Professional Documents
Culture Documents
ﻣﺤﺪودﻳﺖ در ﻋﻜﺲ ﺑﺮداري ﻋﻤﻮﻣﻴﺖ ﭘﻴﺪا ﻧﻜﺮده و ﻳﺎ ﺑﺮاي ﻣﺜﺎل دﻳﮕﺮ ﭼﻜﻴﺪه:
ﺑﻴﻮﻣﺘﺮﻳﻚ ﻋﻠﻢ ﺷﻨﺎﺳﺎﻳﻲ اﻓﺮاد ﺑﺮ اﺳﺎس وﻳﮋﮔﻲ ﻫﺎي ﻣﻨﺤﺼﺮ ﺑﻪ ﻓﺮدﺷﺎن اﺳﺖ.روش ﻫﺎي
ﺟﻤﻊ ﻛﺮدن اﻃﻼﻋﺎت ﺑﺮاي ﻛﺎر روي ﮔﻮش ﺳﺨﺖ اﺳﺖ].[4 ﺑﻴﻮﻣﺘﺮﻳﻚ اﻣﺮوزه ﻳﻜﻲ از ﻣﻮﺿﻮﻋﺎت ﺟﺬاب ﺑﺮاي ﺗﺤﻘﻴﻖ در زﻣﻴﻨﻪ ﻫﺎي اﻣﻨﻴﺘﻲ اﺳﺖ ﻛﻪ راه ﻫﺎي
در اﻳﻦ ﻣﻴﺎن اﺳﺘﻔﺎده از ﺳﺎﺧﺘﺎر رگ ﻫﺎي ﺑﺪن ﺑﻪ ﺧﺼﻮص رگ ﻫﺎي ﻛﻒ ﻣﻄﻤﺌﻨﻲ ﺑﺮاي ﺷﻨﺎﺳﺎﻳﻲ اﻓﺮاد ﻣﻌﺮﻓﻲ ﻣﻲ ﻛﻨﺪ.
دﺳﺖ و ﻛﻒ ﭘﺎ ﺑﻪ دﻟﻴﻞ اﻳﻨﻜﻪ در زﻳﺮ ﭘﻮﺳﺖ ﻗﺮار دارﻧﺪ و ﺟﻌﻞ آن ﺳﺨﺖ در اﻳﻦ ﻣﻘﺎﻟﻪ ﻣﺮوري ﺑﺮ روش ﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ اﻓﺮاد ﺑﺮ اﺳﺎس ﺳﺎﺧﺘﺎر رگ ﻫﺎ ﻛﻒ دﺳﺖ ﻣﻲ ﭘﺮدازﻳﻢ
ﻛﻪ ﺳﻄﺢ اﻣﻨﻴﺘﻲ ﺑﺎﻻﻳﻲ را اراﺋﻪ ﻣﻲ دﻫﻨﺪ.
اﺳﺖ و ﻫﻤﭽﻨﻴﻦ ﺗﻐﻴﻴﺮي در آن ﻫﺎ رخ ﻧﻤﻲ دﻫﺪ ﺗﻮﺟﻪ زﻳﺎدي ﺑﻪ ﺧﻮد ﺟﻠﺐ در اﻳﻦ ﻣﺮوراﺑﺘﺪا ﺗﻤﺎم ﻣﺮاﺣﻠﻲ را ﻛﻪ در ﭼﻨﻴﻦ ﺳﻴﺴﺘﻢ ﻫﺎﻳﻲ ﻣﺸﺘﺮك ﻫﺴﺘﻨﺪ را ﺑﻪ ﻃﻮر ﺧﻼﺻﻪ
ﻛﺮده وﻟﻲ ﻳﻜﻲ از ﻣﺤﺪودﻳﺖ ﻫﺎي اﻳﻦ روش ﮔﺮان ﺑﻮدن آن اﺳﺖ ﭼﻮن ﺑﻪ ﺑﺮرﺳﻲ ﻣﻲ ﻛﻨﻴﻢ و در ﭘﺎﻳﺎن ﺑﺮ ﻣﺮﺣﻠﻪ ي ﻣﻄﺎﺑﻘﺖ دادن دو ﺗﺼﻮﻳﺮ ﺗﻤﺮﻛﺰ ﻣﻲ ﻛﻨﻴﻢ و ﺳﭙﺲ ﻣﻘﺎﻳﺴﻪ
ﻋﻜﺲ ﻫﺎﻳﻲ ﺑﺎ ﻛﻴﻔﻴﺖ ﺑﺎﻻ ﻧﻴﺎز دارد. اي ﺑﺮ ﻋﻤﻠﻜﺮد اﻳﻦ روش ﻫﺎ اﻧﺠﺎم ﮔﺮﻓﺘﻪ اﺳﺖ و در ﭘﺎﻳﺎن ﭘﻴﺸﻨﻬﺎدي ﺑﺮاي داﺷﺘﻦ ﻳﻚ ﺳﻴﺴﺘﻢ
muti biometricﺑﺎ اﺳﺘﻔﺎده از ﺷﺒﻜﻪ ﻋﺼﺒﻲ اراﺋﻪ ﺷﺪه اﺳﺖ.
