The Sign Language Recognition (SLR) Problem is a highly important research topic, because of its ability to increase the interaction between the people who are hearing-impaired or impediment in speech. However there are several limitations of the existing methods. Most applications need different necessities like making the user wear multi-colored or sensor based gloves or usage of a specific camera. We propose a simple but robust system that can be used without the need of any specific accessories. The proposed system consists of three main steps. First we apply segmentation to the face and hand region by using Fuzzy C-Means Clustering (FCM) and Thresholding. FCM is a clustering technique which employs fuzzy partitioning, in an iterative algorithm. After the face and hands are segmented, the feature vectors are extracted. The feature vectors are chosen among the low level features such as the bounding ellipse, bounding box, and center of mass coordinates, since they are known to be more robust to segmentation errors due to low resolution images. In total there are 23 features for each hand. After the feature vectors are extracted, they are used for recognition with discrete Hidden Markov Model (HMM). Recognition stage is composed of two stages, namely training and classification. The Baum Welch algorithm is used for HMM training. In classification part the likelihood of each HMM is calculated and the HMM with the highest likelihood is chosen. In order to measure the success rate of the system, user-dependent and independent tests were conducted for 10 Turkish Sign Language gesture and the system is shown to be working with 85.8% accuracy in the user independent case and 100% in user dependent case. Keywords: Sign Language Recognition, Machine Vision, Machine Learning, Discrete Hidden Markov Model, Fuzzy C-Means Clustering, Baum Welch.

İşaret Dili Tanıma (İDT) problemi işitme ve konuşma engelli insanlar arasındaki engeli aşma yeteneğinden dolayı, çok önemli bir araştırma konusudur. Ancak, mevcut yöntemlerin çeşitli sınırlamaları vardır. Çoğu uygulama kullanıcıların renkli veya algılayıcı tabanlı eldiven kullanmaları ya da özel bir kamera kullanımı gibi farklı ihtiyaçlar gerektirmektedir. Bu tez çalışmasında herhangi bir özel aksesuara gerek kalmadan kullanılabilen, basit, ancak güçlü bir sistem öneriyoruz. Önerilen sistem üç ana adımdan oluşmaktadır. İlk olarak Bulanık Kümelerin Ortalamasıyla Bölütleme (BKO) ve Eşikleme kullanılarak yüz ve el bölgesine bölütleme uygulanır. BKO tekrarlayıcı bir algoritmada bulanık bölümleme kullanan bir kümeleme tekniğidir. Yüz ve eller bölütlendikten sonra özellik vektörleri oluşturulur. Özellik vektörleri sınırlayıcı elips, sınırlayıcı kutu ve ağırlık merkezi koordinatları gibi düşük seviye özellikler arasından seçilir, çünkü onların düşük çözünürlüklü görüntülerden kaynaklanan bölütleme hatalarına karşı daha güçlü oldukları bilinmektedir. Her bir el için toplam 23 özellik vardır. Özellik vektörleri çıkartıldıktan sonra ayrık Saklı Markov Modeli (SMM) ile tanıma için kullanılmıştır. Tanıma evresi eğitim ve sınıflandırma olarak adlandırılan iki aşamadan oluşmaktadır. Baum Welch algoritması SMM öğrenmesi için kullanılmaktadır. Sınıflandırma bölümünde her SMM olasılığı hesaplanır ve en yüksek olasılıklı SMM seçilir. Sistemin başarı oranını ölçmek amacıyla, kullanıcı bağımlı ve bağımsız testler 10 Türk İşaret Dili jesti için yapılmıştır ve sistemin kullanıcı bağımsız durumda % 85.8 kullanıcı bağımlı durumda % 100 doğruluk ile çalıştığı görülmüştür.Anahtar Kelimeler: İşaret Dili Tanıma, Bilgisayarla Görme, Otomatik Öğrenme, Ayrık Saklı Markov Modeli, Bulanık Kümelerin Ortalamasıyla Bölütleme, Baum Welch.