งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

JOURNAL OF THEORETICAL AND APPLIED INFORMATION TECHNOLOGY 15 DECEMBER 2012 FINGER-KNUCKLE-PRINT RECOGNITION BASED ON LOCAL AND GLOBAL FEATURE SETS.

งานนำเสนอที่คล้ายกัน


งานนำเสนอเรื่อง: "JOURNAL OF THEORETICAL AND APPLIED INFORMATION TECHNOLOGY 15 DECEMBER 2012 FINGER-KNUCKLE-PRINT RECOGNITION BASED ON LOCAL AND GLOBAL FEATURE SETS."— ใบสำเนางานนำเสนอ:

1 JOURNAL OF THEORETICAL AND APPLIED INFORMATION TECHNOLOGY 15 DECEMBER 2012 FINGER-KNUCKLE-PRINT RECOGNITION BASED ON LOCAL AND GLOBAL FEATURE SETS

2 FKP recognition based on local and global Local and global information is crucial for the image perception. FKP recognition approach using two complementary feature extraction algorithms  Discrete Cosine Transform (DCT)  Encodes FKP texture and edge information in the frequency domain  Local Binary Patterns (LBP)  texture in the spatial domain The Support Vector Machine (SVM) is used for classification. Combining classifiers.

3 Classifier Combination Scheme DCT Features LBP Features SVM classifier SVM classifier fusion Majority Vote Rule Decision

4 Discrete Cosine Transform (DCT) Source image DC T DCT coefficient

5 Discrete Cosine Transform (DCT) คุณสมบัติเด่นในการเก็บกักระดับ พลังงานให้รวมอยู่ในจุดเดียวกันที่ย่าน ความถี่ต่ำที่ด้านซ้ายบน เมื่อแปลงกลับ ข้อมูล ที่ได้จะมีความใกล้เคียงกับข้อมูล ต้นฉบับ พลังงานของข้อมูลจะรวมอยู่ที่ย่าน ความถี่ต่ำ ( พลังงานสูง ) ซึ่งอยู่ตรงมุมบนซ้ายของฟังก์ชัน DCT Input ของ DCT เป็นข้อมูล Array แบบ 8x8 ซึ่งเป็นค่า ระดับความเข้มสำหรับข้อมูลภาพที่เป็น ภาพแบบ Gray scale ค่าพิกเซลขนาด 8 บิตสามารถมีค่าได้ ตั้งแต่ 0 ถึง 255 Output ของ DCT coefficient เป็นค่าแบบจำนวน เต็ม (Integer) มีค่าได้ตั้งแต่ ถึง D Basis Functions N=8

6 Local Binary Pattern คํานวณหาคาคาหนึ่งเพื่อใชเปนตัวแทนของพื้นที่ขนาด 3x3 พิกเซล โดยใชจุดศูนยกลางของพื้นที่เปนคาที่ใชอางอิงในการคํานวณ ผลที่ ไดจะอยูในรูปของแพทเทิรนของเลขฐานสองซึ่งสามารถแปลงเปน Histogram เพื่อแสดงคุณสมบัติทางดานพื้นผิวของภาพ

7 SVM Classifier SVM เป็นอัลกอริทึมในการแยกลุ่มข้อมูล ข้อเด่นของ SVM จะทำการเก็บ เเมพ (Map) เวคเตอร์ในสเปซอินพุทให้เข้า สู่ Feature Space โดยใช้ฟังก์ชั่นหรือ เรียกว่าเคอร์นัล (kernel) ชนิดต่างๆ เช่น โพลีโน เมียล (Polynomial) เรเดียล (Radial) เป็น ต้น ใน Feature Space ดังกล่าวเวคเตอร์ อินพุท สามารถแยกประเภทได้โดยไฮเปอร์ เพลน Hyper plan : เส้นแบ่งระหว่างกลุ่มซึ่งจะมี ระยะห่างจากกลุ่มเท่าๆ กัน

8 Pair-wise classification In pairwise SVMs, there is one SVM for each pair of classes trained to separate the data from each.

9 Act ual Estimated class

10 Classifier combination scheme Score level fusion  Combination of matching score. (sum)  Normalization is required to transform these scores into a common domain before combining them.  Normalization can be performed using the Min-Max and Gaussian normalization. Decision level fusion  Using a variety of strategies like majority voting.  The class which receives the largest number of votes is then selected as the majority decision.

11 Classifier Combination Scheme DCT Features LBP Features SVM classifier SVM classifier Majority Vote Rule Decision score Combination of score


ดาวน์โหลด ppt JOURNAL OF THEORETICAL AND APPLIED INFORMATION TECHNOLOGY 15 DECEMBER 2012 FINGER-KNUCKLE-PRINT RECOGNITION BASED ON LOCAL AND GLOBAL FEATURE SETS.

งานนำเสนอที่คล้ายกัน


Ads by Google