المجلة الدولية للعلوم و التقنية

International Science and Technology Journal

ISSN: 2519-9838 (Online)

ISSN: 2519-9846 (Print)

مجلة علمية محكّمة تهتم بنشر البحوث و الدراسات في مجال العلوم التطبيقية، تصدر دورياً تحت إشراف نخبة من الأساتذة

Palm Print Identification of Individuals Based on the Residual Neural Network

الملخص
تعد تقنية التعرف على بصمة الكف من أهم تقنيات القياسات الحيوية وقد حظيت باهتمام كبير من حيث البحث العلمي والتطبيقات العملية. في هذه المقالة، اعتمدت هذه التقنية على خوارزم ResNet 50، والمعروفة أيضًا باسم الشبكة العصبية المتبقية، وإطار عمل الشبكة العصبية الالتفافية (CNN) للتعرف على بصمة اليد. يتم أولاً، بناءً على السمات الهندسية لبصمة الكف، تم نحت منطقة ذات الاهتمام (ROI) لبصمة الكف. تعتبر المنطقة ذات الاهتمام بعد المعالجة مدخلاً للشبكة العصبية الالتفافية. ويمكن للشبكة التكيف مع بصمات الكف المختلفة من خلال تطوير بيانات التدريب. وتم أيضًا تصور عمليات تنشيط الطبقة المتوسطة لبصمة الكف حيث تبلغ دقة نظام التعرف على بصمة اليد المستندة إلى %98.5 CNN ، ومعامل النموذج أقل بكثير من نموذج الشبكة القياسي، ووفقًا لنتائج الاختبار إنه يتفوق على طريقة التعرف على بصمة اليد النموذجية الاخرى من حيث الدقة. الكلمات المفتاحية: بصمة الكف، ResNet، الشبكة العصبية الالتفافية، التعرف، التعريف.
Abstract
Palm print recognition technology is one of the most important biometric technologies and has received great attention in terms of scientific research and practical applications. In this article, the technology is based on the ResNet50 algorithm, also known as the Residual Neural Network, and the Convolutional Neural Network (CNN) framework for palm print recognition. First, based on the geometric features of the palm print, the region of interest (ROI) area for the palm print was sculpted. The post-processing ROI is then considered an input to the convolutional neural network. The network can adapt to different palmprints by developing training data. Intermediate Layer Activations for the palm print have also been visualizing and this is a distinct work of the article. The CNN-based palmprint recognition system has an overall accuracy of 98.55 percent, and the model parameters are substantially lower than the standard network model, according to the test findings. It outperforms the typical palmprint recognition method in terms of accuracy.