دانلود رایگان ترجمه مقاله نمایه سازی اثر انگشت بر اساس همبستگی نقطه منفرد (نشریه IEEE 2005)

این مقاله انگلیسی ISI در نشریه IEEE در 4 صفحه در سال 2005 منتشر شده و ترجمه آن 11 صفحه میباشد. کیفیت ترجمه این مقاله ارزان – نقره ای ⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

شناسایی اثر انگشت بر اساس همبستگی نقاط تکین

عنوان انگلیسی مقاله:

Fingerprint Indexing Based on Singular Point Correlation

 
 
 
 
 

 

مشخصات مقاله انگلیسی 
فرمت مقاله انگلیسی pdf 
سال انتشار 2005
تعداد صفحات مقاله انگلیسی 4 صفحه با فرمت pdf
رشته های مرتبط با این مقاله مهندسی کامپیوتر
گرایش های مرتبط با این مقاله هوش مصنوعی، علوم داده
چاپ شده در مجله (ژورنال) کنفرانس بین المللی پردازش تصویر – International Conference on Image Processing
کلمات کلیدی نمايه‌سازی اثر انگشت، نقاط تکین، فيلتر MACE، مدل T-shape، میدان هدایت
ارائه شده از دانشگاه آزمایشگاه ملی ادراک ماشین ، دانشگاه پکن ، چین
رفرنس دارد  
کد محصول F1624
نشریه آی تریپل ای – IEEE

 

مشخصات و وضعیت ترجمه فارسی این مقاله 
فرمت ترجمه مقاله pdf و ورد تایپ شده با قابلیت ویرایش 
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  11 صفحه با فونت 14 B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است 
ترجمه متون داخل تصاویر ترجمه شده است  
ترجمه متون داخل جداول ترجمه شده است 
ضمیمه ندارد   
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است  
منابع داخل متن به صورت عدد درج شده است  
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 

 

فهرست مطالب

چکیده
1- مقدمه
2- تشخیص نقاط تکین و ارزیابی جهت‌گیری آنها
3- فیلتر MACE
4- نتایج آزمایشات
5- نتیجه‌گیری
منابع

 

بخشی از ترجمه
 چکیده
طبقه‌بندی اثر انگشت یک روش کارآمد است که به‌طور چشمگیری عملکرد سیستم‌های شناسایی اثر انگشت خودکار را بهبود می‌بخشد. ما یک روش نمایه‌سازی مستمر اثر انگشت براساس مکان، تخمین جهت و همبستگی نقاط منحصر به فرد (نقاط تکین) برای اثر انگشت ارائه می‌دهیم. برآورد موقعیت و جهت به‌طور همزمان با استفاده از مدل T-shape جهت تصویربرداری میدان اثر انگشت به‌دست می‌آید. مدل T-shape بخش‌های هم‌محور را در اطراف نقاط خاصی برای تحلیل محورهای جانبی و محورهای اصلی دیگر تحلیل می‌کند. سپس یک فیلتر متداول محرک که از حداقل انرژی متوسط همبستگی برای به‌دست آوردن یک معیار تشابه مبتنی بر همبستگی استفاده می‌کند شواهدی از اولویت جستجو را ارائه می‌دهد. آزمایش توسط بازیابی 400 اثر انگشت از 10000 نمونه انجام شده است و میانگین فضای جستجو تنها 46/3% از کل مجموعه‌ی داده‌ها است.
 
