Resultados y análisis de la identificación de venas
Problemas de regresión (análisis de series temporales) y muchos otros problemas, y se pueden extender a campos como la predicción y la evaluación integral.
La combinación puede formar una máquina de vectores de soporte de múltiples clases para lograr funciones de clasificación múltiple. Los métodos de combinación comunes incluyen uno a uno y uno a muchos.
Este artículo utiliza el paquete de software L.I. BSVM desarrollado y diseñado por Chih2 Jen Lin de la Universidad Provincial de Taiwán para realizar experimentos [7].
, proporcionado por L.I BSVM.
Mediante modificación y ajuste de parámetros, se seleccionaron el modelo C2 SVC, la función de base radial y el método uno a uno para identificar imágenes de venas. Ecuación (4)
El vector M de características de momento del esqueleto de vena extraído se utiliza como vector de entrada del clasificador de máquina de vectores de soporte para clasificación e identificación.
El experimento de reconocimiento se realizó en la base de datos de imágenes de venas de la mano proporcionada por el Dr. Mohamed Shahin [8]
Hay 100 venas en el dorso de la mano en la base de datos.
Imagen, cada mano tiene 5 imágenes de muestra, ***500 imágenes, la imagen original es una imagen en escala de grises de 320 × 240 y 256 colores. Realizar experimentos de identificación de venas de cada mano.
Tres de las cinco imágenes traseras se utilizaron para entrenamiento y las otras dos para pruebas de reconocimiento. Los resultados experimentales muestran que la tasa de reconocimiento es 191/200 = 95,5.
En el experimento, se encontró que si se toman 12 muestras que se ven gravemente afectadas por el ruido y tienen una deformación grave del mapa de venas segmentadas se excluyen al seleccionar muestras,
Entonces la tasa de reconocimiento puede alcanzar 175/178 = 98. 3. Se puede ver que la calidad del mapa de venas original, la segmentación de las líneas de venas y el refinamiento de la El esqueleto tiene un gran impacto en la tasa de reconocimiento. Por lo tanto, mejorar la calidad de la adquisición de imágenes y mejorar el efecto del algoritmo de segmentación de líneas venosas y refinamiento del esqueleto es mejorar el reconocimiento.