El geometrisi görüntüleri ile derin öğrenme yöntemlerini kullanarak yeni biyometrik sistem tasarımı

Dorsal el damar paternleri her bireye özgüdür ve onları doğru kimlik tanıma için umut verici bir araç haline getirir. Bu tez çalışması insan kimliğinin biyometrik analizine odaklanmaktadır. Tecnocampus el görsel veri seti, dorsal el görüntülerinde özellik çıkarma yöntemlerini doğrulamak için kullanılır. Bu çalışmada, özellik çıkarımına farklı yaklaşımlar sunan üç Konvolüsyonel Sinir Ağı CNN mimarisi karşılaştırılır ve analiz edilir: ResNet-50, GoogleNet ve SqueezeNet. Her yöntemin performansı bu veri kümesine uygulanarak değerlendirilir. Analize dayalı olarak, ilgili mimarilerden en etkili özellikler seçilir. Önerilen yaklaşım ile değerlendirilen CNN mimarilerinin sağlamlığından ve Öklid mesafesinin gücünden yararlanarak, görüntü tanıma alanında dikkate değer sonuçlar elde edilir. Sırt görüntüleri arasındaki benzerliği ölçmek için özellik vektörlerini kullanır ve özellik vektörleri arasındaki benzerliği ölçmek için Öklid mesafesini kullanır. Bu, algoritmanın el damar modellerini yüksek doğrulukla doğru bir şekilde tanımlamasını ve eşleştirmesini sağlar. %97,32'lik bir genel doğruluk oranıyla bu araştırma, biyometrik tanımlama alanı için önemli çıkarımlara sahiptir ve bu alanda gelecekteki ilerlemeler için değerli bir temel oluşturabilir.