Bu çalışmada 3 farklı yöntem kullanılarak imza tanıma işlemi gerçekleştirilmiştir. 480 imza sayısallaştırılarak çeşitli ön işleme metotları uygulanmıştır. Öncelikle imza görüntülerindeki gereksiz alanlar atılmıştır. Daha sonra histogram eşitleme kullanılarak kontrast ve parlaklık değerleri görüntüdeki bütün alanlarda eşit olacak şekilde yapılandırılmıştır. Arka planda yer alan gürültüler giderildikten sonra eşikleme işlemine tabii tutulmuşlardır. Daha sonra tüm imzalar standart bir boyuta getirilmiştir ve isimlendirilerek sınıflara ayrılmıştır. Bu imzalardan 400 tanesi örnek veri olarak kullanılmıştır. Geriye kalan 80 imza ise sistemin performansını değerlendirmek üzere test amaçlı kullanılmıştır. Öznitelik vektörlerinin çıkarılmasında genelde karakter tanımada kullanılan ET1 ve DT12 çevresel özellikleri yöntemi kullanılmıştır. Aynı sınıflara ait olan imzaların ortalama değerleri Maksimum Olabilirlik Tahminin yöntemi kullanılarak bulunmuştur. Bu yöntem sonrasında oluşan değerler kovaryans matrisi hesaplanarak normalize edilmiştir. Daha sonra bu kovaryans matrisinin tersi alınarak test işlemine geçmeden önce öznitelik vektörlerinin hazır hale getirilmesi sağlanmıştır. İmza tanımada 3 yöntem kullanılmıştır. Bunlardan ilki Bayes Sınıflandırma Algoritması (Bayesian Classification Algorithm)'dır. Bu algoritmada önce her bir özelliğin olasılığı hesaba katılır, bütün özellikler eşdeğer önemde ele alınır ve olasılıklar çarpılır. Verilen bir sınıfın toplam olasılığı hesaba katılır ve özelliklerinin olasılıklarıyla çarpılır. Bu olasılığı maksimum yapan sınıf seçilerek sonuca ulaşılmıştır. İkinci yöntem ise En Yakın Komşu Algoritması (Nearest Neighbor Algorithm)`dır. Aynı sınıfa ait imza görüntülerinin genelde aynı bölgede kümeleştiği esasına göre çalışan bir algoritmadır. Bu durum sınıflandırılmamış örüntünün en yakın komşusu olan örüntünün sınıfına atanmasıyla sonuca ulaşılır. Üçüncü ve son yöntem olan K En Yakın Komşu Algoritması (K Nearest Neighbor Algorithm) ise daha önceden sınıflandırılmış örüntülerden k tanesinin yakınlığına bakılması esasına dayan bir yaklaşımdır. İmza tanıma sisteminde kullanılan ilk yöntem Bayes Sınıflandırma Yöntemi ile yanlış reddetme etme (FRR) oranı % 31,75'tir. En Yakın Komşu Yöntemi ile %3,75 ve K En Yakın Komşu Yöntemi ile de %1,25 FRR elde edilmiştir. Bu çalışmada kullanılan yöntemlerden güvenirliliği en iyi olan yöntem k parametresinin değiştirilmesi ile esneklik sağlayan k en yakın komşu yöntemi olmuştur. En yakın komşu yöntemi ise bayes sınıflandırma yöntemine göre daha iyi performans göstermiştir.
In this study, signature recognition process was carried out using three different methods. A variety of pre-processing methods applied with digitization of signatures. First of all, the unnecessary parts of the signature images were removed. Then with using histogram equalization, contrast and brightness values were scattered with equal rates to the all parts. After removing of the noise in the background images were applied to thresholding process. After then, all of the signatures had been transformed to a standardized size and divided into groups by naming. 400 of these signatures were used for performing the purposes to evaluate the performance of the system. ET1 and DT12, used for the removal of the feature vectors in the environmental characteristics of the character recognition, were used. The average value of the signatures which was in the same group was found by using the method of maximum likelihood of prediction. The values obtained after this progress was normalized by calculating the covariance matrix. Three methods were used in identifying signature. The first of these is algorithm of Bayesian Classification. Firstly in this algorithm, possibility of each feature is taken into account, possibilities are considered as equally vital, and possibilities are multiplied. The whole possibilities of a group given was accounted and multiplied with possibilities of features. The second method is the Nearest Neighbor Algorithm. This is an algorithm which works according to the gathering of the same group signatures in the same place. This pattern progressed with the appointment of unclassified pattern to the nearest classified pattern which was the nearest neighbor. The third and the last one is k the nearest neighbor method. This method is an approach which was based on the distance of the pattern which was classified before to the k point. The false reject rate of the first method, Bayesian Classification Method used in recognition of signature is %31,75. This rate is %3,75 in the nearest neighbor method and % 1,25 in the method k the nearest neighbor. In this study the most reliable method is k the nearest neighbor method which provides flexibility to change the parameter of k. The nearest neighbor method showed better performance rather than the Bayesian Classification Method.
