Comparison of Deep Learning Architectures And Face Detectıon Methods in Face Recognıtıon

Abstract

In this study, performance comparisons were made using image processing-based methods widely used in the literature and architectures such as AlexNet, ResNet-18, GoogleNet and SqueezeNet. Viola-Jones algorithm was used to determine the face on the image. In this algorithm, cascade object detector detects the face and frames it. The accuracy rate of Viola-Jones algorithm was found to be 85.71%. A dataset was created with right, left and middle poses in the FEI face database. Principal Component Analysis (PCA) and Linear Discriminant Analysis (LDA) were used for the analysis of Eigenfaces and Fisherfaces image processing methods. These methods were applied on the created dataset and accuracy rates were obtained. Eigenfaces method gave better results than Fisherfaces method for some pose variations in the dataset. Deep learning methods AlexNet, ResNEt-18, GoogleNet and SqueezeNet were used. Among the face recognition methods, the highest accuracy rate of the Eigenfaces method was 76,66% and the highest accuracy rate of ResNet-18 in deep learning was 100%.

Keywords

• deep learning
• face detection
• face recognition
• eigenfaces
• fisherfaces

Yüz Tanımada Derin Öğrenme Mimarilerinin ve Yüz Bulma Yöntemlerinin Karşılaştırılması

Abstract

Bu çalışmada, literatürde yaygın olarak kullanılan görüntü işleme tabanlı yöntemler ve AlexNet, ResNet-18, GoogleNet ve SqueezeNet gibi mimariler kullanılarak performans karşılaştırılması yapılmıştır. Yüzün resim üzerinde belirlenebilmesi için Viola-Jones algoritması kullanılmıştır. Bu algoritmada kaskad obje dedektörü, yüzü algılayıp kare içine alır. Viola-Jones algoritmasının doğruluk oranı %85,71 olarak bulunmuştur. FEI yüz veri tabanındaki sağ, sol ve orta pozlarla veri kümesi oluşturulmuştur. Eigenfaces ve Fisherfaces görüntü işleme yöntemlerinin analizi için Temel Bileşen Analizi (TBA) ve Doğrusal Ayrım Analizi (DDA) kullanılmıştır. Bu yöntemler oluşturulan veri kümesi üzerinde uygulanarak doğruluk oranları elde edilmiştir. Eigenfaces yöntemi veri kümesindeki bazı poz varyasyonları için fisherfaces yönteminden daha iyi sonuç vermiştir. Derin öğrenme metotlarından AlexNet, ResNet-18, GoogleNet ve SquuezeNet kullanılmıştır. Yüz tanıma yöntemlerinden Eigenfaces yönteminin en yüksek doğruluk oranı %76,66 ve derin öğrenmede ResNet-18’in en yüksek doğruluk oranı %100 olmuştur.

Keywords

• derin öğrenme
• yüz bulma
• yüz tanıma
• eigenfaces
• fisherfaces

References

1. Aly M., Face Recognition using SIFT Features, CNS 186 Term Project Winter, 2006.
2. Almabdy S., ve Elrefaei L., Deep Convolutional Neural Network-Based Approaches for Face Recognition, Applied Sciences, 9(20), 4397, 2019.
3. Arya Z., ve Twiari, V. (2020). Automatic Face Recognition and Detection Using OpenCV, Haar Cascade and Recognizer at Different Angle of Face, International Journal of Engineering Research and Applications, 10(6), 2020.
4. Ayata F., ve Çavuş H., (2022). Yüz Tanıma Sistemlerinde Kullanılan ESA, YGH-DVM ve DSA Algoritmalarının Performans Testleri, Fırat Üniversitesi Fen Bilimleri Dergisi, 34(1), 39-48.
5. Balanageshwara, S., Kareem, A., ve Kumara, V. (2023, June). Machine Learning Approach for a Novel Facial Recognition System. In 2023 8th International Conference on Communication and Electronics Systems (ICCES) (pp. 1178-1183). IEEE.
6. Cadena, J., Villa, M., Martínez, M., Acurio, J., ve Chacón, L. (2023). An Efficient Technique for Global Facial Recognition using Python and OpenCV in 2D Images. WSEAS Transactions on Systems and Control, 18, 47-57.
7. Curtidor A., Baydyk T., ve Kussul E., (2021). Analysis of Random Local Descriptors in Face Recognition, Electronics, 10(11), 1358. https://doi.org/10.3390/electronics10111358
8. Çakmakoğlu A., (2018). Finans Sektöründe Veri Madenciliği Teknikleri Kullanılarak Kampanya Modelleme, Yüksek Lisans Tezi, İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.

