As tatuagens têm sido usadas de forma eficaz como biometria suave para auxiliar as forças de segurança na identificação de perpetradores e vítimas, pois possuem informações discriminativas e são um indicador útil para localizar membros de uma gangue ou organização criminosa. Devido a várias questões de privacidade na aquisição de imagens contendo tatuagens, existe apenas um número limitado de bancos de dados. Para superar essa limitação, este trabalho apresenta uma nova estrutura robusta para recuperação de tatuagens que combina características globais e precisão geométrica extraídas de modelos fundamentais para uma representação precisa da tatuagem. A avaliação experimental realizada em um banco de dados desafiador de tatuagens relatou, em um protocolo de conjunto fechado, uma precisão de classificação de 90,91%, superando em larga margem o TattTRN, estado da arte. Tendências semelhantes também foram alcançadas para o cenário de conjunto aberto: a Taxa de Erro Igual é de 11,56%, em comparação com 20,75% obtidos pelo TattTRN. Esses resultados demonstram que combinar diferentes modelos fundamentais sem a necessidade de treinamento pode melhorar significativamente a precisão, estabelecendo um novo padrão para sistemas futuros de reconhecimento de tatuagens.
Liehmann et al. (qua,) estudaram essa questão.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: