【机械类毕业论文中英文对照文献翻译】对齐点模式匹配
收藏
资源目录
压缩包内文档预览：
编号：77689902
类型：共享资源
大小：1.45MB
格式：RAR
上传时间：2020-05-07
上传人：柒哥
认证信息
个人认证
杨**（实名认证）
湖南
IP属地：湖南
6
积分
- 关 键 词：
-
机械类毕业论文中英文对照文献翻译
机械类
毕业论文
中英文
对照
文献
翻译
对齐
模式
匹配
- 资源描述：
-
【机械类毕业论文中英文对照文献翻译】对齐点模式匹配,机械类毕业论文中英文对照文献翻译,机械类,毕业论文,中英文,对照,文献,翻译,对齐,模式,匹配
- 内容简介：
-
毕业论文文献翻译 院（系）名称工学院机械系 专业名称机械设计制造及其自动化 学生姓名胡新阳 指导教师蔡超峰2012年 03 月 10 日 黄河科技学院毕业论文(文献翻译) 第 15 页3.2对齐点模式匹配 如果两个相同的点模式精确地相互对准，那么每对对应点是完全一致的。在这种情况下，点模式匹配可以通过计数重叠对数简单地实现。然而，在实践中，没有遇到这样的情况。一方面，在确定和定位细节中的错误阻碍了对齐算法准确地恢复相对转化，而另一方面，我们的上文所述的对齐方案不能模拟指纹的非线性变形，它是指纹印模的固有属性。由于这样一个非线性变形的存在，根据在模板中的对应特征来精确地恢复每个输入特征的位置是不可能的。因此，对齐点模式匹配算法需要有弹性，这意味着在一定程度上，它应该能够容忍由于不精确的特征位置的提取和非线性变形所产生的变形。通常情况下，这样的弹性匹配可以通过设置围绕每个模板细节点的边界框来实现，它对照模板特征指定了相应的输入特征的所有可能位置， 并限制输入图像的相应特征在此框18内。此方法在实践中没有提供令人满意的表现，因为局部变形可能是微小的而积累的全局变形可以相当的大。我们已提出了一种自适应弹性匹配算法，它有能力弥补特征定位误差和非线性变形。让表示在模板中一系列M特征， 表示在输入图像中一系列N特征，它根据一个给定的参考特征点对齐于上述的模板。在我们的弹性点模式匹配算法中步骤如下：1）根据相应的参考特征把每个细节点转换到极坐标系统中，在这个系统中算法被执行： （11）其中（，）是一个特征的坐标，是参考特征的坐标，是特征在极坐标系中的表示（表示径向距离，表示径向角，表示对应于参考特征的特征方向）。2）通过以径向角度的递增顺序连接每个特征将在极坐标系中的模板和输入特征表示为字符串： (12) (13)其中和分别表示对应于参考特征的相应的半径，径向角，正规化的特征方向。3）用一种动态规划算法4来匹配结果字符串和以找到两者间的编辑距离，这在下文将有描述。4）用和之间的编辑距离建立两者间的特征对应关系，然后按下列公式计算匹配得分： (14)其中是落在模板特征边界框的特征数量。匹配得分最高和最低值分别为100和1。前值表示完美的匹配，而后面的值表示一点也不匹配。在极坐标中的细节匹配有几个好处。我们注意到，指纹的非线性变形具有径向属性。换句话说，在指纹印象的非线性变形通常从某一个点（地区）开始然后非线性向外辐射。因此，这有利于在极空间模拟它。同时，这在极空间比在笛卡尔空间更容易计算旋转，这种旋转构成了在输入图像和模板之间的主要对准误差。在极坐标中以径向角的递增顺序的联系点生成的字符串独特的代表一种点模式。这表明，点模式匹配可以由字符串匹配算法来实现。许多字符串匹配算法在文献4中已有报道。在这里，我们有兴趣在一个字符串匹配算法纳入弹性标准。一般来说，字符串匹配可以被认为是原始函数如编辑距离的最大化/最小化。直观地说，包括字符串匹配算法的原始函数在弹性期可以实现一定程度的错误容忍。鉴于长度M和N的两个字符串和，编辑距离C（M，N），在我们的算法按下面的公式递归定义： (15) （16） （17） （18）其中，和分别是与每一个组成部分相互关联的重量；，和指定边界框；是一个预先指定的不匹配的界限。在一定程度上，这样的编辑距离，捕获了字符串匹配的弹性性能。它代表了一种改变一个多边形变成其他多边形的本。然而，这个计划只能容忍，但无法弥补，对由于不精确的细节定位和非线性变形产生的匹配的不利影响。因此，一个自适应机制是需要的。这种自适应机制应该能够跟踪局部非线性变形和不精确的调整并试图在最小化过程中减小它们。但是，我们并不指望这种自适应机制可以处理特征的顺序跳动，这在一定程度，可以通过在局部角窗详尽的重新排序和匹配来解决。在我们的匹配算法，匹配的过程，当一个不精确匹配被发现，自适应机制可以通过调整边界框（图11）来获得。它可以表示如下： （19） （20） （21） （22） （23） （24）其中表示匹配一对细节和的界限，、和指定了在极坐标系（半径和径向角）中自适应边界框；是学习效率。这种弹性的字符串匹配算法有许多的对它的性能至关重要的参数。