طبقه بندی اثر انگشت با شبکه عصبی MLP با متلب

پروژه طبقه بندی اثر انگشت با شبکه عصبی پرسپترون چندلایه در MATLAB

در این پست پروژه طبقه بندی اثر انگشت با شبکه عصبی MLP با متلب را آماده کرده ایم که در ادامه به توضیحاتی در رابطه با طبقه بندی اثر انگشت پرداخته و تصویر و فیلمی از خروجی این پروژه را نشان خواهیم داد.

روش آموزش شبکه عصبی پرسپترون چندلایه (Multi-Layer Perceptron – MLP) در پروژه حاضر، استفاده از الگوریتم یادگیری پس انتشار (Beach Propagation – BP) می باشد. شبکه عصبی پرسپترون چندلایه به جهت طبقه بندی داده های اثر انگشت ، مورد استفاده قرار گرفته شده است.

اثر انگشت از مهمترین نشانه های خصوصی می باشد که در شناسایی و تایید هویت افراد ، در سراسر جهان به طور گسترده ای در حوضه های مختلف کاربرد دارد. با افزایش روز افزون تعداد افراد در سراسر جهان و وسیع تر شدن بانک های اطلاعاتی اثر انگشت ، امکان شناسایی و خودکار سازی ، به کاری چالش برانگیز تبدیل شده است. در این زمینه، طبقه بندی اثر انگشت ، زمان جستجو و شناسایی یک تصویر ناشناخته در یک مجموعه وسیع از تصاویر را، بسیار کاهش میدهد.

با در نظر گرفتن كاربرد های شناسایی و تشخیص هویت افراد در زمینه های مختلف، پژوهشگران بسیاری در جستجوی راه حل مطلوبی بوده اند که به روش هایی با دقت بالاتر و كم هزینه تر، به این هدف دست یابند.

توضیحات بیشتر، فیلم و تصاویری از خروجی پروژه طبقه بندی اثر انگشت با شبکه عصبی MLP با متلب در ادامه مطلب.

اثر انگشت به دلیل اینکه ویژگی هایی نظیر غیر تهاجمی و منحصر بفرد بودن، قابلیت طبقه بندی و تغییر ناپذیری بودن، از جایگاه ویژه ای برخوردار شده است. در یک سیستم خودكار شناسایی افراد كه بر اساس اثر انگشت كار می كند، نیاز است كه تصویر اثر انگشت ورودی با هر یک از تصاویر موجود در مجموعه تصاویر (پایگاه داده) تطابق داده شود.

با توجه به حجیم بودن اطلاعات پایگاه داده، زمان جستجو و شناسایی تصویر ورودی، بسیار بالا می رود. بدین منظور جهت كاهش زمان جستجو، طبقه بندی تصاویر اثر انگشت در كلاس های مختلف، امروی ضروری به نظر می رسد. مشخص است كه هر چقدر تصاویر در كلاس های بیشتری طبقه بندی شوند، زمان جستجو و تطابق به مراتب كاهش خواهد یافت.

تصاویر از خروجی پروژه طبقه بندی اثر انگشت با شبکه عصبی MLP با متلب :

تصویر خروجی 1:

تصویر خروجی 2: