WP05.DOC.D02. 09/02/2010 Risultati del progetto e della sperimentazione

Transcript

1 WP05.DOC.D02 09/02/2010 Risultati del progetto e della sperimentazione GIUNTA REGIONALE DELLA CAMPANIA Assessorato all'università e Ricerca Scientifica,Innovazione Tecnologica e Nuova Economia SETTORE ANALISI, PROGETTAZIONE E GESTIONE SISTEMI INFORMATIVI - Bando per la concessione degli aiuti alle PMI in attuazione della Misura 3.17 del POR Campania 2000/2006 nell'ambito dell'accordo di Programma Quadro in materia di E-Government e Società dell'informazione. Progetto Metadistretto del Settore ICT. - DECRETI DIRIGENZIALI N. 52 del 3/3/2006 e N. 440 del 21/09/2006 Progetto: PRI Chiuso In data: 20-nov Primeco srl Project x srl D.I.I.I.E. Autore: Primeco

2 2 WP05.DOC.D02 RISULTATI DEL PROGETTO E DELLA SPERIMENTAZIONE

3 3 SOMMARIO 1. Titolo, Acronimo del Progetto e Partecipanti Area Tematica e Tipologia di Output/Prodotti Attesi Obiettivo Generale ed Output finali del progetto Elenco Deliverables Introduzione Risultati sperimentali Performance Esempi di prove sperimentali...29

4 4 1. TITOLO, ACRONIMO DEL PROGETTO E PARTECIPANTI Acronimo del PRI Progetto: Titolo del Progetto: Progetto Cerbero :Piattaforma multimodale e multicanale per il controllo degli accessi Partecipanti del progetto: Nome Breve Primeco Project x Ragione Sociale Primeco srl Project x srl D.I.I.I.E. Dip. di Ingegneria dell'informazione e Ingegneria Elettrica - Università di Salerno

5 5 2. AREA TEMATICA E TIPOLOGIA DI OUTPUT/PRODOTTI ATTESI Lo scopo del seguente progetto è lo studio, la progettazione e la realizzazione del prototipo di una piattaforma in grado di identificare in maniera automatica una persona tra le n persone i cui elementi caratteristici siano stati opportunamente inseriti in un data base. Il sistema che si vuole realizzare dovrà essere: dinamico, adattabile, sicuro e affidabile. Si vuole ottenere il prototipo di un sistema che integri le più sofisticate tecnologie di identificazione tra cui tecniche di biometria e che sia aperto all inserimento di nuove tecnologie. L intero sistema dovrà essere gestito da un innovativo algoritmo real time che sia in grado di: rilevare le tecnologie disponibili al sistema, scegliere in maniera intelligente le procedure di riconoscimento da eseguire, identificare una persona tra quelle presenti nel Data Base mediante una analisi combinata del livello di attendibilità risultato delle singole procedure di riconoscimento. I contenuti tecnologici del progetto afferiscono alle seguenti Aree Tematiche: Pervasive e Mobile Computing in quanto la realizzazione di una piattaforma di riconoscimento multimodale e multicanale apre nuovi sviluppi ad applicazioni di domotica in particolare per quanto concerne il controllo degli accessi. Un sistema di identificazione della persona integrato in un sistema demotico sarebbe in grado di predisporre l ambiente adattandolo alla persona che vi

