ବାୟୋମେଟ୍ରିକ୍ସ ହେଉଛି ଶରୀର ମାପ ଏବଂ ମାନବ ବୈଶିଷ୍ଟ୍ୟ ସହିତ ଜଡିତ ଗଣନା। ବାୟୋମେଟ୍ରିକ୍ ପ୍ରମାଣୀକରଣ (କିମ୍ବା ବାସ୍ତବବାଦୀ ପ୍ରମାଣୀକରଣ) କମ୍ପ୍ୟୁଟର ବିଜ୍ଞାନରେ ଚିହ୍ନଟ ଏବଂ ପ୍ରବେଶ ନିୟନ୍ତ୍ରଣର ଏକ ପ୍ରକାର ଭାବରେ ବ୍ୟବହୃତ ହୁଏ। ଏହା ନଜରରେ ଥିବା ଗୋଷ୍ଠୀର ବ୍ୟକ୍ତିମାନଙ୍କୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ମଧ୍ୟ ବ୍ୟବହୃତ ହୁଏ।

ବାୟୋମେଟ୍ରିକ୍ ଚିହ୍ନଟକାରୀ ହେଉଛି ବ୍ୟକ୍ତିମାନଙ୍କୁ ଲେବଲ୍ ଏବଂ ବର୍ଣ୍ଣନା କରିବା ପାଇଁ ବ୍ୟବହୃତ ସ୍ୱତନ୍ତ୍ର, ମାପଯୋଗ୍ୟ ବୈଶିଷ୍ଟ୍ୟ। ବାୟୋମେଟ୍ରିକ୍ ଚିହ୍ନଟକାରୀଗୁଡ଼ିକୁ ପ୍ରାୟତଃ ଶରୀରର ଆକୃତି ସହିତ ଜଡିତ ଶାରୀରିକ ବୈଶିଷ୍ଟ୍ୟ ଭାବରେ ବର୍ଗୀକୃତ କରାଯାଏ। ଉଦାହରଣଗୁଡ଼ିକ ମଧ୍ୟରେ ଆଙ୍ଗୁଠିଚିହ୍ନ, ପାମ୍ ଶିରା, ମୁହଁ ଚିହ୍ନଟ, DNA, ପାମ୍ ପ୍ରିଣ୍ଟ, ହାତ ଜ୍ୟାମିତି, ଆଇରିସ୍ ଚିହ୍ନଟ, ରେଟିନା ଏବଂ ଗନ୍ଧ/ଗନ୍ଧ ଅନ୍ତର୍ଭୁକ୍ତ, କିନ୍ତୁ ଏହା ମଧ୍ୟରେ ସୀମିତ ନୁହେଁ।

ବାୟୋମେଟ୍ରିକ୍ ଚିହ୍ନଟକରଣ ପ୍ରଯୁକ୍ତିବିଦ୍ୟାରେ କମ୍ପ୍ୟୁଟର ବିଜ୍ଞାନ, ଆଲୋକ ବିଜ୍ଞାନ ଏବଂ ଧ୍ୱନି ବିଜ୍ଞାନ ଏବଂ ଅନ୍ୟାନ୍ୟ ଭୌତିକ ବିଜ୍ଞାନ, ଜୈବିକ ବିଜ୍ଞାନ, ବାୟୋସେନ୍ସର ଏବଂ ବାୟୋଷ୍ଟାଟିଷ୍ଟିକ୍ସ ନୀତି, ସୁରକ୍ଷା ପ୍ରଯୁକ୍ତିବିଦ୍ୟା, ଏବଂ କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଏବଂ ଅନ୍ୟାନ୍ୟ ଅନେକ ମୌଳିକ ବିଜ୍ଞାନ ଏବଂ ଅଭିନବ ପ୍ରୟୋଗ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଅନ୍ତର୍ଭୁକ୍ତ। ଏହା ଏକ ସମ୍ପୂର୍ଣ୍ଣ ବହୁବିଧ ବୈଷୟିକ ସମାଧାନ।

