Otimizao e Implementao de um Algoritmo Direcional aplicado ao

Reconhecimento de Padres
SILVIA MARIA FARANI COSTA1
JOO MARCELO V. DE OLIVEIRA1
ADRIANA PAULA BORGES1
FRANCISCO JAVIER RAMIREZ FERNANDEZ1
1

EPUSP- Grupo SIM - Escola Politcnica da Universidade de So Paulo

Av. Prof Luciano Gualberto, 158, trav.3, 05508-900 So Paulo, SP, Brasil
{silviafc; apborges; jramirez}@lme.usp.br
jmvo@sim.lme.usp.br
Resumo. A imagem direcional um mtodo usualmente aplicado para classificao de
impresses digitais. Este algoritmo pode ser definido como a representao da orientao
local dos pixels da imagem original. Neste trabalho apresentado um mtodo simples para
obteno de um mapa direcional suavizado visando a classificao de impresses digitais
e o reconhecimento dos axnios em imagens de neurnios em cultura. Esta estratgia
permite a extrao de atributos e a reduo de rudos da imagem comparada a outros
mtodos propostos na literatura. Resultados experimentais obtidos atravs deste mtodo
demonstram que possvel obter um melhor mapa direcional para classificao de padres
de impresses digitais, bem como utilizar este conceito para reconhecimento dos axnios
minimizando inclusive a complexidade computacional. O software foi desenvolvido em
linguagem C++ e pode ser facilmente manipulado pelo usurio como ser apresentado
neste artigo.
Palavras-Chave: algoritmo direcional, reconhecimento de padres, bioinformtica.

1. Introduo
O reconhecimento de impresses digitais, abordado em biometria, tem se destacado no contexto
do reconhecimento de padres. O sistema de autenticao biomtrica faz uso de caractersticas
individuais para validar a identidade de um indivduo.
A comparao de impresses digitais, antigamente restrita a rea criminal, exerce papel
fundamental na verificao de pessoas. Hoje, porm, com o avano tecnolgico, a verificao de
impresses digitais pode ser empregada em sistemas de segurana, transaes financeiras, controle
de acesso a locais restritos, controle de freqncia de funcionrios, logins em redes corporativas,
validao de documentos, autenticao de portadores de cartes, comprovao de identidade, etc.
Desta forma, percebemos que a verificao de impresses digitais no est somente associada
identificao jurdica de um indivduo, atualmente tem sido usada em diversas aplicaes aonde a
tecnologia vem facilitar o cotidiano das pessoas, aumentando a cada dia a demanda dos sistemas
computacionais.
Na segunda seo destacamos o estado da arte neste tema tecnologia biomtrica. Na seo
trs abordamos os conceitos sobre os Sistemas de Identificao de Impresses Digitais Automtico
- AFIS. O clculo da imagem direcional abordado na seo quatro. A seo cinco aborda a

suavizao do mapa direcional, onde possvel fazer uma analogia sobre o mtodo exposto na
literatura que faz uso do clculo de seno-cosseno e a nossa proposta que utiliza um mtodo
estatstico baseado no clculo da moda. Na seo seis apresentamos a implementao do software.
A aplicao do algoritmo direcional para a identificao dos axnios em imagens de neurnios em
cultura descrita na seo sete. As concluses do trabalho e perspectivas futuras so descritas na
seo oito.

2. Tecnologia Biomtrica
A comparao manual da impresso digital uma tarefa tediosa, onde os aspectos geomtricos
usados para comparao so extremamente pequenos necessitando auxlio de lentes de aumento
para obter uma melhor definio da marca da impresso digital, [3],[8]. Outro ponto a ser
considerado a reviso do banco de dados que pode impor um alto grau de complexidade tal que a
comparao manual pode se estender por dias em alguns casos. Esses problemas podem ser
facilmente superados pela automao do processo de classificao da impresso digital visando
otimizar o processamento.
Mtodos tradicionais de verificao pessoal normalmente usam algo que conhecemos (PIN
Personal Identification Number, ou seja, uma senha) ou algo que possumos (uma chave, um
carto), [5],[10], (Figura 1). O grande problema que estes recursos podem ser esquecidos,
roubados, perdidos, copiados, armazenados de maneira insegura e at utilizados por uma pessoa que
no tenha autorizao. Desta forma, no surpreendente que o novo campo de atraes seja a
biometria, ou seja, a maneira de identificar pessoas por intermdio de suas caractersticas fsicas.

