Yapay sinir ağları kullanarak parmak izi ve konuşmacı tanıma

Abstract

Anahtar kelimeler: YSA, konuşmacı tanıma, parmakizi tanımaKişileri, onların fizyolojik veya davranışsal özelliklerinden yola çıkarak, otomatik birtanımlama olan biyometrik, yetkili veya yetkisiz kişileri ayırmada, geleneksel parolave kişisel tanımlama numaraları gibi yöntemlerden çok daha üstündür.Bu çalışmada, biyometrik özelliklerden olan parmak izi ve konuşma işaretlerininanalizi yapılarak gerekli parametrelerin elde edilmesi sağlanmıştır. Parmakiziörneklerinden Galton karakteristikleri olarak adlandırılan özellik noktalarından enönemli iki tanesi olan uç nokta ve çatal noktalar tespit edilmiş, bu noktalarınparmakizinin orta (core) nokta ile olan uzaklıkları referans olarak kabul edilmiştir.Konuşma işaretinden ise MFCC (Mel Frequency Cepstrum Coefficients) yöntemiylegerekli parametreler çıkarılmıştır. Elde edilen parametreler doğrultusunda geriyeyayılım öğrenme algoritmalarından biri olan ?trainscg? kullanılarak giriş, gizlikatman ve çıkış katmanından oluşan üç katmanlı bir YSA yapısı ile gereklikimliklendirme yapılmıştır.YSA eğitildikten sonra, eğitim için kullanılan parmakizi ve konuşma örnekleri testedildiğinde %100 başarı sağlanmış, test amaçlı örnekler kullanıldığında bu oranparmakizlerinde %77, konuşma örneklerinde %86 olmuştur.

Keywords: Neural Networks, Speaker Recognition, Fingerprint RecognitionBiometric, is a automatical definition that based on physiological and behavioralproperties of the people. It is more better to diffirentiate authorized and cribblerperson than methods like traditional password and personal definition numbers.In this study, required parameters were obtained by analyzing the biometric featuresfingerprint and speaking signals. Ending points and bifurcation points which are themost important ones of feature points named as Galton Characteristics weredetermined from fingerprint samples, and the distances of these points to the corepoint were taken as references. Required parameters were obtained from speakingsignals by MFCC (Mel Frequency Cepstrum Coefficients) method. Identificationwas made by a three layer neural network structure which consists of input, hiddenand output layers and using the backpropagation algorithm "trainscg" with theparameters obtained.After the network was trained, when it was tested with the fingerprint and speakingsignal samples and 100% of the results were right. When the test samples were used,these values were 77% for the fingerprints, and 86% for the speech samples.