ସାମ୍ପ୍ରତିକ ବର୍ଷଗୁଡ଼ିକରେ, କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତାର ବିକାଶ ସହିତ, ବାୟୋମେଟ୍ରିକ୍ ଚିହ୍ନଟକରଣ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଅଧିକ ପରିପକ୍ୱ ହୋଇଛି। ବର୍ତ୍ତମାନ, ମୁହଁ ଚିହ୍ନଟ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ବାୟୋମେଟ୍ରିକ୍ସର ସବୁଠାରୁ ପ୍ରତିନିଧିତ୍ୱ କରୁଛି।

ମୁହଁ ଚିହ୍ନଟକରଣ

ମୁହଁ ଚିହ୍ନଟ ପ୍ରକ୍ରିୟାରେ ମୁହଁ ସଂଗ୍ରହ, ମୁହଁ ଚିହ୍ନଟ, ମୁହଁ ବୈଶିଷ୍ଟ୍ୟ ନିଷ୍କାସନ ଏବଂ ମୁହଁ ମେଳ ଚିହ୍ନଟ ଅନ୍ତର୍ଭୁକ୍ତ। ମୁହଁ ଚିହ୍ନଟ ପ୍ରକ୍ରିୟା ମେସିନ୍ ଲର୍ନିଂରେ AdaBoos ଆଲଗୋରିଦମ, କନଭୋଲ୍ୟୁସନାଲ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ ଏବଂ ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍ ଭଳି ବିଭିନ୍ନ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ବ୍ୟବହାର କରେ।

ମୁହଁ ଚିହ୍ନଟ ପ୍ରକ୍ରିୟା

ବର୍ତ୍ତମାନ, ମୁହଁ ଘୂର୍ଣ୍ଣନ, ଅକ୍ଲୁଜନ, ସମାନତା, ଇତ୍ୟାଦି ସମେତ ପାରମ୍ପରିକ ମୁହଁ ଚିହ୍ନଟ ଅସୁବିଧାଗୁଡ଼ିକୁ ବହୁତ ଉନ୍ନତ କରାଯାଇଛି, ଯାହା ମୁହଁ ଚିହ୍ନଟର ସଠିକତାକୁ ବହୁ ପରିମାଣରେ ଉନ୍ନତ କରିଥାଏ। 2D ମୁହଁ, 3D ମୁହଁ, ମଲ୍ଟି-ସ୍ପେକ୍ଟ୍ରାଲ୍ ମୁହଁ ପ୍ରତ୍ୟେକ ମୋଡ୍‌ରେ ଭିନ୍ନ ଭିନ୍ନ ଅଧିଗ୍ରହଣ ଅନୁକୂଳନ ପରିସ୍ଥିତି, ଡାଟା ସୁରକ୍ଷା ଡିଗ୍ରୀ ଏବଂ ଗୋପନୀୟତା ସମ୍ବେଦନଶୀଳତା, ଇତ୍ୟାଦି ଥାଏ, ଏବଂ ବଡ଼ ଡାଟାର ଗଭୀର ଶିକ୍ଷା ଯୋଡିବା 3D ମୁହଁ ଚିହ୍ନଟ ଆଲଗୋରିଦମକୁ 2D ପ୍ରୋଜେକ୍ସନର ତ୍ରୁଟିଗୁଡ଼ିକୁ ପରିପୂରକ କରିଥାଏ, ଏହା ଜଣେ ବ୍ୟକ୍ତିଙ୍କ ପରିଚୟକୁ ଶୀଘ୍ର ଚିହ୍ନଟ କରିପାରିବ, ଯାହା ଦୁଇ-ପରିମାଣୀୟ ମୁହଁ ଚିହ୍ନଟର ପ୍ରୟୋଗ ପାଇଁ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସଫଳତା ଆଣିଛି।

