توضیحات
عنوان فارسی: شناسایی اثر انگشت براساس همبستگی نقاط تکین
عنوان انگلیسی مقاله ترجمه شده:
Fingerprint Indexing Based on Singular Point Correlation
Tong Liu1,2, Guocai Zhu1 Chao Zhang1 and Pengwei Hao1,3
1 آزمایشگاه ملی ادراک ماشین، دانشگاه پکن، پکن، 100871، چین.
2 دانشکده علوم ریاضی، دانشگاه پکن، پکن، 100871، چین.
3 گروه علوم کامپیوتر، ملکه مری، دانشگاه لندن، E1 4NS، انگلستان.
چکیده:
طبقهبندی اثر انگشت یک روش کارآمد است که بهطور چشمگیری عملکرد سیستمهای شناسایی اثر انگشت خودکار را بهبود میبخشد. ما یک روش نمایهسازی مستمر اثر انگشت براساس مکان، تخمین جهت و همبستگی نقاط منحصر به فرد (نقاط تکین) برای اثر انگشت ارائه میدهیم. برآورد موقعیت و جهت بهطور همزمان با استفاده از مدل T-shape جهت تصویربرداری میدان اثر انگشت بهدست میآید. مدل T-shape بخشهای هممحور را در اطراف نقاط خاصی برای تحلیل محورهای جانبی و محورهای اصلی دیگر تحلیل میکند. سپس یک فیلتر متداول محرک که از حداقل انرژی متوسط همبستگی برای بهدست آوردن یک معیار تشابه مبتنی بر همبستگی استفاده میکند شواهدی از اولویت جستجو را ارائه میدهد. آزمایش توسط بازیابی 400 اثر انگشت از 10000 نمونه انجام شده است و میانگین فضای جستجو تنها 46/3% از کل مجموعهی دادهها است.
کلمات کلیدی:
نمايهسازی اثر انگشت، نقاط تکین، فيلتر MACE، مدل T-shape، میدان هدایت.
1- مقدمه
مقدار زیادی اطلاعات در پایگاه دادههای بزرگ اثر انگشت (بهعنوان مثال چندین میلیون اثر انگشت) بهطور جدی کارایی شناسایی اثر انگشت در سیستمهای شناسایی خودکار انگشت (AFIS) را برای هر دو کاربرد قانونی و مدنی انجام میدهند. دو گزینه فنی برای کاهش تعداد مقایسهها در طی بازیابی اثر انگشت وجود دارد و به همین ترتیب زمان پاسخ فرایند شناسایی کاهش مییابد: این دو گزینه یکی طبقهبندی و دیگری نمایهسازی است.
تکنیکهای طبقهبندی سنتی [1-3] تلاش دارند تا اثر انگشت را به پنج دسته تقسیم کنند: حلقه سمت راست (R)، حلقه سمت چپ (L)، پیچ (W)، قوس (A) و قوس تندی (T). با توجه به توزیع نامتعادل طبیعی اثر انگشت، شباهت نسبتا بزرگی بین کلاس و تفاوت درون کلاس، کاهش حجم کار ناشی از طبقهبندی در این حوزه وجود دارد.
الگوریتمهای شناسایی اثر انگشت، نامزدهای احتمالی را انتخاب میکنند و مرتبسازی آنها را با شباهت به یک ورودی میسنجند [4]. برای تکنیکهای نمایهسازی بهتر، از طبقهبندی منحصر به فرد با توجه به اندازه فضای مورد نیاز که جستجو میشود، استفاده میگردد [5]. بسیاری از الگوریتمهای شناسایی اخیرا پیشنهاد شده است. در پژوهش [4] و [6]، سهگانه روش مینیمم کردن در روش شناسایی استفاده میشود. این روشها بر اطلاعات دقیق اثر انگشت تمرکز میکنند و اطلاعات کلان را نادیده میگیرند که قویتر به نویز محلی میباشد. آی، کی، جین و همکاران [7] از ویژگیهای اطراف یک نقطه اصلی در یک تصویر فیلتر گابور برای تحقق استفاده میکنند؛ اگرچه این روش از اطلاعات نقطه اصلی استفاده میکند، اما قدرت فقط یک دارای یک هسته محدود است. ما همچنین میتوانیم تلاشهایی را در ترکیب روشها، مانند پژوهش [8] و [9]، ببینیم.
بهعنوان نوعی از ویژگیهای برجسته، نقاط تکین را در تصاویر اثر انگشت میتوان به شدت شناسایی کرد و شامل ویژگیهای ذاتی اثر انگشت است. با توجه به این واقعیت، ما یک رویکرد نمایهسازی یا شناسایی مبتنی بر همبستگی نقاط تکین پیشنهاد میکنیم. با استفاده از یک مدل T-shape میدان جهت (DF) بهطور همزمان، نقاط تکین را برآورد کرده و جهتگیری بهدست میآید. مدل T-shape ماهیت ذاتی نقاط تکین شامل هستهها و دلتاها را که بهطور گستردهای در تصاویر اثر انگشت وجود دارد، نشان میدهد اما به ندرت در نمایهسازی اثر انگشت استفاده میشود. سپس فیلتر حداقل متوسط انرژی همبستگی (MACE) ]10[ یک نوع فیلتر تحمل محرک است، که برای فیلتر کردن قالب و استفاده از محاسبات همبستگی برای اندازهگیری شباهت استفاده میشود. نمایه سازی بیشتر با مرتبسازی شباهت بین تصویر پرس و جو و تمام قالبهای ذخیره شده بهدست میآید.
ساختار این مقاله به شرح زیر است: در بخش دوم، یک مدل به اصطلاح مدل T-shape معرفی شده است و برای شناسایی نقاط تکیت و جهتگیریهای آنها استفاده میشود. سپس فیلتر MACE در بخش سوم معرفی شده است. در بخش چهارم، برخی نتایج تجربی ارائه شده است. در نهایت، نتیجهگیری در بخش پنجم مورد بررسی قرار گرفته است.
توجه:
- برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
- لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.
به منظور سفارش ترجمه تخصصی مقالات خود بر روی کلید زیر کلیک نمایید.
سفارش ترجمه مقاله
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.