特性与Score-Level融合在人类识别系统

文摘

一个健壮的人类识别系统的设计是在高需求在大多数现代应用,如网上银行和安全,multifeature生物识别系统,也称为特征融合生物识别系统,是一种常见的解决方案,提高了系统的可靠性和提高识别精度。本文实现了两种融合方法之间的综合比较,命名为特性融合和score-level融合,确定哪些方法高度提高了系统整体性能。比较考虑六个组合数据集的图像质量以及应用的类型特征提取方法。四种特征提取方法,局部二进制模式(LBP),灰度共生矩阵法应用灰度共生矩阵建立(),主成分分析(PCA)和傅里叶描述符(FDs),分别应用矢量数据集生成face-iris机器。实验结果突显出,识别精度当纹理描述符中得到了极大的改进方法,如腰痛、或统计方法,如主成分分析、与score-level而不是利用特性融合组合数据集。获得最大的识别精度在97.53%枸杞多糖和score-level融合的欧几里得距离(ED)被认为是测量的最大准确率至少等于错误率(曾经)值。

1。介绍

由于数字革命在过去的几十年里,高和加速要求自动化系统激励开发人员,包括生物系统设计师,把计划和想法对提高识别的准确性和提高系统的性能。所以,生物系统的鲁棒性成为许多开发商的主要和重要方面。最可靠的方法之一是使用multifeature生物系统而不是单峰系统;因此需求更多的生理特征(如指纹、脸,虹膜,手掌印,视网膜,手几何、声音、签名,和步态已经兴起。本文旨在建立一个可靠的生物识别系统的脸和虹膜特征融合到一个多通道系统。与此同时,两种融合方法的识别结果进行比较广泛,以确定最好的方法,满足最高的精度至少曾经价值。这两个融合技术已经由六个组合数据集和四种特征提取方法,枸杞多糖,GLCM, PCA和FDs。每个组合数据集包含40个主题,所以整个测试对象是240。应用multifeature提取方法和数据库的多样性将支持我们的深度调查确定的最大系统精度到相应的融合方法,特征提取方法,face-iris组合数据集。

Ijar和尼莎1)提出了一个模型来识别面部表情基于支持向量机(SVM)算法。Univalue段吸收核(USAN)方法是利用特征提取后调整图像大小为64×64像素,125被用于检测图像区域。识别精度低错误率为16% 90%。Hamd和默罕默德2应用灰度共生矩阵建立]应用枸杞多糖,FDs和PCA特征提取方法与特性融合技术来提高识别精度的人类使用face-iris特征识别系统。三个数据库和两个组合数据集是用于测试工作。最大的准确率是用欧氏距离测量;应用灰度共生矩阵建立使用枸杞多糖和方法是100%,而PCA和FDs方法实现仅为97.5%。

·沙里夫和Eskandari3应用三种融合方法:得分水平,功能水平,和决策级融合的脸和虹膜特征使用Log-Gabor方法;此外,回溯搜索算法(BSA)来提高识别精度通过选举优化权重特性和score-level融合。验证利率显示一个有价值的改进的三个融合技术在多通道和单峰系统。邹et al。4]应用融合方法提取的局部和全局特征的场景分类方法使用collaborative-based分类。融合的枸杞多糖和伽柏过滤器满足重要结果实验结果已经批准。罗等。5)提出了一个融合multifocus图像整合部分集中到只有一个图片。高阶的奇异值分解和边缘强度都是应用于实现的建议。

Hamd [6)三个神经网络分类器和欧式距离应用于优化虹膜特征向量关于最大的准确性。的最大精度对应最优机器矢量概率感到满意和反向传播而非径向基函数和欧几里得距离测量。德维威迪和戴伊(7使用三个虚拟数据库)实现一个评估模态。Dempster-Shafer集成(d - s)理论基于决策级融合,可删除的内容是iris-fingerprint特性,和score-level融合提出了这项工作。mean-closure权重(华盛顿)分数水平和d - s理论都是应用于减少个人得分技术的边界。测试结果提出混合式聚变框架的三个特征比个人非常满意和健壮的融合方法(分数级、特征级和决策级)。

Gunasekaran et al。8涉及偏导数的三元模式和contourlet变换提取高变异系数。iris-face和指纹的多通道融合满意准确率显著改善。伊斯兰教(9)开发了一种新的组合特征融合的方法和基于multibiometric评分融合系统。从左和右虹膜图像融合特性,建立score-level和对数似然比融合应用于找到得分的虹膜识别。多个分类器的输出选择(MCS)如个人每个虹膜(左和右)的模式,建立基于特征融合的形态,对数似然比形态相结合。离散隐马尔可夫模型(DHMM)是利用模态作为分类器,和PCA应用减少虹膜特征的方法。每个虹膜向量有9600个特性值,只有550个值被认为是。提出系统进行增强90%准确率超过现有的虹膜识别方法在自然光照条件下在不同的噪声水平。

应用d - s理论融合在分数级别的阮et al。10]。应用d - s理论的动机multibiometric融合是利用d - s理论来处理不确定性概念的不确定性因素影响生物识别准确性和可靠性在限制生物识别系统。一个统一的框架是提高识别精度,开发的组合分类器性能和输入数据质量度量是在分数级别加权,然后融合在选择生成一个整体质量得分的重要因素。该方法是健壮的对图像质量变化和分类器的准确;此外,它使多通道生物操作在约束条件。一般来说,三个质量被认为是在评估生物特征匹配:真正的招生质量的尝试,一个骗子招生质量的尝试,不确定性的质量(或真正的骗子)获得的数据和/或分类器。d - s方法的多通道生物特征融合后承诺的性能验证适当的建模的不确定性因素。N分类器精度值的形式也提供一个加强融合程度。这些N三人小组结合输出融合分数和融合质量分数。只有高质量的数据接受时,该方法取得了竞争的性能(在或接近100%和1%的人曾经)相对于其他传统的融合方法。 The bio-secure DS2 benchmark database [11)被认为是进行测试。它由3频道,6光学指纹和6热通道,虹膜和2通道(不适用)。这17个频道包含匹配分数和质量评估的数据信息。高质量的脸和光学指纹实现高精度比低质量的脸和热指纹。曾经的变化从0.08到0.09 0.33人力资源面临光学指纹和热指纹。工作没有与贝叶斯融合方法进行比较,及其结果只有与其他技术相比,也有类似的数据需求。它也不同于我们的建议引入的不确定因素计算的准确性,利用生物特征除了score-level虹膜特征的融合方法。

调查是由(12)比较三种多通道方法的性能识别虹膜和指纹特征的融合使用求和规则,加权求和规则和模糊逻辑方法。iris-fingerprint特性相结合的多通道生物系统并与单峰提出系统实现。特征都是融合在一起的两个阶段:匹配分数阶段和决策水平阶段,融合更多的重量比虹膜特征的指纹。小重量值添加到匹配距离使用模糊隶属函数来模拟人类思维和提供增强的结果。实验结果表明,引入模糊逻辑法德为融合决策水平是最好的其次是古典求和规则的加权求和规则和秩序。

准确率、错误率和匹配时间报道作为绩效评估的三个项目在零错误接受率(远)到相应的错误拒绝率(FRR)。虹膜和指纹特征是从同等数量的总和CASIA-Iris (V1和V2)和FVC2004指纹数据库,认为通过这项工作,融合的指纹和虹膜比其他生物更可靠的脸(13]。在此,它不同于我们的建议考虑iris-fingerprint特性而不是face-iris组合特性。此外,提出multibiometric系统设计更为复杂,因为它应用三种不同的匹配算法,它将虹膜和指纹分数转换为模糊集(模糊性),这意味着模糊推理系统产生坏的认可,非常糟糕,媒介,好,很好,或优秀的状态。实验结果满意的最佳折中,FRR (0%, 0.05% FRR) 99.975准确率和0.038曾经值匹配时间等于0.1754秒。性别分类提出了使用修改后的枸杞多糖(14)处理的缺点基本LBP的新理论的非线性性别分类利用Tani-Moto度量距离测量。比较结果与一些国家艺术算法显示,高质量的该方法的准确率。Hammad et al。15,16)综合信息来自两个生物模式使用卷积神经网络(CNN)改善性能和使一个健壮的系统。此外,Q-Gaussian multisupport向量机(QG-MSVM)提出了决策级融合和特性融合(15)和score-level融合(16)完成分类阶段,实现高精度。拟议的系统测试几个数据库心电图(ECG)和指纹肺结核和LivDet2015来显示他们的效率,健壮性和可靠性与现有的多通道身份验证系统。该系统可以部署在真实的应用程序中根据他们的优势。

不同的分类方法的性能和融合规则研究了El_Rahman [17)的多通道和单峰生物识别系统利用MIT-BIH心电图(ECG)数据库和FVC2004指纹数据库的47名受试者数据库虚拟多通道。提出了单模和多通道系统的性能测量使用接受者操作特征(ROC)曲线和ROC曲线下面积(AUC)。实验结果表明,AUC连续的多通道系统是0.985和0.956的并行多通道系统与单模系统只实现了0.951和0.866的心电图和指纹数据库,分别。拟议的工作已经得出结论,多通道系统的总体性能优于单模系统测试在不同的分类器和不同的融合规则。

因此,论文工作列出几个face-iris基于多通道人类识别系统适用于四个不同的特征提取方法除了两个比较融合方法。此外,我们的建议是进行六个组合数据集:三个数据库和两个虹膜数据库。数据库不同的质量低,面部/低质量虹膜图像将添加更多的挑战作为模糊系统性能,低照度、不同的姿势,部分阻塞将最终影响特征提取和识别结果精度的结果。

2。提出的方法

两个多通道生物系统单独设计和评估;他们的表现进行比较,以确定best-multifeature模型满足最大精度相应特征提取方法。三个脸和两个虹膜数据库是组合成6个组合数据集。这个图像中不同来源和品质将支持的准确评估总体系统性能。一个例子的四种特征提取方法是如何实现的面部或虹膜图像见第二部分。

2.1。Face-Iris数据集

五个标准的规范数据库列在下表中1(18- - - - - -20.]。主题必须持有两种生物特征(face-iris)使用一对一的关系。每个数据库包含40个科目,多通道系统将邀请240名调查对象进行分类(一个测试图像与不同数量的训练图像)六个组合数据集作为解释以下方程:

两个数据库,UFI MMU-1,包含最困难的图像(部分阻塞,不同的姿势,不同的对比,和照明)面临的最大挑战,代表任何生物系统在检测和分类阶段。

2.2。虹膜预处理

虹膜图像的预处理前应用特征提取方法。这些过程是学生定位、虹膜定位、虹膜归一化。瞳孔定位使用连接组件标签算法(CCLA)检测区域的像素连接。此外,精明的探测器和圆形霍夫变换都申请了虹膜定位。最后一步是虹膜归一化使用Daugman橡胶板的实现模型。之后,这四个特征提取方法应用于虹膜特征提取和机器向量代(9]。

2.3。特征提取方法

2.3.1。枸杞多糖

枸杞多糖操作是基于阈值的区别(中心像素)和八个邻国。LBP-code设置为零,如果顺从结果小于零;否则,LBP-code被设置为一个(21),枸杞多糖圆preconstructed产生灵活的P的邻居R半径。枸杞多糖操作给出了方程(2)和(3)[2,21]: 在哪里中心像素的灰度值,的灰度值吗P邻国(P= 0 ),和是图像中每个像素的强度不同。

导致代码分为均匀和非均匀模式取决于数量的1和0位之间的转换。统一的模式提供了两个优点:它选择的重要功能,如线,角落,结束边缘,它节省了存储通过减少编码长度从2 ^ P 。统一的表示在这项工作1像素半径和8个邻居,在增加或半径长度导致减少在识别精度所22]。枸杞多糖的方法已经被修改成当地三元模式(LTP)和改进的三元模式(ILTP)模式表示,LTP的地方有三个层次的编码方案:积极的价值,负数和零。这种技术是嘈杂的图像应用程序非常有用。ILTP模式分为两个均匀或非均匀组织,提取的模式在哪里标记根据程度的一致性。这些标记提取的发生概率特性。这种方法非常适合于旋转不变和noise-resistant图像应用程序(23- - - - - -25]。

2.3.2。GLCM

灰度共生矩阵是一个二阶特征提取方法。它可以工作在不同的角度:垂直90°,水平0°、45°斜,和135°,每个方向决定一个特定的关系。如果方向信息特征提取是不重要的,四个角可以应用同样没有任何问题,这仍然是真实的如果图像是各向同性的26]。应用灰度共生矩阵建立的基础上,可以获得超过6特性:相反,同质性、能量、熵,相关性,方差、自相关(27]。它开始通过计算特定强度对与特定的距离和方向角子图象。结果将会是一个2 d方阵,和它的大小等于强度水平的数量。灰度共生矩阵的一个例子计算三个灰度值(1 - 3),0°角,半径等于1在图说明1。

2.3.3。主成分分析

主成分分析是一种统计方法,取决于计算协方差矩阵的特征向量,特征值和特征向量。这种方法是一种特征提取与降维的方法,在模板的尺寸降低维护的重要特性(28]。确定主成分分析的数学计算方程的步骤(4)- (7)。首先,计算为每个图像向量 。

第二,让被表示成一个mean-centered形象为每个向量从减去获得图像的矢量图像的意思是,然后计算协方差矩阵向量如以下方程: 在哪里和代表向量的平均值和两个参数和的现值是吗和 。n的行数。然后,计算特征值矩阵在以下方程:

最后,对于每一个特征值 ,特征向量V得到如下:

2.3.4。FDs

FD是修改后的傅里叶变换的频域方法。它是用于描述图像中的形状,描述的对象是不变的位置,旋转和尺度变化。傅里叶描述符提供主要两个组件,DC代表中心的x - y坐标点在边境和圆的半径符合边界点。有三个步骤实现FDs程序。首先,边境的x - y坐标转换为复数。第二,形状签名是由计算质心的距离使用方程(8)- (10)。最后,计算了傅里叶系数方程(10)[8]。 在哪里 的坐标是N样本图像的边界地区t= 0,1,…,N−1, 是区域的中心点,代表描述边界形状,是傅里叶变换系数。

2.4。级的融合

脸和虹膜特征的融合提高识别系统的性能的稳定性和可靠性这两个单峰系统转化为一个,已知的多通道生物识别系统。图2解释了脸和虹膜特征之间的融合步骤使用四种特征提取方法:主成分分析,枸杞多糖,GLCM和FDs。

融合生物识别系统由六个组合数据集测试:UMI-CASIA-V1, UMI-MMU-1, ORL-CASIA-V1, ORL-MMU-1 AR-CASIA-V1, AR-MMU-1。每个特征分别提取的特征,然后是串行规则应用于实现融合技术,在创建一个连接的脸和虹膜特征顺序生产的新模式分类的步骤,使最后的决定。四种特征提取方法的基础上,四个多通道生物系统产生如图2。序列规则解释的概念在以下方程(29日,30.]: 在哪里指的是面部特征向量的大小问和指的是虹膜特征向量的大小米,在那里米和问是不平等的。

