Finger Vein Recognition Based on Multi-Features Fusion
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Biometric Recognition Systems allow individuals to be automatically authenticated or identified by using their unique characteristics.Finger vein (FV), widely used for this purpose, has a crucial place among biometric systems because of its advantages, which are user-friendliness, ability to detect living tissue, high reliability, low system cost, and less area requirement in installation.It has a wide usage area, especially in places where personal safety is at the forefront.In this study, we examine the effect of the Horizontal and Vertical Total Proportion (HVTP) feature extraction algorithm on the success rate when the fusion technique is applied.Homomorphic Filter (HF) and Perona-Malik Anisotropic Diffusion (PMAD) are used to remove the noise and light scattering issue in the FV databases, and Gray Level Run Length Matrices (GLRLM), Gray Level Co-occurrence Matrices (GLCM), Segmentation-based Fractal Texture Analysis (SFTA), Horizontal Total Proportion (HTP), and Vertical Total Proportion (VTP) methods are applied to describe texture features.The fusion of multiple features instead of using only one type of feature can improve the accuracy of FV recognition systems.The novelty of the study is the fusion of HTP and VTP with the GLRLM, GLCM, and SFTA features by using Yang finger vein databases (Database_1) and MMCBNU_6000 (Database_2).Experimental results reveal that the HTP and VTP significantly improved the classification success in these FV image databases.The best success rate achieved in the Ensemble classifier is 99.7% using Database_1 and 97.6% using Database_2.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle