Fingerprint recognition with deep learning
Derin öğrenme ile parmak izi tanıma
- Tez No: 956166
- Danışmanlar: PROF. DR. ABDURRAHMAN KARAMANCIOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Kontrol ve Kumanda Sistemleri Bilim Dalı
- Sayfa Sayısı: 78
Özet
Parmak izi eşleştirmesi, erişim kontrolünden sınır kapılarına, finansal işlemlerden mobil kimlik doğrulamaya kadar uzanan geniş bir yelpazede kritik güvenlik katmanı olarak konumlanır. Sistemlerin başarısı, kir, ter, kesik, aşınma ve sensör gürültüsü gibi gerçek dünya bozulmalarının yanı sıra gün geçtikçe şişen referans veri tabanları içinde doğru eşleşmeyi yapabilme yeteneğine bağlıdır. Ne var ki hâlen yaygın biçimde kullanılan minutiae-tabanlı algoritmalar, parmak üzerinde belirgin üçgen veya uç noktalarını çıkarıp hizalama temelli karşılaştırma yaparken, bu tür bozulmalara karşı hassas olduklarından bütün senaryolarda tutarlı doğruluk sağlayamazlar. Bu yüksek lisans çalışması, klasik parmak izi bilimini çağdaş derin metrik öğrenme yaklaşımlarıyla birleştiren, uçtan uca ve tamamen yeniden üretilebilir bir çözüm önermektedir. Önerilen mimari, açık kaynaklı SOCOFing veri kümesindeki 500 gerçek baskı üzerinde eğitilen Siyam sinir ağı, mesafe dağılımına dayalı kalibrasyon katmanı ve kullanıcı dostu masaüstü grafik arayüzü olmak üzere üç ardışık Python programına ayrılmıştır. Böylelikle araştırma safhasından üretime geçişe kadar olan tüm boru hattı tek depo altında sürümlenebilir, yeniden çalıştırılabilir ve farklı kurum ihtiyaçlarına uyarlanabilir hâle getirilmiştir. Çalışmanın ilk adımında, yaş, cinsiyet ve farklı parmak konumlarını içeren SOCOFing veri seti seçilmiştir. Gerçek baskıların yanı sıra kasıtlı sahte örneklerin de barındırılmaması, odak problemin aynı bireyin farklı baskıları veya farklı bireyler ayrımını mümkün olduğunca yalın hâlde incelemeyi amaçlar. Görüntüler gri tonlamaya ölçeklenir ve rasgele köşe kırpma, Gauss gürültüsü ekleme, kontrast gibi artırmalarla modelin gerçek sahaya daha iyi genelleşmesi sağlanır. Modelin kalbi, iki koldan parametre paylaşan konvolüsyonel bir Siyam ağıdır. Her kol, ardışık filtreli bloklar ile çok ölçekli çıkıntı ve oluk örüntülerini kademeli olarak yakalar. Son katmanda, normalize edilmiş 128 boyutlu gömme vektörü üretilir; böylece Öklid mesafesi, benzerlik metriği olarak kullanılabilir. Eğitim aşamasında karşıtsal kayıp işlevi, aynı kişiye ait çiftlerin mesafesini sıfıra, farklı kişilere ait çiftlerin mesafesini ise marj değeri civarına iterek yakınlık ayrımını optimize eder. Sonunda doğrulama kaybı doygunluğa ulaştığında, ağırlıklar kaydedilir. Ham Öklid mesafelerinin doğrudan eşleşti veya eşleşmedi kararı vermek için eşiklenmesi, veri kümesine özgü istatistikler nedeniyle her sistemde farklı optimum noktaya sahiptir. Oluşturulan kalibrasyon modülü, eğitim sonrası modelin tahmin ettiği gerçek ve sahte mesafe dağılımlarını tarar, eşit hata oranı noktasını otomatik saptar. Böylece yanlış kabul ve yanlış reddetme olasılıklarının eşitlendiği, çoğu uygulama için dengeli çalışma noktası elde edilir. Uç kullanıcı etkileşimini kolaylaştırmak amacıyla Tkinter tabanlı hafif bir masaüstü arayüz geliştirilmiştir. Program açılışında, kalibre edilmiş kodlayıcı belleğe yüklenir ve referans görüntülerin tümü arasından arama yapılabilir bir vektör veri tabanı oluşturulur. Sorgu olarak okutulan yeni parmak izi görüntüsü, anında aynı kodlayıcıdan geçirilir, ardından en yakın komşu araması yapılır. Bulunan mesafe eşiğin altında ise eşleşme“Match”, değilse“No Match”olarak renklendirilir. Ek olarak PCA ile 3-boyuta indirgenmiş gömme uzayının etkileşimli noktacık grafiği, kullanıcıya hem sorgu baskısını hem de veri tabanındaki en yakın komşusunu sezgisel biçimde sunar. Bu tasarım, adli analistlerin görsel benzerlik yargısını desteklerken, sınırlı teknik bilgiye sahip saha personeli için de anlaşılır bir deneyim sağlar.