Figura 1: Evoluo dos mtodos de identificao pessoal.

As impresses digitais geralmente so irregulares devido s condies da pele (marcas de

nascimento, marcas de ocupao, cortes, uso de cremes), marcas causadas por dilatao (rolamento
do dedo, excesso de tinta), dispositivos de aquisio e atitudes no cooperativas. Esses fatores
influenciam significativamente na qualidade das imagens, ou seja, nem sempre a estrutura das
cristas so bem definidas, portanto no podem ser detectadas. Se a qualidade da imagem no
corresponde a um padro aceitvel, a classificao automtica da impresso digital se torna uma
tarefa extremamente difcil, [2],[3].

O principal objetivo das tcnicas de pr-processamento otimizar e extrair aspectos de uma

imagem tal que o resultado seja mais desejvel que a imagem original para aplicaes especficas,
[7],[12]. Em uma imagem de impresso digital ideal, cristas (linhas pretas) e vales (linhas brancas)
se alternam, o fluxo da direo localmente constante e as mincias (cristas finais e bifurcaes)
so anomalias das cristas. Entretanto na prtica um percentual significativo de imagens adquiridas
de baixa qualidade. Desta forma um nmero significativo de aspectos falsos pode ser detectado e
em contrapartida, um grande percentual de aspectos significativos, podem ser ignorados ou
distorcidos. Da a necessidade da otimizao do processo para que a extrao de mincias tenha um
desempenho robusto, [4],[6]. Isto muito importante porque estruturas de cristas ilegtimas (falsas)
podem mudar a individualidade das impresses digitais de entrada.

3. AFIS - Automated Fingerprint Identification System

Os sistemas automticos de identificao de impresses digitais (AFIS Automated Fingerprint
Identification System) consistem em vrios estgios de processamento, dentre os quais podemos
citar melhoria de imagem, clculo da imagem direcional, suavizao do mapa direcional visando a
reduo de rudos, [7]. H um crescente interesse em classificao e verificao de impresses
digitais automticas devido necessidade de facilitar o manuseio de bancos de dados e agilizar o
tempo de processamento.
Os AFIS's atuais usam mtodos de classificao exclusiva, onde impresses digitais so
divididas em algumas classes distintas predefinidas de acordo com suas caractersticas globais.
A maioria dos sistemas de identificao de impresses digitais so baseados em comparaes
de mincias que constituem um padro de impresso digital. A deteco automtica de mincias
um processo extremamente crtico, especialmente em imagens de baixa qualidade, onde rudos e
deficincia no contraste podem gerar configuraes de pontos similares ou ignorar mincias
verdadeiras.
As impresses digitais de pessoas ou de dedos diferentes de uma mesma pessoa diferenciam-se
sob dois critrios principais. O primeiro critrio est relacionado ao grupo da impresso e o segundo
critrio est relacionado distribuio das mincias. O critrio de grupo representa uma viso
global da impresso digital, definida pelo comportamento das linhas dactilares nos dedos. Esta
viso macroscpica permite, em um processo de comparao de duas impresses digitais, afirmar a
no identidade no caso de grupos diferentes. Quando os grupos de duas impresses digitais (padro
e candidata) so iguais, o segundo critrio (das mincias) permite afirmar ou no a identidade, em
funo de um mapeamento posicional entre os diversos tipos de mincias.
A classificao e comparao so duas funes primrias requeridas em um processamento para
reconhecimento de impresses digitais. A meta da classificao assegurar que uma dada
impresso digital pertena a uma classe especfica de acordo com suas propriedades geomtricas.
Na etapa de verificao o indivduo apresenta sua impresso digital e esta imagem comparada
com um padro armazenado no banco de dados, [8]. Se a comparao reconhecida como
verdadeira ento o indivduo aceito pelo sistema.
Cabe aqui ressaltar a importncia da classificao de uma impresso digital no tocante a
diminuio do tempo de pesquisa em um banco de dados com muitas imagens catalogadas. A
classificao um processo muito rpido (questo de poucos segundos) e classifica a impresso

digital em um dos cinco tipos: Verticilo, Arco Plano, Arco Angular, Presilha Direita e Presilha
Esquerda. A partir do momento que se sabe qual a categoria da impresso digital, ou seja, a qual
classe ela pertence, parte-se para a etapa de verificao. Esse processo ocorre contrastando a
impresso digital desejada com todas as outras do banco de dados, uma a uma. Observe que agora
ser necessrio verificar apenas 1/5 do total de imagens de um banco de dados, visto que somente
faz sentido comparar impresses digitais que tenham a mesma classificao.

