Use este identificador para citar ou linkar para este item: http://repositorio.ufes.br/handle/10/9601
Título: Avaliação de modelo de misturas aplicado à classificação de impressões digitais segundo a arquitetura pcasys
Autor(es): Atencio, Anibal Cotrina
Orientador: Salles, Evandro Ottoni Teatini
Palavras-chave: PCASYS (Sistema classificador de impressões digitais)
Data do documento: 29-Nov-2010
29-Nov-2010
Editor: Universidade Federal do Espírito Santo
Resumo: Atualmente, os sistemas de reconhecimento biométrico tem alcançado grande desenvolvimento e vem sendo usados em diversas áreas como a comercial, a financeira e de segurança. No caso específico do reconhecimento de impressões digitais os sistemas automáticos de identificação (AFIS) são capazes de identificar indivíduos localizados em grandes bancos de dados, lidando com dezenas de milhões de amostras, as que originam um custo computacional bastante elevado. Assim, a classificação de impressões digitais é um problema importante de ser tratado uma vez que diminui o tempo de busca por um indivíduo, reduzindo o espaço de busca a um determinado subgrupo. No presente trabalho busca-se avaliar se, para a arquitetura de classificação de impressões digitais conhecida como PCASYS (Pattern-Level Classification Automation System), é possível assumir que as classes podem ser modeladas por funções de densidade de probabilidade gaussiana e que podem alcançar resultados de classificação comparáveis com os obtidos com técnicas mais amadurecidas, como as baseadas em redes neurais. Para isto, empregou-se os modelos de misturas gaussianas (GMM) com abordagens supervisionada e não-supervisionada na estimativa de parâmetros. Os resultados foram avaliados comparando as taxas de erro de classificação obtidos neste trabalho frente aos resultados alcançados com outras técnicas no estado da arte; assim mesmo, analisou-se estatisticamente os parâmetros dos modelos de misturas gaussianas estimados usando teste de hipótese e entropia mútua. Os testes foram feitas usando o banco de imagens de impressões digitais número 4 do National Institute of Standard and Technology (NIST) considerando os problemas de classificação de 4 e 5 classes e as distribuições natural e balanceada.
Currently, biometric recognition systems have achieved great development and has been used in various fields including trade, finance and security. In the specific case of fingerprint recognition, automatic fingerprint identification systems (AFIS) are able to identify individuals located in large databases, dealing with tens of millions of samples, giving rise to a very high computational cost. Thus, the classification of fingerprints is an important problem to be treated as it reduces the search time by an individual, reducing the search space to a particular subgroup. In this study we assessed if, for the architecture of fingerprint classification known as PCASYS (Pattern-Level Classification Automation System), it is possible to assume that classes can be modeled using Gaussian probability density function and can achieve classification results that can be compared with those obtained with more mature techniques such as those based on neural networks. For this, it is used the Gaussian mixture models (GMM), with supervised and unsupervised approaches in parameter estimation task. It was evaluated the results comparing the rates of misclassification of the proposed technique with the results achieved with other techniques, anyway, we analyzed statistically the estimated parameters of Gaussian mixture models using hypothesis testing and mutual entropy. It was tested using the image bank fingerprints of number 4 of National Institute of Standards and Technology (NIST) considering the 4 class problem and 5 class problem considering the natural distribution and balanced distribution.
URI: http://repositorio.ufes.br/handle/10/9601
Aparece nas coleções:PPGEE - Dissertações de mestrado

Arquivos associados a este item:
Arquivo TamanhoFormato 
tese_3598_DissertacaoMestradoAnibalCotrinaAtencio.pdf3.12 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.