Yüz ve parmak izi için güvene uyarlanmış füzyon kullanan güvenli ve açıklanabilir çokmodlu biyometrik sistem

Yüzünüz ve parmak iziniz neden daha akıllı bir kilide ihtiyaç duyuyor

Telefonlarımız, dizüstü bilgisayarlarımız ve hatta ofis kapılarımız şifreler yerine giderek daha fazla parmak izi ve yüz taramalarına dayanıyor. Peki bu biyometrik "anahtarlar" kopyalanır veya bozulursa ne olur — ve kimlerin içeri gireceğine karar veren bilgisayar modellerine nasıl güvenebiliriz? Bu makale, yüz ve parmak izi verilerini daha doğru, daha gizlilik odaklı ve insanlar için daha anlaşılır şekilde birleştirmeyi amaçlayan yeni bir yöntem sunuyor; yarının dijital kilitlerinin nasıl çalışabileceğine dair bir önizleme sağlıyor.

Tek bir özellik yerine iki özellik kullanmak

Yalnızca parmak izi veya yalnızca yüz tarayan tek modlu biyometrik sistemler, görüntü bulanıksa, ışık zayıfsa veya kısmen kapalıysa zorluk yaşayabilir. Yazarlar hem yüz hem de parmak izini birlikte kullanan çokmodlu bir sistem geliştiriyor. Her görüntü önce temizlenir: yüzler tespit edilir ve göz, burun ve ağız standart bir konuma gelecek şekilde hizalanırken, parmak izleri gürültü giderme, ikili hale getirme ve sırtlardaki en bilgilendirici merkezi alanın kırpılması işlemlerinden geçirilir. Bu dikkatli hazırlık, daha sonraki adımları aydınlatma değişiklikleri, parmak basıncı veya arka plan karışıklığı gibi günlük sorunlara karşı daha sağlam hale getirir.

Kimliğin kompakt dijital "hissini" öğretmek

Kenarlar veya elle tasarlanmış doku desenleri gibi özellikleri elle oluşturmak yerine, sistem "channel attention" mekanizmasıyla güçlendirilmiş modern bir derin öğrenme modeli olan MobileNetV2 kullanır. Basitçe söylemek gerekirse, bu ağ bir görüntünün hangi kısımlarının insanları ayırt etmek için en önemli olduğunu ve hangilerinin güvenle göz ardı edilebileceğini öğrenir. Her yüz ve her parmak izi için gömme (embedding) adı verilen kısa sayısal bir parmak izi üretir. Bu kompakt özetler, bireyleri ayırt edebilecek kadar ayırt edici olurken, saklama ve işleme açısından da verimli olacak şekilde tasarlanmıştır.

Sistemin hangi sinyale güveneceğine karar vermesine izin vermek

Gerçek dünya verileri karmaşıktır: lekeli bir parmak izi veya loş ışıklı bir selfie, güçlü bir modeli bile yanıltabilir. Bunu ele almak için yazarlar Güvene Uyumlu Füzyon (Trust-Adaptive Fusion, TAF) yöntemini tanıtıyor. Sistem her modaliyette ne kadar güvenilir olduğunu tahmin eder ve bu güven seviyelerini güven skorlarına dönüştürür. Yüz ve parmak izi özelliklerini basitçe üst üste koymak yerine, birleşik bir temsil oluşturulurken daha güvenilir olana daha fazla, düşük kaliteli olana daha az ağırlık verir. Bu dinamik ağırlıklandırma, bir bilgi kaynağı bozulduğunda veya kısmen eksik olduğunda sistemin doğruluğunu korumasına yardımcı olur.

Verileri kilitleyip yine de hesaplama yapmak

Biyometrik özellikler şifreler gibi değiştirilemediği için korunmaları hayati önem taşır. Bu nedenle sistem ham özellikleri asla açık şekilde saklamaz veya karşılaştırmaz. Bunun yerine, füzyonlanmış özellik vektörünü homomorfik şifreleme olarak bilinen özel bir teknikle şifreler. Bu yöntem, sunucunun veriler şifreli durumda iken saklanan şablon ile yeni bir giriş denemesi arasındaki benzerliği ölçme işlemini gerçekleştirmesine olanak tanır. Sadece son benzerlik sonucu çözüldüğü için, altta yatan biyometrik şablon işi yapan sunucudan bile gizli kalır.

Kararmış kutuyu açmak

Derin öğrenme modelleri sıklıkla opak olmakla eleştirilir. Bunu ele almak için yazarlar Grad-CAM adlı bir görselleştirme yöntemini entegre eder. Belirli bir karar için Grad-CAM, sonucu en çok etkileyen yüz veya parmak izi görüntüsündeki bölgeleri vurgular. Yüz görüntülerinde sistem göz, burun ve ağız çevresine odaklanırken, parmak izi görüntülerinde sırt sonları ve dallanma noktalarına yoğunlaşır; gürültülü arka planlara değil. Bu ısı haritaları, modelin tesadüfi artefaktlar yerine mantıklı ipuçlarına dayandığını kullanıcıların ve sistem tasarımcılarının doğrulamasına yardımcı olur.

Ne kadar iyi çalıştığı ve neden önemli olduğu

Önerilen sistem yüzler ve parmak izleri için standart açık veri kümelerinde test edilmiş ve son derece düşük hata oranları göstermiştir: sahte bir kişiyi gerçek bir kullanıcıyla karıştırması veya yasal bir kullanıcıyı reddetmesi çok nadirdir. Kritik olarak, bu sonuçlar tüm eşleştirme işlemleri şifrelenmiş alanda yapılsa bile geçerlidir; bu da güçlü gizlilik korumalarının performansı önemli ölçüde zayıflatmadığını gösterir. Günlük kullanıcılar için çıkarılacak sonuç şudur: birden fazla biyometrik özelliği birleştirmek, bunları kaliteye göre ağırlıklandırmak ve gelişmiş şifreleme ile korumak, tek bir karmaşık şifreyi hatırlamamızı gerektirmeden dijital erişimi hem daha güvenli hem de daha güvenilir kılabilir.

Atıf: Chitrapu, P., Morampudi, M.K. & Kalluri, H.K. A secure and explainable multimodal biometric system using trust adaptive fusion for face and fingerprint. Sci Rep 16, 14244 (2026). https://doi.org/10.1038/s41598-026-43252-x

Anahtar kelimeler: biyometrik kimlik doğrulama, yüz ve parmak izi, gizliliği koruyan güvenlik, derin öğrenme, açıklanabilir AI