Um sistema biométrico multimodal seguro e explicável usando fusão adaptativa por confiança para face e impressão digital

Por que seu rosto e sua impressão digital precisam de uma fechadura mais inteligente

Nossos telefones, laptops e até portas de escritório dependem cada vez mais de impressões digitais e escaneamentos faciais em vez de senhas. Mas o que acontece se essas “chaves” biométricas forem copiadas ou corrompidas — e como podemos confiar em modelos computacionais que decidem quem entra? Este artigo apresenta uma nova forma de combinar dados de face e impressão digital que busca ser mais precisa, mais privada e mais compreensível para humanos, oferecendo um vislumbre de como as fechaduras digitais do futuro podem funcionar.

Usando duas características em vez de uma

Sistemas biométricos únicos, como leitores somente de impressão digital ou somente de face, podem falhar quando a imagem está borrada, mal iluminada ou parcialmente coberta. Os autores constroem um sistema multimodal que usa face e impressão digital em conjunto. Cada imagem é primeiro preparada: faces são detectadas e alinhadas para que olhos, nariz e boca fiquem em posições padronizadas, enquanto impressões digitais são denoised, binarizadas e recortadas para a área central mais informativa das cristas. Essa preparação cuidadosa torna as etapas seguintes mais robustas a problemas cotidianos como variações de iluminação, pressão do dedo ou ruído de fundo.

Ensinando um “senso” digital compacto de identidade

Em vez de criar manualmente características como bordas ou padrões de textura feitos à mão, o sistema usa um modelo moderno de aprendizado profundo chamado MobileNetV2, aprimorado com um mecanismo de “atenção por canal”. Em termos simples, essa rede aprende quais partes da imagem importam mais para distinguir pessoas e quais podem ser negligenciadas. Ela produz uma impressão digital numérica curta — chamada embedding — para cada rosto e cada impressão digital. Esses resumos compactos são projetados para ser distintivos o suficiente para separar indivíduos, mantendo-se eficientes para armazenar e processar.

Deixando o sistema decidir em qual sinal confiar

Dados do mundo real são confusos: uma impressão digital borrada ou uma selfie com pouca luz pode induzir erro até em um modelo poderoso. Para lidar com isso, os autores introduzem a Fusão Adaptativa por Confiança (Trust-Adaptive Fusion, TAF). O sistema estima quão confiável é cada modalidade e converte esses níveis de confiança em escores de confiança. Em vez de simplesmente empilhar as características de face e impressão, ele dá mais peso àquela mais confiável e menos à de qualidade inferior ao formar uma representação combinada. Esse ponderamento dinâmico ajuda o sistema a manter a precisão mesmo quando uma fonte de informação está degradada ou parcialmente ausente.

Protegendo os dados enquanto ainda faz os cálculos

Como traços biométricos não podem ser alterados como senhas, protegê-los é crucial. Portanto, o sistema nunca armazena ou compara características brutas em texto claro. Em vez disso, criptografa o vetor de características fundido usando uma técnica especializada conhecida como criptografia homomórfica. Esse método permite que o servidor realize a comparação — essencialmente medindo a similaridade entre um template armazenado e uma nova tentativa de login — enquanto os dados permanecem criptografados. Apenas o resultado final de similaridade é descriptografado, o que significa que o template biométrico subjacente permanece oculto até mesmo do servidor que realiza o processamento.

Abrindo a caixa-preta

Modelos de aprendizado profundo costumam ser criticados por serem opacos. Para resolver isso, os autores integram um método de visualização chamado Grad-CAM. Para uma decisão dada, o Grad-CAM destaca as regiões da imagem do rosto ou da impressão digital que mais influenciaram o resultado. Em imagens faciais, o sistema foca em áreas ao redor dos olhos, nariz e boca, enquanto em imagens de impressões digitais ele se concentra em terminações de crista e pontos de bifurcação, não em fundos ruidosos. Esses mapas de calor ajudam usuários e projetistas a verificar que o modelo está se apoiando em pistas sensatas em vez de artefatos acidentais.

Quão bem funciona e por que importa

O sistema proposto foi testado em conjuntos de dados públicos padrão para faces e impressões digitais e apresenta taxas de erro extremamente baixas: ele raramente confunde um impostor com um usuário genuíno ou rejeita um usuário legítimo. Crucialmente, esses resultados se mantêm mesmo quando toda a comparação é feita no domínio criptografado, indicando que fortes proteções de privacidade não enfraquecem significativamente o desempenho. Para usuários cotidianos, a conclusão é que combinar múltiplos traços biométricos, ponderá-los pela qualidade e protegê-los com criptografia avançada pode tornar o acesso digital mais seguro e mais confiável — sem exigir que lembremos uma única senha complexa.

Citação: Chitrapu, P., Morampudi, M.K. & Kalluri, H.K. A secure and explainable multimodal biometric system using trust adaptive fusion for face and fingerprint. Sci Rep 16, 14244 (2026). https://doi.org/10.1038/s41598-026-43252-x

Palavras-chave: autenticação biométrica, face e impressão digital, segurança preservadora de privacidade, aprendizado profundo, IA explicável