Multimodal biometric verification system using fusion of face and signature information
Yüz ve imza bilgileri kullanarak çok kipli kullanıcı doğrulama
- Tez No: 609170
- Danışmanlar: DR. ÖĞR. ÜYESİ MUSTAFA BERKAY YILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 54
Özet
Biyometrik doğrulama sistemleri, bir kişinin kimliğini doğrulamak için yaygın olarak kullanılır. Yüz, imza, parmak izi ve iris popüler biyometrikler arasındadır. Biyometrik sistemler güvenlik, alışveriş ve finans gibi çeşitli uygulamalarda kullanılırlar. Özellikle adli uygulamalarda çok düşük hata oranlarına sahip olmaları gerekmektedir. Kabul edilebilir sonuçlar elde etmek için çeşitli problemlerle başa çıkmak zorundadırlar. Tek kipli biyometrik sistemlerin limitlerinin üstesinden gelmek için, çok kipli bir doğrulama sistemi sunulmuştur. İmza ve yüz özellikleri tek kipli biyometrik sistemler oluşturmak için kullanılmıştır. Daha sonra, bu sistemlerin skor seviyeleri kombinasyonu kullanılarak hata oranları azaltılmak istenmiştir. Çok kipli doğrulama sisteminin performansını değerlendirmek için çeşitli saldırı ve gürültü prosedürleri uygulanmıştır. Bilgisayarlı görü problemlerinde büyük başarı elde eden tekrarlayan ve evrişimsel yapay sinir ağlarının kullanımı çevrimdışı imza doğrulaması için incelenmiştir. İki farklı ağ mimarisinin kombinasyonlarının, düşük hata oranı elde etmek için kullanılabileceği gösterilmiştir. Kimlik doğrulama için kullanıcı-bağımsız ve kullanıcı-bağımlı yaklaşımlar araştırılmıştır. İki evrişimsel sinir ağı mimarisi, kullanıcı-bağımsız imza öznitelikleri öğrenmek için kullanılmıştır. Daha sonra, kullanıcı-bağımlı sınıflandırıcılar bir kimlik talebini kabul etmek veya reddetmek için eğitilmiştir. Yüz doğrulama sistemi geliştirmek için transfer öğrenme yaklaşımı kullanılmıştır. Kullanıcı-bağımsız yüz öznitelikleri, eğitilmiş bir evrişimsel sinir ağı kullanılarak çıkarılmıştır. Ardından, kullanıcı-bağımlı sınıflandırıcılar bu öznitelikler kullanılarak doğrulama işlemi yapmak üzere eğitilmişlerdir. Bu tezde, yüz ve imza doğrulama sistemleri birbirinden bağımsız olarak geliştirilmiş ve performansları değerlendirilmiştir. Daha sonra, bu iki sistemden gelen bilgiler çok kipli bir biyometrik sistem tarafından kaynaştırılmıştır. Sonuçlar, çok kipli yaklaşımın, sistemi saldırılara ve gürültüye karşı daha güçlü hale getirerek, tek kipli sistemlerden daha yüksek doğruluk oranına ulaşmak için kullanılabileceğini göstermektedir.
Özet (Çeviri)
Biometric verification systems are widely used to verify the identity of a person. Face, signature, fingerprint and iris are among popular biometrics. They are used in a wide range of applications such as security, shopping and finance. It is required them to have very low error rates especially in forensic applications. They have to deal with several problems to obtain acceptable results. In order to overcome limitations of unimodal biometric systems, a multimodal verification system is presented. Signature and face traits are used to build unimodal biometric systems. Then, score level combination of these system is utilized to reach lower error rates. Several attack and noise procedures are applied to evaluate performance of the multimodal verification system. The usage of recurrent and convolutional neural network architectures, that have achieved great success in a broad range of computer vision tasks, are investigated for offline signature verification. It is shown that, combinations of these two different approaches can be used to achieve state of the art results. User-independent and user-dependent approaches are investigated to perform authentication. Two convolutional neural network architectures are deployed to learn user-independent signature features. Then, user-dependent classifiers are trained to accept or reject an identity claim. A transfer learning approach is utilized to develop a face verification system. User-independent face features are extracted from a pre-trained convolutional neural network. Then, these features are fed into user-dependent classifiers to perform verification. In this thesis, face and signature verification systems are developed and their performances are evaluated separately. Then, a multimodal biometric system, which fuses information coming from two biometrics, is proposed. Results show that, multimodal approach can be used to obtain higher accuracy than unimodal systems and make the system robust against spoof attacks and noise.
Benzer Tezler
- Fusion of face and iris biometrics for personidentity verification
Başlık çevirisi yok
MARYAM ESKANDARİ
Doktora
İngilizce
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDoğu Akdeniz Üniversitesi-Eastern Mediterranean UniversityPROF. DR. ÖNSEN TOYGAR
- Biyometrik teknolojilerin etkili tasarlanması ve uygulanmasında yeni bir öneri: Multimodel teknoloji
Biyometrik teknolojilerin etkili tasarlanmasi ve uygulanmasinda yeni bir öneri: Multimodel teknoloji
BİLAL EREN
Yüksek Lisans
Türkçe
2009
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMimar Sinan Güzel Sanatlar ÜniversitesiBilgisayar Ortamında Sanat ve Tasarım Ana Bilim Dalı
PROF. DR. İBRAHİM HAMİT ATAÇ
- A Hybrid biometric system: Combining hand and face verification
Melez bir biyometrik sistem: El ve yüz onaylamanın birleştirilmesi
CENKER ÖDEN
Yüksek Lisans
İngilizce
2002
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiSistem ve Kontrol Mühendisliği Ana Bilim Dalı
PROF. DR. LALE AKARUN
- Multimodal biometric verification and identification using face and hand
Yüz ve el kullanarak çoklu şekilde gerçekleme ve özdeşleştirme
ELİF SÜRER
Yüksek Lisans
İngilizce
2007
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. LALE AKARUN
- Driver recognition and driver verification using data mining techniques
Veri madenciliği teknikleri kullanılarak sürücü tanıma ve sürücü doğrulama
KRİSTİN SURPUHİ BENLİ
Yüksek Lisans
İngilizce
2007
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolIşık ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Y.DOÇ.DR. MUSTAFA TANER ESKİL