الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.
قیمت
قیمت این مقاله: 58000 تومان
(ایران ترجمه - Irantarjomeh)
توضیح
بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.
دپارتمان مهندسی علوم کامپیوتر، انستیتو ملی فناوری روکلا، هندوستان
الزویر
مرجع به انگلیسی
Mathematical and Computer Modelling; Department of Computer Science and Engineering, National Institute of Technology Rourkela, Rourkela, Odisha, India; Elsevier
کشور
هندوستان
قطعه بندی Fast و توصیف گر SURF تطبیقی برای شناسایی عنبیه
چکیده
در این مقاله یک توصیف گر SURF تطبیقی و یک فرآیند قطعه بندی مقاوم برای شناسایی عنبیه چشم مورد بررسی قرار می گیرند. سیستم های شناسایی متعارف قابلیت استخراج ویژگی های کلی عنبیه را دارند. با این وجود، این ویژگی ها در معرض تغییرات متغیر همانند روی هم افتادگی و عدم نورپردازی یکنواخت می باشند. سیستم شناسایی عنبیه پیشنهادی در این مقاله این مسایل را مورد بررسی قرار می دهد. بر این مبنا، تصویر ورودی عنبیه جهت حذف جلوه های آینه ای با استفاده از یک آستانه تطبیقی مورد استفاده قرار می گیرد. متعاقباً، کرانه های مردمک و عنبیه با استفاده از رویکرد مبتنی بر تصویر طیفی به صورت متمرکز مشخص می شوند. ناحیه حلقوی بین کرانه های مردمک و عنبیه به یک نوار تطبیقی تبدیل می شود. این نوار با استفاده از رویکرد اصلاح گاما ارتقا می یابد. ویژگی های مورد نظر با استفاده از کاربرد فرآیند ویژگی های مقاوم تسریع یافته (SURF) از نوار تطبیقی استخراج شدند. نتایج حاصله با استفاده از فرآیند SURF با نتایج توصیف گر SIFT موجود مقایسه شده و مشخص شد که رویکرد پیشنهادی از دقت ارتقا یافته همراه با کاهش هزینه محاسباتی برخوردار می باشد.
کلمات کلیدی: آستانه سازی تطبیقی، پر کردن حفره، نرمال سازی تطبیقی، ارتقای گاما، ویژگی های مقاوم تسریع یافته، بیومتریک عنبیه چشم.
شناسایی عنبیه قطعه بندی Fast توصیفگر SURF
۱- مقدمه
با توجه به لزوم اطمینان داشتن از فعالیت های مختلف کنونی همانند تراکنش های مالی، دسترسی به شبکه ها و اطلاعات، ایجاد و توسعه سیستم های شناسایی یا تعیین هویت بعنوان یک ضرورت کاملا محرز مطرح شده است. سیستم بیومتریک یا زیست سنجی عنبیه چشم نقش مهمی را در فراهم آوردن یک راه حل امید بخش برای فرآیند شناسایی افراد با استفاده از الگوهای بافتی منحصر به فرد ایفا می نماید. عنبیه چشم به عنوان یک ارگان داخلی بدن به شمار می آید که بافت آن در خلال زندگی هر شخص به صورت ثابت باقی خواهد ماند. تصادفی بودن الگوهای عنبیه جهت مشخص سازی افراد و تمایز بین آنها استفاده می شود. یک سیستم بیومتریک عنبیه ژنریک با مشخص سازی دقیق کرانه های مربوط به مردمک و عنبیه نسبت به ایجاد کدهای خاص عنبیه اقدام نموده و با تطبیق دو الگوی عنبیه قابلیت انجام فرآیند شناسایی یا احراز هویت را خواهد داشت. سیستم های بیومتریک عنبیه غالبا نیازمند یک تصویر ورودی ایده آل و بی نقص، بدون مشکلات برهم آیی تصویر، و یا تغییر شکل های جدی، می باشند. با این وجود، مشکل به هنگامی بدتر خواهد شد که نویز تصویر نیز به واسطه مسایل فوق بوجود آید و یا آنکه تغییراتی در موقعیت شخص، همانند کج شدگی سر، به هنگام تصویربرداری رخ دهد. شناسایی عنبیه چشم با استفاده از تصاویر نویزدار به عنوان یک مسئله چالش برانگیز به شمار می آید. تحقیقات قابل توجهی در ارتباط با فرآیند شناسایی شبکه چشم با استفاده از تصاویر ایده آل انجام شده است. Daugman یک سیستم شناسایی عنبیه اتوماتیک را در مرجع [۱] پیشنهاد نموده است. تحقیقات جاری بر روی فرآیند شناسایی عنبیه عمدتاً بر تحلیل بافت با استفاده از رویکردهای مختلف متمرکز می باشند. این رویکردهای مرتبط با شناسایی را می توان به طور کلی به چهار دسته تقسیم نمود:
روش بافت مبنا: تحلیل بافت الگوهای فضایی محلی جهت استخراج ویژگی ها در این فرآیند بکار گرفته می شود. در مرجع [۲] یک فیلتر لاپلاس ـ گاوسی در مقیاس های متعدد جهت تطبیق دو عنبیه مورد استفاده قرار می گیرد. در مرجع [۳] تصویر هموار شده شعاعی عنبیه در یک مسیر زاویه ای با استفاده از فرآیند تبدیل موجک پیوسته تک بعدی تجزیه می شود. بافت های عنبیه نیز در مرجع [۴] جهت حاصل آوردن اطلاعات فراوانی افتراقی مورد تحلیل قرار گرفت.
