ناقشت رسالة الماجستير في كلية علوم الحاسوب وتكنولوجيا المعلومات بجامعة القادسية والموسومة
(التعرف على الهوية غير المتغيرة باستعمال طباعة الكف)
لطالبة الماجستير نورا هادي ناجي بأشراف أ.م.د.علي محسن محمد على قاعة الدكتور محمد عباس الجبوري .
هدفت الرسالة الى التعرف على بصمة اليد باعتبارها تقنية بيومترية ناشئة حظيت باهتمام كبير في السنوات القريبة الماضية لدقّتها العالية وموثوقيّتها في تحديد الأفراد فبصمة اليد تعدّ ميزة فريدة يمكن تحديد الهوية عن طريقها، كبصمات الأصابع أو التعرف على الوجه.
وتعمل تقنية التعرف على بصمة اليد عن طريق إلتقاط صورة للميزات الفريدة لراحة اليد، مثل الخطوط والبروزات والتجاعيد، وتستعمل خوارزميات الكمبيوتر لإنشاء نموذج بيولوجي يمكن استعماله لأغراض التعرف على الأشخاص وجدير بالذكر إن هذه التكنولوجيا لها شعبية لأنها غير مُكلفة وسهلة الاستعمال ويمكن أن توفر مستوى عالٍ من الأمان لأنظمة تحديد الهوية الشخصية في عصر التكنولوجيا الحالي، فالأمن ذو أولوية قصوى.
إن تقنية التعرف على بصمة اليد ذات قدرة تجعلها تصبح أداة قيّمة في مختلف الصناعات، مثل التمويل والرعاية الصحية والحكومة الإلكترونية، لضمانها التحديد الدقيق والآمن للأفراد.
بينت الرسالة دراسة وشرح استعمال التقنيات الحديثة
في الذكاء الإصطناعي بهدف التعرف على بصمة اليد؛ وبناءً عليه، تم تطوير نظام يعتمد هذه التقنيات ويختبرها بناءً على مجموعة بيانات حقيقية كقاعدة بيانات الصور اليدوية ثلاثية الأبعاد / ثنائية الأبعاد التابعة لجامعة هونغ كونغ للفنون التطبيقية (HKPU)؛ وتتم قراءة مجموعة البيانات هذه ومعالجتها بشكل صحيح لجعلها مناسبة للمراحل التالية، كذلك يستعمل تقنية تقطيع الصور لتمييز اليد عن الخلفية، بعد ذلك يتم استعمال تقنية التحويل المسافي لتحديد مركز اليد، ويستعمل فلتر CLAHE لتقوية وتعزيز ملامح المنطقة الوسطية لراحة اليد .
ويمكن تقسيم الأنظمة المُطَوَرة في هذا العمل إلى ثلاثة أجزاء يتضمن الجزء الأول تصميمات CNN جديدة يتم تدريبها باستعمال خصائص مختلفة، كاستخراج الميزات من الصور وتصنيفها،تم تطوير النماذج بشكل أكبر مع زيادة البيانات، لجعل النموذج أكثر دقة وقوة، وفي الجزء الثاني يتم تدريب بعض نماذج التعليم المدربة مسبقا (Transfer Learning) الشهيرة والمستعملة بشكل واسع على مجموعة البيانات نفسها، لفحص أدائهم في كل من مرحلتي التدريب والاختبار ، عن طريق النظر في الدقة والتعقيد الزمني، أما في الجزء الثالث فيتم استعمال نهج جديد أيضًا لفحص أدائه على مجموعة البيانات المستعملة وتم تصميم نموذج (Autoencoder) وتدريبه على
مجموعة البيانات .
أظهرت النتائج التي تم الحصول عليها لكل من الدقة والتعقيد الزمني أداءً واعدًا، وتمّ الحصول على نتائج من كل من نموذج CNN الثاني و Autoencoder أفضل من النتائج التي حصل عليها باحثون آخرون في قاعدة بيانات الصور اليدوية ثلاثية الأبعاد/ثنائية الأبعاد في جامعة هونغ كونغ للفنون التطبيقية.
