La teoría de los filtros de correlación avanzadas ha evolucionado a partir de la literatura de reconocimiento de patrones óptica en las últimas dos décadas; que han demostrado ser eficaces clasificadores en una serie de aplicaciones, entre ellas de reconocimiento biométrico y de reconocimiento automático del objetivo. Diseños de filtros de correlación utilizan el dominio de intensidad de la imagen de ejemplos de entrenamiento para calcular una plantilla de clase que produce salidas de correlación característicos de distinguir entre los usuarios auténticos e impostores. Al aplicar el filtro para probar la autenticidad de una nueva imagen de destino, se espera que el plano de salida para tener una forma que contiene un pico de correlación si la imagen es auténtico, pero no hay tal pico si la imagen pertenece a otra clase. Propiedades de la correlación de filtro clasificadores incluyen degradación elegante, invariancia de cambios y soluciones de forma cerrada.
El código ha sido probado usando imágenes de huellas dactilares tomadas con un lector de huellas digitales UPEK golpe con sensor capacitivo y conexión USB 2.0. Base de datos es de 16 dedos de ancho y 8 de impresiones al dedo de profundidad (128 huellas dactilares en total). Hemos obtenido los siguientes resultados:
Uno-a-muchos identificación de huellas dactilares: el uso de 2 imágenes por cada dedo seleccionado al azar para el entrenamiento y las 6 imágenes restantes para las pruebas (en total 32 imágenes para la formación y 96 imágenes para la prueba), sin ningún tipo de solapamiento, hemos obtenido un porcentaje de error menor que 0,6% (superior una tasa de error).
Uno a uno verificación de huellas dactilares: hemos obtenido un EER igual a 5,6641%.
Índice Términos:. Matlab, fuente, código, de correlación, filtros, AFIS, automatizada de huellas dactilares, identificación, del sistema
Requisitos :
Matlab
Comentarios que no se encuentran