ﻛﺎر ﻣﺸﺘﺮك در ﻫﻤﻪ ي روش ﻫﺎ ﭼﻨﻴﻦ ﺳﻴﺴﺘﻢ ﻫﺎﻳﻲ ﺑﻪ ﺷﺮح زﻳﺮ اﺳﺖ:
image acquisition .1 ﻛﻠﻤﺎت ﻛﻠﻴﺪي:ﺑﻴﻮﻣﺘﺮﻳﻚ،ﺳﺎﺧﺘﺎر رگ،ﺗﺼﻮﻳﺮ ﺑﺎﻳﻨﺮي،
gray level
preprocessing of acquired image data2.
feature extraction.3 ﻣﻘﺪﻣﻪ:
matching.4 ﺑﻪ ﻃﻮر ﻛﻠﻲ دو ﻧﻮع ﺳﻴﺴﺘﻢ ﺑﻴﻮﻣﺘﺮﻳﻚ وﺟﻮد دارد ﻧﻮع اول ﺳﻴﺴﺘﻢ
ﭘﻮﺳﺖ ﻧﻮر ﻣﺎدون ﻗﺮﻣﺰ را ﻋﺒﻮر ﻣﻲ دﻫﺪ در ﺣﺎﻟﻲ ﻛﻪ ﻫﻤﻮﮔﻮﻟﻮﺑﻴﻦ ﺧﻮن اﻳﻦ verificationاﺳﺖ ﻛﻪ ﺗﺼﻮﻳﺮ ﮔﺮﻓﺘﻪ ﺷﺪه از ﻓﺮد ﺑﺎ ﻧﺎم 'model in
ﻧﻮر را ﺟﺬب ﻣﻲ ﻛﻨﺪ ] [3ﺑﺎ اﺳﺘﻔﺎده از ﻫﻤﻴﻦ وﻳﮋﮔﻲ ﻣﻲ ﺗﻮان از دورﺑﻴﻦ ' aliveرا ﺑﺎ ﻣﺪﻟﻲ ﻛﻪ در ﭘﺎﻳﮕﺎه داده ﻫﺎ ﺑﺮاي ﻓﺮد ﺑﻪ ﻋﻨﻮان ﻳﻚ اﻟﮕﻮ
ﻫﺎي ﻣﺎدون ﻗﺮﻣﺰ ﺑﺮاي ﮔﺮﻓﺘﻦ ﻋﻜﺲ از رگ ﻫﺎ ﺑﻪ ﻛﺎر ﺑﺮد. وﺟﻮد دارد ﻣﻘﺎﻳﺴﻪ ﻛﺮده و ﺳﭙﺲ اﮔﺮ ﻣﻄﺎﺑﻘﺖ اﻧﺠﺎم ﺷﺪ ﻫﻮﻳﺖ ﻓﺮد ﺗﺎﻳﻴﺪ
در ﻣﺮﺣﻠﻪ دوم ﻧﻮﻳﺰ ﻫﺎي ﺗﺼﻮﻳﺮ را از ﺑﻴﻦ ﻣﻲ ﺑﺮﻧﺪ و ﻫﻤﭽﻨﻴﻦ ﺑﺎﻳﺪ ﺑﻪ ﻣﻲ ﺷﻮد در ﻏﻴﺮ اﻳﻦ ﺻﻮرت رد ﻣﻲ ﺷﻮد ﻧﻮع دوم ﺳﻴﺴﺘﻢ ﻫﺎي ﺑﻴﻮﻣﺘﺮﻳﻚ
brightnessو contrastﻣﻨﺎﺳﺒﻲ رﺳﻴﺪ ﺗﺎ ﺗﺼﻮﻳﺮ ﺑﺮاي ﭘﺮدازش ﻫﺎي ﺳﻴﺴﺘﻢ identificationاﺳﺖ در اﻳﻦ ﻧﻮع ﺳﻴﺴﺘﻢ ﻫﺎ ﻓﺮد ﻫﻮﻳﺖ ﺧﻮد را
ﺑﻌﺪي آﻣﺎده ﻣﻲ ﺷﻮد ﻛﺎر ﺑﻌﺪي ﺑﺪﺳﺖ آوردن ﺳﺎﺧﺘﺎر رگ ﻫﺎﺳﺖ و در ﺑﻪ ﺳﻴﺴﺘﻢ ﻫﺎ ﻧﻤﻲ دﻫﺪ ﺑﻠﻜﻪ ﺳﻴﺴﺘﻢ وﻳﮋﮔﻲ ﻫﺎي ﻓﺮد را ﮔﺮﻓﺘﻪ و ﺑﺎ
ﻣﺮﺣﻠﻪ ي ﺑﻌﺪ ﺗﺼﻮﻳﺮ ﺑﺎ اﻟﮕﻮ ﺑﺎﻳﺪ ﻣﻄﺎﺑﻘﺖ داده ﻣﻲ ﺷﻮد . ﻣﺠﻤﻮﻋﻪ اي از اﻟﮕﻮﻫﺎي ﻣﻮﺟﻮد در ﭘﺎﻳﮕﺎه داده ﻫﺎ ﻣﻘﺎﻳﺴﻪ ﻛﺮده و ﻫﻮﻳﺖ
ﻣﺮﺣﻠﻪ ي matchingاز اﻳﻦ ﻟﺤﺎظ ﻛﻪ ﺑﺮ ﻛﺎراﻳﻲ ﺳﻴﺴﺘﻢ اﺛﺮ ﺑﺴﻴﺎر زﻳﺎدي ﺷﺨﺺ ﻣﻮرد ﻧﻈﺮ ﺑﻪ ﻋﻨﻮان ﻧﺘﻴﺠﻪ ﺳﻴﺴﺘﻢ ﺧﻮاﻫﺪ ﺑﻮد].[5
