‫ﺑﻨﺎم ﺧﺪا‬

‫ﻣﺮوري ﺑﺮ روش ﻫﺎي ﺗﺸﺨﻴﺺ ﻫﻮﻳﺖ ﺑﺮ اﺳﺎس ﺳﺎﺧﺘﺎر‬

‫رگﻫﺎي ﻛﻒ دﺳﺖ‬
‫‪1‬‬
‫ﻣﺎﻧﺪاﻧﺎ ﺳﺮوش‬
‫‪2‬‬
‫ﻣﺤﺒﻮﺑﻪ ﺷﻤﺴﻲ‬
‫‪1 -soroosh_6404@yahoo.com‬‬
‫‪ -2‬دﻛﺘﺮ ﻣﺤﺒﻮﺑﻪ ﺷﻤﺴﻲ‪ ،‬اﺳﺘﺎدﻳﺎر داﻧﺸﮕﺎه ﺑﺮدﺳﻴﺮ‬
‫‪mahboubehshamsi@yahoo.com‬‬

‫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
‫از ﺑﻴﻦ ﺑﺮود و ﺑﺎﻳﺪ ﺑﺎزﺳﺎزي ﺷﻮﻧﺪ]‪.[4‬‬
‫اﺳﺘﺨﺮاج وﻳﮋﮔﻲ ﻫﺎ‪:‬‬
‫ﺑﻌﺪ از ﺑﻴﻦ ﺑﺮدن ﻧﻮﻳﺰﻫﺎي ﺗﺼﻮﻳﺮ ﻣﻤﻜﻦ اﺳﺖ ﻫﻨﻮز ﺳﺎﺧﺘﺎر رگ ﻫﺎ ﺗﻮﺳﻂ‬
‫ﻧﻘﺎط روﺷﻦ ﻛﻮﭼﻜﻲ ﻣﺤﺼﻮر ﺷﺪه ﺑﺎﺷﻨﺪ ﺑﺮاي ﺑﺪﺳﺖ آوردن ﺳﺎﺧﺘﺎر رگ‬
‫ﻫﺎ ﺗﺼﻮﻳﺮ را ﺑﻪ ﻳﻚ ﺗﺼﻮﻳﺮ ﺑﺎﻳﻨﺮي ﺗﺒﺪﻳﻞ ﻣﻲ ﻛﻨﻨﺪ ﺑﺮاي اﻧﺠﺎم اﻳﻦ ﻛﺎر‬
‫ازﻣﻘﺪار‪ gray-level intensity‬اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻨﺪ روش ﻛﺎر ﺑﻪ اﻳﻦ‬
‫ﺻﻮرت اﺳﺖ ﻛﻪ ﻣﻘﺪاري را ﺑﻪ ﻋﻨﻮان ﺣﺪ آﺳﺘﺎﻧﻪ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ و‬
‫‪ gray_level‬ﻫﺮ ﭘﻴﻜﺴﻞ را ﺑﺎ اﻳﻦ ﻣﻘﺪار ﻣﻘﺎﻳﺴﻪ ﻣﻲ ﻛﻨﻨﺪاﮔﺮ ارزش‬
‫ﭘﻴﻜﺴﻞ ﻛﻤﺘﺮ از ﺣﺪ آﺳﺘﺎﻧﻪ ﺑﻮد ارزش ﭘﻴﻜﺴﻞ ﺑﻪ ﻣﻘﺪار ﻳﻚ ﺗﻐﻴﻴﺮ ﻣﻲ ﻛﻨﺪ و‬
‫در ﻏﻴﺮ اﻳﻦ ﺻﻮرت ارزش ﭘﻴﻜﺴﻞ ﻣﻘﺪار ﺻﻔﺮ ﺧﻮاﻫﺪ ﮔﺮﻓﺖ‪[6].‬‬
‫در اﻳﻦ ﻣﺮﺣﻠﻪ ﺗﻌﻴﻴﻦ ﻣﻘﺪار ﺣﺪ آﺳﺘﺎﻧﻪ ﺧﻮد ﻣﺴﺎﻟﻪ ي ﻣﻬﻤﻲ اﺳﺖ ﺑﻪ اﻳﻦ‬
‫دﻟﻴﻞ ﻛﻪ اﮔﺮ اﻳﻦ ﻣﻘﺪار ﺑﺴﻴﺎر ﻛﻮﭼﻚ ﺑﺎﺷﺪ ﻧﻮﻳﺰ ﻫﺎي ﺗﺼﻮﻳﺮ ﺑﺎﻗﻲ ﻣﻲ‬
‫ﻣﺎﻧﻨﺪ و اﮔﺮ اﻳﻦ ﻣﻘﺪار ﺑﺴﻴﺎر ﺑﺰرگ ﺑﺎﺷﺪ اﻃﻼﻋﺎت اﺻﻠﻲ ﺗﺼﻮﻳﺮ از ﺑﻴﻦ ﻣﻲ‬
‫روﻧﺪ ]‪[5‬از ﻃﺮف دﻳﮕﺮ از آﻧﺠﺎﻳﻲ ﻛﻪ اﻳﻦ ﻣﻘﺪار در ﻧﻘﺎط ﻣﺨﺘﻠﻒ ﻣﺘﻔﺎوت‬
‫اﺳﺖ ‪ global threholding techniques‬ﻧﺘﻴﺠﻪ ي ﺧﻮﺑﻲ را‬
‫اراﺋﻪ ﻧﻤﻲ دﻫﺪ ﺑﻪ ﻫﻤﻴﻦ دﻟﻴﻞ از ‪ Local Thresholding‬اﺳﺘﻔﺎده‬
‫ﻣﻲ ﻛﻨﻨﺪ در اﻳﻦ روش ﺑﺮاﺳﺎس ﻣﺤﻴﻂ اﻃﺮاف ﻫﺮ ﭘﻴﻜﺴﻞ ﻣﻘﺎدﻳﺮ ﻣﺨﺘﻠﻒ‬
‫آﺳﺘﺎﻧﻪ اي را در ﻧﻈﺮ ﻣﻲ ﮔﻴﺮﻧﺪ ]‪.[1‬‬
‫و وارﻳﺎﻧﺲ ﻣﺤﺎﺳﺒﻪ ﻣﻴﻜﻨﺪ و در ﻧﻬﺎﻳﺖ ‪ gray_level‬ﻫﺮ ﭘﻴﻜﺴﻞ را ﺗﻐﻴﻴﺮ‬
‫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
‫})‪M ={(a1, b1, φ1), (a2, b2, φ2), ..., (am, bm, φm‬‬
‫و ﺑﺮاي ﻫﺮ ﻧﻘﻄﻪ از ‪ ,N‬ﻧﻘﻄﻪ ي ﻣﺘﻨﺎﻇﺮ را ﻛﻪ ﻛﻤﺘﺮﻳﻦ ﻓﺎﺻﻠﻪ را دارد‬
‫ﺑﺪﺳﺖ ﻣﻲ آورﻳﻢ در اﻳﻦ روش در ﻣﺮﺣﻠﻪ ي ﻗﺒﻞ ﻧﻘﺎط اﻧﺸﻌﺎب ﺑﺪﺳﺖ آﻣﺪه‬
‫و ﺣﺎﻻ ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻓﺎﺻﻠﻪ دو ﻓﺮﻣﻮل زﻳﺮ دارﻳﻢ‪:‬‬
‫|]‪sdi =| √[(x(i)-a(j))^2]+[(y(i)-b(j))^2‬‬
‫| )‪dd(i)=| (i)-(j‬‬
‫وﺟﻮد دارد ﺑﻪ ﻃﻮر ﻣﺜﺎل ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻨﻜﻪ درﺟﻪ ﺣﺮارت رگ ﻫﺎ ﻧﺴﺒﺖ ﺑﻪ‬
‫ﺑﺎﻓﺖ ﻫﺎي اﻃﺮاف ﺑﺎﻻﺗﺮ اﺳﺖ ﻣﻲ ﺗﻮان از ‪ thermal camera‬ﺑﺮاي‬
‫ﮔﺮﻓﺘﻦ ﻋﻜﺲ اﺳﺘﻔﺎده ﻛﺮد]‪.[1‬‬
‫اﻳﻦ ﻧﻮع ﻋﻜﺲ ﺑﺮداري در دو ﻣﺤﻴﻂ ﻣﺨﺘﻠﻒ اﻧﺠﺎم ﺷﺪه ﻧﺘﻴﺠﻪ ﺣﺎﺻﻞ‬
‫ﻧﺸﺎن دﻫﻨﺪه ي اﻳﻦ اﺳﺖ ﻛﻪ اﻓﺰاﻳﺶ رﻃﻮﺑﺖ و دﻣﺎ در ﻛﻴﻔﻴﺖ ﻋﻜﺲ ﻫﺎ‬
‫ﺗﺎﺛﻴﺮ ﻣﻨﻔﻲ دارد ﺑﻨﺎﺑﺮاﻳﻦ ﺑﺮاي داﺷﺘﻦ ﻋﻜﺴﻲ ﺑﺎ ﻛﻴﻔﻴﺖ ﺑﺎﻻ در ﻣﺤﻴﻄﻲ ﺑﺎ‬
‫رﻃﻮﺑﺖ و دﻣﺎي ﻧﺮﻣﺎل ﻋﻜﺲ ﺑﺮداري اﻧﺠﺎم ﻣﻲ ﮔﻴﺮد]‪.[1‬‬