6 6 accede Ma si pensi all innumerevole quantità di applicazioni che avrebbero un nuovo impulso da un innovativo sistema di controllo delle intrusioni in sistemi informatici, reso più flessibile e affidabile da tecniche di biometria. e-collaboration Non sono presenti, al momento, in Italia dispositivi che integrino l identificazione dell utente a run time con servizi di comunicazione a distanza, la realizzazione di una piattaforma di riconoscimento multimodale e multicanale apre nuovi sviluppi ad applicazioni, si immagini una web conference non supportata da webcam per trattare un argomento strategico, in un tale contesto potrebbe essere particolarmente utile la verifica delle persone che partecipano alla riunione. Tecnologie ICT per Digital Divide Computing applicazioni che consentono l accesso anche a persone che potrebbero non poter accedere a delle risorse solo perché la modalità standard di riconoscimento non è una modalità ad essa accessibile. Si pensi a persone diversamente abili che non potendo digitare login e pwd non riescono ad accedere a dei contenuti pur avendone diritto e che grazie ad un sistema intelligente che sceglie opportunamente le tecnologie per l identificazione consente loro l accesso che altrimenti gli sarebbe ingiustamente precluso. Tecnologia ICT per multimedia Dovendo progettare per la realizzazione del prototipo del sistema una interfaccia intelligente uomo/macchina per la procedura guidata al riconoscimento, sia di tipo video che audio (si pensi a soggetti diversamente abili).

7 7 3. OBIETTIVO GENERALE ED OUTPUT FINALI DEL PROGETTO Un sistema biometrico è un dispositivo automatico in grado di identificare un individuo a partire da una sua caratteristica fisiologica (impronta digitale, volto, mano, retina, iride, ecc.) o comportamentale (voce, calligrafia, stile di battitura, ecc.). Negli ultimi anni l'interesse nei sistemi biometrici è cresciuto notevolmente e, sia in ambito accademico che in ambito industriale, molti gruppi di ricerca hanno dedicato notevoli risorse allo studio di tecniche efficaci per l'identificazione di persone. Le applicazioni potenziali di queste tecnologie sono infatti molteplici e spaziano dal controllo accessi a quello delle presenze, dalla sorveglianza automatica alla protezione di risorse di valore, dalla sicurezza di reti di calcolatori alle transazioni sicure in Internet. La biometria fornisce una risposta efficace al requisito dell'autenticazione, provvedendo delle metodologie per riconoscere l'identità personale sulla base di caratteristiche fisiche dell'utente. I vantaggi sono numerosi: si evita l'uso del PIN e password che possono essere sottratti, ceduti, dimenticati o smarriti, si può variare la tolleranza del sistema verso falsi allarmi sulla base dei requisiti di sicurezza, è estremamente difficile contraffare i dati per l'accesso. Un sistema di riconoscimento biometrico si propone quindi di riconoscere (confronto di 1 a N) ovvero di autenticare (confronto di 1 a 1) l'identità di una persona per accedere a determinate risorse. Per effettuare il riconoscimento ovvero l'autenticazione è necessario definire: quali caratteristiche estrarre dai dati biometrici acquisiti (per esempio da un'impronta digitale), come elaborarle per estrarre uno o più parametri che

8 8 siano caratteristici della persona in esame. Negli ultimi anni si sono verificati i limiti di molti degli approcci più consolidati per il riconoscimento basati sulle singole modalità sensoriali (fingerprint, volti, iride e altri ancora). Tali limiti si sono spesso rivelati inadeguati per contesti applicativi reali, specialmente se non si dispone di un grado sufficiente di collaborazione da parte dell'utente. Per questo, gli attuali sviluppi della ricerca stanno cercando di individuare nuove soluzioni che permettano di ottenere livello di accuratezza e affidabilità superiori grazie alla fusione e integrazione di misure di somiglianza ottenute: dalle singole modalità sensoriali (fusione multimodale) ovvero da diversi algoritmi applicati agli stessi dati sensoriali (fusione multialgoritmica). Obiettivo del programma di ricerca è lo studio e la realizzazione di sistemi di riconoscimento biometrici multi-modali e multi-algoritmici efficaci in contesti applicativi reali. A questo scopo verranno studiate diverse modalita` sensoriali specifiche: le impronte digitali, le immagini di volti, l impronta vocale, ecc. Queste saranno verificate nell'ambito di due scenari applicativi di grande importanza: il controllo degli accessi e la verifica delle intrusioni in sistemi informatici.

