Driver recognition and driver verification using data mining technigues

Basit Öğe Kaydı
dc.authorid0000-0001-6282-6703
dc.contributor.advisorEskil, Mustafa Taneren_US
dc.contributor.authorBenli, Kristin Surpuhien_US
dc.contributor.otherIşık Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Yüksek Lisans Programıen_US
dc.date.accessioned2016-06-06T06:55:33Z
dc.date.available2016-06-06T06:55:33Z
dc.date.issued2007-09-25
dc.departmentIşık Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Yüksek Lisans Programıen_US
dc.descriptionText in English ; Abstract: English and Turkishen_US
dc.descriptionIncludes bibliographical references (leaves 83-84)en_US
dc.descriptionxvi, 85 leavesen_US
dc.description.abstractIn 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.en_US
dc.description.abstractBu 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.en_US
dc.description.tableofcontentsBiometric Identificationen_US
dc.description.tableofcontentsWhy Biometricsen_US
dc.description.tableofcontentsCommon Biometric Characteristicsen_US
dc.description.tableofcontentsBiometric Systemsen_US
dc.description.tableofcontentsFunctionsen_US
dc.description.tableofcontentsPerson Verificationen_US
dc.description.tableofcontentsPerson Recognition / Identificationen_US
dc.description.tableofcontentsPerformance Measurementen_US
dc.description.tableofcontentsData Acquisitionen_US
dc.description.tableofcontentsVehicle for Data Collectionen_US
dc.description.tableofcontentsData Collection Studies with CAN Data Busen_US
dc.description.tableofcontentsSynchronization of Sensorsen_US
dc.description.tableofcontentsDetermination of Data Collection Tracken_US
dc.description.tableofcontentsClassifier Theoryen_US
dc.description.tableofcontentsBayesian Classificationen_US
dc.description.tableofcontentsGaussian Mixture Probability Density Functionen_US
dc.description.tableofcontentsMaximum Likelihood Estimationen_US
dc.description.tableofcontentsBasic EM Estimationen_US
dc.description.tableofcontentsData Fusion Techniquesen_US
dc.description.tableofcontentsTypes of Fusion Processesen_US
dc.description.tableofcontentsLow Level Fusionen_US
dc.description.tableofcontentsIntermediate Level Fusionen_US
dc.description.tableofcontentsHigh Level Fusionen_US
dc.description.tableofcontentsFixed Rulesen_US
dc.description.tableofcontentsProduct Ruleen_US
dc.description.tableofcontentsSum Ruleen_US
dc.description.tableofcontentsMax Ruleen_US
dc.description.tableofcontentsMin Ruleen_US
dc.description.tableofcontentsMedian Ruleen_US
dc.description.tableofcontentsTrainable Combinersen_US
dc.description.tableofcontentsLinear Discriminant Classifieren_US
dc.description.tableofcontentsFisher’s Least Square Linear Classifieren_US
dc.description.tableofcontentsNaive Bayes Classifieren_US
dc.description.tableofcontentsNaive Bayes Probabilistic Modelen_US
dc.description.tableofcontentsKernel Density Estimatoren_US
dc.description.tableofcontentsParzen Classifieren_US
dc.description.tableofcontentsK-Nearest Neighbour Classifieren_US
dc.description.tableofcontentsNearest Mean Linear Classifieren_US
dc.description.tableofcontentsPerl Classifieren_US
dc.description.tableofcontentsDriver Recognition and Verificationen_US
dc.description.tableofcontentsDriver Recognition using Driving Signalsen_US
dc.description.tableofcontentsClassifier Fusion for Driver Recognition and Verificationen_US
dc.description.tableofcontentsExperiments and Resultsen_US
dc.description.tableofcontentsExperimentsen_US
dc.description.tableofcontentsResultsen_US
dc.description.tableofcontentsDriver Recognitionen_US
dc.description.tableofcontentsFixed Rulesen_US
dc.description.tableofcontentsTrainable Combinersen_US
dc.description.tableofcontentsDriver Verificationen_US
dc.description.tableofcontentsFixed Rulesen_US
dc.description.tableofcontentsTrainable Combinersen_US
dc.identifier.citationBenli, K. S. (2007). Driver recognition and driver verification using data mining technigues. İstanbul: Işık Üniversitesi Fen Bilimleri Enstitüsü.en_US
dc.identifier.urihttps://hdl.handle.net/11729/934
dc.institutionauthorBenli, Kristin Surpuhien_US
dc.institutionauthorid0000-0001-6282-6703
dc.language.isoenen_US
dc.publisherIşık Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subject.lccQA76.9.D343 B36 2007
dc.subject.lcshData mining.en_US
dc.subject.lcshBusiness -- Data processing.en_US
dc.titleDriver recognition and driver verification using data mining techniguesen_US
dc.title.alternativeVeri madenciliği teknikleri kullanılarak sürücü tanıma ve sürücü doğrulamaen_US
dc.typeMaster Thesisen_US
dspace.entity.typePublication

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
11729-934.pdf
Boyut:
2.15 MB
Biçim:
Adobe Portable Document Format
Açıklama:
MasterThesis
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.71 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

Lisansüstü Eğitim Enstitüsü Tez Koleksiyonu