The fact that security is becoming more and more important today forces individuals to keep many more numbers in mind and carry more cards with them. Lack of practicality and security in this regard has increased interest in biometrical techniques. Biometrics means identification of humans. It works on principles of physiological features that only one person possesses, that help to prove his/her identity, that he or she can not alter and that distinguish him or her from others. Existence of risks such as security gaps that threaten companies? resources and valuable information, terrorist attacks that pose a threat to national security, forgetting, or losing of passwords or cards that are used to enter or having them stolen have increased the demand fort he use of biometric systems especially at airport and company building entrances.The present thesis study involves taking images of veins in human hands via infrared cameras, digitalising the images that were taken through image processing algorithms and classifying them using especially artificial neural networks. Vascular structure of human is impossible to imitate or copy, which is important in that it makes the system more reliable. Moreover, the use of such an identification system is important in terms of supervision of personnel employed in government institutions, banks, private businesses, intelligence and military organisations and factories, and removing security gaps of electronic devices such as notebooks and mobile phones and automobile and similar vehicles.Firstly, a close-range monochrome infrared camera was used to obtain an image of hand veins in this study. Subcutaneous veins in the upper section of the hand appear distinctively under infrared rays between 650-900 nm wavelength. This is because the hemoglobin within the blood that runs through veins absorb infrared rays to a certain extent. The wavelength of the infrared light source used in this study was 880 nm.103 people to an experimental study, each image of a people who used to be 9 in total, each image was 927. Illustrated the size of 752x480 gray level images taken. Images taken in the hand vascular region, the size of 240x180 with a rectangular cross-section was cut from the picture. This cross-sectional structure of the received image of the wrinkled skin, hair and nails, such as noise in the image to the absence of vascular pattern was used an average filter and histogram equalization process. Then the algorithm otsu vascular pattern of gray-level image, converted into black-and-white image.Vascular pattern, vascular pattern feature vector for the purpose of pictures is divided into small pieces the size of 20x20 pixels. Obtained from each frame, the average absolute deviation method in the range of 0-1 has been translated into numerical data. Therefore, hand-vessel view 240x180 size, the size of 20x20 sub-images containing the feature vector is obtained by dividing 108 pieces of data. The obtained data are used for classification is given as input to artificial neural network.The classification stage, 103 people received training, 70% of all vessel data (TRN), 20% validation (VLD) and the remaining 10% of the test (TST) was determined as a set of data. ANN architecture used for multi-layer perceptron for the recognition of vascular images. Propagation learning algorithm quick propagation, Online Back Propagation and Batch Back Propagation is used. The number of hidden layer neurons, determined as 101 using the method of trial and error. Hyperbolic tangent and logistic functions were used as activation function.After experimental studies, batch back propagation learning algorithm hyperbolic tangent activation function, with a 100% verification rate test was found to have the best correct classification rate. However, batch propagation algorithm iteration number and duration of training was longer than the other learning algorithms. However, considering the overall test results, logistic activation function was the better results fast and online propagation algorithm.