9 9 4. ELENCO DELIVERABLES Deliverable Denominazione WP/Task WP01.DOC.D01 Piano di progetto WP1/Task1.1 WP01.SW.D01 Allestimento del sistema documentale WP1/Task1.1 WP01.SW.D02 Allestimento del portale web del progetto WP1/Task1.1 WP01.DOC.D02 Sistema Gestione Qualità e Standard di Progetto WP1/Task1.2 WP01.DOC.D03 SAL e Valutazione in itinere WP1/Task1.3 WP01.DOC.D04 Relazione finale WP 1/Task1.4 WP02.DOC.D01 Analisi del contesto di mercato WP2/Task2.1 WP02.DOC.D02 WP02.DOC.D03 WP02.DOC.D04 Report con i risultati delle problematiche tecnologiche riscontrate per il dominio Report sui nuovi algoritmi per il matching di impronte digitali, di volti, dell impronta vocale, ed altre tecniche di riconoscimento. Report con i risultati dello studio comparativo delle tecniche di riconoscimento mediante un confronto delle prestazioni degli algoritmi e delle tecniche di riconoscimento ritenute più interessanti. WP2/Task2.2 WP2/Task2.2 WP2/Task2.3 WP02.DOC.D05 Report con i risultati dello studio della fusione multi-algoritmica e multi-modale e dei problemi di integrazione tra le varie tecnologie di riconoscimento. WP2/Task2.4 WP02.DOC.D06 Documento: Tecnologie: Stato dell arte WP2/Task2.5 WP02.DOC.D07 Redazione del documento: Mercato: Stato WP2/Task2.5

10 10 WP03.DOC.D01 WP03.DOC.D02 WP03.DOC.D03 dell arte e potenzialità di business Documento di specifica tecnico-architetturale del sistema Diagrammi di dettaglio dell architettura e delle componenti del sistema Documento di specifica tecnico-architetturale del data base multimodale WP3/Task3.5 WP3/Task3.5 WP3/Task3.5 WP03.DOC.D04 Piano dei test funzionali WP3/Task3.5 WP04.SW.D01 Laboratorio di sviluppo WP4/Task4.1 WP04.DOC.D02 Documento: Piano dei test del prototipo WP4/Task4.3 WP04.SW.D03 Prototipo del sistema di controllo degli accessi e verifica delle intrusioni in sistemi informatici WP4/Task4.5 WP04.SW.D04 Documentazione tecnica del Prototipo WP4/Task4.5 WP04.SW.D05 Esercizio del prototipo sul sito sperimentale WP4/Task4.8 WP05.DOC.D01 WP05.DOC.D02 Workshop pubblico per la presentazione dei risultati Risultati del progetto e della sperimentazione: Rapporto Tecnico contenente una descrizione dettagliata delle sperimentazioni effettuate per valutare le prestazioni delle tecniche di pattern recognition adottate nella realizzazione dei moduli software per l'intrusion detection, secondo gli obiettivi realizzativi del progetto. Tale rapporto tecnico riporterà inoltre l'integrazione del sistema di autenticazione biometrica per la sicurezza del sistema informatico. WP5/Task5.3 WP5/Task5.3

