AVUÇ İÇİ TARAMA YÖNTEMLERİNİ KULLANARAK BİYOMETRİK KİMLİK TESPİTİ. Faraz JALALI DARGHLOU YÜKSEK LİSANS TEZİ ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ

Transkript

1 . AVUÇ İÇİ TARAMA YÖNTEMLERİNİ KULLANARAK BİYOMETRİK KİMLİK TESPİTİ Faraz JALALI DARGHLOU YÜKSEK LİSANS TEZİ ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ARALIK 2013 ANKARA

2 . Faraz JALALI DARGHLOUtarafından hazırlanan Avuç İçi Tarama Yöntemlerini Kullanarak Biyometrik Kimlik Tespiti adlı bu tezin Yüksek Lisans tezi olarak uygun olduğunu onaylarım. Doç.Dr. Fırat HARDALAÇ Tez Danışmanı, Elektrik Elektronik Müh. Anabilim Dalı Bu çalışma, jürimiz tarafından oy birliği ile Elektrik Elektronik Mühendisliği Anabilim Dalında Yüksek Lisans tezi olarak kabul edilmiştir. Doç.Dr. Murat Hüsnü SAZLI Elektrik-Elektronik Müh., Ankara Üniversitesi. Doç.Dr. Fırat HARDALAÇ Elektrik-Elektronik Müh.,G.Ü Yrd.Doç. Dr. Nursel AKÇAM Elektrik-Elektronik Müh.,G.Ü. Tez Savunma Tarihi: 23/12/2013 Bu tez ile G.Ü. Fen Bilimleri Enstitüsü Yönetim Kurulu Yüksek Lisans derecesini onamıştır. Prof. Dr. Şeref SAĞIROĞLU Fen Bilimleri Enstitüsü Müdürü

3 . TEZ BİLDİRİMİ Tez içindeki bütün bilgilerin etik davranış ve akademik kurallar çerçevesinde elde edilerek sunulduğunu, ayrıca tez yazım kurallarına uygun olarak hazırlanan bu çalışmada bana ait olmayan her türlü ifade ve bilginin kaynağına eksiksiz atıf yapıldığını bildiririm. Faraz JALALI DARGHLOU

4 iv AVUÇ İÇİ TARAMA YÖNTEMLERİNİ KULLANARAK BİYOMETRİK KİMLİK TESPİTİNE YENİ YAKLAŞIMLAR (Yüksek Lisans Tezi) Faraz JALALI DARGHLOU GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ Aralık 2013 ÖZET Biyometrik sistemlerde, insanların eşi olmayan özellik karakteristiklerini ölçerek; bilgisayarlarda, veri tabanları ve mütenasip ortamlara giriş için kimlik doğrulaması yapılır. Günümüzde, güvenilir bir şekilde kimlik tespiti hala çözüm bekleyen sorunlar arasındadır. Avuç içi tanıma son yıllarda yoğun ilgi toplayan araştırma alanlarından biridir. Fakat yoğun araştırmalara rağmen, avuç içi tanıma, pratik uygulamalar için bile oldukça zorlayıcı bir problemdir. Bu tez çalışmasında avuç ici tanıma ile kimlik tesbiti, çözümüne katkıda bulunmak üzere geliştirilen algoritma ile biyometrik kimlik tanımlama ve doğrulama sistemi geliştirmiştir. Biyometrik kimlik tespitinde avuç içi izleri önemli araçlardan birisidir. Bu tez çalışmasında, biyometrik teknolojilerin detaylı analizi yapılmış ve yeni bir avuç izi tanıma algoritması gerçekleştirilmiştir. Bu tez çalışmasında önerilen algoritma ile Yerel İkili Örüntü Fonksiyonuyla Eşdizimlilik-Matrisi bir arada kullanarak öznitelik çıkarma ve eşleştirmeyi en hızlı ve güvenilir şekilde yapmak amaçlanmıştır. Geliştirilen algoritma, Hong Kong Polytechnic Üniversitesi avuç izi veritabanında test edilmiştir.

5 v Bu tez çalışmasının genel amacı, geliştirilen bir uzman sistem yazılımı sayesinde, her avuç içi görüntüsünün sistemde kayıtlı bulunan diğer avuç içi görüntüleriyle karşılaştırılarak, güvenli şekilde kimlik tespitinin sağlanmasıdır. Bilim Kodu : Anahtar Kelimeler : Biyometrik, Avuç İzi Tanıma Sayfa Adedi : 71 Yöneticisi : Doç.Dr. Fırat HARDALAÇ

6 vi BIOMETRIC PALM SCANNING METHODS FOR IDENTIFICATION USING NEW APPROACHES (M. Sc. Thesis) Faraz JALALI DARGHLOU GAZİ UNIVERSITY GRADUATE SCHOOL OF NATURAL AND APPLIED SCIENCES December 2013 ABSTRACT Biometric systems, by measuring the unique characteristics of people in computers, databases and authentication are done for entry into commensurate environment. Nowadays, a reliable identification of unresolved issues is still expected. Palm recognition in recent years is one of the most considered topics in research areas. However, despite of intensive researches, palm recognition is still a problem in practical applications. This thesis developed a method in order to contribute to the solution of this problem. The algorithm was developed with the biometric identification and verification system. Biometric identification is one of the most important tools in the palm prints. In this study, a detailed analysis of biometric technology carried out and a new palm print recognition algorithm was achieved. In this study, the proposed algorithm is done with Local Binary Pattern, Co- Occurance - matrix function using a combination of feature extraction and matching to make it fastest and most reliable. The proposed algorithm has been tested in the palm print database in Hong Kong Polytechnic University.

7 vii The general purpose of this thesis is, by using a developed expert software system; each image of palm is compared with other recorded palm images in the system in order to ensure a reliable identification. Science Code : Keywords : Biometrics, Palmprint Recognition Page Number : 71 Supervisor : Assoc. Prof. Dr. Fırat HARDALAÇ

8 viii TEŞEKKÜR Yüksek Lisans tez çalışma süresince danışmanlığımı yapan ve bana sürekli destek olan danışmanım sayın Doç.Dr. Fırat HARDALAÇ a teşekkür ederim. Bana destek olan diğer hocalarıma ve arkadaşlarıma ayrıca Araş. Gör. Uğurhan KUTBAY a teşekkürü bir borç bilirim. Yine hayat boyunca her zaman yanımda olan, maddi ve soyut desteklerini hiçbir zaman esirgemeyen AİLEME teşekkürlerimi, sevgi ve saygılarımı sunarım. Faraz JALALI DARGHLOU

9 ix İÇİNDEKİLER Sayfa ÖZET... iv SUMMARY... vi TEŞEKKÜR... viii İÇİNDEKİLER... ix ŞEKİLLER LİSTESİ...xii ÇİZELGE LİSTESİ... xiv SİMGELER VE KISALTMALAR... xv 1. GİRİŞ VE AMAÇ ÖRÜNTÜ TANIMA SİSTEMİ Görüntü İşlemenin Esasları Görüntü eldesi Görüntü iyileştirme Görüntü onarımı Renkli görüntü işleme Sıkıştırma Morfolojik işleme Bölümleme Veri tabanı Görüntü İşlemede Kullanılan Teknikler Gölge düzeltme Normalleştirme Eşikleme Görüntü İyileştirme ve Onarım Teknikleri Keskinlik filtresi Kirlilik giderme Kenar bulma Görüntü İşleme Uygulama Alanları Histogram... 12

10 x Histogram eşitleme BİYOMETRİK SİSTEMLER Biyometriğin Tarihçesi Biyometriğin Amaçları Biyometrik Sistemlerin Özellikleri Biyometrik Sistemlerin Çalışma Mekanizması Biyometrik Görme Biyometrik Sistem Çeşitleri Açıklanması Parmak izi tanıma sistemi El geometrisi tanıma İmza atımı DNA tanıma Retina tanıma Yüz tanıma Biyometrik fotoğraf Ses tanıma Yüz termogramı İris tanıma Damar tanıma Yürüyüş Tuş vuruşu Biyometrik Sistemlerin Kullanım Alanları ÖZNİTELİK AYRIŞTIRMA İLE İLGİLİ YAPILMIŞ ÇALIŞMALAR Dalgacıklar Teorisi Dalgacık dönüşümü Fourier dönüşümü Sürekli dalgacık dönüşümü Ayrık dalgacık dönüşümü Hızlı dalgacık dönüşümü Ayrık kosinüs dönüşümü Gabor filtresi Gabor dalgacığının yapıtaşı: karmaşık sinüzoi... 37

11 xi Gabor yapıtaşı: gaussian fonksiyonu ÖZNİTELİK ÇIKARTMA Temel Bileşen Analizi (TBA) TBA matematiksel arka planı Çekirdek TBA ÇTBA matematiksel olarak incelenmesi AVUÇ İÇİ İLE İLGİLİ ÖNCEKİ ÇALIŞMALARIN ÖZETLERİ Literatürdeki Sonuçlar ve Karşılaştırma AVUÇ İZİNE DAYALI İNSAN TANIMA Ön İşlemleler Öznitelik Çıkartma Avuç İçi Tanıma Sisteminin Performansının Belirlenmesi Avuç İçi Görüntüsü Veri Tabanları UYGULAMA Yerel İkili Örüntü Yerel ikili örüntü fonksiyonun açıklaması Düzgün yerel ikili modeli Gri Seviye Eşdizimlilik-Matrisi DENEY SONUÇLARI Sonuçlar ve Öneriler KAYNAKLAR ÖZGEÇMİŞ... 71

12 xii ŞEKİLLER LİSTESİ Şekil Sayfa Şekil 2.1. Örüntü tanıma sistemi... 2 Şekil 2.2. Bir fiziksel görüntü ve dijital karşılığı... 4 Şekil 2.3. Bir görüntünün sayısallaştırılması... 4 Şekil 2.4. Sürekli bir görüntünün sayısallaştırılmış hali... 5 Şekil 2.5. Dijital görüntü islemede temel adımlar... 5 Şekil 2.6. Eşik değeri... 8 Şekil 2.7. Eşikleme öncesi ve sonrası görüntüleri... 9 Şekil 2.8. Laplacian keskinlik filtresi kullanılarak iyileştirilmiş bir görüntü ile orijinalinin karsılaştırılması Şekil 2.9. Farklı teknikler kullanılarak yapılan kirlilik giderme operasyonlarının karsılaştırması Şekil Sobel gradienti kullanılarak gerçekleştirilen kenar bulma operasyonu Şekil Görüntünün histogrami Şekil Histogrami eşitlenmiş avuç içi görüntüsü Şekil 3.1. Bazı biyometrik özellikleri Şekil 3.2. Biyometrik tanıma sistemlerinin çalışma yapısı Şekil 3.3. Bir parmak izi örneği Şekil 3.4. Parmak izi tanımlama sistemi Sekil 3.5. El geometrisi ve görüntünün alınması Şekil 3.6. Bir imza örneği Şekil 3.7. Yüz tanıma sistemi Şekil 3.8. Biyometrik fotoğraf şablonu Şekil 3.9. Ses tanıma Şekil Yüz termogrami Şekil Gözün yapısı Şekil El damar görüntüsü Şekil Stephenson kelimesinin yazılış ritmine ait gösterim Şekil 4.1. İki boyutlu analiz filtreleme bankası... 34

13 xiii Şekil Sayfa Şekil 4.2. Değişik dalgacık alt band lafındaki avuç izi görüntüleri Şekil 4.3. Gabor dalgacıklarının avuç izine uygulanmasına bir örnek Şekil 4.4. Karmaşık sinüzoidin zaman dümenindeki gösterimi Şekil 4.5. Tek ve iki boyutlu gaussian fonksiyonu Şekil 7.1. Avuç izi yakalama sisteminin tasarım ilkesi Şekil 7.2. Bölge seçme yönteminin temel aşamaları Şekil 7.3. İlk avuç izi veritabanına göre ilk 2 ve sonuncu öz avuç görüntüleri Sekil 7.4. PolyU avuç içi okuyucusundan görüntü alma işlemi Şekil 7.5. PolyU multispectral avuç içi görüntüleri Şekil 7.6. PolyU ROI avuç içi görüntüleri Şekil 8.1. Yerel ikili örüntü modeli operatöre gösterilmiştir Şekil 8.2. Dairesel simetrik komşu (P, R) farklı için ayarlar Şekil 8.3. Eğitim görüntü sayısı bakımından doğruluk oranı grafiği Şekil 8.4. Değişik yöntemler için, doğruluk oranı grafiği... 61

14 xiv Çizelge ÇİZELGE LİSTESİ Sayfa Çizelge 3.1. Biyometrik tanıma sistemlerinin çeşitlerini ve özellikler Çizelge 3.2. Biyometrik teknolojilerin kıyaslanması Çizelge 6.1. Polyu veritabanında 1.bölge seçimi ile elde edilmiş Çizelge 8.1. Eş oluşumlu matris, sıfıra yönelik hesaplanması Çizelge 8.2. Önerilen sistemin sonuçlarının karşılaştırılması... 60

15 xvi SİMGELER VE KISALTMALAR Simgeler Açıklama Rth P f (x) A0 Ak R(u,v) I(u,v) ψ(τ,s) Threshold Periyod Fonksiyonun Fourieri Fourier katsayısı Fourier katsayısı Fonksiyonunun reel kısımdır Fonksiyonunun sanal kısımıdır Ortogonal temel işlevler bakımından sürekli dalgacık dönüşümü sinyallerini temsil eder Her bir adımda sinyal vasıtasıyla pencere fonksiyonunu kaldırmaya denk gelen dönüşüm parametresidir S P K Λ Dönüşüm esnasında pencere fonksiyonunun ana dalgacık ölçeğini temsil eder Kartezyen koordinatlarındaki uzaysal frekans Kartezyen koordinatlarındaki uzaysal frekans Faz Gaussian ın tepe genliği Yatay eksendeki orta nokta Düşey eksendeki orta nokta Yatay olçekleme parametresi Düşey olçekleme parametresi Özvektör sayısı