دارد ﻣﺮﺣﻠﻪ ي ﻣﻬﻤﻲ اﺳﺖ دو روش ﻛﻠﻲ وﺟﻮد دارد روش اول global وﻳﮋﮔﻲ ﻫﺎي ﻣﻨﺤﺼﺮ ﺑﻪ ﻓﺮد اﻧﺴﺎن ﻫﺎ ﺑﻪ 2دﺳﺘﻪ ي رﻓﺘﺎري و
matchingﻛﻪ در اﻳﻦ روش ﺗﺴﺖ ﭘﻴﻜﺴﻞ ﺑﻪ ﭘﻴﻜﺴﻞ ﺑﺮاي اﻧﻄﺒﺎق ﻓﻴﺰﻳﻮﻟﻮژﻳﻜﻲ ﺗﻘﺴﻴﻢ ﻣﻲ ﺷﻮﻧﺪ وﻳﮋﮔﻲ ﻫﺎي رﻓﺘﺎري ﻣﺎﻧﻨﺪ ﻃﺮز راه رﻓﺘﻦ
اﻧﺠﺎم ﻣﻴﮕﻴﺮد و روش دﻳﮕﺮ local matchingاﺳﺖ ﻛﻪ ﺑﺮاي ﺗﺴﺖ از دﺳﺖ ﺧﻂ و وﻳﮋﮔﻲ ﻫﺎي ﻓﻴﺰﻳﻮﻟﻮژﻳﻜﻲ ﻣﺎﻧﻨﺪ اﺛﺮ اﻧﮕﺸﺖ ﻋﻨﺒﻴﻪ ﭼﺸﻢ و ...
ﻧﻘﺎط وﻳﮋه دو اﻟﮕﻮ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد].[3 ].[1
ﻫﺮ ﻛﺪام از اﻳﻦ وﻳﮋﮔﻲ ﻫﺎ ﻣﻌﺎﻳﺐ و ﻣﺰاﻳﺎي ﺧﺎص ﺧﻮد را دارﻧﺪ و ﺑﻌﻀﻲ از
روش ﻫﺎ ﺑﻪ دﻟﻴﻞ اﻳﻨﻜﻪ ﺑﻪ ﻧﺪرت ﺗﻐﻴﻴﺮ ﻣﻲ ﻛﻨﻨﺪ و ﻳﺎ ﺟﻌﻞ آن ﻫﺎ ﺳﺨﺖ
ﺗﺼﻮﻳﺮﺑﺮداري:
اﺳﺖ ﺑﺮاي ﺗﺸﺨﻴﺺ ﻫﻮﻳﺖ ﻣﻮرد ﺑﺴﻴﺎر ﻣﻨﺎﺳﺒﻲ ﻫﺴﺘﻨﺪ وﻟﻲ در ﻋﻴﻦ ﺣﺎل
در اﻳﻦ ﻣﺮﺣﻠﻪ ﻛﻢ ﻛﺮدن ﻫﺰﻳﻨﻪ ﻫﺎ ﺑﺴﻴﺎر ﻣﻬﻢ اﺳﺖ و ﺳﻌﻲ ﻣﻲ ﺷﻮد از
ﻣﻤﻜﻦ اﺳﺖ ﻛﺎر ﺑﺎ آن ﻫﺎ ﺳﺨﺖ ﺑﺎﺷﺪ ﺑﻪ ﻃﻮر ﻣﺜﺎل ﺷﺒﻜﻴﻪ ﭼﺸﻢ ﺑﺨﺎﻃﺮ
دورﺑﻴﻦ ﻫﺎي ارزان اﺳﺘﻔﺎده ﺷﻮد روش ﻫﺎي ﻣﺨﺘﻠﻔﻲ ﺑﺮاي ﻋﻜﺲ ﺑﺮداري
ﻃﻲ ﻣﺮاﺣﻞ ﻧﺮﻣﺎل ﺳﺎزي و ﺣﺬف ﻧﻮﻳﺰ ﻣﻤﻜﻦ اﺳﺖ ﻗﺴﻤﺖ ﻫﺎﻳﻲ از رگ ﻫﺎ وﺟﻮد دارد ﺑﻪ ﻃﻮر ﻣﺜﺎل ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻨﻜﻪ درﺟﻪ ﺣﺮارت رگ ﻫﺎ ﻧﺴﺒﺖ ﺑﻪ
از ﺑﻴﻦ ﺑﺮود و ﺑﺎﻳﺪ ﺑﺎزﺳﺎزي ﺷﻮﻧﺪ].[4 ﺑﺎﻓﺖ ﻫﺎي اﻃﺮاف ﺑﺎﻻﺗﺮ اﺳﺖ ﻣﻲ ﺗﻮان از thermal cameraﺑﺮاي
ﮔﺮﻓﺘﻦ ﻋﻜﺲ اﺳﺘﻔﺎده ﻛﺮد].[1
اﺳﺘﺨﺮاج وﻳﮋﮔﻲ ﻫﺎ: اﻳﻦ ﻧﻮع ﻋﻜﺲ ﺑﺮداري در دو ﻣﺤﻴﻂ ﻣﺨﺘﻠﻒ اﻧﺠﺎم ﺷﺪه ﻧﺘﻴﺠﻪ ﺣﺎﺻﻞ