‫ﭘﻴﺶ ﭘﺮدازش‪:‬‬
‫ﺑﺎﻳﺪ ﺑﺮ روي ﻋﻜﺲ ﮔﺮﻓﺘﻪ ﺷﺪه ﭘﺮدازش ﻫﺎﻳﻲ اﻧﺠﺎم ﮔﻴﺮد ﺗﺎ ﻛﻴﻔﻴﺖ ﻋﻜﺲ‬
‫ﺑﻬﺘﺮ ﺷﻮد اوﻟﻴﻦ ﻛﺎر در اﻳﻦ ﻣﺮﺣﻠﻪ ‪extraction of the region of‬‬
‫‪interest‬‬
‫)‪(ROI‬اﺳﺖ روش ﻫﺎي ﻣﺨﺘﻠﻔﻲ ﺑﺮاي اﻧﺠﺎم اﻳﻦ ﻛﺎر ﻣﻌﺮﻓﻲ ﺷﺪه ﺑﻪ ﻃﻮر‬
‫ﻣﺜﺎل ﻣﻤﻜﻦ اﺳﺖ ﻧﺎﺣﻴﻪ ي ﻣﺮﺑﻌﻲ ﻳﺎ ﻣﺴﺘﻄﻴﻠﻲ از ﺗﺼﻮﻳﺮ را اﻧﺘﺨﺎب ﻛﺮده‬
‫]‪[2‬و ﻳﺎ اﻳﻨﻜﻪ از ﻧﻘﺎط ‪ anthropometric‬اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻨﺪ ﻫﻤﭽﻨﻴﻦ‬
‫از ﺗﻜﻨﻴﻚ ‪ segmentation‬ﻧﻴﺰ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ ]‪.[4‬‬
‫ﻣﺮﺣﻠﻪ ي ﺑﻌﺪي ﻛﻢ ﻛﺮدن ﻧﻮﻳﺰ از ﺗﺼﻮﻳﺮ و ﺑﺪﺳﺖ آوردن ‪brightness‬‬
‫و ‪contrast‬ﻣﻨﺎﺳﺐ اﺳﺖ ﺑﺮاي ﺑﺪﺳﺖ آوردن ‪contrast‬از ﺗﻮاﺑﻊ ﻧﺮﻣﺎل‬
‫ﺳﺎزي‬
‫اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد ﺑﻪ ﻃﻮر ﻣﺜﺎل ﺑﺮاي ﺗﺼﻮﻳﺮي ﺑﺎ اﻧﺪازه ي‪ m * n‬ﻣﻴﺎﻧﮕﻴﻦ‬
‫ﻣﻲ دﻫﺪ]‪.[3‬‬
‫ﺗﻄﺎﺑﻖ اﻟﮕﻮ‪:‬‬
‫در ﻧﻬﺎﻳﺖ ﺑﺮاي ﻣﻄﺎﺑﻘﺖ دادن از ﺗﺼﻮﻳﺮ ﺑﺎﻳﻨﺮي ﺷﺪه ﺑﻪ ﻋﻨﻮان اﻟﮕﻮ اﺳﺘﻔﺎده‬
‫ﻣﻲ ﺷﻮد و ﺑﺮاي ﻫﺮ ﻓﺮد ﻣﺠﻤﻮﻋﻪ اي از وﻳﮋﮔﻲ ﻫﺎ ذﺧﻴﺮه ﻣﻲ ﺷﻮد‪.‬‬
‫در ﻳﻜﻲ از روش ﻫﺎ ﻛﻪ ﺑﺮاي ﻣﻄﺎﺑﻘﺖ دادن دو اﻟﮕﻮ ﻣﻌﺮﻓﻲ ﺷﺪه اﺳﺖ دو‬
‫ﺗﺼﻮﻳﺮ ﺑﺎ اﻧﺪازه ي ‪M‬و‪ N‬را در ﻧﻈﺮ ﻣﻲ ﮔﻴﺮﻳﻢ ﻛﻪ ﻫﺮ ﻛﺪام‪m‬و‪ n‬وﻳﮋﮔﻲ‬
‫دارﻧﺪ‬
‫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{zY(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