16 vii Kısaltmalar AFIS AES CCD ÇTBA DNA DFT DCT DWT FFT GLCM ICAO INCITS JPEG LBP MRTD POLYU RMS SVM TBA Açıklama Automated Fingerprint Identification System - Otomatik Parmak İzi Tanımlama Sistemi Advanced Encryption Standard - Gelişmiş Şifreleme Standardı Transform Charge Coupled Device - Birleşik Şarj Cihazı Çekirdek Temel Bileşen Analizi- Kernel Principal Component Analysis Deoksiribo Nukleik Asit - Deoksiribonukleik Asit Ayrık Fourier Dönüşümü- Discrete Fourier Ayrık Kosinüs Dönüşümü- Discrete Cosine Transform Ayrık Dalgacık Dönüşümü- Discrete WaveleTransform Hızlı Fourier Dönüşümü -Fast Fourier Transform Co-Occurrence-Matrix - Eş Dizimlilik Matris International Civil Aviation Organization - Uluslararası Sivil Havacılık Örgütü International Committee For Information Technology - Bilgi Teknolojileri için Uluslararası Komitesi Joint Photographic Experts Group - Birleşik Fotoğraf Uzmanları Grubu Local Binary Pattern - Yerel İkili Örüntü Machine-Readable Travel Documents - Makine-Okunabilir Seyahat Belgeleri The Hong Kong Polytechnic University Root Mean-Square Error - Karekök Ortalama Hatası Support Vector Machine - Destek Vektör Makinesi Temel Bileşen Analizi- Principal Component Analysis

17 1 1. GİRİŞ Güvenilir kimlik tespiti hala çözüm bekleyen sorunlar arasındadır. Gelişen teknoloji ve bilgisayar sistemleri ile daha hızlı ve kolay kimlik tespiti gerçekleştirilmektedir. Bu tespit az bir hata ile gerçekleşmekte ve sahtekârlığa yol açabileceği için hala çözüm bekleyen konular arasındadır. Bu tez çalışmasında bu sorunların çözümüne katkıda bulunması için biyometrik kimlik tanımlama ve doğrulama sistemi tasarlamıştır. Bu tez çalışmasında avuç içi görüntülerini temsil edecek özniteliklerin çıkartılması ve avuç içi görüntü analizine dayalı bir kimlik tanımlama ve doğrulama sistemini gerçekleştirilmesi amaçlanmıştır. Bu çalışmada sorgulanan bir avuç içi görüntüsünün tanıma amacıyla kullanılan bir veri tabanındaki görüntüler içerisinde olup olmadığının belirlenmesi hedeflenmiştir. Yapılacak uygulamada literatürde standart olarak kullanılan PolyU avuç içi görüntüleri veri tabanı kullanılarak özniteliklerin çıkartılmasında ayrık dalgacık dönüşümü katsayıları kullanılarak veri setleri oluşturulmuştur. Bu veri setleri yapay sinir ağına giriş verisi olarak, çıkışına hedef veri setlerinin kullanılacağı bir eğitim süreci ile sınıflandırılmıştır. Avuç içi görüntüsüne yapılacak işlemler Matlab ortamındaki görüntü işleme araç kutusu ve dalgacık araç kutusunun hazır komut ve fonksiyonları kullanılmıştır. Bu çalışma kapsamında avuç içi görüntülerinin tanımadaki performans analizleri, deney ve test aşamalarının kimlik tanımlama ve doğrulamanın başarılması ve sonuçlarının değerlendirilmesi amaçlanmıştır.

18 2 2.ÖRÜNTÜ TANIMA SİSTEMİ Son yıllarda bilgisayarlarında insanlar gibi örüntüleri ayırt edebilmeleri için çok miktarda çalışma yapılmıştır. Üzerinde çalışılan örüntülerden bazıları karakterler, semboller, resimler, ses dalgaları, elektrokardiyogramlardır. Genellikle karmaşık hesaplamalardan dolayı yorumlanması zor veya değerlendirmelerde insana aşırı yük getiren problemler bilgisayarlı tanımada kullanılmaktadır.örüntü tanımanın en basit yolu şablon eşlemedir. Bu durumda her bir örüntü sınıfı için bir şablon olmak üzere şablonlar kümesi veri tabanı seklinde bellekte saklanır. Bilinmeyen sınıf her sınıfın şablonu ile karsılaştırılır. Sınıflama daha önceden belirlemiş bir eşleme kriterine veya benzerlik kriterine göre yapılır. Örüntünün tamamını şablonlarla karsılaştırmak yerine bazı özellikleri karşılaştırmak daha hızlı ve çoğu zaman da daha doğru sonuç verir. Bu sebepten ötürü örüntü tanıma işlemi, özellik çıkarma ve sınıflama olmak uzere iki ayrı safhada incelenir [10]. Şekil 2.1. Örüntü tanıma Sistemi [4] Şekil 2.1 deki özellik çıkarma, örüntü üzerinde bazı ölçümler yaparak sonuçlarını bir özellik vektörü haline getirir. Bu özellik problemin yapısına göre oldukça farklılık gösterebilir. Ayrıca özelliklerin birbirine göre önem dereceleri ve maliyetleri de farklı olabilir. Bu sebeple özelliklerin sınıfları birbirinden iyi ayırt edecek ve elde edilmiş maliyetleri düşük olacak şekilde seçilmesi gerekir. Özellikler her örüntü tanıma problemi için farklıdır [11]. Sınıflama aşamasında çıkarılan özelliklere dayanarak verilen objenin hangi sınıfa ait olduğuna karar verilir. Özellik çıkarma örüntü tanıma problemine göre farklılık göstermesine rağmen sınıflayıcılar belirli kategorilerde toplanmıştır [11].

19 3 Örüntü tanıma, görüntü örneklerinin yorumlanması veya tanınmasıyla ilgilenir ve görüntü hakkında bilgi edinerek sınıflama işlemini gerçekleştirmeyi amaçlar. İki büyük sınıflama tekniği kullanılarak şablon eşleştirme ve özellik çıkarma yapılır [12]. Şablon eşleme en yaygın sınıflama yöntemidir. Bu yöntemde görüntünün her pikseli özellik olarak kullanılır. Sınıflama giriş görüntüsünün tüm sınıf şablonlarının karşılaştırılmasıyla yapılır. Karşılaştırma sonucunda giriş bilgisi ile şablon arasındaki benzerlik ölçüsü ortaya çıkar. Şablon ile giriş görüntüsünün piksel bazında eşitliği benzerlik derecesini artırır, birbirine denk düşen piksellerdeki farklılığı ise benzerliği azaltır. Tüm şablonlar karşılaştırıldıktan sonra en çok benzerlik derecesi veren şablonun sınıfı seçilir. Yapısal sınıflama teknikleri örüntüyü sınıflayabilmek için yapısal özellikleri ve karar verme kuralları kullanır. Örneğin; karakterlerdeki çizgi türleri, delikler ve eğimler yapısal özelliklerindendir. Çıkarılan bu özellikler kullanılarak kural tabanlı sınıflama yapılır. Birçok örüntü tanıma sistemi hatalı sınıflamayı azaltmak için matematiksel temellere dayanır. Bu sistemler piksel tabanlı olup yapısal özellikleri kullanır. Bunlara örnek olarak Gabor özellikleri, kontur özellikleri, gradyan özellikleri ve histogramlar verilebilir. Sınıflayıcı olarak da diskriminant fonksiyonu sınıflayıcıları, Bayesian sınıflayıcılar ve yapay sinir ağlarını içeren sınıflayıcılar kullanılabilir [13] Görüntü İşlemenin Esasları En sade anlatımıyla, karaltı işleme, görüntüleri işleyebilmek için lâzım bir araca ve iki mühim girdi-çıktı donanıma talep duyulur görüntü sayısallaştırma ve görüntüleme aygıtıdır. Bu aygıtların natürel yapılarından dolayı, görüntüler bilgisayar tahlilleri için direk bir kaynak Oluşturmazlar. Bilgisayarlar imge verileri ile değil de nümerik değerlerle çalıştıklarından, İşleme başlamadan önce görüntü nümerik bir biçime dönüştürülür. Şekil 2.2 dörtgen dizili sayıların bir maddesel imajı, nasıl temsil edebileceğini göstermektedir. Maddesel imge, şekil elemanları ya da piksel denen küçük bölgelere ayrılmıştır. En kapsamlı alt bölümleme şeması olan dörtgen

20 4 örnekleme kafes aygıtı Şekil 2.2 de aktarılmıştır. Sayısal görüntüde, her piksele yerleştirilen değer, o spottaki parlaklığı verilmektedir. Sayısal resim Şekil 2.2 Bir maddesel imge ve sayısal şekli [15]. Dönüştürme işlemi nümerikleştirme olarak adlandırılır. Bu durum Şekil 2.3 de tamamen bir şemaya aktarılmıştır. Her pikselin görüntüsü parlaklığı örnekler ve nümerik olarak kullanılır. İşlemin bu kısmı, her pikselin o yerdeki parlaklık ya da karanlığını gösterir. Bu işlem tüm pikseller için uygulandığında resim dörtgen dizili bir biçimde gösterilir. Her piksel, tam bir yer ya da ize (satir ve sütun rakamıyla) ve aynı zamanda grilik düzeyi denen tam bir değere sahiptir. Bu dizili sayısal veri şu anda bilgisayarda işlenmek için müsait bir hal almaktadır. Şekil 2.4 devamlı bir görüntünün nümerikleştirilmiş halini göstermektedir. Şekil 2.3. Bir görüntünün sayısallaştırılması [15]

21 5 Şekil 2.4 Devamlı bir resmin sayılaştırma şekli. [m, n] benzer tek nokta nümerik olarak yer, parlaklık vs. değerlerle gösterilmiştir [16]. Sayısal görüntü çalışmaları iki başlıca gruba bölünebilir; girdi ve çıktıların görüntü olduğu metotlar, ikinci grup ise girdilerin resim olabileceği, ancak çıktıların resimlerden çıkarılan damgalar olduğu metotlardır. Bu organizasyon Şekil 2.5 de gosterilmektedir. Şekil 2.5 sayısal imge işlemede asıl aşamalar [17]

22 Görüntü eldesi Şekil 2.5 de gösterilen ilk iş olan görüntü eldesi, esasen sayısal olan bir verinin kullanılması olarak verilebileceği gibi genel olarak, prototipleşme gibi işlem öncesi süreci adlandırılır Görüntü iyileştirme En pratik görüntü işleme bölümlerden birisidir. Temel olarak, görüntü iyileştirme yöntemlerinin arkasında olan ana fikir, gözden kaçan detayların bulunması veya bir şeklin sabit özelliklerini ön planda gösterilmiştir. Yapılan ilk işlem, görüntünün zıtlığını artırılmasıdır Görüntü onarımı Görüntü onarımı resmi daha iyi hale getirir. Görüntü iyileştirme subjektif bir olayken, görüntü onarımı objektif bir kavramdır. Görüntü kayıplarının yenilenmesinde matematiksel ve öngörü formları kullanılır. Görüntü iyileştirme kişiye göre değişen bir mevzudur, çıkartılacak sonuç kişinin tercihlerine ilişikli olarak değiştirilebilir Renkli görüntü işleme İnternet üzerinde renkli sayısal resimlerin kullanımının çoğalması bu mevzunun önemini artıran etkidir Sıkıştırma İsminden de belli olduğu gibi bir resmin saklanabilmesi için lâzım olan belli disk miktarını azaltmakla ilgilidir. Örtme teknolojileri son zamanlarda oldukca fazla gelişmiş olsa da, aynı şey, boyutta aktarma teknolojileri için söylenemez. Bu özellikle resim içerikli olan internetin kullanımında önemli bir hale gelmiştir.

23 7 Bilgisayar kullanıcılarının belge uzantılarından bilinen JPEG formu bir resim sıkıştırma standardıdır (Joint Photographic Experts Group - JPEG) Morfolojik işleme Morfolojik işleme, resmin görüntülenmesinde ve şeklinin bilinmesinde faydalı olan resim bileşenlerinin elde edilmesinde kullanılan aygıtlara bağlıdır Bölümleme Bölümleme işlemi resim işlemenin en çetin işlevlerinden birisidir. Bölümleme ne kadar sahici olursa, tanıma işlemi o kadar doğru olur Veri tabanı Bir sorun hakkındaki bilinenler, bir resim işleme aygıtının veritabanında kodlar sayesinde olur. Veri tabanı her işleme kılavuzluk etmesinin yanı sıra, modüller arasındaki iletişimi de sağlarlar. Bu durum Şekil 2.5 de çift yönlü oklarla gösterilmeye çalışılmıştır Görüntü İşlemede Kullanılan Teknikler Gölge düzeltme Görüntüler maddesel objelerden elde edilirken, ışıltı, alıcı veya gerçek objeden kaynaklanan hâllerden dolayı resim üzerinde besbelli gölgeler oluşturabilir. Bazı hâllerde resim ortada parlak kenarlara yaklaştıkça ağırlaşan veya bu hâlin tam aksi türde ortada koyu kenarlara doğru parlaklaşan bir eser içinde olur. Veya resmin sağından soluna giderken parlaklık hafifleye bilir ya da çoğalabilir. Gölgelenme, üniform olmayan aydınlatma, üniform olmayan kamera duyarlı, hatta lensin kirli, olmasından bile oluşabilir. Bu sebeple gölgelenme olayı istenmeyen bir durumdur. Ancak amaç resim analizi ise görüntünün bu hâlden kurtarılması önceki hale gelir [18].