11 11 Prima versione del Business Plan WP WP05.DOC.D03 5/Task 5.4

12 12 5. INTRODUZIONE I sistemi biometrici multimodali hanno consolidato l evidenza di fornire prestazioni migliori rispetto ad i sistemi basati su singole modalità biometriche. Anche se l acquisizione di informazioni riguardanti la fusione in un sistema multimodale può essere eseguita a vari livelli, l'integrazione dei risultati di matching score è l'approccio più comune a causa della facilità di accesso and e di combinazione dei punteggi generati dai diversi sistemi biometrici. Poiché l output dei vari sistemi biometrici non sono eterogenei, è necessario eseguire la normalizzazione dei vari score per trasformare questi in un dominio comune, prima di combinarli. In questo documento, viene riportato lo studio delle prestazioni delle varie tecniche di normalizzazione e regole di fusione nel contesto dei sistemi multimodali ed in particolare di quelli che presentano le caratteristiche biometriche del volto, delle impronte digitali e delle impronte vocali di un utente. Esperimenti condotti su un database di circa 100 utenti indicano che l'applicazione delle tecniche di normalizzazione quali min-max, zscore, basate su una semplice somma dei punteggi dei vari score-matching risultano migliori, in termini di prestazioni, rispetto ad altri. Tuttavia, gli stessi esperimenti rivelano anche che le tecniche di min-max e z-score sono sensibili ai valori anomali nei dati, evidenziando il bisogno di una robusta procedura di normalizzazione simile alla tecnica di normalizzazione Tanh. È stato anche osservato che i sistemi multimodali che utilizzano dei pesi specifici danno risultati migliori rispetto ai sistemi che assegnano lo stesso insieme di pesi per i tratti biometrici di tutti gli utenti.

13 13 Nei paragrafi che seguono verranno descritti le modalità in maniera dettagliata le sperimentazioni effettuate per valutare le prestazioni delle tecniche di pattern recognition adottate nella realizzazione dei moduli software per l'intrusion detection, secondo gli obiettivi realizzativi del progetto. Tali risultati sono da considerarsi applicabili anche per l'integrazione del sistema di autenticazione biometrica per la sicurezza del sistema informatico.

14 14 6. RISULTATI SPERIMENTALI Il database multimodale utilizzato nei nostri esperimenti è stato costruito dalla fusione di due database distinti (di 50 utenti ciascuna) raccolti utilizzando sensori diversi e più diverse periodi di tempo. Il primo database è stato costruito come segue: Cinque immagini del viso e due immagini di impronte digitali (dello stesso dito) sono stati ottenuti da 50 utenti. Le immagini del volto sono state acquisite una semplice webcam mentre le impronte digitali sono stati ottenuti utilizzando un sensore Hamster Plus della Secugen. Un impronta vocale è stata presa da ciascun utente, facendogli leggere un testo predefinito tramite un semplice microfono collegato ad un portatile. I dati biometrici acquisiti da ogni utente vengono confrontati con quelli di tutti gli utenti del database ottenendo un unico vettore costituente il punteggio positivo (genuine score) e 49 vettori costituenti un punteggio negativo (impostor score). Così 350 (50 7) vettori sono positivi e ( ) vettori sono negativi. Il secondo database consiste anch esso di 50 utenti il cui volto ed impronta è stato con in maniera simile al precedente ottenendo altre 3500 vettori positivi e negativi. La fusione dei punteggi delle due banche dati ha formato un database di 100 utenti con 700 vettori positivi e vettori negativi. Un vettore è una 3-tuple (S1, S2, S3), dove S1, S2, S3 corrispondono ai punteggi ottenuti dai dal viso, impronta digitale e impronta vocale, rispettivamente. Di 10 vettori positivi negativi per ciascun utente, 6 positivi e 6 negativi sono stati selezionati in modo

15 15 casuale e utilizzati per il calcolo dei parametri di normalizzazione,. I restanti sono stati utilizzati per la verifica delle prestazioni del sistema. Questa separazione del database in training e test set è stata ripetuto 40 volte e fornendoci i risultati di performance media. In Corrispondenza delle impronte digitali è stato utilizzato il vettore delle minutie, mentre i coefficienti di Eigenface sono stati utilizzati per rappresentare le caratteristiche del volto. Per l impronta vocale il matching score è stato fatto sfruttando la distanza euclidea sul vettore delle features PERFORMANCE Le prestazioni del sistema, di riconoscimento del volto, impronte digitali ed impronte vocali, quando opera come un sistema unimodale è mostrato in figura:

16 16 Nella figura seguente (a)

