Electronic anti-theft protection for vehicles of people with special needs

• Autorzy: Góral Piotr , Pawłowski Paweł , Nowacki Wiktor , Wróbel Jakub

Identyfikatory

DOI

10.37055/slw/186380

Warianty tytułu

PL

Elektroniczne zabezpieczenie antykradzieżowe dla pojazdów osób o szczególnych potrzebach

• Języki publikacji: EN

Abstrakty

EN

The article presents an electronic anti-theft protection subsystem that was incorporated into the vehicle control system dedicated to people with special communication needs. The aim of the work was to design and test an electronic subsystem allowing for the acquisition and quick analysis of fingerprint images, checking whether they belong to the vehicle owner and generating a signal allowing the vehicle to be started. The following hypothesis was put forward: it is possible to use artificial intelligence for accurate, automatic classification of fingerprint images acquired in a system with a single-chip microcomputer in order to identify a person. The research niche includes the use of biometrics in electronic anti-theft security adapted to people with special needs. This solution reduces the risk of theft and unauthorized use of special vehicles tailored to the owners’ individual needs. The use of a commercial algorithm offered by the sensor manufacturer or the use of artificial neural networks for the classification of fingerprints was considered. The results of research on the accuracy of fingerprint recognition obtained from the developed subsystem are presented. The experiments performed based on the NASNetLarge artificial neural network model confirmed the possibility of achieving recognition accuracy for the test set of 99.99%. Additionally, practical aspects of the applicability of the presented device in an electric vehicle control system supporting the movement of people with physical and/or intellectual disabilities were discussed. The presented solution, after minor modifications, can be used in access security systems for protected rooms, as well as vehicles and military equipment.

PL

W artykule zaprezentowano elektroniczny podsystem zabezpieczeń przed kradzieżą, który został włączony w system sterowania pojazdu dedykowanego dla osób o szczególnych potrzebach komunikacyjnych. Celem pracy było zaprojektowanie i przebadanie podsystemu elektronicznego pozwalającego na pozyskanie i szybką analizę obrazów odcisków palców, sprawdzenie czy należą do właściciela pojazdu i generowanie sygnału zezwalającego na uruchomienie pojazdu. Postawiono następującą hipotezę: możliwe jest wykorzystanie sztucznej inteligencji do dokładnej, automatycznej klasyfikacji obrazów z liniami papilarnymi, pozyskanych w systemie z mikrokomputerem jednoukładowym, w celu identyfikacji osoby. Nisza badawcza obejmuje wykorzystanie obszaru biometrii w elektronicznych zabezpieczeniach antykradzieżowych dostosowanych do osób o szczególnych potrzebach. Rozwiązanie to pozwala na zmniejszenie ryzyka kradzieży oraz użytkowania przez osoby niepowołane pojazdów specjalnych dostosowanych do indywidualnych potrzeb właścicieli. Rozważono wykorzystanie algorytmu komercyjnego, oferowanego przez producenta czujnika lub wykorzystanie sztucznych sieci neuronowych celem klasyfikacji odcisków placów. Przedstawiono wyniki przeprowadzonych badań nad dokładnością rozpoznawania odcisków palców uzyskane z opracowanego podsystemu. Przeprowadzone eksperymenty w oparciu o model sztucznej sieci neuronowej NASNetLarge potwierdziły możliwość osiągniecia dokładności rozpoznawania dla zbioru testowego na poziomie 99,99%. Dodatkowo, omówiono praktyczne aspekty stosowalności przedstawionego urządzenia w systemie stero- wania pojazdem elektrycznym wspomagającym poruszanie się osób z niepełnosprawnościami fizycznymi i/lub intelektualnymi. Zaprezentowane rozwiązanie, po niewielkich modyfikacjach, może zostać użyte w systemach zabezpieczeń dostępu do pomieszczeń chronionych, a także pojazdów i sprzętu wojskowego.

Słowa kluczowe

EN

artificial intelligence; biometrics; electronic system; fingerprint sensor; anti-theft protection

PL

sztuczna inteligencja; biometria; system elektroniczny; czujnik linii papilarnych; zabezpieczenia antykradzieżowe

• Wydawca: Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego
• Czasopismo: Systemy Logistyczne Wojsk
• Rocznik: 2023
• Tom: Vol. 59, no. 2
• Strony: 287--298
• Opis fizyczny: Bibliogr. 30 poz., zdj.