24 Normalleştirme Görüntünün işlemeye başlamadan önceki yapılan süreçlerdir. Bu önişlem olduğunca kısa olmalıdır. Zira normalleştirmedeki kasıt, gereksiz bilgiler için kullanılacak algoritmanın cevabi ve eylemini incelemektir. Tarayıcıdan alınan resimlerin büyüklükleri, çözünürlükleri birbirinden değişiktir. Tarayıcıdan gelen renkli resimler gri seviyeye değiştirilir. Bu resimlerin boyutları büyük olmakta ve bu durumları ile resim işleme yapılırsa yapay sinir ağında öğrenme ve tahlil aşamalarının yapılması uzun zaman alır. Gerçekte bu kadar büyük boyutlar kullanılması işlem zamanını arttırır ve işlemin verimini de azaltır. Bu nedenle tarayıcıdan gelen resimleri belli bir standartta azaltmak gerekir[24]. Bu saptama neticesinde program uygulamamız daki görüntülerin piksel sayısı olarak değiştirilmiştir Eşikleme Görüntü işlemede kullanılan taban yöntemlerden biridi eşiklemedir. Nümerik bir görüntünün eşikleme işlemi yapılmasının amacı, görüntünün özelliklerini belirlemede kolaylık sağlamaktır. Eşsiz gri ton seviyelerine sahip bir resmi, ikili hale yani siyah ve beyaz renkte göstermek için görüntü iki renkle tabir edilebilir şekilde değiştirilebilir. Görüntüye eşikleme işleme yapılmadan önce, bir eşik değeri bulunur. Şekil 2.6 daki gibi bir eşik değeri seçilerek yapılır. Eşik değerinden yüksek gri seviye değeri olan piksellere 1 değeri ve küçük değerleri olan piksellere ise 0 değeri atanır, böylece görüntü daha basit bir şekle siyah ve beyaza değiştirilmiş olur. Şekil 2.7 de bir görüntünün, eşikleme işleminden önceki (sol resim) ve sonraki durumu (sağ resim) görülmektedir [20]. Şekil 2.6. Eşik değeri [12]

25 9 r th s = 1 (2.1) r <th s = 0 (2.2) Şekil 2.7 Eşikleme öncesi ve sonrası görüntüleri [20] 2.3. Görüntü İyileştirme ve Tamir Yöntemleri Sayısal görüntü elde etme zamanı genellikle resimde kayıplara neden olur. Bu hâl mekanik sorunlardan, odaklanma sorunlarından, lensin hareketinden, müsait olmayan aydınlatmadan meydana gelen kirlenmeler, orijinal şekle göre daha kötü bir sayısal imge oluşturur. İmge iyileştirmenin amacı, belge edilmiş bir imgeden yola çıkarak görsel olarak en uygun görüntüye ulaşmaktır. İmge onarımının amacı ise, kayıtlı bir görüntüden yola çıkarak orijinal görüntüye en yakın bir görüntüye ulaşmaktır. Görüntü iyileştirmenin amacı güzelleştirme, görüntü onarımının amacı ise gerçekliktir [19] Keskinlik filtresi Resim tekniğinden iyi bilinen bir imge iyileştirme metodu, görüntüdeki kenarları belirginleştirmektir. Yöntem, keskinlik filtreleme olarak adlandırılır. Keskinlik filtresiyle bir görüntüdeki kenarları iyileştirilmesi demek ilk başta bu kenarların şekilden ayrılması, peşinden güçlendirilmesi ve bir daha görüntüye eklenmesi olarak adlandırılır [19]. Şekil 2.8 Laplacian Keskinlik filtresi kullanılarak iyileştirilmiş resim görülmektedir.

26 10 Şekil 2.8 Laplacian Keskinlik filtresi uygulanarak iyileştirilmiş bir resim ile orijinalinin kıyaslanması [19] Kirlilik giderme Kirlilik yok etme işlemi diye kullanılan lineer maskeler içerisinde en iyi filtreleme işlemi Wiener maskesi ile olmaktadır. Burada en uygun kelimesi ortalama hataların karesinin (mean- quare error - mse) verdiği için kullanılmaktadır. En uygun maske, aynı zamanda hataların ortalama karesidir kökü (root mean-square error - rms) en az olmaktadır. Kirlilik giderme işlemi için yapılan 5 farklı yöntem Şekil 2.9 da gösteilmektedir. İmge spektrumu ve kirlilik spektrumu için bilinen bir imge maskeleri uygulanmıştır. Diğer maskelerin değerleri (komşuluk ölçüsü vb.) RMS i en az yapacak şekilde seçilerek yapılmıştır.

27 11 Şekil 2.9 Farklı teknikler kullanılarak yapılan kirlilik giderme operasyonlarının karşılaştırması[19] Kenar bulma Eşikleme tekniği tümü objelere ait olan veya geri kalan kısıma ait olan piksellerin tamamını ayıran bir bölümleme işlemidir. Buna alternatif bir bölümleme işlemi de objelerin sınırlarını belirleyen piksellerin bulunmasını sağlayan bir bölümleme tekniği olan kenar bulma tekniğidir. Şekil 2.10 Sobel gradienti kullanılarak gerçekleştirilen kenar bulma operasyonunu göstermektedir.

28 12 Şekil 2.10 Sobel gradienti kullanılarak gerçekleştirilen kenar bulma operasyonu 2.4. Görüntü İşleme Uygulama Alanları Modern teknoloji, çok boyutlu sinyallerin basit devre sistemlerinden karmaşık bilgisayar sistemlerine kadar birçok sistemle işlenmesini mümkün kılmaktadır. Bu işlemenin amacı: Görüntü İşleme > Görüntü girer Görüntü çıkar Görüntü Analizi > Görüntü girer Ölçüler çıkar Görüntü Anlama > Görüntü girer Yüksek mertebeli tanımlar çıkar Olmak üzere 3 katagoriye ayırmaktır [26] Histogram Skaler bir görüntüsü ve her bir piksel belirli bir değer taşır. Birinci dereceden gri seviye histogram veya histogram, görüntüdeki parlaklık dağılımını gösterir. Görüntü histogram içinde yineleme sayısının grafik gösterimi piksel parlaklık değerlerine denir. Bir histogram da yatay eksen görüntüyü ve dikey eksende piksel parlaklık değerlerini, yani görüntüdeki her pikselin parlaklığını temsil eder. Skaler bir görüntü, piksel olarak belirli bir değer taşır.

29 13 Birinci dereceden gri seviye histogram veya histogram görüntüdeki parlaklık dağılımını gösterir. Giriş görüntü parlaklığı 256 seviye ile bir gri görüntü varsayılırsa, görüntünün her pikselin değer aralığı [0, 255] olur. Görüntüden bir histogram elde etmek için (sadece görüntüden tüm kaydırılacak pikseller), her parlaklık seviyesi ile piksel sayısını hesaplar. Basit bir histogramda pikselin mekânsal bilgileri kaybolur ve sadece pikselin gri değerleri elde edilir, yani görüntünün içerdiği piksel değerlerinin ağırlığını belirten grafiksel bir gösterim olur. Histogramlarda pozisyon bilgisi olmaz, yalnızca frekans bilgisi olur. Gri seviyedeki (0-255) bir resme ilgili bir değer seçilerek maskeleme yapmak mümkündür. Şekil 2.11 de bir resmin gri seviye histogrami gösterilmektedir [21]. Piksel sayısı Şekil 2.11 Görüntünün Histogramı [22] Gri Seviye Değeri Histogram eşitleme Histogram eşitleme gri seviyede değişmez kısımlarda yığılma olan resimlerde kullanışlıdır. Bu biçimde resim karşıtlığı azdır ve histogram eşitleme sonrasında iyi işlenebilir olur. Şekil 2.12 de görülebileceği gibi, histogram eşitlemenin amacı, renklerin frekanslarının histogram üstünde bir yerde yığılmadan, uygun şekilde dağılmasını sağlamaktır [22].

30 14 Şekil 2.12: Histogramı eşitlenmiş avuç içi görüntüsü [22] Şekil 2.12 deki sol görüntü gri seviyede arasında değer aralığında iken histogram eşitleme sonrası sağ görüntüdeki gri seviyede arası değerler almıştır.

31 15 3. BİYOMETRİK SİSTEMLER Biyometri, biyolojik verileri, örneğin kişinin kişisel bir vasıf ya da davranışını tahlil ederek kimliğini doğrulamaktır. Hayatımızda çok önem taşıyan biyometrik tabanlı onaylama, güvenilir kimlik doğrulaması diye güçlü bir yöntemdir. Günümüzde biyometri giderek daha çok kullanmaktadır. Bu sistem, bireyin parmak izini, elini, avuç içini, retinasını ya da sesini incelediğinden, olağandışı duyarlı olmalıdır. Şahısın anatomik ya da fizyolojik vasıflarını inceleyerek hakikî ve birbirini bir daha tekrar eden ölçümler oluşmayışıdır [23] Biyometrinin Tarihçesi Yüzyılımıza damgasını vurmuş olan biyometrik aygıtların alt kurallarının anlaşılması ve uygulanması doğrusu çok öncelere dayanır. Neticeler ne kadarda değişmez olmasa da insanların fiziksel özelliklerinin analizi kabullenmiş ve biyometrik özelliklerde kimlik tespiti uygulaması polis tarafından uygulanan bir yöntem olmuştur Biyometrinin Amaçları Biyometrinin genel amacı bireylerin kimliklerini tespit edebilmeleri için, kopyalanması ya da taklit edilmesi gayrimuhtemel olan özelliklerini uygulamalarını sağlamaktır. Kimlik belirleme işlemi, bireylerin fiziksel ya da davranışsal özelliklerine bağlı olduğu için başkasına verilmesi, unutulması ya da kaybolması söz konusu olamaz. Öteki yöntemlere göre çok daha riski azdır. Biyometrik ölçüler olarak tanımlanan bu özelliklerin şifrelerde kullanıması INCITS (International Committee for Information Technology) tarafından oluşturulmuş uluslararası bir standart kullanılmaktadır Biyometrik Sistemlerin Özellikleri Biyometrik aygıtlar altta gösterilmiş olan beş özelliğe sahip olmalıdır: 1. Evrensellik: herkeste biyometrik özelliklerin bulunması.

32 16 2. Eşsiz olma: her bireyde farklı olması. 3. Süreklilik: özellikler zaman geçtikçe değişmemelidir. 4. Elde edilebilirlik 5.Kabul edilebilirlik: bireylerin özellikleri kabul etmesi. Biyometrik tanıma sistemlerinin çeşitlerinin ve kullanılan özellikler Çizelge 3.1 de, biyometrik teknolojilerin karşılaştırılması Çizelge 3.2 de gösterilmektedir. Biyometrik tanıma sistemleri, Şekil 3.1 de gösterildiği gibi kişinin davranışsal ve fiziksel özelliklerine göre iki şekilde gruplanabilir. BİYOMETRİKLER FİZİKSEL DAVRANIŞSAL YÜZ PARMAKİZİ EL TUŞ BASIMI İMZA SES İRİS DNA Şekil 3.1. Bazı biyometrik özellikleri [28]

33 17 Çizelge 3.1. Biyometrik tanıma sistemlerinin çeşitlerini ve kullandıkları özellikler Biyometrik karakteristik Parmak İzi İmza Tanıma Yüz Geometrisi İris Tanıma Retina El Geometrisi Parmak Geometri El Damar Yapısı Kulak Formu Ses DNA Koku Klavye Vuruş Özelliklerin Açıklaması Parmak Satırları, Gözenek Yapısı Basınç Ve Hız İle Yazma Farkları Göz, Burun Ve Arası Uzaklıkları İris Deseni Retina Yapısına (Desenine) Göre Parmak Ve Avuç İçi Ölçülerine Göre Parmak Ölçme Elin Arası, Parmak Veya Avuç İçi Damar Yapısı Kulağın Belirgin Boyutları Ses Ya Ton Rengi Kalıtsal Bir Taşıyıcı Olan DNA Kokunun Kimyasal Bileşimi Klavye Vuruşların Ritmi (PC Veya Diğer Klavye)

34 Evrensellik Eşsizlik Süreklilik Elde edilebilirlik Performans Kabul edilebilirlik Yaygınlık 18 Çizelge 3.2. Biyometrik teknolojilerin kıyaslaması [27] Biyometrik karakteristik DNA Yüksek Yüksek Yüksek Düşük Yüksek Düşük Düşük Kulak Orta Orta Yüksek Orta Orta Yüksek Orta Yüz Yüksek Düşük Orta Yüksek Düşük Yüksek Yüksek Yüz termogramı Yüksek Yüksek Düşük Yüksek Orta Yüksek Yüksek Parmak izi Orta Yüksek Yüksek Orta Yüksek Orta Orta El geometrisi Orta Orta Orta Yüksek Orta Orta Orta İris Yüksek Yüksek Yüksek Orta Yüksek Düşük Düşük Retina Yüksek Yüksek Orta Düşük Yüksek Düşük Düşük İmza Düşük Düşük Düşük Yüksek Düşük Yüksek Yüksek Ses Orta Düşük Düşük Orta Düşük Yüksek Yüksek Damar Yüksek Orta Orta Orta Yüksek Orta Düşük 3.4. Biyometrik Sistemlerin Çalışma Mekanizması Tüm biyometrik teknolojiler, bilgi toplama, özellik çıkartma, karşılaştırma olmak üzere üç adım olarak benzer şekilde çalışırlar Biyometrık Görme Görüntü tanıma ile ilgili çalışma alanlarından birisi de, herhangi bir doku ya da organa ait görüntülerin işlenerek, elde edilen verilerin analiz edilip sınıflandırılması ve daha sonra karşılaştırılmasını konu alan kimlik tanımlama ve doğrulamada kullanılan biyometrik ölçme sistemleri ile ilgili olan görme süreçleridir.

