-
公开(公告)号：CN103116744B
公开(公告)日：2016-04-13
申请号：CN201310046125.3
申请日：2013-02-05
Applicant: 浙江工业大学
Abstract: 基于MRF和SVM-KNN分类的假指纹检测方法，包括以下步骤：1）提取指纹图像特征：1.1）一阶统计量(FOS)；1.2）灰度共生矩阵(GLCM)；1.3）马尔科夫随机场(MRF)；2）进行SVM训练，分别对FOS和GLCM，及MRF这两项特征向量训练得到模型A和B；3）SVM-KNN分类：3.1）SVM分类机理；3.2）SVM-KNN分类器形成；4）决策融合以检测真假指纹。目前没找到将GLCM和MRF用于假指纹检测的相关文献，本文利用这两类特征量化指纹图像的物理结构信息以达到识别真假指纹的目的。实验结果表明该算法的认假率及拒真率分别为1.84%和1.79%。本发明精确度高、实用性好。
-
公开(公告)号：CN103839072B
公开(公告)日：2017-02-22
申请号：CN201310754757.5
申请日：2013-12-31
Applicant: 浙江工业大学
IPC: G06K9/62
Abstract: 一种基于朴素贝叶斯分类器的假指纹检测方法，包括以下步骤：1）训练库划分；2）图像归一化；3）特征提取；3.1）离散小波变换；3.2）去噪；3.3）小波重构；3.4）噪声图估计；3.5）标准差图计算；3.6）划分标准差图，统计得到图像的特征；4）特征划分；5）分类器训练；6）分类器性能评估；7）分类器融合：利用朴素贝叶斯分类器构造的方法，融合得到新的分类器。本发明对单个分类器性能要求不高，但分类器融合后的效果却可以非常好。
-
公开(公告)号：CN103116744A
公开(公告)日：2013-05-22
申请号：CN201310046125.3
申请日：2013-02-05
Applicant: 浙江工业大学
Abstract: 基于MRF和SVM-KNN分类的假指纹检测方法，包括以下步骤：1）提取指纹图像特征：1.1）一阶统计量(FOS)；1.2）灰度共生矩阵(GLCM)；1.3）马尔科夫随机场(MRF)；2）进行SVM训练，分别对FOS和GLCM，及MRF这两项特征向量训练得到模型A和B；3）SVM-KNN分类：3.1）SVM分类机理；3.2）SVM-KNN分类器形成；4）决策融合以检测真假指纹。目前没找到将GLCM和MRF用于假指纹检测的相关文献，本文利用这两类特征量化指纹图像的物理结构信息以达到识别真假指纹的目的。实验结果表明该算法的认假率及拒真率分别为1.84%和1.79%。本发明精确度高、实用性好。
-
公开(公告)号：CN103839072A
公开(公告)日：2014-06-04
申请号：CN201310754757.5
申请日：2013-12-31
Applicant: 浙江工业大学
IPC: G06K9/62
Abstract: 一种基于朴素贝叶斯分类器的假指纹检测方法，包括以下步骤：1）训练库划分；2）图像归一化；3）特征提取；3.1）离散小波变换；3.2）去噪；3.3）小波重构；3.4）噪声图估计；3.5）标准差图计算；3.6）划分标准差图，统计得到图像的特征；4）特征划分；5）分类器训练；6）分类器性能评估；7）分类器融合：利用朴素贝叶斯分类器构造的方法，融合得到新的分类器。本发明对单个分类器性能要求不高，但分类器融合后的效果却可以非常好。
-
-
-
Search Results
4
records
(took 0.018 seconds)
