Die Theorie der erweiterten Korrelation Filter wurde von der Literatur der optischen Mustererkennung in den letzten zwei Jahrzehnten entwickelt hat; sie haben sich als wirksam Klassifikatoren in einer Reihe von Anwendungen, darunter die biometrische Erkennung und die automatische Zielerfassung erwiesen. Korrelationsfilterdesigns mit dem Bildintensitätsbereich von Trainingsbeispielen, eine Klasse-Vorlage, die charakteristischen Korrelationsausgaben produziert, um zwischen echten Benutzern und Betrügern zu unterscheiden berechnen. Bei der Anwendung des Filters für die Prüfung der Echtheit eines neuen Zielbildes wird die Ausgangsebene zu erwarten, um eine Form, die eine Korrelationsspitze, wenn das Bild authentisch ist, aber keinen solchen Peak, wenn das Bild gehört zu einer anderen Klasse. Eigenschaften der Korrelationsfilter Klassifizierer umfassen Graceful Degradation, Schicht Invarianz und in geschlossener Form Lösungen.
Der Code wurde mit Fingerabdruckbilder mit einem Seitenhieb UPEK Fingerabdruck-Lesegerät mit kapazitiver Sensor und USB 2.0-Anschluss entnommen getestet. Datenbank ist 16 Finger breit und 8 Impressions pro Finger tief (128 Fingerabdrücke in allen). Wir haben die folgenden Ergebnisse erzielt:
One-to-many Fingerabdruck-Identifikation: mit 2 Bilder für jeden Finger nach dem Zufallsprinzip für die Ausbildung ausgewählt und die restlichen 6 Bilder zum Testen (total 32 Bilder für die Ausbildung und 96 Bilder zum Testen), überschneidungsfrei, werden wir eine Fehlerrate kleiner als erhalten haben 0,6% (obere Fehlerrate).
One-to-one Fingerabdrucküberprüfung: haben wir einen EER gleich 5,6641% erhalten.
Index-Ausdrücke:. Matlab, Quelle, Code, Korrelation, Filter, AFIS, automatisierte Fingerabdruck, Identifikation, System
Anforderungen :
Matlab
Kommentare nicht gefunden