Analysis of selected methods of person identification based on biometric data

• Autorzy: Rudzki Marcin Amadeusz , Powroźnik Paweł

Identyfikatory

DOI

10.35784/iapgos.7156

Warianty tytułu

PL

Analiza wybranych metod identyfikacji osób na podstawie danych biometrycznych

• Języki publikacji: EN

Abstrakty

EN

The article explores the challenge of identifying individuals using biometric data through advanced deep learning methods. The research employs three ground-breaking convolutional neural network architectures: ResNet50, EfficientNetB0, and VGG16. The project's objective was to examine the influence of critical factors, such as image quality and data processing techniques, on the performance of face identification systems. A seriesof experiments were carried out based on predefined test scenarios, allowing for the verification of hypotheses regarding theeffects of input image resolution and data transformations on model accuracy. The experimental results highlight the substantial impact of both the chosen architectureand processing parameters on the system's identification accuracy. The article presents valuable conclusions that can inform the further developmentof biometric systems. Notably, the EfficientNetB0 model achieved the best performance across various metrics, including the confusion matrixand activation heatmaps, demonstrating its superior capability in identifying biometric data from facial images.

PL

W artykule porównano metody identyfikacji osób przy użyciu danych biometrycznych za pomocą zaawansowanych metod głębokiego uczenia. W trakcie badań zostały użyte trzy architektury sieci neuronowych konwolucyjnych: ResNet50, EfficientNetB0 i VGG16. Celem badań była ocena wpływu czynników krytycznych, takich jak jakość obrazu i techniki przetwarzania danych, na wydajność systemów identyfikacji twarzy. Przeprowadzono serię eksperymentów w oparciu o wstępnie zdefiniowane scenariusze testowe, co pozwoliło na weryfikację hipotez dotyczących wpływu rozdzielczości obrazu wejściowego i transformacji danych na dokładność modelu. Wyniki eksperymentów podkreślają istotny wpływ zarówno wybranej architektury, jak iparametrów przetwarzania na dokładność całego identyfikacji systemu. W artykule przedstawiono cenne wnioski, które mogą posłużyć do dalszego rozwoju systemów biometrycznych. Co godne uwagi, model EfficientNetB0 osiągnął najlepszą wydajność w różnych metrykach, w tymmacierzy pomyłek imapach cieplnych aktywacji,co dowodzi jego wyższej zdolności do identyfikacji danych biometrycznych z obrazów twarzy.

Słowa kluczowe

EN

biometric identification; convolutional neural networks; image processing

PL

identyfikacja biometryczna; konwolucyjne sieci neuronowe; przetwarzanie obrazów

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2025
• Tom: T. 15, nr 2
• Strony: 51--56
• Opis fizyczny: Bibliogr. 19 poz., fot., tab., wykr.

Twórcy

autor

Rudzki Marcin Amadeusz

• Lublin University of Technology, Department of Computer Science, Lublin, Poland

• https://orcid.org/0009-0006-2528-008X+

autor

Powroźnik Paweł

• Lublin University of Technology, Department of Computer Science, Lublin, Poland

• https://orcid.org/0000-0002-5705-4785+

Bibliografia

• [1] Cao Q. et al.: Vggface2: A dataset for recognising faces across pose and age. 13th IEEE international conference on automatic face & gesture recognition, 2018, 67–74.
• [2] He K. et al.: Deep residual learning for image recognition. IEEE conference on computer vision and pattern recognition, 2016, 770–778 [https://doi.org/10.48550/arXiv.1512.03385].
• [3] Hossin M., Sulaiman M. N.: A review on evaluation metrics for data classification evaluations. International journal of data mining & knowledge management process 5(2), 2015, 1 [http://dx.doi.org/10.5121/ijdkp.2015.5201].
• [4] Jayaraman U. et al.: Recent development in face recognition. Neurocomputing, 408, 231–245.
• [5] Kamyab T. et al.: Combination of Genetic Algorithm and Neural Network to Select Facial Features in Face Recognition Technique. International Journal of Robotics and Control Systems 3(1), 2023, 50–58.
• [6] Karczmarek P. et al.: Quadrature-inspired generalized Choquet integral. IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), 1–7, 2022.
• [7] Nandre J., Rai S., Kanawade B. R.: Comparative Analysis of Transfer Learning CNN for Face Recognition. 2nd International Conference on Intelligent Technologies (CONIT), 1–6, 2022 [https://doi.org/10.1109/CONIT55038.2022.9847946].
• [8] Paul K. C., Aslan S.: An improved real-time face recognition system at low resolution based on local binary pattern histogram algorithm and CLAHE. 2021, arXiv preprint arXiv:2104.07234 [https://doi.org/10.48550/arXiv.2104.07234].
• [9] Phillips P. J. et al.: Face recognition accuracy of forensic examiners, superrecognizers, and face recognition algorithms. Proceedings of the National Academy of Sciences 115(24), 2018, 6171–6176. emotional
• [10] Powroźnik P., Wojcicki P., Przylucki S. W.: Scalogram as a representation of speech. IEEE Access 9, 2021, 154044–154057 [https://doi.org/10.1109/ACCESS.2021.3127581].
• [11] Schroff F., Kalenichenko D., Philbin J.: Facenet: A unified embedding for face recognition and clustering. IEEE conference on computer vision and pattern recognition, 2015, 815–823.
• [12] Selvaraju R. R. et al.: Grad-CAM: Why did you say that?, arXiv preprint arXiv:1611.07450, 2016 [https://doi.org/10.48550/arXiv.1611.07450].
• [13] Simonyan K., Zisserman A.: Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556 [https://doi.org/10.48550/arXiv.1409.1556].
• [14] Song C., Ji S.: Face recognition method based on siamese networks under nonrestricted conditions. IEEE Access 10, 2022, 40432–40444.
• [15] Tan M., Le Q.: Efficientnet: Rethinking model scaling for convolutional neural networks. International conference on machine learning, 2019, 6105–6114 [https://doi.org/10.48550/arXiv.1905.11946].
• [16] Tharwat A.: Classification assessment methods. Applied computing and informatics 17(1), 2021, 168–192 [https://doi.org/10.1016/j.aci.2018.08.003].
• [17] Wang X. et al.: A survey of face recognition. arXiv preprint arXiv:2212.13038, 2022.
• [18] Wu H. et al.: Face recognition based on Haar like and Euclidean distance. Journal of Physics: Conference Series, 1813, 1, 012036.
• [19] Zarei S., Andi T.: Face recognition methods analysis. International Journal Artificial Intelligent and Informatics 1(1), 2018, 1–12.