2.5。Score-Level融合

融合在分数级别通常利用在multibiometric系统(1,2]。在这个技术,分别计算出每个单峰系统识别结果,然后识别评分结果融合成一个多通道系统,提高系统整体性能,解释图3。第一,得分向量分类过程的特征(脸和虹膜)都是分开计算和归一化方程(12)至少曾经价值。在方程(求和规则13)申请融合face-iris分数在第二步。最后,一个决策过程使用所需的阈值,获得满意的最大融合系统性能(31日,32]。 在哪里代表脸的分数标准化和虹膜生物样本我,和最小和最大价值的得分向量样本吗我分别和是脸和虹膜生物样本的得分值吗我分别为,是指生物识别系统,已使用的数量。图3显示的步骤构建四个多通道系统基于score-level融合技术。

3所示。结果与讨论

多通道系统性能评估了六个组合数据集,四种特征提取方法,两种融合方法。最高识别率是用欧式距离至少曾经价值产生的交集,FRR曲线(9]。

4所示。识别精度

从表2,结合数据集UFI-CASIA-V1满足最大85.2885使用score-level融合和枸杞多糖方法的识别率,而获得的特性融合的速度85.0641使用相同的特征提取方法。显然注意到这些利率比67.7885和83.0449已经获得的特性和score-level融合、UFI-MMU-1组合数据集时,分别利用。67.7885应用灰度共生矩阵建立属于方法的低精度值,和特性融合多受UFI-MMU-1数据集和模糊的图像质量,而枸杞多糖和score-level融合保持他们的83.0449识别率低质量和困难的组合数据集。

表3介绍了ORL-CASIA-V1和ORL-MMU-1识别精度。一般来说,识别率score-level融合取得了最大的组合数据集。它满足97.5321和97.3077的利率使用枸杞多糖和PCA,分别。尽管在ORL-MMU-1虹膜图像模糊,枸杞多糖和PCA非常竞争获取最大精度score-level融合技术。值得一提的是,特性融合识别率达到优秀的97.4359和95.4808使用PCA和相同的组合数据集,分别。最后,从表4,枸杞多糖满意最最大精度对应的两种融合方法进行AR-CASIA-V1 AR-MMU-1数据集。最大速度是95.9615,注册为AR-CASIA-V1 score-level融合技术。因此,score-level融合和枸杞多糖方法认识到最高最稳定和性能face-iris特征在我们的多通道系统。

5。最大的性能

本节描述分析和图形化的行为,FRR,曾经和一个阈值的最大识别精度满足了枸杞多糖和PCA方法表3。那些好的结果两种融合方法的列在下表中5。它们反映了两种融合方法之间的竞争性能最高的四个特征提取方法进行优质ORL-CASIA-V1组合数据集。此外,score-level融合特性融合在任何情况下表现良好。

然而,阴影细胞表5图形中表示数据吗4和5。这些数字代表的最大认可率我们的多通道系统,他们清楚地表明之间的最小交叉(曾经)值,FRR PCA和枸杞多糖方法的0.025和0.024,分别。那些曾经的两个阈值是0.06和0.02的解释数据4和5,分别。分析和明确的对比,两种融合方法的识别精度和四个特征提取方法进行了六个组合数据集通过数字图形表示6- - - - - -11。这些图表提供完整的细节的行为提出了多通道系统深度测试。他们表明,score-level融合打入22球的24对部件级融合率最高。

6。结论

毫无疑问一个multifeature生物识别系统可以提高一个单峰系统的性能,提高其可靠性和鲁棒性。本研究动机设计哲学更远一步走向融合的正确选择规则,产生一种强大的系统的视觉感兴趣的开发人员。组合数据集的质量和应用特征提取方法的两个因素考虑除了融合技术研究240例分类的系统性能。实验结果表明,score-level融合在满足最大准确率优于特性融合应用于四种特征提取方法。结果,score-level融合和枸杞多糖的方法都是候选人一个可靠和健壮的人类识别系统使用face-iris特征作为multifeature生物识别系统。这项工作可以更多的提高如果决策级融合被认为是计算系统性能在分类阶段。

