OTOMATİK PARMAKİZİ TANIMA SİSTEMLERİNDE ÖZELLİK NOKTALARININ TESPİTİNDE YAPAY SİNİR AĞLARININ KULLANILMASI

Transkript

1 PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING COLLEGE MÜHENDİ SLİ K B İ L İ MLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : 007 : 13 : 1 : 911 OTOMATİK PARMAKİZİ TANIMA SİSTEMLERİNDE ÖZELLİK NOKTALARININ TESPİTİNDE YAPAY SİNİR AĞLARININ KULLANILMASI Necla ÖZKAYA*, Şeref SAĞIROĞLU** *Ercyes Ünverstes, Mühendslk Fakültes, Blgsayar Mühendslğ Bölümü, 38039/Talas/Kayser **Gaz Ünverstes, Mühendslk Mmarlık Fakültes, Blgsayar Mühendslğ Bölümü, 06570/Maltepe/Ankara Gelş Tarh : ÖZET Otomatk parmakz tanıma sstemleryle kmlklendrme yapılırken, özellk noktaları olarak blnen parmakz resmlerndek hat çzgs karakterstklernden ve bunların brbrleryle olan lşklernden faydalanılır. Bu yüzden grş parmakz resmnden özellk noktalarının sorunsuz, güvenlr, hızlı ve otomatk olarak elde edleblmes kmlklendrme çn çok önemldr. Bu çalışmada, parmakz tanımada kullanılan özellk noktalarının tespt edlmesne yönelk yapay snr ağları temell yen br yaklaşım gelştrlmş ve sunulmuştur. Elde edlen sonuçlar parmakz resmnde özellk noktalarının bulunmasında yapay snr ağlarının başarılı olduğunu göstermştr. Anahtar Kelmeler : Byometr, Parmakz, Özellk noktaları, Yapay snr ağları, Çok katlı perseptronlar. MINUTIAE EXTRACTION BASED ON ARTIFICIAL NEURAL NETWORKS FOR AUTOMATIC FINGERPRINT RECOGNITION SYSTEMS ABSTRACT Automatc fngerprnt recognton systems are utlsed for personal dentfcaton wth the use of comparsons of local rdge characterstcs and ther relatonshps. Crtcal stages n personal dentfcaton are to extract features automatcally, fast and relably from the nput fngerprnt mages. In ths study, a new approach based on artfcal neural networks to extract mnutae from fngerprnt mages s developed and ntroduced. The results have shown that artfcal neural networks acheve the mnutae extracton from fngerprnt mages wth hgh accuracy. Key Words : Bometrcs, Fngerprnt, Mnutae extracton, Artfcal neural network, Multlayer perceptrons. 1. GİRİŞ Günümüzde blgsayar teknolojlerndek hızlı gelşme le brlkte byometrk sstemler hayatımızda brçok problemn çözümünde kullanılmakta özellkle kşlern kmlklendrlmes gereken şlemlern daha hızlı, kolay ve güvenlr br şeklde gerçekleştrlmesn sağlamaktadır. Parmakz tanıma, retna ve rs tanıma, el geometrs tanıma, ses tanıma, yüz tanıma, DNA tanıma, mza tanıma gb teknklern tamamını kapsayan byometr blm, yüksek sevyede güvenlk gerektren alanlarda, grş çıkışlarda kmlk kontrolünün gerektğ otomatk personel devam kontrol sstemler gb uygulamalarda mükemmel çözüm olmakta ve sosyal hayatta oldukça sık karşılaşılan çok hızlı gelşen ve benmsenen br teknoloj olarak karşımıza 91

2 çıkmaktadır (Jan et al., 1997a, b; Halc et al., 1999; Jan et al., 1999). Güvenlrlğ, sstem performansı, düşük malyet ve kullanım kolaylığıyla dkkat çeken otomatk parmakz tanıma sstemler (OPTS), byometrk teknkler arasında en yaygın kullanılan teknoloj olarak dkkat çekmektedr (Jan et al., 1997b; Halc et al., 1999; Jan et al., 1999). Br OPTS de parmakz tanıma genellkle parmakznde bulunan özellk noktalarının ve bunlara at parametrelern karşılaştırılması esasına dayanır (Jan et al., 1997b; Greenberg et al., 000; Espnosa-Duro, 00). Parmakzne at br çok özellk noktası olmasına rağmen, OPTS lerde parmakz tanıma ve karşılaştırmada yalnızca özellk noktaları (mnutae) olarak blnen uç ve çatal noktalar kullanılarak başarılı sonuçlar elde edleblmektedr (Jan et al., 1997a,b; Hong et al., 1998; Halc et al., 1999; Jan et al., 1999; Greenberg et al., 000; Luo et al., 000; Rusyn et al., 001; Espnosa-Duro, 00; Saatc ve Tavsanoglu, 00). Uç ve çatal noktalar, parmakz resmnde bulunan hat çzglernn anden sonlanması veya çatallaşması şeklnde oluşmaktadır (Halc et al., 1999; Jan et al., 1997a, b; Jan et al., 1999; Rusyn et al., 001; Luo et al., 000; Hong et al., 1998; Espnosa-Duro, 00). OPTS de kullanılan k öneml özellk noktası Şekl 1 de verlmektedr. Şekl 1. OPTS de kullanılan özellk noktaları Kmlklendrme şlemnde bu özellk noktalarının tpler, yerel yön değerler, referans noktaya göre açıları, uzaklıkları ve bu nokta le aralarından geçen hat çzgs sayısı gb parametreler kullanılır (Jan et al., 1997b; Halc et al., 1999; Greenberg et al., 000; Espnosa-Duro, 00). Bu değerlern doğru olarak hesaplanması OPTS nn performansı ve güvenlrlğ açısından çok önemldr (Jan et al., 1997a,b; Jan et al., 1999; Halc et al., 1999; Greenberg et al., 000; Özkaya, 003).. ÖZELLİK NOKTALARININ TESPİTİ Özellk noktalarının tesptne yönelk lteratür ncelendğnde farklı yaklaşımların sunulduğu, konuyla lgl olarak gerçekleştrlen algortmaların genellkle nceltlmş parmakz resm üzernde şlem yaptığı ve bu şlemn temelde üç adımdan oluştuğu görülmektedr. Bunlar özellk noktalarını bulmaya yönelk önşlemler, özellk noktalarının bulunması ve yalancı özellk noktalarının elmne edlmes şeklnde sıralanablr (Özkaya, 003). Özellk bulmaya yönelk önşlemler resmlern üzernde şlem yapılacak bölgesnn belrlenp arkaplandan ayrılması, temzlenp yleştrlmes ve nceltlmes olarak fade edleblr. Özellk noktalarının tespt, nceltlmş resm üzernde özellk noktası olablecek noktaların belrlenmes olarak tarf edleblr. Özellk bulma şlem sonrasındak şlemler se elde edlen noktaların gerçek özellk noktası olup olmadığının araştırılması şeklndedr. (Xao and Raafat, 1991; Ongun, 1995; Alkaya, 1998; Halc et al., 1999; Jan et al., 1999; Özkaya, 003). Özellk noktalarını bulmaya yönelk genel br sstemn şlem adımları Şekl de verlmektedr. Özellk noktalarını bulmaya yönelk br algortma Espnosa-Duro (00) tarafından sunulmaktadır. Sözü edlen algortmada P(x, nceltlmş hat çzgs üzernde br pksel ve N 0,, N 7 pkseller P(x, noktasında bulunan pkseln komşu pkseller olmak üzere uç ve çatal noktalar Eştlk 1 de verldğ gb tarf edlmektedr. Grsevye Parmakz Resm (Adım) İşlem Yapılacak Resm Alanının Belrlenmes (Adım-) Resm İyleştrc Fltreler (Adım-3) Yön Hartasının Hesaplanması (Adım-4) Özellk Noktaları Belrlenmş Parmakz Resm Yalancı Özellk Noktalarının Elenmes Özellk Noktalarının Bulunması Hat Çzglernn İyleştrlmes ve İnceltlmes (Adım-8) (Adım-7) (Adım-6) (Adım-5) Şekl. Özellk noktalar bulmaya yönelk genel br sstemn şlem admları. Mühendslk Blmler Dergs (1) Journal of Engneerng Scences (1) 911

3 P( x, = 7 = 0 7 = 0 N = 1 P( x, : Uç _ nokta N > P x y Çatal nokta (, ) : _ (1) Aynı amaca yönelk başka br yaklaşımda (Xao and Raafat, 1991), P lglenlen pksel ve P 1,..,P 8 se P nn etrafında bulunan sekz adet komşu pksel olmak üzere uç ve çatal noktalar Eştlk de verldğ gb fade edlmektedr. P( x, = 8 = 1 8 = 1 P( + 1) P( ) = P( x, : Uç_ nokta; P( + 1) P( ) = 6 P( x, : Çatal_ nokta. () Lteratürde özellk noktalarının bulunmasına yönelk grsevye resm üzernde şlem yapan algortmalar (Sagar and Beng, 1999a; Sagar and Beng, 1999b; Bhanu et al., 000; Lu et al., 000) le YSA ve bulanık mantıkla gerçekleştrlmş çalışmalar mevcuttur (Ongun, 1995; Mao and Malton, 1998; Sagar and Beng, 