| |
| Acadêmico(a): Alex Sandro da Silva |
| Título: Protótipo de Software para Classificação de Impressão Digital |
| |
| Conclusão: |
| Sistemas Biométricos de Identificação são os sistemas que utilizam características físicas únicas de cada indivíduo para identificá-lo. Atualmente um dos meios que poderá em um futuro próximo ser utilizado amplamente é o de reconhecimento através da impressão digital. Em tempos de comércio eletrônico, a segurança não pode mais ser garantida pelos meios convencionais e nesse contexto os sistemas de reconhecimento de impressões digitais contribuem muito. Por ser utilizado peculiaridades do dedo humano, à autorização ou acesso não pode de forma alguma ser transferida à outra pessoa, como ocorre com senhas e cartões que podem ser facilmente emprestados ou roubados e ainda com a necessidade de uma renovação periódica, o que significa que seu sistema de segurança pode ser violado a qualquer momento. Para empresas que oferecem serviços, o custo da segurança depende do valor da informação. Neste trabalho foi ilustrada a potencialidade de uso das tecnologias das redes neuronais para a obtenção do mapa de direções e de classificação de impressão digital. Quando do desenvolvimento do trabalho, conclui-se que a fase de análise do problema e a definição do pré-processamento e forma de representação em cada fase é muito importante, tendo em vista que as redes neurais apesar da vasta aplicação, possuem limites que dependem muito das representações utilizadas. Com o decorrer do trabalho observou-se na prática algumas vantagens e algumas desvantagens do uso de redes neurais. As vantagens observadas foram: a) Auto-aprendizado: não necessitam de conhecimentos de especialistas para tomar decisões; elas se baseiam unicamente nos exemplos históricos que lhes são fornecidos: não é necessário informar porque tal situação resultou em tal decisão no passado, ou porque tal decisão resultou em tal conseqüência (no caso do modelo perceptron por exemplo, os diversos padrões não treinados foram reconhecidos sem terem nunca sido apresentados a rede anteriormente). O sistema substitui a análise do especialista humano para a classificação mesmo sem ser capaz de explicar o como se faz; b) Capacidade de generalização: mesmo com dados incompletos ou imprecisos as redes podem preencher as lacunas sem sofrer degradação; é algo parecido com a interpolação e extrapolação da estatística, porém operacionalmente muito diferente; c) Imunidade a ruídos: os dados reais sempre contêm ruído (variações aleatórias adicionadas aos valores originais); as redes conseguem separar o ruído da informação relevante, tendo sido utilizadas mesmo como filtros de dados. Vários testes foram efetuados inserindo ruídos tanto no mapa de direções quanto na imagem; d) Adaptabilidade: uma vez construída uma rede eficiente em dada aplicação, ela pode ser utilizada em aplicações de tempo-real, sem necessidade de ter sua arquitetura alterada a cada atualização; basta que seja retreinada com base nos novos dados históricos que forem surgindo. Porém algumas desvantagens também foram detectadas. Tais como: a) Caixa-preta: é impossível saber porque a rede chegou a tal conclusão; seus critérios decisórios são encriptados, não se sabendo até o momento que pesos são relevantes à tomada de uma dada decisão; os milhares de pesos não aceitam interpretação e nem são passíveis de interpretação lógica: sabe-se apenas que funcionam; b) Preparação de dados: os dados de entrada necessitam de tratamento prévio: devem ser normalizados e devem ser cuidadosamente selecionados para que a rede seja corretamente ensinada a agir: dados de má qualidade produzem resultados falhos (como por exemplo omitir algum parâmetro importante no treinamento); c) Trabalho artesanal: não há regras gerais para se determinar o volume de dados de entrada para treinamento, quantas camadas devem ser utilizadas, a melhor estratégia de treinamento, que percentagem de dados deve ser destinada ao treinamento e ao teste da rede: esses parâmetros só podem ser estabelecidos através de bom-senso, experiência com redes e de tentativa-e-erro. Várias tentativas de definição do número e formato de entrada tiveram que ser feitas antes de se chegar a configuração final utilizada. Encontrou-se grande dificuldade em obter-se material bibliográfico relativo a técnicas eficientes de análise e reconhecimento de impressão digital. Mesmo os que foram encontrados abordam o tema de forma superficial. Sendo assim, foi necessário investir um razoável tempo em pesquisa para que se pudesse chegar a técnica para o tratamento das mesmas proposta neste trabalho. Considera-se que o objetivo principal do trabalho, a construção de um protótipo de software para a classificação de impressões digitais baseado no uso da tecnologia das redes neurais, foi alcançado. No entanto por se tratar de um protótipo, ainda existe muitas possibilidades de melhorias. O pré-processamento da imagem, onde a centralização ainda é manual e a aquisição que é realizada através de meios convencionais, no papel, e não através de leitores óticos, são exemplos de melhorias que podem ser implementadas no futuro. |
| |
|
