Otomatik Parmak İzi Analizi Gerçekliğe Bir Adım Daha Yaklaşmaktır

Fotoğraf: Gizli parmak izinden otomatik olarak çıkarılan özellikler: (a) manuel olarak işaretlenmiş ilgili bölge ile giriş latent, (b) kırpılmış latent üzerine yükselti akımı kaplanmış, (c) yükselti özelliği haritası, ve (d) minutiae (beyaz daireler) ve çekirdek noktalar (yeşil daireler) de dahil olmak üzere karşılaştırma noktaları olarak kullanılabilen özellikler.

Bilim adamları, adli parmak izi analizlerinin, daha güvenilir ve verimli olmasını sağlayacak önemli bir aşamayı otomatikleştiren algoritma geliştirdi.

Amerika Birleşik Devletleri’nde parmak izi delillerini içeren ilk büyük dava 1911’de Chicago’da Thomas Jennings’in cinayet davasıydı. Jennings gece yarısında bir eve girdi ve ev sahibi tarafından farkedildiğinde, adamı vurdu. Olay yerinde bırakılan parmak izlerine dayanılarak mahkum edildi ve önümüzdeki yüzyılın çoğunda, parmak izleri hem mahkemelerde hem de kamusal imgelemde yanılmaz bir kimlik tespit yöntemi olarak kabul edildi.

Amerika Birleşik Devletleri’nde parmak izi delillerini içeren ilk büyük dava 1911’de Chicago’da Thomas Jennings’in cinayet davasıydı. Jennings gece yarısında bir eve girdi ve ev sahibi tarafından farkedildiğinde,adamı vurdu. Olay yerinde bırakılan parmak izlerine dayanılarak mahkum edildi ve önümüzdeki yüzyılın çoğunda, parmak izleri hem mahkemelerde hem de kamusal imgelemde yanılmaz bir kimlik tespit yöntemi olarak kabul edildi.

Ancak son zamanlarda yapılan araştırmalar, parmak izi incelemesinin hatalı sonuçlara sebep olabileceğini gösteriyor. Örneğin, Ulusal Bilimler Akademisi’nden bir 2009 raporu, sonuçların “incelemeciden incelemeciye tekrar edilemez olduğunu” buldu ve deneyimli incelemeciler bile,daha sonraki bir tarihte aynı baskıyı tekrar gözden geçirirken kendi sonuçlarına katılmayabileceklerini tespit ettiler. Bu durum, masum insanların yanlışlıkla suçlanmalarına ve suçluların daha fazla suç işlemeleri için serbest kalmasına neden olabilir.

Fakat bilim adamları insan hatasından kaynaklanan durumları azaltmak için çalışıyorlar. Bu hafta,Ulusal Standartlar ve Teknoloji Enstitüsü (NIST) ve Michigan State Üniversitesi’nden bilim adamları, parmak izi analiz sürecinde önemli bir aşamayı otomatikleştiren algoritma geliştirdiklerini bildiriyorlar. Araştırmaları Adli Bilimler ve Güvenliği üzerine IEEE İşlemlerinde yayınlandı.

NIST’de bilgisayar mühendisiliği yapan ve araştırmanın yazarlarından biri olan Elham Tabassi; “İnsanlar bir suç mahalinde parmak izi incelediğinde,işlem doğal olarak kişiye bağlıdır” dedi. “İnsan göreceliliğini azaltarak, parmak izi analizini daha güvenilir ve verimli yapabiliriz.”

Temel Karar Noktası

Tüm parmak izleri yüksek nitelikli olsaydı, onları eşleştirmek çocuk oyuncağı olurdu. Örneğin bilgisayarlar, 10 parmağınızı olduğu gibi bir parmak izi kartı veya tarayıcıya koyduğunuzda, kontrollü koşullar altında toplananlar, iki boyutlu baskıyla kolayca eşleştirebilirler.

Michigan State Üniversitesi’nde bilgisayar bilimcisi ve araştırmanın yazarlarından olan Anil Jain, “Ancak bir olay yerinde failin iyi izi nasıl bırakacağı konusunda yönlendiren kimse yoktur” dedi. Sonuç olarak,bir suç mahallinde bırakılan parmak izleri –gizli izler olarak adlandırılır-genellikle tam olmayan,bozuk ve lekelidir. Ayrıca,iz yirmi dolarlık bir banknot gibi komplike bir zemine bırakılırsa,izi arka plandan ayırmak zor olabilir.

Bu nedenle, bir incelemeci suç mahallinden gizli izler aldığında, ilk adım ne kadar işe yarar bilgi içerdiğini değerlendirmektir.

Jain, “Bu ilk adım adli toplulukta standart bir uygulamadır” dedi. “Bu, otomatikleştirdiğimiz bir adımdır.”