ﺑﻌﺪ از ﺑﻴﻦ ﺑﺮدن ﻧﻮﻳﺰﻫﺎي ﺗﺼﻮﻳﺮ ﻣﻤﻜﻦ اﺳﺖ ﻫﻨﻮز ﺳﺎﺧﺘﺎر رگ ﻫﺎ ﺗﻮﺳﻂ ﻧﺸﺎن دﻫﻨﺪه ي اﻳﻦ اﺳﺖ ﻛﻪ اﻓﺰاﻳﺶ رﻃﻮﺑﺖ و دﻣﺎ در ﻛﻴﻔﻴﺖ ﻋﻜﺲ ﻫﺎ
ﻧﻘﺎط روﺷﻦ ﻛﻮﭼﻜﻲ ﻣﺤﺼﻮر ﺷﺪه ﺑﺎﺷﻨﺪ ﺑﺮاي ﺑﺪﺳﺖ آوردن ﺳﺎﺧﺘﺎر رگ ﺗﺎﺛﻴﺮ ﻣﻨﻔﻲ دارد ﺑﻨﺎﺑﺮاﻳﻦ ﺑﺮاي داﺷﺘﻦ ﻋﻜﺴﻲ ﺑﺎ ﻛﻴﻔﻴﺖ ﺑﺎﻻ در ﻣﺤﻴﻄﻲ ﺑﺎ
ﻫﺎ ﺗﺼﻮﻳﺮ را ﺑﻪ ﻳﻚ ﺗﺼﻮﻳﺮ ﺑﺎﻳﻨﺮي ﺗﺒﺪﻳﻞ ﻣﻲ ﻛﻨﻨﺪ ﺑﺮاي اﻧﺠﺎم اﻳﻦ ﻛﺎر رﻃﻮﺑﺖ و دﻣﺎي ﻧﺮﻣﺎل ﻋﻜﺲ ﺑﺮداري اﻧﺠﺎم ﻣﻲ ﮔﻴﺮد].[1
ازﻣﻘﺪار gray-level intensityاﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻨﺪ روش ﻛﺎر ﺑﻪ اﻳﻦ
ﺻﻮرت اﺳﺖ ﻛﻪ ﻣﻘﺪاري را ﺑﻪ ﻋﻨﻮان ﺣﺪ آﺳﺘﺎﻧﻪ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ و ﭘﻴﺶ ﭘﺮدازش:
gray_levelﻫﺮ ﭘﻴﻜﺴﻞ را ﺑﺎ اﻳﻦ ﻣﻘﺪار ﻣﻘﺎﻳﺴﻪ ﻣﻲ ﻛﻨﻨﺪاﮔﺮ ارزش ﺑﺎﻳﺪ ﺑﺮ روي ﻋﻜﺲ ﮔﺮﻓﺘﻪ ﺷﺪه ﭘﺮدازش ﻫﺎﻳﻲ اﻧﺠﺎم ﮔﻴﺮد ﺗﺎ ﻛﻴﻔﻴﺖ ﻋﻜﺲ
ﭘﻴﻜﺴﻞ ﻛﻤﺘﺮ از ﺣﺪ آﺳﺘﺎﻧﻪ ﺑﻮد ارزش ﭘﻴﻜﺴﻞ ﺑﻪ ﻣﻘﺪار ﻳﻚ ﺗﻐﻴﻴﺮ ﻣﻲ ﻛﻨﺪ و ﺑﻬﺘﺮ ﺷﻮد اوﻟﻴﻦ ﻛﺎر در اﻳﻦ ﻣﺮﺣﻠﻪ extraction of the region of
در ﻏﻴﺮ اﻳﻦ ﺻﻮرت ارزش ﭘﻴﻜﺴﻞ ﻣﻘﺪار ﺻﻔﺮ ﺧﻮاﻫﺪ ﮔﺮﻓﺖ[6]. interest
در اﻳﻦ ﻣﺮﺣﻠﻪ ﺗﻌﻴﻴﻦ ﻣﻘﺪار ﺣﺪ آﺳﺘﺎﻧﻪ ﺧﻮد ﻣﺴﺎﻟﻪ ي ﻣﻬﻤﻲ اﺳﺖ ﺑﻪ اﻳﻦ )(ROIاﺳﺖ روش ﻫﺎي ﻣﺨﺘﻠﻔﻲ ﺑﺮاي اﻧﺠﺎم اﻳﻦ ﻛﺎر ﻣﻌﺮﻓﻲ ﺷﺪه ﺑﻪ ﻃﻮر
دﻟﻴﻞ ﻛﻪ اﮔﺮ اﻳﻦ ﻣﻘﺪار ﺑﺴﻴﺎر ﻛﻮﭼﻚ ﺑﺎﺷﺪ ﻧﻮﻳﺰ ﻫﺎي ﺗﺼﻮﻳﺮ ﺑﺎﻗﻲ ﻣﻲ ﻣﺜﺎل ﻣﻤﻜﻦ اﺳﺖ ﻧﺎﺣﻴﻪ ي ﻣﺮﺑﻌﻲ ﻳﺎ ﻣﺴﺘﻄﻴﻠﻲ از ﺗﺼﻮﻳﺮ را اﻧﺘﺨﺎب ﻛﺮده