17 17 si osserva che vi è una notevole sovrapposizione tra lo score vero (genuine) e quello falso (impostor) delle distribuzioni dei punteggi riguardanti il volto, e questo spiega le basse prestazioni di riconoscimento del modulo viso. In (b) si evidenzia che la maggior parte dei punteggi delle impronte digitali false sono vicine a zero e che la valutazione vera e propria dell impronta digitale si sviluppa su una vasta gamma di valori. Inoltre, la sovrapposizione tra le due densità condizionale è piccolo e, quindi, il sistema per risulta migliore rispetto agli altri moduli. La sovrapposizione tra lo score genuine e quello impostor nella distribuzione dell impronta vocale è la più alta tra tutte le tre modalità, come mostrato (c). Quindi, le performance del riconoscimento dell impronta vocale è bassa rispetto alle impronte digitali e alla faccia. Le prestazioni del sistema biometrico multimodale sono state studiate sotto diverse tecniche di fusione e normalizzazione. La semplice somma dei punteggi, i metodi di valutazione di fusione del punteggio massimo e minimo sono state applicate sugli score normalizzati. I punteggi normalizzati sono stati ottenuti usando uno delle seguenti tecniche: normalizzazione min-max (MinMax), normalizzazione z-score, tanh (Tanh) e normalizzazione Parzen e (Parzen).La tabella seguente

18 18 riassume le media del tasso di accettazione (GAR) del sistema multimodale insieme con la deviazione standard del GAR (mostrato in parentesi) per la normalizzazione e vari regimi di fusione, ad un tasso di falsa accettazione (FAR), del 0,1%. La Figura seguente invece

19 19 mostra le prestazioni di riconoscimento del sistema quando i punteggi vengono combinati utilizzando il metodo della somma dei punteggi. Osserviamo che un sistema multimodale che impiega la somma dei punteggi fornisce prestazioni migliori rispetto ad il miglior sistema unimodale (impronte digitali, in questo caso) per tutti tecniche di normalizzazione. Ad esempio, per un FAR del 0,1%, il GAR delle impronte digitali modulo è di circa 83,6%, mentre quella del multimodale sistema è alto come 98,6% quando la normalizzazione z-score viene utilizzata. Questo miglioramento di prestazioni è notevole e sottolinea il vantaggio di sistemi multimodali. Tra le varie tecniche di normalizzazione, si osserva che le tecniche di

20 20 normalizzazione tanh e min-max hanno performance migliori di altre tecniche a basso FAR. A FAR superiori, la normalizzazione z-score fornisce prestazioni leggermente migliori rispetto a tanh e min-max. In un sistema multimodale che utilizza il metodo di fusione con la somma dei punteggi, il punteggio combinato (s) è solo una trasformazione lineare del vettore dei punteggi (S1, S2, S3), e cioè, s = (a1s1-b1) + (a2s2-b2) + (a3s3-b3), dove S1, S2, S3 e corrispondono punteggi ottenuti dal riconoscimento del volto, delle impronte digitali ed impronte vocali, rispettivamente. L'effetto di differenti tecniche di normalizzazione è quello di determinare i pesi a1, a2 e a3,b1, b2 e b3. Poiché gli scores della normalizzazione mediana (MAD) delle impronte digitali è molto piccola rispetto a quella del volto e della voce, la MAD assegna un peso molto più grande rispetto al punteggio di impronte digitali (a2 >> a1, a3). Questa è una conseguenza diretta dell'efficienza moderata dello stimatore MAD. La distribuzione dei punteggi delle impronte digitali si discosta drasticamente dal presupposto della gaussiana e, quindi, mediana e MAD non sono le giuste misure di posizione e scala, rispettivamente. In questo caso, il punteggio combinato è molto simile al punteggio delle impronte digitali e le prestazioni del sistema multimodale sono vicine a quello del singolo modulo di impronte digitali. D'altra parte, la normalizzazione min-max, z-score, tanh assegnano pesi quasi ottimali per i tre scores. Pertanto, le prestazioni di riconoscimento del sistema multimodale quando si utilizza una di queste tecniche, insieme con la fusione della somma dei punteggi è significativamente migliore di quella del Matcher delle impronte digitali. La differenza di prestazioni tra il min-max, z-score e tanh è relativamente piccola. Se i

