Biyometrik Sistemler
Giriş
Ders Hangi Soruyu Sorar?
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
eşleme ve doğrulama
yüz, parmak izi, iris, ses
kimlik kararı
FAR, FRR, EER
orta
kişi başına az örnek
Giriş
Kısa Tarihçe
Galton "Finger Prints" kitabını yayımlar: parmak izinin kişiye özgü ve kalıcı olduğu gösterilir.
Scotland Yard parmak izlerini Henry sınıflandırma sistemiyle kullanmaya başlar.
Turk ve Pentland yüz tanımada özyüzleri (eigenfaces) yayımlar.
Daugman iris tanıma yöntemini yayımlar; bugünkü iris sistemlerinin temeli olur.
Parmak izi algılayıcısı (Touch ID) akıllı telefonlarda yaygınlaşmaya başlar.
DeepFace ve ardından gelen derin ağlar yüz doğrulamada insan düzeyine yaklaşır.
Ders
Temel Kavramlar
Kişinin örneğinden şablon çıkarıp veri tabanına yazmak.
Ham görüntü yerine saklanan öznitelik vektörü.
"Bu kişi iddia ettiği kişi mi?" sorusu.
"Bu kişi kayıtlılardan hangisi?" sorusu.
Yanlış kabul ve yanlış ret oranı; eşik ikisini dengeler.
İki hatanın eşitlendiği nokta; sistemleri kıyaslamak.
Fotoğraf, maske ya da kalıp parmakla saldırıyı yakalamak.
Yüz ile sesi ya da parmak izi ile irisi birleştirmek.
Ders
Tipik İş Akışı
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.
Konum
Ön Koşullar
Bu dersten önce bilinmesi yararlı olan dersler ve neden gerektikleri.
| Ders | Neden gerekir |
|---|---|
| Örüntü Tanıma | eşleme, doğrulama ve tanımlama |
| Bilgisayarlı Görü | yüz tanıma |
| Programlama | Python ile görüntü okuma, vektörlerle çalışma |
| Veri Yapıları | 1:N aramada milyonlarca şablonu hızla taramak için dizinleme |
Konum
Dersin Komşuları
Örtüşme
Örtüştüğü Dersler
| İlişki | Ders | Ortak konu |
|---|---|---|
| uygulama | Bu ders Örüntü Tanıma yöntemlerini uygular | eşleme, doğrulama ve tanımlama |
| uygulama | Bu ders Bilgisayarlı Görü yöntemlerini uygular | yüz tanıma |
| yöntem paylaşır | Siber Güvenlikte Yapay Zekâ ile yöntem paylaşır | kimlik doğrulama, sahtecilik tespiti |
Ayrışma
Ayrıştığı Noktalar (1/2)
| Ölçüt | Biyometri | Örüntü Tanıma | Bilgisayarlı Görü |
|---|---|---|---|
| Temel soru | Bir 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? |
| Yaklaşım | eşleme ve doğrulama | istatistiksel karar kuramı | görüntüden anlam çıkarma |
| Girdi | yüz, parmak izi, iris, ses | ölçüm ya da öznitelik vektörü | görüntü ya da video |
| Çıktı | kimlik kararı | sınıf etiketi | etiket, kutu, derinlik, 3B yapı |
| Başarı ölçütü | FAR, FRR, EER | sınıflandırma hatası | doğruluk, mAP, IoU |
| Matematik yükü | orta | orta-yüksek: olasılık, doğrusal cebir | yüksek: geometri, doğrusal cebir |
| Veri ihtiyacı | kişi başına az örnek | etiketli örnekler | çok 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)
| Ölçüt | Biyometri | Siber Güvenlikte YZ | Konuşma ve Ses İşleme |
|---|---|---|---|
| Temel soru | Bir 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? |
| Yaklaşım | eşleme ve doğrulama | güvenlik bilgisi ve MÖ | akustik sinyal ve dil modeli |
| Girdi | yüz, parmak izi, iris, ses | ağ trafiği, kayıtlar, dosyalar | ses dalgası |
| Çıktı | kimlik kararı | uyarı, sınıf, risk puanı | metin, konuşmacı, ses olayı |
| Başarı ölçütü | FAR, FRR, EER | tespit oranı, yanlış alarm oranı | sözcük hata oranı (WER) |
| Matematik yükü | orta | orta | orta-yüksek |
| Veri ihtiyacı | kişi başına az örnek | dengesiz ve sürekli değişen | çok 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
Yüz ve parmak iziyle cihaz açma.
E-pasaport fotoğrafıyla otomatik geçiş.
Olay yeri izlerini veri tabanında aramak.
Uzaktan müşteri doğrulama, ödeme onayı.
Bina ve personel giriş-çıkış kaydı.
Ulusal kimlik sistemlerinde mükerrer kayıt önleme.
Uygulama
Araçlar ve Örnek Veriler
Araçlar ve kütüphaneler
Tanınmış veri setleri
Uygulama
Sık Karıştırılanlar
| Yaygın düşünce | Doğrusu |
|---|---|
| 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
İlgili meslekler
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.