35 19 Görme süreçleri: Görüntüden, gerçek nesne özelliklerinin tahmin edildiği veya nesne özelliklerini yansıtan karakteristik bilgilerin çıkarıldığı süreçlerdir. Biyometrik sistemler, tıpkı insan beyni gibi karşısındakini tanıyıp ayırd edebilmektedir. Biyometrik tanımlama ise kişinin sayısal kimliği şeklindedir. Bir başkası yerine kullanılamaz, birisine verilemez, değiştirilemez. Şekil 3.2. Bir biyometrik aygıtının yapısını göstermektedir. Şekil 3.2. Biyometrik tanıma sistemlerinin çalışma yapısı Biyometrik tanıma aygıtlarının inceleme yöntemini aşağıdaki gibi sırayla kısaca açıklamak mümkündür. Önce analiz edilen kısım veya özellik araması yapılır. Tarama neticesinde çıkarılan bilgiler sayısal koda çevrilir. Bu kod bilgisayarda belgelenir. Sonrası kullanıcı herhangi bir tarama aygıtı kullanarak kendini sistemine tanıtır, ilk önce aygıta verilen kod ile aynı kodu kullanmaz. Örneğin mekânın ışıklandırılması, bakış açınız, parmağınızı veya elinizin koyma şekliniz, parmağınızın kirliliği veya rutubeti gibi sebeplerden dolayı siz elinizi ya da gözünüzü her taradığınızda az farkla değişik bir kod çıkacaktır. Ancak sistem bunu çok fazla dert etmez ve orijinal kod ile o anda giriş yapılan kodu bir yüzde tutuncaya kadar kıyaslar. Sistemin güvenlik için düzenlenen algoritmasına bağlı olarak istenilen oran yakalandığında şahıs tanımlanır ve işlem için onay verilir. Bu suretle sahtekârlık olayları da en aza indirilmiş olur.

36 Biyometrik Sistem Çeşitlerin Açıklanması Günümüzdeki kullanılan biyometrik tanıma yöntemleri şunlardır. Fizyolojik özelliklere dayalı olan biyometrik tanıma sistemleri: 1. Parmak İzi 2. El Geometrisi 3. DNA 4. Retina 5. Yüz 6. Ses 7. Yüz Termogrami 8. İris 9. Damar Davranışsal özelliklere dayalı olan biyometrik tanıma sistemleri: 1. İmza Atimi 2. Yürüyüş 3. Tuş Vurusu 4. Konuşma Parmak izi teşhis sistemi Parmak izi çok uzun zamandır uygulanan, taklit edilemeyen bir kimlik bulma yöntemidir. Her bireyin parmak izinin farklı olması, senelerce değişmemesi, basit kullanımı ve geliştirilen yeni teknolojiler, bu yöntemin kapsamlı kullanımını sebep olmuştur. Bir otomatik parmak izi tanıma sisteminde (OPTS) parmak izi tanıma genellikle parmak izinde bulunan özellik noktalarının ve bunlara ait değişkenlerin karşılaştırılmasına dayanır. Şekil 3.3. Bir parmak izi örneği gösterilmiştir.

37 21 Şekil 3.3. Bir parmak izi ve kısımları Dezavantajından birisi, parmak izinin taklidi durumunda aygıtın yanılabilmesidir. Diğer bir dezavantajı ise bazı bireylerin pek çok sebepten dolayı (organ eksikliği, yanma, deri hastalıkları) parmak izlerinin silinmesidir. Parmak izi taklit sorunu, parmak izinin alındığı parmağın canlılığını test edecek gelişmiş sensörlerin yardımı ile önlenebilir. Bireyde parmak izinin olmaması durumunda (örneğin bir yangın sonrasında el derisinin soyulması ve izlerin kaybolması hali), parmak izi tespiti yapılamaz [25]. OPİTS Otomatıik Parmak İzi Tanıma Sistemi olarak adlandırılır. Bu tür uygulamalarda bireylerin parmak izleri tarayıcılar, kameralar veya canlı parmak izi tarama (live scan) sistemleriyle alınarak, veriler görüntü ve özellik olarak iki ayrı dosyaya kaydedilir. Parmak izi tanıma teknolojisinde farklı yaklaşımlar bulunur. Örnek olarak termal görüntüleme aygıtında parmağın sıcaklığı kullanılır. Parmak bir yonga üstüne koyulur ve parmak ısısı taranır. Şekil 3.4 te bir prototip Parmak İzi tanımlama aygıtı gösterilmiştir. Şekil 3.4. Parmak izi tanımlama aygıtı

38 El geometrisi tanıma El geometrisi teşhisi Amerika da 20 yıldır uygulanıyor, bilhassa havaalanları ve nükleer güç terminallerinde kullanılan bir metottur. Şekil 3.5 te aktarıldığı gibi bu sistemde insanların elinin veya iki parmağının geometrik şekli tahlil edilir. Parmakların uzunluğu, genişliği, eni ve büküm yerleri ayırt edici özellikler teşhis için kullanılmaktadır. El geometrisi tanıma üstün sahicilik oranına sahip bir sistemle olmakla beraber çok büyük ve ağır okuma aygıt sebebiyle ücret ve kullanım açısından dezavantajlara sahiptir. Şekil 3.5. El Geometrisi ve Görüntünün taranması İmza atimi İmza tanıma ve kimlik tespiti aygıtların çalışmalarındaki kararlılığı ispatlanmıştır [25]. Ne yazık ki diğer biyometrik sistemlere göre çok az kullanılması görülmektedir, Şekil 3.6 de bir imza örneği aktarılmıştır. Şekil 3.6. Bir imza örneği İmza ile kimlik tespiti aygıtların dezavantajları, sistemin kullanıcının hızını ve imza atma davranışını öğrenebilmesi için uygun sayıda örneğe ihtiyaç duyması ve imza atımının kullanıcının o anki ruh haline, özellikle de acelesi olup olmadığına dayalı olarak değişmesidir.

39 DNA tanıma Deoksiribonükleik asit her insana münhasır bir işaret olduğu ilk defa 1985 yılında keşfedilmiştir. DNA tanıma sistemleri halen en güvenilir kimlik doğrulama sistemlerinden biridir ve en çok babalık tahlilleri ve adli işlemlerde uygulanmaktadır. DNA tanımada saç, kan ve diğer biyolojik veriler tahlil edilmektedir Retina tanıma Retina, her insana özel yapısının optik aygıtlar tarafından incelenmesi kavramına dayanır ve bu teknolojinin güvenilirliği iyidir. Ancak kullanıcının belirli bir noktaya bakması mecburiyetinden uygulanması zordur. Teknolojisinin yeterli olmasına rağmen bu nedenden dolayı fazla kabul görmemiştir Yüz tanıma Yüz tanıma sistemi aslında en doğal biyometrik ayırt edici yöntemdir. İnsanlar birbirlerini ayırt etmede yüzlerinden faydalanırlar. Bu sebeple, bu yöntem neredeyse insanlık tarihiyle yaşıt bir biyometrik ayırt etme yöntemidir. Buna rağmen bu yöntemin bilimsel olarak incelenerek bir ayırt edici özellik olarak bilgisayarlarda kullanılması oldukça yeni sayılabilecek bir konudur. Bir suçluyu tanımlamada polis tarafından kullanılan yöntem örnek verilebilir. Suçluyu anlatan insana suçlu hakkında sorular sorup yüz şeklinin belirlenmesine çalışmaktır. Bu konuda polis ressamlarının standart olarak daha önce çizdikleri bazı yüz parçalarından verilen tarife göre bu parçalar bir araya getirilerek suçlunun yüz şekline yakin bir yüz sekli bulunmaya çalışılır. Bilgisayarların hayatın içerisindeki hızlı kullanımı yüz tanıma yöntemleri konusunda da oldukça ilerlemeler sağlanmasına neden olmuştur. Günümüzde yüz tanımlama konusunda kullanılan iki yöntem vardır. Bunlar; 1. Yüz Metriği Yöntemi 2. Yüz parçaları(eigenfaces Yöntemi)

40 24 Yüz Metriği Yönteminde, Şekil 3.7 deki gibi yüz üzerinde yerleşik olan organlar arasındaki mesafeler ölçülerek bunlardan bir matematik ifade çıkarılmaya çalışılır. Örneğin gözler arasındaki mesafe ağız ve burun arasındaki mesafe vb. Bu yöntemin avantajı, PC 'lerde bulunan geniş ölçekli kameralar ile kullanıma uygun olmasıdır. Yüz tanıma sisteminde alınan resimden burnun genişliği, gözler arasındaki mesafe vb. özellikler çıkarılarak, tanımada kullanılır [28]. Şekil 3.7. Yüz tanıma sistemi Biyometrik fotoğraf Biyometrik fotoğraf, ülkelerin vize başvuruları ve pasaportlar için büyükelçilikler, konsolosluklar veya başkonsolosluklar tarafından istenen, standartları ICAO (International Civil Aviation Organization) tarafından belirlenen ve Makinede Okunabilen Seyahat Belgelerinde kullanılan yüksek kaliteli, belli ölçüleri ve özellikleri olan vesikalık fotoğraftır. Biyometrik fotoğraf, Şekil 3.8 te yer alan, ebatları 3,5 cm x 4,5 cm olarak belirlenmiştir. Şekil 3.8. Biyometrik fotoğraf şablonu [29]

41 Ses tanıma Bir ses tanıma uygulamasında, sinyallerin tanınabilmesi için öncelikle doğru şekilde ifade edilmeleri gereklidir. Diğer bir deyişle, incelenen ses sinyalinin içinde barındırdığı ve yalnızca tanınması hedeflenen sese ait unsurlar, çeşitli sayısal sinyal işleme teknikleri peş peşe uygulanarak belirlenir. Daha sonra belirlenen unsurların bir öznitelik vektörü ile ifade edilmesi gerekir. Bu öznitelikler ile ses tanıma veri tabanı oluşturulur. Şekil 3.9 de bir ses kaydını göstermektedir. Şekil 3.9. Ses tanıma Yüz termogramı Yüzün ısı haritasının analizi yapılarak kimlik tespiti ve doğrulama işlemlerinde kullanılan biyometrik yöntemlerden biridir. Bu konuda araştırmalar devam etmektedir. Şekil 3.10 da Yüz Termogrami gösterilmiştir. Şekil Yüz termogrami [29]

42 İris tanıma İris tarama, biyometrik sistemlerde en sade olanlarından birisidir. Şekil 3.11 de insan gözünün anatomik yapısı görülmektedir. Şekil Gözün yapısı [29] Son yıllarda iris tanıma sistemi, diğer sistemlere göre daha güvenilir, uygulaması kolay ve güncelliği her geçen gün artan bir sistem olma özelliğindedir. Bunun sebepleri; İris yapısal olarak anne karnında 3. ayda oluşmaya başlamakta, 8. ayda oluşumunu tamamlamakta ve doğumdan sonra 2-3 yıl içinde de tam gelişimini bitirmektedir. Bundan sonra iris, yapı olarak değişikliğe uğramamaktadır. İrisin oluşumu embriyonun gelişimine bağlı olduğu için, genetik yapıya bağlı değildir. İris yapısı, ikizler de bile değişiklik gösterdiği gibi ayni kişinin sağ ve sol gözündeki iris yapıları bile farklı olduğundan dolayı, tanıma için daha ayırt edici özelliğe sahiptir. Bu nedenle, iris tanıma sistemlerinde kişiler sistemin çalışma prensibine göre, ya hep ayni gözle sisteme tanıtılmakta ya da kişinin her iki gözü de sisteme kayıt edilmektedir. Gözde bulunan iris, kornea, gözkapağı ve gözbebeği tarafından korunmaktadır. Bu nedenle diş etkilerden en az etkilenebilecek özelliktedir. İrisin yapısı cerrahi müdahaleyle bile değiştirilememektedir. İris tanıma sistemi;

43 27 1.İrisin dijital görüntüsünün alınması, 2.Tahlil için görüntünün işlenmesi, Resmin bir yazılım sayesinde işlenir. Bu işlem yapıldığında resimden iris çıkarılarak sağlıklı bir tahlilin yapılabileceği bölgeler haricinde kalan bölgeler çıkartılır. 3.Özellik çıkarma, 4.Kimlik belirleme. Olmak üzere 4 adımdan oluşur [30] Damar tanıma sistemleri Avuç içi damar tanıma sistemleri, avuç içinde olan kan damarlarının her insanda değişik olduğundan yola çıkılarak ortaya çıkmış bir sistemdir. Bu teknolojide ilk olarak sensör tarafından kan damarlarına infrared ışık gönderilerek damar şekli ortaya çıkarılır. Kanda bulunan hemoglobine gönderilen kızılötesi ışığı soğurması ile elde edilir. Tarama işlemini gören IR kamera sayesinde çıkarılan görüntü, biyometrik yapı sayesinde tekrar tarayıcı üzerinde nümerik bir değere dönüştürülür. Sonrasında bu sayısal değer, 256 bit AES (Advanced Encryption Standart) algoritmasıyla şifrelenerek güvenli veri iletişimi için bilgisayarlara gönderilir. Şekil 3.12 de bir örnek el damar görüntüsü aktarılmıştır. Şekil El damar görüntüsü örneği Avuç içi damar sisteminde temel kullanım alanların bazıları; ATM Cihazları, Medikal tanımlama (SGK, Hastane, Eczane...), Geçiş Kontrolü, Personel Devam Kontrolü dür.

44 Yürüyüş Kişilerin yürüyüş şekline göre kimlik doğrulamasında kullanılan biyometrik yöntemlerden biridir. Literatürde bu konuda yapılmış çalışmalara pek yer verilmemiştir Tuş vuruşu Diğer biyometrik sistemlerin en büyük dezavantajlarından birinin bütün terminallerde kullanılmak üzere ekstra donanım gereksinimi olmalarının yani sıra, yazma ritmi sistemlerini diğer biyometrik sistemlerden ayıran en temel özellik kendisine has özel bir donanıma ihtiyaç duymamasıdır. Bir Yazma Ritmi sistemi tasarlamak için ihtiyaç duyulan tek girdi aygıtı sadece klavyedir. Böyle bir avantaja sahip bir biyometrik sistemin gerçek hayatta kullanılmaması için hiç bir sebep yoktur. Özellikle üniversiteler gibi pek çok yerde bu tür bir sistem hem bilimsel hem de teknik manada rahatlıkla kullanılabilir. Çünkü insanların el yazıları gibi klavye yazış şekilleri arasında büyük bir benzerlik vardır. Stephenson kelimesi için geçen süreler ölçülmüş ve bu sürelere ait grafiği Şekil 3.13 de gösterilmiştir. Şekil Stephenson kelimesinin yazılış ritmine ait gösterim 3.7. Biyometrik Sistemlerin Kullanım Alanları Günümüzde biyometrik sistemler aşağıda belirtilen alanlarda kullanılmaktadır; Personel yoklaması,

45 29 ATM lerde kullanıcı tanımlama, Hava limanlarında giriş işlemleri, Bankalarda kullanıcı tanımlama, Sınırlarda kapıların giriş çıkış kontrolü, Bilgisayar kullanıcılarında, Hastanelerde hasta takibi ve kimlik tanıma, Tesislere ve ofislerde erişim güvenliği.

