Raspberry Pi and IOT Based-Automated Teller Machine Security for the DSWD 4P's Biometric System Using Fingerprint Recognition with Fast- Fourier Transform Image Enhancement, Multi-Stage Minutia Extraction

Teknik cetak ibujari merupakan satu daripada teknologi biometrik yang paling boleh diharapkan. Beberapa pendekatan terhadap pemadanan ibujari secara automatik telah dicadangkan dalam saranan. Dalam pengecaman ibujari, pra–prosesan seperti pelicin, binarization dan thinning diperlukan. Kemudian, ciri–ciri cetak ibujari yang terperinci diambil berdasarkan algoritma pengecaman cetak ibujari (seperti dengan menggunakan Fast Fourier Transform (FFT)) mungkin memerlukan teknik–teknik pengkomputeran yang banyak sehingga menjadikannya tidak praktikal. Algoritma berdasarkan wavelet mungkin merupakan kunci untuk membina sistem pengecaman cetak ibujari kos rendah yang boleh dioperasi dalam sistem komputer bermodul kecil. Di sini, satu sistem pengecaman cetak ibujari yang boleh menjalankan pemadanan cetak ibujari berdasarkan kepada ciri–ciri yang diperolehi daripada domain jelmaan wavelet diperkenalkan. Kajian ini adalah berdasarkan kepada perisian MATLAB dan aplikasinya dalam toolbox seperti Wavelet and Image Processing Toolbox. Kata kunci: Biometrik, wavelet, cetaksekuriti, pengecaman cetak ibujari Fingerprint technique is one of the most reliable biometric technologies. In the fingerprint recognition, pre-processing such as smoothing, binarization, and thinning are needed. Then, fingerprint minutia feature is extracted. Some fingerprint identification algorithm (such as using Fast Fourier Transform, (FFT)) may require so much computation as to be impractical. Wavelet based algorithm may be the key to making a low cost fingerprint identification system that would operate on a small computer. We present a fingerprint recognition system that can match the fingerprint images based on features extracted in the wavelet transform domain. This study is implemented based on MATLAB Software and their toolbox applications, such as Wavelet and Image Processing Toolbox. Key words: Biometrics, wavelet, security, fingerprint recognition

Download Full-text

Content-aware dark image enhancement using fast fourier transform

2014 International Conference on Advances in Engineering & Technology Research (ICAETR - 2014) ◽

10.1109/icaetr.2014.7012787 ◽

2014 ◽

Keyword(s):

Fourier Transform ◽

Fast Fourier Transform ◽

Image Enhancement ◽

Content Aware

Download Full-text

IDENTIFIKASI HALITOSIS BERDASARKAN TINGKATAN BERBASIS SENSOR GAS MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION

Journal on Information Technology and Computer Engineering ◽

10.25077/jitce.1.01.35-47.2017 ◽

2017 ◽

Vol 1 (01) ◽

pp. 35-47

Author(s):

Dodon Yendri ◽

Anisa Irviana ◽

Andrizal Andrizal

Keyword(s):

Diabetes Mellitus ◽

Fourier Transform ◽

Fast Fourier Transform ◽

Vector Quantization ◽

Learning Vector Quantization ◽

Raspberry Pi ◽

Data Input

Penyakit diabetes mellitus dan infeksi lambung dapat dideteksi melalui bau mulut tidak sedap penderita (halitosis). Halitosis merupakan suatu keadaan di mana terciumnya bau mulut pada saat seseorang mengeluarkan nafas (biasanya tercium pada saat berbicara). Penelitian ini bertujuan untuk membuat suatu sistem identifikasi dan klasifikasi kesehatan mulut (halitosis). Sensor gas TGS-2602 akan mendeteksi kadar gas pada mulut penderita, dan mengirim data berupa sinyal analog ke mikrokontroler ATmega 328. Dengan melakukan pemrograman baca data pada Raspberry Pi, data dari mikrokontroler disimpan pada sebuah file dan kemudian data tersebut diolah menggunakan metode Fast Fourier Transform (FFT) sehingga didapatkan pola data yang diinginkan. Pola data hasil keluaran Fast Fourier Transform (FFT) ini akan digunakan sebagai data input pada metode jaringan saraf tiruan Learning Vector Quantization (LVQ). Pengujian sistem dilakukan kepada orang dengan bau mulut penderita halitosis dan tidak halitosis. Hasil penelitian diperoleh persentase tingkat keberhasilan respon sensor terhadap sampel halitosis ringan 25%, sampel halitosis sedang 50%, sampel Halitosis akut 50% dan sampel tidak halitosis 100%.

Download Full-text