ସେହି ସମୟରେ, ବାୟୋମେଟ୍ରିକ୍ ଚିହ୍ନଟ ପ୍ରଯୁକ୍ତିବିଦ୍ୟାକୁ ବର୍ତ୍ତମାନ ମୁହଁ ଚିହ୍ନଟର ସୁରକ୍ଷାକୁ ଉନ୍ନତ କରିବା ପାଇଁ ଏକ ପ୍ରମୁଖ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଭାବରେ ବ୍ୟବହାର କରାଯାଉଛି, ଯାହା ଫଟୋ, ଭିଡିଓ, 3D ମଡେଲ୍ ଏବଂ ପ୍ରୋସ୍ଥେଟିକ୍ ମାସ୍କ ଭଳି ନକଲି ଠକେଇକୁ ପ୍ରଭାବଶାଳୀ ଭାବରେ ପ୍ରତିରୋଧ କରିପାରିବ ଏବଂ ସ୍ୱାଧୀନ ଭାବରେ କାର୍ଯ୍ୟ କରୁଥିବା ବ୍ୟବହାରକାରୀଙ୍କ ପରିଚୟ ନିର୍ଣ୍ଣୟ କରିପାରିବ। ବର୍ତ୍ତମାନ, ମୁହଁ ଚିହ୍ନଟ ପ୍ରଯୁକ୍ତିର ଦ୍ରୁତ ବିକାଶ ସହିତ, ସ୍ମାର୍ଟ ଡିଭାଇସ୍, ଅନଲାଇନ୍ ଫାଇନାନ୍ସ ଏବଂ ମୁହଁ ପେମେଣ୍ଟ ଭଳି ଅନେକ ଅଭିନବ ପ୍ରୟୋଗ କ୍ରମଶଃ ଲୋକପ୍ରିୟ ହୋଇଛି, ଯାହା ସମସ୍ତଙ୍କ ଜୀବନ ଏବଂ କାର୍ଯ୍ୟରେ ଗତି ଏବଂ ସୁବିଧା ଆଣିଛି।

ପାମ୍ପ୍ରିଣ୍ଟ ଚିହ୍ନଟକରଣ

ପାମ୍ପ୍ରିଣ୍ଟ ଚିହ୍ନଟକରଣ ଏକ ନୂତନ ପ୍ରକାରର ବାୟୋମେଟ୍ରିକ୍ ଚିହ୍ନଟକରଣ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା, ଯାହା ମାନବ ଶରୀରର ପାମ୍ପ୍ରିଣ୍ଟକୁ ଲକ୍ଷ୍ୟ ବୈଶିଷ୍ଟ୍ୟ ଭାବରେ ବ୍ୟବହାର କରେ ଏବଂ ମଲ୍ଟିସ୍ପେକ୍ଟ୍ରାଲ୍ ଇମେଜିଂ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ମାଧ୍ୟମରେ ଜୈବିକ ସୂଚନା ସଂଗ୍ରହ କରେ। ମଲ୍ଟି-ସ୍ପେକ୍ଟ୍ରାଲ୍ ପାମ୍ପ୍ରିଣ୍ଟ ଚିହ୍ନଟକରଣକୁ ବାୟୋମେଟ୍ରିକ୍ ଚିହ୍ନଟକରଣ ପ୍ରଯୁକ୍ତିର ଏକ ମଡେଲ୍ ଭାବରେ ବିବେଚନା କରାଯାଇପାରିବ ଯାହା ବହୁ-ପ୍ରଣାଳୀ ଏବଂ ବହୁ ଲକ୍ଷ୍ୟ ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକୁ ମିଶ୍ରଣ କରେ। ଏହି ନୂତନ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଚର୍ମ ସ୍ପେକ୍ଟ୍ରାମ, ପାମ୍ ପ୍ରିଣ୍ଟ ଏବଂ ଶିରା ଶିରାର ତିନୋଟି ଚିହ୍ନଟଯୋଗ୍ୟ ବୈଶିଷ୍ଟ୍ୟକୁ ଏକ ସମୟରେ ଅଧିକ ପ୍ରଚୁର ସୂଚନା ପ୍ରଦାନ କରିବା ଏବଂ ଲକ୍ଷ୍ୟ ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକର ପାର୍ଥକ୍ୟ ବୃଦ୍ଧି କରିବା ପାଇଁ ମିଶ୍ରଣ କରେ।