روش فاز مبنا: در این روش، از طریق یافتن فرآیند انتقال تصویر پیکسل فرعی زوایای فاز به الگوی عنبیه تخصیص داده می شوند. یک فیلتر گاوسی در مقیاس های متعدد جهت ایجاد یک قالب و محاسبه همبستگی نرمال سازی شده به عنوان یک برآورد مشابهت بکار گرفته می شود [۱]. یک تکنیک انطباق تصویر فاز مبنا برای شناسایی عنبیه با استفاده از فرآیند تبدیل فوریه گسسته دو بعدی (DFTs) در مرجع [۷] ارائه شده است.
…
بر این مبنا مقاله جاری به شرح ذیل سازماندهی می گردد. ویژگی های پیش پردازشی و ارتقای تصویر عنبیه با جزئیات مربوطه در بخش دو توصیف می شوند. از تصویر عنبیه حاصله مرزهای مردمک و عنبیه با توجه به جزئیات بیان شده در بخش ۲ـ۱ قطعه بندی می شوند. تصویر حاصله نیز جهت به هنجارسازی یا نرمال سازی عنبیه به یک نوار تطبیقی بکار گرفته می شود تا قابلیت فایق آمدن بر خطاهای نمونه برداری به وجود آید، موردی که در بخش ۲ـ۲ توصیف می شود. متعاقباً، نوار با اندازه متغیر نیز جهت حاصل آوردن ویژگی های ثابت در زمینه نورپردازی یا شدت روشنایی ارتقاء داده خواهد شد، که در بخش ۲ـ۳ جزئیات آن بررسی می شود. ویژگی های مربوطه از نوار تطبیقی ارتقاء یافته با استفاده از فرآیند ویژگی های مقاوم تسریع یافته (SURF) استخراج خواهد شد [۱۵]. نتایج سیستم شناسایی عنبیه پیشنهادی در بخش ۵ ارائه شده و با رویکردهای SIFT موجود مقایسه می شوند. در نهایت نتیجه گیری در بخش ۶ عرضه خواهد شد.
شناسایی عنبیه قطعه بندی Fast توصیفگر SURF
۲- پیش پردازش و ارتقاء
در این مقاله یک رویکرد مجزاسازی سریعتر پیشنهاد شده است که در مقایسه با رویکردهای قطعه بندی سنتی از عملکرد دقیقتری برخوردار می باشد. تصویر عنبیه حاصله حاوی اطلاعات زایدی می باشد که می بایست قابلیت تشخیص و حذف آن به منظور استخراج ویژگی های منحصر به فرد از عنبیه چشم را داشته باشیم. در طی فاز پیش پردازش، تصویر ورودی عنبیه جهت یافتن مرزهای مردمک و عنبیه بکار گرفته می شود. ناحیه حلقوی قرار گرفته بین دو مرز به یک بلوک مستطیلی تطبیقی نرمال سازی می گردد. در نهایت، بلوک های مستطیلی برای انجام فرآیند استخراج ویژگی ارتقاء می یابند. توصیف کامل این مراحل به شرح ذیل ارائه می شود.
