Advances in imaging and deep learning have fueled interest in ear biometrics, as the structure of the ear offers unique identification features. Thermal and visible ear images capture different aspects of these features. Thermal images are light-independent, and visible images excel at capturing texture details. Combining these images creates more feature-rich composite images. This study examines the fusion of thermal and visible ear images taken under varying lighting conditions to enhance automatic ear recognition. The image fusion process involved three distinct multiresolution analysis methods: discrete wavelet transform, ridgelet transform, and curvelet transform. Subsequently, a specially designed deep learning model was used for ear recognition. The results of this study reveal that employing the complex-valued curvelet transform and thermal images achieved an impressive recognition rate of 96.82%, surpassing all other methods. Conversely, visible images exhibited the lowest recognition rate of 75.00%, especially in low-light conditions. In conclusion, the fusion of multiple data sources significantly enhances ear recognition effectiveness, and the proposed model consistently achieves remarkable recognition rates even when working with a limited number of fused ear images.
Ear recognition image fusion deep learning multi-resolution analysis methods thermal and visible images
Görüntüleme ve derin öğrenme alanındaki gelişmeler, kulağın yapısı benzersiz tanımlama özellikleri sunduğundan kulak biyometrisine olan ilgiyi artırmıştır. Termal ve görünür kulak görüntüleri bu özelliklerin farklı yönlerini yakalar. Termal görüntüler ışıktan bağımsızdır ve görünür görüntüler doku ayrıntılarını yakalamada mükemmeldir. Bu görüntülerin birleştirilmesi daha zengin özelliklere sahip kompozit görüntüler oluşturur. Bu çalışma, otomatik kulak tanımayı geliştirmek amacıyla farklı aydınlatma koşulları altında elde edilen termal ve görünür kulak görüntülerinin birleştirilmesini incelemektedir. Görüntü birleştirme işlemi üç farklı çok çözünürlüklü analiz yöntemini içermektedir: ayrık dalgacık dönüşümü, ridgelet dönüşümü ve curvelet dönüşümü. Ardından, kulak tanıma için özel olarak tasarlanmış derin öğrenme modeli kullanılmıştır. Bu çalışmanın sonuçları, karmaşık değerli curvelet dönüşümü ve termal görüntülerin kullanılmasının, diğer tüm yöntemleri geride bırakarak %96.82 gibi etkileyici bir tanıma oranı elde ettiğini ortaya koymaktadır. Buna karşılık, görünür görüntüler özellikle düşük ışık koşullarında %75.00 ile en düşük tanıma oranını sergilemiştir. Sonuç olarak, birden fazla veri kaynağının birleştirilmesi kulak tanıma etkinliğini önemli ölçüde artırmaktadır ve önerilen model, sınırlı sayıda birleştirilmiş kulak görüntüsüyle çalışırken bile tutarlı bir şekilde dikkate değer tanıma oranlarına ulaşmaktadır.
Kulak tanıma görüntü birleştirme derin öğrenme çoklu çözünürlüklü analiz yöntemleri termal ve görünür görüntüler
Primary Language | English |
---|---|
Subjects | Image Processing, Pattern Recognition, Deep Learning |
Journal Section | Electrical and Electronics Engineering |
Authors | |
Publication Date | December 3, 2023 |
Submission Date | August 17, 2023 |
Published in Issue | Year 2023Volume: 26 Issue: 4 |