6. CONCLUSION AND FUTUREWORKIn this

6. CONCLUSION AND FUTUREWORK
In this paper, a prototype of an online biometric identification
system based on eigenpalm, eigenfinger, and eigenthumb
features was developed. A simple preprocessing technique
was introduced. It should be noted here that intro-
0
10
20
30
40
50
60
70
80
90
100
Recognition results
0 2 4 6 8 10 12 14 16 18 20
Number of non-Gaussian vectors
Figure 4: Recognition results for the palm as a function of the number
of vectors.
ducing constraints on the hand (using pegs especially at the
thumb) will definitely increase the system performance. The
use of a multimodal approach has improved the recognition
rate.
The IPCA-ICA method based on incremental update of
the non-Gaussian independent vectors has been introduced.
The method concentrates on a challenging issue of computing
dominating non-Gaussian vectors from an incrementally
arriving high-dimensional data stream without computing
the corresponding covariance matrix and without knowing
the data in advance.
It is very efficient inmemory usage (only one input image
is needed at every step) and it is very efficient in the calculation
of the first basis vectors (unwanted vectors do not need
to be calculated). In addition to these advantages, this algorithm
gives an acceptable recognition success rate in comparison
with the PCA and the LDA algorithms.
In Table 1, it is clear that IPCA-ICA achieves higher average
success rate than the LDA, the PCA, and the FastICA
methods.

ผลลัพธ์ (ไทย) 1:

6. สรุปและ FUTUREWORKในเอกสารนี้ เป็นต้นแบบของการระบุการตรวจสอบทางชีวภาพออนไลน์ระบบ eigenpalm, eigenfinger และ eigenthumbลักษณะการทำงานได้รับการพัฒนา เรื่องเทคนิคเบื้องถูกนำมาใช้ ควรมีไว้ที่นี่แนะนำว่า -0102030405060708090100ผลลัพธ์การรู้0 2 4 6 8 10 12 14 16 18 20จำนวนเวกเตอร์ไม่ใช่ Gaussianรูปที่ 4: การรับรู้ผลลัพธ์สำหรับปาล์มที่เป็นฟังก์ชันของจำนวนของเวกเตอร์ข้อจำกัดของ ducing มือ (ใช้ครูโดยเฉพาะอย่างยิ่งในการนิ้วหัวแม่มือ) จะเพิ่มประสิทธิภาพของระบบแน่นอน ที่ใช้ทุกวิธีการได้ปรับปรุงการรู้อัตราวิธีการ IPCA ปัจจุบันประกอบตามการอัพเดตเพิ่มเติมมีการแนะนำเวกเตอร์อิสระไม่ใช่ Gaussianวิธีการเน้นประเด็นท้าทายคอมพิวเตอร์อำนาจเหนือไม่ใช่ Gaussian เวกเตอร์จากการแบบเพิ่มหน่วยมาถึงกระแสข้อมูลมิติสูงโดยไม่ต้องใช้คอมพิวเตอร์เมตริกซ์ความแปรปรวนร่วมที่สอดคล้องกันและ ไม่รู้ข้อมูลล่วงหน้าจึงใช้ inmemory มาก (เพียงหนึ่งสัญญาณภาพจำเป็นต้องใช้ในทุกขั้นตอน) และมีประสิทธิภาพมากในการคำนวณของเวกเตอร์ฐานแรก (ที่ไม่พึงประสงค์ไม่จำเป็นเวกเตอร์การคำนวณ) นอกจากข้อดีเหล่านี้ อัลกอริทึมนี้ให้มีอัตราความสำเร็จการยอมรับในการเปรียบเทียบการสมาคมและอัลกอริทึม LDAในตารางที่ 1 เป็นที่ชัดเจนว่า ปัจจุบันประกอบ IPCA ได้รับค่าเฉลี่ยสูงอัตราความสำเร็จมากกว่า LDA, PCA และ FastICAวิธี

ผลลัพธ์ (ไทย) 2:

