Human Recognition Based on Outer Double Hand Images Using Feature Extraction

Year 2025, Volume: 6 Issue: 1, 35 - 44, 30.06.2025

Zekeriya Katılmış , Şevval Koç

https://doi.org/10.53608/estudambilisim.1683779

Abstract

This study investigates the use of outer double hand image-based biometric features in human recognition systems and their effects on classification performance. Feature extraction was performed using Grey-Level Co-Probability Matrix (GLCM), Oriented FAST and Rotated BRIEF (ORB) and Local Binary Patterns (LBP) methods and their combinations from hand images obtained at different resolution levels. The original dataset was subjected to resolution reduction stages and the performance of person recognition was analyzed in many aspects. The study consists of preprocessing, image dimensioning, feature extraction and fusion, classification and person recognition steps. Experimental studies were carried out on datasets created by scaling the original images with a resolution of (4032 ×3024) pixels to four different dimensions. The dataset obtained after feature extraction was trained with various machine learning algorithms and the classification accuracy was analyzed. The results show that the Extreme Learning Machine (ELM) algorithm provides stable and high accuracy rates at all resolution levels. The best accuracy was recorded using the ELM approach with a rate of 98%. The combination of ORB+LBP was the most successful feature extraction method. The findings show that external hand images can be used effectively in biometric person recognition systems and acceptable accuracy rates can be achieved with low resolution data. This study aims to improve the accuracy of biometric systems by determining the most appropriate resolution and feature extraction method that can be used in biometric systems. In addition, the study reveals that biometric systems based on hand images have significant potential in applications such as person identification, verification and demographic analysis.

Keywords

Biometric Hand image , Feature extraction , GLCM , ORB , LBP

Özellik Çıkarımları Kullanarak Dış Çift El Görüntülerine Dayalı Kişi Tanıma

Abstract

Bu çalışma, dış çift el görüntü tabanlı biyometrik özelliklerin kişi tanıma sistemlerinde kullanımını ve sınıflandırma performansına olan etkilerini incelemektedir. Farklı çözünürlük düzeylerinde elde edilen el görüntülerinden Gri-Seviye Eş Olasılık Matrisi (GLCM), Yönlendirilmiş FAST ve Rotated BRIEF (ORB) ve Yerel İkili Örüntüler (LBP) yöntemleri ve birleşimleri kullanılarak özellik çıkarımı gerçekleştirilmiştir. Özgün oluşturulan veri kümesi, çözünürlük indirgeme aşamaları uygulanarak kişi tanıma başarımları birçok yönü ile ele alınmıştır. Çalışma ön işlem, resim boyutlandırma, öznitelik çıkarımı ve birleştirme, sınıflandırma ve kişi tanıma adımlarından oluşmaktadır. Deneysel çalışmalar, (4032 ×3024) piksel çözünürlüğe sahip orijinal görüntülerin dört farklı boyuta ölçeklendirilmesiyle oluşturulan veri kümeleri üzerinde yürütülmüştür. Özellik çıkarımı sonrasında elde edilen veri kümesi, çeşitli makine öğrenmesi algoritmaları ile eğitilerek sınıflandırma doğruluğu analiz edilmiştir. Aşırı öğrenme makinesi (ELM, Extreme Learning Machine) algoritmasının tüm çözünürlük seviyelerinde istikrarlı ve yüksek doğruluk oranları sağladığını göstermektedir. En iyi doğruluk %98 oranı ile ELM yaklaşımı kullanılarak kaydedilmiştir. En başarılı özellik çıkarım yöntemi olarak ise ORB+LBP’nin birleşimi öne çıkmıştır. Elde edilen bulgular, dış el görüntülerinin biyometrik kişi tanıma sistemlerinde etkili bir şekilde kullanılabileceğini ve düşük çözünürlüklü verilerle kabul edilebilir doğruluk oranları elde edilebileceğini göstermektedir. Çalışma, biyometrik sistemlerde kullanılabilecek en uygun çözünürlük ve özellik çıkarım yöntemi belirleyerek bu sistemlerin doğruluk başarımını artırmaktır. Ayrıca çalışma, el görüntülerine dayalı biyometrik sistemlerin, kişi tanımlama, doğrulama ve demografik analiz gibi uygulamalarda önemli bir potansiyele sahip olduğunu ortaya koymaktadır.