Twórcy

autor

Góral Piotr

• Division of Electronic Systems and Signal Processing, Institute of Automatic Control and Robotics, Poznan University of Technology, Poland

• https://orcid.org/0000-0001-8999-693X

autor

Pawłowski Paweł

• Division of Electronic Systems and Signal Processing, Institute of Automatic Control and Robotics, Poznan University of Technology, Poland

• https://orcid.org/000-0001-5373-5148

autor

Nowacki Wiktor

• Division of Electronic Systems and Signal Processing, Institute of Automatic Control and Robotics, Poznan University of Technology, Poland

• https://orcid.org/0009-0002-8254-8717

autor

Wróbel Jakub

• Mechatronics Technician Profile, Józef Sieradzan Technical and Electronics School Complex in Kalisz, Poland

• https://orcid.org/0009-0007-8781-7281

Bibliografia

• [1] Anon., 2021. 7 Best Techniques To Improve The Accuracy of CNN W/O Overfitting. https://medium.com/mlearning-ai/7-best-techniques-to-improve-the-accuracy-of-cnn-w-o-overfitting-6db06467182f [24 September 2023].
• [2] Baby, A. J. Building a CNN Model with 95% accuracy. https://www.analyticsvidhya.com/blog/2021/01/building-a-cnn-model-with-95-accuracy/ [24 September 2023].
• [3] Berghoff, C., Neu M. and von Twickel A., 2021. The Interplay of AI and Biometrics: Challenges and Opportunities. Computer, vol. 54, no. 9, pp. 80-85, DOI: 10.1109/MC.2021.3084656.
• [4] Anon., 2023. Bosch Security Systems, Biometric Access Control. https://www.boschsecurity.com/us/en/solutions/access-control-systems/biometric-access-control/ [24 September 2023].
• [5] Gad, A. F., 2021. Evaluating Deep Learning Models: The Confusion Matrix, Accuracy, Precision, and Recall. https://blog.paperspace.com/deep-learning-metrics-precision-recall-accuracy/ [24 September 2023].
• [6] Garcia-Martin, R. and Sanchez-Reillo, R., 2021. Deep Learning for Vein Biometric Recognition on a Smartphone. IEEE Access, vol. 9, pp. 98812-98832, DOI: 10.1109/ACCESS.2021.3095666.
• [7] Góral, P., Pawłowski, P. and Dąbrowski, A., 2019. Wireless remote control system for an autonomous vehicle. Electrotechnical Review 2019, R. 95, 10, DOI: 10.15199/48.2019.10.25.
• [8] Hryciów, Z., 2022. Bezpieczeństwo osób poruszających się na wózkach inwalidzkich w pojazdach silnikowych. The Archives of Automotive Engineering - Archiwum Motoryzacji, 97(3). https://doi.org/10.14669/AM/155001.
• [9] Jian, W., Zhou, Y. and Liu, H., 2020. Lightweight Convolutional Neural Network Based on Singularity ROI for Fingerprint Classification. IEEE Access, vol. 8, pp. 54554-54563, DOI: 10.1109/ACCESS.2020.2981515.
• [10] Koniak, K., Ciesielski, S., Buczkowski, K. and Przywara, Sz., 2022. Electric vehicle supporting the movement of people with physical and/or intellectual disabilitie, Competition project, Military University of Technology, Warsaw 2022.
• [11] Korohoda, P, Dąbrowski A. and Pawłowski P., 2014. Optical Coherence Tomography for Fingerprint Acquisition from Internal Layer - A Case Study. Signal Processing Algorithms, Architectures, Arrangements and Applications, Poznań 2014.
• [12] Lisowska, A. L. and Waściński, T., 2021. Bezpieczeństwo bankowości internetowej i mobilnej na rynku finansowym. Systemy Logistyczne Wojsk, 54(1). https://doi.org/10.37055/slw/140380.
• [13] Lula, A., 2019. Ultrasound Systems for Biometric Recognition. Sensors 2019, 19, 2317. https://doi.org/10.3390/s19102317.