Özet (Çeviri)
Fingerprint matching is a fundamental component of contemporary biometric security; however, accuracy of matching in the presence of noise and realistic environments is still arduous for traditional algorithms. While crucial, fingerprint matching suffers from noisy prints, compromised skin, and extensive databases that make consistent matching difficult. Here, we propose a fully reproducible, end-to-end workflow that integrates traditional fingerprint science with a state-of-the-art Siamese neural network to solve these issues. The mechanism is composed of three linked Python programs. The first one is trained over a batch of 500 real images with contrastive loss to acquire 128-dimensional embeddings that aim to reduce intra-subject distance and increase inter-subject separation. A calibration component then monitors the distributions of real and imposter distances, calculates some candidate thresholds, and computes the optimal Equal Error Rate (EER) operating point best balancing security and convenience. Third, a graphical desktop user interface loads the calibrated encoder, pre-computes a searchable embedding database, and offers one-to-many real-time identification with three-dimensional PCA visualization that accentuates the query print and its closest neighbor. Experimental analysis demonstrates that the calibrated system obtains low EER on the development set and preserves sub-second inference on consumer hardware, rendering it practical for forensic triage, border control kiosks, and mobile authentication. Through the unification of training, calibration, and deployment pipelines within a single, well-documented codebase, the project provides a valuable foundation for researchers and engineers to achieve advances in deep metric learning for production fingerprint recognition systems. In order to facilitate future research endeavors, all scripts, trained weights, and calibration logs are made available under an open-source license, thereby enabling replication, benchmarking, and easy adaptation for large public datasets.
Benzer Tezler
- Derin sinir ağları kullanarak parmak izi tanımada yeni yaklaşımlar
New approaches to fingerprint recognition using deep neural networks
ORHAN KURBANOV
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER BAŞTÜRK
- Uzun kısa süreli bellek tipi derin sinir ağları ile konuşmacı tanıma
Speaker recognition with long short-term memory type deep neural networks
ERKAN GÜNERHAN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CEMAL KÖSE
- Deep learning in fingerprint analysis
Parmak izi analizinde derin öğrenme
PELİN İRTEM
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Yüksek Teknoloji EnstitüsüBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NESLİ ERDOĞMUŞ
- Yüz tanıma sistemleri için derin öğrenme tabanlı 3 boyutlu yüz sahteciliği önleme sistemi geliştirilmesi
Development of deep learning-based 3D face fraud prevention system for face recognition systems
ZEYNEP KOYUN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BETÜL AY
- Kütüphane ortamında yüz ve parmak izi tanıma sisteminin geliştirilmesi
Development of face and fingerprint recognition system in library environment
MOHAMMED RIDHA MOHAMMED AHMED ALSARRAR
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKastamonu ÜniversitesiMalzeme Bilimi ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. YASEMİN GÜLTEPE