Detecção de Fraudes em Leitores de Impressões Digitais sem Contato Utilizando Descritores de Texturas e Redes Neurais Artificiais

Este artigo apresenta um método capaz de detectar tentativas de fraudes em dispositivos de aquisição de impressões digitais multivista sem toque. Para tanto, um classificador baseado em redes neurais artificiais e descritores de textura ILBP (Padrão Binário Local Aperfeiçoado) e GLCM (Matriz de Co-ocorrência de Níveis de Cinza) foi desenvolvido. O intuito é classificar as imagens de impressões digitais adquiridas como sendo de dedos reais, dedos oclusos ou dedos não reais. Para treinar o classificador proposto, uma base de dados foi criada. A base de dados conta com um conjunto de 840 imagens, sendo 300 imagens de dedos reais, 60 imagens de dedos oclusos e 480 imagens de objetos que não são dedos. O classificador foi testado em 4 diferentes cenários, sendo que cada um utiliza um subconjunto de imagens do banco de dados. O primeiro cenário utiliza apenas as categorias “não dedo” e “dedo real”, apresentando uma taxa de acerto de 98,11%. O segundo cenário utiliza as categorias “dedo ocluso” e “dedo real”, apresentando uma taxa de acerto de 100%. O terceiro cenário utiliza “não dedo” e “dedo ocluso”, apresentando uma taxa de acerto de 98,91%. Por fim, o quarto cenário utiliza todo o banco de dados, apresentando uma taxa de acerto de 93,71%.