PHÂN LOẠI DẤU VÂN TAY VỚI RỪNG NGẪU NHIÊN XIÊN PHÂN VÀ PHƯƠNG PHÁP BIỂU DIỄN ĐẶC TRƯNG KHÔNG ĐỔI

Võ Huỳnh Trâm * , Đỗ Thanh Nghị và Phạm Nguyên Khang

* Tác giả liên hệ (vhtram@ctu.edu.vn)

Article Sidebar

Full Text: PDF

Ngày nhận bài: 20-04-2021
Ngày duyệt đăng: 03-06-2022
Ngày xuất bản: 01-05-2010
Title:
Lượt xem
43
Downloads
24
Trích dẫn
Trâm, V. H., Nghị, Đ. T., & Khang, P. N. (2010). PHÂN LOẠI DẤU VÂN TAY VỚI RỪNG NGẪU NHIÊN XIÊN PHÂN VÀ PHƯƠNG PHÁP BIỂU DIỄN ĐẶC TRƯNG KHÔNG ĐỔI. Tạp chí Khoa học Đại học cần Thơ, (15a), 253-262. Truy vấn từ https://ctujsvn.ctu.edu.vn/index.php/ctujsvn/article/view/803
Số báo
Số. 15a (2010)
Chuyên mục
Công nghệ

Abstract

Our investigation aims at classifying fingerprint images. At the pre-processing step, we propose to use the Scale-invariant feature transform method (SIFT) which is locally based on the appearance of the object at particular interest points, invariant to image scale, rotation and also robust to changes in illumination, noise, occlusion. And then, the representation of the image that we use for classification is the bag-of-visterms (BOV), which is constructed from the local descriptors by counting the occurence in a histogram like fashion. The pre-processing step brings out datasets with a very large number of dimensions. Finally, we propose an extended version of our random forest of oblique decision trees that is usually suited for classifying very-high-dimensional datasets. We have setup experiment a real dataset to evaluate performances. 480 fingerprint images were collected from 15 colleagues. Our fingerprint classification system has achieved an accuracy of 99.79%. The experimental results showed that our random forest of oblique trees algorithm (RF-ODT) outperforms state-of-the-art some of other algorithms.
Keywords: scale-invariant feature transform, random forest of oblique decision trees

Tóm tắt

Nghiên cứu trình bày một phương pháp phân loại ảnh vân tay mới và đáng tin cậy dựa trên sự kết hợp giữa phương pháp biểu diễn ảnh bằng các nét đặc trưng không đổi (SIFT) và rừng ngẫu nhiên xiên phân (RF-ODT). Sự kết hợp này được giải thích theo hai lý do. Các véctơ mô tả SIFT không bị thay đổi trước những biến đổi tỉ lệ, tịnh tiến, phép quay, không bị thay đổi một phần đối với phép biến đổi hình học affine (thay đổi góc nhìn) và mạnh với những thay đổi về độ sáng, sự che khuất hay nhiễu. Sau bước tiền xử lý, ảnh được biểu diễn bởi một véctơ có số chiều rất lớn, do đó chúng tôi đề nghị mở rộng và sử dụng rừng ngẫu nhiên xiên phân - được biết đến như một trong những lựa chọn tốt để học và phân loại dữ liệu có số chiều lớn. Để đánh giá hiệu quả, chúng tôi sử dụng thiết bị đọc dấu vân tay để thu thập 480 ảnh vân tay từ 15 đồng nghiệp ở trường Đại học Cần Thơ. Sau khi tiến hành tiền xử lý dựa trên cơ sở véctơ mô tả SIFT, giải thuật rừng ngẫu nhiên xiên phân của chúng tôi đã phân loại chính xác đến 99.79% (chỉ nhầm lẫn duy nhất 1 ảnh, với nghi thức kiểm tra chéo). Kết quả này cho thấy hệ thống rất đáng tin cậy. Hơn nữa, giải thuật mở rộng của rừng ngẫu nhiên xiên phân như đã đề nghị cho kết quả phân lớp ảnh vân tay chính xác hơn một số giải thuật học khác.
Từ khóa: phân loại Ảnh vân tay, véctơ mô tả SIFT, rừng ngẫu nhiên xiên phân

Article Details

Tài liệu tham khảo

Y. Amit and D. Geman. Shape quantization and recognition with randomized trees. Neural Computation (9):1545-1588, 1996.

L. Breiman. Bagging predictors. Machine Learning 24(2):123–140, 1996.

L. Breiman. Random forests. Machine Learning 45(1):5–32, 2001.

L. Breiman, J. Friedman, R. Olshen and C. Stone. Classification and Regression Trees. Wadsworth International, 1984.

C-C. Chang and C-J. Lin. LibSVM - a library for support vector machines. 2001.

T-N. Do, S. Lallich, N-K. Pham and P. Lenca. Classifying very-high-dimensional data with random forests of oblique decision trees. (to appear) in Advances in Knowledge Discovery and Management, H. Briand, F. Guillet, G. Ritschard, D. Zighed Eds, Springer-Verlag, 2009.

D. Drake. Libfprint. 2007.

Y. Freund and R. Schapire. A decision-theoretic generalization of on-line learning and an application to boosting. Computational Learning Theory, 1995, pp. 23–37.

Griaule Biometrics. Fingerprint SDK. 2007.

T-K. Ho. Random decision forest. In: Proceedings of the Third International Conference on Document Analysis and Recognition, 1995, pp. 278–282.

A. Jain and S. Pankanti. Fingerprint Classification and Matching. in Handbook for Image and Video Processing, A. Bovik (eds.), Academic Press, 2000.

D-G. Lowe. Object Recognition from Local Scale Invariant Features. in Proceedings of the 7th International Conference on Computer Vision, Kerkyra, Greece, 1999, pp. 1150–1157.

D-G. Lowe. Distinctive Image Features from Scale Invariant Keypoints. in International Journal of Computer Vision, 2004, pp. 91–110.

D. Maltoni, D. Maio, A-K. Jain and S. Prabhakar. Handbook of Fingerprint Recognition. Springer, 2003.

J. MacQueen. Some methods for classification and analysis of multivariate observations. in Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability, Berkeley, University of California Press, (1):281-297, 1967.

K. Mikolajczyk and C. Schmid. Scale and Affine Invariant Interest Point Detectors. Proceedings of IJCV, vol. 60, no. 1, pp. 63–86, 2004.

S. Murthy, S. Kasif, S. Salzberg and R. Beigel. Oc1: Randomized induction of oblique decision trees. Proc. of the 11th National Conference on AI, 1993, pp. 322–327.

NSTC Subcommittee on Biometrics. Fingerprint Recognition. 2007.

J. Quinlan. C4.5: Programs for Machine Learning. Morgan Kaufmann, 1993.

C. Schmid and R Mohr. Local gray value invariants for image retrieval. IEEE Transactions on Pattern Analysis and Machine Intelligence, 19(5): 530–535, 1997.

V. Vapnik. The Nature of Statistical Learning Theory. Springer-Verlag, 1995.

I.H. Witten and E. Frank. Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, 2005.