21 21 punteggi delle tre modalità sono significativamente differenti, allora questo metodo non funzionerà. Le prestazioni del sistema multimodale con la fusione max-score è mostrato in figura Qui, la normalizzazione Z-score e Parzen offre prestazioni migliori rispetto a quella del matcher per impronte digitali. Nel metodo di fusione max-score che utilizza solo la distanza di somiglianza per similitudine, gli scores per l impronta vocale cominciano a dominare. Pertanto, le prestazioni sono solo leggermente migliore rispetto al singolo modulo per la speaker identification. Per la normalizzazione min-

22 22 max, i punteggi del volto e della voce comparabili e dominano i valori delle impronte digitali. Questo spiega perché le prestazioni del sistema multimodale è vicino a quello del riconoscimento del volto sistema. Quando vengono utilizzati MAD, tanh, e la normalizzazione doppio sigma, i punteggi delle impronte digitali sono molto più elevati in confronto con quelli del volto e della voce. Questo limita le prestazioni del sistema rispetto a quelle delle impronte digitali. Nella normalizzazione z-score, i punteggi dei tre moduli sono comparabili e, di conseguenza, il punteggio combinato dipende da tutti e tre i punteggi. Questo migliora le prestazioni relative al metodo di fusione max-score rispetto ad altri metodi di normalizzazione. Infine, la normalizzazione Parzen seguita da max-score fusione accetta l'utente, anche se una delle tre modalità di produce una stima alta la probabilità a posteriori e respinge solo se tutte e tre le modalità hanno errori durante il processo di stima della probabilità. Quindi, questo metodo ha un elevato tasso di successo. Nella figura seguente si mostrano

23 23 le prestazioni del sistema multimodale quando il metodo di fusione min-score è impiegato. Per la normalizzazione MAD, la maggior parte dei punteggi per il volto sono più piccoli agli altri. Pertanto, per la normalizzazione MAD le prestazioni del min-score sono vicino alla performance del sistema di riconoscimento del volto. D'altra parte, i punteggi delle impronte digitali hanno valori più bassi rispetto a tutti gli altri schemi di normalizzazione e, di conseguenza, la loro performance sono molto vicino a quelle del matcher per le impronte digitali. Per la somma dei punteggi, si vede che le prestazioni di un tecnica di normalizzazione robusta come tanh sono pressappoco le stesse di quelle del min-max e z-score. Tuttavia, le prestazioni di queste ultime tecniche, non molto robuste, sono fortemente dipendenti dalla

24 24 precisione delle stima della posizione e dei parametri di scale. I punteggi prodotti dai matchers nei nostri esperimenti sono illimitati e, di conseguenza, può teoricamente produrre qualsiasi valore. Inoltre, le statistiche dei punteggi (come media o deviazione) prodotta da questi matchers non sono note. Pertanto, parametri quali il punteggio minimo e massimo in min-max, e la media e deviazione standard dei punteggi in z-score devono essere stimati dai dati disponibili. I dati utilizzati nei nostri esperimenti non contengono valori anomali e, di conseguenza, le prestazioni di tecniche di normalizzazione non robuste, non sono statie molto influenti. Al fine di dimostrare la sensibilità del min-max e z-score alla presenza di valori anomali, abbiamo introdotto artificialmente valori anomali nei punteggi delle impronte digitali. Per la normalizzazione min-max, è stato introdotto nei dati delle impronte digitali un singolo punteggio elevato il cui valore è al 125% o 150% o 175% o 200% rispetto al punteggio massimo originale. La figura seguente mostra l'andamento

