Anais - Engenharia de Redes de Comunicação - UnB

emover as regiões que não contêm informações úteis antes de executar outros passos de
processamento, tais como o realce e detecção de minúcias. Desta forma, o
processamento de imagem vai consumir menos tempo de CPU e evitar erros
indesejados, como a detecção de minúcias espúrias em imagem de baixa qualidade.
2.3 Trabalhos relacionados
Nos parágrafos seguintes, citamos alguns trabalhos relacionados ao nosso.
Em (Afsar, Arif, & Hussain, 2005), um algoritmo de segmentação de impressão
digital que utiliza Fisher Discriminant Analysis and Learning Vector Quantization
(LVQ) Neural Networks foi proposto. Os autores alegam uma taxa de apenas 1,8% de
erros na segmentação de todas as bases de imagens FVC 2000 (Maio, Maltoni, Capelli,
Wayman & Jain, 2000).
(Shi, Wang, Qi, & Xu, 2004) apresenta um algoritmo que introduz novas
características para extrair ROI em imagens de impressões digitais. Os autores utilizam
uma etapa de pré-processamento para estimar a qualidade da impressão digital antes da
segmentação. Depois, propõem e utilizam uma nova característica, denominada
Momento Excêntrico, para localizar a fronteira borrada. Os autores informam que o
algoritmo foi testado na base de imagens DB3 do FVC 2002 (Maio, Maltoni, Capelli,
Wayman & Jain, 2002), entretanto não informam um percentual de acertos.
Finalmente, (Bazen & Gerez, 2001) apresentou um algoritmo de segmentação de
impressões digitais baseado em três características: a média, a coerência e a variância.
Ele treina um classificador linear ótimo para classificar por pixel.
3. Algoritmo Proposto
A fim de identificar a região de interesse em uma imagem de impressão digital,
desenvolvemos um algoritmo de segmentação simples e eficaz. Seu fluxo de dados é
mostrado na Figura 1 e seus passos são descritos a seguir.
Figura 1: Fluxo de dados do algoritmo
A Figura 2 mostra a impressão digital usada para ilustrar o nosso algoritmo de
segmentação.
361