Correlation Filters AFIS

Apraksts

Uzlaboto korelācijas filtru teorija ir attīstījusies no literatūras par optisko modeļu atpazīšanu pēdējo divu desmitgažu laikā; tie ir izrādījušies efektīvi klasifikatori vairākās lietojumprogrammās, tostarp biometriskā atpazīšana un automātiskā mērķa atpazīšana. Korelācijas filtru dizainā tiek izmantots apmācības piemēru attēla intensitātes domēns, lai aprēķinātu klases veidni, kas rada raksturīgus korelācijas rezultātus, lai atšķirtu autentiskus lietotājus un viltus. Lietojot filtru jauna mērķa attēla autentiskuma pārbaudei, ir sagaidāms, ka izvades plaknei ir forma, kas satur korelācijas maksimumu, ja attēls ir autentisks, bet ne, ja attēls pieder citai klasei. Korelācijas filtru klasifikatoru īpašības ietver graciozu degradāciju, nobīdes invarianci un slēgtas formas risinājumus.

Kods ir pārbaudīts, izmantojot pirkstu nospiedumu attēlus, kas uzņemti ar UPEK vilkšanas pirkstu nospiedumu lasītāju ar kapacitatīvo sensoru un USB 2.0 savienojumu. Datu bāze ir 16 pirkstu platumā un 8 seansu dziļumā (kopā — 128 pirkstu nospiedumi). Esam ieguvuši šādus rezultātus:

Pirkstu nospiedumu identifikācija viens pret daudziem: izmantojot 2 attēlus katram pirkstam, kas nejauši atlasīts apmācībai, un atlikušos 6 attēlus testēšanai (kopā 32 attēli apmācībai un 96 attēli testēšanai), bez pārklāšanās, mēs esam ieguvuši kļūdu līmeni, kas ir mazāks par 0,6% (kļūdu līmenis ir augstākais).

Viena pret vienu pirkstu nospiedumu pārbaude: esam ieguvuši EER, kas vienāds ar 5,6641%.

Indeksa termini: Matlab, avots, kods, korelācija, filtri, AFIS, automatizēts, pirkstu nospiedums, identifikācija, sistēma.