Correlation Filters AFIS

Descripción

La teoría de los filtros de correlación avanzados ha evolucionado a partir de la literatura de reconocimiento de patrones ópticos en las últimas dos décadas; han demostrado ser clasificadores efectivos en varias aplicaciones, entre ellas el reconocimiento biométrico y el reconocimiento automático de objetivos. Los diseños de filtros de correlación utilizan el dominio de intensidad de la imagen de los ejemplos de entrenamiento para calcular una plantilla de clase que produce salidas de correlación características para distinguir entre usuarios auténticos e impostores. Al aplicar el filtro para probar la autenticidad de una nueva imagen de destino, se espera que el plano de salida tenga una forma que contenga un pico de correlación si la imagen es auténtica, pero no tal pico si la imagen pertenece a otra clase. Las propiedades de los clasificadores de filtros de correlación incluyen degradación elegante, invariancia de cambio y soluciones de forma cerrada.

El código ha sido probado utilizando imágenes de huellas dactilares tomadas con un lector de huellas dactilares UPEK swipe con sensor capacitivo y conexión USB 2.0. La base de datos tiene 16 dedos de ancho y 8 impresiones por dedo de profundidad (128 huellas dactilares en total). Hemos obtenido los siguientes resultados:

Identificación de huellas dactilares uno a muchos: usando 2 imágenes para cada dedo seleccionado aleatoriamente para entrenamiento y las 6 imágenes restantes para prueba (totalmente 32 imágenes para entrenamiento y 96 imágenes para prueba), sin superposición, hemos obtenido una tasa de error menor que 0,6% (tasa de error superior).

Verificación de huellas dactilares uno a uno: hemos obtenido un EER igual a 5,6641%.

Términos del índice: Matlab, fuente, código, correlación, filtros, AFIS, automatizado, huella digital, identificación, sistema.