۲ـ۱٫ قطعه بندی عنبیه
در این رویکرد فرآیند قطعه بندی عنبیه با استفاده از یک رویکرد تصویر طیفی غیرپارامتری انجام می گردد. تصویر عنبیه ورودی با استفاده از یک آستانه تطبیقی باینری می شود. متعاقباً، مرز / کرانه مردمک نیز با استفاده از رویکرد تصویر طیفی مشخص شده و دایره عنبیه با استفاده از جمع مدور شدت های حاصله تعیین می گردد. ناحیه حلقوی بین کرانه های مردمک و عنبیه به یک بلوک مستطیلی با اندازه متغیر تبدیل شده تا قابلیت فایق آمدن بر ویژگی های تصنعی کار به وجود آید. این بلوک در تطابق با اندازه عنبیه که ممکن است به واسطه شدت نور یا روشنایی متغیر باشد تعیین خواهد شد.
۲ـ۱ـ۱٫ آستانه سازی تطبیقی
مردمک به عنوان تاریک ترین ناحیه در چشم و با شکلی تقریباً مدور یا دایره ای مشخص می شود. یک آستانه مناسب در زمینه تعیین ناحیه مورد نظر به واسطه وجود مردمک راهگشا خواهد بود. یک مقدار استاتیک مربوط به چنین آستانه ای ممکن است قابلیت بکارگیری برای تصاویر مختلف که تحت شرایط نوردهی یا روشنایی مختلف گرفته شده اند را نداشته باشد [۱۶]. در این مقاله، تلاشی جهت مشخص سازی تطبیقی مقدار آستانه انجام شده است. بر این مبنا به صورت تجربی مشخص شده است که بالاترین و پایین ترین میزان شدت نور در زمینه تصویر مردمک نباید فراتر از highτ (۵/۰ برابر بالاترین مقدار محدوده خاکستری) و کمتر از lowτ (۱/۰ برابر با بالاترین مقدار مقیاس خاکستری) باشد. جهت یافتن آستانه تطبیقی، تصاویر باینری به صورت تکراری برای محدوده ای از آستانه (τ) بین lowτ و highτ با افزایش stepτ (۰۵/۰ برابر بالاترین مقدار مقیاس خاکستری) حاصل آمده اند. این پارامترها بر مبنای یک رابطه متقابل بین پیچیدگی محاسباتی و دقت بهینه سازی گردیده اند.
۲ـ۱ـ۲٫ شناسایی مردمک
رویکرد قطعه بندی متعارف [۱۷] قابلیت یافتن دوایر مردمک و عنبیه با استفاده از فرآیند تبدیل دایره ای هاف را دارد [۱۸]. نقص اصلی تبدیل هاف آن است که چنین فرآیندی نیازمند محدوده ای از شعاع ها به عنوان ورودی از طریق کاربر و انجام فرآیندهای مشخص سازی در فضای پارامتر R3 می باشد (تعداد پارامترها مورد نیاز جهت توصیف شکل یک دایره)، که خود مؤکد پیچیدگی بالای زمانی در ارتباط با فرآیند تبدیل است. در این مقاله، یک رویکرد سریعتر جهت یافتن دایره مردمک بدون ارزیابی قبلی محدوده شعاعی به عنوان ورودی ارائه می شود. رویکرد پیشنهادی فی نفسه به صورت غیرپارامتری می باشد و نیازی به هرگونه تقریب قبلی پارامترهای دایره ای ندارد. تصویر باینری به گونه ای مجدداً تکمیل می گردد تا قابلیت شکل دهی به یک تصویر طیفی به وجود آید [۱۹]. فاصله هر پیکسل در تصویر باینری با توجه به نزدیک ترین پیکسل غیرصفر حاصل می شود.
