طراحي يك سيستم بيومتريك جديد به منظور شناسايي هويت اشخاص مبتني بر چروكيدگي پشت انگشتان دست با استفاده از ويژگي هاي خودهمبستگي و الگوهاي باينري محلي

Design of a New Biometric System for Identity Detection Based on Fingerknuckleprint Using Autocorrelation Features and Local Binary Patterns

شناسايي بيومتريك به عنوان امن ترين و حفاظت شده ترين روش براي تشخيص و بررسي هويت اشخاص است. يكي از جديدترين مشخصه هاي بيومتريك كه اخيراً براي شناسايي اشخاص مورد استفاده قرار مي گيرد چروكيدگي انگشتان پشت دست است. در اين مقاله روش كارامد جديدي براي شناسايي و بررسي هويت اشخاص بر اساس ضرائب خودهمبستگي و الگوهاي باينري محلي، تركيب الگوريتم هاي تحليل مؤلفه اصلي مبتني بر هسته و آناليز متمايزكننده خطي معرفي شده است. در اين مقاله استخراج ويژگي با محاسبه گشتاورهاي صفر و يك، ضرائب خودهمبستگي و الگوهاي باينري محلي براي هر تصوير انجام شده است. سپس ابعاد ويژگي هاي استخراج شده با استفاده از الگوريتم تحليل مؤلفه اصلي مبتني بر هسته كاهش مي يابد. در مرحله بعد الگوريتم آناليز متمايزكننده خطي بر روي فضاي ويژگي براي افزايش مجزاسازي بين ويژگي دسته هاي مختلف اعمال مي شود. معيار فاصله كاي دو براي دسته بندي مورد استفاده قرار مي گيرد. پايگاه داده PolyU FingerKnucklePrint براي بررسي عملكرد روش پيشنهادي به كار گرفته شده است. نتايج شناسايي و بررسي آزمايشات نرخ تشخيص 93/98% را نشان مي دهد كه كارايي و مؤثر بودن اين مشخصه بيومتريك جديد را اثبات و گواه برتري الگوريتم پيشنهادي نسبت به روش هاي پيشين است.

Biometric authenticationis an approach for recognizing a person’s identity as the most secure method.One of the newest biometric identifier, which is recently used for personal identity authentication, is fingerknuckleprint.In this paper, we present an efficient method for personal identification which includes autocorrelation features, local binary patterns,combination of kernel principle component analysis and linear discriminant analysis algorithms.Feature extraction is done using zeroth and firstorder moments, autocorrelation features, and local binary patterns. Then, dimensionality reduction is done using kernel principle component analysis. The next step, linear discriminant analysis algorithm is applied to increase the separability of features andχ2distance measure is used as a classifier for matching. PolyU fingerknuckleprint database is used to examine the performance of the proposed method. The result ofexperimentsshows 98.93% detection rate which demonstrate the efficiency of the proposed method in compare to the other approaches.