Derin öğrenme yöntemleri kullanılarak parmak damarı tanıma
Finger vein recognition using deep learning methods
- Tez No: 970061
- Danışmanlar: DR. ÖĞR. ÜYESİ İLKER DALKIRAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Parmak damarı tanıma, Gabor filtresi, LBP, derin öğrenme, özellik füzyonu, Finger vein recognition, Gabor filter, LBP, deep learning, feature fusion
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Parmak damarı tanıma sistemleri, yüksek güvenlik ve sahteciliğe karşı dirençli yapıları sayesinde biyometrik doğrulama alanında giderek önem kazanmaktadır. Ancak görüntü kalitesi, sınırlı veri miktarı ve uygun öznitelik seçimi gibi faktörler sistem başarısını önemli ölçüde etkilemektedir. Bu çalışmada, klasik görüntü işleme teknikleri ve derin öğrenme yöntemlerinin güçlü yönlerini bir araya getiren hibrit bir sistem önerilmiş; parmak damarı tanımada doğruluk ve genellenebilirliğin artırılması amaçlanmıştır. Önerilen sistemde, damar desenlerinin temsili için Gabor filtreleri ve Yerel İkili Örüntüler (Local Binary Patterns, LBP) kullanılarak, görüntüler ön işleme tabi tutulmuştur. Bu ön işleme tekniklerinin hiperparametreleri, Parçacık Sürüsü Optimizasyonu (Particle Swarm Optimization, PSO) algoritması kullanılarak optimize edilmiştir. Optimum parametrelerle elde edilen görüntüler, orijinal görüntülerle birlikte hafifletilmiş bir ResNet mimarisine dayanan üç ayrı Evrişimsel Sinir Ağı (Convolutional Neural Networks, CNN) modeli ile eğitilmiştir. Daha sonra her CNN modelinden elde edilen öznitelikler, özellik füzyonu yöntemi ile birleştirilmiş ve son aşamada doğrusal bir Destek Vektör Makinesi (Support Vector Machine, SVM) sınıflayıcısıyla sınıflandırılmıştır. MMCBNU_600 veri kümesi kullanılarak yapılan deneyler sonucunda, tekil CNN modelleri yaklaşık %96 civarında doğruluk sunarken, önerilen füzyon yaklaşımıyla doğruluk %99.67 seviyesine ulaşmıştır. Ayrıca, literatürde yer alan güncel yöntemlerle yapılan karşılaştırmalar, geliştirilen sistemin doğruluk ve kararlılık açısından üstün performans gösterdiğini ortaya koymuştur.
Özet (Çeviri)
Finger vein recognition systems are gaining increasing importance in the field of biometric authentication due to their high level of security and resistance to forgery. However, factors such as image quality, limited data availability, and appropriate feature selection significantly influence system performance. In this study, a hybrid system that combines the strengths of traditional image processing techniques and deep learning methods is proposed, aiming to enhance both the accuracy and generalizability of finger vein recognition. In the proposed approach, Gabor filters and Local Binary Patterns (LBP) are employed during the preprocessing phase to extract representative features of vein patterns. The hyperparameters of these preprocessing techniques are optimized using the Particle Swarm Optimization (PSO) algorithm. The resulting enhanced images, along with the original ones, are used to train three separate Convolutional Neural Network (CNN) models based on a lightweight ResNet architecture. Features extracted from each CNN model are then combined using a feature fusion strategy and finally classified using a linear Support Vector Machine (SVM) classifier. Experiments conducted on the MMCBNU_600 dataset show that while individual CNN models achieve an accuracy of around 96%, the proposed fusion-based approach significantly improves this performance, reaching an accuracy of 99.67%. Furthermore, comparisons with recent methods in the literature demonstrate that the developed system outperforms existing approaches in terms of both accuracy and stability.
Benzer Tezler
- Presentation attack detection with shuffled patch-wise binary supervision
Karıştırılmış yama tabanlı ikili gözetim ile sunum saldırı tespiti
ALPEREN KANTARCI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- Derin öğrenme yöntemleri kullanılarak fotovoltaik hücre elektrolüminesans görüntülerindeki kusurların tespiti
Detection of defects in photovoltaic cell electroluminescence images using deep learning methods
MUSTAFA YUSUF DEMİRCİ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiHarran ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NURETTİN BEŞLİ
DOÇ. DR. ABDÜLKADİR GÜMÜŞÇÜ
- Algısal özet fonksiyonları tabanlı derin öğrenme yöntemleri kullanılarak imgelerin sınıflandırılması
Classification of images by using deep learning methods based on perceptual hash functions
FATİH ÖZYURT
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. ENGİN AVCI
- Derin öğrenme yöntemi kullanılarak görüntü-tabanlı türk işaret dili tanıma
Image-based turkish sign language recognition using deep learning method
ELİF EZEL
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER KAAN BAYKAN
- Parmak izi ve avuç içi izi sınıflandırılmasında makine öğrenmesi ve derin öğrenme yöntemlerinin karşılaştırmalı performans analizi
Başlık çevirisi yok
FATIKHA IMAMAGZAM
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİL YİĞİT