Multiple feature fusion for unconstrained palm print authentication

در دهه گذشته، تشخیص چاپ کف دست به عنوان قوی ترین تکنولوژی برای تایید هویت در بسیاری از جنبه ها تبدیل شده است. برای انجام شناخت مؤثر، این مقاله ترکیبی از ویژگی های سطح متحرک سازی ویژگی های غیرمستقیم مقیاس بلوک و ویژگی های مبتنی بر ماتریس همکاری با کد بافت است. در ابتدا تلاش برای دسترسی به کیفیت منطقه استخراج شده از تصویر مورد علاقه ساخته شده است. با استفاده از ماسک دیفرانسیل کسر می شود که نتیجه بهبود جزئیات بافت است. به منظور انتخاب بیشترین ویژگی های اختیاری کف دست، یک الگوریتم تحول ویژگی، الهام گرفته از یادگیری زیر فضای مورد استفاده قرار می گیرد. این باعث کاهش زمان و ابعاد ابعاد محاسبات همراه با عملکرد بالاتر شد. یک ماشین بردار پشتیبانی شده آموزش داده شده با استفاده از ویژگی های انتخاب شده برای تعیین اینکه آیا تصویر متعلق به کلاس واقعی یا غلط است. تجزیه و تحلیل تجربی مقایسه ای که در این مقاله توضیح داده شده، نشان می دهد که نتایج به طور معمول بهتر از روش های رقابت و اثربخشی معتبر رویکرد پیشنهادی است.