CNN kullanarak bulut tabanlı damar tanıma ve doğrulama

Günümüz dijital manzarasında, birçok sistem, hizmetlerine erişen bireylerin kimliğini doğrulamak için güvenilir bir tanıma yöntemine ihtiyaç duymaktadır. Teknoloji evrimleştikçe, sağlam ve güvenli biyometrik tanımlama için artan bir talep bulunmaktadır. İnsanlar ile bilgisayarlar arasındaki arayüzdeki ilerlemelerle, yeni biyometrik modlar ortaya çıkmış ve ilgi görmüştür. Bu araştırma teknikleri arasında, parmak damarı özellikle dikkat çekici bir araştırma alanı olarak öne çıkmıştır. Bu artan ilginin altında yatan temel sebep, insan parmak damarının benzersiz özelliği, karmaşık yapısı ve bu bilginin taklit edilmesinin veya çalınmasının zorluğudur. Bu tez, bireysel tanımlama için önerilen parmak damarına dayalı bir tanıma sistemini derinlemesine incelemektedir. Parmak damarı, öncelikle özgünlüğü nedeniyle öne çıkar. Her bireyin parmak damar deseni karmaşık ve farklıdır, neredeyse bir parmak izinin benzersizliğine benzer bir şekilde, ancak vücudun içinde gizlidir, bu da kötü niyetli amaçlar için zorlayıcı bir hedef haline getirir. Yüz yapıları, parmak izleri veya iris desenleri gibi dış özelliklerin aksine, potansiyel olarak kopyalanabilir, taklit edilebilir veya çalınabilirken, parmak damarı parmak içinde korunmaktadır, bu da biyometrik tanımlama için ideal bir seçenek haline getirir. Önerilen tanıma sisteminin metodolojisi, sıralı bir dizi işlem üzerine kurulmuştur. İlk olarak, elde edilen parmak damar görüntüsü bir ön işleme aşamasından geçer. Bu başlangıç adımı, görüntüyü rafine etmek için gereklidir, gereksiz detayları kaldırarak ve temel özelliklerini artırarak. Renkli görüntü gri tonlamalı bir formata geçirilir, veriyi akışlandırarak ve renk tabanlı anomalileri ortadan kaldırarak. Detayları vurgulamak ve netliği artırmak için histogram eşitleme kullanılır. Bu teknik, kontrastı artırarak, esas damar desenlerinin belirgin bir şekilde öne çıkmasını sağlar. Görüntü ön işlendikten ve geliştirildikten sonra, sistem özellik çıkarımına odaklanır. Özellik çıkarımı yöntemi seçimi, sonraki tanımlama doğruluğunu doğrudan etkiler, bu nedenle kritiktir. Bu araştırma, bu amaç için ünlü Doğrusal Ayırt Edici Analiz (LDA) yöntemini kullanmaktadır. LDA, en bilinen özellik çıkarım tekniklerinden biri olduğu için, çıkarılan özelliklerin sadece belirgin olmadığını, aynı zamanda sınıflandırma için de optimal olduğunu garanti eder. Tanıma sisteminin kalbi sınıflandırma modelindedir. Bu araştırma, desenleri ayırt edebilme ve inanılmaz bir hassasiyetle sınıflandırabilme kapasitesiyle tanınan derin bir Evrişimli Sinir Ağı (CNN) önermektedir. Derin bir CNN'nin bu bağlamda kullanılmasının avantajı, geniş veri setlerine ihtiyaç duymadan yüksek doğruluk sağlama yeteneğidir. Bu araştırmanın dikkate değer bir sonucu, derin CNN modeli tarafından elde edilen örnek tanıma performansıdır. SDUMLA-HMT parmak damar veri kümesinde test edildiğinde, model %99,65 doğruluk elde etti. Öte yandan, UTFVP parmak damar veri kümesinde, beklentileri daha da aşarak %99,72 doğruluk oranıyla sonuçlandı. Bu sonuçlar, önerilen modelin etkinliğinin bir göstergesi olup, yoğun katmanlarla birlikte 1 boyutlu bir evrişimli ağın kullanılmasının gücünü vurgulamaktadır. Bu tezin bir diğer önemli katkısı, LDA'nın derin modelle birleştirilmesidir. Bu füzyon, sadece tanıma doğruluğu açısından değil, aynı zamanda eğitim hızı açısından da üstün yetenek göstermiştir, böylece hızlı ve verimli bir sistem sağlamıştır. Son olarak, tanıma sistemini bulut veritabanıyla bağlamak için TCP/IP protokolü kullanılır. Bu, bir bireyin tanındığında, ilgili bilgilerinin bulut veritabanından hızla alınabileceğini garanti eder. Bu entegrasyon, tanıma sisteminin işlevselliğini sadece artırmakla kalmaz, aynı zamanda gerçek dünya senaryolarında uygulama potansiyelini de yükseltir.