Driver recognition and driver verification using data mining techniques

Abstract

Bu tez sürücü tanıma ve sürücü onaylama çalısmalarını içermektedir. Bu çalısmalar içinsürücülerden toplanan bes degisik davranıs isaretleri kullanılmıstır. Bu isaretler yardımıylasürücülerin öznitelikleri çıkarılmıs ve Karma Gauss Dagılım Modelleri kullanılarak sürücüdavranısları modellenmistir. Karma Gauss Dagılım Modellerinin egitilmesi için BeklentiEnbüyütme algoritması kullanılmıstır. Sürücü tanıma çalısması için kimlikleri sınama verilerikullanılarak art olasılıklar elde edilmis ve bu olasılıklar aynı zamanda her sınıf için puanolarak kabul edilmistir. Bu puanların tümlestirilmesi için sabit kurallar ve egitilebilirtümlestiriciler kullanılmıstır. Sürücü dogrulama çalısması için olabilirlik oranının bir esiklekarsılastırılması yapılmıstır. Degisik esik degerleri için yanlıs kabul-yanlıs red sıklıklarınıgrafiklemek için alıcı isletim egrisi kullanılmıstır. Bu çalısmanın amacı degisik sınıflandırıcıtümlestirme yöntemlerinin sürücü tanıma ve sürücü dogrulama performanslarına etkilerininincelenmesidir. Egitilebilir tümlestirme yöntemleri ve sürücü davranıs sinyalleri kullanılaraksürücü tanımasında ve dogrulamasında düsük hata oranları elde edilmistir. Sonuçlarımız çokmodlu sürüs sinyallerinin sınıflandırıcı tümlestirme yöntemleri ile kullanıldıgında sürücününaraba içi sartlarda tanınması ve onaylanmasında çok etkili olduklarını göstermistir.

In this thesis we present our research in driver recognition and driver verification. The goal ofthis study is to investigate the affect of different classifier fusion techniques on theperformance of driver recognition and driver verification. We are using five different drivingbehavior signals for identifying the driver identities. Driving features were extracted fromthese signals and Gaussian Mixture Models were used for modeling the driver behavior.Gaussian Mixture Model training was performed using the well-known EM algorithm. Inrecognition study posterior probabilities of identities called scores were obtained with thegiven test data. These scores were combined using different fixed and trainable (adaptive)combination methods. In verification study we compared posterior probabilities with fixedthreshold values for each classifier. For different thresholds, false-accept rate versus falserejectrate was plotted using the receiver operating characteristics curve. We observed lowererror rates when we used trainable combiners. We conclude that combined multi-modal signalor classifier methods are very successful in biometric recognition and verification of a personin a car environment.