ﻣﺎﻧﻨﺪ و اﮔﺮ اﻳﻦ ﻣﻘﺪار ﺑﺴﻴﺎر ﺑﺰرگ ﺑﺎﺷﺪ اﻃﻼﻋﺎت اﺻﻠﻲ ﺗﺼﻮﻳﺮ از ﺑﻴﻦ ﻣﻲ ][2و ﻳﺎ اﻳﻨﻜﻪ از ﻧﻘﺎط anthropometricاﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻨﺪ ﻫﻤﭽﻨﻴﻦ
روﻧﺪ ][5از ﻃﺮف دﻳﮕﺮ از آﻧﺠﺎﻳﻲ ﻛﻪ اﻳﻦ ﻣﻘﺪار در ﻧﻘﺎط ﻣﺨﺘﻠﻒ ﻣﺘﻔﺎوت از ﺗﻜﻨﻴﻚ segmentationﻧﻴﺰ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ ].[4
اﺳﺖ global threholding techniquesﻧﺘﻴﺠﻪ ي ﺧﻮﺑﻲ را ﻣﺮﺣﻠﻪ ي ﺑﻌﺪي ﻛﻢ ﻛﺮدن ﻧﻮﻳﺰ از ﺗﺼﻮﻳﺮ و ﺑﺪﺳﺖ آوردن brightness
اراﺋﻪ ﻧﻤﻲ دﻫﺪ ﺑﻪ ﻫﻤﻴﻦ دﻟﻴﻞ از Local Thresholdingاﺳﺘﻔﺎده و contrastﻣﻨﺎﺳﺐ اﺳﺖ ﺑﺮاي ﺑﺪﺳﺖ آوردن contrastاز ﺗﻮاﺑﻊ ﻧﺮﻣﺎل
ﻣﻲ ﻛﻨﻨﺪ در اﻳﻦ روش ﺑﺮاﺳﺎس ﻣﺤﻴﻂ اﻃﺮاف ﻫﺮ ﭘﻴﻜﺴﻞ ﻣﻘﺎدﻳﺮ ﻣﺨﺘﻠﻒ ﺳﺎزي
آﺳﺘﺎﻧﻪ اي را در ﻧﻈﺮ ﻣﻲ ﮔﻴﺮﻧﺪ ].[1 اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد ﺑﻪ ﻃﻮر ﻣﺜﺎل ﺑﺮاي ﺗﺼﻮﻳﺮي ﺑﺎ اﻧﺪازه ي m * nﻣﻴﺎﻧﮕﻴﻦ
و وارﻳﺎﻧﺲ ﻣﺤﺎﺳﺒﻪ ﻣﻴﻜﻨﺪ و در ﻧﻬﺎﻳﺖ gray_levelﻫﺮ ﭘﻴﻜﺴﻞ را ﺗﻐﻴﻴﺮ
ﻣﻲ دﻫﺪ].[3
ﺗﺼﻮﻳﺮ) (1ﺳﻤﺖ ﭼﭗ:ﻧﺎﺣﻴﻪ ي ,ROIﺗﺼﻮﻳﺮ ﻣﻴﺎﻧﻲ:ﺑﻌﺪ از ﻧﺮﻣﺎل ﺳﺎزي,ﺗﺼﻮﻳﺮ ﺳﻤﺖ راﺳﺖ :ﺑﻌﺪ از اﻋﻤﺎلlocal threholding
})N = {(x1, y1, θ1), (x2, y2, θ2), …, (xn, yn, θn ﺗﻄﺎﺑﻖ اﻟﮕﻮ:
})M ={(a1, b1, φ1), (a2, b2, φ2), ..., (am, bm, φm در ﻧﻬﺎﻳﺖ ﺑﺮاي ﻣﻄﺎﺑﻘﺖ دادن از ﺗﺼﻮﻳﺮ ﺑﺎﻳﻨﺮي ﺷﺪه ﺑﻪ ﻋﻨﻮان اﻟﮕﻮ اﺳﺘﻔﺎده
و ﺑﺮاي ﻫﺮ ﻧﻘﻄﻪ از ,Nﻧﻘﻄﻪ ي ﻣﺘﻨﺎﻇﺮ را ﻛﻪ ﻛﻤﺘﺮﻳﻦ ﻓﺎﺻﻠﻪ را دارد ﻣﻲ ﺷﻮد و ﺑﺮاي ﻫﺮ ﻓﺮد ﻣﺠﻤﻮﻋﻪ اي از وﻳﮋﮔﻲ ﻫﺎ ذﺧﻴﺮه ﻣﻲ ﺷﻮد.