۲ـ۱ـ۳٫ تشخیص عنبیه
برای تشخیص عنبیه، تصویر عنبیه ورودی جهت حذف نویز خارجی به محو شده مشخص می گردد. اما در عین حال محوی بیش از حد تصویر ممکن است سبب بروز مشکل در فرایند تشخیص کرانه های خارجی عنبیه گردد و موجب مجزاسازی کره چشم و صلبیه شود. بنابراین، یک فیلتر هموار سازی خاص نظیر فیلتر میانه برای تصویر اصلی استفاده می شود. این نوع از فیلترینگ سبب حذف نویزهای پراکنده شده و در عین حال کرانه های تصویر را حفظ می کند [۲۰]. پس از فیلترینگ کنتراست تصویر ارتقاء یافته تا قابلیت حفظ گوناگونی بالا در کرانه های تصویر با استفاده از فرآیند متعادل سازی هیستوگرام همانگونه که در شکل ۶ (الف) نشان داده شده است ارتقاء یابد. این تصویر ارتقاء یافته کنتراست برای یافتن کرانه بیرونی عنبیه از طریق رسم دوایر متحدالمرکز (شکل ۶ (ب) که به عنوان یک مثال نشان داده شده است) با شعاع های مختلف از مرکز مردمک و میزان شدت نور محیطی بر روی دایره بکار گرفته می شود. در بین داویر کاندید عنبیه، دایره ای که دارای حداکثر تغییر در شدت با توجه به دایره قبلاً رسم شده می باشد به عنوان کرانه خروجی عنبیه مشخص می شود، همانگونه که در شکل ۶ (ج) نشان داده شده است. الگوریتم ۳ نشان دهنده فرآیند تشخیص شعاع عنبیه می باشد.
۲ـ۲٫ نرمال سازی تطبیقی
در رویکردهای شناسایی بافتی ویژگی های استخراجی می بایست در برابر تغییرات مقیاسی، موقعیت و جهت گیری ثابت باشند. بنابراین ناحیه حلقوی کرانه های مردمک و عنبیه نرمال سازی گردیده تا قابلیت حاصل آوردن این ویژگی به وجود آید. بر این مبنا نوعی رویکرد متعارف جهت نرمال سازی یا بهنجارسازی عنبیه [۱] وجود دارد که در آن اقدام به تبدیل مختصات کارتزی به یک سیستم مختصات قطبی بدون بعد دوبل می شود. هدف اصلی حاصل آوردن یک مرجع مشخص برای همان ناحیه بافت عنبیه می باشد، آن هم صرف نظر از وضعیت دوربین و فاصله آن با چشم و همچنین ویژگی های انبساطی یا انقباضی مردمک. مدل صفحه لاستیکی که به وسیله داگمن [۱] پیشنهاد شده است برای هر نقطه در عنبیه صرف نظر از اندازه و انبساط جفتی از مختصات واقعی بدون بعد مردمک تخصیص می یابد.
۲ـ۳٫ ارتقای نوار
فرآیند ارتقا جهت فایق آمدن بر تأثیر روشنایی غیریکنواخت، سایه و نکات روشن در نوار اعمال می گردد. هدف حذف نویز و در عین حال حفظ اطلاعات ضروری بافت است. این فرآیند با اصلاح گاما آغاز می گردد که به شرح ذیل تعریف می شود:
شناسایی عنبیه قطعه بندی Fast توصیفگر SURF
۳- ویژگی های مقاوم تسریع یافته برای نوار تطبیقی
نوار عنبیه به عنوان رخداد متوالی المان ها یا اجزای بافتی که تحت عنوان تکسل ها شناخته می شوند رده بندی می گردد. تکسل ها در یک تصویر به صورت آماری مشابه می باشند اما در عین حال یکسان تلقی نمی شوند. همانگونه که در بخش ۲ـ۲ پیشنهاد شده است، تصویر عنبیه نرمال شده دارای اندازه متغیر است، چرا که چنین موردی در تناسب با کامل برای تطبیق با استفاده از تبدیل های کلی همانند DCT نمی باشد [۲۳]، Haar [8]، موجک گابور [۱]، غیره. متعاقباً، موقعیت های نسبی تکسل ها تغییر یافته و نمی توان آنها را منطبق با موقعیت های یکسان در مختصات قطبی بدون انجام برخی از فرآیندهای تبدیلی نگاشت نمود [۹]…
۳ـ۱٫ تشخیص گر تکسل کلیدی
برای تشخیص تکسل های کلیدی از ماتریس هشین برای انتخاب موقعیت و مقیاس استفاده می شود. با توجه به یک نقطه P = (x, y) در تصویر I، ماتریس هشین H(P, σ) در P و با مقیاس σ به شرح ذیل تعریف می گردد:
