5. ConclusionIn this paper, a novel

5. Conclusion
In this paper, a novel fingerprint classification algorithm is
presented. There are mainly three contributions in this paper. Firstly,
a regularized orientation model is proposed to improve fingerprint
orientation extraction. The experimental results over FVC-onGoing
orientation extraction benchmark demonstrate its effectiveness. Secondly,
orientation image, complex filter responses as well as ridge line
flows are combined to represent a fingerprint, which characterizes
both ridge flow and singularities. Thirdly, a heuristic classifier is
proposed for the fingerprint classification, which is robust to large
intra-class variabilities and small inter-class variabilities. The experimental
results over NIST SD 4 demonstrate the effectiveness of the
proposed classification algorithm.
In summary, the proposed algorithm is able to make use of
orientation image and complex filter response to achieve a better
accuracy. Most of misclassified fingerprints are with severe noise
because it is very difficult to extract accurate orientation. Fig. 10 shows
some examples. In addition, some Left or Right fingerprints are
mistaken as Tented Arch fingerprints and some Tented Arch fingerprints
are mistaken as Left or Right fingerprints. Fig. 11 illustrates such
cases. In future, elaborate classification strategy is needed to distinguish
Tented Arch fingerprints from Left and Right fingerprints.

ผลลัพธ์ (ไทย) 1:

5. บทสรุปในเอกสารนี้ มีขั้นตอนวิธีการจัดประเภทของนวนิยายลายนิ้วมือการนำเสนอ มีผลงานที่สามส่วนใหญ่ในเอกสารนี้ ประการแรกนำเสนอรูปแบบแนว regularized ปรับปรุงลายนิ้วมือวางแนวสกัด ผลการทดลองกว่า FVC อย่างต่อเนื่องวางแนวสกัดมาตรฐานแสดงให้เห็นถึงประสิทธิผลของ ประการที่สองรูปแนว การตอบสนองของตัวกรองที่ซับซ้อน ตลอดจนบรรทัดริดจ์ขั้นตอนรวมถึงการพิมพ์นิ้วมือ การระบุลักษณะทั้งกระแสริดจ์แล้ว singularities ประการ classifier แล้วเป็นนำเสนอสำหรับการจัดประเภทลายนิ้วมือ ที่แข็งแกร่งขนาดใหญ่ภายในคลาส variabilities และ variabilities ระหว่างชั้นเล็ก การทดลองผลลัพธ์กว่า NIST SD 4 แสดงให้เห็นถึงประสิทธิภาพของการอัลกอริทึมการจัดประเภทที่เสนอในสรุป อัลกอริทึมนำเสนอจะสามารถทำใช้แนวภาพและตอบสนองต่อตัวกรองที่ซับซ้อนได้ดีกว่าความถูกต้อง ส่วนใหญ่งานลายนิ้วมือมีเสียงรบกวนอย่างรุนแรงเนื่องจากเป็นการยากที่จะแยกวางแนวที่ถูกต้อง แสดง fig. 10ตัวอย่างการ นอกจากนี้ บางลายนิ้วมือซ้ายหรือขวาได้ลายนิ้วมือประตูเท้นต์ดาวตามปกติเป็นสวีประตูลายนิ้วมือและบางมีดาวตามปกติเป็นรอยนิ้วมือซ้ายหรือขวา Fig. 11 แสดงเช่นกรณี ในอนาคต ประเภทประณีตกลยุทธ์เป็นสิ่งจำเป็นเพื่อแยกกำลังมองหาประตูลายนิ้วมือจากซ้าย และขวาลายนิ้วมือ

ผลลัพธ์ (ไทย) 2:

