تعیین هویت مقاوم مبتنی بر ویژگیهای مستخرج از مسیر بطنی بینایی

محورهای موضوعی : انرژی های تجدیدپذیر

زهره یعقوبی ¹ , مرتضی الیاسی ² , اردلان الیاسی ³

1 - کارشناسی ارشد /دانشگاه آزاد اسلامی، واحد قائم شهر
2 - کارشناسی ارشد /دانشگاه آزاد اسلامی، واحد قائم شهر
3 - کارشناسی ارشد /دانشگاه آزاد اسلامی، واحد قائم شهر

تاریخ دریافت : 1388/07/26 تاریخ پذیرش : 1389/11/24 تاریخ انتشار : 1390/02/11

کلید واژه: شناسایی چهره, شناسایی کف دست, شناسایی گوش, بیومتریک چندگانه, سیستم بینایی, مدل HMAX, مسیر بطنی بینایی,

چکیده مقاله :

شناسایی اشخاص مبتنی بر بیومتریکها به عنوان یک روش موثر برای شناسایی اتوماتیک با ضریب اطمینان بالا مد نظر قرار گرفته است. سیستمهای بیومتریک چندگانه تصاویر دریافتی از سنسورهای مختلف را ترکیب می‌نمایند و در مقابل سیستمهای بیومتریک تکی از میزان دقت و امنیت بیشتری برخوردار هستند. به همین منظور در این مقاله، ترکیبی از مشخصه‌های چهره، کف دست و گوش افراد را برای تصدیق هویت به کار بردیم. ویژگیهای استخراج شده توسط مسیر بطنی بینایی، نسبت به تغییرات چرخش، مقیاس و جابجایی مقاوم هستند. همچنین دو طبقه بندی کننده ماشین بردار پشتیبان و نزدیکترین همسایگی برای متمایز کردن کلاسها، به کار گرفته شده است. در مرحله همجوشی از تطبیق امتیازات استفاده شده است. نتایج آزمایشی برای مجموعه داده چهره ORL درصد شناسایی %96، برای مجموعه داده کف دستPOLYU درصد شناسایی %96.6 و برای مجموعه داده گوش USTB درصد شناسایی %94 را نشان داده است. همچنین نرخ دقت %100 روی مجموعه داده ترکیبی چهره، کف دست و گوش به دست آمده است.

چکیده انگلیسی:

Biometrics based personal identification is regarded as an effective method for automatic identification, with a high confidence coefficient. A multi modal biometric system consolidates the evidence presented by multiple biometric sources and typically provides better recognition performance compared to systems based on a single biometric modality. So in this paper we use combination of Face, Palm print and Ear characteristic to individual’s authentication. In our approach, features extracted using HMAX model are translation and scale-invariant. Then we applied Support vector machine and K-nearest neighbor classifiers to distinguish the classes. In fusion stage we use matching-score level. Experimental results showed 96% accuracy rate on ORL Face database and 96/6% accuracy rate on POLYU Palm print database and 97% accuracy rate on USTB Ear database; however we achieve 100% accuracy rate on Face, Palm print and Ear multi modal biometric.