Teorin om avancerade korrelationsfilter har utvecklats från litteraturen av optisk mönsterigenkänning under de senaste två decennierna; De har visat sig vara effektiva klassificerare i ett antal applikationer, bland dem biometriska erkännande och automatisk mål erkännande. Korrelation filter konstruktioner använda bilden intensiteten domän träningsexempel för att beräkna en klassmall som producerar karakteristiska korrelations utgångar att skilja mellan äkta användare och bedragare. Vid tillämpning av filtret för att testa äktheten av en ny målbild, är utgångsplanet förväntas ha en form som innehåller en korrelationstopp om bilden är äkta, men ingen sådan topp om bilden tillhör en annan klass. Egenskaper för korrelationsfilter klassificerare inkluderar graciös nedbrytning, skift invarians och slutna formulärlösningar.
Koden har testats med fingeravtrycksbilder tagna med en UPEK svepa fingeravtrycksläsare med kapacitiv sensor och USB 2.0-anslutning. Databas är 16 fingrar bred och 8 visningar per finger djupt (128 fingeravtryck i alla). Vi har fått följande resultat:
En-till-många identifiering av fingeravtryck: med 2 bilder för varje finger slumpvis ut till utbildning och de återstående 6 bilder för testning (totalt 32 bilder för utbildning och 96 bilder för att testa), utan någon överlappning, har vi fått en felfrekvens som är mindre än 0,6% (översta felprocenten).
En-till-en fingerverifiering: Vi har fått en EER lika med 5,6641%.
Index Villkor:. Matlab, källa, kod, korrelations, filter, AFIS, automatiserat, fingeravtryck, identifiering, systemet
Krav :
Matlab
Kommentarer hittades inte