Biometric recognition has gained extended attention in security systems especially in sensitive data protection against malicious accesses. It was seen greatly deployed to enforce high level of authentication on personal data where privacy is demanded. Research on biometric recognition systems begins with finger prints, face recognition and other biometrical alike voice recognition. In most of the aforementioned systems, biometrical taints are highly susceptible of age effects more likely, wrinkles are developing where person grow in age and that causes to change the face taints. Similarly, fingers print can fade out gradually due to age effects or it can be corrupted due to injuries or wounds. Palm recognition is another alternative of biometric recognition; it's known as time invariant biometrical taint where age is not really impacting the palm structure. It also contains features such as principle lines which remain constant and can be used as palm identity. In this project, palm recognition system is proposed as personal identification means. Study involves enhanced features extraction method for efficiently obtaining Region of interest on the hand palm. Study is performed using IIT Delhi hand palm database; study relied on the right-hand palm recognition. Region of interest is cropped in higher possible accuracy by refereeing multiple geometrical point on the palm contour. Features from each cropped region of interest by pixel to pixel analysis which attempts to analyze the colour depth in each pixel of the cropped region of interest. Furthermore, the acquired features are classified using deep learning classifiers. K Nearest Neighbour, Random Forest, Principle Component Analysis and Feed Forward Neural Network were used to predict the personal identity after they trained using the extracted features as aforementioned. The recognition accuracy is evaluated with each classifier and however, Feed Forward Neural Network Classifier is outperformed as compared to other classifiers, it yielded a recognition accuracy of 81.25 percent.Keywords: palmprint recognition, K Nearest Neighbour, Random Forest, Feed Forward Neural Network, and Principal Component Analysis (PCA).

Güvenlik sistemlerinde, özellikle kötü amaçlı erişimlere karşı hassas veri koruma konusunda biyometrik tanımaya olan ilgi artmıştır. Gizlilik içeren kişisel veriler üzerinde yüksek düzeyde kimlik doğrulamayı zorunlu kılmak için büyük ölçüde kullanıldığı görülmektedir. Biyometrik tanıma sistemleri üzerinde yapılan araştırmaların başında; parmak izi, yüz tanıma ve diğer benzeri biyometrik ses tanıma işlemleri gelmektedir. Yukarıda belirtilen sistemlerin çoğunda, biyometrik izler yaş etkilerine daha yatkındır, büyüyen ve yaşlanan bir insanın yüzünde oluşan kırışıklıklar yüz hatlarının değişimine sebep olurlar. Benzer şekilde parmak izi, yaş etkileri nedeniyle kademeli olarak daha az belirgin hale gelebilir veya yaralanmalar veya incinmeler nedeniyle bozulabilir. Avuç içi tanıma, biyometrik tanımanın başka bir alternatifidir. Yaşın avuç içi yapısını gerçekten etkilemediği, zamanla değişmeyen biyometrik iz olarak bilinmektedir. Aynı zamanda sabit kalan ve avuç içi kimliği olarak kullanılabilecek ana hatlar gibi özellikler içermektedir. Bu projede avuç içi tanıma sistemi, kişisel kimlik tanımlama aracı olarak önerilmiştir. Çalışma, avuç içi üzerinde ilgi bölgesini etkin bir şekilde elde etmek için gelişmiş özellikleri ayrıştırma yöntemini içermektedir.Çalışma IIT Delhi el-avuç içi veritabanı kullanılarak gerçekleştirilmiştir. Çalışma sağ avuç içi tanımaya dayanmaktadır. İlgili bölge, avuç içi konturu üzerinde birden fazla geometrik noktaya değinilerek mümkün olan daha yüksek hassasiyette kırpılmıştır. İlgili kırpılan bölgenin her pikselindeki renk derinliğini analiz etmek için piksel piksel analizi ile ilgilenilen her kırpılmış bölgeden özellikler incelenmiştir. Ayrıca edinilen özellikler derin öğrenme sınıflandırıcıları kullanılarak sınıflandırılmıştır. En Yakın K Komşu, Rassal Orman, Temel Bileşenler Analiz ve İleri Beslemeli Sinir Ağı, yukarıda belirtilen özellikleri kullanarak eğitimden geçtikten sonra kişisel kimliği tahmin etmek için kullanılmıştır.Tanıma doğruluğu, her bir sınıflandırıcı ile değerlendirilmiştir ve bununla birlikte, İleri Beslemeli Sinir Ağı Sınıflandırıcısı, diğer sınıflandırıcılara kıyasla daha iyi performans göstermiş olup %81,25'lik bir tanıma doğruluğu sağlamıştır.Anahtar Kelimeler: avuç izi tanıma, En Yakın Komşu, Rastgele Orman, İleri Beslemeli Sinir Ağı ve Temel Bileşen Analizi.