6. สรุปและ FutureWork
ในบทความนี้เป็นต้นแบบของบัตรประจำตัวไบโอเมตริกซ์ออนไลน์ระบบขึ้นอยู่กับ eigenpalm, eigenfinger และ eigenthumb คุณสมบัติที่ได้รับการพัฒนา เทคนิคการประมวลผลเบื้องต้นที่เรียบง่ายเป็นที่รู้จัก มันควรจะตั้งข้อสังเกตว่าที่นี่เผย0 10 20 30 40 50 60 70 80 90 100 ส่งผลให้การรับรู้0 2 4 6 8 10 12 14 16 18 20 จำนวนเวกเตอร์ที่ไม่เสียนรูปที่ 4: ผลการรับรู้สำหรับปาล์มเป็นหน้าที่ของ จำนวนของเวกเตอร์. จำกัด ducing ในมือ (ใช้หมุดโดยเฉพาะอย่างยิ่งที่นิ้วหัวแม่มือ) แน่นอนจะเพิ่มประสิทธิภาพของระบบ ใช้วิธีการต่อเนื่องมีการปรับปรุงการรับรู้อัตรา. วิธี IPCA-ICA ขึ้นอยู่กับการปรับปรุงที่เพิ่มขึ้นของเวกเตอร์ที่เป็นอิสระที่ไม่เสียนได้รับการแนะนำ. วิธีการที่มุ่งเน้นเกี่ยวกับปัญหาที่ท้าทายของการคำนวณมีอำนาจเหนือเวกเตอร์ที่ไม่เสียนจากเพิ่มขึ้นมาถึงกระแสข้อมูลสูงมิติโดยไม่ต้องคำนวณเมทริกซ์ความแปรปรวนร่วมที่สอดคล้องกันและโดยไม่ทราบข้อมูลล่วงหน้า. มันเป็นการใช้งาน inmemory ประสิทธิภาพมาก (เพียงหนึ่งภาพที่นำเข้าเป็นสิ่งจำเป็นในทุกขั้นตอน) และมีประสิทธิภาพมากในการคำนวณของเวกเตอร์ตามลำดับก่อน ( เวกเตอร์ที่ไม่พึงประสงค์ไม่จำเป็นจะนำไปคำนวณ) นอกจากนี้ข้อได้เปรียบเหล่านี้ขั้นตอนวิธีนี้จะช่วยให้อัตราความสำเร็จได้รับการยอมรับเป็นที่ยอมรับในการเปรียบเทียบกับPCA และขั้นตอนวิธีการ LDA. ในตารางที่ 1 เป็นที่ชัดเจนว่า IPCA-ICA ประสบความสำเร็จสูงกว่าค่าเฉลี่ยอัตราความสำเร็จกว่าLDA ที่ PCA และ FastICA วิธีการ

ผลลัพธ์ (ไทย) 3:

6 . สรุปและ futurework
ในกระดาษนี้ ต้นแบบออนไลน์ระบบ Biometric Identification
ตาม eigenpalm eigenfinger , และคุณสมบัติ eigenthumb
ได้รับการพัฒนา ง่ายเทคนิคการเตรียม
ถูกแนะนำ มันควรจะสังเกตว่า intro -
0



10 20 30 40 50 60 70






80 90 100 รับรู้ผล
0 2 4 6 8 10 12 14 16 18 20

) จํานวนไม่เวกเตอร์รูปที่ 4 :การรับรู้ผลปาล์มเป็นฟังก์ชันของตัวเลข

ducing ข้อจำกัดของเวกเตอร์ ในมือ ( ใช้เข็มโดยเฉพาะอย่างยิ่งที่
ง่ายๆ ) แน่นอนจะเพิ่มประสิทธิภาพของระบบ
ใช้วิธีการแบบมีการปรับปรุงอัตราการรู้จำ
.
ipca-ica วิธีขึ้นอยู่กับการปรับปรุงเพิ่ม
ไม่เสียนอิสระเวกเตอร์
ได้รับการแนะนําโดยมุ่งเน้นในประเด็นที่ท้าทายคอมพิวเตอร์
dominating ไม่เสียนเวกเตอร์จากแบบเพิ่มหน่วย
มาถึงกระแสข้อมูลโดยการคำนวณเมทริกซ์ความแปรปรวนสูง - มิติ

ที่สอดคล้องกันและโดยไม่รู้ข้อมูลล่วงหน้า การใช้ inmemory
มันมีประสิทธิภาพมาก ( เพียงหนึ่งใส่ภาพ
เป็นสิ่งจำเป็นที่ทุกขั้นตอน ) และมันมีประสิทธิภาพมากใน การคำนวณ
ของเวกเตอร์ ( เวกเตอร์พื้นฐานแรกที่ไม่พึงประสงค์ไม่ต้อง
ต้องคำนวณ ) นอกจากประโยชน์เหล่านี้อัลกอริทึมนี้
ให้ยอมรับการยอมรับอัตราความสำเร็จในการเปรียบเทียบกับ PCA และ

lda อัลกอริทึม ตารางที่ 1 เป็นที่ชัดเจนว่า ipca-ica บรรลุเฉลี่ยสูงกว่าอัตราความสำเร็จมากกว่า
lda , PCA , และ fastica
วิธี