ଏହି ବର୍ଷ, Amazon ର ପାମ୍ ଚିହ୍ନଟ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା, ଯାହାର କୋଡ୍-ନାମ୍ ଅରଭିଲ୍, ପରୀକ୍ଷଣ ଆରମ୍ଭ କରିଛି। ସ୍କାନର ପ୍ରଥମେ ପାମ୍ ର ବାହ୍ୟ ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକ, ଯେପରିକି ରେଖା ଏବଂ ଭାଂଗ, ଉପରେ ଧ୍ୟାନ ଦେଇ ଇନଫ୍ରାରେଡ୍ ଧ୍ରୁବୀକରଣ ମୂଳ ଚିତ୍ରଗୁଡ଼ିକର ଏକ ସେଟ୍ ପ୍ରାପ୍ତ କରେ; ଯେତେବେଳେ ପୁନଃ ପାମ୍ ର ଦ୍ୱିତୀୟ ସେଟ୍ ପ୍ରାପ୍ତ କରେ, ଏହା ପାମ୍ ଗଠନ ଏବଂ ଆଭ୍ୟନ୍ତରୀଣ ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକ, ଯେପରିକି ଶିରା, ହାଡ଼, ନରମ ଟିସୁ, ଇତ୍ୟାଦି ଉପରେ ଧ୍ୟାନ ଦିଏ। କଞ୍ଚା ଚିତ୍ରଗୁଡ଼ିକ ପ୍ରାରମ୍ଭରେ ହାତ ଥିବା ଚିତ୍ରଗୁଡ଼ିକର ଏକ ସେଟ୍ ପ୍ରଦାନ କରିବା ପାଇଁ ପ୍ରକ୍ରିୟାକରଣ କରାଯାଏ। ଏହି ଚିତ୍ରଗୁଡ଼ିକ ଭଲ ଭାବରେ ଆଲୋକିତ, ଫୋକସରେ, ଏବଂ ପାମ୍ କୁ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଦିଗରେ, ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ପୋଜ୍ ରେ ଦେଖାଏ, ଏବଂ ବାମ କିମ୍ବା ଡାହାଣ ହାତ ଭାବରେ ଲେବଲ୍ କରାଯାଏ।

ବର୍ତ୍ତମାନ, Amazon ର ପାମ୍ପ୍ରିଣ୍ଟ ଚିହ୍ନଟକରଣ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା କେବଳ 300 ମିଲିସେକେଣ୍ଡରେ ବ୍ୟକ୍ତିଗତ ପରିଚୟ ଏବଂ ସମ୍ପୂର୍ଣ୍ଣ ପେମେଣ୍ଟ ଯାଞ୍ଚ କରିପାରିବ, ଏବଂ ବ୍ୟବହାରକାରୀମାନଙ୍କୁ ସ୍କାନିଂ ଡିଭାଇସରେ ହାତ ରଖିବା, କେବଳ ହାତ ହଲାଇ ଏବଂ ସମ୍ପର୍କ ବିନା ସ୍କାନ କରିବାକୁ ପଡିବ ନାହିଁ। ଏହି ପ୍ରଯୁକ୍ତିର ବିଫଳତା ହାର ପ୍ରାୟ 0.0001%। ସେହି ସମୟରେ, ପାମ୍ପ୍ରିଣ୍ଟ ଚିହ୍ନଟକରଣ ପ୍ରାରମ୍ଭିକ ପର୍ଯ୍ୟାୟରେ ଏକ ଡବଲ ଯାଞ୍ଚକରଣ - ପ୍ରଥମ ଥର ପାଇଁ ବାହ୍ୟ ବୈଶିଷ୍ଟ୍ୟ ହାସଲ କରିବା ପାଇଁ, ଏବଂ ଦ୍ୱିତୀୟ ଥର ପାଇଁ ଆଭ୍ୟନ୍ତରୀଣ ସଂଗଠନାତ୍ମକ ବୈଶିଷ୍ଟ୍ୟ ହାସଲ କରିବା ପାଇଁ। ସୁରକ୍ଷା ଦୃଷ୍ଟିରୁ ଅନ୍ୟ ବାୟୋମେଟ୍ରିକ୍ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ସହିତ ତୁଳନା କରାଯାଇ, ଉନ୍ନତ ହୋଇଛି।

