اثرانگشت

  چکیده :

 در سیستم های تشخیص هویت ،سیستم های تشخیص  اثر انگشت یکی از گسترده ترین زمینه هایی است که در آن ها تحقیق شده و توسعه یافته است زیرا دسترسی به آن ساده ، و سنسور های آن ارزان است و همچنین کارایی نسبتاً خوبی دارد. بنابراین ، تحقیق بر روی بهبود قابلیت اعتماد ، پایداری ، کارایی و امنیت سیستم های تشخیص اثر انگشت  ضروری به نظر می رسد. کیفیت کم تصاویر اثر انگشت ، شکستگی ، بزرگ بودن پایگاه داده اثر انگشت از زمینه های گسترده تحقیق ،به منظور بهبود صحت این سیستم است. هدف از این تحقیق آشنایی با  الگوریتم های تشخیص و تطبیق اثر انگشت با اثر انگشت موجود در پایگاه داده است .تا بر اساس شناخت کلی از این الگوریتم ها و مشکلات پیش رو ،  در آینده برای اصلاح این الگوریتم ها و یا ارائه روشی جدید سعی و تلاش کنیم و درنتیجه از آنها  در عمل استفاده کنیم . 

 

 

در سیستم های مبتنی بر اثر انگشت باید اثر انگشت ورودی با تعداد زیادی اثر انگشت ذخیره شده(پایگاه داده) مقایسه شود( پایگاه داده FBI در حال حاضر بیش از 630 میلیون اثر انگشت دارد). برای کاهش زمان جستجو و پیچیدگی محاسباتی محتویات پایگاه داده را دسته بندی می کنند تا در هنگام تطبیق اثر انگشت با یک زیرمجموعه از پایگاه داده مقایسه شود. از روش های دسته بندی می توان به  K-nearest neighbor classifier  ، Neural Network Classifier   ، Two-Stage Classifier  کرد.   

 

آنالیز فوریه :

می توان گفت که یکی از مهم ترین ابزارها برای آنالیز سیگنال ، آنالیز فوریه می باشد که در آن یک سیگنال به سیگنال های سینوسی متناوب که دارای فرکانس های مختلف هستند ، تجزیه می گردد. در حقیقت آنالیز فوریه یک تکنیک ریاضیاتی برای تغییر نگرش ما به سیگنال از حالت زمانی به حالت فرکانسی می باشد .

برای بسیاری از سیگنال ها آنالیز فوریه بسیار مناسب است زیرا سیگنال دارای محتویات فرکانسی مهمی است ، پس چرا باید از تکنیک های دیگری مانند ویولت استفاده کنیم ؟

آنالیز فوریه دارای یک نقطه ضعف مهم است . با تبدیل سیگنال به حوزة فرکانس اطلاعات زمانی کاملا" از بین می رود . در حقیقت هنگامی که به تبدیل فوریة یک سیگنال نگاه می کنیم ، نمی توان فهمید که یک اتفاق مشخص در چه زمانی رخ داده است . حال اگر خصوصیات یک سیگنال با گذشت زمان تغییر چندانی نکند ، این نقطه ضعف زیاد مهم نیست ، اما بسیاری از سیگنال ها دارای حالات غیر ثابت مختلف و تغییرات ناگهانی می باشند که این خصوصیات مهم ترین قسمت سیگنال هستند و تبدیل فوریه برای شناسایی آن ها مناسب نیست .

آنالیز فوریه زمان کوتاه :

برای حل مشکل ، دنیس گابور در سال 1946 از تبدیل فوریه برای آنالیز قسمت کوچکی از سیگنال در یک زمان استفاده کرد ؛ تکنیکی که به آن پنجره کردن سیگنال گفته می شود .

تبدیلی که گابور از آن استفاده کرد ، تبدیل فوریة زمان کوتاه ( STFT ) نامیده می شود که سیگنال بر حسب دو بعد زمان و فرکانس رسم می شود .

 STFT مقایسه ای بین حالت زمانی و فرکانسی سیگنال است و در مورد اینکه اتفاق خاصی در چه زمان و در چه فرکانسی اتفاق افتاده است ، به دست می دهد . اما این اطلاعات بسیار محدود ، و با دقت کمی است و به سایز پنجره ای که انتخاب شده بستگی دارد . به این ترتیب STFT تبدیل مفیدی است اما یک نقطه ضعف دارد و آن این است که یک بار که سایز خاصی برای پنجره زمان تعیین می کنید ، این پنجره برای تمام فرکانس ها یکسان است در صورتی که اغلب سیگنال ها احتیاج به حالت انعطاف پذیری برای انتخاب سایز پنجرة زمان دارد.

 

 

 

در مرحله تطبیق داده ها

فاصله اطلاعات با موارد موجود در دیتابیس مقایسه شده و موردی که کمترین فاصله را داشته باشد به عنوان تشخیص نهایی اعلام می شود

 

 

دانلود برنامه ها و داکیومنت کامل