1- مقدمه
مقدار زیادی اطلاعات در پایگاه داده‌های بزرگ اثر انگشت (به‌عنوان مثال چندین میلیون اثر انگشت) به‌طور جدی کارایی شناسایی اثر انگشت در سیستم‌های شناسایی خودکار انگشت (AFIS) را برای هر دو کاربرد قانونی و مدنی انجام می‌دهند. دو گزینه فنی برای کاهش تعداد مقایسه‌ها در طی بازیابی اثر انگشت وجود دارد و به همین ترتیب زمان پاسخ فرایند شناسایی کاهش می‌یابد: این دو گزینه یکی طبقه‌بندی و دیگری نمایه‌سازی است.
تکنیک‌های طبقه‌بندی سنتی [1-3] تلاش دارند تا اثر انگشت را به پنج دسته تقسیم کنند: حلقه سمت راست (R)، حلقه سمت چپ (L)، پیچ (W)، قوس (A) و قوس تندی (T). با توجه به توزیع نامتعادل طبیعی اثر انگشت، شباهت نسبتا بزرگی بین کلاس و تفاوت درون کلاس، کاهش حجم کار ناشی از طبقه‌بندی در این حوزه وجود دارد.
الگوریتم‌های شناسایی اثر انگشت، نامزدهای احتمالی را انتخاب می‌کنند و مرتب‌سازی آنها را با شباهت به یک ورودی می‌سنجند [4]. برای تکنیک‌های نمایه‌سازی بهتر، از طبقه‌بندی منحصر به فرد با توجه به اندازه فضای مورد نیاز که جستجو می‌شود، استفاده می‌گردد [5]. بسیاری از الگوریتم‌های شناسایی اخیرا پیشنهاد شده است. در پژوهش [4] و [6]، سه‌گانه روش مینیمم کردن در روش شناسایی استفاده می‌شود. این روش‌ها بر اطلاعات دقیق اثر انگشت تمرکز می‌کنند و اطلاعات کلان را نادیده می‌گیرند که قوی‌تر به نویز محلی می‌باشد. آی، کی، جین و همکاران [7] از ویژگی‌های اطراف یک نقطه اصلی در یک تصویر فیلتر گابور برای تحقق استفاده می‌کنند؛ اگر‌چه این روش از اطلاعات نقطه اصلی استفاده می‌کند، اما قدرت فقط یک دارای یک هسته محدود است. ما همچنین می‌توانیم تلاش‌هایی را در ترکیب روش‌ها، مانند پژوهش [8] و [9]، ببینیم.
به‌عنوان نوعی از ویژگی‌های برجسته، نقاط تکین را در تصاویر اثر انگشت می‌توان به شدت شناسایی کرد و شامل ویژگی‌های ذاتی اثر انگشت است. با توجه به این واقعیت، ما یک رویکرد نمایه‌سازی یا شناسایی مبتنی بر همبستگی نقاط تکین پیشنهاد می‌کنیم. با استفاده از یک مدل T-shape میدان جهت (DF) به‌طور همزمان، نقاط تکین را برآورد کرده و جهت‌گیری به‌دست می‌آید. مدل T-shape ماهیت ذاتی نقاط تکین شامل هسته‌ها و دلتاها را که به‌طور گسترده‌ای در تصاویر اثر انگشت وجود دارد، نشان می‌دهد اما به ندرت در نمایه‌سازی اثر انگشت استفاده می‌شود. سپس فیلتر حداقل متوسط انرژی همبستگی (MACE) ]10[ یک نوع فیلتر تحمل محرک است، که برای فیلتر کردن قالب و استفاده از محاسبات همبستگی برای اندازه‌گیری شباهت استفاده می‌شود. نمایه سازی بیشتر با مرتب‌سازی شباهت بین تصویر پرس و جو و تمام قالب‌های ذخیره شده به‌دست می‌آید.
ساختار این مقاله به شرح زیر است: در بخش دوم، یک مدل به اصطلاح مدل T-shape معرفی شده است و برای شناسایی نقاط تکیت و جهت‌گیری‌های آنها استفاده می‌شود. سپس فیلتر MACE در بخش سوم معرفی شده است. در بخش چهارم، برخی نتایج تجربی ارائه شده است. در نهایت، نتیجه‌گیری در بخش پنجم مورد بررسی قرار گرفته است.

 

بخشی از مقاله انگلیسی

Abstract

Fingerprint indexing is an efficient technique that greatly improves the performance of Automated Fingerprint Identification Systems. We propose a continuous fingerprint indexing method based on location, direction estimation and correlation of fingerprint singular points. Location and direction estimation are achieved simultaneously by applying a T-shape model to directional field of fingerprint images. The T-shape model analyzes homocentric sectors around the candidate singular points to find lateral-axes and further main-axes. Then a distortion-tolerant filter of Minimum Average Correlation Energy is utilized to obtain a correlation-based similarity measure which gives the evidence of searching priority. The experiment is performed by 400-fingerprint retrieval from 10,000 templates and the mean search space is only 3.46% of the whole dataset.

1 Introduction

The huge amount of data in large fingerprint databases (e.g. several million fingerprints) seriously compromises the efficiency of the fingerprint identification task in Automated Fingerprint Identification Systems (AFIS) for both forensic and civil applications. There are two technical choices to reduce the number of comparisons during fingerprint retrieval and consequently to reduce the response time of the identification process: one is classification and the other is indexing.

Traditional classification techniques [1-3] attempt to classify fingerprints into five classes: Right Loop (R), Left Loop (L), Whorl (W), Arch (A), and Tented Arch (T). Due to the uneven natural distribution, comparatively large inter-class similarity and intra-class difference, the workload reduction resulted from classification is not gratifying.

Fingerprint indexing algorithms select most probable candidates and sort them by the similarity to the input one [4]. For indexing technique performs better than exclusive classification considering the size of space that need to be searched [5]. Many indexing algorithms have been proposed recently. In [4] and [6], the triplets of minutiae are used in the indexing procedure. These methods focus on the detailed information of fingerprints and ignore the macro information which is more robust to local noise. A.K. Jain et al [7] use the features around a core point of a Gabor filtered image to realize indexing. Although this approach makes use of the core point information but the discrimination power of just one core is limited. We also can see the efforts on combining methods, such as [8] and [9].

As a sort of prominent and global feature, singular points (SPs) in fingerprint images can be robustly identified and contain fingerprint intrinsic features. According to this fact, we propose an indexing approach based on SP correlation. SP detection and direction estimation are achieved simultaneously by applying a T-shape model to directional field (DF). The Tshape model reveals the intrinsic nature of SPs including cores and deltas which broadly exist in fingerprint images but are seldom utilized in fingerprint indexing. Then the Minimum Average Correlation Energy (MACE) filter [10], a kind of distortion-tolerant filter, is used to synthesize templates and perform correlation computation to give the similarity measurement. Further indexing is obtained by sorting the similarity between the query image and all stored templates. This paper is organized as follows. In Section II, a so-called T-shape model is introduced and utilized to detect SPs and to estimate their directions. Then the MACE filter is introduced in Section III. In Section IV, some experimental results are presented. Finally, the conclusion is drawn in Section V.

 

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا