Abstract The goal of this paper is

Abstract The goal of this paper is threefold: (i) propose a novel face and fingerprint feature modeling using the structural hidden Markov models (SHMMs) paradigm, (ii) explore the use of some feature extraction techniques such as ridgelet transform, discrete wavelet transform with various classifiers for biometric identification, and (iii) determine the best method for classifier combination. The experimental results reported in both fingerprint and face recognition reveal that the SHMMs concept is promising since it has outperformed several state-of-the-arts classifiers when combined with the discrete wavelet transform. Besides, this study has shown that the ridgelet transform without principal components analysis (PCA) dimension reduction fits better with the support vector machines (SVMs) classifier than it does with the SHMMs in the fingerprint recognition task. Finally, these results also reveal a small improvement of the bimodal biometric system over unimodal systems; which suggest that a most effective fusion scheme is necessary.

ผลลัพธ์ (ไทย) 1:

นามธรรมเป้าหมายของเอกสารนี้คือ threefold: (i) เสนอหน้านวนิยายและ fingerprint คุณลักษณะการสร้างโมเดลที่ใช้ในโครงสร้างซ่อน Markov รุ่น (SHMMs) กระบวนทัศน์, (ii) การใช้เทคนิคแยกบางคุณลักษณะเช่น ridgelet แปลง แปลง wavelet แยกกันกับ classifiers ต่าง ๆ การตรวจสอบทางชีวภาพ identification สำรวจ และ (iii) กำหนดวิธีที่ดีที่สุดสำหรับชุด classifier ผลการทดลองในการ fingerprint และหน้าเปิดเผยว่า แนวคิด SHMMs คือสัญญาเนื่องจากมันมี outperformed classifiers สถานะของศิลปะต่าง ๆ เมื่อรวมกับแปลง wavelet แยกกัน สำรอง การศึกษานี้ได้แสดงว่า แปลง ridgelet ไม่ มีส่วนประกอบหลัก (PCA) การวิเคราะห์มิติลด fits ดีกับ classifier เครื่อง (SVMs) เวกเตอร์สนับสนุนกว่าไม่ มี SHMMs ในงานรู้ fingerprint สุดท้าย ผลลัพธ์เหล่านี้ยังแสดงการปรับปรุงระบบตรวจสอบทางชีวภาพ bimodal เล็กกว่า unimodal ระบบ ซึ่งแนะนำว่า แบบฟิวชั่นที่มีประสิทธิภาพสูงสุดจำเป็น

ผลลัพธ์ (ไทย) 2:

บทคัดย่อเป้าหมายของบทความนี้คือไตรสิกขา: (i) การเสนอใบหน้าที่แปลกใหม่และสาย ngerprint มีการสร้างแบบจำลองโดยใช้แบบจำลองมาร์คอฟโครงสร้างที่ซ่อนอยู่ (SHMMs) กระบวนทัศน์ (ii) สำรวจการใช้เทคนิคการสกัดคุณลักษณะเช่นริดจ์แปลง, แปลงเวฟเล็ต ด้วย ERS ​​จัดประเภทต่างๆสำหรับการระบุสายไอออนไบโอเมตริกซ์และ (iii) กำหนดวิธีการที่ดีที่สุดสำหรับการจัดประเภทรวมกันเอ้อ ผลการทดลองการรายงานใน ngerprint ทั้ง fi และจดจำใบหน้าเผยให้เห็นว่าแนวคิด SHMMs มีแนวโน้มเนื่องจากมีประสิทธิภาพสูงกว่าหลายรัฐของศิลปะการจัดประเภท ERS ​​เมื่อรวมกับแปลงเวฟเล็ต นอกจากนี้การศึกษาครั้งนี้แสดงให้เห็นว่าริดจ์โดยไม่ต้องเปลี่ยนการวิเคราะห์องค์ประกอบหลัก (PCA) มิติการลดไฟทีเอสที่ดีกว่ากับเครื่องเวกเตอร์สนับสนุน (SVMs) เอ้อจัดประเภทกว่าจะมี SHMMs ในสาย ngerprint งานได้รับการยอมรับ สุดท้ายผลลัพธ์เหล่านี้ยังแสดงให้เห็นถึงการปรับปรุงเล็กของระบบไบโอเมตริกซ์ bimodal ผ่านระบบ unimodal; ซึ่งชี้ให้เห็นว่ารูปแบบฟิวชั่นที่มีประสิทธิภาพมากที่สุดเป็นสิ่งที่จำเป็น

ผลลัพธ์ (ไทย) 3:

บทคัดย่อการวิจัยครั้งนี้มีจุดมุ่งหมายเป็นสามเท่า : ( ฉัน ) ได้เสนอแบบจำลองใบหน้าใหม่และคุณลักษณะ ngerprint จึงใช้โครงสร้างแบบซ่อนมาร์คอฟ ( shmms ) กระบวนทัศน์ ( 2 ) ศึกษาการใช้เทคนิคการสกัดลักษณะบางอย่าง เช่น การแปลงเวฟเลตต่อเนื่องอันดับ , แปลงต่าง ๆจึง classi ERS สำหรับ Biometric identi จึงไอออนบวก และ 3 ) กำหนดวิธีที่ดีที่สุดเพื่อ classi จึงรวมกัน ERผลรายงานทั้งในและจึง ngerprint ใบหน้าเปิดเผยว่า shmms แนวคิดเป็นสัญญาเพราะมันสูงกว่าหลายรัฐของศิลปะ classi จึง ERS เมื่อรวมกับวิธีการแบ่งแยกแปลง นอกจากนี้การศึกษานี้พบว่าอันดับเปลี่ยนได้โดยไม่ต้องวิเคราะห์องค์ประกอบหลัก ( PCA ) มิติการลดจึง TS ดีกว่ากับสนับสนุนเวกเตอร์เครื่องจักร ( แบบ ) classi จึงเอ่อกว่าจะกับ shmms ใน ngerprint จึงยอมรับงาน ในที่สุด ผลลัพธ์เหล่านี้ยังเผยขนาดเล็กการปรับปรุงระบบ Biometric ที่ไบโมดอลผ่านระบบ unimodal ;ซึ่งชี้ให้เห็นว่าโครงการฟิวชั่นที่มีประสิทธิภาพมากที่สุดเป็นสิ่งที่จำเป็น