Bu adımın ardından iz yeterli işe yarar bilgiyi içeriyorsa, Otomatik Parmak İzi Tanıma Sistemi’ne gönderilebilir. AFIS (AY-fiss olarak telaffuz edilir) daha sonra veritabanını arar ve incelemecinin kesin bir eşleşme aramak üzere değerlendireceği potansiyel eşleşmelerin listesini verir.

Fakat parmak izi niteliği ile ilgili ilk karar önemlidir.

Tabasi, “Eğer yeterli bilgiye sahip olmayan bir izi AFIS’e gönderirseniz, hatalı eşleşmeler yapma ihtimaliniz artar” dedi. Öte yandan, “Eğer gerçekten yeterli bilgiye sahip bir izi göndermezseniz, fail yakalanmaktan kurtulur.”

Şu anda, baskı kalitesini değerlendirme süreci görecelidir ve farklı incelemeciler farklı sonuçlara varmaktadırlar. Bu adımı otomatikleştirmek sonuçların tutarlı olmasını sağlar. Tabassi, “Bu hataları inceleyip zamanla onları düzeltmenin yollarını bulabileceğimiz anlamına geliyor” dedi.

Bu adımı otomatikleştirmek parmak izi incelemecilerinin kanıtları daha verimli bir şekilde işleyebilmelerini de sağlayacaktır. Bu,bekleme sürelerinin azaltmasına, suçları daha çabuk çözmelerine ve çok çalışma gerektiren zorlu izler üzerine daha fazla zaman harcamalarına imkan sağlayacak. 

Algoritma Eğitimi

Araştırmacılar, makine bilgilerini, algoritmayı oluşturmak için kullandılar. Bilgisayarın izlemesi gereken açık talimatları yazdığınız  ,makine biliminde,geleneksel programlamanın aksine,bilgisayarı örnekleri göstererek izleri tanıması için eğitirsiniz.

Araştırmacılar eğitim örnekleri için, 31 parmak izi uzmanının her birinin yaptığı 100 gizli iz analizlerini aldılar ve her birinin niteliklerini 1’den 5’e kadar puanladılar. Bu izler ve puanlar, gizli bir izin ne kadar bilgi içerdiğini belirlemek amacıyla algoritmayı eğitmek için kullanıldı.

Eğitim tamamlandıktan sonra, araştırmacılar algoritmanın performansını, yeni bir dizi gizli iz testi yaparak test ettiler. Daha sonra bu izleri 25.000’den fazla izin olduğu veritabanına bağlı AFIS yazılımına teslim ettiler. Gizli baskılardaki tüm veriler bu veritabanında eşleşmişti ve AFIS’den onları bulmalarını istediler.

Bu deneme senaryosu, gerçek dava işleminden farklıydı, çünkü bu testte, araştırmacılar her gizli iz için doğru eşleşmeyi biliyorlardı. Puanlama algoritması doğru şekilde çalışılmışsa,o zaman AFIS’in doğru eşleşmeyi bulma yeteneği nitelik sayısıyla ilişkilendirilmelidir. Başka bir deyişle, düşük nitelikli olduğu için atılan izler, hatalı sonuçlar üretme olasılığını daha çok yükseltir – bu nedenle,gerçek bir dava işleminde AFIS’e yanlışlıkla düşük nitelikli izleri göndermemek çok önemlidir – ve böylece yüksek kaliteli olarak atılan izler için doğru eşleşmeyi sağlama olasılığı daha fazla yükselir.

Bu metriğe dayanarak, puanlama algoritması, araştırmaya katılan insan incelemecilerinin ortalamasından daha iyi performans gösterdi.

Bu atılımı mümkün kılan şey, makine bilgisi ve bilgisayar görüşündeki son gelişmelerin yanı sıra, gizli izlerden oluşan geniş bir veri grubunun bulunmasıydı. Makine öğrenme algoritmaları, eğitim ve test için geniş veri grubuna ihtiyaç duyar ve şimdiye kadar genellikle gizlilik kaygılarından dolayı, gizli parmak izlerinin büyük veri grupları araştırmacılar için ulaşılabiir değildi. Bu durumda, Michigan Eyalet Polisi, araştırmacılara, önce tüm tanımlayıcı bilgilerin verilerini çıkardıktan sonra, deneme veri setini sağlamıştır.

Araştırmacılar için bir sonraki adım daha büyük bir veri grubu kullanmaktır. Bu, algoritmanın performansının artırmasına ve hata oranını daha doğru bir şekilde ölçmesine imkan sağlar.

Tabassi, “250.000 izin bulunduğu bir veritabanına karşı algoritmamızı çalıştırdık, ancak milyonlarca kişiye uygulamamız gerekiyor” dedi. “Bunun gibi bir algoritma son derece güvenilir olmalı çünkü hayatlar ve özgürlükler tehlikeye giriyor.”

Kaynak : sciencedaily.com