Navegando por Assunto "Biometria"

Agora exibindo 1 - 3 de 3

Exploring deep learning representations for biometric multimodal systems.
(2019) Luz, Eduardo José da Silva; Gomes, David Menotti; Moreira, Gladston Juliano Prates; Ferreira, Anderson Almeida; Moreira, Gladston Juliano Prates; Gomes, David Menotti; Cavalin, Paulo; Cámara Chávez, Guillermo; Santos, Thiago Oliveira dos
Biometrics is an important area of research today. A complete biometric system comprises sensors, feature extraction, pattern matching algorithms, and decision making. Biometric systems demand high accuracy and robustness, and researchers are using a combination of several biometric sources, two or more algorithms for pattern matching and di↵erent decision-making systems. These systems are called multimodal biometric systems and today represent state-of-the-art for biometrics. However, the process of extracting features in multimodal biometric systems poses a major challenge today. Deep learning has been used by researchers in the machine learning field to automatize the feature extraction process and several advances were achieved, such as the case of face recognition problem. However, deep learning based methods require a large amount of data and with the exception of facial recognition, there are no databases large enough for the other biometric modalities, hindering the application of deep learning in multimodal methods. In this thesis, we propose a set of contributions to favor the use of deep learning in multimodal biometric systems. First of all, we explore data augmentation and transfer learning techniques for training deep convolution networks, in restricted biometric databases in terms of labeled images. Second, we propose a simple protocol, aiming at reproducibility, for the creation and evaluation of multimodal (or synthetic) multimodal databases. This protocol allows the investigation of multiple biometric modalities combination, even for less common and novel modalities. Finally, we investigate the impact of merging multimodal biometric systems in which all modalities are represented by means of deep descriptors. In this work, we show that it is possible to bring the expressive gains already obtained with the face modality, to other four biometric modalities, by exploring deep learning techniques. We also show that the fusion of modalities is a promising path, even when they are represented by means of deep learning. We advance state-of-the-art for important databases in the literature, such as FRGC (periocular region), NICE / UBIRIS.V2 (periocular region and iris), MobBio (periocular region and face), CYBHi (o↵-the-person ECG), UofTDB (o↵-the-person ECG) and Physionet (EEG signal). Our best multimodal approach, on the chimeric database, resulted in the impressive decidability of 9.15±0.16 and a perfect recognition in (i.e., EER of 0.00%±0.00) for the intra-session multimodal scenario. For inter-session scenario, we reported decidability of 7.91±0.19 and an EER of 0.03%±0.03, which represents a gain of more than 22% for the best inter-session unimodal case.
Rede de convolução para sistema biométrico baseado em EEG.
(2018) Schons, Thiago; Moreira, Gladston Juliano Prates; Moreira, Gladston Juliano Prates; Bianchi, Andrea Gomes Campos; Gomes, David Menotti; Coelho, Vitor Nazário
Sistemas biométricos encontram-se em grande expansão pela necessidade de segurança em todas as esferas da sociedade, nesse contexto sistemas baseados em eletroencefalograma (EEG) vem despertando grande interesse entre os pesquisadores. No entanto, essa modalidade biométrica é suscetível a ruídos na captação de sinais e tem problemas de escala, acurácia e captação em ambientes não controlados, representando um grande desafio. Métodos baseados em redes neurais de convolução vêm sendo explorados na literatura para processamento de sinais e resultados expressivos para sua classificação vem sendo obtidos. Nesse cenário, o método proposto neste trabalho é baseado em Rede Neural de Convolução (CNN) para verificação biométrica e avaliação em uma base de dados da Physionet. Uma técnica de data augmentation baseada em sobreposição dos sinais é proposta para ampliar a quantidade de dados de treinamento da rede de aprendizagem em profundidade. A redução do equal error rate (EER) de 4,5% para 0,19% nos testes baseline em comparação com a literatura mostram que o método é um caminho promissor na representação de sinais cerebrais para biometria.
Seleção de features em representações profundas para a íris e a região periocular como modalidades biométricas.
(2018) Silva, Pedro Henrique Lopes; Moreira, Gladston Juliano Prates; Luz, Eduardo José da Silva; Moreira, Gladston Juliano Prates; Gomes, David Menotti; Santos, Jeferson Alex dos
A biometria já é um tema bem consolidado na literatura. Há diversos trabalhos que são baseados em uma única modalidade biométrica, contudo, sistemas que fazem uso de somente uma modalidade são suscetíveis a ataques de diversas naturezas e ruídos de todos os tipos, especialmente em ambientes não cooperativos. Como os ambientes não-cooperativos estão se tornando cada vez mais comuns, técnicas para contornar esse problema estão ganhando mais atenção, dentre elas, técnicas multimodais. A forma de como fusionar os dados de diferentes modalidades ainda é um problema em aberto. Neste trabalho, propõe-se um modelo unimodal para a íris treinado com uma CNN e o fusionamento bimodal da íris e da região periocular. Testou-se dois baselines para o fusionamento: fusão a nível de scores com três regras (soma, multiplicação e mínimo) e fusão a nível de features com concatenação simples. Propõe-se também uma seleção de características utilizando PSO sobre o fusionamento a nível de features. Os resultados são reportados usando as imagens da competição NICE.II no cenário de galeria aberta. Para a íris reportamos 2,21 (com desvio padrão de 0.019) de decidibilidade e EER de 14,59% (com desvio padrão de 0.22%), enquanto para o fusionamento da íris e da região periocular, reportamos decidibilidade de 3,43 (com desvio padrão de 0.015) e EER de 5,72% (com desvio padrão de 0.12%), atingindo resultados estatisticamente superiores aos estados-da-arte encontrados na literatura.