ଉପରୋକ୍ତ ବାୟୋମେଟ୍ରିକ୍ ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକ ସହିତ, ଆଇରିସ୍ ଚିହ୍ନଟ ପ୍ରଯୁକ୍ତିବିଦ୍ୟାକୁ ମଧ୍ୟ ଲୋକପ୍ରିୟ କରାଯାଉଛି। ଆଇରିସ୍ ଚିହ୍ନଟର ମିଥ୍ୟା ଚିହ୍ନଟ ହାର 1/1000000 ପରି କମ୍। ଏହା ମୁଖ୍ୟତଃ ପରିଚୟ ଚିହ୍ନଟ କରିବା ପାଇଁ ଆଇରିସ୍ ଜୀବନ ପରିବର୍ତ୍ତନ ଏବଂ ପାର୍ଥକ୍ୟ ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକୁ ବ୍ୟବହାର କରେ।

ବର୍ତ୍ତମାନ, ଶିଳ୍ପରେ ସର୍ବସମ୍ମତି ହେଉଛି ଯେ ଏକକ ମୋଡାଲିଟିର ଚିହ୍ନଟକରଣରେ ଚିହ୍ନଟ କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ ସୁରକ୍ଷା ଉଭୟରେ ପ୍ରତିବନ୍ଧକ ରହିଛି, ଏବଂ ମଲ୍ଟି-ମୋଡାଲ୍ ଫ୍ୟୁଜନ୍ ହେଉଛି ମୁହଁ ଚିହ୍ନଟ ଏବଂ ବାୟୋମେଟ୍ରିକ୍ ଚିହ୍ନଟକରଣରେ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସଫଳତା - କେବଳ ବହୁ-କାରକ ମାଧ୍ୟମରେ ନୁହେଁ। ଚିହ୍ନଟ ସଠିକତାକୁ ଉନ୍ନତ କରିବାର ଉପାୟ ବାୟୋମେଟ୍ରିକ୍ ପ୍ରଯୁକ୍ତିର ଦୃଶ୍ୟ ଅନୁକୂଳନ ଏବଂ ଗୋପନୀୟତା ସୁରକ୍ଷାକୁ କିଛି ପରିମାଣରେ ଉନ୍ନତ କରିପାରିବ। ପାରମ୍ପରିକ ଏକକ-ମୋଡ୍ ଆଲଗୋରିଦମ ସହିତ ତୁଳନା କଲେ, ଏହା ଆର୍ଥିକ-ସ୍ତରୀୟ ମିଥ୍ୟା ଚିହ୍ନଟକରଣ ହାର (ଦଶ ନିୟୁତରେ ଗୋଟିଏ ପର୍ଯ୍ୟନ୍ତ କମ୍)କୁ ଭଲ ଭାବରେ ପୂରଣ କରିପାରିବ, ଯାହା ବାୟୋମେଟ୍ରିକ୍ ଚିହ୍ନଟକରଣ ବିକାଶର ମୁଖ୍ୟ ଧାରା ମଧ୍ୟ।