ﺑﺪﺳﺖ ﻣﻲ آورﻳﻢ در اﻳﻦ روش در ﻣﺮﺣﻠﻪ ي ﻗﺒﻞ ﻧﻘﺎط اﻧﺸﻌﺎب ﺑﺪﺳﺖ آﻣﺪه در ﻳﻜﻲ از روش ﻫﺎ ﻛﻪ ﺑﺮاي ﻣﻄﺎﺑﻘﺖ دادن دو اﻟﮕﻮ ﻣﻌﺮﻓﻲ ﺷﺪه اﺳﺖ دو
و ﺣﺎﻻ ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻓﺎﺻﻠﻪ دو ﻓﺮﻣﻮل زﻳﺮ دارﻳﻢ: ﺗﺼﻮﻳﺮ ﺑﺎ اﻧﺪازه ي Mو Nرا در ﻧﻈﺮ ﻣﻲ ﮔﻴﺮﻳﻢ ﻛﻪ ﻫﺮ ﻛﺪامmو nوﻳﮋﮔﻲ
|]sdi =| √[(x(i)-a(j))^2]+[(y(i)-b(j))^2 دارﻧﺪ
| )dd(i)=| (i)-(j
ﭘﻴﻜﺴﻞ ﺑﻪ ﭘﻴﻜﺴﻞ اﻧﺠﺎم ﻣﻲ ﮔﻴﺮد ﻣﻲ ﺗﻮان ﻧﺘﻴﺠﻪ ﮔﺮﻓﺖ اﺣﺘﻴﺎج ﺑﻪ زﻣﺎن
ﺑﻴﺸﺘﺮي ﺑﺮاي اﻧﺠﺎم ﻣﺤﺎﺳﺒﺎت دارد. ﺑﺮاي ﺟﻠﻮﮔﻴﺮي از ﺗﻜﺮار ﺑﻪ اﻳﻦ ﺷﻴﻮه ﻋﻤﻞ ﻣﻲ ﻛﻨﻨﺪ ﻓﺮض ﻛﻨﻴﺪ ﺑﺮاي
در اﻳﻦ روش recognition rateﺑﻪ 98.8%رﺳﻴﺪه اﺳﺖ و FAR iاﻣﻴﻦ ﻧﻘﻄﻪ jام اﺳﺖ ﺣﺎﻻ ﺑﺮاي ﺑﺪﺳﺖ آوردن ) sd(i+1ﻫﻤﻪ ي وﻳﮋﮔﻲ
5.5% ,ﺷﺪه اﺳﺖ].[2 ﻫﺎ در mرا ﻛﻪ در sd1,sd2,...,sdiاﻧﺘﺨﺎب ﻧﺸﺪه را در ﻧﻈﺮ ﻣﻲ ﮔﻴﺮﻳﻢ
در روش دﻳﮕﺮ ﺑﺮاي ﻫﺮ ﺷﺨﺺ }) Y(I) = {ki=(si, xi, yiﺗﻌﺮﻳﻒ ﻋﻼوه ﺑﺮاﻳﻦ آراﻳﻪ ﺑﺎﻳﻨﺮي را ﺑﺎ nﻋﻨﺼﺮ در ﻧﻈﺮ ﻣﻲ ﮔﻴﺮﻳﻢ ﻛﻪ ﺑﻪ ﺷﻜﻞ زﻳﺮ
ﻣﻲ ﺷﻮد x .ﻧﻘﻄﻪ ي ﻣﻄﺎﺑﻖ ﺑﺎ yاﺳﺖ اﮔﺮ yﻧﺰدﻳﻚ ﺗﺮﻳﻦ ﻧﻘﻄﻪ ﺑﻪ xﺑﺮ ﻣﻘﺪار دﻫﻲ ﻣﻲ ﺷﻮد:
اﺳﺎس ﻓﺎﺻﻠﻪ ي اﻗﻠﻴﺪﺳﻲ در ) Y(I2ﺑﺎﺷﺪ و از دوﻣﻴﻦ ﻣﻘﺪار ﻛﻮﭼﻚ ﻛﻪ ﺑﺎ )A[i]={1 if (sdi<=t1)&(ddi<=t2
}else 0
' yﻧﺸﺎن داده ﺷﺪه ﺑﺴﻴﺎر ﻛﻮﭼﻚ ﺗﺮ ﺑﺎﺷﺪ و اﻳﻦ ﺣﺪ ﻛﻮﭼﻚ ﺗﺮ ﺑﻮدن ﺑﺮاﺑﺮ
و ﺳﭙﺲ درﺻﺪ ﻣﻄﺎﺑﻘﺖ را ﺑﺎ ﻓﺮﻣﻮل زﻳﺮ ﺑﺪﺳﺖ ﻣﻲ آورﻧﺪ:
ﺑﺎ ﻣﻘﺪار cاﺳﺖ
v=(A[i]/n)*100
d(x,y) = min{zY(I2)}d(x,z) and d(x,y) C
)'d(x,y اﮔﺮ ﻣﻘﺪار vاز ﺣﺪ آﺳﺘﺎﻧﻪ اي ﺑﺰرگ ﺗﺮ ﺑﺎﺷﺪ ﻣﻲ ﺗﻮان ﻧﺘﻴﺠﻪ ﮔﺮﻓﺖ دو
)d(x,y')=min{z Y(I2), d(x,z)>d(x,y)} d(x,z
ﺗﺼﻮﻳﺮ ﻣﺮﺑﻮط ﺑﻪ ﻳﻚ ﺷﺨﺺ ﻫﺴﺘﻨﺪ.در اﻳﻦ روش ﺑﺎ ﻣﻘﺪار threshold
و ﻫﻤﭽﻨﻴﻦ ) y Y(I2ﺑﺎ ) x Y(I1در ارﺗﺒﺎط اﺳﺖ اﮔﺮ xﺑﺮ
