ŞENGÜL, GökhanSHAKIR, MUSTAFA KANAAN2022-03-102022-03-102022-03-10http://hdl.handle.net/20.500.11905/810EL GEOMETRİ BİLGİLERİ İLE İNSAN TANIMLAMA VE DOĞRULAMAÖZ: Bu tezde, el geometrisi tabanlı bir insan tanımlama sistemi önerilmiştir. El, insan vücudunun hayati bir bileşenidir. İnsan tanımlama ve doğrulama sistemleri için kullanılabilecek birçok benzersiz özellikten oluşur. Bu çalışma, el görüntülerinden çıkarılan öznitelikleri kullanarak insanı tanımaya yönelik bir yaklaşım sunmaktadır. Önerilen yöntem, ön işleme, özellik çıkarma ve sınıflandırma aşamaları olmak üzere üç aşamada gerçekleştirilmiştir. Ön işleme adımında, özellik çıkarım modeli için el görüntüleri yeniden boyutlandırılır. Öznitelik çıkarma aşamasında, el özniteliklerini çıkarmak için evrişimli sinir ağı (AlexNet modeli) kullanılır. Çıkarılan özellikler, iyi bilinen Destek Vektör Makineleri (SVM) ve k-en yakın komşu sınıflandırıcıları kullanılarak sınıflandırılır. Önerilen yöntem, farklı sayıda eğitim ve test görüntüsü kullanılarak CASIA-MS-Palmprint veri kümesi üzerinde test edilmiştir. el geometrisi tabanlı tanıma sistemi için kullanılır. Ortalama doğruluk, duyarlılık ve özgüllük 94.36, 89.96 ve 90.36 idi. Sistem yeterli sayıda görüntü ile eğitildiğinde tanıma doğruluğu oranının makul olduğu sonucuna varıyoruz.In this thesis, a hand geometry-based human identification system is proposed. The hand is a vital component of the human body. It consists of many unique features that can be used for human identification and verification systems. This study presents an approach for recognizing the human using the features extracted from hand images. The proposed method is implemented in three steps, namely preprocessing, feature extraction and classification phases. In the preprocessing step, the hand images are resized for the feature extraction model. In the feature extraction phase, the convolutional neural network (AlexNet model) is used in order to extract hand features. The extracted features are classified using the well*known Support Vector Machines (SVM) and k-nearest-neighbourhood classifiers. The proposed method is tested on the CASIA-MS-Palmprint dataset, using a different number of training and testing images. in used for the hand geometry-based recognition system. The average accuracy, sensitivity, and specificity were 94.36, 89.96 and 90.36. We conclude that the recognition accuracy rate is reasonable when the system is trained with an adequate number of images.computer engineering