Correlation Filters AFIS

Beschreibung

Die Theorie fortschrittlicher Korrelationsfilter hat sich in den letzten zwei Jahrzehnten aus der Literatur zur optischen Mustererkennung entwickelt; Sie haben sich in einer Reihe von Anwendungen als effektive Klassifikatoren bewährt, darunter die biometrische Erkennung und die automatische Zielerkennung. Korrelationsfilterdesigns verwenden die Bildintensitätsdomäne von Trainingsbeispielen, um eine Klassenvorlage zu berechnen, die charakteristische Korrelationsausgaben erzeugt, um zwischen authentischen Benutzern und Betrügern zu unterscheiden. Wenn der Filter zum Testen der Authentizität eines neuen Zielbildes angewendet wird, wird erwartet, dass die Ausgabeebene eine Form hat, die eine Korrelationsspitze enthält, wenn das Bild authentisch ist, aber keine solche Spitze, wenn das Bild zu einer anderen Klasse gehört. Zu den Eigenschaften von Korrelationsfilter-Klassifikatoren gehören Graceful Degradation, Shift Invariance und Closed-Form-Lösungen.

Der Code wurde anhand von Fingerabdruckbildern getestet, die mit einem UPEK-Fingerabdruckleser mit kapazitivem Sensor und USB 2.0-Verbindung aufgenommen wurden. Die Datenbank ist 16 Finger breit und 8 Abdrücke pro Finger tief (insgesamt 128 Fingerabdrücke). Wir haben folgende Ergebnisse erhalten:

Eins-zu-viele-Fingerabdruckidentifikation: Unter Verwendung von 2 Bildern für jeden zufällig ausgewählten Finger zum Training und den verbleibenden 6 Bildern zum Testen (insgesamt 32 Bilder zum Training und 96 Bilder zum Testen) ohne Überlappung haben wir eine Fehlerrate kleiner als erhalten 0,6 % (oberste Fehlerrate).

Eins-zu-eins-Fingerabdrucküberprüfung: Wir haben eine EER von 5,6641 % erhalten.

Indexbegriffe: Matlab, Quelle, Code, Korrelation, Filter, AFIS, automatisiert, Fingerabdruck, Identifikation, System.