ମଲ୍ଟିମୋଡାଲ୍ ବାୟୋମେଟ୍ରିକ୍ ସିଷ୍ଟମ୍

ମଲ୍ଟିମୋଡାଲ୍ ବାୟୋମେଟ୍ରିକ୍ ସିଷ୍ଟମ୍ ୟୁନିମୋଡାଲ୍ ବାୟୋମେଟ୍ରିକ୍ ସିଷ୍ଟମ୍‌ର ସୀମାବଦ୍ଧତାକୁ ଦୂର କରିବା ପାଇଁ ଏକାଧିକ ସେନ୍ସର୍ କିମ୍ବା ବାୟୋମେଟ୍ରିକ୍ ବ୍ୟବହାର କରେ। ଉଦାହରଣ ସ୍ୱରୂପ, ବୟସ୍କ ଆଇରିସ୍ ଦ୍ୱାରା ଆଇରିସ୍ ଚିହ୍ନଟକରଣ ସିଷ୍ଟମ୍‌ଗୁଡ଼ିକ ବିପଦରେ ପଡ଼ିପାରେ ଏବଂ ଜୀର୍ଣ୍ଣ କିମ୍ବା କଟା ଆଙ୍ଗୁଠି ଛାପ ଦ୍ୱାରା ଇଲେକ୍ଟ୍ରୋନିକ୍ ଆଙ୍ଗୁଠି ଚିହ୍ନଟକରଣ ଖରାପ ହୋଇପାରେ। ଯେତେବେଳେ ୟୁନିମୋଡାଲ୍ ବାୟୋମେଟ୍ରିକ୍ ସିଷ୍ଟମ୍ ସେମାନଙ୍କର ଚିହ୍ନଟକାରୀର ଅଖଣ୍ଡତା ଦ୍ୱାରା ସୀମିତ, ଏହା ସମ୍ଭାବନା କମ୍ ଯେ ଅନେକ ୟୁନିମୋଡାଲ୍ ସିଷ୍ଟମ୍ ସମାନ ସୀମାବଦ୍ଧତାରେ ପୀଡିତ ହେବେ। ମଲ୍ଟିମୋଡାଲ୍ ବାୟୋମେଟ୍ରିକ୍ ସିଷ୍ଟମ୍ ସମାନ ମାର୍କରରୁ ସୂଚନାର ସେଟ୍ (ଯଥା, ଏକ ଆଇରିସ୍‌ର ଏକାଧିକ ପ୍ରତିଛବି, କିମ୍ବା ସମାନ ଆଙ୍ଗୁଠିର ସ୍କାନ) କିମ୍ବା ବିଭିନ୍ନ ବାୟୋମେଟ୍ରିକ୍ସରୁ ସୂଚନା (ଆଙ୍ଗୁଠି ଚିହ୍ନ ସ୍କାନ ଏବଂ ସ୍ୱର ଚିହ୍ନଟ ବ୍ୟବହାର କରି, ଏକ କଥିତ ପାସକୋଡ୍ ଆବଶ୍ୟକ) ପାଇପାରିବ।

ମଲ୍ଟିମୋଡାଲ୍ ବାୟୋମେଟ୍ରିକ୍ ସିଷ୍ଟମ୍ ଏହି ୟୁନିମୋଡାଲ୍ ସିଷ୍ଟମଗୁଡ଼ିକୁ କ୍ରମିକ ଭାବରେ, ଏକକାଳୀନ ଭାବରେ, ଏହାର ଏକ ମିଶ୍ରଣରେ କିମ୍ବା ସିରିଜରେ ମିଶ୍ରଣ କରିପାରିବ, ଯାହା ଯଥାକ୍ରମେ କ୍ରମିକ, ସମାନ୍ତରାଳ, ପଦାନୁକ୍ରମିକ ଏବଂ କ୍ରମିକ ସମନ୍ୱୟ ମୋଡ୍ କୁ ବୁଝାଏ।

ସିସି ଟିଭି ଚାନେଲ୍ କରନ୍ତୁଏକ ଧାରାବାହିକ ବିକଶିତ କରିଛିବାୟୋମେଟ୍ରିକ୍ ଲେନ୍ସମୁହଁ ଚିହ୍ନଟ, ପାମ୍ପ୍ରିଣ୍ଟ ଚିହ୍ନଟ ସହିତ ଆଙ୍ଗୁଠି ଚିହ୍ନ ଏବଂ ଆଇରିସ୍ ଚିହ୍ନଟ ପାଇଁ। ଉଦାହରଣ ସ୍ୱରୂପ CH3659A ହେଉଛି ଏକ 4k ନିମ୍ନ ବିକୃତି ଲେନ୍ସ ଯାହା 1/1.8'' ସେନ୍ସର ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଥିଲା। ଏଥିରେ କେବଳ 11.95mm TTL ସହିତ ସମସ୍ତ ଗ୍ଲାସ୍ ଏବଂ କମ୍ପାକ୍ଟ ଡିଜାଇନ୍ ରହିଛି। ଏହା 44 ଡିଗ୍ରୀ ଭୂସମାନ୍ତର କ୍ଷେତ୍ର ଦୃଶ୍ୟକୁ କଏଦ କରିଥାଏ। ଏହି ଲେନ୍ସ ପାମ୍ପ୍ରିଣ୍ଟ ଚିହ୍ନଟ ପାଇଁ ଆଦର୍ଶ।