‫ﺗﺼﻮﻳﺮ)‪ (2‬ﻣﺮﺑﻮط ﺑﻪ ﻋﻜﺲ ﺗﻘﻠﺒﻲ‬

‫ﺗﺼﻮﻳﺮ)‪ (3‬ﻣﺮﺑﻮط ﺑﻪ ﻋﻜﺲ اﺻﻠﻲ‬

‫ﻫﻤﭽﻨﻴﻦ ﻣﺮﺣﻠﻪ ي ﭘﻴﺶ ﭘﺮدازش ﻣﻲ ﺗﻮاﻧﺪ ﺗﺎﺛﻴﺮ ﺑﺴﻴﺎر زﻳﺎدي در ﻧﺘﻴﺠﻪ ي‬ ‫ﻧﺘﻴﺠﻪ‪:‬‬
‫ﻧﻬﺎﻳﻲ ﻛﺎر داﺷﺘﻪ ﺑﺎﺷﺪ از آﻧﺠﺎﻳﻲ ﻛﻪ در ﻫﺮ ﻛﺪام از ﻗﺴﻤﺖ ﻫﺎي ﻧﺮﻣﺎل‬ ‫در ﺑﻴﻦ روش ﻫﺎي ﻣﻌﺮﻓﻲ ﺷﺪه در روش اول ‪ 3‬ﺣﺪ آﺳﺘﺎﻧﻪ ﺗﻌﺮﻳﻒ ﻣﻲ ﺷﻮد‬
‫ﺳﺎزي‪ ،‬ﺗﻨﻈﻴﻢ ‪ contrast‬و‪ brightness‬وﺿﻌﻴﺖ ﭘﻴﻜﺴﻞ ﻫﺎ ﺗﻐﻴﻴﺮ ﻛﺮده‬ ‫ﻣﻘﺎدﻳﺮ اﻳﻦ ﺣﺪ آﺳﺘﺎﻧﻪ ﻣﻄﻤﺌﻨﺎ در ﻧﺘﻴﺠﻪ ي ﭘﺎﻳﺎﻧﻲ ﺗﺎﺛﻴﺮ ﺑﺴﻴﺎري ﺧﻮاﻫﺪ‬
‫و در ﻧﻬﺎﻳﺖ در ﻣﺮﺣﻠﻪ ي ﺑﺎﻳﻨﺮي ﻛﺮدن ﺗﺼﻮﻳﺮ ﻣﻤﻜﻦ اﺳﺖ ﭘﻴﻜﺴﻞ ﻫﺎي‬ ‫داﺷﺖ اﮔﺮ ﻣﻘﺪار ﺣﺪ آﺳﺘﺎﻧﻪ اي ﻛﻪ ﺑﺮاي ﻓﺎﺻﻠﻪ ﻫﺎ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه‬
‫ﻣﺸﺎﺑﻪ وﺿﻌﻴﺖ ﻳﻜﺴﺎﻧﻲ ﻧﺪاﺷﺘﻪ ﺑﺎﺷﻨﺪ ﻛﻪ ﺑﺎﻋﺚ ﭘﺎﻳﻴﻦ آﻣﺪن ﻛﺎراﻳﻲ ﺧﻮاﻫﺪ‬ ‫ﺑﺴﻴﺎر ﭘﺎﻳﻴﻦ ﺑﺎﺷﺪ ﻣﻤﻜﻦ اﺳﺖ ﺑﺴﻴﺎري از ﻧﻘﺎط را ﺑﺮاي ﻣﻄﺎﺑﻘﺖ دادن از‬
‫ﺷﺪ در واﻗﻊ ﻣﺸﻜﻞ اﻳﻦ روش اﺳﺘﻔﺎده ﻧﻜﺮدن از ﻧﻘﺎط وﻳﮋه اﺳﺖ‪.‬‬ ‫دﺳﺖ دﻫﻴﻢ و ﻳﺎ اﮔﺮ اﻳﻦ ﻣﻘﺪار ﺑﺴﻴﺎر ﺑﺎﻻ ﺑﺎﺷﺪ ﻣﻤﻜﻦ اﺳﺖ ﻧﻘﺎط ﻏﻴﺮ‬
‫در ﺑﻴﻦ اﻳﻦ ﻛﺎرﻫﺎ در روش آﺧﺮي ﺑﻌﺪ از ﻣﺮﺣﻠﻪ ي ﻣﻄﺎﺑﻘﺖ ﻳﻚ ﻣﺮﺣﻠﻪ‬ ‫ﻣﺸﺎﺑﻪ ﺑﺎ ﻳﻜﺪﻳﮕﺮ ﺗﻄﺎﺑﻖ داده ﺷﻮﻧﺪ در روش ﻫﺎي دﻳﮕﺮ ﻧﻴﺰ ﺣﺪ آﺳﺘﺎﻧﻪ ﺑﺮاي‬
