Driver recognition and driver verification using data mining technigues
Yükleniyor...
Dosyalar
Tarih
2007-09-25
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Işık Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Attribution-NonCommercial-NoDerivs 3.0 United States
Attribution-NonCommercial-NoDerivs 3.0 United States
Özet
In this thesis we present our research in driver recognition and driver verification. The goal of this study is to investigate the affect of different classifier fusion techniques on the performance of driver recognition and driver verification. We are using five different driving behavior signals for identifying the driver identities. Driving features were extracted from these signals and Gaussian Mixture Models were used for modeling the driver behavior. Gaussian Mixture Model training was performed using the well-known EM algorithm. In recognition study posterior probabilities of identities called scores were obtained with the given test data. These scores were combined using different fixed and trainable (adaptive) combination methods. In verification study we compared posterior probabilities with fixed threshold values for each classifier. For different thresholds, false-accept rate versus falsereject rate was plotted using the receiver operating characteristics curve. We observed lower error rates when we used trainable combiners. We conclude that combined multi-modal signal or classifier methods are very successful in biometric recognition and verification of a person in a car environment.
Bu tez sürücü tanıma ve sürücü onaylama çalışmalarını içermektedir. Bu çalışmalar için sürücülerden toplanan beş değişik davranış işaretleri kullanılmıştır. Bu işaretler yardımıyla sürücülerin öznitelikleri çıkarılmış ve Karma Gauss Dağılım Modelleri kullanılarak sürücü davranışları modellenmistir. Karma Gauss Dagılım Modellerinin eğitilmesi için Beklenti Enbüyütme algoritması kullanılmıstır. Sürücü tanıma çalışması için kimlikleri sınama verileri kullanılarak art olasılıklar elde edilmiş ve bu olasılıklar aynı zamanda her sınıf için puan olarak kabul edilmiştir. Bu puanların tümleştirilmesi için sabit kurallar ve egitilebilir tümleştiriciler kullanılmıştır. Sürücü doğrulama çalışması için olabilirlik oranının bir eşikle karşılaştırılması yapılmıştır. Değişik eşik değerleri için yanlış kabul-yanlış red sıklıklarını grafiklemek için alıcı isletim eğrisi kullanılmıştır. Bu çalısmanın amacı değişik sınıflandırıcı tümleştirme yöntemlerinin sürücü tanıma ve sürücü doğrulama performanslarına etkilerinin incelenmesidir. Eğitilebilir tümleştirme yöntemleri ve sürücü davranış sinyalleri kullanılarak sürücü tanımasında ve dogrulamasında düşük hata oranları elde edilmiştir. Sonuçlarımız çok modlu sürüs sinyallerinin sınıflandırıcı tümleştirme yöntemleri ile kullanıldıgında sürücünün araba içi sartlarda tanınması ve onaylanmasında çok etkili olduklarını göstermiştir.
Bu tez sürücü tanıma ve sürücü onaylama çalışmalarını içermektedir. Bu çalışmalar için sürücülerden toplanan beş değişik davranış işaretleri kullanılmıştır. Bu işaretler yardımıyla sürücülerin öznitelikleri çıkarılmış ve Karma Gauss Dağılım Modelleri kullanılarak sürücü davranışları modellenmistir. Karma Gauss Dagılım Modellerinin eğitilmesi için Beklenti Enbüyütme algoritması kullanılmıstır. Sürücü tanıma çalışması için kimlikleri sınama verileri kullanılarak art olasılıklar elde edilmiş ve bu olasılıklar aynı zamanda her sınıf için puan olarak kabul edilmiştir. Bu puanların tümleştirilmesi için sabit kurallar ve egitilebilir tümleştiriciler kullanılmıştır. Sürücü doğrulama çalışması için olabilirlik oranının bir eşikle karşılaştırılması yapılmıştır. Değişik eşik değerleri için yanlış kabul-yanlış red sıklıklarını grafiklemek için alıcı isletim eğrisi kullanılmıştır. Bu çalısmanın amacı değişik sınıflandırıcı tümleştirme yöntemlerinin sürücü tanıma ve sürücü doğrulama performanslarına etkilerinin incelenmesidir. Eğitilebilir tümleştirme yöntemleri ve sürücü davranış sinyalleri kullanılarak sürücü tanımasında ve dogrulamasında düşük hata oranları elde edilmiştir. Sonuçlarımız çok modlu sürüs sinyallerinin sınıflandırıcı tümleştirme yöntemleri ile kullanıldıgında sürücünün araba içi sartlarda tanınması ve onaylanmasında çok etkili olduklarını göstermiştir.
Açıklama
Text in English ; Abstract: English and Turkish
Includes bibliographical references (leaves 83-84)
xvi, 85 leaves
Includes bibliographical references (leaves 83-84)
xvi, 85 leaves
Anahtar Kelimeler
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Benli, K. S. (2007). Driver recognition and driver verification using data mining technigues. İstanbul: Işık Üniversitesi Fen Bilimleri Enstitüsü.