凭经验，我们已经确定了这些参数的值如下：=-8，=+8，=-7.5，=+7.5；。关于，和的值取决于对指纹图像的分辨率。图12显示适用输入细节和一套模板匹配算法的结果。图11边框和其调整。（a）（b）（c）（d）图12是输入细节和一套模板匹配算法的应用结果。（a）输入细节集。（b）模板细节设置。（c）比对结果的基础上与绿色圆圈标记的细节。（d）匹配的结果用绿线模板的细节和他们对应的关系连接。4实验结果我们的在线指纹验证系统已经测试了两套两种不同的无墨指纹扫描仪采集指纹图像。第1组包含10张指纹图片来自于Identix制造的扫描仪捕获的18个人共180个指纹图像。这些图像的尺寸是380380。第2组包含的10张指纹图像来自于数字生物识别技术制造的扫描仪捕获的61个人共610张指纹图像。这些图像的大小是640480。这些指纹图像被获得时，手指的位置和方向上不是被强制的。捕获指纹图像质量参差不齐。刷新修正的图13和14展示一些我们的数据库中的指纹图像。在我们的数据库中大约90的指纹图想类似于图13和14图像是合理的质量。而约10是我们的数据库中的指纹图像质量不好的（如图15），这主要是由于在山脊和干燥的折痕和污迹手指。首先，我们的报道一些初步通过指纹验证的指纹匹配的结果。我们为什么不使用NIST-9指纹数据库25来测试我们的系统的性能的原因如下：1） 我们专注于现场扫描验证2） NIST-9的指纹数据库是一个非常困难的指纹数据库，其中包含了大量质量较差的指纹图像和从其他在线核查系统报告上一直没有报告的结果。图13 指纹图像捕获由Identix制造的一台扫描仪，从同一个人的同一个手指上获得的图像图像的大小是380380。图14 指纹图像捕获由数字生物识别技术制造的一台扫描仪拍摄的，从同一个人的同一个手指上获得的图像图像的大小是640480。图15 质量较差的指纹图像。4.1匹配每个指纹都要与测试装置中的其他指纹相匹配。如果匹配的指纹在同一个人的其他九个指纹则标记正确匹配，否则不正确。已经共有32220个（180179）在设置1上进行测试匹配和371490个（610609）在测试集2上匹配。正确和不正确的匹配比率的分布图如图16。从这个数字可以看出，在匹配分数的分布上存在两个高峰。一个明显的峰值对应不正确的匹配是位于价值约10的成绩，和其他高峰在40价值所在与关联纠正匹配分数。这表明我们的算法是能够通过设置适当的阈值的指纹鉴别来保持在一个较高的正确率。表1显示了核实率和废品率与不同的阈值。废品率被定义为正确的指纹他们匹配分数低于阈值的百分比。正如我们所观察到的，不正确的匹配和高拒绝率是由于质量差，如在图的指纹图像15。我们可以提高这些匹配的结果以确保该数据库不包含这些质量低劣的指纹图像。（a）identix（b）数字生物识别技术图16正确和不正确的匹配分数的分布，纵轴代表匹配分数的百分比分布。（a）分布匹配试验组1的成绩（180幅）。（b）分布匹配试验组2的成绩（610幅）。表1核实率和废品率测试集上与不同的阈值。临界值检定率废品率2099.83911.232299.94713.332499.98416.482699.99420.492899.99625.193010027.72（a）使用真伪辩别系统（图像180）临界值检定率废品率2099.42611.232299.86314.552499.89916.782699.96920.202899.98923.153099.99927.45（b）使用数字生物识别系统表2测试设置使用的匹配率用留除法最佳匹配数目匹配率191.17294.72396.89498.17598.89699.39799.72899.83999.94（a）使用真伪辩别系统（图像180）最佳匹配数目匹配率192.13294.40397.06497.67598.44699.11799.70899.79999.91 （b）使用数字生物识别系统表3在SPARC20工作站的细节特征提取和匹配的平均CPU时间细节特征提取时间（秒）细节特征提取时间（秒）细节特征提取时间（秒）5.352.557.904.2验证用户可以通过在线识别系统来确认他/ 她的身份。因此，该系统就可以从只有他/她的储存模板里匹配输入的指纹图像。为了确定我们系统的核查精确性，我们运用我们的数据库中的每一个图像作为需要验证的输入指纹。对所有其他九个相同的手指图像输入指纹图像相匹配。如果超过一个半匹配的九个分数超过25的阈值，然后输入指纹图像被认为是从同一手指的模板并建立一个有效的核查。有了这个计划，100的核查率可以达到一个废品率约两个测试集的16。再次，这废品率可通过预处理的数据库删除存储质量差的模板而被降低。这表明，在实践中使用匹配的k-近邻型成功验证是足够的。表2给出的定义是正确的指纹的比例（同一手指）目前最好的N（N = 1，9）比赛之间的匹配率。