Örtülü Yüzlerin Tanınmasında Haar Cascade ve MongoDB Entegrasyonuyla Geliştirilen Yüz Tanıma Sisteminin (YTS) Performans Değerlendirmesi

Abstract

Her ne kadar geleneksel yüz tanıma sistemleri (YTS) maske takılıp takılmadığını belirli bir başarı oranında belirleyebilseler de maske takan kişilerin yüzlerinin büyük bir kısmının örtülü olması nedeniyle başarısız olabilmektedirler. Özellikle maske takan bireylerin yüzlerinin önemli bir kısmının örtülü olmasından kaynaklanan zorluklar mevcut YTS'lerin performansını sınırlamaktadır. Bu araştırmada maske takılmış yüz tanıma için Haar Cascade yönteminin OpenCV kütüphanesi kullanılarak gerçek zamanlı olarak MongoDB veritabanı ile entegrasyonun yapılması ve bu durumun kapsamlı deneylerle performansının ortaya konması amaçlanmıştır. Deneylerde maskeli yüzlerin büyük bir kısmının örtülü olduğu gerçekçi yüz görüntülerinden bu çalışma kapsamında oluşturulan veri seti kullanılmıştır. Araştırmamız, yüz tanıma doğruluğunun maskelenmiş yüzler için %85, maskesiz yüzler için %61 ve yüzün yarısı farklı bir nesne tarafından kapatıldığında %41 olduğunu göstermiştir. Bu çalışmanın Haar Cascade yöntemini gerçek zamanlı veritabanı yönetimi entegrasyonuyla birleştirerek daha etkili ve uygulanabilir bir maske tespit çözümü sunması bağlamında literatüre katkı sağlayacağı değerlendirilmektedir.

Keywords

• Yüz tanıma teknolojisi
• Maske takma
• COVID-19 pandemisi
• Haar Cascade yöntemi
• MongoDB veritabanı

Performance Evaluation of Face Recognition System (FRS) Developed with Haar Cascade and MongoDB Integration in Recognition of Covered Faces

Abstract

Although traditional face recognition systems (FRS) can detect with a certain success rate whether a mask is worn, they may fail due to the fact that most of the faces of the people who wear masks are covered. The difficulties arising from the fact that a significant part of the faces of individuals wearing masks are covered limits the performance of existing FRSs. In this research, it is aimed to integrate the Haar Cascade method with the MongoDB database in real time using the OpenCV library for mask-wearing face recognition and to demonstrate its performance with extensive experiments. In the experiments, the data set created within the scope of this study from realistic face images, in which most of the masked faces are covered, was used. Our research has shown that the accuracy of face recognition is 85% for masked faces, 61% for unmasked faces, and 41% when half of the face is covered by a different object. It is considered that this study will contribute to the literature in terms of providing a more effective and applicable mask detection solution by combining the Haar Cascade method with real-time database management integration.

Keywords

• Face recognition
• Mask wearing
• COVID-19 pandemic
• Haar Cascade method
• MongoDB database

References

1. Araujo, J. M. A., de Moura, A. C. E., da Silva, S. L. B., Holanda, M., de Oliveira Ribeiro, E., da Silva, G. L. (2021, June). Comparative performance analysis of NoSQL Cassandra and MongoDB databases. In 2021 16th Iberian Conference on Information Systems and Technologies (CISTI) (pp. 1-6). IEEE.
2. Atasoy, N. A., Tabak, D. (2018). Destek vektör makineleri kullanarak yüz tanıma uygulaması geliştirilmesi. Engineering Sciences, 13(2), 119-127.
3. Banker, K., Garrett, D., Bakkum, P., Verch, S. (2016). MongoDB in action: covers MongoDB version 3.0. Simon and Schuster.
4. Boicea, A., Radulescu, F., Agapin, L. I. (2012, September). MongoDB vs Oracle database comparison. In 2012 third international conference on emerging intelligent data and web technologies (pp. 330-335). IEEE.
5. Ciotti, M., Ciccozzi, M., Terrinoni, A., Jiang, W. C., Wang, C. B., Bernardini, S. (2020). The COVID-19 pandemic. Critical reviews in clinical laboratory sciences, 57(6), 365-388.
6. Conference on Electrical, Telecommunication and Computer Engineering (ELTICOM) (pp. 210-214). IEEE.
7. da Rocha França, W. (2015). MongoDB data modeling. Packt Publishing Limited.
8. Daşdemir, Y., Kara, B. C. (2019). Farklı iş yükleri altında NoSQL sistemlerinin performans analizi. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 8(4), 1466-1477.

