جستجوی مقالات مرتبط با کلیدواژه
تکرار جستجوی کلیدواژه kernel principle component analysis در نشریات گروه فنی و مهندسی
kernel principle component analysis
در نشریات گروه فناوری اطلاعات
تکرار جستجوی کلیدواژه kernel principle component analysis در مقالات مجلات علمی
-
شناسایی بیومتریک به عنوان امن ترین و حفاظت شده ترین روش برای تشخیص و بررسی هویت اشخاص است. یکی از جدیدترین مشخصه های بیومتریک که اخیرا برای شناسایی اشخاص مورد استفاده قرار می گیرد چروکیدگی انگشتان پشت دست است. در این مقاله روش کارامد جدیدی برای شناسایی و بررسی هویت اشخاص بر اساس ضرائب خودهمبستگی و الگوهای باینری محلی، ترکیب الگوریتم های تحلیل مولفه اصلی مبتنی بر هسته و آنالیز متمایزکننده خطی معرفی شده است. در این مقاله استخراج ویژگی با محاسبه گشتاورهای صفر و یک، ضرائب خودهمبستگی و الگوهای باینری محلی برای هر تصویر انجام شده است. سپس ابعاد ویژگی های استخراج شده با استفاده از الگوریتم تحلیل مولفه اصلی مبتنی بر هسته کاهش می یابد. در مرحله بعد الگوریتم آنالیز متمایزکننده خطی بر روی فضای ویژگی برای افزایش مجزاسازی بین ویژگی دسته های مختلف اعمال می شود. معیار فاصله کای دو برای دسته بندی مورد استفاده قرار می گیرد. پایگاه داده Poly-U Finger-Knuckle-Print برای بررسی عملکرد روش پیشنهادی به کار گرفته شده است. نتایج شناسایی و بررسی آزمایشات نرخ تشخیص 93/98% را نشان می دهد که کارایی و موثر بودن این مشخصه بیومتریک جدید را اثبات و گواه برتری الگوریتم پیشنهادی نسبت به روش های پیشین است.کلید واژگان: آنالیز متمایزکننده خطی، الگوی باینری محلی، تحلیل مولفه اصلی مبتنی بر هسته، ویژگی های خودهمبستگی مرتبه بالاBiometric authenticationis an approach for recognizing a persons identity as the most secure method.One of the newest biometric identifier, which is recently used for personal identity authentication, is finger-knuckle-print.In this paper, we present an efficient method for personal identification which includes autocorrelation features, local binary patterns,combination of kernel principle component analysis and linear discriminant analysis algorithms.Feature extraction is done using zeroth and first-order moments, autocorrelation features, and local binary patterns. Then, dimensionality reduction is done using kernel principle component analysis. The next step, linear discriminant analysis algorithm is applied to increase the separability of features andχ2distance measure is used as a classifier for matching. Poly-U finger-knuckle-print database is used to examine the performance of the proposed method. The result ofexperimentsshows 98.93% detection rate which demonstrate the efficiency of the proposed method in compare to the other approaches.Keywords: Linear discriminant analysis, Local binary pattern, Kernel principle component analysis, High, order autocorrelation features
نکته
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.