Kini, pengecaman urat jari boleh dianggap sebagai salah satu kaedah terbaru dalam sistem pengenalan. Kaedah ini berfungsi berdasarkan corak imej urat jari individu. Oleh kerana keunikan dan kelebihannya sebagai teknologi biometrik, pengelas yang boleh membawa prestasi yang tinggi adalah sentiasa diperlukan dalam sistem pengenalan urat jari. Baru-baru ini, pelbagai pengelas Jiran Sentroid K Terdekat (KNCN) seperti pengelas KNCN Purata Tempatan (LMKNCN) dan pengelas KNCN yang diberi berat (WKNCN) telah dicadangkan sebagai pengelasan urat jari. Pengelas KNCN mempunyai kekukuhannya dalam klasifikasi adalah disebabkan pertimbangannya dalam pengedaran berdekatan dan ruangan. Malangnya, pengelas KNCN biasa yang menggunakan jarak Euclidean adalah lemah dan sensitif kepada ubahan bentuk kecil dalam data. Dalam projek ini, satu pengelas KNCN yang bukan berdasarkan jarak Euclidean telah dicadangkan dan prestasinya telah diuji dalam pengecaman urat jari. Satu metrik jarak baru iaitu jarak Norma L2 Persegi yang dinormal dan diubahsuai telah dicadangkan bagi menggantikan jarak Euclidean dalam pengelas KNCN untuk pengecaman urat jari. Metrik jarak yang dicadangkan ini telah menunjukkan keberkesanannya dengan membawa kadar pengecaman yang tinggi dalam klasifikasi urat jari iaitu 86.31% bagi pangkalan data USM, 34.60% bagi pangkalan data Hong Kong, 49.11% bagi pangkalan data SDMULHMT dan 26.03% bagi pangkalan data VERA. Ia menunjukkan peningkatan sebanyak 2.50% dan 4.36% bagi pangkalan data USM dan Hong Kong apabila berbanding dengan jarak Euclidean. Pengelas KNCN baru yang dicadangkan ini telah menunjukkan kekukuhan klasifikasinya terutamanya bagi pangkalan data yang mempunyai sampel latihan yang banyak.
_______________________________________________________________________________________________________
Nowadays, finger vein recognition can be considered as one of the latest methods of identification system and it works based on the pattern of our individual finger vein images. Due to its uniqueness and advantages as a biometric technology, classifier with high performance is always needed in finger vein identification system. Recently, K-Nearest Centroid Neighbor (KNCN) based classifiers such as Local Mean based KNCN classifier and Weighted KNCN classifier have been proposed for finger vein classification. KNCN has its robustness in classification due to its proximity and spatial distribution consideration. However, these typical KNCN classifiers have utilized distance metric of Euclidean distance which is weak and very sensitive to the small deformation of the data. In this project, a non-Euclidean distance based KNCN classifier with highest accuracy is proposed and its performance in finger vein recognition is assessed. A new distance metric which is modified Normalized Square L2 Norm distance has been proposed to replace the Euclidean distance in K-Nearest Centroid Neighbor classifier for finger vein recognition. This proposed distance metric has shown its robustness with higher recognition rate than the Euclidean distance in finger vein classification. Modified Normalized Square L2 Norm distance based KNCN classifier has resulted in high recognition rate of 86.31% in USM database, 34.60% in Hong Kong database, 49.11% in SDMULHMT database and also 26.03% in VERA database. It has shown increment around 2.50% and 4.36% in USM and Hong Kong database respectively when compared to the recognition rate obtained from typical Euclidean distance. This proposed KNCN classifier has shown its classification robustness especially for the database with large number of training samples.
A non-euclidean distance based k-nearest centroid neighbor classifier for finger vein recognition / Fiona Ling Siew Yun