Projek ini dijalankan untuk mengusulkan pengelas jiran sentroid K terdekat (KNCN) yang telah ditambah baik untuk pengecaman urat jari. Kebelakangan ini, pengecaman urat jari menjadi salah satu teknologi biometrik yang terkenal untuk diguna dalam pelbagai applikasi disebabkan ciri-ciri urat jari. Beberapa pengelas telah dicadangkan untuk proses klasifikasi dalam sistem tersebut. Berbanding dengan pengelas lain, KNCN mempunyai kekuatannya kerana mempertimbangkan jarak dan pengagihan ruang. Namun, kekuatan ini menjadi kelemahannya kerana pengelas berkemungkinan terlebih menganggar julat NCN yang bakal dipilih. Selain itu, pemberat bagi setiap jiran sentroid terdekat tidak dipertimbangkan oleh pengelas KNCN dalam proses mengundi dan masa pemprosesan juga meningkat apabila nilai k yang besar dipilih. Oleh itu, pengelas KNCN yang lebih baik dan mempertimbangkan semua masalah yang dibincang di atas telah diusulkan untuk pengecaman urat jari dalam projek ini. Ianya dijalankan dengan menganalisa dan mengubahsuai pengelas KNCN asal supaya pengelas tersebut ditambahbaik dari segi ketepatan dan masa pemprosesan. Berdasarkan cara permilihan NCN yang baru , pengelas RSKNCN telah diusulkan dan mencapai 87.64% ketepatan (4.34% lebih tinggi daripada pengelas KNCN asal) atas pangkalan data FV-USM. Versi RSKNCN yang diubahsuai menunjukkan 87.06% ketepatan dengan prestasi masa 182.94 milisaat/sampel. Walaupun ketepatannya dikurangkan sebanyak 0.58% berbanding dengan RSKNCN asal, tetapi masa pemprosesannya hanya 0.3 kali ganda daripada RSKNCN asal. Secara keseluruhanmya, projek ini berjaya menghasilkan pengelas KNCN yang telah ditambahbaik dan mencapai keseimbangan antara ketepatan dan prestasi masa untuk pengecaman urat jari.
_______________________________________________________________________________________________________
This project is developed to propose an improved K-Nearest Centroid Neighbor classifier for finger vein recognition. Recently, finger vein recognition has become one of the most popular biometric technologies to be used in various applications due to finger vein‟s properties. Several classifiers have been proposed for the classification process in finger vein recognition system. Compared to other classifiers, KNCN has advantage of considering both proximity and spatial distribution. However, this becomes a disadvantage as it may overestimate the range of NCN to be chosen. In addition, in a typical KNCN classifier, the weightage of each nearest centroid neighbor is not considered in the voting process. Besides, the classifier processing time increases when a large value of k is chosen. Therefore, an improved KNCN classifier that considers those problems is proposed for finger vein recognition in this project. This is done by analyzing the typical KNCN classifier and applying modification on it to improve its performance in term of accuracy and processing time. Based on a new NCN selection method proposed, RSKNCN classifier had been proposed and had achieved finger vein recognition rate of 87.64 % on FV-USM database which is 4.34 % higher than the accuracy of a typical KNCN classifier. Modified version of RSKNCN classifier had improved the processing time performance by achieving accuracy of 87.06 % with 182.94 ms/sample processing time performance. Although there is 0.58 % drop in accuracy compared to RSKNCN classifier, the processing time performance had shortened to 0.30 times of the processing time of RSKNCN classifier. Overall, this project has successfully developed an improved KNCN classifier which achieved balance performance between accuracy and processing time in finger vein recognition.
Finger vein recognition based on an improved k-nearest centroid neighbor classifier / Ng Yee Wei