数据可用性

拟议的比较进行6 face-iris组合;他们是AR-CASIA-v1;AR-MMU1;ORL-CASIA-v1;ORL-MMU1;UFI-CASIA-v1;UFI-MMU1,三面临数据库结合两个虹膜数据库来实现这项工作。所有三个脸数据库可用:https://www.face-rec.org/databases/,而两个虹膜数据是可用的http://www.cbsr.ia.ac.cn/english/IrisDatabase.asp,https://www.kaggle.com/naureenmohammad/mmu-iris-dataset。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者衷心感谢和感激去Mustansiriyah大学的支持来完成这项工作。

引用

1. r·k·Ijar诉尼莎,“分析使用支持向量机的人脸识别,”《新兴的趋势在国际会议上工程、科学和可持续的技术(ICETSST)场景,喀拉拉邦,印度,2017年1月。视图:谷歌学术搜索
2. m . Hamd和m . y .穆罕默德”多通道生物系统face-Iris特征级融合,“国际现代教育和计算机科学杂志(IJMECS),11卷,不。5,2019。视图:出版商的网站|谷歌学术搜索
3. o .·沙里夫和m . Eskandari”最佳face-Iris多通道融合方案,“对称,8卷,不。6,48页,2016年。视图:出版商的网站|谷歌学术搜索
4. j .邹w·李,c·陈,Du,“场景分类使用局部和全局特性与协作表示fusionfication使用局部和全局特性融合协作表示,“信息科学卷,348年,第226 - 209页,2016年。视图:出版商的网站|谷歌学术搜索
5. 罗x, z, c·张,吴x”Multi-focus图像融合使用HOSVD和边缘强度,”杂志的视觉传达和图像表示卷,45岁,46 - 61年,2017页。视图:出版商的网站|谷歌学术搜索
6. m·h·Hamd”优化人类识别、生物识别系统基础iris-signature”国际先进的智能信息杂志》上,5卷,不。3、273 - 284年,2019页。视图:出版商的网站|谷歌学术搜索
7. r .已经和美国总督”,一种新颖的混合分数级和决策级融合方案可取消multi-biometric验证,”应用智能卷,49号3、1016 - 1035年,2019页。视图:出版商的网站|谷歌学术搜索
8. k . Gunasekaran j·拉贾,r . Pitchai”深厚的多通道生物识别使用contourlet导数加权秩融合人脸,指纹和虹膜图像,”Automatika,60卷,不。3、253 - 265年,2019页。视图:出版商的网站|谷歌学术搜索
9. Md。r .伊斯兰教,”特性和基于分数融合多个分类器选择虹膜识别,”计算智能和神经科学ID 380585条,卷。2014年,11页,2014年。视图:出版商的网站|谷歌学术搜索
10. k .阮s Denman,美国曾经和c·福”Score-level multibiometric融合基于dempster-shafer理论结合不确定性因素,”Ieee人机系统,45卷,不。1,2015。视图:出版商的网站|谷歌学术搜索
11. n . Poh t Bourlai, j .难应付的“quality-dependent的多通道生物测试床,厂商和放置score-level融合算法,”Recog模式。,43卷,不。3、1094 - 1105年,2010页。视图:出版商的网站|谷歌学术搜索
12. h . Benaliouche和m . Touahria”比较研究的多通道生物识别虹膜和指纹的融合,“科学世界日报》第六卷,2014年。视图:出版商的网站|谷歌学术搜索
13. m . Abdolahi m . Mohamadi m .贾法里,“多通道生物系统融合使用指纹和虹膜与模糊逻辑”软计算和工程的国际期刊,卷2,不。6,504 - 510年,2013页。视图:谷歌学术搜索
14. s . f . Ershad“开发一个性别分类方法在人脸图像使用基于局部二进制模式和tani-moto修改最近邻算法,”国际期刊的信号处理、图像处理和模式识别,12卷,不。4、1 - 12,2019页。视图:出版商的网站|谷歌学术搜索