46 30 4. ÖZNİTELİK AYRIŞTIRMA İLE İLGİLİ YAPILMIŞ ÇALIŞMALAR 4.1. Dalgacıklar Teorisi Dalgacık dönüşümü 1950'li yılların sonlarına kadar resim işlemede Fourier dönüşümleri başlıca dayanak olmasına rağmen, dalgacık dönüşümleri resim işlemeyi yani sıkıştırma, genişletme ve analizleri daha da kolaylaştırdı. Fourier dönüşümlerinin basit fonksiyonları sinüs ve kosinüs iken, dalgacık dönüşümü değişken sıklıkta ve limitli süredeki küçük dalgalara dayanmaktadır. Bu küçük dalgalara dalgacık denilmektedir. Geleneksel Fourier dönüşümlerinde bilgi fazlalığı sağlamasının yanında, dönüşüm işlemlerinde geçici bilgiler kaybolmaktadır. Dalgacık serileri birçok değişik yerlerde kullanılan bir yöntem olmaktadır ve aralarında uygulamalı matematik, sinyal işleme sistemleri, ses ve görüntü sıkıştırma sistemleri en önemlilerinden bazılarıdır. Dalgacıklar ilk olarak Jean Morlet ve A. Grossman tarafından coğrafi teknolojileri için uygulanmıştır. Dalgacıkların ilk kullanılması Joseph Fourier e ve onun Fourier dönüşümüne dayanmaktadır den sonra Fourier denklemlerinin ortaya çıkmasıyla matematikçiler sinyali tanıma için frekans alanında çalışmaya başladılar. Dalgacıklar ilk olarak "Haar Dalgacık olarak adlandırılan Haar in tezinde görülmüştür lerde Esteban ve Galand yeni bir süzgeç kavramını ortaya attı, ancak bu yolla ana sinyalin yeniden elde edilmesinde hata çok yüksek oldu. Dalgacık terimi ilk kez 1984 de Morlet ve Grossman tarafından kuantum fiziği çalışmalarında kullanıldı de Mallat dalgacık ve süzgeç grupları arasındaki ilişkiyi ortaya çıkardı. Meyer kendi adıyla anılan ilk dalgacıkları ortaya attı. Bu Haar dalgacıkların aksine, sürekli uygulamalarda kullanılabilen bir fonksiyondu. Yıllar sonra, Ingrid Daubechies bir takim dik tabanlı dalgacık serilerini ortaya atarak günümüzdeki birçok uygulamanın temelini de kurmuştur. Tanım olarak, bir dalgacık, ortalama değeri sıfır olan ve zamanla sınırlı bir dalga şeklidir. Zaman ekseninde kaydırma ve ölçekleme parametreleri dalgacıkların temelini oluşturmaktadır.

47 31 Resim piramidi: orijinal olarak makine görüsü ve resim sıkıştırma uygulamaları için tasarlanmıştır. Azalan çözünürlükteki resimlerin toplamı piramidin şeklinin içinde dizilmesine resim piramidi denir. Piramidin en altında yüksek çözünürlüklü islenecek resim vardır, tepe de ise düşük çözünürlüklü resim vardır. Piramitte yukarı çıkıldığında hem boyut, hem de çözünürlük azalmaktadır. En alttaki resim orijinal resimdir. Girilen resmin düşük çözünürlüklü yaklaşımları hesaplanır. Interpolasyon filtresi uygulanarak girilen resmi ne kadar doğrulukla tahmin edildiği belirlenir. Genel olarak piramidin düşük çözünürlük düzeyleri bütün bir resmin analizini etmek için kullanılabilir [19]. Alt band kodlama da resimler ufak parçalara ayrılabilir, bu ufak parçalara alt band denir. Daha sonra bu alt bantlar birleşerek yeniden resmi hatasız oluşturabilir ve konuşma ve resim sıkıştırma için geliştirilir. Her resim alçak geçiren filtreden geçirilerek alt bantlar üretilir. Sonuçlanmış alt bantların bant genişliği orijinal resimden ufaktır. Alt bantlar bilgi kaybı olmadan aşağı örnekleme işlemi yapılabilir. Bu işlem, resim boyutunu küçültmek için resimdeki piksellerin kaldırılmasıdır. Yukarı örnekleme, filtreleme işlemleri ve alt bantların başlı başına toplanması ile orijinal resmin yeniden yapımı ile tamamlanır. Yukarı örnekleme işlemi; dijital resmi büyütmek için resme piksellerin eklenmesidir [38] Fourier dönüşümleri Fourier Dönüşümü Fransız matematikçi Joseph Fourier tarafından ortaya atılmış matematiksel bir fonksiyondur. Bu dönüşüm sürekli olarak tanımlanır ve fonksiyonların sürekli olarak kabul edildiğinde kullanılır. Birçok dalda örneklenmiş sinyalleri dönüştürmek için kullanılmıştır. Fourier dönüşümünün kullanımı ile zaman tanım kümesindeki bir işaretin frekans içeriğini analiz etmede büyük yarar sağlamasıdır. Dönüşüm, ilk olarak tanım kümesi zaman olan bir fonksiyonu, tanım kümesi frekans olan bir fonksiyona çevirerek çalışır ve zaman sinyalin frekans içeriğini inceler. Çünkü dönüştürülen fonksiyonun Fourier katsayıları, her frekans değerinde sinüs ve kosinüs fonksiyonlarının her birinin katkısını temsil eder. Ters

48 32 Fourier dönüşümü de, verinin frekans tanım kümesinden zaman tanım kümesine dönüştürülmesini gerçekleştirir. Fourier, periyodu olan herhangi bir f(x) fonksiyonu, o fonksiyonun Fourier serisi; toplam ile temsil edilebilir. Buradaki,, katsayıları Eş. 4.2 deki formüller ile hesaplanır. (4.2.a) (4.2.b) (4.2.c) İki boyutlu işaretlerin biçimlendirilmesinin ve analizinin anlaşılması, birçok ortogonal dönüşüm mevcut olduğu için mümkündür. Fourier dönüşümü, sadece görüntünün doğasını ve biçimini anlamak için değil, aynı zamanda görüntüyü işlemek için de yaygın olarak kullanılan en önemli araçlardan biridir. Fourier dönüşümü kullanılarak görüntü, her biri kesin bir frekansa sahip değişik yönlerdeki uzaysal sinüzoitlerin kümesi olarak analiz edilir. Fonksiyon ya da işaret, ayrık örnekler dizisi kullanılarak ayrık biçimde gösterildiğinde, ayrık işarete karşı düşen Fourier dönüşümü, Ayrık Fourier Dönüşümü (DFT) olur [31]. N boyutlu f(x) fonksiyonunun tek boyutlu Ayrık Fourier Dönüşümü Eş. 4.3 ile verilmektedir. (4.3) Tek boyutlu ters DFT; (4.4) Olarak verilir. edilir. büyüklügünde iki boyutlu f(x,y) işaretinin iki boyutlu Eş. 4.5 deki gibi ifade

49 34 (4.5) İki boyutlu ters DFT ise Eş. 4.6 ile tanımlanır. (4.6) Reel bir fonksiyonun Eş. 4.7 ile Fourier dönüşümü karmaşık bir fonksiyondur. (4.7) Burada R(u,v) ve I(u,v), sırasıyla F(u,v) fonksiyonunun reel ve sanal kısımlarıdır. Genlik fonksiyonu, görüntünün frekans teyfı olarak adlandırılır ve Eş. 4.8 ile faz spektrumu ise Eş. 4.9 ile hesaplanabilir [50]. (4.8) (4.9) Ayrık Forier dönüşümü hesaplama açısından çok pahalı bir yöntemdir. N elemanlı bir küme için karmaşık çarpma işlemi gerekir. Bu amaçla birçok araştırma yapılmış ve hızlı Fourier dönüşümü (FFT- Fast Fourier Transform) olarak bilinen yöntemler ortaya atılmıştır. Böylece Fourier dönüşümü gerçek zamanlı uygulamalarda rahat bir şekilde kullanılmaya başlanmıştır Sürekli dalgacık dönüşümü Bir ana dalgacık ψ(τ,s) si tarafından oluşturulan ortogonal temel işlevler bakımından sürekli dalgacık dönüşümü sinyallerini temsil eder. Sürekli bir zaman işareti f(t) verilince dalgacık dönüşümü Eş deki gibi hesaplanır [39].

50 34 Parametresi her bir adımda sinyal vasıtasıyla pencere fonksiyonunu kaldırmaya denk gelen dönüşüm parametresidir ve S ise dönüşüm esnasında pencere fonksiyonunun ana dalgacık ölçeğini temsil eden ölçek parametresidir [39] Ayrık dalgacık dönüşümü Ayrık dalgacık dönüşümü, fonksiyonların dalgacık seri açılımının kesikli düzlemdeki bir uzantısı olarak düşünülebilinir. Kesikli düzlemde seri açılımda kullanılan temel fonksiyonlar ve f(x) fonksiyonu; bu fonksiyonlardan elde edilen sonlu sayıda örneklenmiş noktalar ile temsil edilebilinir. Bu durumda f(x) kesikli fonksiyonunun ayrık dalgacık dönüşümü katsayıları Eş e eşit olacaktır [39]. (4.11) Hızlı dalgacık dönüşümü Hızlı dalgacık dönüşümü ayrık dalgacık dönüşümünün verimli bir şekilde hesaplanmasını sağlar. Şekil 4.1 deki gibi Hızlı dalgacık dönüşümü iki bantlı alt band kodlamaya benzer. Şekil 4.1. İki boyutlu analiz filtreleme bankası [53] Çözünürlüklü bir giriş işaretine (j+1) uygulanması ve sonucunda 4 tane alt bant imge elde edilmesi gösterilmektedir.

51 Ayrık kosinüs dönüşümü Ayrık kosinüs dönüşümü (DCT - Discrete Cosine Transform) [32] tarafından ortaya atılmış olup, birçok görüntü sıkıştırma algoritması için temel teşkil eder. DCT nin DFT ye göre avantajlarından biri karmaşık sayılar üzerinde çalışılmaya gerek olmayışıdır. İleri yönlü DCT Eş ifadesinde verilmektedir. Ters yönlü DCT ise Eş ile verilmektedir. Forier serileri gibi görüntüler DCT ile temel fonksiyonlar kümesine ayrıştırılabilir. Bu demektir ki görüntü, temel fonksiyonların uygun toplamı ile oluşturulabilir [33]. Elde ettiğimiz görüntüler üzerinde öznitelik ayrıştırma yöntemleri olarak FFT, DCT, ortogonal dalgacık dönüşümleri ve Gabor dalgacık dönüşümü uygulanmıştır. 2-D FFT ve 2-D DCT dönüşümleri ile uzaysal boyuttan ayrılıp frekans boyutuna geçilmiştir. FFT uygulamasında 3 3 den küçük ve dan büyük katsayılara karşi düşen frekanslar elenmiştir. DCT de ise den büyük alan elenerek düşük frekans bilgileri kullanılmıştır. Burada amaç, gürültü sayılabilecek, tanımada gereksiz bilgilerin kaldırılması ve öznitelik çıkartma algoritmasına verilecek veri boyutunun düşürülmesidir. Yerelleştirilmiş frekans bilgilerini sağlayan güçlü, çoklu çözünürlük ayrıştırma tekniği, ayrık dalgacık dönüşümü (DWT), değişik temel fonksiyonlar kullanılarak uygulanmıştır. Haar, Daubechies-4, Daubechies-8 ve Coiflet-6 temel fonksiyonları ilk veritabanında karşılaştırılmış, daha sonraki testlerde ise en uygun sonucu veren D-4 filtresi kullanılmıştır. Ayrık dalgacık dönüşümü uygulanırken hız ve kolaylık

52 36 açısından filtre bankaları yaklaşımından yararlanılmıştır. 1. ve 2. veritabanlarında sırasıyla 4. ve 6. Seviyelerdeki görüntüler hesaplanmış bunlardan ve lik alanlar alınmıştır. Bu seçimler deneylerle belirlenmiş olup avuç izini en iyi karakterize eden sonuçları vermektedirler. Şekil 4.2. örnek bir avuç izi görüntüsüne dalgacık dönüşümünün uygulanmasını göstermektedir. Şekil 4.2. Değişik dalgacık alt band lafındaki avuç izi görüntüleri (a) Birinci seviye dalgacık ayrıştırması (b) İkinci seviye dalgacık ayrıştırması (c) Üçüncü seviye dalgacık ayrıştırması Gabor dalgacıkları yönteminde, Gabor çekirdeği değişik uyum ve ölçeklerde görüntüyle katlanmaktadır. Burada, Gabor dalgacıklar yöntemi [66] uygulanmıştır. 5 ölçek ve 4 oryantasyon (uyum) kullanılmıştır. Gabor dalgacıklarının görüntünün boyutunu büyütmesinden (görüntü boyu uyum ölçek) dolayı görüntüler yarı yarıya küçültülmüşlerdir. Filtre tasarımında DC bileşen kaldırılmıştır. Böylece parlaklık değişmezliği sağlanmıştır. Gabor filtresinde kullanılan bandın yüksek ve düşük frekansları deneysel sonuçlarla belirlenmiştir. Gabor dalgacıklarının avuç izine uygulanmasına bir örnek Şekil 4.3 te verilmiştir.

