Derin Öğrenme Üretken Karşılık Ağlarına Dayalı Biyometrik Dorsal el Damar Görüntülerinden İnsan Tanımlama Doğrulaması
Year: 2021
Type: dissertation
Abstract: Bu araştırmanın amacı, bireysel kimlik tanımak için biometrik el üstü damar tekniği kullanılmıştır. Bu çalışmada, "dorsal venous network" damarı kullanılarak kimlik doğrulama yapılmıştır. Bunun için de derin öğrenme (deep learning) ve üretken çekişmeli ağ (GAN) birleştirilerek yeni bir metot DL-GAN geliştirilmiştir. DL-GAN kimlik doğrulama yöntemi ile kimlik doğrulama oranı artırılmıştır. İnsanların kimliklerini tanımlamak için el üstü damar bilgileri de dahil olmak üzere pek çok biyometrik yöntem kullanılır. Kızılötesi kamera gibi çeşitli teknolojik yöntemlerle tespit edilebilen el üstü deri altı sığ damarın, el deri dokusuna nasıl yerleştirildiğine dair bilgiler, kişilerin kimliklerini tanımlamanın yeni bir yöntemdir. El üstündeki damar yerleşimleri kişilere özgü olup ve bireyleri tanımlamak için kullanılan iyi ve yeni bir seçenektir. El üstü ve bileğe yakın olan damar sistemi, elin üstündeki deri altı atar damar, toplar damar ve damar ağ sistemi (metecarpal, venous network, basilic) kimlik doğrulamak için kullanılır. Biyometrik el üstü damar görüntüsünü tanımak için MATLAB 2020a programlama dili için uygun yazılım kodlaması yapılmıştır. Geliştirilen DL-GAN yöntemi, Jilin University– el üstü veri tabanı ve 11K el üstü veri tabanı olmak üzere iki ayrı veri tabanı üzerinde test edilmiştir. El üstü damar veri seti üzerinde yapılan deneylerin sonuçları ise, DL-GAN yönteminin %98,36 doğruluğa ulaştığını ve %2,47 hata oranına ve %0,19 standart doğruluğa sahiptir. İkinci veri setindeki deney sonuçları ise, doğruluğu %96,43 eşit hata oranı %3,55 ve standart doğruluk %0,21'dir. Geliştirilmiş DL-GAN yöntemi, aynı veri tabanları ile karşılaştırıldığında LBP, LPQ, GABOR, FGM, BGM ve SIFT gibi biyofiziksel yöntemlerden daha iyi sonuçlar elde edilmiştir.
Source: AYBU AVESIS
Author: Khaled Mohamed AB ALASHİK
Language: English
Subfield: Signal Processing
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7132666876