• [14] Ma H, Liu ZX, Zhang JJ, Wu FT, Xu CF, Shen Z, Yu CH and Li YM., 2020. Construction of a convolutional neural network classifier developed by computed tomography images for pancreatic cancer diagnosis. World J Gastroenterol, 14;26(34):5156-5168, DOI: 10.3748/wjg.v26.i34.5156.
• [15] Marciniak, T., Stankiewicz, A. and Zaradzki, P., 2023. Neural Networks Application for Accurate Retina Vessel Segmentation from OCT Fundus Reconstruction. Sensors 2023, 23, 1870, https://doi.org/10.3390/s23041870.
• [16] Minaee, S., Azimi, E. and Abdolrashidi, A., 2019. FingerNet: Pushing The Limits of Fingerprint Recognition Using Convolutional Neural Network. https://arxiv.org/abs/1907.12956 [24 September 2023].
• [17] Natashia, C., 2020. Chest X-rays Pneumonia Detection using Convolutional Neural Network. https://towardsdatascience.com/chest-x-rays-pneumonia-detection-using-convolutional-neural-network-63d6ec2d1dee [24 September 2023].
• [18] Anon., 2023. Biometric recognition systems in buildings. https://nexusintegra.io/biometric-recognition-systems-buildings/ [24 September 2023].
• [19] Nowak, K., 2023. How does a fingerprint reader work?. https://www.unicard.pl/news-jak-dziala-czytnik-linii-papilarnych [24 September 2023].
• [20] Nsaif, A. K. et al., 2021. FRCNN-GNB: Cascade Faster R-CNN With Gabor Filters and Naïve Bayes for Enhanced Eye Detection. IEEE Access, 9, DOI: 10.1109/ACCESS.2021.3052851.
• [21] Poliak, M., Beňuš, J., Hajduk, I. E., Demirci, E. and Nica, E., 2023. Test zmęczenia kierowców w transporcie drogowym towarów: badanie pilotażowe. The Archives of Automotive Engineering - Archiwum Motoryzacji, 101(3). https://doi.org/10.14669/AM/172910.
• [22] Priesnitz, J., Huesmann, R., Rathgeb, C., Buchmann, N. and Busch, C., 2022. Mobile Contactless Fingerprint Recognition: Implementation, Performance and Usability Aspects. Sensors 2022, 22. https://doi.org/10.3390/s22030792 [24 September 2023].
• [23] Rajca, N. and Sobczak, E., 2023. BIOMETRIC CAR ANTI-THEFT SECURITY IN A CLASSICAL IGNITION SYSTEM, Scientific Conference “21st century technology. Electromobility”, Calisia Academy, Kalisz 2023.
• [24] Rigano, C., 2019. Using Artificial Intelligence to Address Criminal Justice Needs. NIJ Journal 280, January 2019, https:// www.nij.gov/journals/280/Pages/using-artificialintelligence-to-address-criminal-justice-needs.aspx.
• [25] Sadhukhan, S., Acharyya, A. and Prasad, R., 2017. Car Security System using Fingerprint scanner and IOT. Indian Journal of Science and Technology. 10, 10.17485/ijst/2017/v10i40/109854.
• [26] Shamil, M. A., Abdulelah, A., Ahmed, A., 2020. Multimodal Biometric System Iris and Fingerprint Recognition Based on Fusion Technique. https://www.researchgate.net/publication/340511996_Multimodal_Biometric_System_Iris_and_Fingerprint_Recognition_Based_on_Fusion_Technique [24 September 2023].
• [27] Venkatraman, S. and Delpachitra, I., 2008. Biometrics in banking security: A case study. Information Management & Computer Security 16(4):415-430 doi:10.1108/09685220810908813.
• [28] Verma, S., 2019. Understanding different Loss Functions for Neural Networks. https://shiva-verma.medium.com/understanding-different-loss-functions-for-neural-networks-dd1ed0274718 [24 September 2023].
• [29] Wang, Y., Shi, D. and Zhou, W., 2022. Convolutional Neural Network Approach Based on Multimodal Biometric System with Fusion of Face and Finger Vein Features. Sensors 2022, 22, 6039. https://doi.org/10.3390/s22166039.
• [30] Waveshare, Website of Waveshare module documentation https://www.waveshare.com/wiki/Capacitive_Fingerprint_Reader_(B) [24 September 2023].