Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/2436
Registro completo de metadados
Campo Dublin CoreValorIdioma
dc.contributor.advisorCámara Chávez, Guillermopt_BR
dc.contributor.authorSantana, Thiago Oliveira de-
dc.date.accessioned2020-01-13T11:31:43Z-
dc.date.available2020-01-13T11:31:43Z-
dc.date.issued2019-
dc.identifier.citationSANTANA, Thiago Oliveira de. Comparação entre técnicas de aprendizado de máquina no processo de identificação biométrica através de imagens da orelha. 2019. 62 f. Monografia (Graduação em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2019.pt_BR
dc.identifier.urihttp://www.monografias.ufop.br/handle/35400000/2436-
dc.description.abstractOs métodos tradicionais de identificação pessoal baseados em conhecimento (por exemplo, senhas) e baseados em cartões (por exemplo, cartões de identidade) podem ser facilmente esquecidos, clonados, roubados ou perdidos. Com isso, a biometria que é uma ciência que estuda a mensuração dos seres vivos, tem sido amplamente utilizada como sendo um mecanismo de segurança para identificação. Os recentes avanços na tecnologia e a vulnerabiladade dos sistemas de autenticação tradicional têm fomentado diversas pesquisas nesta área, dando origem à sistemas inovadores e eficientes para identificação biométrica. Nos últimos anos, a orelha humana obteve um significativo interesse pelo motivo desta apresentar algumas vantagens quando comparadas a outras medidas biométricas.A forma da orelha, por exemplo, é menor do que a face o que permite menor custo de computação e, portanto, o torna adequada para aplicações em tempo real. Além disso, diferente de outros, a orelha não muda de acordo com a vida humana e a captura de imagens à distância destas pode ser feita facilmente com uma câmera comum. Portanto, neste trabalho são propostos métodos para identificação através de imagens de orelhas, sendo que alguns métodos utilizam o extrator de características locais Histograma de Gradientes Orientados (HOG) combinado com classificadores convencionais encontrados na literatura (K-Vizinhos Mais Próximos (K-NN), Análise Discriminante Linear (LDA) e Máquinas de Vetores de Suporte (SVM)), e outros utilizam diferentes arquiteturas de Redes Neurais Convolucionais também presentes na literatura (Alexnet, Squeezenet e Googlenet), com o intuito de realizar uma comparação entre os mesmos. Para a realização dos experimentos foi utilizada a base de dados IIT Delhi Ear disponibilizada pelo Indian Institute of Technology Delhi e a base AMI Ear disponibilizada pela Universidad de Las Palmas de Gran Canaria (ULPGC). A primeira base contém dois conjuntos de imagens de orelha que são formados por 125 pessoas que estão na faixa etária de 14 a 58 anos na qual cada pessoa tem pelo menos três imagens de orelha. A segunda é constituída de 700 imagens que envolve 100 pessoas diferentes com idade entre 19 e 65 anos, sendo seis imagens da orelha direita e uma da orelha esquerda. Os resultados mostram que o HOG combinado com o SVM para a base de dados IIT Delhi Ear supera as demais abordagens, perfazendo uma taxa média de acurácia de 93,78\%, ao contrário do que acontece para a base de dados AMI Ear, sendo a melhor abordagem o método que utiliza a arquitetura de Rede Neural Convolucional Alexnet, alcançando uma taxa média de acurácia de 95,40\%.pt_BR
dc.language.isopt_BRpt_BR
dc.rightsopen accesspt_BR
dc.rights.uriAn error occurred getting the license - uri.*
dc.subjectBiometriapt_BR
dc.subjectIdentificação Biométricapt_BR
dc.subjectIdentificação Biométrica - orelhaspt_BR
dc.subjectRedes neurais - computaçãopt_BR
dc.titleComparação entre técnicas de aprendizado de máquina no processo de identificação biométrica através de imagens da orelha.pt_BR
dc.typeTCC-Graduaçãopt_BR
dc.contributor.refereeOliveira, Roberta Barbosapt_BR
dc.contributor.refereeLuz, Eduardo José da Silvapt_BR
dc.contributor.refereeCámara Chávez, Guillermopt_BR
dc.description.abstractenTraditional knowledge-based (e.g. passwords) and card-based (e.g. identity cards) personal identification methods can be easily forgotten, cloned, stolen or lost. Therefore, biometrics, which is a science that studies the measurement of living beings, has been widely used as a security mechanism for identification. Recent advances in technology and the vulnerability of traditional authentication systems have fostered much research in this area, leading to innovative and efficient biometric identification systems. In recent years, the human ear has gained significant interest because it has some advantages compared to other biometric measurements. The shape of the ear, for example, is smaller than the face which allows for lower computing cost and therefore makes it suitable for real time applications. In addition, unlike others, the ear does not change with human life, and distant images can be easily captured with an ordinary camera.Therefore, this work proposes methods for identification through ear images, and some methods use the local characteristic extractor Histogram of Oriented Gradients (HOG) combined with conventional classifiers found in the literature (K-Nearest Neighboor, Linear Discriminant Analysis e Support Vector Machine), and others use different Convolutional Neural Networks architectures also present in the literature (Alexnet, Squeezenet e Googlenet), in order to make a comparison between them. To perform the experiments, the IIT Delhi Ear database provided by the Indian Institute of Technology Delhi and the AMI Ear database provided by the University of Las Palmas of Gran Canaria (ULPGC) were used. The first base contains two sets of ear images that are made up of 125 people who are in the 14 to 58 age group in which each person has at least three ear images. The second one consists of 700 images involving 100 different people aged 19 to 65 years, six images of the right ear and one of the left ear. The results show that the HOG combined with SVM for the IIT Delhi Ear database outperforms the other approaches, yielding an average accuracy rate of 93.78 \%, as opposed to the AMI Ear database, the best approach being the method using the Convolutional Neural Network architecture Alexnet, achieving an average accuracy rate 95.40 \%.pt_BR
dc.contributor.authorID15.1.4313pt_BR
Aparece nas coleções:Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_ComparaçãoTécnicasAprendizado.pdf3,1 MBAdobe PDFVisualizar/Abrir


Os itens na BDTCC estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.