عنوان الرسالة باللغة الانكيزية : Verifying The Facial Kinship Evidence to Assist Forensic Investigation Based on Deep Neural Networks
اسم الباحث : Ruaa Kadhim Khalaf Faraj
اسم المشرف : Assist. Prof. Dr. Noor Dhia Al-Shakarchy
تحميل الملفالملخص باللغة الانكليزية :
The human face contains a wealth of information that is influenced by genetics, therefore family members often share common facial characteristics due to their kinship. Kinship verification is a challenging problem in many important applications, such as forensic science, biometrics, and face recognition. Kinship verification provides a powerful tool in forensic investigations, contributing to the resolution of missing person cases, social media analysis, genealogy research, and historical study. Although a DNA test is the most accurate mean for kinship verification, it unfortunately, cannot be used in many scenarios such as situations that require real-time processing or applications where we have non-cooperative users, and it is also costly. The main aim of this thesis to verify if two people have a kinship by analyzing two face images together, extracting the relationship features between them, and then determining if they have Kin or not.
The proposed system presents a kinship verification system based on automatically learning discriminative features from facial images using a three-dimensional convolutional neural network with a new architecture. This system consists of two main stages: the preprocessing stage and the kinship verification stage, and each stage includes multiple steps that perform different functions. In the preprocessing stage, the input images are prepared to be suitable for deep neural network model by scaling and normalizing them. The kinship verification stage is implemented to provide the kinship decision in two steps: the feature extraction step to extract the salient facial features as well as tracking these features in two input images, and then the classification step to decide on those images: kin or not.
The extensive experiments revealed that the 3D CNN had promising results compared with many state-of-the-art approaches. The accuracy of the proposed system reached 83.75% in the KinFaceW-I dataset, 91% in the KinFaceW-II dataset, and 75.5% in the FIW dataset.
عنوان الرسالة باللغة العربية : التحقق من أدلة قرابة الوجه للمساعدة في تحقيقات الطب الشرعي بناءً على الشبكات العصبية العميقة
اسم الباحث باللغة العربية : رؤى كاظم خلف فرج
اسم المشرف باللغة العربية : أ.م.د نور ضياء كاظم
الملخص باللغة العربية :
يحتوي الوجه البشري على ثروة من المعلومات التي تتأثر بالوراثة، لذلك غالبًا ما يتشارك أفراد الأسرة في سمات وجه مشتركة بسبب قرابتهم. يعد التحقق من القرابة مشكلة صعبة في العديد من التطبيقات المهمة، مثل علم الطب الشرعي، والقياسات الحيوية، والتعرف على الوجوه. يوفر التحقق من القرابة أداة قوية في تحقيقات الطب الشرعي، مما يساهم في حل قضايا الأشخاص المفقودين، وتحليل وسائل التواصل الاجتماعي، وأبحاث الأنساب، والدراسة التاريخية. على الرغم من أن اختبار الحمض النووي هو الوسيلة الأكثر دقة للتحقق من القرابة، إلا أنه للأسف لا يمكن استخدامه في العديد من السيناريوهات، مثل المواقف التي تتطلب معالجة في الوقت الفعلي أو التطبيقات التي يكون لدينا فيها مستخدمون غير متعاونين، كما أنه مكلف أيضًا. الهدف الرئيسي من هذه الأطروحة هو التحقق مما إذا كان هناك شخصان لديهما صلة قرابة من خلال تحليل صورتي وجهين معًا، واستخراج سمات العلاقة بينهما، ومن ثم تحديد ما إذا كان لديهم قرابة أم لا.
يقدم النظام المقترح نظامًا للتحقق من القرابة يعتمد على التعلم التلقائي للميزات التمييزية من صور الوجه باستخدام شبكة عصبية تلافيفية ثلاثية الأبعاد ذات بنية جديدة. يتكون هذا النظام من مرحلتين رئيسيتين: مرحلة المعالجة المسبقة ومرحلة إثبات القرابة، وتتضمن كل مرحلة خطوات متعددة تؤدي وظائف مختلفة. في مرحلة المعالجة المسبقة، يتم إعداد الصور المدخلة لتكون مناسبة لنموذج الشبكة العصبية العميقة عن طريق قياسها وتطبيعها. يتم تنفيذ مرحلة التحقق من القرابة لتوفير قرار القرابة في خطوتين: خطوة استخراج السمات لاستخراج ملامح الوجه البارزة وكذلك تتبع هذه السمات في صورتين مدخلتين، ومن ثم خطوة التصنيف لاتخاذ قرار بشأن تلك الصور: قريب أم لا.
كشفت التجارب المكثفة أن شبكة CNN ثلاثية الأبعاد حققت نتائج واعدة مقارنة بالعديد من الأساليب الحديثة. وصلت دقة النظام المقترح إلى 83.75% في مجموعة بيانات KinFaceW-I، و91% في مجموعة بيانات KinFaceW-II، و75.5% في مجموعة بيانات FIW.
