El çizimlerinin biyometrik bilgiyle tanınması için iyileştirilmiş bir yöntem geliştirilmesi

Abstract

Bu tez çalışmasında, el çizimlerinin biyometrik bilgiyle tanımlanması için yeni bir yöntem önerilmektedir. Veri toplama işlemi tablet üzerine dijital kalem ile sağlanmıştır. Gönüllülerden toplanan yazılar, rakamlar ve basit şekil çizimleri veri seti olarak kullanılmıştır. Bu veri setinden polyline (bir çizimde el kaldırmadan çizilen her bir alt çizim) adetleri, çizim açıları, çizim hızı ve çizgisel basınç verileri gibi biyometrik bilgi çıkarımı gerçekleştirilmiştir. Yazım esnasında el titremesi sebebiyle oluşan sıçramaları düzeltmek için sıfır faz filtresi kullanılmıştır. Çizim algılama için K-en yakın komşu algoritması (K-NN) kullanılmıştır. Her bir çizim verisi bir zaman serisi olduğu için veri nesneleri arası benzerliği bulmak için Dinamik Zaman atlaması (DTW) yöntemi kullanılmıştır. Test işlemleri `Genel Çizim Tipleri` ve `İmza` olmak üzere iki ana başlık altında toplanmaktadır. Öncelikle sayılar, rakamlar, çeşitli karakterler ve basit şekiller içeren heterojen bir veri seti kullanılarak algılama testi gerçekleştirilmiştir. Sonrasında, aynı türden çizimler içeren homojen bir veri seti üzerinde testler gerçekleştirilmiştir. İmza ile ilgili test işlemleri `Gerçek İmza` ve `Sahte İmza` olmak üzere iki alt başlık altında toplanmıştır. Özellikle, biyometrik verilerin daha belirgin bir şekilde ortaya çıktığı imza gibi kişiye özel çizimlerde biyometrik bilginin algılama doğruluğunu önemli oranda arttırdığı görülmüştür. Bu bilgiler ışığında, çizen kişiyi tespit etmede en fazla bilgi sağlayan biyometrik bileşenlerin çizimdeki polyline sayısı ve çizim açıları olduğu görülmüştür. Bunların ardından sırasıyla hız ve basınç bilgileri gelmektedir. Test sonuçları, kullanıcının kişisel biyometrik bilgilerinin çizim tanımlamaya %3 ile %11 arasında katkıda bulunduğunu göstermiştir.

In this thesis, a new method for recognition of sketch with biometric information is proposed. For data collection, a tablet and a digital pen have been used. Letters, numbers and basic figure sketches, which are collected from volunteers, have been used for data set. From this data set, biometric information has been extracted such as sketch angle, sketch velocity, sketch pressure data and number of polylines (polylines are sub sketches begins with the pen touches the surface and continues until pen lifted). A zero phase filter has been used for correcting spikes which occur because of hand tremors during sketching. K-Nearest Neighbor (K-NN) algorithm has been used for sketch recognition. Dynamic Time Warping (DTW) algorithm has been used in order to find similarity between data objects because every sketch data is transferred into a time series format. Experiments are carried out under two main headings as `General Drawing Types` and `Signature`. Firstly, the recognition tests were carried out using a heterogeneous data set containing numbers, various characters and simple figures. Likewise, tests were performed on a homogeneous data set containing sketching of the same type. The test procedures regarding the signature are grouped under two sub-headings as `Real Signature` and `Fake Signature`. Especially, it has been observed that biometric information significantly increases detection accuracy. As a result, it has been observed that number of polylines and sketch angles are the major biometric components to identify sketches of a person. The speed and pressure information are minor components for identification. Test results show that the user's personal biometric information increases the accuracy of sketch recognition from 3% to 11% depending to the complexity of the sketch.