Günümüzde güvenliğin her geçen gün daha fazla ön plana çıkması, kişinin çok daha fazla şifreyi aklında tutmak zorunda kalması ve daha fazla kartın yanında bulundurulması gerekliliğini ortaya çıkarmıştır. Bu yaklaşımların giderek pratiklikten ve güvenilirlikten uzaklaşması, biyometrik tekniklere olan ilgiyi artırmıştır. Biyometrik insan tanımlamadır. Kişinin sadece kendisinin sahip olduğu, kendisi olduğunu kanıtlamaya yarayan, değiştiremediği ve diğerlerinden ayırt edici olan fizyolojik özelliklerin tanınması prensipleri ile çalışır. Şirketlerin kaynaklarını ve değerli bilgilerini tehdit eden güvenlik açıkları, ulusal güvenliği tehdit eden terörist saldırıları, giriş için kullanılan şifre ve kart gibi tanıtıcıların unutulması, kaybolması ve çalınması risklerinin olması, özellikle havaalanı ve şirket binalarının girişlerinde biyometrik sistemlerin kullanımına olan talebi artırmıştır. Bu tez çalışmasında kullanılan el damar yapısı özellikle taklit edilmesi ve kopyalanması mümkün olmayan bir yapıya sahiptir ki bu sistemi daha güvenilir bir hale getirmesi açısından önemlidir.Bu tez çalışmasında, insan el damarları kullanılarak bir biyometrik tanıma gerçekleştirilmiştir. Tanıma sistemi 4 aşamadan oluşmaktadır. Öncelikle, yumruk şeklinde tutulan insan el görüntüleri, üst taraftan yakın kızılötesi kamera vasıtasıyla alınmıştır. Alınan el görüntülerinden damar bölgesi ayrıştırılmış ve ayrıştırılan bu damar görüntüsü ön işlem aşamasından geçirilerek damar desenleri belirgin hale getirilmiştir. Ardından gri seviyeli damar deseni siyah-beyaz görüntüye dönüştürülerek sayısallaştırılmıştır. Sayısal damar veri setleri yapay sinir ağları (YSA) ile sınıflandırılarak tanıma gerçekleştirilmiştir.Bu çalışmada el damar görüntüsünü almak için yakın kızılötesi monokrom kamera kullanılmıştır. Elin üst bölgesinde deri altında bulunan damarlar yaklaşık650-900 nm aralığında dalga boyuna sahip kızılötesi ışık altında belirgin halde görünmektedir. Bunun sebebi damarlarda dolaşan kanda bulunan Hemoglobinin kızılötesi ışığı belli oranda absorbe ediyor olmasından kaynaklanmaktadır. Bu çalışmada kullanılan kızılötesi ışık kaynağının dalga boyu 880 nm dir.Deneysel çalışma amacıyla 103 kişiden, her bir kişiden 9 el görüntüsü olmak üzere, toplam 927 adet resim alınmıştır. Alınan görüntüler 752x480 boyutlarında gri seviyeli resimledir. Alınan bu el görüntülerinde yer alan damar bölgesi, 240x180 boyutunda dikdörtgensel kesit olarak resimden kesilerek alınmıştır. Alınan bu kesit görüntüde yer alan kırışık deri yapısı ve kıllar gibi gürültülerin damar deseninde yer almaması için görüntüde ortalama filtre ve histogram eşitleme işlemleri kullanılmıştır. Ardından otsu algoritması kullanılarak gri seviyeli damar deseni görüntüsü, siyah-beyaz görüntüye dönüştürülmüştür.Damar deseninin öznitelik vektörünün çıkarılması amacıyla damar deseni resimleri 20x20 pixel boyutlarında küçük parçalara bölünmüştür. Elde edilen her kare, ortalama mutlak sapma yöntemi kullanılarak 0-1 aralığında sayısal verilere çevrilmiştir. Dolayısıyla, 240x180 boyutundaki el damar görüntüsü, 20x20 boyutlarında alt görüntülere bölünerek 108 adet veri içeren öznitelik vektörü elde edilmiştir. Elde edilen bu veriler sınıflandırma amacıyla kullanılan yapay sinir ağına giriş olarak verilmiştir.Sınıflandırma aşamasında, 103 kişiden alınan tüm damar verilerinin %70'i eğitim (TRN), %20'si doğrulama (VLD) ve geri kalan %10 ise test (TST) veri kümesi olarak belirlenmiştir. Damar görüntülerinin tanınması amacıyla çok katmanlı perseptron YSA mimarisi kullanılmıştır. Öğrenme algoritması olarak hızlı yayılım (Quick Propagation), online geriyayılım (Online Back Propagation) ve yığın geriyayılım (Batch Back Propagation) kullanılmıştır. Gizli katman nöron sayısı, deneme-yanılma metodu kullanılarak 101 olarak belirlenmiştir. Aktivasyon fonksiyonu olarak tanjant hiperbolik ve lojistik fonksiyonları kullanılmıştır.Yapılan deneysel çalışmalar sonucunda, yığın geriyayılım öğrenme algoritması ile tanjant hiperbolik aktivasyon fonksiyonunun %100 test doğrulama oranı ile en iyi doğru sınıflandırma oranına sahip olduğu görülmüştür. Ancak, yığın geriyayılım algoritmasının eğitim iterasyon sayısı ve süresinin diğer öğrenme algoritmalarına göre çok daha uzun olduğu görülmüştür. Bununla birlikte genel test sonuçlarına bakıldığında, lojistik aktivasyon fonksiyonunun hızlı ve online geriyayılım algoritmasında daha iyi sonuçlar verdiği görülmüştür.