100000 تومان
افزودن به سبد خرید
0 فروش 133 بازدید
جزئیات محصول
تعداد قسمت: 1
پسوند فایل: zip
حجم فایل: 1MB
فایل راهنما: دارد
فریم ورک: MATLAB
بسته نصبی: ندارد
امکانات: شامل فایل pdf مقاله لاتین و فایل word گزارش فارسی (7 صفحه)، شبیه سازی متلب و دیتابیس
تاریخ انتشار: ۲۴ دی ۱۳۹۷
دسته بندی: ,,

تبلیغات

انتخاب ویژگی ترتیبی شناسایی عنبیه و کف دست

چکیده

اقدامات ترتیبی به عنوان یک مدل مؤثر برای تشخیص عنبیه و کف دست نشان داده شده است. با این حال، اقدامات ترتیبی یک مفهوم کلی از تجزیه و تحلیل تصویر است و انواع متعددی از پارامترهای مختلف مختلف مانند محل، مقیاس، جهت گیری و غیره اهمیت دارند. در این مقاله یک روش جدید برای بهینه سازی انتخاب ویژگی ترتیبی با پیاده سازی موفقیت آمیز برای کف دست و عنبیه چشم پیشنهاد می کند.

مقدمه

الگوهای عنبیه چشم و کف دست، نشانه های دقیق بیومتریکی با کارکرد موفقیت آمیز برای شناسایی شخص می باشد.

فیلتر ترتیبی چند قطعه ای (MOF) با تعدادی از پارامترهای مرتب برای تجزیه و تحلیل اقدامات ترتیبی در تصاویر بیومتریکی

پیشنهاد شده است دارای تعداد زیادی از قطعه های  مثبت و منفی که به خصوص از لحاظ فاصله، مقیاس، جهت گیری، تعداد و محل طراحی شده است، به طوری که نتیجه فیلتر MOF بر روی تصاویر بیومتریک می تواند رابطه ترتیبی بین مناطق تصویر تحت پوشش مثبت و منفی را اندازه گیری کند. از شکل ۱ ما می توانیم ببینیم که تغییرات پارامترها در فیلتر چند قطعه ای ترتیبی به مجموعه ای بسیار بزرگ از ویژگی های از اقدامات ترتیبی منجر شود.

Ordinal Feature Selection for Iris and Palmprint Recognition

Abstract
Ordinal measures have been demonstrated as an effective feature representation model for iris and palmprint recognition. However, ordinal measures are a general concept of image analysis and numerous variants with different parameter settings such as location, scale, orientation etc. can be derived to construct a huge feature space. This paper proposes a novel optimization formulation for ordinal feature selection with successful applications to both iris and palmprint recognition. The objective function of the proposed feature selection method has two parts, i.e., misclassification error of intra- and inter-class matching samples and weighted sparsity of ordinal feature descriptors. Therefore the feature selection aims to achieve an accurate and sparse representation of ordinal measures. And the optimization subjects to a number of linear inequality constraints, which require that all intra- and inter-class matching pairs are well separated with a large margin. Ordinal feature selection is formulated as a linear programming (LP) problem so that a solution can be efficiently obtained even on a large-scale feature pool and training database. Extensive experimental results demonstrate that the proposed LP formulation is advantageous over existing feature selection methods such as mRMR, ReliefF, Boosting and Lasso for biometric recognition, reporting state-of-the-art accuracy on CASIA and PolyU databases.

لینک مقاله اصلی:

https://www.researchgate.net/publication/263970712_Ordinal_Feature_Selection_for_Iris_and_Palmprint_Recognition

افزودن به سبد خرید

لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد

محصولات پر فروش

پر فروش ترین محصولات فروشگاه روکساوب