25ﻣﻴﺰان ﻣﻮﻓﻘﻴﺖ ﺑﻪ 99.26%رﺳﻴﺪه اﺳﺖ]. [4
اﺳﺎس ﻓﺎﺻﻠﻪ اﻗﻠﻴﺪﺳﻲ ﻛﻤﺘﺮﻳﻦ ﻓﺎﺻﻠﻪ ﺑﺎ Yرا داﺷﺘﻪ ﺑﺎﺷﺪ و اﻳﻦ ﻓﺎﺻﻠﻪ از
روش دﻳﮕﺮ اﺳﺘﻔﺎده از ﻓﺮﻣﻮل )S(T,Iاﺳﺖ
ﻧﺰدﻳﻚ ﺗﺮﻳﻦ ﻧﻘﻄﻪ ي ﺑﻌﺪي ﺑﺴﻴﺎر ﻛﻮﭼﻚ ﺗﺮ ﺑﺎﺷﺪ ﺑﺎ ﭼﻨﻴﻦ ﺷﺮاﻳﻄﻲ ﻣﻲ
ﺗﻮان ﮔﻔﺖ دو ﻧﻘﻄﻪ ي xو yﺑﺮ ﻫﻢ ﻣﻨﻄﺒﻖ ﻫﺴﺘﻨﺪ.
)'])S(T,I)=1/M*N([T(i,j)I(i,j
در آزﻣﺎﻳﺶ اﻧﺠﺎم ﺷﺪه ﺑﺮاي ﻋﻜﺲ ﺗﻘﻠﺒﻲ 23ﻧﻘﻄﻪ ي ﺗﻄﺎﺑﻖ و ﺑﺮاي
ﻛﻪ M,Nاﻧﺪازه دو ﺗﺼﻮﻳﺮ ﻫﺴﺘﻨﺪ .ﺑﺮاي ﻏﻠﺒﻪ ﺑﺮ ﻋﺪم اﻧﻄﺒﺎق ﻫﺎﻳﻲ ﻛﻪ از
ﻋﻜﺲ اﺻﻠﻲ 63ﻣﻮرد ﭘﭙﺪا ﺷﺪه.در اﻳﻦ روش زﻣﺎن ﻛﻞ ﻣﺤﺎﺳﺒﺎت ﺑﺮاي
ﻟﺮزش اﻳﺠﺎد ﻣﻲ ﺷﻮد اﻟﮕﻮ را ﻛﻤﻲ ﺟﺎ ﺑﻪ ﺟﺎ ﻣﻲ ﻛﻨﻨﺪ و ﻧﺘﻴﺠﻪ آﺧﺮ
ﺗﺼﻮﻳﺮي ﺑﺎ اﻧﺪازه ي 232x280ﺑﺮاﺑﺮ ﺑﺎ 2.5ﺛﺎﻧﻴﻪ اﺳﺖ].[3
ﻣﺎﻛﺰﻳﻤﻢ ﻣﻘﺪار ﺑﺪﺳﺖ آﻣﺪه اﺳﺖ اﻣﺎ در اﻳﻦ روش ﺑﻪ دﻟﻴﻞ اﻳﻨﻜﻪ ﻣﻄﺎﺑﻘﺖ
ﺟﺪول)(1
100
90
80
70
60
50
روش اول
40
روش دوم
30
20
10
0
accuracy FAR FRR
rate
ﺗﺼﻮﻳﺮ)(4
:ﻣﺮاﺟﻊ
1. ." A Thermal Hand Vein Pattern Verification
System",Lingyu Wang and Graham Leedham, 58–65,
2005 ,Springer-Verlag Berlin Heidelberg
2. " Palm Vein Extraction and Matching for Personal
Authentication",Yi-Bo Zhang1, Qin Li2, Jane You2, and
Prabir Bhattacharya1, 154–164, 2007 , Springer-Verlag :ﭘﻴﺸﻨﻬﺎد
Berlin Heidelberg
3. " Palm Vein Verification System Based on SIFT ﻣﻴﺘﻮان ﻃﻲ ﻳﻚ ﻋﻜﺲ ﺑﺮداري ﻫﻤﺰﻣﺎن از رگ ﻫﺎي ﻛﻒ دﺳﺖ و رگ
Matching",Pierre-Olivier Ladoux1, Christophe ﺗﻄﺎﺑﻖ اﻧﺠﺎم3 ﻫﺎي ﭘﺸﺖ دﺳﺖ اﺳﺘﻔﺎده ﻛﺮد ﺑﺎ داﺷﺘﻦ دو اﻟﮕﻮ ﻣﻲ ﺗﻮان
Rosenberger2, and Bernadette Dorizzi1, 1290–1298, 2009,
