AI Summary & Key Takeaways
AI InsightEffects of this thresholds were investigated on learning performance of the neural network by using 3 different tresholding (185,170,150).
📌 3 Key Takeaways
Abstract
In this study, signature verification has been done using artificial neural networks. In signature verification process firstly, signatures have been normalized and thresholded in order to prevent the noises in background. Then the features used in artificial neural network's learning have been extracted. Signatures have been differentiated using five features such as signature density, horizontal relative difference between signature centers, vertical relative,difference between signature centers, signature width, signature height. 15 features have been formed from these features using three different threshold calculations. So three types of articial neural network model using this 5,10 and 15 feature for signature verification have been used. Effects of this thresholds were investigated on learning performance of the neural network by using 3 different tresholding (185,170,150).
Özet
Bu çalışmada, yapay sinir ağı kullanılarak imza tanıma işlemi gerçekleştirilmiştir. İmza tanıma işleminde, öncelikle imzalar normalize edilmiş ve arka planda oluşan gürültü ve kirlilikleri gidermek için eşiklenmiş ve ardından yapay sinir ağı eğitiminde kullanılacak özellikler elde edilmiştir. İmzalar, imza yoğunluğu, imzanın merkezler arası göreli yatay farkı, imzanın merkezler arası göreli dikey farkı, imzanın genişliği, imzanın yüksekliği olmak üzere 5 özelliğine bakılarak, birbirlerinden ayırt edilmişlerdir. Bu beş özellik üç farklı eşikleme değeri için hesaplanarak toplam 15 özellik haline getirilmiştir. Böylece 5, 10 ve 15 özelliği giriş olarak kullanan üç tip yapay sinir ağı modeli imza tanıma için kullanılmıştır. Ayrıca yapay sinir ağı yapısının öğrenme performansına; eşiklemenin etkisi 3 değişik (185, 170,150) eşikleme ile bakılmıştır.