ફિંગરપ્રિન્ટ સમયની હાજરી access ક્સેસ નિયંત્રણ મશીનમાં ફિંગરપ્રિન્ટ ઇમેજમાંથી ફિંગરપ્રિન્ટ સુવિધા નિષ્કર્ષણની તકનીક

ફિંગરપ્રિન્ટ એટેન્ડન્સ એક્સેસ કંટ્રોલ મશીનો દ્વારા ફિંગરપ્રિન્ટ ઓળખમાં સામાન્ય રીતે ઉપયોગમાં લેવામાં આવતી ફિંગરપ્રિન્ટ સુવિધાઓ નોડ્સ, એકવચન બિંદુઓ અને રેખાઓ વગેરે છે. નોડ્સમાં મુખ્યત્વે અંતિમ બિંદુઓ અને પોઇન્ટ શામેલ છે, અને એકવચન પોઇન્ટમાં કોર પોઇન્ટ્સ અને ત્રિકોણ પોઇન્ટ શામેલ છે. કા racted ેલી ફિંગરપ્રિન્ટ સુવિધાઓનો ઉપયોગ ફિંગરપ્રિન્ટ મેચિંગ માટે થાય છે. ફિંગરપ્રિન્ટ સુવિધા નિષ્કર્ષણમાં સામેલ કી તકનીકોમાં મુખ્યત્વે ટેક્સચર દિશા ગણતરી, ટેક્સચર ફ્રીક્વન્સી ગણતરી, કોર પોઇન્ટ અને ત્રિકોણ બિંદુ તપાસ, ફિંગરપ્રિન્ટ સેગમેન્ટ, ફિંગરપ્રિન્ટ એન્હાન્સમેન્ટ, ટેક્સચર એક્સ્ટ્રેક્શન અને રિફાઇનમેન્ટ, નોડ એક્સ્ટ્રેક્શન અને ફિલ્ટરિંગ અને ટેક્સચર ગણતરી શામેલ છે. ગણતરી વગેરે

રચના દિશાની ગણતરી એ ફિંગરપ્રિન્ટ ઓળખનો આધાર છે. ફિંગરપ્રિન્ટ ઓળખમાં મોટાભાગના અલ્ગોરિધમ્સ દિશા પર આધારિત છે, જેમ કે ફ્રીક્વન્સી ગણતરી, ટેક્સચર ટ્રેકિંગ, કોર પોઇન્ટ્સ અને ત્રિકોણ બિંદુઓની તપાસ, ફિંગરપ્રિન્ટ સેગમેન્ટ, ફિંગરપ્રિન્ટ એન્હાન્સમેન્ટ, નોડ સંરેખણ, વગેરે. મોટાભાગના અલ્ગોરિધમ્સ અભિગમ પર આધારિત છે. ટેક્સચર દિશા ગણતરી પદ્ધતિ પિક્સેલ્સ વચ્ચેના ગ્રે સ્તર પર આધારિત છે, પિક્સેલ બ્લોકની દિશા કા ract વા માટે દરેક 2x2 બ્લોકની તુલના ચાર ધાર નમૂનાઓ સાથે કરે છે, અને પછી જો મુશ્કેલ હોય તો વધુ ગણતરી કરવા માટે મોટા ક્ષેત્રના આધારે સરેરાશ અંદાજ બનાવે છે. દિશા નિર્ધારિત કરવા માટે, પ્લાનર ટેક્સચરની દિશાની ગણતરી કરવા માટે ગ્રેસ્કેલ ગોઠવણી પદ્ધતિનો ઉપયોગ કરે છે, રચનાની દિશાને 16 દિશામાં અલગ કરે છે, અને દરેક દિશામાં દરેક પિક્સેલની ગ્રેસ્કેલ સુસંગતતાની ગણતરી કરે છે. ઘરની દિશા તરીકે શ્રેષ્ઠ સુસંગતતા સાથે દિશા લો, અને દરેક દિશામાં ગ્રેસ્કેલ પરિવર્તનની ગણતરી કરો, અનાજની દિશા સાથે ગ્રેસ્કેલ પરિવર્તન એ સૌથી નાનો છે, અને અનાજની લંબ દિશા સાથે ગ્રેસ્કેલ પરિવર્તન સૌથી મોટું છે. ટેક્ષ્ચર પિક્સેલ્સ અને નોન-ટેક્ષર પિક્સેલ્સમાં રૂપાંતરિત કરો, રચનાની દિશાને 16 દિશામાં અલગ કરો, અને દરેક દિશામાં દરેક પિક્સેલના પિક્સેલ પ્રકારની સુસંગતતાની ગણતરી કરો, રચનાની દિશાની ગણતરી કરવા માટે પ્રક્ષેપણ પદ્ધતિનો ઉપયોગ કરો, અને ફિંગરપ્રિન્ટ ઇમેજને એકમાં વહેંચો 32N32 બ્લોકનું કદ, અને દરેક બ્લોકના પ્રક્ષેપણની વિવિધ દિશામાં ગણતરી કરો, રચનાની ical ભી