Tez No |
İndirme |
Tez Künye |
Durumu |
212454
|
|
İris deseninin yapay zeka yöntemleri ile tanınması / Recognition of iris texture by using artificial intelligence methods
Yazar:HASAN ERDİNÇ KOÇER
Danışman: PROF. DR. NOVRUZ ALLAHVERDİ
Yer Bilgisi: Selçuk Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Bilim ve Teknoloji = Science and Technology ; Biyoteknoloji = Biotechnology
Dizin:Görüntü işleme = Image processing ; İris = Iris
|
Onaylandı
Doktora
Türkçe
2007
149 s.
|
|
Bu tez çalışmasında, kişilerden alınan göz resmi içerisinden ayrıştırılan irisdeseninin yapay zeka yaklaşımı ile tanınması işlemi gerçekleştirilmiştir. Bu yaklaşımçerçevesinde iris görüntüleri, yapay zekanın sınıflandırmada kullanılan bir çeşidiolan Yapay Sinir Ağları ile sınıflandırılmıştır. İris tanıma amacıyla, Çin BilimAkademisi ve Beira Interior Üniversitesi'nden alınan iki farklı veritabanı buçalışmada kullanılmıştır.İris bölgesinin tespiti için Hough dönüşümü ve Canny kenar bulma işlemleriuygulanmış ve gözbebeği ile iris bölgesinin dış kenar çizgileri tespit edilmiştir.iiTespit edilen iris bölgesi göz resmi içerisinden ayrıştırılarak Kartezyen ? Polarkoordinat dönüşümü ile dairesel halden dikdörtgensel hale dönüştürülmüştür. İrisüzerinde yer alan desenlerin daha belirgin hale gelmesi amacıyla görüntüyehistogram eşitleme uygulanmıştır.İris görüntüsünün elde edilmesinin ardından öznitelik çıkarımı işleminegeçilmiştir. Bu aşamada iki farklı öznitelik vektörü çıkarımı uygulanmıştır. İlkyöntemde Gabor dalgacık dönüşümü yöntemi kullanılmış ve iris deseni ikili (binary? 0 ve 1 ile kodlama) olarak ifade edilmiştir. Buradan elde edilen öznitelik vektörüistatistiksel yaklaşımda kullanılmıştır. Diğer yöntemde ise, görüntü değişik boyutta(10*10, 14*14 v.b.) karesel pencereler kullanılarak alt görüntülere bölünmüş ve bualt görüntülere ortalama mutlak sapma yöntemi uygulanarak çeşitli uzunluktaöznitelik vektörü elde edilmiştir. Bu çıkarım yöntemi ile elde edilen öznitelik vektörüise yapay sinir ağı ile iris tanımada kullanılmıştır.Çalışmanın son aşamasında ise karşılaştırma işlemi yapılmıştır. Karşılaştırmaaşamasında iki farklı yol izlenmiştir. İlkinde, istatistiksel yöntemlerden Hamminguzaklığı yöntemi kullanılmıştır. Bu yöntemde tanıma işlemi iki görüntününkarşılaştırılması şeklinde olmaktadır ve bir sınıflandırma yapılmamaktadır.İkincisinde ise, yapay zeka yöntemlerinden çok katmanlı idrak sinir ağı, modülersinir ağı ve Elman sinir ağı modelleri kullanılarak karşılaştırma işlemigerçekleştirilmiştir. Genetik algoritmalar kullanılarak iris verileri azaltılmış vekarşılaştırma işlemi yeni iris verileri ile tekrar edilmiştir.Çalışma sonucunda alınan doğrulama oranlarına göre, modüler sinir ağımodelinin diğer modellere oranla daha yüksek doğrulamaya sahip olduğugözlenmiştir. CASIA iris veritabanından alınan iris görüntüleri için % 97,14, UBIRISiris veritabanından alınan iris görüntüleri için en yüksek 100 % tanıma oranı eldeedilmiştir. Ayrıca, sigmoid aktivasyon fonksiyonu ve eşleştirmeli eğim azaltımıöğrenme algoritması daha yüksek doğrulama gerçekleştirdiği gözlenmiştir. Genetikalgoritmalar kullanılarak öznitelik seçimi yapılmış girişlerde iris tanıma oranındadüşüş gözlenmiştir.Anahtar Kelimeler: biyometrik sistemler, iris tanıma, görüntü işleme.
|
|
In this study, the process of recognition of iris texture that segmented fromeye pictures taken from the people with artificial intelligence approach. In the frameof this approach, the iris images are classified by the Artificial Neural Networks(ANN) that the model of artificial intelligence used for classification. Two differentiris databases obtained from Chinese Academy of Science and University of BeiraInterior were used for iris recognition in this study.Hough transform and Canny edge detection algorithms are applied to irisimages for determining the boundary lines of iris region. This determined iris regionivis reshaped from ring shaped to rectangular form by using Cartesian-PolarCoordinate transform. Then, histogram equalization is applied to this iris texture forbecoming the iris features more clearly.After getting the iris texture, feature extraction process is done. Two differentfeature extraction methods are used in this phase. In the first method, Gabor Wavelettransform is applied to iris images and obtained binary (0 and 1 coding) iris featurevectors. This iris feature vectors are used in statistical approach for matching. In theother extraction method, the iris images are divided into various squared dimensions(10*10, 14*14 etc.) then Average Absolute Deviation (AAD) method are applied tothese sub-images for getting the iris feature vectors. These feature vectors are used inartificial neural network approach for classification.In the last phase of this study, the matching or classification process isimplemented. Two different ways are followed in recognition phase. In the first way,the kind of statistical matching method, Hamming Distance method is used. In thismethod, the identification process is implemented as matching between two iristemplates. In the second way, three models of artificial intelligence; Multi-LayeredPerceptron Neural Network, Modular Neural Network and Elman Neural Networkare used for recognition of iris images. The genetic algorithms are used for reducingthe iris features then the recognition process is repeated.According to the correct classification rates, modular neural networks havethe highest classification rates. The correct classification rates are 97,14 % forCASIA iris image database and 100 % for UBIRIS iris image database. Besides that,sigmoid activation function and conjugate gradient descent learning algorithm havethe highest classification rates. It has been observed that the classification rates havebeen decreased for the inputs obtained from the genetic selection. The classificationrates obtained from experimental results were presented as in tables in results part ofthis study.Keywords: biometric systems, iris recognition, image processing. |