La théorie de filtres de corrélation avancées a évolué à partir de la littérature de la reconnaissance de motif optique dans les deux dernières décennies; ils ont prouvé classificateurs efficaces dans un certain nombre d'applications, parmi eux reconnaissance biométrique et de reconnaissance automatique de cible. conceptions de filtre de corrélation utilisent le domaine de l'intensité de l'image d'exemples d'entraînement pour calculer un modèle de classe qui produit sorties de corrélation caractéristiques de distinguer entre les utilisateurs authentiques et des imposteurs. Lors de l'application du filtre pour vérifier l'authenticité d'une nouvelle image de la cible, le plan de sortie devrait avoir une forme contenant un pic de corrélation si l'image est authentique, mais pas tel pic si l'image appartient à une autre classe. Propriétés de corrélation classificateurs de filtrage incluent la dégradation gracieuse, invariance de décalage et des solutions à forme fermée.
Le code a été testé en utilisant des images d'empreintes digitales prises avec un glissement lecteur d'empreintes digitales UPEK avec capteur capacitif et la connexion USB 2.0. Base de données est de 16 doigts de large et 8 impressions par doigt bien profond (128 empreintes digitales en tout). Nous avons obtenu les résultats suivants:
-Un à plusieurs identification des empreintes digitales: en utilisant deux images pour chaque doigt sélectionné au hasard pour la formation et les 6 images restantes pour les essais (totalement 32 images pour la formation et 96 images pour les tests), sans chevauchement, nous avons obtenu un taux d'erreur inférieur à 0,6% (en haut à une taux d'erreur).
One-to-one vérification des empreintes digitales: nous avons obtenu un EER égale à 5,6641%.
Index Conditions: Matlab., Source, code, corrélation, filtres, AFIS, automatisé, des empreintes digitales, identification, système
Exigences :
Matlab
Commentaires non trouvées