۳ـ۲٫ توصیف گر تکسل کلیدی
یک پنجره مدور در حول هر نقطه تکسل تشخیص داده شده ایجاد گردیده و جهت آن با استفاده از پاسخ های موجک Haar در هر دو مسیر افقی و عمودی ارزیابی می شود. این جهت به منظور داشتن ویژگی ثابت در ارتباط با فرآیند چرخش کمک می نماید. متعاقباً، توصیف گرهای SURF با استفاده از یک پنجره مستطیلی در حول هر کدام از تکسل های کلیدی تشخیص داده شده در مسیر جهت حاصله اولیه شکل می گیرند. این پنجره ها به نواحی فرعی ۴ × ۴ با توجه به اطلاعات فضایی تقسیم می شوند. در هر زیر ناحیه پاسخ های موجک Haar در مسیر افقی و عمودی (dx و dy) استخراج و متعاقباً جمع می شوند. پاسخ های موجک با توجه به قدر مطلق مربوطه جهت یافتن قطبیت تغییرات شدت تصویر جمع می گردند. بردار ویژگی هر تصویر فرعی به شرح ذیل مشخص می شود:
شناسایی عنبیه قطعه بندی Fast توصیفگر SURF
۴- جفت شدگی نکته کلیدی
پس از تشخیص تکسل های کلیدی در تصویر بانک اطلاعات (A) و تصویر پرس و جوی (B)، فرآیند انطباق با استفاده از یک رویکرد جفت شدگی نقطه ای انجام می شود. بهترین کاندید تطبیق برای هر نقطه تکسل در A به وسیله مشخص سازی نزدیکترین جفت از مجموعه نقاط تکسل در B یافت می شود. نزدیک ترین همسایه تحت عنوان نقطه تکسل با حداقل فاصله اقلیدوسی برای بردار توصیف گر ثابت یا نامتغیر تعریف می شود. بر این مبنا اجازه دهید تا و به عنوان آرایه های بردار تکسل های کلیدی A و B به ترتیب با استفاده از SURF به شمار آیند.
شناسایی عنبیه قطعه بندی Fast توصیفگر SURF
۵- نتایج تجربی
جهت برآورد عملکرد سیستم شناسایی عنبیه، نتایج تجربی با توجه به بانک های اطلاعاتی متعدد موجود نظیر BATH [30]، CASIA-IrisV3 (CASIAV3) [29] و UBIRIS [31] حاصل آمده اند. بانک اطلاعات در دسترس از دانشگاه Bath متشکل از تصاویری از ۵۰ موضوع می باشد. برای هر موضوع هر دو تصویر عنبیه چپ و راست حاصل آمده که هر کدام حاوی بیست تصویر چشم می باشند. CASIAV3 در یک محیط در بسته حاصل شد. غالب تصاویر در دو جلسه گرفته شدند، که در بین هر جلسه حداقل یک ماه وقفه زمانی تعیین شد. این بانک اطلاعات حاوی ۲۴۹ موضوع با مجموعاً ۲۶۵۵ تصویر از چشم های چپ و راست می باشد. بانک اطلاعات UBIRIS.v1 نیز متشکل از ۱۸۷۷ تصویر است که مجموعاً از ۲۴۱ فرد در دو جلسه متمایز گردآوری شده است [۳۱]. ویژگی های اصلی این بانک اطلاعات در بردارندگی عوامل متعدد نویز جهت اندازه گیری عملکرد سیستم های شناسایی عنبیه می باشد. نتایج برای فرآیند قطعه بندی پیشنهادی حاصل آمده و توصیف گر ویژگی جدیدی نیز در دو مرحله مختلف ارائه شده است.
۵ـ۱٫ عملکرد قطعه بندی
در اولین مرحله، عملکرد مرتبط با رویکرد موضع یابی پیشنهادی با رویکرد معیارسنجی Masek مقایسه شد [۱۷] رویکرد Masek از یک فرایند تبدیل دایره ای هاف جهت تشخیص کرانه ها یا مرزهای مردمک و عنبیه استفاده می کند. جدول ۱ نشان دهنده درصد عدم قابلیت موضع یابی بر حسب رویکرد پیشنهادی و رویکرد Masek می باشد. رویکرد پیشنهادی دارای عدم قابلیت موضع یابی در حد ۴۱/۳% بر روی بانک اطلاعات عملیات نویزدار UBIRIS و با توجه به عدم موضع یابی معنی دار اندک ۹۸/۰% و ۴۵/۰% بر روی بانک اطلاعاتی BATH و CASIAV3 می باشد. رویکرد Masek تقریباً دارای درصد عدم موضع یابی بالایی برای بانک اطلاعات BATH و بانک اطلاعات نویزدار UBIRIS می باشد. شکل ۱۰ نشان دهنده تصاویر موضع یابی شده عنبیه با استفاده از رویکرد Masek و رویکرد پیشنهادی می باشد.
