Fingerprint classification is still

Fingerprint classification is still a challenging problem due to large intra-class variability, small inter-class
variability and the presence of noise. To deal with these difficulties, we propose a regularized orientation
diffusion model for fingerprint orientation extraction and a hierarchical classifier for fingerprint
classification in this paper. The proposed classification algorithm is composed of five cascading stages.
The first stage rapidly distinguishes a majority of Arch by using complex filter responses. The second
stage distinguishes a majority of Whorl by using core points and ridge line flow classifier. In the third
stage, K-NN classifier finds the top two categories by using orientation field and complex filter responses.
In the fourth stage, ridge line flow classifier is used to distinguish Loop from other classes except Whorl.
SVM is adopted to make the final classification in the last stage. The regularized orientation diffusion
model has been evaluated on a web-based automated evaluation system FVC-onGoing, and a promising
result is obtained. The classification method has been evaluated on the NIST SD 4. It achieved a
classification accuracy of 95.9% for five-class classification and 97.2% for four-class classification without
rejection.

ผลลัพธ์ (ไทย) 1:

ประเภทลายนิ้วมือยังคงเป็นปัญหาที่ท้าทายเนื่องจากความแปรผันขนาดใหญ่ภายในคลาส ระหว่างเรียนขนาดเล็กความแปรผันและสถานะของเสียง การจัดการกับปัญหาเหล่านี้ เราเสนอแนว regularizedแบบจำลองการแพร่ classifier ลำดับชั้นสำหรับลายนิ้วมือและลายนิ้วมือวางแนวสกัดการจัดประเภทในเอกสารนี้ อัลกอริทึมการจัดประเภทการนำเสนอประกอบด้วย 5 ขั้นตอนที่เกี่ยวข้องระยะแรกแตกต่างส่วนใหญ่โค้ง โดยใช้ตัวกรองที่ซับซ้อนตอบสนองอย่างรวดเร็ว ที่สองขั้นตอนแตกต่างส่วนใหญ่ของขวัญโดยจุดหลักและริดจ์บรรทัดไหล classifier ในที่สามระยะ เอ็นเอ็นเค classifier พบประเภทด้านบนสองโดยวางฟิลด์และการตอบสนองของตัวกรองที่ซับซ้อนระยะที่สี่ ใช้ริดจ์บรรทัดไหล classifier เพื่อแยกวงจากชั้นเรียนอื่น ๆ ยกเว้นขวัญSVM จะนำมาใช้เพื่อให้การจัดประเภทสุดท้ายในขั้นตอนสุดท้าย แพร่แนว regularizedรุ่นได้รับการประเมินบนระบบเว็บไซต์อัตโนมัติประเมิน FVC อย่างต่อเนื่อง และมีแนวโน้มผลที่ได้รับ วิธีการจัดประเภทได้รับการประเมินใน NIST SD 4 ได้รับการความถูกต้องของประเภท 95.9% การจัดห้าชั้นและ 97.2% การจัดชั้น 4 ไม่มีการปฏิเสธการ

ผลลัพธ์ (ไทย) 2:

จำแนกลายนิ้วมือก็ยังคงเป็นปัญหาที่ท้าทายเนื่องจากการแปรปรวนภายในชั้นเรียนขนาดใหญ่ระหว่างชั้นเรียนขนาดเล็กแปรปรวนและการปรากฏตัวของเสียง การจัดการกับปัญหาเหล่านี้เรานำเสนอการวางแนวทาง regularized รูปแบบการแพร่กระจายการวางแนวทางในการสกัดลายนิ้วมือและจําแนกตามลำดับชั้นลายนิ้วมือสำหรับการจัดหมวดหมู่ในเอกสารนี้ อัลกอริทึมที่นำเสนอการจัดหมวดหมู่ประกอบด้วยห้าขั้นตอนซ้อน. ขั้นตอนแรกอย่างรวดเร็วแตกต่างส่วนใหญ่ของโค้งโดยใช้การตอบสนองของตัวกรองที่ซับซ้อน ที่สองขั้นตอนที่แตกต่างส่วนใหญ่ของวงโดยใช้จุดหลักและแนวการไหลของสายการจําแนก ในไตรมาสที่สามขั้นตอน K-NN ลักษณนามพบว่าด้านบนสองประเภทโดยใช้สนามปฐมนิเทศและการตอบสนองของตัวกรองที่ซับซ้อน. ในขั้นตอนที่สี่ลักษณนามไหลเส้นสันถูกใช้เพื่อแยกวงจากชั้นเรียนอื่น ๆ ยกเว้นวง. SVM ถูกนำมาใช้เพื่อให้สุดท้าย การจัดหมวดหมู่ในขั้นตอนสุดท้าย แพร่ปฐมนิเทศ regularized รูปแบบได้รับการประเมินในระบบการประเมินผลโดยอัตโนมัติบนเว็บ FVC ต่อเนื่องและมีแนวโน้มผลที่จะได้รับ วิธีการจัดหมวดหมู่ได้รับการประเมินใน NIST SD 4 มันประสบความสำเร็จในความถูกต้องของการจำแนกประเภทของ95.9% สำหรับการจำแนกห้าชั้นเรียนและ 97.2% สำหรับการจำแนกสี่ชั้นโดยไม่ต้องปฏิเสธ

ผลลัพธ์ (ไทย) 3:

การจำแนกลายนิ้วมือ ยังคงเป็นปัญหาที่ท้าทาย เนื่องจากความแปรปรวนของคลาสภายในขนาดใหญ่ , ขนาดเล็กระหว่างความคลาส
และการปรากฏตัวของสัญญาณรบกวน เพื่อจัดการกับปัญหาเหล่านี้ เราขอ regularized ปฐมนิเทศ
แพร่รูปแบบการสกัดปฐมนิเทศลายนิ้วมือและลายนิ้วมือแบบลำดับชั้นสำหรับ
หมวดหมู่ในบทความนี้เสนอการจำแนกขั้นตอนวิธีจะประกอบด้วยห้าขั้นตอนซ้อน .
ขั้นตอนแรกอย่างรวดเร็ว แตกต่าง ส่วนใหญ่ของการตอบสนองโค้งโดยใช้ตัวกรองที่ซับซ้อน ขั้นตอนที่สอง
แตกต่าง ส่วนใหญ่วง โดยใช้จุดหลักและแนวสันเขาไหลลักษณนาม ในขั้นตอนที่ 3
, k-nn ลักษณนามพบด้านบนสองประเภท โดยสนามที่ใช้ปฐมนิเทศและการตอบสนอง
กรองที่ซับซ้อนในขั้นตอนที่สี่ แนวสันเขาไหลลักษณนามใช้แยกวงจากชั้นเรียนอื่น ๆยกเว้นขวัญ .
SVM เป็นลูกบุญธรรมเพื่อให้หมวดหมู่สุดท้ายในขั้นตอนสุดท้าย regularized ปฐมนิเทศแพร่
แบบจำลองได้ถูกประเมินในการประเมินเว็บอัตโนมัติพบอย่างต่อเนื่อง และส่งผลให้สัญญา
จะได้รับ การจัดหมวดหมู่วิธีถูกประเมินในมาตรฐาน SD 4มันบรรลุความแม่นยำในการจำแนกของ 95.9 %
5 ชั้นและจัดหมวดหมู่สินทรัพย์รวมสี่ชั้นเรียนโดยไม่
ปฏิเสธ