Fingerprint recognition by using convoloutional neural network and support vector machine classification
| dc.contributor.advisor | Ibrahim, Abdullahi Abdu | |
| dc.contributor.author | Al-Saedi, Ali Abdulhasan Johni | |
| dc.date.accessioned | 2022-06-28T13:55:10Z | |
| dc.date.available | 2022-06-28T13:55:10Z | |
| dc.date.issued | 2021 | en_US |
| dc.date.submitted | 2021 | |
| dc.department | Enstitüler, Lisansüstü Eğitim Enstitüsü, Bilişim Teknolojileri Ana Bilim Dalı | en_US |
| dc.description.abstract | Biometrics seeks to solve the problems of traditional verification methods by using certain physiological properties associated with an individual. Among all the biometric indicators, fingerprints have been shown to have good levels of reliability. The most widely used local representation is based on the details (minutiae) of the fingerprints. The pattern of the minutiae on a fingerprint forms a valid representation of the fingerprint. The minutiae that are most used for automatic recognition are branches and endings. However, given fingerprint acquisition techniques, it is common for endings and bifurcations to undergo deformations, which is why they are commonly referred to as minutiae. That is why in this document we will simply refer to these characteristics as minutiae. In this work we describe the results obtained using a methodology proposed for the recognition of minutiae using convolutional neural networks CNN, trained with different databases that contain fingerprints then we use the support vector machine classification to classify newly input images of fingerprints based on the features extracted by the CNN and matched with the dataset, our method proves to have better accuracy and lower MSE than the previous linear methods use for fingerprint recognition. | en_US |
| dc.description.abstract | Biyometri, bir bireyle ilişkili belirli fizyolojik özellikleri kullanarak geleneksel doğrulama yöntemlerinin sorunlarını çözmeye çalışır. tüm biyometrik göstergeler arasında parmak izlerinin iyi düzeyde güvenilirliğe sahip olduğu gösterilmiştir. en yaygın olarak kullanılan yerel temsil, parmak izlerinin ayrıntılarına (minutiae) dayanmaktadır. bir parmak izindeki ayrıntıların deseni, parmak izinin geçerli bir temsilini oluşturur. otomatik tanıma için en çok kullanılan ayrıntılar dallar ve sonlardır. bununla birlikte, parmak izi edinme teknikleri göz önüne alındığında, sonların ve çatallanmaların deformasyona uğraması yaygındır, bu nedenle bunlara genellikle minutiae denir. bu nedenle, bu belgede bu özelliklere sadece küçük ayrıntılar olarak değineceğiz. bu çalışmada, parmak izlerini içeren farklı veri tabanlarıyla eğitilmiş evrişimli sinir ağları CNN kullanılarak minutiae'nin tanınması için önerilen bir metodoloji kullanılarak elde edilen sonuçları açıklıyoruz, ardından parmak izlerinin yeni giriş görüntülerini çıkarılan özelliklere göre sınıflandırmak için destek vektör makinesi sınıflandırmasını kullanıyoruz. CNN tarafından ve veri setiyle eşleştirilen yöntemimiz, parmak izi tanıma için kullanılan önceki doğrusal yöntemlerden daha iyi doğruluğa ve daha düşük MSE' ye sahip olduğunu kanıtladı. | en_US |
| dc.identifier.citation | Al-Saedi, Ali Abdulhasan Johni. (2021). Fingerprint recognition by using convoloutional neural network and support vector machine classification. (Yayınlanmamış yüksek lisans tezi). Altınbaş Üniversitesi, Lisansüstü Eğitim Enstitüsü, İstanbul. | en_US |
| dc.identifier.uri | https://hdl.handle.net/20.500.12939/2599 | |
| dc.identifier.yoktezid | 672542 | |
| dc.institutionauthor | Al-Saedi, Ali Abdulhasan Johni | |
| dc.language.iso | en | |
| dc.publisher | Altınbaş Üniversitesi / Lisansüstü Eğitim Enstitüsü | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.subject | CNN | en_US |
| dc.subject | SVM | en_US |
| dc.subject | Neural Network | en_US |
| dc.subject | Minutiae | en_US |
| dc.subject | MSE | en_US |
| dc.subject | Sinir Ağı | en_US |
| dc.title | Fingerprint recognition by using convoloutional neural network and support vector machine classification | |
| dc.type | Master Thesis |