۵ـ۲٫ عملکرد شناسایی
در سطح دوم آزمایش نتایج دقت با استفاده از رویکرد قطعه بندی پیشنهادی حاصل آمد. نوار تطبیقی ارتقاء یافته و ویژگی ها با استفاده از SURF و SIFT استخراج شدند. جدول ۳ نشان دهنده مقادیر دقت حاصله در ارتباط با نوار تطبیقی پس از انجام فرایند ارتقاء می باشد. SIFT دارای عملکرد ضعیف با دقت ۷۷% در ارتباط با کار بر روی بانک اطلاعات UBIRIS نویزدار بوده است، در حالی که دقت به طور معنی داری با استفاده از نوار تطبیقی به ۹۱/۹۶% رسید. این دقت از ۶۹/۸۵% برای یک نوار ثابت به ۹۵/۹۵% برای یک نوار تطبیقی با استفاده از SIFT و با بهره گیری از بانک اطلاعات CASIAV3 حاصل شد. این سیستم برای تصاویر محدود در بانک اطلاعات BATH نسبتاً پذیرفته شده می باشد. متعاقباً، SURF بر روی نوارهای ثابت و تطبیقی عنبیه بکار گرفته شده و نتایج حاصل آمدند. این سیستم دارای دقت ۲۷/۹۴% با استفاده از نوار ثابت و با بهره گیری از بانک اطلاعات UBIRIS می باشد. دقت به ۵۸/۹۶% پس از استفاده از اندازه تطبیقی نوار افزایش یافت. مشاهدات مشابهی نیز برای بانک اطلاعاتی CASIAV3 حاصل شد. بهره حاصله در زمینه دقت برای بانک اطلاعات عنبیه BATH محدود معنی دار و قابل توجه می باشد.
شناسایی عنبیه قطعه بندی Fast توصیفگر SURF
۶- نتیجه گیری
در این مقاله، تلاشی جهت توسعه یک سیستم شناسایی عنبیه مقاوم ارائه شده است که حاوی موارد نامتغیر یا ثابت در برابر تغییرات یا تبدیل شکل های محتمل مختلف، و یا روی هم افتادگی و یا شدت نور تصویر می باشد. رویکرد قطعه بندیی پیشنهادی با دیگر معیارهای تعیین ویژگی محلی بکار گرفته شده به وسیله SURF مقایسه شد [۱۷]. رویکرد پیشنهادی دارای دقت بهتر و عملکرد سریعتری می باشد. به علاوه، در طی فرایند نرمال سازی، عنبیه به گونه ای نرمالیده گردید تا قابلیت ایجاد یک نوار تطبیقی برای استخراج ویژگی ها فراهم شود. نوار تطبیقی به گونه ای ارتقاء یافت تا قابلیت فایق آمدن بر تأثیر شدت نور یا روشنایی غیریکنواخت نیز وجود داشته باشد. برای استخراج ویژگی، یک توصیف گر نقطه کلیدی کاملاً شناخته شده تحت عنوان SURF مورد استفاده قرار گرفت. سیستم شناسایی تطبیقی عنبیه دارای عملکرد مناسب با دقت ۵۸/۹۶% بر روی بانک اطلاعاتی UBIRIS نویزدار و دقت ۲۴/۹۸% و ۳۲/۹۷% بر روی بانک های اطلاعاتی BATH و CASIAV3 می باشد. زمان مورد نیاز جهت شناسایی با استفاده از SURF در مقایسه با SIFT نسبتاً اندک می باشد. از نتایج حاصله می توان مشخص ساخت که سیستم پیشنهادی از عملکرد سریعتر و دقت ارتقاء یافته تر بیشتری برخوردار می باشد. بنابراین، این سیستم را می توان با اعتماد بالاتری برای برنامه های کاربردی نظیر تراکنش های مالی و سیستم های امنیتی بکار گرفت.
لطفا به جای کپی مقالات با خرید آنها به قیمتی بسیار متناسب مشخص شده ما را در ارانه هر چه بیشتر مقالات و مضامین ترجمه شده علمی و بهبود محتویات سایت ایران ترجمه یاری دهید.
