gelişmiş korelasyon filtreleri teorisi, son iki yılda optik örüntü tanıma literatürde gelişti; kendi aralarında uygulamalarda, biyometrik tanıma ve otomatik hedef tanıma bir dizi etkili sınıflandırıcı kanıtlamıştır. Korelasyon filtre tasarımları özgün kullanıcı ve sahtekarlar ayırt karakteristik korelasyon çıkışları üreten bir sınıf şablonu hesaplamak için eğitim örneklerinin görüntü yoğunluğu alanını kullanın. Yeni bir hedef görüntünün gerçekliğini test etmek için filtre uygularken, çıkış uçak görüntü başka sınıfa aitse görüntü otantik ise korelasyon tepe içeren bir şekil, ama böyle bir zirve yapması bekleniyor. Korelasyon filtresi sınıflandırıcıların özellikleri zarif bozulmasını, vardiya değişmezliği ve kapalı-form çözümleri içerir.
Kod kapasitif sensör ve USB 2.0 bağlantı ile UPEK tokatlamak parmak izi okuyucu ile alınan parmak izi görüntüleri kullanılarak test edilmiştir. Veritabanı genişliğinde 16 parmak ve derin parmak başına 8 gösterim (tüm 128 parmak izi) 'dir. Biz şu sonuçlar elde edilmiştir:
Bir-çok parmak izi kimlik: Herhangi bir çakışma olmadan rastgele eğitim için seçilen her bir parmak için 2 fotoğraf ve test için kalan 6 görüntüleri (eğitim için toplam 32 resim ve test için 96 fotoğraf) kullanarak, biz daha bir hata oranı daha küçük almış 0.6% (üst bir hata oranı).
Bire bir parmak izi doğrulama: Biz 5,6641% eşit bir EER almış.
Dizini Şartlar:. Matlab, kaynak, kod, korelasyon, filtreler, AFIS, otomatik, parmak izi, kimlik, sistem
Gereksinimler :
Matlab
Yorum Bulunamadı