Çalışkan, AbidinAcar, EmrullahBudak, Cafer2021-12-012021-12-012017Çalışkan, A., Acar, E., Budak, C. (2017). Fingerprint recognition system based on law’s texture energy measures with extreme learning machines. International Engineering Conference (IEC2017), 19-21 October 2017, Antalya, Türkiye.https://hdl.handle.net/20.500.12402/4147Fingerprint recognition systems are one of the most popular biometric systems used in many areas, including prisons, border controls, educational institutions and forensic medicine. This paper presents a new approach based on the texture features for fingerprint recognition system. The dataset which employed in this study is obtained from the Hong Kong Polytechnic University High-ResolutionFingerprint database. The proposed system was implemented in two basic stages. Firstly, the texture feature vectors were extracted from the images by using Law’s Texture Energy Measures (TEM) and totally 9 parameters were extracted for each image as a feature vector. Then, the obtained feature vectors were classified by using Extreme Learning Machines (ELM) model. Finally, the average performance of the proposed system was computed according to different tuning parameters and the highest accuracy rate was observed as 83.92 % among the all system architectures.Parmak izi tanıma sistemleri, hapishaneler, sınır denetimleri, eğitim kurumları ve adli tıp da dâhil olmak üzere birçok alanda kullanılan en popüler biyometrik sistemlerden biridir. Bu makalede, parmak izi tanıma sistemi için doku özelliklerine dayalı yeni bir yaklaşım sunulmaktadır. Çalışmada kullanılan veri kümesi, Hong Kong Politeknik Üniversitesi yüksek çözünürlüklü parmak izi veri tabanından elde edilmiştir. Önerilen sistem iki temel aşamada gerçekleştirilmiştir. İlk olarak, görüntü dokusuna duyarlı yöntemlerden biri olan Law’ın Doku Enerji Ölçümleri yöntemi kullanılarak, parmak izi görüntü dokularından öznitelik vektörleri elde edilmiş ve her bir görüntü için toplamda 9 doku parametresinden oluşan bir öznitelik vektörü oluşturulmuştur. Daha sonra, elde edilen bu öznitelik vektörleri, Aşırı Öğrenme Makineleri modelinin girişlerine verilerek sınıflandırılmıştır. Son olarak, önerilen sistemin ortalama performansı farklı ayar parametrelerine göre hesaplanmış ve tüm sistem mimarileri arasındaki en yüksek doğruluk oranı% 83.92 olarak gözlenmiştireninfo:eu-repo/semantics/openAccessAttribution-NonCommercial-ShareAlike 3.0 United StatesBiometricFingerprint RecognitionLaw’s Texture Energy MeasuresExtreme Learning MachinesBiyometrikParmak İzi TanımaLaw’ın Doku Enerji ÖnlemleriAşırı Öğrenme MakineleriConference Object