1999b; Jn et al., 00;). Bu algortmaların, gürültülü ve düşük kaltel resmlerde nceltlmş resm üzernde çalışan algortmalara kıyasla daha y sonuç verdğ rapor edlmektedr (Sagar and Beng, 1999a; Sagar and Beng, 1999b; Bhanu et al., 000; Lu et al., 000;). Özellk noktalarının tespt edlmesnden sonra özellk noktaları lstesnden gerçek özellk noktalarının seçlmes gerekmektedr. Bu konuda yapılan çalışmalar ncelendğnde şlemn genellkle maske kullanılarak gerçekleştrldğ görülmektedr (Xao and Raafat, 1991). NxN boyutundak br pencerenn tüm pkseller üzernde kaydırılarak merkez pksel değernn değşmesne dayanan bu algortmaların dezavantajı se benzer özellk gösteren yalancı özellk noktalarının saptanableceğ ve olablecek tüm yalancı özellk nokta çeştler çn ayrı br maske tanımlanma zorunluluğunun olmasıdır (Xao and Raafat, 1991; Özkaya, 003). Gerçekleştrlen çalışmaların bazılarında gerçek özellk noktalarının belrlenmes konusunda her br özellk noktasına at br takım parametreler hesaplanarak sonuca gdlmş ve başarılı sonuçlar elde edleblmştr (Xao and Raafat, 1991; Özkaya, 003). blg gerektrmes, paralel yapısından dolayı hızlı şlem yapablme yeteneğ ve uygulayıcıların sstemn grş le çıkışı arasındak lşkler formulüze etme mecburyetnn olmayışı gb pek çok üstünlüğünden dolayı, OPTS lerde kullanılmaktadır (Ongun, 1995; Mao and Malton, 1998; Sagar and Beng, 1999a; Sagar and Beng, 1999b; Jn et al., 00). YSA, br ssteme lşkn çeştl parametrelere bağlı olarak tanımlanan grşler ve çıkışlar arasında lşk kurablme yeteneğne sahptr. Bu lşknn doğrusal olması zorunlu değldr. Ayrıca YSA, çıkış değerler blnmeyen tanımlanmış sstem grşlerne de uygun çıkışlar üreteblmekte, böylece çok karmaşık problemlere ble mükemmel çözüm olablmektedr. Lteratürde, MLP, LVQ, ART ve SOM gb brçok YSA yapısı mevcuttur (Sağıroğlu ve ark., 003). Sunulan bu çalışmada brçok alana başarıyla uygulanmış Çok Katlı Perseptron (MLP) model kullanılmıştır. Brçok öğrenme algortmasının bu ağı eğtmede kullanılablr olması, bu modeln terch edlme sebeb olarak açıklanablr. Br MLP model, br grş, br veya daha fazla ara ve br de çıkış katmanından oluşur. Br katmandak tüm şlem elemanları br üst katmandak tüm şlem elemanlarına bağlıdır. Grş katmanındak şlem elemanları tampon gb davranırlar ve grş snyaln ara katmandak şlem elemanlarına dağıtırlar. Ara katmandak her br şlem elemanının çıkışı, kendne gelen tüm grş snyaller le snyaller takp eden bağlantı ağırlıklarının çarpımlarının toplamına br çıkış fonksyonu uygulanarak elde edleblr. Bu fonksyon, bast br eşk fonksyonu olableceğ gb br sgmod veya hperbolk tanjant fonksyonu da olablr. Dğer katmanlardak şlem elemanlarının çıkışları da aynı şeklde hesaplanır. Kullanılan eğtme algortmasına göre, ağın çıkışı le arzu edlen çıkış arasındak hata en aza düşünceye kadar ağın ağırlıkları değştrlr (Sağıroğlu ve ark., 003). Genel olarak br MLP yapısı, Şekl 3 te gösterlmştr. 3. YAPAY SİNİR AĞLARI Yapay snr ağları (YSA), Yapay snr ağları (YSA), öğrenme yeteneğ, kolayca farklı problemlere uyarlanablrlğ, genelleme yapablmes, daha az Şekl 3. Br MLP YSA model Mühendslk Blmler Dergs (1) Journal of Engneerng Scences (1) 911