‫ﭘﺮدازش دﻳﮕﺮ ﻧﻴﺰ اﻧﺠﺎم ﻣﻴﮕﻴﺮد ﺗﺎ ﺧﻄﺎﻫﺎي ﻧﺎﺷﻲ از ﺣﺮﻛﺖ دﺳﺖ را ﺑﻪ‬ ‫ﻣﻘﺎﻳﺴﻪ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه وﻟﻲ در اﻳﻦ روش ‪ 2‬ﺣﺪ آﺳﺘﺎﻧﻪ ﺑﺮاي ﺗﻄﺎﺑﻖ‬
‫ﺣﺪاﻗﻞ ﺑﺮﺳﺎﻧﺪ ﺑﺎ اﻧﺠﺎم اﻳﻦ ﻛﺎر ﺗﻌﺪاد ﻧﻘﺎط ﻣﻄﺎﺑﻘﺖ داده ﺷﺪه ﻛﺎﻫﺶ ﭘﻴﺪا‬ ‫دادن اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد و در ﻧﻬﺎﻳﺖ ﺑﺮاي ﺑﺪﺳﺖ آوردن درﺻﺪ ﻣﻄﺎﺑﻘﺖ ﻧﻴﺰ‬
‫ﻣﻲ ﻛﻨﺪ و ﺑﺎﻋﺚ ﺑﻬﺒﻮد ﻋﻤﻠﻜﺮد ﻣﻲ ﮔﺮدد‪.‬‬ ‫ﺣﺪآﺳﺘﺎﻧﻪ اي ﺗﻌﻴﻴﻦ ﻣﻲ ﺷﻮد ﻛﻪ ﻣﻲ ﺗﻮان ﺑﻪ ﻋﻨﻮان ﺿﻌﻒ اﻳﻦ روش در‬
‫ﻧﻈﺮ ﮔﺮﻓﺖ ﻫﻤﺎﻧﻄﻮر ﻛﻪ در ﺟﺪول ﺑﻴﺎن ﺷﺪه ﺗﺎﺛﻴﺮ ﺣﺪ آﺳﺘﺎﻧﻪ در اﻳﻦ روش‬
‫ﺑﺴﻴﺎر زﻳﺎد اﺳﺖ‪.‬‬
‫در روش دوم از ﺗﻤﺎم ﭘﻴﻜﺴﻞ ﻫﺎي ﺗﺼﻮﻳﺮ ﺑﺮاي ﻣﻘﺎﻳﺴﻪ اﺳﺘﻔﺎده ﺷﺪه در‬
‫واﻗﻊ ﻣﺘﺪ ‪ global matching‬ﺑﻪ ﻛﺎر ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ و ﻣﻲ ﺗﻮان‬
‫ﮔﻔﺖ اﻳﻦ ﻛﺎر ﺑﺎﻋﺚ ﺑﺎﻻ رﻓﺘﻦ زﻣﺎن ﻣﻮرد ﻧﻴﺎز ﺑﺮاي ﭘﺮدازش ﺧﻮاﻫﺪ ﺷﺪ و‬

‫ﺟﺪول)‪(1‬‬

‫روش ‪matching‬‬ ‫ﺗﺎﺛﻴﺮ ‪thersholding‬‬ ‫‪FRR‬‬ ‫‪FAR‬‬ ‫‪Acurracy rate‬‬

‫‪Local matching‬‬ ‫‪high‬‬ ‫‪0.03‬‬ ‫‪99.26%‬‬ ‫روش اول‬

‫‪Global matching‬‬ ‫‪low‬‬ ‫‪5.5%‬‬ ‫‪98.8%‬‬ ‫روش دوم‬

‫‪Local matching‬‬ ‫‪medium‬‬ ‫روش ﺳﻮم‬

‫‪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