53 37 Şekil 4.3. Gabor dalgacıklarının avuç izine uygulanmasına bir örnek (a) Uygulanan Gabor dalgacıklarının reel bileşenleri (b) Örnek avuç izi görüntüsü (c) Filtrelenmiş avuç izi görüntülerinin genlik değerleri 4.2. Gabor Filtresi Gabor filtresi, doku analizi, bölümleme, sınıflandırma gibi birçok görüntü isleme uygulamasında yaygın olarak kullanılan dalgacık filtrelerine bir örnektir. Bu tür uygulamaların hepsinde görüntünün uzaysal frekans bileşenlerinin yerelleştirilmiş biçimde analiz edilmesi gerekir. Yerelleştirilmiş frekans analizi için genişliği karmaşık sinüzoidin frekansı ile ayarlanan Gaussian zarfa sahip olunması istenir. Gabor dalgacıkları uzayda daha iyi yerelleşmeyi sağlayan aynı türden bir fonksiyon sınıfı biçimlendirir [40]. Gabor filtresini daha iyi anlamak için temel yapıtaşları olan karmaşık sinüzoid ile Gaussian fonksiyonlarını öncelikle incelemek gerekir Gabor dalgacığının yapıtaşı: karmaşık sinüzoid Sinüzoid, sinüs fonksiyonu eğrisidir. Bazen, sinüs fonksiyonu dairenin etrafında dolanan noktanın yüksekliği olarak düşünülebileceğinden dairesel fonksiyon olarak da adlandırılır. Karmaşık sinüzoid, 2 boyutlu sinüzoididir. İlk boyut gerçek eksendir ve kosinüs dalgası içerir. İkinci boyut ilk boyuta diktir, sanal kısımdır ve sinüs dalgası içerir. Şekil 4.4. karmaşık sinüzoidi zaman domeninde göstermektedir.

54 38 Karmaşık sinüzoidin gerçek ve sanal kısımlarının vektör el birleşimi sarmal dairesel eğri olarak gözükmektedir. Şekil 4.4. Karmaşık sinüzoidin zaman dümenindeki gösterimi karmaşık sinüzoid, matematiksel olarak 4.14 te ifade edilmektedir. (4.14) eşitliğinde kartezyen koordinatlarındaki uzaysal frekanslar, P ise fazdır [70] Gabor yapıtaşı; Gaussian fonksiyonu Gaussian fonksiyonu M ortalaması etrafında s sapması ile rastgele dağılmış verilerin matematiksel ifadesidir. Şekil 4.5. orijin etrafında birim sapmaya sahip bir ve iki boyutlu Gaussian fonksiyonunu göstermektedir. Şekil 4.5. Tek ve iki boyutlu gaussian fonksiyonu Tek boyutlu Gaussian fonksiyonu EŞ ile verilebilir.

55 39 Tek boyutlu Gaussian fonksiyonundaki kanıtlar kullanılarak iki boyutlu Gaussian fonksiyonu kartezyen koordinatlarda yazılabilir. İki boyutlu Gaussian fonksiyonu ifadesindeki (4.16) x ve y uzaydaki yatay ve düşey konumu, K Gaussian ın tepe genliğini, ve yatay ve düşey eksendeki orta noktayı ve yatay ve düşey ölçekleme parametresini belirtmektedir [70].

56 40 5. ÖZNİTELİK ÇIKARTMA 5.1. Temel Bileşen Analizi (TBA) TBA, bilgisayarla görme ve örüntü tanımada yaygın şekilde kullanılan klasik öznitelik çıkartma ve veri temsili tekniğidir [41]. Sirovich ve Kirby ilk defa TBA yi insan yüzlerinin etkin temsili için kullanmışlardır [42]. Onlar, yüz resimlerinin yaklaşık olarak yeniden oluşturulabileceğini ispatlamışlardır. Öz resimler yüz görüntülerini temsil etmede oldukça iyi olduğundan, onlar üzerinden izdüşümlerin insan yüzlerini ayırt etmede sınıflandırma öznitelikleri olarak kullanılması düşünülmüştür. Bu amaçla, Turk ve Pentland 1991 de iyi bilinen öz yüzler yöntemini ortaya atmışlardır [43]. Bu yöntemde öz yüzler, yüz kovaryans matrisinin baskın öz değerleriyle ilişkili öz vektörlere karşı düşmektedir. Öz yüzler orijinal uzayı güçlü bir şekilde indirgeyen bir öznitelik uzayı tanımlar ve yüz tanıma bu indirgenmiş uzayda gerçekleştirilir. Daha sonraları, TBA geniş şekilde incelenmiş ve yüz tanımada en başarılı yöntemlerden biri olmuştur. Penev ve Sirovich gösterim için öz yüzlerin kullanılması halinde yüz uzayının boyutluluğu problemini tartışmışlardır [44]. Zhao ve Yang, TBA tabanlı görme sistemlerinde keyfi aydınlanma seslemelerinin etkilerini açıklamaya çalışmışlardır [45]. Bu amaçla özel aydınlanma koşulundaki kovaryans matrisinin formülünün kapalı biçimi analitik olarak, keyfi aydınlanma koşulundaki eşitlik de aydınlanma eşitliği ile oluşturulmuştur. Bununla beraber Wiskott, Fellous, Krüger ve Vonder Malsburg şuna dikkati çekmiştir ki, eğitim verisinde açıkça belirtilmedikçe TBA en basit bir değişimden bağımsızlığı bile desteklememektedir [46]. Bu yüzden TBA in zayıflığının üstesinden gelmek için elastik grup graf eşleme diye bilinen tekniği sunmuşlardır TBA nin matematiksel arka planı Bu bölümde TBA işlemini anlamak için gerekli bazı matematiksel temelleri vermeye çalışacaktır.

57 41 Boyutlarında matrisi verilsin. Mx= λx (5.1) (5.1) eşitliğinde λ sayısı için eşitlik (5.2)'de verildiği şekilde yazılabilir. (M λi) x =0 (5.2) (5.1) ve (5.2) eşitliklerinde I birim matris, 0 da sıfır vektörüdür. Çözüm vektörü x= ve karşı düşen λ= sayısı özvektör ve ilişikili özdeğeri olarak adlandırılır. Eğer M reel ve simetrik ise, muhtemelen ayrı olmayan d adet çözüm vektörü ve bunlarla ilişkili özdeğerleri vardır. M ile çapıldığında özvektörü sadece genlikte değişim geçirir (yönde değil) [47] Çekirdek TBA Daha önce anlatıldığı gibi TBA klasik doğrusal öznitelik çıkartma tekniğidir. Son yıllarda doğrusal olmayan öznitelik çıkartma yöntemleri (çekirdek temel bileşen analizi ÇTBA) ilgi odağı olmuştur. ÇTBA doğrusal olmayan öznitelik çıkartma için, destek vektör makinelerinde uygulanan yöntemlerle yakından alakalı bir tekniktir. Çeşitli uygulamalar için gürültüyü kaldırma ve regresyon problemlerinde ön adım olma gibi yararları bulunmuştur. ÇTBA, Romdhani, Gong ve Psarrou [47] tarafından doğrusal olmayan ilişkilerini yüz şeklinin modellenmesinin inşasında uygulanmıştır. Fakat onların şekil değişikliğini sınırlama yaklaşımı genel olarak geçerli değildir [48]. Giriş verisinin karmaşık, doğrusal olmayan ilişkilerini etkin bir şekilde gösterebilmek için çekirdek hüner açıklanmıştır ve son zamanlardaki çekirdek tabanlı doğrusal olmayan tahlil fonksiyonları çok ilgi görmüşlerdir. Çok yönlü olduğundan çekirdek yöntemler, veri analizi araçları arasında günümüzde çok günceldir. Çekirdek matrislerin öz değerlerinin davranışını, sağlamlığını ve ilgili çekirdek entegral işleminin öz değerleri ile nasıl ilişkide olduğunu öğrenmek, çekirdek tabanlı algoritmaların istatistiksel özelliklerini kavramak için kesinlikle önemlidir. Çekirdek

58 42 hüner önce giriş verisini doğrusal olmayan esleme ile gizli öznitelik uzayı F ye eşler ve ardından veriler F de incelenir. ÇTBA, Schölkopf ve arkadaşları [49] tarafından geliştirilmiştir. Schölkopf, çekirdek hüneri TBA ile birleştirmeyi öne sürmüş ve öznitelik temsili için ÇTBA yi geliştirmiştir. Önce, giriş verisi gizli öznitelik uzayı F ye çekirdek hüner ile iz düşürülür ve ardından giriş verilerinin doğrusal olmayan temel bileşenlerini çıkartmak için doğrusal ÇTBA, F uzayında gerçekleştirilir. Bu ayrıca, doğrusal olmayan alt uzay analiz yöntemi olarak da adlandırılabilir. Yang in çalışmasında [65]. ÇTBA nin TBA yi yüz tanımada performans açısından geçtiği rapor edilmiştir. Daha iyi sonuçlar Kim, Jung ve Kim [51] tarafından ÇTBA ile DVM (Destek Vektör Makinesi) sınıflandırıcının birleştirilmesi ile elde edilmiştir. Bununla beraber TBA gibi ÇTBA da giriş verilerinin toplam varyansını en aza indirmek için tasarlanmıştır ve ayrıklaştırma amacı için en uygun yöntem olduğu tam olarak söylenemez ÇTBA'nin matematiksel olarak incelenmesi N adet, d-boyutlu örnek kümesi eğitim örnekleri olsun. TBA, bu örneklerin varyansını en büyük değere çıkaran izdüşüm yönünü bulmaya çalışır. Bu da kovaryans matrisin özdeğerleri bulmaya denktir. (5.3) ÇTBA da her bir x vektörü giriş uzayından ( doğrusal olmayan eşleşme fonksiyonu ile ( ) çok boyutlu F öznitelik uzayına ) izdüşürülür.

59 43 6. AVUÇ İÇİ İLE İLGİLİ ÖNCEKİ ÇALIŞMALARIN ÖZETLERİ Avuç içi izi özellikleri kullanarak kimlik tanımlama ve doğrulama günümüzde hala çözüm bekleyen sorunlar arasındadır. Araştırmalar çeşitli yöntemlerle geliştirilmiştir. Genellikle avuç içi izlerini parmak izi tanımadaki gibi yöntemler Gabor filtresi, dalgacık dönüşümleri, Fourier dönüşümü, yöntemleri kullanılarak gerçekleştirilir. Parmak izi ile kıyaslandığında avuç içi izleri çok fazla çizgiye sahip ve tanımada parmak izine göre yüksek performans göstermektedir. Hatta parmak izi için yüksek çözünürlüğe ihtiyaç varken avuç içi izlerinde buna gerek yoktur, düşük çözünürlükte tanıma rahatlıkla gerçekleşir. Literatürdeki kişiler öznitelik çıkarmada dalgacık dönüşümü ve sınıflandırmada ise yapay sinir ağlarını kullanmışlardır. Yu 2008 de çalışmasında avuç içi tanıma yaklaşımı için Modifiyeli Ayrık Kosinüs Dönüşümü tabanlı özellik çıkarma yöntemi ile avuç içi özelliklerini elde etmek için kullanılır. Sınıflandırmada Radyal tabanlı yapay sinir ağları kullanır. Radyal tabanlı sinir ağı eğitimi kolaylaştırmak amacıyla, fazla verileri makul bir boyuta azaltmak için de kullanmıştır [52]. Yang 2008 de önerdiği sistemde, avuç içi geometrik özellikleri ve doku özelliklerini çekirdek temelli bileşenler analizi (ÇTBA) ile elde etmiştir. El geometrisi özelliklerini seçmek için fazla veri arasından küçük bir veri seti seçmek için kendi kendini organize eden yapay sinir ağı uygulamıştır. Tanımlama aşamasında Radyal tabanlı yapay sinir ağı kullanır [53]. Lu 2008 de öncelikle avuç içi çalışma bölgesine iki boyutlu ayrık dalgacık dönüşümü ve sonra temel bileşenler analizi (TBA) uygular. Daha sonra boyutlarını azalmak için local izdüşümleri koruma yöntemini kullanır. Son olarak, avuç içi görüntüleri hızlı bir şekilde sınıflandırmak için bir zorlamalı yapay sinir ağları ile sınıflandırır [54]. Ekinci 2008 de avuç içi görüntüsünü düşük çözünürlükte ayrıştırmak için dalgacık alt bant katsayılarını daubechies dalgacıkları ile ayrıştırır. Daha sonra Çekirdek temel bileşenler analizi (ÇTBA) yöntemi ile alt bantta doğrusal olmayan katsayıları ayıklamak için uygulanır. Son olarak benzerlik ölçümü için ağırlıklı Öklid doğrusal mesafe ile yapay sinir ağında sınıflandırır ve destek vektör makinesi (DVM) ile karsılaştırmalı olarak yapılmaktadır [55].

