Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 22 Sayı: 2

FİLTRELEME TEKNİKLERİ İLE İYİLEŞTİRİLMİŞ PARMAKİZLERİNİ YAPAY SİNİR AĞLARI İLE TANIMADA YENİ BİR YAKLAŞIM

Sayfa
—
Yayın Tarihi
2013-02-15
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

YSA kullanılarak eğitilen bir parmakizi özellikvektörleri için karşılaştırma işlemi çok hızlı bir şekilde gerçekleştirilmiş ve başarılı sonuçlar elde edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada parmakizi görüntüsünün iyileştirilmesi için iki yöntem önerilmiştir.
📊
Temel Bulgular & Veri:Parmakizi görüntüsübütünüyle frekans içerikli bir yapıya sahip olduğundan dolayı filtreleme yönteminin geleneksel yöntemlere göreverimli sonuçlar doğuracağı düşünülmüştür.
💡
Sonuç & Katkı:YSA kullanılarak eğitilen bir parmakizi özellikvektörleri için karşılaştırma işlemi çok hızlı bir şekilde gerçekleştirilmiş ve başarılı sonuçlar elde edilmiştir.
🔬Tür:Makale
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Biyometrik · parmakizi iyileştirme · parmakizi tanıma

Özet

Bu çalışmada parmakizi görüntüsünün iyileştirilmesi için iki yöntem önerilmiştir. Bunlardan birincisinde lokalhistogram eşitleme ve gürültü azaltma filtreleri kullanılmıştır. Gürültü azaltma aşamasında doğrusal, medyan veuyarlamalı filtreleri kullanılmıştır. İkinci yöntemde ise dalgacık dönüşümü ve iki boyutlu dalgacık dönüşümününyeni bir açılımı olan çevritsel dönüşüm uygulanmıştır. Elde edilen uygulama sonuçları performans açısındankarşılaştırılmıştır. Çalışmada ayrıca filtre-kümesi kullanılarak elde edilen parmakizi özellik vektörlerinin yapaysinir ağları (YSA)’nda eğitilmesiyle bir parmakizi tanıma yöntemi geliştirilmiştir. Parmakizi görüntüsübütünüyle frekans içerikli bir yapıya sahip olduğundan dolayı filtreleme yönteminin geleneksel yöntemlere göreverimli sonuçlar doğuracağı düşünülmüştür. Geliştirilen yöntemde öncelikle parmakizi görüntüsünün yönselhistogramlar aracılığıyla bulunan bir referans noktası merkez alınarak belirlenen bir dairesel alanı 2 boyutluGabor filtreden geçirilmektedir. Her bir parmakizi için elde edilen sabit uzunluklu ve nispeten kısa özellikvektörleri, YSA kullanılarak karşılaştırma işlemine tabi tutulur. YSA kullanılarak eğitilen bir parmakizi özellikvektörleri için karşılaştırma işlemi çok hızlı bir şekilde gerçekleştirilmiş ve başarılı sonuçlar elde edilmiştir.

🔖

Bu Makaleye Atıf Yap

Altun, A. A., Allahverdi, N. (2013). FİLTRELEME TEKNİKLERİ İLE İYİLEŞTİRİLMİŞ PARMAKİZLERİNİ YAPAY SİNİR AĞLARI İLE TANIMADA YENİ BİR YAKLAŞIM. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 22 Sayı: 2. https://ajindex.com/articles/1078874

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (59)

  1. Wayman J., Jain A.K., Maltoni D., Maio D.,
  2. Biometric Systems: Technology, Design and
  3. Performance Evaluation, Springer, 2004.
  4. Mario, D., Maltoni, D., “Direct Gray-Scale
  5. Minutiae Detection in Fingerprints”, IEEE Trans.
  6. Pattern Analysis and Machine Intelligence, vol., no. 1, pp.27-40, 1997.
  7. Duncan, D., Po, Y., Do, M.N., “Directional
  8. Multiscale Modeling Of Images Using The
  9. Contourlet Transform”, IEEE Transactions on
  10. Image Processing, June 11, 2004.
  11. Altun A.A., Allahverdi N., Koçer H.E., “2 Boyutlu
  12. Gabor Filtre Kullanarak Yapay Sinir Ağları İle
  13. Parmakizi Analizi”, 4. Uluslar arası İleri
  14. Teknolojiler Sempozyumu, cilt 1, sf. 10-14,
  15. Yıldırım N., Saraç, U., Özer, H., “Gabor Filtre
  16. Kullanarak Parmakizi Analizi”, SIU 2002, 10.
  17. Sinyal İşleme ve İletişim Uygulamaları
  18. Kurultayı, Pamukkale, 2002.
  19. Jain, A.K., Prabhakar, S., Lin, H., Pankanti, S.,
  20. “FingerCode: A Filterbank for Fingerprint
  21. Representation and Matching”, IEEE Computer
  22. Society Conference on Computer Vision and
  23. Pattern Recognition,, pt. 2, p 187-93, Vol. 2,
  24. Yaman, K., Sarucan, A., Atak, M., Aktürk, N.,
  25. “Dinamik Çizelgeleme İçin Görüntü İşleme ve
  26. ARIMA Modelleri Yardımıyla Veri Hazırlama”,
  27. Gazi Üniversitesi Mühendislik Mimarlık
  28. Fakültesi Dergisi, Cilt 16, No 1, 19-40, 2001.
  29. Altun, A., Allahverdi, N., Koçer, H.E., Yılmaz, T.,
  30. Alan, S., “Filtreleme Teknikleri Kullanarak
  31. Parmakizi Görüntüsü İyileştirme”, SIU 2005 13.
  32. Kurultayı, 2005.
  33. Ortiz, F., Torres, F., Gil, P., “Gaussian Noise
  34. Elimination in Colour Images by Vector-
  35. Connected Filters”, 17th International
  36. Conference on Pattern Recognition, pt. 4, Vol.4,
  37. p 807-10, 2004.
  38. Vatansever, F., Çankaya, İ., Akgün, D., “Dalgacık
  39. Tabanlı Görüntü Temizleme”, 4. Uluslar arası
  40. İleri Teknolojiler Sempozyumu, cilt 1, sf. 63-68,
  41. Prabhakar, S., Fingerprint Classification and
  42. Matching Using a Filterbank, PhD Thesis,
  43. Michigan State University, 2001.
  44. Erdem, O.A., Uzun, E., “Yapay Sinir Ağları ile
  45. Türkçe Times New Roman, Arial ve Elyazısı
  46. Karakterleri Tanıma”, Gazi Üniversitesi
  47. Mühendislik Mimarlık Fakültesi Dergisi, Cilt, No 1, 13-19, 2005.
  48. Bishop, C.M., Neural Networks for Pattern
  49. Recognition, Oxford University Press, Oxford,
  50. UK, 1995.
  51. Ghada, B., B. John, O., “Enhancing trie-based
  52. syntactic pattern recognition using AI heuristic
  53. search strategies”, Lecture Notes in Computer
  54. Science, v 3686, n PART I, Pattern Recognition
  55. and Data Mining: Third International Conference
  56. on Advances in Pattern Recognition, ICAPR 2005.
  57. Proceedings, p 1-17, 2005.
  58. Pattern Recognition,, pt. 2, p 187-93, Vol. 2,
  59. Recognition, Oxford University Press, Oxford,