4. Clculo da Imagem Direcional

As linhas tpicas no padro da impresso digital so reconhecidas como cristas papilares. O
fluxo dessas cristas formam diferentes padres geomtricos classificados como arcos, presilhas,
verticilos, e outras estruturas mais detalhadas como cristas finais e cristas bifurcadas, conhecidas
como mincias ou pontos caractersticos. Observando esses aspectos, a maior parte das tcnicas
utilizadas para classificao e verificao automtica de impresses digitais dependem da
determinao da direo do fluxo das cristas papilares.
O fluxo das cristas papilares presentes na imagem original traduzido digitalmente como uma
imagem direcional. A imagem direcional fornece informaes contidas nos padres de impresses
digitais e pode ser seguramente calculada em imagens ruidosas, uma vez que para atenuar a
influncia dos rudos basta tomar a mdia das direes. Por esta razo, a maioria dos mtodos de
classificao existentes fazem uso da imagem direcional, [1],[9],[11].
Um mtodo proposto por Stock and Swonger [13], calcula a direo de um pixel usando uma
mscara 9x9 centrada no pixel de interesse, (Figura 2), sendo que cada pixel pode assumir 1 de 8
direes (Figura 3).
6

4
5

C
3

4
4

S1

S0

Figura 2: Mscara 9x9 utilizada para calcular as direes no arquivo original.

Os valores de cada pixel, que variam de 0 (preto) a 255 (branco), so somados em oito direes
conforme a mscara da Figura 2, de forma a se obter oito somatrias, S0, S1, ..., S6, S7. Esses 8
nmeros so os possveis valores de direo que um pixel pode assumir. Essa mscara, na verdade,
fora que os valores dos pixels sejam somados em 8 direes distintas que nada mais so do que 8
diferentes ngulos, conforme mostra a Figura 3 em uma imagem original.

Figure 3: Mapa das 8 direes.

Descobertos os valores da soma de cada uma das oito direes possveis (S0, S1, ..., S6, S7),
basta descobrir qual a direo que ele vai assumir: 0, 1, ..., 6, 7. Para tal, feito o seguinte
algoritmo:
1.
Descobre-se qual a direo cuja soma dos pixels apresentou o menor valor. Para
facilitar o entendimento, ser chamada de MENOR_DIREO.
2.
Descobre-se qual a direo cuja soma dos pixels apresentou o maior valor. Para
facilitar o entendimento, ser chamada de MAIOR_DIREO.
3.
Descobre-se qual o valor do pixel central. Para facilitar o entendimento, ser chamado
de PIXEL_CENTRAL.
4.
Descobre-se o valor total das direes somando os oito valores obtidos S0, S1, ..., S6, S7.
Para facilitar o entendimento, ser chamado de TODAS_DIREES.
5.
Se (4 * PIXEL_CENTRAL) + MAIOR_DIREO + MENOR_DIREO for menor do
que 3/8 * TODAS_DIREES, considera-se que o pixel central est em uma rea com
menor soma (pixels mais para preto), portanto escolhida a direo que obteve a menor
soma: MENOR_DIREO. Caso contrrio, considera-se que o pixel central est em
uma rea com maior soma (pixels mais para branco), assim escolhida a direo que
obteve maior soma: MAIOR DIREO.
Em outras palavras, a direo (d) ser p se o pixel central est localizado na crista (linha preta),
e q se o pixel central estiver localizado no vale (linha branca). Se o pixel central tem valor C, ento
suas direes so dadas por:
p se ( 4C + Sp + Sq) <
d=

3
8

Si
i=0..7

q caso contrrio
O clculo da equao acima, fornece a direo de cada pixel dentro das 8 direes possveis.

5. Suavizao da Imagem Direcional

Enfatizamos neste trabalho a suavizao do mapa direcional. O clculo da imagem direcional
permite extrair atributos (direo) em um bloco considerado. Entretanto, para eliminar rudos
necessrio aplicar a suavizao. Resultados experimentais mostram que o mtodo que estamos

propondo permite fazer a suavizao gerando um mapa direcional menos distorcido e minimizando
tambm a complexidade de clculo.
Detalhamos nos itens a seguir dois mtodos para calcular a suavizao da imagem direcional: o
mtodo seno-cosseno classicamente citado na literatura e o mtodo por ns proposto que faz uso de
tcnicas estatsticas.

