Volume
sidik jari yang besar dikumpulkan dan disimpan sehari-hari merupakan suatu aplikasi luas yang mencakup
forensik, kendali akses, dan pendaftaran lisensi pengarah. Pengenalan orang-orang
secara otomatis berdasarkan sidik jari memerlukan masukan sidik jari
disesuaikan dengan beberapa sidik jari di dalam suatu database. Untuk mengurangi
waktu pencarian dan computational compleksitas,
perlu menggolongkan sidik jari ini dalam
suatu cara yang konsisten dan akurat, sedemikian rupa sehingga masukan sidik
jari yang diperlukan untuk disesuaikan hanya dengan suatu subset sidik jari di
dalam database.
Penggolongan
sidik jari adalah suatu teknik untuk menugaskan sidik jari ke dalam beberapa
jenis pre-specified yang tidak dapat
dipungkiri pada literatur yang dapat menyediakan suatu mekanisme indexing. Penggolongan sidik jari dapat
dipandang sebagai suatu tingkatan kasar
yang mempertemukan sidik jari itu. Suatu masukan sidik jari yang yang
pertama disesuaikan pada suatu tingkatan kasar
pada salah satu jenis pre-specified
dan kemudian, pada suatu tingkatan yang lebih bagus, untuk dibandingkan pada subset database yang berisi jenis sidik
jari saja.
Pada
saat ini sudah dikembangkan suatu algoritma untuk menggolongkan sidik jari ke
dalam lima kelas, yakni, whorl, right loop,left loop,arch, dan tented arch.
Algoritma memisahkan banyaknya ridges yang muncul di empat arah (0 derajat, 45
derajat , 90 derajat, dan 135 derajat)
maupun dengan penyaringan bagian tengah suatu sidik jari dengan suatu bank Gabor Filters. Informasi ini adalah quantized untuk menghasilkan suatu Fingercode yang mana adalah digunakan untuk penggolongan.
Penggolongan ini didasarkan pada suatu two-stage yang menggolongkan menggunakan suatu Penggolong lingkungan K-nearest dalam langkah yang pertama dan satu set neural jaringan dalam langkah yang kedua . Penggolongan diuji pada 4,000 gambar di dalam NIST-4 database. Untuk five-class problem, ketelitian penggolongan dapat dicapai 90%. Untuk four-class problem ( arch dan arch tented mengkombinasikan ke dalam satu kelas), ketelitian penggolongan bisa mencapai 94.8%. Dengan menggabungkan sisa pilihan, ketelitian penggolongan dapat ditingkatkan menjadi 96% untuk five-class penggolongan dan 97.8% untuk four-class penggolongan ketika 30.8% gambar diafkhir.
Penggolongan ini didasarkan pada suatu two-stage yang menggolongkan menggunakan suatu Penggolong lingkungan K-nearest dalam langkah yang pertama dan satu set neural jaringan dalam langkah yang kedua . Penggolongan diuji pada 4,000 gambar di dalam NIST-4 database. Untuk five-class problem, ketelitian penggolongan dapat dicapai 90%. Untuk four-class problem ( arch dan arch tented mengkombinasikan ke dalam satu kelas), ketelitian penggolongan bisa mencapai 94.8%. Dengan menggabungkan sisa pilihan, ketelitian penggolongan dapat ditingkatkan menjadi 96% untuk five-class penggolongan dan 97.8% untuk four-class penggolongan ketika 30.8% gambar diafkhir.