Correlation Filters AFIS

Lýsing

Kenningin um háþróaða fylgnisíur hefur þróast frá bókmenntum um ljósfræðilega mynsturgreiningu á síðustu tveimur áratugum; þeir hafa reynst árangursríkir flokkarar í fjölda forrita, þar á meðal líffræðileg tölfræði og sjálfvirk markagreining. Fylgnisíuhönnun notar myndstyrkleikasvið þjálfunardæma til að reikna út bekkjarsniðmát sem framleiðir einkennandi fylgniúttak til að greina á milli ekta notenda og svikara. Þegar sían er notuð til að prófa áreiðanleika nýrrar markmyndar er gert ráð fyrir að úttaksflöturinn hafi lögun sem inniheldur fylgnitopp ef myndin er ósvikin, en enginn slíkur toppur ef myndin tilheyrir öðrum flokki. Eiginleikar fylgnisíuflokkara eru meðal annars þokkafull niðurbrot, breytingaóbreytni og lausnir í lokuðu formi.

Kóðinn hefur verið prófaður með því að nota fingrafaramyndir teknar með UPEK fingrafaralesara með rafrýmd skynjara og USB 2.0 tengingu. Gagnagrunnurinn er 16 fingur breiður og 8 birtingar á hvern fingur djúpt (alls 128 fingraför). Við höfum fengið eftirfarandi niðurstöður:

Fingrafaraauðkenning eitt á marga: með því að nota 2 myndir fyrir hvern fingur valinn af handahófi til þjálfunar og hinar 6 myndirnar sem eftir eru til prófunar (alls 32 myndir til þjálfunar og 96 myndir til prófunar), án þess að skarast, höfum við fengið minni villuhlutfall en 0,6% (efri villuhlutfall).

Einn á einn fingrafarasannprófun: við höfum fengið EER sem jafngildir 5,6641%.

Vísindaskilmálar: Matlab, uppspretta, kóða, fylgni, síur, AFIS, sjálfvirkt, fingrafar, auðkenning, kerfi.