5.1. Mtodo Seno-Cosseno

As direes obtidas podem ser suavizadas em uma vizinhana local, [9],[13]. Porm h uma
dificuldade na obteno de valores mdios de direo, pois resultados incorretos foram obtidos
fazendo a mdia em um bloco considerado. Por exemplo, tomando-se as direes 1 e 179 (graus),
obtm-se uma direo mdia vertical, ou seja, 90 (graus). Fazendo a mdia dos cossenos e senos
dos ngulos tambm obtivemos falhas, ou seja, para as mesmas direes, 1 e 179, os vetores
(cosseno, seno) so (0.999847, 0.017452) e (- 0.999847, 0.017452), cuja mdia a vertical (0,
0.017452). Estrategicamente, bons resultados so obtidos dobrando-se os ngulos e calculando
cossenos e senos. Usando este mtodo, 1 e 179 (graus) segue (0.999391, 0.034900) e (0.999391, 0.034900), cuja mdia a horizontal (0.999391, 0). Desta forma temos um vetor unitrio na direo
v = (cos 2, sin 2) para o clculo da imagem direcional. Observe o mapa direcional obtido por
seno-cosseno, (Figura 4).

Figure 4: Mapa direcional por seno-cosseno.

O algoritmo de suavizao por seno-cosseno funciona da seguinte forma:

1. A imagem direcional carregada. Observe agora que cada pixel no mais possui valores
absolutos (0...255), mas sim valores de direes (0...7).
2. A imagem do item 1 segmentada em blocos. O objetivo deste algoritmo atribuir a um
bloco de direes (10x10, 12x12, etc) o valor de somente uma direo, a direo
suavizada.
3. Cada bloco percorrido pixel a pixel, para se descobrir qual sua soma de seno e cosseno
do seguinte modo:
a. Multiplica-se o valor de cada pixel por 2/8*PI, onde 8 o nmero de direes
possveis. Para facilitar o entendimento, isso ser chamado de PIXEL_PI.

b. Descobre-se os valores: cosseno(2*PIXEL_PI) e seno(2*PIXEL_PI), para cada

pixel.
c. Soma-se os valores do cosseno em uma varivel SOMA_COSSENO, que conter o
valor de todos os cossenos somados, conforme item b.
d. Soma-se os valores de seno em uma varivel SOMA_SENO, que conter o valor de
todos os senos somados, conforme item b.
4. Com isso definido, calcula-se o cotangente de SOMA_SENO/SOMA_COSSENO e dividese o resultado por dois. Isso ser chamado de COTANGENTE_BLOCO.
5. Multiplica-se COTANGENTE_BLOCO pelo nmero de direes, 8, e divide-se o valor por
PI/2. Esse valor, obtido para o bloco, ser o valor da direo suavizada procurada para
cada bloco da imagem.

5.2. Mtodo Estatstico

As direes obtidas tambm podem ser suavizadas em uma vizinhana local utilizando o
clculo estatstico da moda. Desta forma, divide-se a imagem em blocos onde sero considerados os
vizinhos para estabelecer um valor mdio de direo. Para suavizar este mapa direcional, basta
considerar a direo que aparece com maior freqncia e ento atribu-la ao bloco em questo,
(Figura 5).
Sobrepondo a imagem do mapa direcional e a original, nitidamente percebe-se que a imagem
suavizada pela moda menos distorcida, ou seja, as direes obtidas so mais fidedignas
comparadas ao mapa suavizado por seno-cosseno.

Figure 5: Mapa direcional por tcnica estatstica (moda).

O algoritmo de suavizao pela moda funciona da seguinte forma:

1. A imagem carregada. Observe novamente que cada pixel no mais possui valores
absolutos (0...255), mas sim valores de direes (0...7).
2. A imagem do item 1 segmentada em blocos. Da mesma forma que o algoritmo de senocosseno; o objetivo deste algoritmo dar a um bloco de direes (10x10, 12x12, etc) o valor
de somente uma direo, a direo suavizada.