Keywords

Biyometrik , El görüntüsü , Özellik çıkarımı , GLCM , ORB , LBP

References

• Afifi, M. 2019. 11K Hands: Gender recognition and biometric identification using a large dataset of hand images. Multimedia Tools and Applications, 78, 20835–20854. DOI: 10.1007/s11042-018-6915-2
• Elumalai, K., Kannan, M. 2011. Multimodal authentication for high end security. International Journal on Computer Science and Engineering, 3(2), 687–692.
• Ngugi, B., Kamis, A., Tremaine, M. 2011. Intention to use biometric systems. e-Service Journal, 7(3), 20–46. DOI: 10.2979/eservicej.7.3.20
• Yalçın, N., Gürbüz, F. 2015. Biyometrik güvenlik sistemlerinin incelenmesi. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 3(2), 398–413.
• Özbay, E. 2022. Cinsiyet Tespiti için Palmar El Görüntülerinin Yerel İkili Desen ve Zernike Momentlenerek Kullanılarak Sınıflandırılması.
• Jain, A. K., Ross, A., Prabhakar, S. 2004. An introduction to biometric recognition. IEEE Transactions on Circuits and Systems for Video Technology, 14(1), 4–20. DOI: 10.1109/TCSVT.2003.818349
• Adedeji, K. B. 2024. Analysis of ANN Training Algorithms for Hand Geometry-based Access Control. System, 12(43).
• Mohamed, A. S., Hassan, A. I., Salama, A. 2024. Deep Learning Techniques to enhance Biometric Authentication using Hand Features. Alfarama Journal of Basic & Applied Sciences, 5(2), 281–292. DOI: 10.21608/ajbas.2024.263079.1208
• Klonowski, M., Plata, M., Syga, P. 2018. User authorization based on hand geometry without special equipment. Pattern Recognition, 73, 189–201. DOI: 10.1016/j.patcog.2017.08.011
• Shakil, S., Arora, D., Zaidi, T. 2023. Feature identification and classification of hand based biometrics through ensemble learning approach. Measurement: Sensors, 25, 100593. DOI: 10.1016/j.measen.2023.100593
• Elihoş, A., Artan, Y. O., Sezer, E. S. 2022. Automatic Latent Fingerprint Pose Estimation. In 2022 30th Signal Processing and Communications Applications Conference (SIU), 1–4. IEEE. DOI: 10.1109/SIU55565.2022.9864715
• Artan, Y. 2024. MinNet Based Contactless Fingerprint Matching Method. In 2024 32nd Signal Processing and Communications Applications Conference (SIU), 1–4. IEEE.
• Genel, M., Can, Ö., Uğur, A. 2024. Comparison of Deep Learning and Machine Learning Methods for Fingerprint Verification and Forgery Detection. In 2024 8th International Artificial Intelligence and Data Processing Symposium (IDAP), 1–8. IEEE.
• Çalışkan, A., Ergen, B. Gabor Dalgacık Dönüşümü Kullanarak Avuç İçi Tanıma.
• Nabiyev, V. V., Ekinci, M., Öztürk, Y. 2011. Avuç İçi Çizgilerine Göre Biyometrik Tanıma.
• Çalışkan, A., Ergen, B. 2014. GRI seviye eş-oluşum matrisi tabanlı avuç içi tanıma sistemi.
• Babalola, F. O., Toygar, Ö., Bitirim, Y. 2021. A palm vein recognition approach by multiple convolutional neural network models. Avrupa Bilim ve Teknoloji Dergisi, (29), 237–242.
• Jhong, S. Y., Tseng, P. Y., Siriphockpirom, N., Hsia, C. H., Huang, M. S., Hua, K. L., Chen, Y. Y. 2020. An automated biometric identification system using CNN-based palm vein recognition. In 2020 International Conference on Advanced Robotics and Intelligent Systems (ARIS), 1–6. IEEE.
• Sun, S., Cong, X., Zhang, P., Sun, B., Guo, X. 2021. Palm vein recognition based on NPE and KELM. IEEE Access, 9, 71778–71783. DOI: 10.1109/ACCESS.2021.3078935
