Fingerprint recognition with deep learning
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Eskişehir Osmangazi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: İngilizce
Öğrenci: RESUL TAHA ÇALGIN
Danışman: Abdurrahman Karamancıoğlu
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
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.