Design and Implementation of a Face Recognition-Based Access Control System with Active Liveness Detection

Öz

Face recognition-based access control systems have gained significant attention due to their contactless operation, ease of deployment, and practical applicability in security-sensitive environments. However, the vulnerability of conventional face recognition systems to spoofing attacks, such as printed photographs and replayed videos, remains a major limitation. In this study, a real-time access control system enhanced with blink-based liveness detection is proposed and implemented to improve the security and reliability of biometric authentication. The developed framework integrates face detection, image preprocessing, 128-dimensional facial embedding extraction, Support Vector Machine (SVM)-based identity classification, Eye Aspect Ratio (EAR)-based blink analysis, and Arduino-assisted physical access control within a unified architecture. The system was evaluated using a custom dataset consisting of 300 facial images collected from six users under varying pose and illumination conditions. Experimental results showed that the proposed system achieved an overall face recognition accuracy of 95.7%, while the normal recognition scenario reached a success rate of 98%. The liveness detection module successfully prevented 96% of static photo attacks and 90% of replay-based attacks, demonstrating the effectiveness of blink-based verification as an additional security layer. In terms of computational performance, the system maintained real-time operability with acceptable response times on standard hardware. The findings indicate that the proposed low-cost and modular architecture provides a practical and efficient solution for secure access control applications. Furthermore, the study highlights that combining identity recognition with liveness verification significantly improves the robustness of face-based authentication systems against presentation attacks.

Anahtar Kelimeler

• Face recognition
• liveness detection
• artificial intelligence
• biometric security

Aktif Canlılık Tespiti Özelliğine Sahip Yüz Tanıma Tabanlı Erişim Kontrol Sisteminin Tasarımı ve Uygulanması

Öz

Yüz tanıma tabanlı erişim kontrol sistemleri, temassız çalışma, kolay kurulum ve güvenlik açısından hassas ortamlarda pratik uygulanabilirliği nedeniyle önemli ilgi görmüştür. Bununla birlikte, geleneksel yüz tanıma sistemlerinin basılı fotoğraflar ve tekrar oynatılan videolar gibi sahte saldırılara karşı savunmasızlığı önemli bir sınırlama olmaya devam etmektedir. Bu çalışmada, biyometrik kimlik doğrulamanın güvenliğini ve güvenilirliğini artırmak için göz kırpma tabanlı canlılık tespiti ile geliştirilmiş gerçek zamanlı bir erişim kontrol sistemi önerilmiş ve uygulanmıştır. Geliştirilen çerçeve, yüz tespiti, görüntü ön işleme, 128 boyutlu yüz gömme çıkarımı, Destek Vektör Makinesi (SVM) tabanlı kimlik sınıflandırması, Göz En Boy Oranı (EAR) tabanlı göz kırpma analizi ve Arduino destekli fiziksel erişim kontrolünü birleşik bir mimari içinde entegre etmektedir. Sistem, farklı poz ve aydınlatma koşulları altında altı kullanıcıdan toplanan 300 yüz görüntüsünden oluşan özel bir veri seti kullanılarak değerlendirilmiştir. Deneysel sonuçlar, önerilen sistemin %95,7'lik genel bir yüz tanıma doğruluğuna ulaştığını, normal tanıma senaryosunun ise %98'lik bir başarı oranına ulaştığını göstermiştir. Canlılık tespiti modülü, statik fotoğraf saldırılarının %96'sını ve tekrar oynatma tabanlı saldırıların %90'ını başarıyla önleyerek, göz kırpma tabanlı doğrulamanın ek bir güvenlik katmanı olarak etkinliğini göstermiştir. Hesaplama performansı açısından, sistem standart donanımda kabul edilebilir yanıt süreleriyle gerçek zamanlı çalışabilirliği korumuştur. Bulgular, önerilen düşük maliyetli ve modüler mimarinin güvenli erişim kontrol uygulamaları için pratik ve verimli bir çözüm sağladığını göstermektedir. Ayrıca, çalışma, kimlik tanımayı canlılık doğrulamasıyla birleştirmenin, yüz tabanlı kimlik doğrulama sistemlerinin sunum saldırılarına karşı dayanıklılığını önemli ölçüde artırdığını vurgulamaktadır.