Springer-Verlag Berlin Heidelberg داد ﺗﻄﺎﺑﻖ اول و دوم ﻛﻪ ﻓﺮآﻳﻨﺪ ﻣﻄﺎﺑﻘﺖ دادن اﻟﮕﻮ ﻫﺎ ﺑﺎ ﺗﺼﻮﻳﺮ اﺳﺖ و
4. " A New Approach for Vein Pattern-Based ﺑﺮاي ﺗﻄﺎﺑﻖ ﺳﻮم ﻣﻴﺘﻮان از ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﺑﺮاي ﺳﻴﺴﺘﻢ اﺳﺘﻔﺎده ﻛﺮد ﺑﻪ اﻳﻦ
Recognition",Mohit Soni1, Sandesh Gupta2, and Phalguni
Gupta2, 482–489, 2010,Springer-Verlag Berlin ﺷﻴﻮه ﻛﻪ ﺑﺎ اﺳﺘﻔﺎده از ﺷﺒﻜﻪ ﻋﺼﺒﻲ دو اﻟﮕﻮي رگ ﻫﺎ ﻛﻒ دﺳﺖ و ﭘﺸﺖ
Heidelberg دﺳﺖ ﻳﻚ ﺷﺨﺺ را ﺑﻪ ﻳﻜﺪﻳﮕﺮ ﻣﺮﺑﻮط ﻛﺮد در واﻗﻊ ﺑﺮاي ﻫﺮ ﺷﺨﺺ
5 ."Biometric system based in the feature of hand palm"
ﺳﻴﺴﺘﻢ ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﺑﺎ دو اﻟﮕﻮي رگ ﻫﺎي ﻛﻒ دﺳﺖ و ﭘﺸﺖ دﺳﺖ اش
m.rafael diaz,carlos m.travieso,jesus b.alonso,miguel
a.ferrer آﻣﻮزش ﻣﻲ ﺑﻴﻨﺪ و در زﻣﺎن ﺗﻄﺎﺑﻖ اﻟﮕﻮ ﺳﻴﺴﺘﻢ آﻣﻮزش دﻳﺪه ﻣﻲ ﺗﻮاﻧﺪ
6. " Authentication of Individuals using Hand Geometry ﻫﻤﭽﻨﻴﻦ.ﻣﺸﺨﺺ ﻛﻨﺪ ﻛﻪ آﻳﺎ اﻳﻦ دو اﻟﮕﻮ را ﻣﻲ ﺗﻮان ﺗﻄﺒﻴﻖ داد ﻳﺎ ﺧﻴﺮ
Biometrics: A Neural Network Approach", ﻣﻲ ﺗﻮان ﺣﺪ آﺳﺘﺎﻧﻪ اي را ﺗﻌﻴﻴﻦ ﻛﺮد ﻛﻪ اﮔﺮ ﻫﺮ ﻛﺪام از دو ﺗﻄﺎﺑﻖ اﺑﺘﺪاﻳﻲ
Marcos Faundez-Zanuy · David A. Elizondo ·Miguel-Ángel
Ferrer-Ballester ·Carlos M. Travieso-González, 201–216, 7
از اﻳﻦ ﺣﺪ آﺳﺘﺎﻧﻪ ﻛﻤﺘﺮ ﺑﻮد ﺳﻴﺴﺘﻢ ﻋﺪم ﺗﻄﺎﺑﻖ را اﻋﻼم ﻣﻴﻜﻨﺪ و ﻧﻴﺎزي ﺑﻪ
October 2007, Springer Science+Business Media, LLC اﻧﺠﺎم ﺗﻄﺎﺑﻖ ﺳﻮم ﻧﻴﺴﺖ و از ﻃﺮﻓﻲ اﮔﺮ دو ﺗﻄﺎﺑﻖ اول ﺑﻪ درﺳﺘﻲ اﻧﺠﺎم
ﺷﺪ ﺗﻄﺎﻳﻖ ﺳﻮم ﻧﻴﻂ اﻧﺠﺎم ﻣﻲ ﺷﻮد و در ﺻﻮرت ﻣﺜﺒﺖ ﺑﻮدن ﭘﺎﺳﺦ ﺳﻴﺴﺘﻢ
.ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﻫﻮﻳﺖ ﺷﺨﺺ ﺗﺎﻳﻴﺪ ﻣﻲ ﺷﻮد