Η θεωρία των προηγμένων φίλτρων συσχέτισης έχει εξελιχθεί από τη βιβλιογραφία της οπτικής αναγνώρισης προτύπων κατά τις τελευταίες δύο δεκαετίες? έχουν αποδειχθεί αποτελεσματικές ταξινομητές σε έναν αριθμό εφαρμογών, μεταξύ των οποίων βιομετρικά αναγνώριση και την αυτόματη αναγνώριση του στόχου. Σχέδια φίλτρο Συσχέτιση χρησιμοποιήστε το πεδίο έντασης εικόνα των παραδειγμάτων εκπαίδευσης για να υπολογίσει ένα πρότυπο τάξη που παράγει χαρακτηριστικό εξόδους συσχέτιση να γίνει διάκριση μεταξύ των χρηστών αυθεντικά και απατεώνες. Κατά την εφαρμογή του φίλτρου για τον έλεγχο της αυθεντικότητας μίας νέας εικόνας στόχου, το επίπεδο εξόδου αναμένεται να έχει ένα σχήμα που περιέχει μια κορυφή συσχέτισης εάν η εικόνα είναι αυθεντική, αλλά καμία τέτοια κορυφή εάν η εικόνα ανήκει σε μια άλλη κατηγορία. Ιδιότητες της συσχέτισης ταξινομητές φίλτρου περιλαμβάνουν χαριτωμένη υποβάθμιση, αναλλοίωτο βάρδιες και λύσεις κλειστής μορφής.
Ο κώδικας έχει δοκιμαστεί με τη χρήση εικόνων των δακτυλικών αποτυπωμάτων που ελήφθησαν με UPEK σαρωτή δακτυλικών αποτυπωμάτων με χωρητική αισθητήρα και σύνδεση USB 2.0. Βάση δεδομένων είναι 16 δάχτυλα πλάτος και 8 εμφανίσεις ανά δάχτυλο βαθιά (128 δακτυλικά αποτυπώματα σε όλα). Έχουμε λάβει τα ακόλουθα αποτελέσματα:
Ένα-προς-πολλά αναγνώρισης δακτυλικών αποτυπωμάτων: χρησιμοποιώντας 2 εικόνες για κάθε δάχτυλο που επιλέγονται τυχαία για την κατάρτιση και τα υπόλοιπα 6 εικόνες για τη δοκιμή (συνολικά 32 εικόνες για την κατάρτιση και 96 εικόνες για δοκιμή), χωρίς επικαλύψεις, έχουμε αποκτήσει ένα ποσοστό σφάλματος μικρότερο από 0,6% (πάνω από ποσοστό σφάλματος).
Ένας-προς-έναν επαλήθευση των δακτυλικών αποτυπωμάτων: έχουμε λάβει EER ισούται με 5,6641%.
Όροι Δείκτης:. Matlab, πηγή, κώδικα, συσχέτιση, φίλτρα, AFIS, αυτοματοποιημένη, δακτυλικών αποτυπωμάτων, αναγνώριση, το σύστημα
Απαιτήσεις :
Matlab
Τα σχόλια δεν βρέθηκε