Bu çalı ma, ki ilere ait parmakizi görüntülerini kullanarak esnek hesaplama yöntemleri yardımıyla bu ki ileri tanımak için yeni bir yöntem geli tirmek amacıyla yapılmı tır. Bu amaçla NIST-4 veritabanından 10 ki iye ait toplam 1000 adet parmakizi görüntüsü kullanılmı tır. Parmakizi tanıma a amasında kullanılan görüntünün kalitesi tanıma a amasındaki performansı etkilemektedir. Bu parmakizi görüntüleri elde edilirken dı etkenlerden dolayı gürültü içerirler. Bu yüzden bu parmakizi görüntülerine öncelikle görüntü iyile tirme i lemi gerçekle tirilir. Bunun i için görüntü iyile tirme teknikleri ara tırılmı ve geleneksel yöntem olan lineer, medyan ve uyarlamalı filtrelerle birlikte dalgacık dönü ümü ve dalgacık dönü ümün geli tirilmi i olan çevritsel dönü üm kullanılarak parmakizi görüntüleri gürültüden arındırılmaya çalı ılarak iyile tirilmi tir. yile tirilen bu görüntülerin en büyük sinyal-gürültü oranına göre performansları ölçülmü tür. En iyi ön iyile tirme performansını çevritsel dönü ümün verdi i gözlemlenmi tir. Çalı manın ikinci a amasında iyile tirilmi parmakizi görüntülerinden FingerCode adı verilen özellik vektörleri geli tirilen bir yöntemle elde edilmi tir. Elde edilen bu özellik vektörleri Yapay Sinir A ı ile e itilerek parmakizi tanıma i lemi gerçekle tirilmi tir. Bunun için toplam 1000 parmakizi görüntüsünden 700 tanesi YSA'nın e itimi a amasında, 150 tanesi do rulama a amasında ve 150 tanesi test a amasında kullanılmı tır. YSA ile hatanın geriye yayılması algoritmaları kullanılarak yapılan e itme sonucunda en iyi performansı %100 e itim do rulu u ve %99,6 genel tanıma oranı ile E le tirmeli E im Azaltımlı (Conjugate Gradient Descent) olarak adlandırılan algoritma vermi tir. Çalı manın son a amasında elde edilen özellik vektörlerinin büyük boyutlu olmasının YSA'daki e itim süresini etkiledi i gözlemlenmi tir. Dolayısı ile özellik vektörlerinin boyutunun azaltılması gerekti i ortaya çıkmı tır. Bunun için özellik azaltımı, veri azaltımı ve boyut azaltımı konuları ara tırılmı tır. Özellik azaltım yöntemleri arasından en uygun olanının bu alanda sıklıkla kullanılan Genetik Algoritmalar oldu u gözlemlenmi tir. Bu yüzden parmakizi görüntülerine ait özellik vektörleri boyutunun azaltılması için Genetik Algoritmalar kullanılmı tır. Böylece gürültü içeren ve daha az etkin özellikler çıkarılarak etkin özelliklerin seçimi yapılmı tır. Seçilmi özellik vektörleri yeniden YSA'da e itilerek tanıma i lemi gerçekle tirilmi tir. Elde edilen sonuçlara göre, GA kullanılarak boyutu azaltılan özellik vektörleri kullanılarak yapılan tanıma i lemi daha kısa sürede gerçekle tirilmi ve %99,5 genel tanıma oranı ile özellik vektörleri boyutlarının azaltılmamı durumuna çok çok yakın bir tanıma oranı elde edildi i gözlemlenmi tir.
This study is realized to recognize the people by a new generated method with the assistance of soft computing methods. 1000 fingerprint images that belong to 10 people are used from the NIST-4 database. The quality of the images of the fingerprints that are used in the process of the recognition affects the performance of recognition. These fingerprint images include interferences due to the external effects. For this reason the images of fingerprints are processed initially for image iii enhancement. Because of all of these , image enhancement methods are investigated and in addition to the conventional methods that are named as linear , median and adaptive filters, wavelet transform and the improved version of wavelet transform called as ?Contourlet transform? are used to separate the fingerprint images from the interferences. The fingerprint images are enhanced by using these techniques. The performances of these images are measured according to the peak signal to noise ratio. The best performance is obtained from Contourlet transform. At the second stage of the study, the feature vector called as Fingercode is obtained by means of a generated method. The obtained feature vectors are trained by artificial neural networks and the fingerprint recognition is performed. For this purpose, from totally 1000 fingerprints, 700 fingerprints are used in the process of ANN training , 150 fingerprints are used in the process of validation and 150 fingerprints are used in the process of testing. After performing the training by using the back propagation algorithm the best performance is obtained from the algorithm named as Conjugate Gradient Descent with %100 training accuracy and %99,6 general recognition rate . In the last period of the study, the size of the feature vector is taken into account and it was observed that the size affects the time of training. Thus, the reduction of the size is needed. Because of this reason the topics of reduction of feature, data and size are investigated. It is observed that the most suitable method is Genetic Algorithm that is used frequently in this field. For this reason, genetic algorithms are used for the reduction of the size of the feature vector that belongs to the images of the fingerprints. Thus, by eliminating the features with interference, selection of the features are made. The selected features are retrained and recognition process is performed by using ANN. According to the derived results, the training of the selected features in the ANN took less time. The recognition rate is obtained as well as the previous application.