4 Bu çalışmada YSA nın eğtm çn momentum ve öğrenme oranı adaptf geryayılım (MGY) öğrenme algortması kullanılmıştır. MGY algortması, ağırlıkları ve grş değerler mevcut ve türev alınablr transfer fonksyonuna sahp olan tüm YSA ların eğtmnde kullanılablen br öğrenme algortmasıdır. MGY, YSA ağırlıklarının ve bas değerlernn, adaptf öğrenme oranı ve momentum gözönünde bulundurularak değştrlmes esasına dayanır. Bu se Eştlk 3a ve 3b de gösterldğ gb fade edleblr (Anon., 006). w ( t + 1) = w( t) + w( t + 1) (3a) w( t + 1) = αβδ + β w( t) (3b) Verlen Eştlklerde w ( t +1), ağırlık ve bas değerlern; w (t), ağırlık ve bas ın br öncek adımdak değerlern; w ( t +1), ağırlık değşmn; çıkış ve arakatmanlarda farklı şeklde hesaplanan δ se sstemn çıkış ve arakatmana göre ağırlık değşmn temsl etmektedr. MGY öğrenme algortması le sstem eğtlrken gözönünde bulundurulan parametreler, maksmum epok sayısı, arzu edlen performans değer, öğrenme oranı (α ), öğrenme hızının artma oranı ( α ), öğrenme hızının azalma oranı ( α ), öğrenmedek d maksmum başarısızlık, maksmum performans artışı, momentum sabt ( β ), mnmum hata değşm ve grafksel göstermde kullanılacak olan epoklar arası mesafe şeklnde sıralanablr. Öğrenme sırasında her br epok çn değerlendrme yapılırken performans arzu edlen şeklde artarsa, öğrenme oranı, α faktörü gözönünde bulundurularak arttırılır. Performans, maksmum performans artış değernden daha fazla artarsa, öğrenme oranı, α faktörü gözönünde d bulundurularak ayarlanır ve performanstak bu stenmeyen an değşm YSA yı etklemez. Eğtm şlem tamamlandığında YSA model, çıkış değerlern, eğtmle lgl parametreler ve son epokta elde edlen hata değerlern verr. Eğtmle lgl parametreler, sstemn eğtm çn kullanılan epok sayısı, eğtm performansı, geçerllk performansı, test performansı ve adaptf öğrenme oranı olarak sıralanablr. Maksmum epok sayısının tamamlanması, eğtm çn belrlenen sürenn sonuna gelnmes, sstem performansının stenlen sevyeye gelmes, eğtm sırasında mnmum hata değşm oranının altına düşülmes veya geçerllk faktörü kullanılıyorsa bu değern öğrenmedek maksmum başarısızlık sayısını aşması durumlarından br gerçekleştğnde eğtm şlem sona erer (Anon., 006; Sağıroğlu ve ark., 003). MGY algortmasında öğrenme başarısı öğrenme oranı le yakından lgldr. Eğer öğrenme oranı çok büyük se algortma salınım yapar ve kararlı davranamaz. Eğer öğrenme oranı çok küçük se algortmanın sonuca yakınsaması uzun sürer. Adaptf br öğrenme oranı, öğrenme adımı ne kadar büyük olursa olsun öğrenmenn kararlı olmasını sağlar. Bu momentum ağın yerel optmum noktaları aşmasını sağladığı gb hatanın düşmesne de yardımcı olur (Sağıroğlu ve ark., 003). 4. ÖNERİLEN YÖNTEM Sunulan çalışmada, parmakz resmne at özellk noktalarının bulunmasına yönelk YSA temell br sstem gelştrlmştr. Gerçekleştrlen sstemn çalışma prensb Şekl 4 te verlmektedr. Grsevye Grş Resmne Uygulanan Önşlemler Parmakz Resmnn İnceltlp İyleştrlmes Uç Noktaların Bulunması çn Eğtlmş YSA Çatal Noktaların Bulunması çn Eğtlmş YSA Şekl 4. YSA temell sstemn şlem basamakları Mühendslk Blmler Dergs (1) Journal of Engneerng Scences (1) 911

5 Sstem grsevye parmakz resmn grş olarak almakta ve çeştl önşlemler sonucunda temzlenp yleştrlmş resm elde etmektedr. Sonra nceltme şlemn gerçekleştren sstem, nceltlmş resm özellk noktalarının bulunması çn eğtlmş YSA ya grş olarak vermektedr. YSA çıkışında se özellk noktaları bulunup şaretlenmş parmakz resm elde edlmektedr. Resmn blg taşımayan gereksz kısımlarından ve gürültüden arındırılması, OPTS çn şlem hızının artması, şlem zamanının kısalması, özellk noktalarının bulunmasında sstem performansının ve güvenlrlğnn artması gb br takım üstünlükler sağlar. Bu nedenle br OPTS de, parmakz resmnn temzlenmes ve yleştrlmes çok önemldr. Resm ne kadar yüksek kaltede yleştrlrse OPTS nn performansı da o kadar artar (Hong