5. สรุปในบทความนี้จำแนกอัลกอริทึมลายนิ้วมือนวนิยายจะนำเสนอ ส่วนใหญ่มีสามมีส่วนร่วมในงานวิจัยนี้ ประการแรกรูปแบบการวางแนวทาง regularized จะเสนอให้ปรับปรุงลายนิ้วมือสกัดการวางแนวทาง ผลการทดลองมากกว่า FVC ต่อเนื่องมาตรฐานการสกัดการวางแนวทางแสดงให้เห็นถึงประสิทธิภาพของมัน ประการที่สองภาพปฐมนิเทศการตอบสนองของตัวกรองที่ซับซ้อนเช่นเดียวกับเส้นสันเขากระแสจะรวมกันเพื่อเป็นตัวแทนของลายนิ้วมือซึ่งลักษณะทั้งการไหลสันและเอก ประการที่สามลักษณนามแก้ปัญหาจะนำเสนอสำหรับการจำแนกลายนิ้วมือที่มีประสิทธิภาพขนาดใหญ่variabilities ภายในชั้นเรียนและขนาดเล็ก variabilities ระหว่างชั้น ทดลองผลมากกว่า NIST SD 4 แสดงให้เห็นถึงประสิทธิภาพของขั้นตอนวิธีการจัดหมวดหมู่ที่เสนอ. ในการสรุปขั้นตอนวิธีการที่นำเสนอสามารถที่จะทำให้การใช้ภาพและการตอบสนองตัวกรองที่ซับซ้อนเพื่อให้บรรลุการวางแนวทางที่ดีกว่าความถูกต้อง ส่วนใหญ่แบ่งเป็นลายนิ้วมือที่มีสัญญาณรบกวนอย่างรุนแรงเพราะมันเป็นเรื่องยากมากที่จะดึงการวางแนวทางที่ถูกต้อง มะเดื่อ. 10 แสดงให้เห็นตัวอย่างบางส่วน นอกจากนี้บางลายนิ้วมือซ้ายหรือขวามีความเข้าใจผิดว่าเป็นลายนิ้วมือ Tented โค้งและบางลายนิ้วมือ Arch Tented มีความเข้าใจผิดว่าเป็นลายนิ้วมือซ้ายหรือขวา มะเดื่อ. 11 แสดงให้เห็นเช่นกรณี ในอนาคตกลยุทธ์การจัดหมวดหมู่ที่ซับซ้อนเป็นสิ่งจำเป็นที่จะแยกแยะTented โค้งลายนิ้วมือจากลายนิ้วมือซ้ายและขวา

ผลลัพธ์ (ไทย) 3:

5 . สรุป
ในกระดาษนี้ , นวนิยายลายนิ้วมือการจำแนกประเภทของ
นำเสนอ มีหลักสามเขียนในกระดาษนี้ ประการแรก การเสนอเพื่อปรับปรุงรูปแบบ regularized ปฐมนิเทศปฐมนิเทศลายนิ้วมือด้วย

ผลต่อเนื่องมากกว่า FVC
ปฐมนิเทศสกัดมาตรฐานแสดงให้เห็นถึงประสิทธิภาพของ ประการที่สอง
ภาพแนวการตอบสนองของตัวกรองที่ซับซ้อน ตลอดจนแนวสันเขา
ไหลรวมไปเป็นตัวแทนของลายนิ้วมือที่ characterizes
ทั้งแนวการไหลและเอก . ประการที่สาม ลักษณนามคือ heuristic
เสนอการจำแนกลายนิ้วมือ ซึ่งเป็นมีเสถียรภาพเพื่อผันคลาสภายในขนาดใหญ่และขนาดเล็กระหว่างเรียน
ผัน . ทดลอง
ผลลัพธ์มากกว่ามาตรฐาน SD 4 แสดงให้เห็นถึงประสิทธิภาพของ
เสนอขั้นตอนวิธีการจำแนก .
สรุปได้ว่า วิธีที่เสนอสามารถใช้ภาพการปฐมนิเทศและซับซ้อนกรอง
การตอบสนองเพื่อให้บรรลุความถูกต้องดีกว่า

ที่สุดของ misclassified ลายนิ้วมือกับ
เสียงอย่างรุนแรง เพราะมันเป็นเรื่องยากมากที่จะแยกทิศทางที่ถูกต้อง รูปที่ 10 แสดง
บางตัวอย่าง นอกจากนี้ บางซ้ายหรือขวามีลายนิ้วมือ
เข้าใจผิดว่าเป็นลายนิ้วมือและ Tented Arch Tented Arch ลายนิ้วมือ
เข้าใจผิดเป็นซ้ายหรือขวา ลายนิ้วมือ รูปที่ 11 แสดงให้เห็นกรณีแบบนี้

ในอนาคต กลยุทธ์หมวดหมู่ซับซ้อนจำเป็นต้องแยกแยะ
Tented Arch ลายนิ้วมือจากซ้ายและขวา ลายนิ้วมือ