งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

Journal of theoretical and applied information technology

งานนำเสนอที่คล้ายกัน


งานนำเสนอเรื่อง: "Journal of theoretical and applied information technology"— ใบสำเนางานนำเสนอ:

1 Journal of theoretical and applied information technology
FINGER-KNUCKLE-PRINT RECOGNITION BASED ON LOCAL AND GLOBAL FEATURE SETS Journal of theoretical and applied information technology 15 December 2012

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 SVM classifier fusion Majority Vote Rule Decision LBP Features SVM classifier

4 Discrete Cosine Transform (DCT)
95 88 87 143 144 151 154 153 170 183 181 162 166 126 117 133 130 159 175 123 112 116 147 189 188 128 160 168 135 101 93 98 155 106 118 91 3 -5 -6 2 1 9 -38 -57 17 -2 -80 58 -18 4 5 -52 -36 -11 13 -9 -86 -40 44 -7 -62 14 -35 -1 -16 -53 32 -8 22 7 DCT Source image DCT coefficient

5 Discrete Cosine Transform (DCT)
คุณสมบัติเด่นในการเก็บกักระดับพลังงานให้รวมอยู่ในจุดเดียวกันที่ย่านความถี่ต่ำที่ด้านซ้ายบน เมื่อแปลงกลับข้อมูล ที่ได้จะมีความใกล้เคียงกับข้อมูลต้นฉบับ พลังงานของข้อมูลจะรวมอยู่ที่ย่านความถี่ต่ำ (พลังงานสูง) ซึ่งอยู่ตรงมุมบนซ้ายของฟังก์ชัน DCT Input ของ DCT เป็นข้อมูล Array แบบ 8x8 ซึ่งเป็นค่า ระดับความเข้มสำหรับข้อมูลภาพที่เป็นภาพแบบ Gray scale ค่าพิกเซลขนาด 8 บิตสามารถมีค่าได้ตั้งแต่ 0 ถึง 255 Output ของ DCT coefficient เป็นค่าแบบจำนวนเต็ม (Integer) มีค่าได้ตั้งแต่ ถึง 1023 2-D Basis Functions N=8

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

7 SVM Classifier SVM เป็นอัลกอริทึมในการแยกลุ่มข้อมูล ข้อเด่นของ SVM จะทำการเก็บเเมพ (Map) เวคเตอร์ในสเปซอินพุทให้เข้าสู่ Feature Space โดยใช้ฟังก์ชั่นหรือเรียกว่าเคอร์นัล (kernel)  ชนิดต่างๆ เช่น โพลีโนเมียล (Polynomial) เรเดียล (Radial)เป็นต้น ใน Feature Space ดังกล่าวเวคเตอร์อินพุท สามารถแยกประเภทได้โดยไฮเปอร์เพลน Hyper plan : เส้นแบ่งระหว่างกลุ่มซึ่งจะมีระยะห่างจากกลุ่มเท่าๆ 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 Estimated class Actual 1 3 4 5 6 7 362 38 50 55 592 44 17 52 18 414 13 11 14 99 16 2 181 35 341

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 SVM classifier score Combination of score Majority Vote Rule Decision score LBP Features SVM classifier


ดาวน์โหลด ppt Journal of theoretical and applied information technology

งานนำเสนอที่คล้ายกัน


Ads by Google