et al., 1998; Halc et al., 1999; Greenberg et al., 000; Saatc ve Tavsanoğlu, 00; Jn et al., 00; Özkaya, 003). Bu çalışmada resm yleştrme ve temzleme, resm üzernde çeştl etkler olan farklı maskelern konvolüsyonundan oluşan br maske kullanılarak gerçekleştrlmştr. Bu maske, resm üzernde yüksek frekanslı bleşenlern sönümlenmes etks gösteren Ortalama değer maskes le kenar bleşenlern kesknleştrlmes ve yleştrlmesne yönelk şlem yapan Laplacan fltrenn konvolüsyonundan oluşur. Uzaysal formda gerçekleştrlen k boyutlu konvolüsyon şlem, a ve b konvolüsyon şlem yapılacak fltreler temsl etmek üzere Eştlk 4 te verlen formül le tanımlanablr (Gonzalez and Woods, 199). c( n1, n) a( k1, k) b( n1 + k1, n + k) = k1= k= (4) Konvolüsyon sonucunda Ortalama değer maskesnn sönümleme etks le Laplacan fltrenn kenar blglern vurgulama etks amaca uygun olarak brleştrlmştr. Parmakz resmnn temzlenmes ve yleştrlmes çn oluşturulan maske Şekl 5 te verlmektedr Şekl 5. Parmakz temzlemede kullanlan maske Merkez pksel değernn komşu pksellern gr sevye ortalaması le yer değştrlmesyle gerçekleştrlen Ortalama değer Eştlk 5 te, resmn tüm noktalarındak Laplacan değernn karesnn toplanması le ölçülen, hesaplama yükü ve zamanı açısından y performans sergleyen ve lteratürde çok kullanılan Laplacan fltre se Eştlk 6 da verlen formüller le tanımlanmaktadır (Gonzalez and Woods, 199). 1 f ˆ( x, = (5) N N N 1 f ( x, x= 0 y= 0 f x f y f ( x, = + (6) Resm üzerne maske uygulandıktan sonra elde edlen temzlenmş resme, çalışma prensb Eştlk 7 de verlen bölgesel kl dönüşüm algortması uygulanmıştır. I yen 1 ( n1, n) = 0 I esk ( n n ) Ortalama 1, Farklı durumlar (7) Verlen Eştlkte n 1 ve n lgl pkseln satır ve sütun numarasını; I( n 1, n ), n 1 ve n koordnat değerlerne sahp pkseln renk değern, Ortalama se aynı pkseln çnde bulunduğu bölgedek elemanların ortalamasını temsl etmektedr. Gelştrlen algortmanın verlen grsevye parmakz resmler çn parmakz temzleme ve yleştrme adımı sonrasında elde ettğ sonuçlar Şekl 6 da verlmektedr. Sunulan çalışmada OPTS nn gerçekleştrdğ br sonrak şlem, temzlenp yleştrlen parmakz resmlernn nceltlmes ve nceltlen resmn yleştrlmesdr. İnceltme, parmakz resm üzernde bulunan her br hat çzgs genşlğnn daraltılarak 1 pksel le fade edlmes şeklnde tanımlanablr (Alkaya, 1998; Halc et al., 1999; Greenberg et al., 000; Jn et al., 00; Özkaya, 003). Bu çalışmada parmakz resmnn nceltlmes çn y sonuç veren adaptf br nceltme algortması kullanılmıştır (Özkaya, 003). İnceltme şlemn gerçekleştren algortmada 3 x 3 boyutunda br maske kullanılmakta ve maskenn merkeznde bulunan nokta üzernde şlem yapılmaktadır. Komşuluk mekanzmasına dayalı yöntemde merkezde bulunan syah pksel etrafındak syah noktaların sayısı ve yne bu nokta etrafında syahtan Mühendslk Blmler Dergs (1) Journal of Engneerng Scences (1) 911

6 beyaza geçş ve beyazdan syaha geçş sayısı göz önünde bulundurularak, nceltme çn belrlenen kurallar çerçevesnde lgl noktalar slnmektedr. Slme şlem resmn sol üst köşesnden sağ alt köşesne doğru yapılmakta ve slnecek noktalar aynı resm üzernden slnmektedr. Böylece komşu syah nokta sayısı hçbr zaman 8 olmayacak ve nceltlen resm üzernde kapalı br çzg oluşmayacaktır. İnceltlen parmakz resmnden özellk noktalarının doğru br şeklde elde edleblmes çn lgl resmde yalancı özellk noktaları oluşturablecek kısımların düzeltlmes gerekmektedr (Xao and Rafaat, 1991; Espnosa-Duro, 00; Özkaya, 003). Bu yüzden nceltlen resm tekrar gözden geçrlerek onarılır. Bu onarılma şlem, nceltlmş