Biyometrik Sistemler

Yapay Zekâ ve Veri Dersleri Rehberi · Kısım III: Sinyal, Görüntü ve Ses
Biyometrik özelliklerDoğrulama, tanımlamaHata oranlarıSahtecilikGizlilikKomşu dersler
Sercan KÜLCÜ · Giresun Üniversitesi · Bilgisayar Mühendisliği

Giriş

Ders Hangi Soruyu Sorar?

Bir kişi yüzünden, parmak izinden ya da sesinden nasıl tanınır?

Biyometrik sistemler, kişiyi yüz, parmak izi, iris ya da ses gibi bedensel ve davranışsal özelliklerinden tanır. Ders bir örnekten şablon çıkarmayı, iki şablonu eşlemeyi ve eşik seçerek kabul ya da ret kararı vermeyi inceler; güvenlik ve gizlilik bu kararın ayrılmaz parçasıdır.

Bir bakışta

Yaklaşım

eşleme ve doğrulama

Girdi

yüz, parmak izi, iris, ses

Çıktı

kimlik kararı

Başarı ölçütü

FAR, FRR, EER

Matematik yükü

orta

Veri ihtiyacı

kişi başına az örnek

Giriş

Kısa Tarihçe

1892

Galton "Finger Prints" kitabını yayımlar: parmak izinin kişiye özgü ve kalıcı olduğu gösterilir.

1901

Scotland Yard parmak izlerini Henry sınıflandırma sistemiyle kullanmaya başlar.

1991

Turk ve Pentland yüz tanımada özyüzleri (eigenfaces) yayımlar.

1993

Daugman iris tanıma yöntemini yayımlar; bugünkü iris sistemlerinin temeli olur.

2013

Parmak izi algılayıcısı (Touch ID) akıllı telefonlarda yaygınlaşmaya başlar.

2014

DeepFace ve ardından gelen derin ağlar yüz doğrulamada insan düzeyine yaklaşır.

Ders

Temel Kavramlar

Kayıt

Kişinin örneğinden şablon çıkarıp veri tabanına yazmak.

Şablon

Ham görüntü yerine saklanan öznitelik vektörü.

Doğrulama (1:1)

"Bu kişi iddia ettiği kişi mi?" sorusu.

Tanımlama (1:N)

"Bu kişi kayıtlılardan hangisi?" sorusu.

FAR ve FRR

Yanlış kabul ve yanlış ret oranı; eşik ikisini dengeler.

EER ve DET eğrisi

İki hatanın eşitlendiği nokta; sistemleri kıyaslamak.

Canlılık tespiti

Fotoğraf, maske ya da kalıp parmakla saldırıyı yakalamak.

Çok kipli biyometri

Yüz ile sesi ya da parmak izi ile irisi birleştirmek.

Ders

Tipik İş Akışı

Yakalakamera,algılayıcıÖn işlekalite,hizalamaÖznitelikşablon ya dagömmeEşlebenzerlikskoruKarar vereşik: kabulya da ret
Örnek: Telefonun yüz kilidi kızılötesi kamerayla yüzü yakalar, yüzü bulup hizalar, derin bir ağla gömme vektörü çıkarır, kayıtlı şablonla benzerliği ölçer ve skor eşiği geçerse kilidi açar. Canlılık denetimi fotoğrafla açılmasını engeller.

Dene

Kapı Kimi İçeri Alsın?

Yüz tanıma kapısı her kişi için 0 ile 1 arası bir benzerlik skoru üretir; skor eşiği geçerse kapı açılır. Eşiği kaydırın ya da bir senaryo seçin: sahtekâr kabulü ile gerçek kullanıcının reddi arasındaki dengeyi görün.

Biyometrik sistem hiçbir zaman “kesin” demez: iki dağılım örtüşür ve eşik, hangi hatanın daha pahalı olduğuna göre seçilir. Ders, bu skorları üreten öznitelik çıkarmayı ve FAR/FRR ile değerlendirmeyi öğretir.

Konum

Ön Koşullar

Bu dersten önce bilinmesi yararlı olan dersler ve neden gerektikleri.

DersNeden gerekir
Örüntü Tanımaeşleme, doğrulama ve tanımlama
Bilgisayarlı Görüyüz tanıma
ProgramlamaPython ile görüntü okuma, vektörlerle çalışma
Veri Yapıları1:N aramada milyonlarca şablonu hızla taramak için dizinleme

Konum

Dersin Komşuları

alt alantemel alıryöntem paylaşıruygulama

Örtüşme

Örtüştüğü Dersler

İlişkiDersOrtak konu
uygulamaBu ders Örüntü Tanıma yöntemlerini uygulareşleme, doğrulama ve tanımlama
uygulamaBu ders Bilgisayarlı Görü yöntemlerini uygularyüz tanıma
yöntem paylaşırSiber Güvenlikte Yapay Zekâ ile yöntem paylaşırkimlik doğrulama, sahtecilik tespiti

Ayrışma

Ayrıştığı Noktalar (1/2)

