A teoria de filtros de correlação avançada evoluiu a partir da literatura de reconhecimento de padrão óptico, nas duas últimas décadas; eles têm-se revelado eficazes em classificadores de um certo número de aplicações, entre elas biométrica de reconhecimento e de reconhecimento automático de alvos. Projetos do filtro Correlação usar o domínio intensidade da imagem de exemplos de treinamento para computar um modelo de classe que produz saídas de correlação característicos de distinguir entre os usuários autênticos e impostores. Quando se aplica o filtro para testar a autenticidade de uma nova imagem de destino, o plano de saída, é esperado ter uma forma que contém um pico de correlação se a imagem é autêntica, mas nenhum pico tal se a imagem é de outra classe. Propriedades de filtro classificadores de correspondência incluem degradação suave, turno invariância e soluções de forma fechada.
O código foi testado utilizando imagens de impressões digitais tiradas com um leitor de impressões digitais furto UPEK com sensor capacitivo e conexão USB 2.0. Banco de dados é de 16 dedos de largura e 8 impressões por dedo profunda (128 impressões digitais no total). Obtivemos os seguintes resultados:
One-to-many identificação de impressões digitais: usando duas imagens para cada dedo aleatoriamente selecionados para o treinamento e os restantes 6 imagens para testes (no total de 32 imagens para treinamento e 96 imagens de ensaios), sem qualquer sobreposição, obtivemos uma taxa de erro menor do que 0,6% (top uma margem de erro).
One-to-one verificação da impressão digital: fomos feitos EER igual a 5,6641%.
Termos para indexação:. Matlab, fonte, código, de correlação, filtros, AFIS, automatizada, impressão digital, identificação, sistema
Requisitos :
Matlab
Comentários não encontrado