یکی از مناسبترین بیومتریکها برای شناسایی افراد، رگهای انگشت دست میباشد. در این مقاله روش جدیدی ارائه شده است که به شناسایی افراد از طریق رگهای خونی انگشت دست با دقت بالا میپردازد. این مقاله ابتدا از آستانهگذاری آنتروپی محلی برای قطعهبندی و استخراج رگها از تصاوی چکیده کامل
یکی از مناسبترین بیومتریکها برای شناسایی افراد، رگهای انگشت دست میباشد. در این مقاله روش جدیدی ارائه شده است که به شناسایی افراد از طریق رگهای خونی انگشت دست با دقت بالا میپردازد. این مقاله ابتدا از آستانهگذاری آنتروپی محلی برای قطعهبندی و استخراج رگها از تصاویر انگشت استفاده مینماید. آستانهگذاری آنتروپی محلی رگها را به خوبی استخراج میکند اما تصاویر حاصل از آن نویزی هستند به این مفهوم که رگهای استخراجشده ممکن است به صورت خطوط متقاطع ظاهر شوند. برای کمکردن حساسیت مرحله شناسایی نسبت به نویزهای موجود در تصاویر قطعهبندی شده، از تبدیل رادون استفاده میکنیم. تبديل رادون به علت داشتن ماهيت انتگرالي، نسبت به نويزهاي موجود در تصوير حساس نيست و بنابراین در مقایسه با سایر روشها نسبت به نویز از مقاومت بیشتری برخوردار است. همچنین با استفاده از این تبدیل علاوه بر این که به استخراج خطوط رگ به طور دقیق نیاز نیست، دقت و سرعت شناسایی نیز افزایش مییابد. برای استخراج ویژگی از تصاویر رگ انگشت، الگوهای فضایی مشترک به بلوکهای تبدیل رادون اعمال میشوند. در مرحله شناسایی نیز از دو روش نزدیکترین همسایهNN) -1) و شبکه عصبی پرسپترون چندلایه (MLP) استفاده میشود. آزمایشهای انجامشده روی مجموعه تصاویر رگ انگشت پایگاه داده دانشگاه پکینگ نرخ موفقیت 6753/99 درصد در شناسایی افراد را نشان میدهد.
پرونده مقاله
یکی از چالشهای مسئله تشخیص داده پرت با ابعاد بالا، طلسم بعد است که در آن برخی ابعاد (ویژگیها) منجر به پنهانشدن دادههای پرت میگردند. برای حل این مسئله، ابعادی که حاوی اطلاعات ارزشمندی در دادگان با ابعاد بالا جهت تشخیص داده پرت هستند، جستجو میشوند تا با نگاشت دادگان چکیده کامل
یکی از چالشهای مسئله تشخیص داده پرت با ابعاد بالا، طلسم بعد است که در آن برخی ابعاد (ویژگیها) منجر به پنهانشدن دادههای پرت میگردند. برای حل این مسئله، ابعادی که حاوی اطلاعات ارزشمندی در دادگان با ابعاد بالا جهت تشخیص داده پرت هستند، جستجو میشوند تا با نگاشت دادگان به زیرفضای متشکل از این ابعاد مرتبط، دادههای پرت برجستهتر و قابل شناسایی شوند. این مقاله با معرفی یک روش جدید انتخاب زیرفضای مرتبط محلی و توسعه یک رویکرد امتیازدهی داده پرت مبتنی بر چگالی محلی، امکان تشخیص داده پرت در دادگان با ابعاد بالا را فراهم مینماید. در ابتدا، یک الگوریتم برای انتخاب زیرفضای مرتبط محلی بر اساس آنتروپی محلی ارائه میشود تا بتواند برای هر نقطه داده با توجه به دادههای همسایهاش یک زیرفضای مرتبط انتخاب کند. سپس هر نقطه داده در زیرفضای انتخابی متناظرش با یک روش امتیازدهی پرت محلی مبتنی بر چگالی امتیازدهی میشود، به طوری که با در نظر گرفتن یک پهنای باند تطبیقی جهت تخمین چگالی هسته سعی میشود که اختلاف جزئی بین چگالی یک نقطه داده نرمال با همسایههایش از بین رفته و به اشتباه به عنوان داده پرت تشخیص داده نشود و در عین حال، تخمین کمتر از مقدار واقعی چگالی در نقاط داده پرت، منجر به برجستهشدن این نقاط داده گردد. در پایان با آزمایشهای تجربی روی چندین دادگان دنیای واقعی، الگوریتم پیشنهادی تشخیص داده پرت زیرفضای مبتنی بر آنتروپی محلی با چند تکنیک تشخیص داده پرت بر حسب دقت تشخیص مقایسه شده است. نتایج تجربی نشان میدهد که الگوریتم پیشنهادی مبتنی بر معیار آنتروپی محلی و روش پیشنهادی امتیازدهی داده پرت توانسته است به دقت بالایی جهت تشخیص داده پرت دست یابند.
پرونده مقاله
رایمگ
سامانه رایمگ تمامی فرآیندهای دریافت، ارزیابی و داوری، ویراستاری، صفحهآرایی و انتشار الکترونیکی نشریات علمی را به انجام میرساند