ÖlçütBiyometriÖrüntü TanımaBilgisayarlı Görü
Temel soruBir kişi yüzünden, parmak izinden ya da sesinden nasıl tanınır?Ölçümlerden bir nesnenin hangi sınıfa ait olduğuna nasıl karar verilir?Bilgisayar bir görüntüde ya da videoda ne olduğunu nasıl anlar?
Yaklaşımeşleme ve doğrulamaistatistiksel karar kuramıgörüntüden anlam çıkarma
Girdiyüz, parmak izi, iris, sesölçüm ya da öznitelik vektörügörüntü ya da video
Çıktıkimlik kararısınıf etiketietiket, kutu, derinlik, 3B yapı
Başarı ölçütüFAR, FRR, EERsınıflandırma hatasıdoğruluk, mAP, IoU
Matematik yüküortaorta-yüksek: olasılık, doğrusal cebiryüksek: geometri, doğrusal cebir
Veri ihtiyacıkişi başına az örneketiketli örneklerçok etiketli görüntü
  • Örüntü Tanıma: Örüntü tanıma bir örneği sınıflara ayırır; biyometri kişiyi tanır, sınıf sayısı kişi sayısı kadardır ve sürekli artar.
  • Bilgisayarlı Görü: Bilgisayarlı görü görüntüdeki her şeyi anlamaya çalışır; biyometri yalnız kimliği soran dar ve güvenlik odaklı bir görevdir.

Ayrışma

Ayrıştığı Noktalar (2/2)

ÖlçütBiyometriSiber Güvenlikte YZKonuşma ve Ses İşleme
Temel soruBir kişi yüzünden, parmak izinden ya da sesinden nasıl tanınır?Yapay zekâ saldırıları nasıl yakalar ve kendisi nasıl saldırıya uğrar?Ses dalgasından sözcükler, konuşmacı ve olaylar nasıl çıkarılır?
Yaklaşımeşleme ve doğrulamagüvenlik bilgisi ve MÖakustik sinyal ve dil modeli
Girdiyüz, parmak izi, iris, sesağ trafiği, kayıtlar, dosyalarses dalgası
Çıktıkimlik kararıuyarı, sınıf, risk puanımetin, konuşmacı, ses olayı
Başarı ölçütüFAR, FRR, EERtespit oranı, yanlış alarm oranısözcük hata oranı (WER)
Matematik yüküortaortaorta-yüksek
Veri ihtiyacıkişi başına az örnekdengesiz ve sürekli değişençok saatlik kayıt
  • Siber Güvenlikte YZ: Siber güvenlikte YZ saldırıları yakalar; biyometri kimlik doğrulamanın kendisidir ve sahte örnek saldırılarına karşı korunur.
  • Konuşma ve Ses İşleme: Konuşma tanıma ne söylendiğini çıkarır; konuşmacı tanıma, yani biyometri, kimin konuştuğunu çıkarır.

Uygulama

Uygulama Alanları

Telefon kilidi

Yüz ve parmak iziyle cihaz açma.

Sınır kapısı

E-pasaport fotoğrafıyla otomatik geçiş.

Adli bilimler

Olay yeri izlerini veri tabanında aramak.

Bankacılık

Uzaktan müşteri doğrulama, ödeme onayı.

Giriş denetimi

Bina ve personel giriş-çıkış kaydı.

Nüfus kaydı

Ulusal kimlik sistemlerinde mükerrer kayıt önleme.

Uygulama

Araçlar ve Örnek Veriler

Araçlar ve kütüphaneler

OpenCVdlibInsightFaceNIST NBISSpeechBrain

Tanınmış veri setleri

LFW (Labeled Faces in the Wild)VGGFace2FVC2004 (parmak izi)CASIA-IrisVoxCeleb (konuşmacı)
Biyometrik veri kişisel veridir: KVKK ve GDPR kapsamındadır; bazı yüz veri setleri bu yüzden yayından kaldırılmıştır.

Uygulama

Sık Karıştırılanlar

Yaygın düşünceDoğrusu
Biyometrik sistemler hata yapmaz.Her sistem yanlış kabul ve yanlış ret yapar; eşik bu iki hatadan birini seçer.
Biyometrik veri parola gibi değiştirilir.Yüz ya da parmak izi değiştirilemez; sızan şablon kalıcı risktir, şablon koruma gerekir.
Doğruluk herkes için aynıdır.Başarım yaşa, ten rengine ve algılayıcıya göre değişebilir; değerlendirme gruplara ayrılarak yapılır.
Eşleşme varsa kişi oradadır.Fotoğraf, maske ya da kayıt sesle sunum saldırısı yapılabilir; canlılık tespiti gerekir.

Sonrası

Bu Dersten Sonra

Bu dersi temel alan ya da genişleten dersler

Bu ders çoğunlukla uç noktadır; öteki dersleri temel alır.

İlgili meslekler

Biyometri mühendisiBilgisayarlı görü mühendisiKimlik ve erişim yönetimi uzmanıAdli bilişim uzmanı
Biyometri, örüntü tanıma ve görünün güvenlikle buluştuğu yerdir. Buradan derin yüz tanıma ve konuşmacı tanımaya, sahtecilik tespitiyle siber güvenliğe ya da adalet ve gizlilik sorularıyla açıklanabilir YZ ve etiğe geçilebilir.

Sonrası

Kaynaklar

  • Jain, Ross ve Nandakumar, Introduction to Biometrics, Springer, 2011.
  • Li ve Jain (ed.), Handbook of Face Recognition, 2. baskı, Springer, 2011.
  • Maltoni, Maio, Jain ve Feng, Handbook of Fingerprint Recognition, 3. baskı, Springer, 2022.
  • Daugman, "How Iris Recognition Works", IEEE Transactions on Circuits and Systems for Video Technology 14(1), 2004.

Son

Bölüm 24: Biyometrik Sistemler
← Önceki bölüm · Alanın haritası · Sonraki bölüm →
1 / 1 Sercan KÜLCÜ, Tüm hakları saklıdır.