resm üzernde bulunan hat çzglernn düzgünleştrlmes, hat çzgler kenarlarında oluşan ufak çıkıntı şeklndek yapıların ve özellk noktalarının bulunmasını zorlaştıran ayrıntıların gderlmes, yönler aynı olan brbrne yakın kırık çzglern brleştrlmes, köşelern tanımlanıp düzeltlmes ve özellk noktalarının standartlaştırılması şeklnde sıralanablr. a) Parmakz#1 b) Parmakz# c) Parmakz#3 d) Parmakz#4 e) Temzlenmş Parmakz#1 f) Temzlenmş Parmakz# g) Temzlenmş Parmakz#3 h) Temzlenmş Parmakz#4 Şekl 6. Değşk parmakz resmlernn sunulan yöntemle temzlenmes ve yleştrlmes. Sstem performansını ve güvenlrlğn arttıran bu özellkler nceltme algortmasını dğer algortmalardan ayıran en temel farklardandır. Parmakz resmnn nceltlmesyle ve onarılmasıyla lgl algortmanın şlem adımlarının sonuçları sırasıyla Şekl 7 de, verlen nceltme algortması çeştl parmakz örnekler le çalıştırıldığında nceltme şlem sonrasında elde edlen sonuçlar se Şekl 8 de verlmektedr. Temzlenp nceltlen parmakz resm özellk noktalarının bulunması çn hazır hale gelmştr. Özellk noktalarının bulunmasına yönelk gelştrlen sstem bünyesnde br çatal noktaların tespt, dğer se uç noktaların tespt çn eğtlmş brbrn takben çalışan k farklı YSA modülü mevcuttur. YSA yapıları oluşturulurken sstematk br yöntem zlenmş ve her k modül çn de MLP yapısı terch edlmştr. Grş ve çıkış ver setler tanımlanmış ve YSA ya grş olablecek formatta fade edlmştr. Her k modül de br grş katmanı, br ara katman ve br de çıkış katmanı olmak üzere 3 katmandan oluşmaktadır. Oluşturulan YSA yapıları Şekl 9 da verlmektedr. 1) Grş resm ) İnceltme sonrası 3) Köşelern düzeltlmes 4) Çıkıntıların gderlmes Şekl 7. Gelştrlen nceltme algortmasının adım adım sonuçları. Mühendslk Blmler Dergs (1) Journal of Engneerng Scences (1) 911

7 a) Parmakz#1 b) Parmakz# c) Parmakz#3 d) Parmakz#4 Şekl 8. Değşk parmakz resmlernn nceltlp yleştrlmes. (a) Çatal Noktaların tespt çn kullanılan YSA. (b) Uç Noktaların tespt çn kullanılan YSA. Şekl 9. Sstemde kullanılan YSA yapıları. Verlen şekllerde IW{} ve LW{} YSA nın ağırlıklarını, b{} bas değerlern, + şaret çeren şekller toplama fonksyonlarını, dkey dkdörtgenler se transfer fonksyonlarını fade etmektedr. YSA nın özellk noktalarını tespt edeblmes çn grş ve çıkış ver setnn oluşturulması ve sstemn uygun parametrelerle eğtlmes gerekmektedr. Çatal noktaların tesptne yönelk YSA yapısında grş şlem elemanı sayısı 9, çıkış şlem elemanı sayısı ve ara katmandak şlem elemanı sayısı 5 olarak belrlenmştr. YSA bleşennn eğtm çn, parmakz resmnde bulunan çatal ve çatal olmayan noktalar 3x3 boyutunda br pencere çnde fade edlr ve vektör formuna çevrlr. Bu sayede YSA grş ver setler oluşturulmuş olur. Çıkış çn se çatal noktadır veya çatal nokta değldr şeklnde k çıkış değer verlr. Bu değerler YSA çıkışı olablecek formata dönüştürüldüğünde [0 1 ; 1 0] şeklnde çıkış ver set de hazır hale gelmş olur. Çatal noktaların tesptne yönelk YSA yapısının eğtmnde kullanılan grş ver set ve bu grşe uygun çıkış ver set Tablo 1 de verlmektedr. Uç noktaların tesptne yönelk YSA bleşen Sagar and Beng (1999a,b) tarafından önerlen metot kullanılarak gerçekleştrlmştr. Bu YSA yapısında grş şlem elemanı sayısı 8 ve çıkış şlem elemanı sayısı, ara katmandak şlem elemanı sayısı se 0 dr. Grş ver set tanımlanırken öncelkle 5x5 pksel boyutunda br test penceres belrlenr. Daha sonra 1x5 pksellk kenar bölgelerden 4 pksel uzağa kadar olan noktalar kontrol edlerek uç nokta olablecek noktaların temsl gerçekleştrlmş olur. Çıkış çn se uç