25 25 Delle prestazioni di riconoscimento del sistema multimodale dopo l'introduzione dei valori anomali. Possiamo chiaramente vedere che le prestazioni sono molto sensibili al punteggio massimo. Un unico grande valore che è il doppio del massimo valore originale è in grado di ridurre il tasso di riconoscimento del 3-5% a seconda del punto di funzionamento del sistema. Le prestazioni degradano maggiormente a valori più bassi della FAR. Nel caso di normalizzazione z-score, pochi score di grandi dimensioni sono stati introdotti nei dati di impronte digitali in modo che la deviazione standard del punteggio delle impronte digitali è aumentata del 125% o 150% o 175% o 200% della deviazione standard originale. In uno studio, alcune

26 26 partiture di grandi dimensioni sono state ridotte per diminuire la deviazione standard al 75% del valore iniziale. Nel caso di aumento della deviazione standard, le prestazioni migliorano dopo l'introduzione di valori anomali, come indicato nella che segue: Poiché la deviazione standard iniziale era piccola, la maggioranza dei punteggi delle impronte digitali sono stati assegnati con un peso maggiore rispetto alle altei modalità. Non appena la deviazione standard è aumentata, la dominazione dei punteggi delle impronte digitali è stata ridotta e questo ha portato dei tassi di riconoscimento migliori. Tuttavia, l'obiettivo di questo esperimento è quello di

27 27 mostrare la sensibilità del sistema rispetto a quei valori che possono essere facilmente affetti da valori anomali. Un esperimento simile era stato fatto tecnica di normalizzazione della la tangente iperbolica e, come mostrato nella figura, non vi è alcuna variazione significativa nelle performance dopo l'introduzione di valori anomali. Questo risultato evidenzia la solidità della normalizzazione tanh. Infine, la ponderazione delle tre modalità nel corso del calcolo della combinazione degli score variava per ciascun utente.. I punteggi sono stati normalizzata utilizzando

28 28 min-max e la normalizzazione tanh prima di calcolare i pesi per la combinazione degli score. Abbiamo troviamo che l'introduzione di pesi-utenti specifici si traduca in un miglioramento significativo nelle prestazioni di riconoscimento. Le curve ROC che riassumono questo miglioramento sono mostrati in figura:

29 29 7. ESEMPI DI PROVE SPERIMENTALI Nel seguente paragrafo verranno riportati un serie di prove sperimentali. Le prove sono state fatte in un ambiente spazioso, con sfondo non uniforme e luce non naturale. Le immagini dei volti e delle impronte digitali delle persone utilizzate per i test saranno in parte oscurati per motivi di privacy. TEST 1:

30 30 Appena lanciata l interfaccia si procede con i 3 moduli di riconoscimento. Il primo test riguarda la Face Recognition. Il soggetto viene ripreso da una webcam e viene riconosciuto correttamente. E possibile notare tre schermate: Video : contiene l immagine proiettata dalla webcam in tempo reale Search : contiene l immagine catturata al momento del riconoscimento ID : contiene l immagine della persona riconosciuta.

31 31 Il secondo test riguarda la fingerprint. Nel riquadro Verification Capture è visualizzata l impronta digitale catturata, mentre in basso è possibile vedere il risultato ottenuto.

32 32 L ultimo test riguarda la speaker Identification. Nel riquadro Classification è possibile vedere il risultato ottenuto. La barra a destra del risultato indica, in maniera grafica la percentuale di successo. Il risultato finale è mostrato nella figura seguente:

33 33 Si noti che i valori sono compresi tra [0,1] e che il test ha dato un risultato finale pari a 0,75. Il riconoscimento dell impronte digitali, così come descritto nei documenti relativi al progetto Cerbero, ha dato risultati migliori rispetto alle altre caratteristiche biometriche.