15. m . Hammad y刘,k .王,“多通道生物认证系统使用卷积神经网络基于不同级别融合心电图和指纹”IEEE访问7卷,第26542 - 26527页,2019年。视图:出版商的网站|谷歌学术搜索
16. m . Hammad和k . Wang“平行得分融合心电图和指纹认证基于卷积神经网络对人类,”电脑与安全,81卷,2019年。视图:出版商的网站|谷歌学术搜索
17. s . a . El_Rahman“多通道生物系统基于不同使用不同的分类器融合水平的心电图和指纹,”软计算,24卷,不。16,12599 - 12632年,2020页。视图:出版商的网站|谷歌学术搜索
18. https://www.face-rec.org/databases/。
19. http://www.cbsr.ia.ac.cn/english/IrisDatabase.asp。
20. https://www.kaggle.com/naureenmohammad/mmu-iris-dataset。
21. m·a·拉希姆·m·n·侯赛因t·瓦希德和m . s .阿”人脸识别使用本地二进制模式(LBP),“全球计算机科学与技术杂志》上的图形和视觉,13卷,不。4、2013。视图:谷歌学术搜索
22. 黄d . c ., m . Ardebilian y . Wang和l·陈,“局部二进制模式及其应用面部图像分析:一项调查,”IEEE系统,人,控制论,C部分:应用程序和评论41卷,1卷,2017页。视图:谷歌学术搜索
23. s . f . Ershad和f . Tajeripour抗脉冲噪声的彩色纹理分类方法使用局部二进制模式和混合颜色kullback-leibler分歧,”电脑杂志,60卷,不。11日,第1648 - 1633页,2017年。视图:出版商的网站|谷歌学术搜索
24. s . f . Ershad“树皮纹理分类使用改进的局部三元模式和多层神经网络,”专家系统与应用程序,158卷,2020年。视图:出版商的网站|谷歌学术搜索
25. s . f . Ershad“性别分类的人脸图像的智能手机应用程序基于局部纹理信息和评估kullback-leibler分歧,”Traitement du信号,36卷,不。6,507 - 514年,2019页。视图:出版商的网站|谷歌学术搜索
26. d . Gadkari图像质量分析应用灰度共生矩阵建立使用奥兰多,佛罗里达中央大学的美国,2004年。
27. e . Acar”提取虹膜纹理特征从当地地区应用灰度共生矩阵建立了基于资讯和虹膜识别系统,”欧洲技术杂志》第六卷,没有。1,2016。视图:谷歌学术搜索
28. j . Meghana和c . Gururaj虹膜检测与GSM接口,基于主成分分析”国际期刊的电子和计算机科学的进步,卷2,不。7日,2015年。视图:谷歌学术搜索
29. n .斯利瓦斯塔瓦”融合水平多通道生物系统——复习一下,”国际创新研究期刊》的研究在科学、工程和技术》第六卷,没有。5,2017。视图:谷歌学术搜索
30. s . adam s Alhassan, s . Elmougy“多通道生物识别系统:比较研究”,阿拉伯科学与工程》杂志上,42卷,不。2、443 - 457年,2017页。视图:出版商的网站|谷歌学术搜索
31. s·m·普拉卡什·贝蒂和k . Sivanarulselvan”融合的多通道生物识别技术使用功能和分数水平融合,“国际期刊在信息和通信工程应用,卷2,不。4,52-56,2016页。视图:谷歌学术搜索
32. h . m . Sim h . Asmuni r·哈桑·r·m·奥斯曼,“多通道生物识别技术:加权分数层融合基于理想虹膜和脸图像,”专家系统与应用程序第41卷。。11日,第5404 - 5390页,2014年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Rabab Rasool。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。