3. Cada bloco percorrido pixel a pixel, para se descobrir qual o valor de direo que mais
ocorre no bloco, que ser chamado de DIREO_MODA. Esse valor, obtido para o bloco,
ser o valor da direo suavizada procurada para cada bloco da imagem.
Dado um mapa direcional suavizado, a classificao feita baseada nos pontos singulares, ou
seja, ncleos e deltas. Um ponto ser classificado como ordinrio, ncleo ou delta pelo clculo do
ndice de Poincar, [9]. Este algoritmo calcula as mudanas dos ngulos de direo em uma janela
2x2. Desta forma, percebe-se que as direes se fixam em 0 quando temos um ponto ordinrio, 180 quando temos um ponto delta e +180 para o ponto ncleo. Aps localizar todos os ncleos e
deltas, classificamos a imagem de acordo com o nmero e localizao destes pontos.

6. Implementao do Software
O software desenvolvido pode ser manipulado facilmente pelo usurio. Foi desenvolvida uma
biblioteca em C++ onde implementamos os algoritmos propostos.
O programa de classificao permite a seleo de pontos falsos caso apaream e gera um
relatrio descrevendo o nmero de pontos ncleos e deltas encontrados bem como uma mensagem
de erro na ocorrncia de pontos falsos.
Observe a interface grfica, (Figura 6). Inicialmente o programa carrega uma imagem e aplica
um filtro de contraste caso seja necessrio.

Figure 6: Interface grfica.

O prximo passo permite gerar os mapas direcionais utilizando o mtodo seno-cosseno e o

mtodo estatstico, (Figura 7).

Figure 7: Mapas direcionais obtidos por ambos os mtodos.

Na etapa final o usurio pode escolher qual mapa direcional ser utilizado para classificao da
imagem. Observe que os pontos de interesse para classificao so apresentados em diferentes
cores: verde para os ncleos, azul para os pontos deltas e vermelho para os pontos ordinrios. Como
mencionado anteriormente, os pontos utilizados para classificao so os ncleos e os deltas. Desta
forma possvel localiz-los facilmente neste programa. Pode-se ainda selecionar os pontos falsos
que porventura apaream para que sejam desconsiderados na classificao. Observe a interface
grfica aps a classificao, (Figura 8).

Figure 8: Interface grfica aps a classificao.

7. Identificao dos axnios em imagens de clulas em cultura utilizando a

imagem direcional
Como apresentado anteriormente vimos que a imagem direcional um mtodo usualmente
aplicado para classificao de impresses digitais. Neste trabalho, porm aplicamos este algoritmo
para reconhecimento dos axnios em imagens de neurnios em cultura. Para tanto foi implementado
um visualizador e um algoritmo alternativo que d como resposta a posio do crescimento do
axnio.
Para obtermos um banco de dados padronizado definimos que as imagens tm tamanho
256x256 pixels em formato bitmap. As imagens das clulas passaram anteriormente por um prprocessamento onde foram aplicados detectores de borda e posteriormente threshold, porm estas
etapas no sero abordadas neste trabalho.
Para as imagens das clulas, aps obtermos um mapa direcional suavizado necessrio saber
onde est localizado o ncleo e o axnio. Para visualizarmos a direo dos pixels pertencentes
clula (ncleo e axnio) o algoritmo desconsidera algumas direes como 0, 1, 14 e 15 que so as
mais provveis direes do background.
Para localizarmos o ncleo e o axnio foi implementado um algoritmo baseado na observao
da vizinhana onde dividimos a imagem em blocos. Verificou-se que ocorreram maiores oscilaes
das direes no ncleo e no axnio as direes permaneciam mais uniformes. Empiricamente
observou-se tambm que regies correspondentes ao ncleo apresentavam no mnimo trs vizinhos.
No ocorre o mesmo para o axnio que possua no mximo 2 vizinhos. Baseado nesta observao,
foi possvel determinar o ncleo e o axnio fazendo uma varredura linear na imagem verificando
sua vizinhana. Com o programa visualizador possvel observar que o mapa direcional da imagem
apresenta distino de cores entre os pixels de background (cor vermelha) e os pixels pertencentes
clula (cor azul), (Figura 9).

Figure 9: Algoritmo direcional aplicado s clulas para identificao dos axnios.

Este programa tambm gera um relatrio descrevendo a posio do axnio em relao ao

ncleo da clula, (Figura 10).

Figure 10: Posio do axnio com relao ao ncleo celular.