34 34 TEST 2: Il seguente test procede analogamente come il precedente. Si riportano brevemente i risultati. Per la Face Recognition abbiamo ottenuto nuovamente un valore positivo. Si riportano per brevità la schermata Search ed ID : Il secondo test riguarda la fingerprint. Nel riquadro Verification Capture è visualizzata l impronta digitale catturata, mentre in basso è possibile vedere il risultato ottenuto.

35 35 L ultimo test riguarda la speaker Identification. Nel riquadro Classification è possibile vedere il risultato ottenuto. La barra a destra del risultato indica, in maniera grafica la percentuale di successo.

36 36 Il risultato finale è mostrato nella figura seguente:

37 37 Si noti che i valori sono compresi tra [0,1] e che il test ha dato un risultato finale pari a 0,68. Il riconoscimento dell impronte digitali, così come descritto nei documenti relativi al progetto Cerbero, ha dato risultati migliori rispetto alle altre caratteristiche biometriche.

38 38 TEST 3: Il seguente test procede analogamente come il precedente. Si riportano brevemente i risultati. Per la Face Recognition abbiamo ottenuto nuovamente un valore negativo, probabilmente dovuta alla presenza degli occhiali, che rappresentano un elemento di disturbo (rumore). Si riportano per brevità la schermata Search ed ID : Il secondo test riguarda la fingerprint. Nel riquadro Verification Capture è visualizzata l impronta digitale catturata, mentre in basso è possibile vedere il risultato ottenuto.

39 39 L ultimo test riguarda la speaker Identification. Nel riquadro Classification è possibile vedere il risultato ottenuto. La barra a destra del risultato indica, in maniera grafica la percentuale di successo.

40 40 Il risultato finale è mostrato nella figura seguente:

41 41 Si noti che i valori sono compresi tra [0,1] e che il test ha dato un risultato finale pari a 0,64. Il riconoscimento dell impronte digitali, così come descritto nei documenti relativi al progetto Cerbero, ha dato risultati migliori rispetto alle altre caratteristiche biometriche. Inoltre si nota che nonostante il fallimento della Face Recognition il sistema riesce ugualmente a restituire un risultato positivo, benché basso.

42 42 TEST 4: Il seguente test procede analogamente come il precedente. Si riportano brevemente i risultati. Per la Face Recognition abbiamo ottenuto nuovamente un valore positivo. Si riportano per brevità la schermata Search ed ID : Il secondo test riguarda la fingerprint. Nel riquadro Verification Capture è visualizzata l impronta digitale catturata, mentre in basso è possibile vedere il risultato ottenuto.

43 43 L ultimo test riguarda la speaker Identification. Nel riquadro Classification è possibile vedere il risultato ottenuto. La barra a destra del risultato indica, in maniera grafica la percentuale di successo.

44 44 Il risultato finale è mostrato nella figura seguente:

45 45 Si noti che i valori sono compresi tra [0,1] e che il test ha dato un risultato finale pari a 0,75. Il riconoscimento dell impronte digitali, così come descritto nei documenti relativi al progetto Cerbero, ha dato risultati migliori rispetto alle altre caratteristiche biometriche.

46 46 TEST 5: Il seguente test procede analogamente come il precedente. Si riportano brevemente i risultati. Per la Face Recognition abbiamo ottenuto nuovamente un valore positivo. Si riportano per brevità la schermata Search ed ID : Il secondo test riguarda la fingerprint. Nel riquadro Verification Capture è visualizzata l impronta digitale catturata, mentre in basso è possibile vedere il risultato ottenuto.

47 47 L ultimo test riguarda la speaker Identification. Nel riquadro Classification è possibile vedere il risultato ottenuto. La barra a destra del risultato indica, in maniera grafica la percentuale di successo.

48 48 Il risultato finale è mostrato nella figura seguente:

49 49 Si noti che i valori sono compresi tra [0,1] e che il test ha dato un risultato finale pari a 0,76. Il riconoscimento dell impronte digitali, così come descritto nei documenti relativi al progetto Cerbero, ha dato risultati migliori rispetto alle altre caratteristiche