对于联机指纹验证系统，在实践中接受，它的响应时间，需要限制在几秒钟之内。表3显示了我们的系统对CPU的要求。CPU在SPARC20工作站的一个确认时间，包括指纹图像采集，特征提取和特征匹配，平均约8秒钟。它表明我们的在线指纹验证系统是否满足上线验证响应的时间要求。有关指纹自动识别系统进行测试的数量是远远不够的。衡量服务性能指标正如它们被用于测试数据库的功能的那样多的算法功能。生物识别技术社区在建立基准和你所部署的最终性能数字指纹验证系统是缓慢的。因此，人们可以在实验室环境中进行只有有限数量的测试表明预期的系统性能。即使在实地测试中，真正性能数字并不重要，往往感知性能才是至关重要的。5结论我们已经设计并实现了在线指纹核查系统运行分两个阶段：细节提取和特征匹配。18中提出的一个修改后的版本的特征提取算法使用在我们的系统中，更快，更可靠。在平稳的方向领域一个新的层次方向场估计算法的结果，大大地提高了性能的细节提取。对基准于弹性匹配算法，提出了匹配的细节。该算法是相当快的，因为它是能够找到细节点之间的对应关系，而不用完全彻底地搜索。同时，这种匹配算法，具有良好的性能，因为它有自适应补偿的非线性变形和不精确的不同指纹之间的变换构成的能力。实验结果表明，我们的系统实现了在现实的经营环境中优良的性能。这也符合联网核查响应时间的要求。根据实验结果，我们观察到，在我们的系统匹配误差主要源于不正确的细节特征提取和不准确的对准。我们观察到的多项因素对细节的正确位置是不利的。其中，图像质量较差，是最严重的一个。因此，在未来，我们的努力将集中在全球形象提升计划。细节检测有关的另一个问题是，纳入结构性模型中提取当地脊形成基于细枝末节的细节检测。弹性匹配的一个重要方面是利用附加信息（例如，相邻脊），关于增加了对准精度的细枝末节。致谢我们非常感谢与Nalina拉塔和方少云陈的有用的讨论，并且我们要感谢Nalina拉塔和奇特拉Dorai对本文的早期版本的谨慎评论。参考文献1 N. Ansari, M.H. Chen, and E.S.H. Hou, “A Genetic Algorithm for Point Pattern Matching,” Chapt. 13, B. Soucek and the IRIS Group, eds., Dynamic, Genetic, and Chaotic Programming. New York: John Wiley & Sons, 1992.2 P.E. Danielsson and Q.Z. Ye, “Rotation-Invariant Operators Applied to Enhancement of Fingerprints,” Proc. Eighth ICPR, pp. 329- 333, Rome, 1988.3 Federal Bureau of Investigation, The Science of Fingerprints: Classification and Uses. Washington, D.C.: U.S. Government Printing Office, 1984.4 T.H. Cormen, C.E. Leiserson, and R.L. Rivest, Introduction to Algorithms. New York: McGraw-Hill, 1990.5 D.C.D. Hung, “Enhancement and Feature Purification of Fingerprint Images,” Pattern Recognition, vol. 26, no. 11, pp. 1,661-1,671, 1993.6 S. Gold and A. Rangarajan, “A Graduated Assignment Algorithm for Graph Matching,” Research Report YALEU/DCS/RR-1062, Yale Univ., Dept. of Computer Science, 1995.7 L. OGorman and J.V. Nickerson, “An Approach to Fingerprint Filter Design,” Pattern Recognition, vol. 22, no. 1, pp. 29-38, 1989.8 K. Karu and A.K. Jain, “Fingerprint Registration,” Research Report, Michigan State Univ., Dept. of Computer Science, 1995.9 K. Karu and A.K. Jain, “Fingerprint Classification,” Pattern