• Katılmış, Z. 2025. Makine Öğrenimi Yaklaşımları Kullanarak El Hareketi Tabanlı Biyometrik Kimlik Doğrulama. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 12(1), 274-289. https://doi.org/10.35193/bseufbd.1555404
• Huang, G.-B., Zhu, Q.-Y., & Siew, C.-K. 2006. Extreme learning machine: Theory and applications. Neurocomputing, 70(1-3), 489–501. https://doi.org/10.1016/j.neucom.2005.12.126
• Cai, D., He, X., & Han, J. 2012. Speed up kernel discriminant analysis. The VLDB Journal, 20(1), 21–33. https://doi.org/10.1007/s00778-010-0200-4
• Kasun, L. L. C., Zhou, H., Huang, G.-B., & Vong, C. M. 2013. Representational Learning with ELMs for Big Data. IEEE Intelligent Systems, 28(6), 31–34. https://doi.org/10.1109/MIS.2013.80
• LeCun, Y., Bengio, Y., & Hinton, G. 2015. Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
• Arslan, N. N., & Ozdemir, D. 2024. Analysis of CNN models in classifying Alzheimer's stages: comparison and explainability examination of the proposed separable convolution-based neural network and transfer learning models. Signal, Image and Video Processing, 18(Suppl 1), 447-461. https://doi.org/10.1007/s11760-024-03166-5
• Güçlü, S., Özdemir, D., & Saraoğlu, H. M. 2025. A new model for anomaly detection in elbow and finger X-Ray images: proposed parallel densenet. Bulletin of the Polish Academy of Sciences. Technical Sciences, 73(2). DOI 10.24425/bpasts.2025.153233
• Güçlü, S., Özdemir, D., & Saraoğlu, H. M. 2024. Bilek ve Ön Kol X-Ray Görüntüleri Kullanılarak DenseNet Tabanlı Yeni Bir Anomali Tespiti Yöntemi. Eskişehir Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi, 5(2), 18-29. https://doi.org/10.53608/estudambilisim.1550680
• Serce, H., Bastanlar, Y., Temizel, A., Yardımcı, Y. 2008. On detection of edges and interest points for omnidirectional images in spherical domain. In 2008 IEEE 16th Signal Processing, Communication and Applications Conference, 1–4. IEEE.
• Şentürk, T., Latifoğlu, F., Bolat, D., Yay, A., Baran, M. 2021. Histopatolojik Görüntülerle Diyabetin Akciğer Dokusundaki Etkisinin Sınıflandırılması: LBP ve GLCM Özellikleri ile Bir Karşılaştırma Çalışması. International Journal of Multidisciplinary Studies and Innovative Technologies, 7(2), 84–89.
• Hemalatha, C. S., Vaidehi, V., Lakshmi, R. 2015. Minimal Infrequent Pattern Based Approach for Mining Outliers in Data Streams. Expert Systems with Applications, 42(4), 1998–2012. DOI: 10.1016/j.eswa.2014.10.003
• Ondimu, S. N., Murase, H. 2008. Effect of Probability-Distance Based Markovian Texture Extraction on Discrimination in Biological Imaging. Computers and Electronics in Agriculture, 63(1), 2–12. DOI: 10.1016/j.compag.2007.12.005
• Haralick, R. M., Shanmugam, K., Dinstein, I. H. 1973. Textural Features for Image Classification. IEEE Transactions on Systems, Man, and Cybernetics, (6), 610–621. DOI: 10.1109/TSMC.1973.4309314
• Rublee, E., Rabaud, V., Konolige, K., Bradski, G. 2011. ORB: An Efficient Alternative to SIFT or SURF. In 2011 International Conference on Computer Vision, 2564–2571. IEEE. DOI: 10.1109/ICCV.2011.6126544
• Kaur, A., Kumar, M., Jindal, M. K. 2023. Cattle Identification System: A Comparative Analysis of SIFT, SURF and ORB Feature Descriptors. Multimedia Tools and Applications, 82(18), 27391–27413. DOI: 10.1007/s11042-023-14715-3
• Günay, A., Nabiyev, V. V. 2011. LBP Yardımıyla Görüntüdeki Kişinin Yaşının Bulunması. Çankaya University Journal of Science and Engineering, 8(1), 27–41.