Unconstrained and Constrained Ear Recognition Using Deep Learning Architectures

Abstract

For a long time now, a means to identify individuals by their physical traits has become crucial. Indeed, identification can be the difference between freedom and imprisonment, it can be the difference between a safer world or a more dangerous one. While each biometric has its own advantages and disadvantages, the ear, in particular, is one of, if not the most useful for forensic investigators because of its slowly changing nature, empowering them can mean empowering justice. This research proposes a new deep-learning model, that is trained and tested on both constrained (AMI) and unconstrained (AWE, EarVN) ear databases of individuals. The model takes an ear image as an input, then it outputs the predicted identity of the individual from the database it was trained on. The proposed approach takes advantage of various factors that affect a deep learning model’s accuracy. The most significant of which are the feature extractor, image augmentation, regularization, optimizer and fine-tuning. This research develops the model with these factors in mind and explores finding the best combination of these techniques to maximize the accuracy and robustness of the system. The developed approach has shown very promising results, consistently identifying at least 94.7% of individuals in the EarVN database and even higher in the other two. Keywords: Deep Learning, Computer Vision, Biometrics, Constrained Ear Recognition, Unconstrained Ear Recognition

Uzun bir süredir, bireyleri fiziksel özelliklerine göre tanımlamanın bir yolu çok önemli hale geldi. Gerçekten de kimlik saptama, özgürlük ve tutsaklık arasındaki fark olabilir, daha güvenli bir dünya ile daha tehlikeli bir dünya arasındaki fark olabilir. Her biyometriğin kendi avantajları ve dezavantajları olsa da, özellikle kulak, yavaş değişen doğası nedeniyle adli tıp araştırmacıları için en yararlı olmasa da biridir, onları güçlendirmek adaleti güçlendirmek anlamına gelebilir. Bu araştırma, bireylerin hem kısıtlanmış (AMI) hem de kısıtlanmamış (AWE, EarVN) kulak veritabanları üzerinde eğitilmiş ve test edilmiş yeni bir derin öğrenme modeli önermektedir. Model, bir kulak görüntüsünü girdi olarak alır, ardından eğitildiği veri tabanından bireyin tahmin edilen kimliğini çıkarır. Önerilen yaklaşım, bir derin öğrenme modelinin doğruluğunu etkileyen çeşitli faktörlerden yararlanır. Bunların en önemlileri, öznitelik çıkarıcı, görüntü çoğaltma, düzenleme, optimize edici ve ince ayardır. Bu araştırma, modeli bu faktörleri göz önünde bulundurarak geliştirir ve sistemin doğruluğunu ve sağlamlığını en üst düzeye çıkarmak için bu tekniklerin en iyi kombinasyonunu bulmayı araştırır. Geliştirilen yaklaşım, EarVN veri tabanındaki bireylerin en az %94,7'sini tutarlı bir şekilde ve diğer ikisinde daha da yüksek bir şekilde tanımlayarak çok umut verici sonuçlar göstermiştir. Anahtar Kelimeler: Derin Öğrenme, Bilgisayarla Görü, Biyometri, Kısıtlı Kulak Tanıma, Kısıtlamasız Kulak Tanıma