8. Concluses
Para aplicao em impresses digitais, o software de classificao desenvolvido foi testado para
330 imagens, provenientes de quatro bancos de dados. O Nist Special Database 4, com 50 imagens
disponibilizadas pelo FBI (Federal Bureau of Investigation). O banco de dados DSPAMI com 14
imagens e o FINGDB, com 168 imagens, ambos fornecidos pelo Biometric Systems Lab, e por fim
um banco de dados obtido no Departamento de Dactiloscopia do Estado de So Paulo, com 98
imagens. Considerando esse universo foi possvel classificar 80% das imagens automaticamente.
Neste trabalho destacamos principalmente a utilizao do mtodo estatstico para suavizao do
mapa direcional que tornou possvel gerar imagens com melhor qualidade minimizando a
complexidade de clculo.
Quanto ao programa atribui-se cor vermelha para um ponto ordinrio, azul para o delta e verde
para o ncleo, de forma que o usurio possa visualizar melhor provveis pontos falsos que podem
ser desconsiderados manualmente. Este programa foi implementado em linguagem C++ e possui
alto grau de flexibilidade, uma vez que o usurio pode optar pelo nmero de direes, tamanho da
grade para suavizao e tambm qual mapa direcional (seno-cosseno ou estatstico) ser utilizado
para a classificao. Finalmente o programa gera um relatrio com informaes sobre a imagem
classificada.
O algoritmo direcional tambm gerou resultados interessantes quando aplicado s clulas. Desta
forma podemos afirmar que possvel utilizar este algoritmo para vrias aplicaes em Biologia,
em particular para anlise e monitorao do crescimento dos axnios como foi apresentado neste
trabalho.

Referncias
[1] CAPPELLI, Raffaele; LUMINI, Alessandra; MAIO, Dario; MALTONI, Davide; "Fingerprint
Classification by Directional Image Partitioning", IEEE Transactions on Pattern Analysis and
Machine Intelligence, 1999, vol. 21, n 5, pp. 402-421.
[2] COETZEE, Louis; BOTHA, Elizabeth C.; "Fingerprint Recognition in Low Quality Images",
Pattern Recognition, 1993, vol. 26, n 10, pp. 1441-1460.

[3] ELECCION, Marce; Pattern Recognition Automatic Fingerprint Identification, IEEE

Spectrum, 1973, pp. 36-45.
[4] HONG, Lin; JAIN, Anil; PANKANTI, Sharath; BOLLE, Ruud; Fingerprint Enhancement,
Proc. Third IEEE Workshop on Applications of Computer Vision, 1996, pp.202-207.
[5] HONG, Lin; JAIN, ANIL K.; Integrating Faces and Fingerprints for Personal Identification,
IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, vol. 20, n 12, pp. 12951307.
[6] HONG, Lin; JAIN, Anil; Fingerprint Image Enhencement: Algorithm and Performance
Evaluation, IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, vol. 20, n 8,
pp. 777-789.
[7] JAIN, Anil; HONG, Lin; PANKANTI, Sharath; BOLLE, Ruud; An Identity-Authentication
System using Fingerprints, Proceedings of the IEEE, 1997, vol. 85, n 9, pp. 1365-1388.
[8] JAIN, Anil K.; HONG, Lin; BOLLE, Ruud; "On Line Fingerprint Verification", IEEE
Transactions on Pattern Analysis and Machine Intelligence, 1997, vol.19, n 4, pp. 302-313.
[9] KARU, Kalle; JAIN, Anil J.; Fingerprint Classification, Pattern Recognition, 1996, vol. 29,
n 3, pp. 389-404.
[10] MEYER, Helen; Abstracts of Articles and Recent Literature, Computers and Security, 1999,
vol. 18, pp. 149-154.
[11] RATHA, Nalini; KARU, Kalle; CHEN, Shayun; JAIN, Anil K.; "A Real Time Matching
System for Large Fingerprint Databases", IEEE Transactions on Pattern Analysis and Machine
Intelligence, 1996, vol. 18, n 8, pp. 799-813.
[12] STOCK, R. M.; SWONGER, C. W.; Development and Evaluation of a reader of Fingerprint
Minutiae, Cornell Aeronautical Laboratory, Technical Report CAL nXM-2478-X-1: 13-17, 1969.
[13] VERMA, M. R.; MAJUNDAR, A. K.; CHATTERJEE, B.; Edge Detection in Fingerprints,
Pattern Recognition, 1987, vol. 20, n 5, pp. 513-523.