Recognition, vol. 29, no. 3, pp. 389-404, 1996.10 M. Kawagoe and A. Tojo, “Fingerprint Pattern Classification,” Pattern Recognition, vol. 17, no. 3, pp. 295-303, 1984.11 H.C. Lee and R.E. Gaensslen, eds., Advances in Fingerprint Technology. New York: Elsevier, 1991.12 D.P. Huttenlocher and S. Ullman, “Object Recognition Using Alignment,” Proc. First Intl Conf. Computer Vision, pp. 102-111, London, 1987.13 Z.R. Li and D.P. Zhang, “A Fingerprint Recognition System With Micro-Computer,” Proc. Sixth ICPR, pp. 939-941, Montreal, 1984.14 L. Coetzee and E.C. Botha, “Fingerprint Recognition in Low Quality Images,” Pattern Recognition, vol. 26, no. 10, pp. 1,441- 1,460, 1993.15 B. Miller, “Vital Signs of Identity,” IEEE Spectrum, vol. 31, no. 2, pp. 22-30, 1994.16 A. Ranade and A Rosenfeld, “Point Pattern Matching by Relaxation,” Pattern Recognition, vol. 12, no. 2, pp. 269-275, 1993.17 A.R. Rao, A Taxonomy for Texture Description and Identification. New York: Springer-Verlag, 1990.18 N. Ratha, S. Chen, and A.K. Jain, “Adaptive Flow Orientation Based Feature Extraction in Fingerprint Images,” Pattern Recognition, vol. 28, no. 11, pp. 1,657-1,672, 1995.19 A. Sherstinsky and R.W. Picard, “Restoration and Enhancement of Fingerprint Images Using M-Lattice-A Novel Non-Linear Dynamical System,” Proc. 12th ICPR-B, pp. 195-200, Jerusalem, 1994.20 D.B.G. Sherlock, D.M. Monro, and K. Millard, “Fingerprint Enhancement by Directional Fourier Filtering,” IEE Proc. Vis. Image Signal Processing, vol. 141, no. 2, pp. 87-94, 1994.21 J.P.P. Starink and E. Backer, “Finding Point Correspondence Using Simulated Annealing,” Pattern Recognition, vol. 28, no. 2, pp. 231-240, 1995.22 G. Stockman, S. Kopstein, and S. Benett, “Matching Images to Models for Registration and Object Detection via Clustering,”
- 温馨提示:
1: 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
2: 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
3.本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
人人文库网所有资源均是用户自行上传分享，仅供网友学习交流，未经上传用户书面授权，请勿作他用。
川公网安备: 51019002004831号