noktadır veya uç nokta değldr şeklnde k çıkış değer verlr. Bu değerler YSA çıkışı olablecek formata dönüştürüldüğünde [0 1 ; 1 0] şeklnde çıkış ver set de hazır hale gelmş olur. Uç noktaların bulunması çn gerçekleştrlen YSA yapısının eğtmnde kullanılan grş ver set ve bu grşe uygun çıkış ver set Tablo de verlmektedr. Tablo 1. YSA Grş ve Çıkış Ver Setler. Grşler Çıkışlar Grş-çıkış ver setlernn tanımlanıp YSA ya uygulanablecek formata getrlmesyle tasarımı tamamlanan sstem, eğtm parametrelernn de belrlenmes le eğtlmeye hazır hale gelmektedr. YSA yapılarının eğtmnde kullanılan parametreler Tablo 3 te verlmektedr epok sonunda YSA yapılarının eğtm şlemler tamamlanmış ve yapılar test edlmeye hazır hale gelmştr. Sstemn Mühendslk Blmler Dergs (1) Journal of Engneerng Scences (1) 911

8 parmakz özellk noktalarının bulunmasına yönelk performansını test etmek çn kullanılan test resmne her k yapının ayrı ayrı ürettğ sonuçlar Şekl 10 da, gelştrlen yen yaklaşım klask br yöntemle (Özkaya, 003) karşılaştırılması netcesnde elde edlen sonuçlar Şekl 11 de sunulmuştur. YSA le gerçekleştrlen sstemlern klask yaklaşımlarla kıyaslandığında aynı sonucu elde edebldğ, buna karşın klask yaklaşımlardak algortma gelştrme aşamasında programcı tarafından gerçekleştrlen zor ve karmaşık şlemler ortadan kaldıran br yapıya sahp olduğu görülmektedr. Tablo. YSA Grş ve Çıkış Ver Setler-. Grşler Çıkışlar Tablo 3. YSA Eğtm Parametreler Parametre Değer Epok sayısı 5000 Hedef hata 0 α 0.01 α 1.05 α d 0.7 Maksmum başarısızlık 5 β 0.9 Mnmum hata değşm 1e Mühendslk Blmler Dergs (1) Journal of Engneerng Scences (1) 911

9 a) YSA grş resm b) Çatal noktaların bulunması c) Uç noktaların bulunması Şekl 10. YSA yapılarından elde edlen test sonuçları. Grsevye Parmakz Resmler Klask Yöntemle Özellk Noktaları Bulunmuş Parmakz Resmler YSA le Özellk Noktaları Bulunmuş Parmakz Resmler a) Parmakz #1 b) Parmakz #1 c) Parmakz #1 d) Parmakz# e) Parmakz # f) Parmakz # g) Parmakz #3 h) Parmakz #3 ) Parmakz #3 j) Parmakz #4 k) Parmakz #4 l) Parmakz #4 Şekl 11. YSA Temell sstemn klask yöntemle karşılaştırılması (Özkaya, 003). 5. SONUÇ Sunulan çalışmada, otomatk parmakz tanıma sstemlernn en öneml şlemlernden br olan parmakz resmlernde özellk noktalarının bulunmasına yönelk YSA temell br sstem gerçekleştrlmştr. YSA temell sstemn klask yaklaşımlardan en öneml farkı yüksek performansı ve herhang br türev hesaplama gereğ duyulmamasından dolayı hesaplama karmaşıklığının düşük olmasıdır. Yapay snr ağları kullanılarak yapılan çalışma sonucunda elde edlen sonuçlar ncelendğnde sunulan yen yaklaşımın başarılı olduğu görülmektedr. Bu sayede, otomatk parmakz tanıma sstemler grş çıkış kontrolünün Mühendslk Blmler Dergs (1) Journal of Engneerng Scences (1) 911

10 gerektğ her alanda, laboratuvarlar, bna ve şrket grş çıkışları, güvenlk gerektren kontrol noktaları, ünverste bünyesnde kampüslerde, fakülte, hastane, yemekhane, kütüphane gb mekanların grş-çıkış kapılarında kmlk tesbt ve benzer güvenlk fonksyonlarında, blgsayar ve çok kullanıcılı blgsayar ağına sahp ve sstemn ortaklaşa kullanıldığı tüm mekanlarda erşm düzennn sağlanmasında ve kaynakların paylaşımında, ağ güvenlğnn sağlanmasında, fzksel grş çıkış kontrol noktalarında, personel devam kontrol sstemlernde, tcar şlemler ve benzer br çok alanda, banka güvenlğnde, elektronk fon transfer veya ATM güvenlğ gb şlemlerde, çek ve kred kartı şlemlernde, ulusal kmlklendrme sstemlernde daha güvenlr ve düzenl kmlklendrme çn uygulanablecek ve genş yelpazede çözümler sunablecektr. 