تشخیص هویت از روی ساختار گوش مبتنی بر یادگیری عمیق

شناسایی بیومتریک به عنوان یکی از ارکان اصلی سیستم های امنیتی مدرن همواره با چالش یافتن توازن میان دقت بالا و کارایی محاسباتی روبرو بوده است. ساختار گوش انسان به دلیل ویژگی های منحصر به فرد و پایدار خود پتانسیل بالایی به عنوان یک شناسه بیومتریک قابل اعتماد دارد. این پژوهش با هدف طراحی و ارزیابی یک سیستم کارآمد و دقیق برای تشخیص هویت از روی ساختار گوش یک معماری سبک وزن مبتنی بر شبکه عصبی پیچشی (CNN) را ارائه می دهد. در این پژوهش یک مدل CNN بهینه سازی شده در محیط نرم افزاری متلب پیاده سازی گردید. معماری پیشنهادی برای یادگیری سلسله مراتبی و استخراج ویژگی های تمایز بخش از تصاویر گوش طراحی شده است. به منظور اعتبارسنجی از یک پایگاه داده جامع استفاده شده است. مدل پیشنهادی با دقت ۹۶.۵ درصد، بازخوانی ۹۶.۲ درصد و امتیاز F-Score معادل ۹۶.۶ به عملکرد خوبی دست یافت. تحلیل تطبیقی نشان داد که این مدل نه تنها به طور قابل توجهی از روش های کلاسیک مبتنی بر ویژگی های استخراج شده به صورت دستی (که به دقتی در حدود ۹۱ می رسیدند) برتر است بلکه با معماری های عمیق و پیچیده تر روز نیز رقابت می کند در حالی که از نظر محاسباتی بسیار بهینه تر است. نتایج این پژوهش اثبات می کند که یک معماری CNN هدفمند می تواند توازن بهینه ای میان دقت بالا و سادگی محاسباتی برقرار سازد. سیستم ارائه شده به دلیل کارایی و دقت بالا یک راه حل عملی و قابل اتکا برای پیاده سازی در سیستم های احراز هویت در دنیای واقعی به ویژه در پلتفرم های با منابع محاسباتی محدود محسوب می شود.

کلیدواژه ها:

بیومتریک ، گوش ، پردازش تصویر ، یادگیری ماشین ، متلب ، تشخیص هویت ، شبکه عصبی کانولوشنی