سامانه شناسایی بیومتریک چندوجهی ۲۰۲۴
Multimodal Biometric Identification System 2024

این کتاب روشی نوین برای تلفیق بیومتریک چندوجهی با استفاده از انتخاب تصادفی بیومتریک‌ها ارائه می‌دهد که شامل روشی جدید برای استخراج ویژگی، چارچوبی جدید برای تلفیق در سطوح حسگر و ویژگی است. بیشتر سیستم‌های بیومتریک کنونی از سیستم‌های تک‌وجهی استفاده می‌کنند که محدودیت‌های متعددی دارند. سیستم‌های چندوجهی می‌توانند دقت تطبیق یک سیستم تشخیص را افزایش دهند. این تک‌نگاشت نشان می‌دهد که چگونه می‌توان به طور موثر با مشکلات سیستم‌های تک‌وجهی مقابله کرد و بر شناسایی بیومتریک چندوجهی و تلفیق در سطوح حسگر و ویژگی تمرکز دارد. همچنین، تلفیق در سیستم‌های بیومتریک برای بهبود عملکرد را مورد بحث قرار می‌دهد.

* انتخاب تصادفی بیومتریک‌ها را ارائه می‌دهد تا اطمینان حاصل شود که سیستم با یک کاربر زنده در تعامل است.

* مجموعه‌ای از تمام تکنیک‌های مورد استفاده برای سیستم‌های شناسایی بیومتریک تک‌وجهی و چندوجهی را ارائه می‌دهد که با توجیه و تفسیر لازم همراه با مطالعات موردی، شکل‌ها، جداول، نمودارها و غیره تشریح شده‌اند.

* نشان می‌دهد که برای تلفیق در سطح ویژگی با استفاده از ویژگی‌های تبدیل کانتورلت با LDA برای کاهش ابعاد، دقت بیشتری نسبت به ویژگی‌های واریانس بلوکی به دست می‌آید.

* شامل مشارکت در استخراج ویژگی و تشخیص الگو برای افزایش دقت سیستم است.

* تبدیل کانتورلت را به عنوان بهترین الگوریتم استخراج ویژگی مختص وجه برای اثر انگشت، چهره و کف دست توضیح می‌دهد.

این کتاب برای محققان، پژوهشگران و دانشجویان رشته‌های علوم کامپیوتر، فناوری اطلاعات، مهندسی الکترونیک و برق، مهندسی مکانیک و افرادی که در زمینه کاربردهای بیومتریک فعالیت می‌کنند، مناسب است.

This book presents a novel method of multimodal biometric fusion using a random selection of biometrics, which covers a new method of feature extraction, a new framework of sensor-level and feature-level fusion. Most of the biometric systems presently use unimodal systems, which have several limitations. Multimodal systems can increase the matching accuracy of a recognition system. This monograph shows how the problems of unimodal systems can be dealt with efficiently, and focuses on multimodal biometric identification and sensor-level, feature-level fusion. It discusses fusion in biometric systems to improve performance.

• Presents a random selection of biometrics to ensure that the system is interacting with a live user.

• Offers a compilation of all techniques used for unimodal as well as multimodal biometric identification systems, elaborated with required justification and interpretation with case studies, suitable figures, tables, graphs, and so on.

• Shows that for feature-level fusion using contourlet transform features with LDA for dimension reduction attains more accuracy compared to that of block variance features.

• Includes contribution in feature extraction and pattern recognition for an increase in the accuracy of the system.

• Explains contourlet transform as the best modality-specific feature extraction algorithms for fingerprint, face, and palmprint.

This book is for researchers, scholars, and students of Computer Science, Information Technology, Electronics and Electrical Engineering, Mechanical Engineering, and people working on biometric applications.