais são métodos de Inteligência Artificial que possuem a capacidade de se adaptar e de aprender a realizar uma certa tarefa, ou comportamento, através de um conjunto de treinamentos. (OSÓRIO, 2000, p. 2). 15

Características do Modelo Neural l l São construídos, não programados; Geram seu próprio conhecimento, ou seja, aprendem; Oferecem soluções aproximadas, não exatas; Generalizam o conhecimento apreendido. 16

Áreas de aplicação Automação Industrial; l Automação Comercial; l Segurança de Acesso – Verificação do Operador; l Mercado Financeiro. l 17

Redes Neurais Artificiais l Vantagens l Robustez; l Generalização; l Paralelismo; l Tolerância ao ruído. 18

Funcionamento de uma RNA n: número de sinais de entrada; l wi: peso do sinal de entrada xi; l : limiar ou threshold do neurônio (ou simplesmente valor de ativação). l 19

Funcionamento de uma RNA (cont. ) l Perceptron com uma camada intermediária 20

Treinamento de RNAs l Algoritmo Back-propagation 21

Identificação de Impressões Digitais através de RNA l l Pré-processamento das imagens das impressões digitais; Entrada e processamento pela RNA; Verificação dos resultados; Localização no Banco de Dados. 22

Estudo de Caso l Implementação de uma aplicação de Redes Neurais Artificiais do tipo Perceptron Multlayer com o objetivo de realizar a identificação de pessoas por meio de impressões digitais. 23

Arquitetura da RNA 24

Recursos utilizados Software: Borland Delphi 7. 0, SFINGE, Paradox, Windows XP; l Componentes Especiais: TMLP, Imaging Tool. Kit for Delphi; l Hardware: computador com processador Pentium 4 com 2. 5 Ghz de velocidade e 448 mb de memória RAM. l Humanos: apenas uma pessoa teve participação neste trabalho. l 25

Resultados Obtidos l l l A rede neural foi treinada com 70 amostras de impressões digitais de 10 pseudopessoas; O treinamento foi executado em 100 épocas, sua duração foi de 15 minutos e 23 segundos e taxa de erro geral foi de 0, 01545637; Tempo de carga do arquivo de conhecimento foi de cerca de 9 segundos; O teste com as 70 amostras de impressões digitais do treinamento levou cerca de 13 segundos; Probabilidade média de acerto geral foi de 93% durante o teste; 26

Resultados Obtidos (Cont. ) l l O teste com a segunda amostra de impressões digitais também foi satisfatório, levou o mesmo tempo do teste anterior e a rede neural também classificou corretamente as 70 amostras de impressões digitais, sendo que a probabilidade média de acerto geral foi de 86%; Também foram feitos 10 testes com amostras de impressões digitais separadamente, a fim de quantificar o tempo médio de identificação de uma pseudopessoa, neste teste conseguiu-se um tempo aproximado de 108, 8677 ms. 27

Conclusão l. O objetivo principal deste trabalho foi alcançado, uma vez que, foi feito um estudo da datiloscopia, construída uma arquitetura de Rede Neural Artificial com base na imagem da impressão digital, realizado o treinamento da Rede Neural Artificial construída, implementado e testado essa arquitetura na identificação das impressões digitais. 28

Trabalhos Futuros l l Classificar as impressões digitais conforme explicado no capitulo 3 e utilizá-las como padrão de entrada para diminuir a taxa de erro. Estudo de métodos para extração de minúcias, sejam matemáticos, estatísticos ou estruturais; Reconhecimento automático de núcleo e delta; Reconhecido o núcleo ou delta, deverá ser feita, se necessário, rotação ou translação da imagem da impressão digital no momento de sua obtenção para que esta fique na posição ideal para identificação. 29

Trabalhos Futuros (Cont. ) l l l Estudo de novos modelos de redes neurais a fim de atender com maior eficácia as necessidades propostas inicialmente neste trabalho, assim como sua implementação. Combinar redes neurais artificiais com outros métodos de identificação, como os vistos em Mesquita da Conta (2003). Sugere-se ainda o treinamento com um número maior de impressões digitais e com impressões digitais mais ruidosas. 30