15000 تومان
افزودن به سبد خرید
0 فروش 142 بازدید
جزئیات محصول
تعداد قسمت: 1
حجم فایل: 1MB
فایل راهنما: ندارد
بسته نصبی: ندارد
امکانات: شامل فایل pdf مقاله لاتین و فایل word ترجمه فارسی (10 صفحه)
تاریخ انتشار: 07 اکتبر 2018
دسته بندی: ,,

تبلیغات

استخراج ویژگی برای بیومتریک چندپارامتری و بررسی ترکیبی با استفاده از مدل مخلوط گوسی

چکیده – بیومتریک شامل روش های منحصر به فرد برای تشخیص انسان ها بر اساس یک صفات ذاتی فیزیکی و یا رفتاری است. در اینجا روش های استخراج ویژگی برای سه پارامتر یعنی اثر انگشت، عنبیه چشم و چهره بررسی می گردد. اطلاعات استخراج شده از هر روش به عنوان یک الگو ذخیره می شود.

اطلاعات در سطح امتیاز با استفاده از تراکم بر اساس همجوشی سطح امتیاز تطبیق می شوند، GMM تست نرخ احتمال درست نمایی را دنبال می کند. پارامترهای GMM داده ها را با استفاده از الگوریتم حداکثر انتظار تکرار ، (EM) برآورد می کنند.

کلمات کلیدی: بیومتریک تک پارامتری، بیومتریک چندپارامتری، نرخ خطا، استخراج ویژگی، تراکم بر اساس همجوشی سطح امتیاز، الگو، GMM، آزمون نسبت درست نمایی

مقدمه

اصطلاح «بیومتریک» استفاده از صفات بیولوژیکی، فیزیکی و یا رفتاری از یک فرد برای شناسایی و یا تایید / هویت او را تشریح می کند. سیستم بیومتریک تک پارامتری باچندین مشکلات در شناسایی شخص روبرو هستند ، مانند داده های نویزی، غیر جامعیت، حملات کلاه برداری، و نرخ خطای غیر قابل قبول. بنابراین، سیستم بیومتریک چندپارامتری که ارائه شده، با استفاده از ترکیبی بیش از یک صفت بیومتریک برای تایید هویت است.

در یک سیستم بیومتریک چندپارامتری با استفاده از صفات بیومتریک، همجوشی را می توان در چهار سطح مختلف انجام داد. این چهار سطح همجوشی عبارت است از: (۱) سطح حسگر، (۲) سطح ویژگی، (۳) سطح تطبیق امتیاز، و (۴) سطح تصمیم گیری. در اینجا استراتژی هایی که می­توانند در استخراج ویژگی بیومتریک اثر انگشت، عنبیه و چهره که در سطح تطبیق امتیاز با استفاده از تراکم بر اساس امتیازهمجوشی یکپارچه شوند بررسی به عمل می آید.

Feature extraction for multimodal biometric and study of fusion using Gaussian mixture model

Abstract:

Biometrics consists of methods for uniquely recognizing humans based upon one or more intrinsic physical or behavioral traits. This paper describes the feature extraction techniques for three modalities viz. fingerprint, iris and face. The extracted information from each modality is stored as a template. The information are fused at the match score level using a density based score level fusion, GMM followed by the Likelihood ratio test. GMM parameters are estimated from training data using the iterative Expectation-Maximization (EM) algorithm.

 

لینک مقاله اصلی:

http://ieeexplore.ieee.org/document/6208377/

افزودن به سبد خرید

لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد

محصولات پر فروش

پر فروش ترین محصولات فروشگاه روکساوب