6. KAYNAKLAR Alkaya, E Enhancement and Preprocessng Technques For Rdge Extracton n Fngerprnt Images, Yüksek Lsans Tez, Orta Doğu Teknk Ünverstes, Ankara. Anonymous, 006. Matlab Neural Network Toolbox User's Gude, 006, access/helpdesk/ help/toolbox/nnet/. Bhanu B., Boshra, M., Xuejun, T Logcal Templates For Feature Extracton n Fngerprnt Images, 15th Internatonal Conference on Pattern Recognton, () Espnosa-Duro, V. 00. Mnutae Detecton Algorthm For Fngerprnt Recognton, IEEE Aerospace & Electroncs Systems Magazne, (17) 7. Gonzalez, R.C., Woods, R. E Dgtal Image Processng, Thrd Edton, Addson-Wesley, Readng, MA. Greenberg, S., Aladjem, M., Kogan, D., Dmtrov, I Fngerprnt Image Enhancement Usng Flterng Technques, 15th Internatonal Conference on Pattern Recognton, (3) Halc U., Jan, L. C., Erol, A Introducton to Fngerprnt Recognton Chapter n Jan L. C.; Halc U.; Hayash, I.; Lee, S.B.; Tsutsu T., 1999, Intellgent Bometrc Technques n Fngerprnt and Face Recognton, CRC press, USA. Hong, L., Wan, Y., Jan, A.K Fngerprnt Image Enhancement: Algorthms and Performance Evaluaton, IEEE Transactons on PAMI, 0, 8, Jan, A. K., Hong, L., Bolle, R. 1997a. On-lne Fngerprnt Verfcaton, IEEE Transactons on PAMI, 19 (4), Jan, A. K., Hong, L., Pankant, S., Bolle, R. 1997b. An Identty Authentcaton System Usng Fngerprnts, Proceedngs of the IEEE, 85, 9, Jan, A. K., Prabhakar, S., Hong, L., Pankant, S FngerCode: A Flterbank For Fngerprnt Representaton and Matchng, IEEE Computer Socety Conference on Computer Vson and Pattern Recognton, () Jn, A. L. H., Chekma, A., Dargham, J. A., Lau C. F. 00. Fngerprnt Identfcaton and Recognton Usng Backpropagaton Neural Network, Student Conference on Research and Development SCOReD, 981. Lu, J., Huang, Z., Chan, K. L Drect Mnutae Extracton From Grey-level Fngerprnt Image by Relatonshp Examnaton, Internatonal Conference on Image Processng,, Luo, X., Tan, J., Wu, Y A Mnutae Matchng Algorthm n Fngerprnt Verfcaton, 15th Internatonal Conference on Pattern Recognton, 4, Mao, D., Malton, D Neural Network Based Mnutae Flterng n Fngerprnts Fourteenth Internatonal Conference on Pattern Recognton,, Ongun, G An Automatc Fngerprnt Identfcaton System Based On Self organzng Feature Maps Classfer, Yüksek Lsans Tez, Orta Doğu Teknk Ünverstes, Ankara, Türkye. Özkaya, N Otomatk Parmakz Tanıma Sstem, Yüksek Lsans Tez, Fen Blmler Ensttüsü, Ercyes Ünverstes, Kayser, Türkye. Rusyn, B., Prudyus, I., Ostap, V Fngerprnt Image Enhancement Algorthm, The Experence of Desgnng and Applcaton of CAD Systems n Mcroelectroncs CADSM, Saatc, E., Tavsanoglu, V. 00. Fngerprnt Image Enhancement Usng CNN Gabor-type flters, 7th Mühendslk Blmler Dergs (1) Journal of Engneerng Scences (1) 911

11 IEEE Internatonal Workshop on Cellular Neural Networks and Ther Applcatons (CNNA), Sagar, V. K., Beng, K. J. A. 1999a. Hybrd Fuzzy Logc and Neural Network Model for Fngerprnt Mnutae Extracton, Internatonal Jont Conference on Neural Networks IJCNN '99, (5) Sagar, V. K., Beng, K. J. A. 1999b. Fngerprnt Feature Extracton by Fuzzy Logc and Neural Networks, 6th Internatonal Conference on Neural Informaton Processng ICONIP'99, (3) Sağıroğlu, Ş., Beşdok, E., Erler, M Mühendslkte Yapay Zeka Uygulamaları I: Yapay Snr Ağları, Ufuk Ktabev, Türkye. Xao, Q., Raafat, H Fngerprnt Image Post- Processng: A Combned Statstcal and Structural Approach, PR(4), (10) Mühendslk Blmler Dergs (1) Journal of Engneerng Scences (1) 911