દિશા તરીકે સૌથી મોટા પ્રક્ષેપણ ભિન્નતા સાથે દિશા લો અને દિશા ક્ષેત્રની ગણતરી કરવા માટે હાયરાર્કિકલ ન્યુરલ નેટવર્કનો ઉપયોગ કરો. હાલમાં, સૌથી વધુ ઉપયોગમાં લેવામાં આવતી ટેક્સચર દિશા ગણતરી પદ્ધતિ grad ાળ પર આધારિત છે. પદ્ધતિ નબળી છે. આ પદ્ધતિ દરેક પિક્સેલ પર ફિંગરપ્રિન્ટ ઇમેજના grad ાળ વેક્ટરની ગણતરી કરે છે. Grad ાળ વેક્ટરની દિશા પિક્સેલ પર આ દિશામાં ફિંગરપ્રિન્ટ છબીના સૌથી ઝડપી ગ્રેસ્કેલ પરિવર્તનને રજૂ કરે છે, અને grad ાળ વેક્ટરનું કદ ગ્રેસ્કેલ પરિવર્તનની ગતિને રજૂ કરે છે. છબીમાં રચનાની ધાર પર પિક્સેલ grad ાળ મોટું છે, આ પદ્ધતિ દ્વારા ગણતરી કરવામાં આવેલી રચના દિશા મૂળભૂત રીતે તે પિક્સેલ્સ દ્વારા મોટા grad ાળ સાથે નક્કી કરવામાં આવે છે, અને રચનાની ધાર પરની છબીની grad ાળ દિશા મૂળભૂત રીતે લંબરૂપ છે રચના દિશા. દરેક ક્ષેત્રની રચના દિશા તે વિસ્તારના તમામ શહેરો પર આધારિત છે.
પિક્સેલના grad ાળ વેક્ટરની ગણતરી કરવામાં આવે છે, અને ગણતરીમાં પરસ્પર રદ થવાનું ટાળવા માટે, રચનાની ડાબી અને જમણી બાજુઓ પર એજ ઇમેજ કેબલની grad ાળ વેક્ટર દિશા એકદમ વિરુદ્ધ છે. ગણતરીમાં, એન્ટિમોની ડિગ્રી વેક્ટર ચોરસ છે, અને રચનાની ડાબી અને જમણી બાજુઓ પર ધાર પિક્સેલ્સના સ્ક્વેર્ડ grad ાળ વેક્ટર આશરે સમાન દિશામાં નિર્દેશ કરશે, અને પછી સ્ક્વેર્ડ grad ાળ વેક્ટરની સરેરાશ દિશાની ગણતરી કરવામાં આવે છે. કારણ કે સ્ક્વેર્ડ grad ાળ વેક્ટરની દિશા સ્ક્વેર્ડ grad ાળ વેક્ટરની તુલનામાં બે વાર છે, લગભગ સ્ક્વેર્ડ grad ાળ વેક્ટરની લગભગ સરેરાશ દિશાની 1 ની રચનાની ical ભી દિશા છે. Grad ાળ આધારિત પદ્ધતિની સમસ્યા એ છે કે જ્યારે મોટાભાગના ધાર પિક્સેલ્સની grad ાળ દિશા રચનાની દિશા માટે યોગ્ય નથી, ત્યારે ખોટી દિશા મૂળ છબી તરીકે ગણવામાં આવશે, જે દિશા અંદાજનું પરિણામ છે. લંબગોળ વિસ્તારમાં ઘણા ખોટા દિશાના અંદાજો છે, જે સ્થાનિક ક્ષેત્રની છબીનું ક્રમિક વૃદ્ધિ છે, જ્યારે રાષ્ટ્રીય છબી પર ઝૂમ કરે છે, તે જોઇ શકાય છે કે મોટાભાગના ધાર પિક્સેલ્સના grad ાળ વેક્ટર કાટખૂણે નથી રચનાની દિશા, આમ ખોટી દિશાનો અંદાજ પરિણમે છે. પદ્ધતિ સંબંધિત અલગ કામની ખોટી દિશાને સુધારી શકે છે, પરંતુ જ્યારે કોઈ ચોક્કસ ક્ષેત્રમાં ખોટી દિશા બહુમતી હોય છે, ત્યારે ખોટી દિશાની ભાવનાને સુધારી શકાતી નથી. સાચી દિશા ખોટી રીતે સુધારી દેવામાં આવશે, અને મુખ્ય બિંદુની નજીકની દિશા ઘણીવાર ઓછી-પાસ ફિલ્ટરિંગ પછી સાચી દિશાથી વિચલિત થઈ જશે. જ્યારે મુખ્ય બિંદુની નજીક રચનાની વળાંક મોટી હોય છે.