Anahtar Kelimeler

• Yüz tanıma
• canlılık tespiti
• yapay zeka
• biyometrik güvenlik

Kaynakça

1. [1] Ahonen, T., Hadid, A., & Pietikäinen, M. (2004, May). Face recognition with local binary patterns. In European conference on computer vision (pp. 469-481). Berlin, Heidelberg: Springer Berlin Heidelberg.
2. [2] Yucer, S., Tektas, F., Al Moubayed, N., & Breckon, T. (2024). Racial bias within face recognition: A survey. ACM Computing Surveys, 57(4), 1-39.
3. [3] Taigman, Y., Yang, M., Ranzato, M. A., & Wolf, L. (2014). Deepface: Closing the gap to human-level performance in face verification. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1701-1708).
4. [4] Parkhi, O., Vedaldi, A., & Zisserman, A. (2015). Deep face recognition. In BMVC 2015-Proceedings of the British Machine Vision Conference 2015. British Machine Vision Association.
5. [5] Soukupova, T., & Cech, J. (2016, February). Eye blink detection using facial landmarks. In 21st computer vision winter workshop, Rimske Toplice, Slovenia (Vol. 2, p. 4).
6. [6] Schroff, F., Kalenichenko, D., & Philbin, J. (2015). Facenet: A unified embedding for face recognition and clustering. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 815-823).
7. [7] Li, Z., & Sun, H. (2023). Artificial intelligence-based spatio-temporal vision sensors: applications and prospects. Frontiers in Materials, 10, 1269992.
8. [8] Lifelo, Z., Ding, J., Ning, H., & Dhelim, S. (2024). Artificial intelligence-enabled metaverse for sustainable smart cities: Technologies, applications, challenges, and future directions. Electronics, 13(24), 4874.

9. [9] Boulkenafet, Z., Komulainen, J., & Hadid, A. (2016). Face spoofing detection using colour texture analysis. IEEE Transactions on Information Forensics and Security, 11(8), 1818-1830.
10. [10] Gao, G., Wang, Y., Chen, Y., Yang, G., Yao, L., Zhang, X., ... & Li, G. (2024). An oriented ship detection method of remote sensing image with contextual global attention mechanism and lightweight task-specific context decoupling. IEEE Transactions on Geoscience and Remote Sensing, 63, 1-18.
11. [11] Patel, K., Han, H., & Jain, A. K. (2016). Secure face unlock: Spoof detection on smartphones. IEEE transactions on information forensics and security, 11(10), 2268-2283.
12. [12] Yu, Z., Qin, Y., Li, X., Zhao, C., Lei, Z., & Zhao, G. (2022). Deep learning for face anti-spoofing: A survey. IEEE transactions on pattern analysis and machine intelligence, 45(5), 5609-5631.
13. [13] Erin, K., Bingöl, B., & Boru, B. (2022). YOLO–Based waste detection. Journal of Smart Systems Research, 3(2), 120-127
14. [14] Erin, K., Kutlu, M. Ç., & Boru, B. (2022). Comparison of gesture classification methods with contact and non-contact sensors for human-computer interaction. Sigma Journal of Engineering and Natural Sciences, 40(2), 219-226.
15. [15] Erin, K., Bayılmış, C., & Boru, B. (2021). İvmeölçer ve Nesnelerin İnterneti Tabanlı Gerçek Zamanlı İnsan Aktivite Tespiti. Academic Platform-Journal of Engineering and Science, 9(1), 194-198.
16. [16] Viola, P., & Jones, M. J. (2004). Robust real-time face detection. International journal of computer vision, 57(2), 137-154.
17. [17] Rupani, V. S. K., Thushar, V. V. S., & Tejith, K. (2024). Real-Time Drowsiness Detection Using Eye Aspect Ratio and Facial Landmark Detection. arXiv preprint arXiv:2408.05836..
18. [18] İlyas, C., Köse, B., Türk, A., & Çetinkaya, A. (2025). Gerçek Zamanlı Yüz Tespiti İçin Yapay Sinir Ağı Tabanlı Bir Görüntü Analizi Yaklaşımı. Veri Bilimi, 8(1), 77-88.
19. [19] Peker, N. Y., Zengin, A., Erdem, Ç. E., & Demirsoy, M. S. (2023). Göz kirpma tespiti için yeni bir uyarlamali eşik değeri algoritmasi. Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, 31(2), 718-728.
20. [20] El Naser, Y. H., Karayel, D., Demirsoy, M. S., Sarıkaya, M. S., & Peker, N. Y. (2024). Robotic arm trajectory tracking using image processing and kinematic equations. Black Sea Journal of Engineering and Science, 7(3), 436-444.
21. [21] El Naser, Y. H., Demirsoy, B., Erin, K., & Demirsoy, M. S. Chaotic Speed Control of a DC Motor Using the Sprott-A System for Robotic End-Effector Applications. Black Sea Journal of Engineering and Science, 8(5), 1406-1414.
22. [22] Demirsoy, B., Yılmaz, Ö., & Demirsoy, M. S. (2025). Machine Learning and Artificial Intelligence Approaches for Drone Detection Using YOLOv11 Algorithm. Journal of Smart Systems Research, 6(2), 127-144.