60 44 Kong 2007 de Biyometri tabanlı kimlik doğrulama ve tanımlama için etkili bir yaklaşım olarak Dalgacık dönüşümü ve Zernike Moment teknikleri ile avuç içi doku özelliklerini ayıklamak için kullanılmıştır. Özelliklerin belirlenmesi aşamasında KMeans kümeleme algoritması kullanılmıştır. Sınıflandırma aşamasında Geri Yayılımlı yapay sinir ağları kullanılmaktadır [56]. Wong 2007 de avuç içi çizgilerini farlı çözünürlük seviyelerine ayıklamak için dalgacık dönüşümü kullanılmıştır. Düşük çözünürlük düzeyinde, avuç içi ince çizgileri ayıklanır. Yüksek çözünürlük düzeyinde, avuç içi kaba çizgiler ayıklanır. 100 farklı bireyin sağ eli görüntüsü kullanılmıştır. Avuç içi görüntüleri kilit noktaları bulmak için ön işleme tabi tutulur. Anahtar noktaya bakarak görüntüler döndürülmüş ve kırpılmıştır. Avuç içi görüntüleri geliştirilmiş ve yeniden boyutlandırılır. İki farklı dalgacık enerji seviyesi kullanılır. Bu özellik vektörleri Öklid uzaklık veya ileri beslemeli geri yayılımlı yapay sinir ağı kullanarak sınıflandırılır ve test edilir. Sonuçlarına göre, %99,07 doğruluğu db 5. tip dalgacık ve dalgacık enerji seviyesi 2 kullanılarak elde edilir [57]. Sun 2006 daki çalışmasında avantajlı Gabor dalgacık ağı ve olasılıksal yapay sinir ağları kullanmıştır. İlk olarak her bireyin avuç içi Gabor dalgacık ağı özellik vektörleri bulunur. Bunlar olasılıksal yapay sinir ağı ile eğitilmiştir. Deneylerde doğru tanımlama oranı %99,5 ulaşmaktadır görüntü örnekleri içeren bir veri tabanında algoritmanın verimliliği ispatlanmıştır [58]. Zhou 2006 da avuç içi görüntülerine 2 boyutlu ve 3 bantlı ayrık dalgacık dönüşümü ile düşük alt bant görüntüleri ile özellik vektörleri çıkarmıştır. Sınıflama aşamasında destek vektör makinelerini (DVM) tercih eder. Deneysel sonuçlarda kimlik doğru tanıma oranı %100 dür [59]. Wen 2005 de bu çalışmada, parmak izlerindeki açıklık ve süreklilik geliştirmek yeni bir parmak izi geliştirme algoritması önermiştir. Parmak izi görüntüleri ayrıntılı alt bantlara ayrılacak, resmin yönü tahmin edilecek son olarak, parmak izi imajına dalgacık ortamında Gabor filtre kullanmıştır. Deney sonuçları düşük kaliteli parmak izi görüntülerde etkili olduğunu göstermektedir [60]. Han 2003 te Kimlik tanıma sistemi; kayıt ve doğrulama olmak üzere iki aşamadan

61 45 oluşur. Kayıt aşamasında, eğitim örnekleri toplanmış ve önişleme, öznitelik çıkarma ve modelleme parçaları ile şablonlar oluşturulur. Doğrulama aşamasında, bir sorgu örneği de ön işleme ve özellik çıkarımı modülleri tarafından işlenir ve daha sonra bunun gerçek bir örnek olup olmadığına karar vermek için referans şablonlar ile eşleştirilir. Her bir örnek için çalışma bölgesi, önişleme modülü ile elde edilir. Daha sonra, avuç içi özellikleri Sobel metodu ve morfolojik işlemler kullanılarak elde edilir. Son olarak, şablon eşleme ve doğrulama aşamasında benzerlikleri ölçmek için geri yayılımlı yapay sinir ağı kullanılmıştır [61]. Wu 2002 de dalgacık enerji özellikleri adlı yeni bir avuç içi özelliği, çoklu çözünürlük analizi için dalgacıkları güçlü bir araç olarak kullanılmıştır. Bu çalışmada farklı dalgacık ayrıştırma düzeyleri çeşitli yönlerde ana çizgiler, kırışıklıklar ve kabartma çizgileri dalgacık enerji dağıtımını yansıtabilir, bunlarında avuç içi ayırt ediciliği çok yüksektir [62]. Funada 1998 de avuç içi görüntüleri kabarık kalın çizgiler ve kırışık ince çizgilerden oluşur. Parmak izi özellik çıkarma algoritmaları ile kalın çizgileri ayıklamak mümkün değildir. Bu araştırma bu koşullar altında kalın çizgileri ayıklayabilmek için yeni bir özellik çıkarma yöntemi sunmaktadır [63] Literatürdeki Sonuçlar ve Karşılaştırma Avuç izi görüntüleri üzerindeki ilk test 1. Bölge seçimi yöntemine göre ilk veritabanı üzerinde gerçekleştirilmiştir. İkinci oturumun ele alınmadığı bu testte ilk oturumdaki görüntülerden bir veya ikisi eğitim, geri kalanlar ise test olarak alınmıştır. TBA, ÇTBA, DCT+ ÇTBA, FFT+ ÇTBA ve Dalgacık+ ÇTBA yöntemlerinin karşılaştırıldığı testte değişik öznitelik boylarına göre tanımadaki başarılar verilmiştir. Sınıflandırma yöntemi olarak Euclidean doğrusal ayırtıcının kullanıldığı bu testin karşılaştırmalı sonuçları Çizelge 6.1 de verilmektedir.

62 46 Çizelge 6.1. PolyU-I veritabanında 1.bölge seçimi ile elde edilmiş ilk oturumdaki görüntüler arasında LED sınıflandırmasının karşılaştırmasının sonuçları Eğitim Sayısı 1 2 Seçilen Öznitelik Sayısı Yöntem TBA ÇTBA DCT + ÇTBA FFT + ÇTBA D WT + D ÇTBA Haar Coiflet Seçilen Öznitelik Sayısı TBA ÇTBA DCT + ÇTBA FFT + ÇTBA D WT + D ÇTBA Haar Coiflet

63 47 7. AVUÇ İZİNE DAYALI İNSAN TANIMA Avuç izine dayalı kişilerin ayırt edilmesi son yıllarda araştırmacıların etkin biçimde ilgilendiği konulardan biridir. Bu konu ile ilgili yapısal ve görünüşe dayalı [58, 59] değişik yaklaşımlar ileri sürülmüştür. Yapısal yaklaşımlar görüntüdeki değişik özelliklerden yararlanıp o problem öznitelikleri çıkartır. Görünüşe dayalı yaklaşımlar ise resmi bir bütün olarak ele alıp bütün problemler için ayni algoritmayı kullanır. Bunlardan bizim de üzerinde çalıştığımız görünüşe dayalı yaklaşımlar diğerlerine göre daha iyi sonuç vermektedir. Sunulan yöntemin performansı, PolyU-I ve PolyU- II [64] avuç içi veritabanları üzerinde değerlendirilmiştir. PolyU-I avuç izi veritabanındaki resimler CCD kamera kullanarak çıkartılmıştır. Veritabanı, 100 değişik avuçtan alınan 600 görüntüyü içermektedir. Her bir avuçtan alınan 6 örneğin ilk üçü bir oturumda, diğer üçü ise başka bir oturumda alınmıştır [58]. İkinci oturum ile ilk oturum arasındaki süre yaklaşık olarak iki aydır. PolyU-II avuç izi veritabanındaki görüntüler de benzer şekilde elde edilmiştir. Bu veritabanında 386 değişik avuçtan alınan 7752 adet görüntü bulunmaktadır. Her bir avuca ait ilk oturumda 10, ikinci oturumda da 10 adet görüntü bulunmaktadır. İki oturum arasındaki süre 69 gündür. Bütün görüntüler boyutlarında 75 dpi çözünürlükte elde edilmiştir. Ayrıca, ışık kaynağı ve CCD kameranın odak ayarı değiştirilerek ilk ve ikinci oturumlarda alınan görüntülerin farklı avuç izi aygıtlarından alındığı hissi verilmiştir. Avuç izi görüntü yakalama sisteminde kararlı bir avuç izi görüntüsü elde etmek için, yâri kapalı bir ortam oluşturmak amacıyla bir kutu ve bir kapak, ayrıca avuç izi görüntüsü alınırken ışık koşullarının değişmemesini sağlayacak bir halka kullanılmaktadır. Platformdaki kontrol noktaları olarak hizmet eden altı kanca, kullanıcının ellerini düzgün yerleştirmesini sağlamaktadır. A/D dönüştürücü CCD kamera ile alınmış görüntüleri doğrudan bilgisayara iletir. Şekil 7.1, bu avuç izi görüntüsü üreten sistemin şematik diyagramını göstermektedir.

64 48 Şekil 7.1. Avuç izi yakalama sisteminin tasarım ilkesi [59] Avuç izi tanıma yöntemimizde öncelikle her bir avuç içi görüntüsünden ilgilendiğimiz lik bölgenin çıkartılması gerçekleştirilir. Sonra öznitelik ayrıştırma, öznitelik çıkartma ve sınıflandırma işlemleri ile tanıma süreci tamamlanır Ön İşlemeler Avuç içi görüntülerinden ilgilenilen bölgenin seçiminde iki çeşit yöntem uygulanmıştır. Her iki bölge seçiminde de öncelikle avuç görüntüsü eşik değeri ile ikili görüntüye çevrilir. Eşik değerinin seçimi için uyguladığımız yöntem, bulanıklığın minimizasyonu [65] yöntemidir. İkili görüntü üzerinde sınır takibi algoritması ile parmak aralarındaki sınırlar bulunur. Sonraki adımlar ise biraz farklılık gösterir. Bölge seçimi yöntemi [56] işlem adımları şöyledir; Orijinal gri seviye görüntü ikili görüntüye çevrildikten sonra parmak arasındaki boşluklar görüntünün sol tarafından olan uzaklıklar kullanılarak belirlenir. Sonra işaretteki en uç değerler başlangıç noktasıdır.

65 49 İşarettekine uç değerler başlangıç noktası ( ) ve bitiş noktası ( ) olarak işaretlenir. Parmak aralarının ağırlık merkezi ( ) hesaplanır. Ağırlık merkezi ile başlangıç ve bitiş noktalarının ortasından geçen doğrunun parmağı kestiği yer bulunur. Böylece üç nokta ( ) elde edilmiş olur. Ve noktalarından geçen doğru çizilir ve bu doğru Y eksenini oluşturacak şekilde görüntü döndürülür. Yeni oluşturulan Y eksenine dik ve ten geçen doğrunun orta noktası, ilgilenen bölgenin merkezine gelecek şekilde 128 x 128 lik görüntü seçilir. Şekil 7.2. te 1. bölge seçimi yönteminin temel işlem adımları gösterilmiştir. Şekil 7.2. Bölge seçme yönteminin temel aşamaları (a) Orijinal görüntü, (b) İkili görüntü (c) Görüntünün sol tarafından olan uzaklıkla oluşturulan işaret, (d) Avucun orta bölgesi olarak üretilen avuç izi görüntüsünün çıkartılması Öznitelik Çıkartma Avuç izi görüntülerine öznitelik çıkartma amacıyla TBA ve ÇTBA yöntemleri uygulanır. Birinci veritabanında TBA ve ÇTBA uygulanırken bütün eğitim görüntüleri kullanılmış ve değişik öznitelik sayılarına göre çıkan basarı oranları hesaplanmıştır.

66 50 İkinci veritabanının eğitim örneği şayisi çok büyük olduğundan her sınıfa ait sadece bir örnek alınarak TBA ve ÇTBA nin dönüşüm matrisi hesaplanmıştır. Böylece işlemler kabul edilebilir bir hızla uygulanmıştır. ÇTBA da daha iyi sonuç verdiği için Gaussian çekirdek kullanılmıştır. Şekil 7.3. te birinci, ikinci ve sonuncu öz avuca karşılık gelen görüntüler verilmektedir. Şekil 7.3. İlk avuç izi veritabanına göre ilk 2 ve sonuncu öz avuç görüntüleri 7.3. Avuç İçi Tanıma Sisteminin Performansının Belirlenmesi Avuç içi tanıma sisteminin performansı için üç önemli performans ölçümü yapılır. Doğru tanıma, yanlış tanıma ve reddetme performansıdır. Doğru tanıma performansı veri tabanı içerisindeki kişilere ait giriş resminin sistem tarafından doğru bir şekilde tanınmasıdır. Girişteki resmin veri tabanı içerisindekilerden farklı olması yani aynı kişiye ait farklı bir avuç içi görüntüsü gerekmektedir. Yanlış tanıma performansı veri tabanı içerisindeki kişilere ait giriş resminin sistem tarafından hatalı bir şekilde tanınmasıdır. Girişteki resmin veri tabanı içerisindekilerden farklı olması gerekmektedir. Reddetme performansı veri tabanı içerisinde olmayan kişilerin girişe verilen resimlerinin tanıma sistemi tarafından bu resmin veri tabanı içerisindeki bir kişiye ait olup olmadığının belirlenmesi ile ölçülür. Doğru bir şekilde tanınan kişilerin yüzdesi, yanlış tanınan kişilerin yüzdesi, reddedilen kişilerin yüzdesi, yüzdelik olarak belirtildiğinde doğru tanıma, yanlış tanıma ve reddetme oranlarının toplamı 100 e eşittir. Dolayısıyla tanıma sisteminin performansını belirtirken iki tanesinin değerlerini vermek yeterlidir [14]. Algoritmaların çoğunda yanlış tanıma yüzdesiyle geri çevirme yüzdesi arasında bir değişim vardır. Örneğin; eğer sistemin %0 gibi bir oranda yanlış tanıma yapması istenirse geri çevirme oranı yükselebilir. Geri çevirme oranı düşürülebilir ama bu da yanlış tanıma oranını artırır. Yukarıdaki

