Çalışkan, AbidinErgen, BurhanAcar, Emrullah2021-12-012021-12-012017Çalışkan, A., Ergen, B., Acar, E. (2017). Palmprint recognition system based on gabor wavelet transform with K-NN classifier model. International Engineering Conference (IEC2017), 19-21 October 2017, Antalya, Türkiyehttps://hdl.handle.net/20.500.12402/4146Palmprint recognition system is regarded as reliable and accurate biometric identification system. The biometric approach palm recognition system has attracted the attention of researchers in recent times because of the presenting a new biometric feature compared to other models. In this work, gabor wavelet transform (GWT) based palmprint recognition system has been developed. Firstly, image coordinate system is determined in order to facilitate image alignment for feature extraction. Then, region of interest is cropped from the palmprint images. With the developed system, features are extracted from the region of interest and they are given to k-nearest neighbors (k-NN) classifier as input parameters. Finally, the highest success rate for GWT based systematic sampling was computed as 86.90% according to the non-request data selection and it was observed that the proposed recognition system provide successful results in classification of palmprint images. Moreover, a good identification of the feature vector is the main factor that affects performance. Thus, the performance can also be improved by finding more suitable feature vectors.Avuç içi tanıma sistemi, güvenilir ve doğru bir biyometrik tanıma sistemi olarak kabul edilmektedir. Biyometrik yaklaşımlı avuç içi tanıma sistemi, diğer modellere nazaran yeni bir biyometrik özellik sunduğundan dolayı, son zamanlarda araştırmacıların ilgisini çekmektedir. Bu çalışmada, gabor dalgacık dönüşümü (GDD) tabanlı avuç içi tanıma sistemi geliştirilmiştir. İlk olarak, özellik çıkarımında görüntü uyumunu kolaylaştırmak için koordinat sistemi belirlenmiştir. Sonra, ilgilenilen bölge avuç içi imgesinden alınmıştır. Geliştirilen sistem ile ilgilenilen bölgenin özellikleri çıkartılmış ve bu özellikler k-en yakın komşu (k-NN), sınıflandırıcısının girişlerine verilmiştir. Sonuç olarak, GDD tabanlı sistematik örnekleme için iadesiz veri seçimine göre en yüksek başarı oranı %86.90 olarak hesaplanmış ve avuç içi imgelerinin sınıflandırılmasında, önerilen sistemin başarılı sonuçlar verdiği gözlemlenmiştir. Dahası, öznitelik vektörünün iyi bir şekilde belirlenmesi performansı etkileyen asıl faktördür. Bu nedenle, daha uygun öznitelik vektörleri bulunarak performans arttırılabilmektedir.eninfo:eu-repo/semantics/openAccessAttribution-NonCommercial-ShareAlike 3.0 United StatesBiometricPalmprint RecognitionGabor Wavelet TransformK-Nearest NeighborsBiyometrikAvuç İçi TanımaGabor Dalgacık DönüşümüK-En Yakın KomşuConference Object