ارائه يك رويكرد جديد احراز هويت بيومتريك كف دست مبتني بر الگوريتم هاي خوشه بندي K-means و تعديل هيستوگرام جهت انتخاب ويژگي

A New approach Palm biometric authentication Based on algorithms K-means clustering and Histogram Equalization for Feature selection

تشخيص هويت، يكي از مؤلفه­ هاي اصلي در سيستم­ هاي امنيتي به شمار مي­رود كه داراي چالش­ ها و كاربرد­هاي عملي فراواني است. پيشرفت در فناوري بيومتريك منجر به رشد سريع در زمينۀ احراز هويت افراد شده است. سيستم پيشنهادي از روش خوشه­ بندي K-means جهت انتخاب ويژگي­هاي مناسب تصوير كف دست براي تشخيص هويت استفاده مي­كند. ابتدا تصاوير كف دست افراد مختلف از نظر ميزان شباهت جدا شده و بهبود كيفيت تصاوير به روش تعديل هيستوگرام انجام و سپس ويژگي­هاي مؤثر مانند زرنيك، هيستوگرام رنگ و هيستوگرام جهت­دار استخراج مي­شود. در مرحله بعد به ويژگي­ها وزني اختصاص داده مي­شود و آن دسته از شاخص­هايي كه بهترين تفاوت­ها را بين افراد پايگاه داده نشان دهد از اولويت بالاتري برخوردار خواهند بود. در نهايت با خوشه­ بندي K-means هويت افراد تشخيص داده مي­شود و براي نتيجه بهتر چندين بار خوشه­ بندي بروزرساني شده و در هر بار ميزان خطا در خوشه ­ها محاسبه تا بهترين خوشه ­بندي با كمترين خطا انتخاب و نتيجه شود. در اين پژوهش دو عامل صحت دسته­ بندي و ميزان محاسبات در مقايسه با مقالات پايه انجام پذيرفت و نتايج نشان داد 10 ويژگي كمترين خطا را داشته زيرا به ازاي ­10 ويژگي امتياز خوشه­ بندي، ميزان بالاتري را كسب كرده­ است. در نتيجه تشخيص هويت افراد در اين پژوهش با استفاده از خوشه­ بندي ويژگي­ها به روش K-means 5.97 درصد نتيجه شد.

Authentication is one of the main components in security systems and has many challenges and practical applications. Development in biometric technology have led to rapid growth in the field of authentication. The proposed method uses the K-means clustering method to select the appropriate features of the palm image for identification. The first step is to separate the images of different people's palms in terms of similarity, Improving image quality is done by Histogram Equalization method, Then effective features such as Zernike, color histogram and directional histogram are extracted. In the next step, weight is assigned to the features and the indexes that have the best differences between the people in the database will have a higher priority. Finally, the identity of individuals is identified by K-means clustering, Clusters are also updated several times for better results, Each time the amount of error in the clusters is calculated and the best clustering with the least error is selected. In this study, two factors of classification accuracy and amount of calculations were performed to compare the present study with the basic articles and The results showed that 10 features have the lowest error because for every 10 features the clustering score is higher. As a result, the identification of individuals in this study using clustering of characteristics by K-means method was 97.5 percent.