67 51 tanımlara dayanarak otomatikleştirilmiş avuç içi tanımlamada söyle belirtilebilir. Avuç içi görüntüleri veri tabanına verildiğinde giriş resminin veri tabanında bulunan bir kişiye ait olup olmadığına karar vermesi ve eğer bu resim veri tabanına aitse sistemin giriş resminin kimliğini belirlemesi şeklinde tanımlanabilir [14] Avuç İçi Görüntüsü Veri Tabanları Bu tez çalışmasındaki tüm deneyler, PolyU veri tabanı (The Hong Kong Polytechnic University Mult ispectral Palmprint Database) avuç içi görüntüsü veri bankası kullanılarak yürütülmüştür. PolyU avuç içi veri tabanındaki görüntülerin tamamı şekil 7.4 te gösterilen avuç içi tanıma cihazı ile elde edilmiştir [67]. Avuç içi görüntüleri benzersiz bir yüksek kullanılabilirlik ve güvenilir biyometrik özellikte, son derece doğru ve sağlam avuç içi kimlik doğrulama sistemi için artan talebi, multispektral görüntüleme ile daha ayrıntılı bir bilgi edinme ve avuç içi dolandırıcılığını azaltmak için elde edilmiştir [67]. Şekil 7.4. PolyU Avuç İçi Okuyucusundan Görüntü Alma İşlemi [68] Hong Kong Politeknik Üniversitesi Biyometrik Araştırma Merkezi mavi, yeşil, kırmızı ve kızılötesi aydınlatmalar altında avuç içi görüntüleri yakalayabilen gerçek zamanlı multispektral avuç içi görüntü yakalama cihazı geliştirdi ve bunu kullanarak

68 52 büyük ölçekli multispektral avuç içi görüntüleri veri tabanı oluşturdu. Akademik araştırmalarda geliştirilen avuç içi doğrulama algoritmalarında serbestçe kullanabilecekleri ve test edebilecekleri bir veri bankası yayımlamıştır [69]. Çözünürlüğü 96 dpi, boyutlarinda ve 8 bit derinliginde 256 gri seviyeli görüntülerdir. 195 erkek ve 55 kadın dâhil olmak üzere 250 gönüllü, Multi spektral avuç içi görüntülerinin yas dağîlimi 20 ile 60 yas arasında olan kişilerden toplanmış ve iki ayrı oturumda örnekler toplanmıştır. Her oturumda 6 adet avuç içi görüntüleri elde edilmiştir. Her oturumda 4 farklı aydınlatma ile 2 avuç içi görüntüsü alınarak bir kişiye ait toplam 24 avuç içi görüntüsü toplanmıştır. Veri tabanı toplam 6000 görüntüleri içeren, bir aydınlatma için 500 farklı kişinin avuç içi görüntüsü mevcuttur. Birinci ve ikinci oturumları arasındaki ortalama zaman aralığı yaklaşık 9 gündür [69]. Her klasör "nnnn" olarak adlandırılır, "nnnn" 1 ile 500 arasında kişi kimliğini temsil eder. Her klasörde ilk 6 adet avuç içi görüntüleri "1_mm" olarak adlandırılan ilk oturumda elde edilmiştir, ikinci 6 adet avuç içi görüntüleri "2_mm" ise ikinci oturumda elde edilmiştir. "mm" oturumdaki avuç içi görüntüleri resim dizisini temsil eder. "Blue. rar", "Green. rar", "Red. rar" ve "NIR. rar" mavi, yeşil, kırmızı ve NIR aydınlatma ile toplanan tüm orijinal avuç içi görüntülerini içerir. Ayrıca her avuç içi görüntüsünün ilgi bölgesi (ROI) çıkartılarak sadece avuç içi ROI bölgelerinin mevcut olduğu veri tabanı da mevcuttur. Avuç içi görüntüleri elde edilirken görüntüyü ayarlamak için parmak arası takoz kullanılmıştır [69]. Şekil 7.5. PolyU multispectral avuç içi görüntüleri [69]

69 53 Şekil 7.5 teki PolyU MSpalmprint veri tabanından 15.kişinin görüntüleri görülmektedir. Sol görüntü 1. oturumdan sağ görüntü 2. oturumdan alınmıştır. Şekil 7.6. PolyU ROI avuç içi görüntüleri [69] Şekil 7.6 daki PolyU Multispektral avuç içi görüntüsünden ilgi bölgesinin çıkarılması ile elde edilen görüntülerdir. Sol görüntü 15.kişinin ilgi bölgesi 1. oturumdan, sağ görüntü ise 2. oturumdan çıkartılmıştır.

70 54 8. UYGULAMALAR Avuç içi biyometrik kimlik tespiti benzersiz ve ölçülebilirdir. Biyometrik sistemleri kimlik tespiti ve doğrulama olmak üzere iki bölümden oluşur. Birinci kısmın amacı veritabanındaki birinin başkaları arasında kimliliğini tanımaktır. Böyle sistemlerde ben kimim? sorusuna yanıt vermesi bekleniyor. İkinci durumda ise, kişi kendisi kimliğini sunuyor ve sistemin amacı kimliğin doğrulamasıdır. Böyle sistemde ben dediğim kişi miyim? sorusuna yanıt vermesi bekleniyor [1]. Bu durumda, biyometrik tespit sistemi, kimlik tespit için mutlak iyi çözüm değildir. Uluslararası biyometrik grubu ile ilginç bir karşılaştırmada, dört parametreye göre, açıklık, kimlik tespit sistemin masrafı, zaman ve kimlik tespit için kullanıcı tarafından harcanan çaba ve kullanıcının rahatlık oranı kimlik tespitin süresidir [2]. İdeal biyometrik sistem en uzak yerde, diyagramın ortasına göre sayılan dört parametreyi içermektedir [3]. Başka bir çalışmada, altı biyometrik tekniği kullanarak (yüz, parmak izi, el geometrisi, ses, gözler ve imza) makine ile okuma yapılabilir ve en yüksek uygunluk yüzde kazancı elde edilir. Bu çalışmada kayıt, yenileme, donanım gereksinimi, dikkate alınmaktadır. Avuç içi tanıma sistemi biyometrik sistem olarak, fizyolojik davranışlara dayalı, akıllı yöntemleri kullanarak bir kişinin kimlik tespiti veya doğrulmasını yapar. Son yirmi yılda avuç içi tanıma konusu makine görme ve örüntü tanımanın en çok araştırma alanıdır. Avuç içindeki çizgiler için en çok kullanılan uygulamalardan biri güvenlik ve tanıma alanlarından biridir. Yüksek nüfus içeren alanlar, örnek olarak, havalimanı, tren yolu, yeraltı trenlerini kontrol etmek için bu yöntem başka gözetim yöntemlerine göre daha etkilidir. Birkaç fotoğraf insanın avuç içi çizgilerden çekilmiş ve cihaz, insanların farklı zamanlarda farklı ışık oryantasyonlarında tanımalıdır. Geçerli avuç içi tanımada, dört türlü avuç özelliklerini içeren yöntem kullanır. Bunlar; metin, çizgiler, görünüm, oryantasyondur. Özellik çıkarma 5 değişik yöntem ile yapılır [4].Bunlar; doku tabanlı yöntemler, Gabor, ayrık Fourier, Wavelet and Rydan gibi filtrelerdir. 1) Çizgi tabanlı yöntemler; avuç içi yönlendirilmiş çizgiler tanımlayıcı, ayık performans, çoklu-çözünürlük filtreler ve Rydan filtresidir. 2) Görünüm tabanlı yöntemler; temel bileşen analizi, yerel koruma doğrusal ayrı görünüm analizi ve Kernel temel bileşen analizidir.

71 55 3) Orantasyon tabanlı yöntemler; Gabor filtreler kullanırlar. 4) Çoklu özellik tabanlı yöntemler; örneğin, avuç içi çizgiler birleşimi ve aynı vektörde alanlardır. Tipik olarak birleşim, dört seviyede, veri özellik, adaptasyon ve karar ile yapılır [5]. Bir insanın avuç içi çizgileri tanımak için, çizgiler uygun şekilde çıkartılmalıdır. Bu çizgileri belirlemek için farklı kenar çıkartma yöntemleri kullanılır. Sobel kenar çıkartma ve morfolojik işlem [6] de kullanılır. Bu tezde, faydalı özellikleri tam şekildeki görünümden çıkartmak için, yerel ikili örüntü adlı basit ve güçlü bir yöntem ile avuç içi tanıma yapılmıştır Yerel İkili Örüntü En iyi yollardan biri dokuyu göstermek için LBP dir ve bu yöntem son yıllarda sıkça farklı uygulamalarda kullanılır. İyi ayırma onaylaması ve başka iyi özelliklerden örneğin, gri düzeyi monoton değişim değişmezliği ve hesaplama verimliliği, bu konuda en iyi yöntemlerden biridir. Avuç içi birkaç küçük modellerden oluşmaktadır. Bu nedenle bahsi geçen yöntem ile tanımlanabilir Yerel ikili örüntü fonksiyonun açıklaması Yerel İkili Örüntü doku yöntem analizi için güçlü yaklaşımdır. İlk defa Ojala ve arkadaşları tarafından 3 3 kare operatörü olarak önerilmiştir. Bu yöntemin çalışması 8-komşu operatörde merkezi piksel ile karşılaştırılır. Eğer 8 komşu pikselden birinin merkezi piksel ile aynı veya büyük olursa 1 ile değiştirilir, aksi halde 0 a eşittir. Sonunda merkezi piksel, ağırlıklı ikili komşu pikselleri toplanmasıyla değiştirilir ve 3 3 lük pencere sonraki piksele geçer. Bu miktarların histogramı elde edilerek doku için bir tanımlayıcı elde edilir. Şekil 8.1 de yerel ikili örüntü modeli operatöre gösterilmiştir.

72 56 1 A=Gerçek değerle B= Eşik ölçümleri C=LBT uygulandıktan 3 komuşuluk Sonra matrisiğle Şekil 8.1. Yerel ikili örüntü modeli Denklem (8.1) her pikselde yerel ikili örüntü modelin operatör oluşturan ilişkisini göstermektedir. p 1 n 1, x 0 LBP p, r s( xr, n x0,0)2, s( x) (8.1) 0, x 0 n 0 Burda S herhangi bir işareti, ve gri seviyesini komşu ve merkezi pikselde olduğunu göstermektedir. Ayrıca 2 P her komşu için gerekli bir faktördür ve LBP yöntemi farklı oranlarda doku içerir Düzgün yerel ikili desen LBP nin ilk gelişmesi 2000 yılında tıp deseni olarak tanıtılmıştır. Yerel bir ikili model bit geçiş maksimumdan oluşur veya Üniform olur. Örneğin (0 geçiş) örnek alır ve (4 geçiş) sırasıyla üniform ve düzgün olmayan, komşu (1, 8) ve (2, 16) kullanarak 90% ve 70 % üniform olur. İkili arasında genel u desen P bit ile P+2(P-1) monoton model içerir. Notasyon LBP ( 2 P, R ) LBP üniform için kullanılmış ve Eşitlik 8.2 de komşu (P,R) kullanımı gösterilmektedir. LBP U 2 P, R x, y I( LBP P, R ( x. y)) U( LBP I( z) [0,( P ( p 1) p 2 farklı durumda if P, R ) 2 1) P 2] (8.2)

73 57 U(x) geçiş sayısını bitler arasında gösteriyor ve aşağıdaki gibi ifade edilir. P P, R) s( gp 1 gc) s( g0 gc) s( g P P gc s gp g 1 1 ) ( 1 c) U( LBP (8.3) Eğer U(x) iki pikselden küçük olursa, anlık pikseller gösterge fonksiyonu ile I(z) etiketlenir, aksi halde (P-1) (P+2) kendisine atanmıştır. (P-1) (P+2) yi içeren gösterge fonksiyonun indeksi öz indeks için üniformdaki uygulanır. Yazılan LBP algoritmasının önemli kısımları: people = 20; samepeople = 4; Train_Number = samepeople*people; LBP_Radius = [2 16]; mapping = getmapping(lbp_radius(2),'u2'); testimage M1 = []; for i = 1:people s3 = s2(i+2).name; ss(i,:) = strcat(s1,s3); for j = 1:samepeople I1 = im2double(i1); M1_lbp(j,:) = lbp(i1,lbp_radius(1),lbp_radius(2),mapping,'h'); TestImage_lbp = imread(testimage); TestImage_lbp = double(testimage_lbp); TestImage_lbp = lbp(testimage_lbp,lbp_radius(1),lbp_radius(2),mapping,'h'); percent_lbp = 100*(sum(n_lbp)/people)

74 Eş Oluşumlu Matris İkinci dereceden histogram bazı kaynaklarda eş oluşumlu matris ile tanımlanır ve iki pikselin gri değerlerinin olay oranlarını ifade eder, görüntü ve birbirlerinin özel yönünün uzaklığına bağlıdır. İlk defa eş oluşumlu matris görüntü dokusal özelliklerini gidermek için Harlyk ile kullanılır. Eş oluşumlu matrisi P ij frekansını ifade edip ve iki ayrılmış komşu piksel aynı mesafe (d) birisi gri yoğunluk i ve diğeri gri yoğunluk j görüntüde meydana gelir. Böylece oluşacak eş oluşumlu matris görüntüde piksellerin maksimum gri yoğunluğuna bağlı bir kare matristir. Her P ij elemanı, yapının olay sayılarını ifade eder. I oranlı bir piksel, j oranlı piksel arasında d mesafe vardır. Genelde iki pikselin arasındaki mesafeyi 1 tutar ve iki pikselin arasındaki mümkün dereceler 0, 45, 90, 135 ile ifade edilir (Şekil 8.2). Piksel Şekil mesafe ile ifade edilen ve açıları 0, 45, 90 ve 135 olan piksel gösterimi Eş oluşumlu matriste, görüntü piksellerin oranı ne kadar birbirlerine yakın olursa, o kadar fazla toplama matrisinin ana çapında oluşur. Bu matrisin avantajı basit histogram görüntüsüne göre, basit histogramlarda piksellerin alan bilgiler yok edilmiş ve sadece piksellerin gri frekans değerleri hesaplamasıdır. Ancak bu matriste alan bilgiler de hesaplanılır. Gri değeri dağıtımı ne kadar daha geniş olursa, daha çok varyans matriste görünür. Eş oluşumlu matrisin matematik ifadesi C d (Δx, Δy) mesafesi için aşağıdaki denklem ile gösterilmektedir. n m 1, if I( p, q) i ve I( p x, q y) j Ck ( i, j) (8.4) p 1 q 1 0, farklı durumda C d nin (i, j) elemanı, i ve j birbirinden (Δx,Δy) mesafede olan olaylar matrisidir.