Biyometrik sistemler bir bireyin kişisel bir nitelik ya da davranışını analiz ederek kimliğini açıklayan biyolojik verileri doğrulama bilimidir. İnsanları birbirinden ayırt edebilme şansını bize sunduğundan dolayı biyometri bir kimlik doğrulama sistemi olarak da kullanılmaktadır. En popüler biyometrik sistemlerden biri de imza tanıma ve doğrulamadır. Bu çalışmada çevirim dışı imza tanıma sistemi için bir uygulama gerçekleştirilmiştir. Çevrimdışı olarak 24 ayrı kişiden 36 tane, yani toplamda 864 tane imza toplanmıştır. 36 tane imzanın 26 tanesi yani toplamda 624 tane imza eğitim için,10 tanesi yani 240 tane imza test için ayrılmıştır. İmza tanıma uygulaması boyunca, ilkönce imza görüntüleri bir tarayıcı yardımıyla 450X250 boyutlarında alınmıştır. Bu görüntüler gri seviyeli görüntülere çevrilmiştir. Ondan sonra Otsu otomatik eşik seçme metoduyla ikili görüntülere çevrilmiştir. Bundan sonra, kenar inceltme metoduyla, ikili imza görüntüleri inceltilmiştir. İmza görüntülerinin özellikleri bundan sonra imzanın çevresindeki gereksiz boşluklar çıkarılarak, sahip oldukları boyutlarda bulunmuştur. İmzaların yoğunluk, genişlik, yükseklik, genişlik yükseklik oranı, x eksenindeki ağırlık merkezi, y eksenindeki ağırlık merkezi, genişliğinin x eksenindeki orta noktası, yüksekliğinin y eksenindeki orta noktası, x eksenindeki ağırlık merkezi ile genişliğinin orta noktası arasındaki fark, y eksenindeki ağırlık merkezi ile yüksekliğinin orta noktası arasındaki fark özellik çıkarma metotları kullanılmıştır. Ve bundan başka imzalar ağırlık merkezlerinden 4 eşit parçaya bölünmüştür. Ve bu her bir parça tekrar ağırlık merkezlerinden 4 eşit parçaya bölünmüştür. İmzaların sınıflandırılması radyal taban fonksiyonlu sinir ağında tasarlanmış ve kullanılmıştır. Tasarlanmış RBF sinir ağında, imza sınıflarına ait özelliklere dayalı 30 öz giriş ve 24 çıkış kullanılmıştır Çalışmada 91.6667 % sınıflandırma başarımı gözlenmiştir. Doğrulama işlemi gerçekleştirilmemiştir. Sinir sayılarının maksimum sayısı ve yayılım değeri analiz edilmiştir. Yayılım değerleri 1, 5, 10, 15, 20, 25 ve maksimum sinir sayısı 50,150, 225, 230, 235, 250, 300, 400, 550 olarak değiştirilmiştir. Yayılım değeri 1 ve maksimum sinir sayısı 225 veya 235 olduğunda en iyi performansa ulaşılmıştır. Bu çalışmaların hepsi tablo, grafik ve şekillerle gösterilmiştir. Anahtar kelimeler: Matlab, yapay sinir ağları, radyal taban fonksiyonu, çevirimdışı imza tanıma
Biometric systems are being verificated that analyzing personal character or behavior so describing identify. Biometrics is used as an authentication system because of providing to distinguish between people. One of the most popular biometric systems is signature recognition and verification systems. During the study, 864 signatures were collected offline. These signatures were taken from 24 different people. 36 signatures were collected from each person. 26 signatures have been used for the training process and other remaining signatures have been used for testing. During the implementation of the signature recognition, firstly the signature images have been taken to computer by using a scanner as 450x250 images. These images have been firstly converted to gray level image. Then, these images have been converted to binary images by using Otsu automatic threshold selection method. After that edge thinning operation has been applied to the binary signature images. Signature features of images have been found in the size that they have by removing unnecessary spaces around after the signature. Signature's density, width, height, ratio of width and height, center of gravity at x axis, center of gravity at y axis, midpoint of width, midpoint of height, difference between center of gravity at x and midpoint of width, difference between center of gravity at y and midpoint of height feature extraction methods have been used. And also, the signatures have been divided into mainly 4 pieces based on the geometric centroid of the signature image. Then, each part has been again divided into 4 pieces based on their centroid. For the classification of the signatures a radial bases neural network (RBFNN) has been designed and used. Designed RBF neural network has 30 inputs based on used features and 24 outputs belonging to signature classes. 91.6667 % classification performance have been observed during the study. Verification process has not been implemented. Efffect of the maximum number of neurons and spread values has analyzed. Spread values have changed 1, 5, 10, 15, 20, 25 and maximum number of neurons has been changed 50, 150, 225, 230, 235, 250, 300, 400, 550. When spread is 1 and maximum number of neurons has been 225 or 235 that the best performance has obtained. All of these have showed with tables, graphics and shapes. Keywords: Matlab, artificial neural networks, radial basis function, offline signature recognition