9. Mongo, D. B. (2015). Mongodb.
10. Grudin, M. A. (2000). On internal representations in face recognition systems. Pattern recognition, 33(7), 1161-1177.
11. Karadağ, N., Çetinkaya, A., & Aydın, H. (2020). Yerel İkili Desenler Histogramları ile Covid-19 Tanılı Kişiler Üzerinde Kimlik Analizi ve Bildiri Sistemi. Gazi Mühendislik Bilimleri Dergisi, 6(3), 172-183.
12. Kekül, H., Bircan, H., Arslan, H. (2018). Yüz tanıma uygulamalarında özyüzler ve yapay sinir ağlarının karşılaştırılması. Uluslararası Yönetim Bilişim Sistemleri ve Bilgisayar Bilimleri Dergisi, 2(1), 51-59.
13. Kirby, M., Sirovich, L. (1990). Application of the Karhunen-Loeve procedure for the human faces. IEEE Trans. Pattern Analysis and Machine Intelligence, characterization, 12(1), 103-108.
14. Kolakowski, (2020, December, 3), 10 Most Popular Programming Languages on GitHub, GitHub Language Rankings, 2018-2020 (Accessed date: October 19, 2021) https://insights.dice.com/2020/12/03/10-most-popular-programming-languages-on-github/
15. Kortli, Y., Jridi, M., Al Falou, A., Atri, M. (2020). Face recognition systems: A survey. Sensors, 20(2), 342.
16. Lemenkova, P. (2020). Python libraries matplotlib, seaborn and pandas for visualization geospatial datasets generated by QGIS. Analele stiintifice ale Universitatii" Alexandru Ioan Cuza" din Iasi-seria Geografie, 64(1), 13-32.
17. Lutz, M. (2010). Programming Python: powerful object-oriented programming. " O'Reilly Media, Inc.".
18. Mamak, U., Konyar, M. Z., Solak, S., Uçar, M. H. (2020). Gerçek zamanlı yüz tanıma tabanlı personel kontrol ve takip sistemi tasarımı. Avrupa Bilim ve Teknoloji Dergisi, (19), 497-504.
19. Mundial, I. Q., Hassan, M. S. U., Tiwana, M. I., Qureshi, W. S., Alanazi, E. (2020, September). Towards facial recognition problem in COVID-19 pandemic. In 2020 4th International Conference on Electrical, Telecommunication and Computer Engineering (ELTICOM) (pp. 210-214). IEEE.
20. Ngo, H. T., Rakvic, R. N., Broussard, R. P., Ives, R. W. (2009, May). An FPGA-based design of a modular approach for integral images in a real-time face detection system. In Mobile Multimedia/Image Processing, Security, and Applications 2009 (Vol. 7351, pp. 83-92). SPIE.
21. Özdemir, R., & Mehmet, K. O. Ç. (2019). Yeni bir veri kümesi (RidNet) kullanarak kontrolsüz ortamda yüz ifadesi tanımanın derin öğrenme yöntemleri ile iyileştirilmesi. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 6(2), 384-396.
22. Parmar, D. N., Mehta, B. B. (2014). Face recognition methods & applications. arXiv preprint arXiv:1403.0485.
23. Saran, M., Saran, N. (2019). Cassandra ve MongoDB NoSQL Veri Tabanlarının Karşılaştırmalı Güvenlik Analizi. Uluslararası Bilgi Güvenliği Mühendisliği Dergisi, 5(2), 1-11.
24. Terzopoulos, D., Waters, K. (1990, January). Analysis of facial images using physical and anatomical models. In Proceedings Third International Conference on Computer Vision (pp. 727-728). IEEE Computer Society.
25. Rodriguez, Y., Marcel, S. (2006). Face authentication using adapted local binary pattern histograms. In Computer Vision–ECCV 2006: 9th European Conference on Computer Vision, Graz, Austria, May 7-13, 2006, Proceedings, Part IV (pp. 321-332). Springer Berlin Heidelberg.
26. Taylan, E. (2014), ABD'deki üniversitelerde en çok öğretilen programlama dili: Python Erişim Tarihi:19-10-2021.
27. Van Natta, M., Chen, P., Herbek, S., Jain, R., Kastelic, N., Katz, E., Vattikonda, N. (2020). The rise and regulation of thermal facial recognition technology during the COVID-19 pandemic. Journal of Law and the Biosciences, 7(1), lsaa038.
28. Vansh, V., Chandrasekhar, K., Anil, C. R., Sahu, S. S. (2020). Improved face detection using YCbCr and Adaboost. In Computational Intelligence in Data Mining: Proceedings of the International Conference on ICCIDM 2018 (pp. 689-699). Springer Singapore.