9. Doğan F., & Türkoğlu İ., Derin Öğrenme Modelleri ve Uygulama Alanlarına İlişkin Bir Derleme, DÜMF Mühendislik Dergisi, 10(2), 419-424, 2019.
10. Fırıldak K. ve Talu F. M., (2019). Evrişimsel Sinir Ağlarında Kullanılan Transfer Öğrenme Yaklaşımlarının İncelenmesi, Computer Science, 4(2), 88-95.
11. Hassan M. M., Hussein H. I., Eesa A. S., ve Mstafa R. J., (2021). Face redognition based on gabor feature extraction followed by fastica and LDA, Computers, Materials & Continua, 68(2), 1637-1659. https://doi.org/10.32604/cmc.2021.016467 Holat R., ve Kulaç S., (2014). Yüz Bulma ve Tanıma Sistemleri Kullanarak Kimlik Tespitinin Yapılması, Yüksek Lisans Tezi, Düzce Üniversitesi, Fen Bilimleri Enstitüsü, Düzce.
12. Iandola F. N., Han S., Moskewicz M. W., Ashraf K., Dally W. J., ve Keutzer K., SqueezeNet: AlexNet-Level Accuracy with 50x Fewer Parameters and <1MB Model Size, ArXiv, 1-5, 2016.
13. ImageNet Large Scale Visual Recognition Challenge 2014 (ILSVRC2014), 14 Ağustos 2024 tarihinde https://image-net.org/challenges/LSVRC/2014/results adresinden erişildi.
14. Jones, M., ve Viola, P. (2003). Fast Multi-view Face Detection, Mitsubishi Electric Research Laboratories, TR-20003-96.
15. Kekül, H., Bircan, H., ve Arslan, H. (2018). Yüz Tanıma Uygulamalarında Özyüzler ve Yapay Sinir Ağlarının Karşılaştırılması, Uluslarası Yönetim Bilişim Sistemleri ve Bilgisayar Bilimleri Dergisi, 2(1), 52.
16. Krizhevsky A., Sutskever I., ve Hinton G. E., (2012). ImageNet Classification with Deep Convolutional Neural Networks, Advances in Neural Information Processing Systems, 25(2),1097-1105.
17. Raghu S., Sriraam N., Temel Y., Rao S. V., ve Kubben P. L., EEG based multi-class seizure type classification using convolutional neural network and transfer learning, Neural Networks: the Official Journal of the International Neural Network Society, 206, 2020.
18. Rahmad C., Asmara R. A., Putra D. R. H., Dharma I, Darmono H., ve Muhiqqin I., (2020). Comparison of Viola-Jones Haar Cascade Classifier and Histogram of Oriented Gradients (HOG) for face detection, IOP Conference Series: Materials Science and Engineering, 732(1), 012038.
19. Sarwinda D., Paradisa R. H., Bustamam A., ve Anggia P., (2021). Deep Learning in Image Classification using Residual Network (ResNet) Variants for Detection of Colorectal Cancer, Procedia Computer Science, 423-431(179), 1877-0509.
20. Sert Z., (2020, 27 Aralık). ESA (Evrişimsel Sinir Ağları) [Blog yazısı]. 13 Ağustos 2024 tarihinde erişim adresi: https://zeysert.medium.com/esa-evri%C5%9Fimsel-sinir-a%C4%9Flar%C4%B1-87d9bd986579
21. Sütçüler E., (2006). Gerçek Zamanlı Video Görüntülerinden Yüz Bulma ve Tanıma Sistemi, Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
22. Şeker A., (2018). Evaluation of Fabric Defect Detection Based on Transfer Learning with Pre-trained AlexNet, 2018 International Conference on Artificial Intelligence and Data Processing (IDAP), Malatya, Turkey, pp. 1-4.
23. Thomaz C. E., (2012). FEI Face Database, 13 Ağustos 2024 tarihinde erişim adresi: https://fei.edu.br/~cet/facedatabase.html
24. Topal A. O., Chitic R., ve Leprévost F. (2023). One evolutionary algorithm deceives humans and ten convolutional neural networks trained on ImageNet at image recognition, Applied Soft Computing, 143, 110397. doi: https://doi.org/10.1016/j.asoc.2023.110397
25. Wang J. ve Li Z., (2018). Research on Face Recognition Based on CNN, IOP Conference Series: Earth and Environmental Science, 170(3), 032110.
26. Wang D., Yu H., Wang D. ve Li G., (2020). Face Recognition System Based on CNN, 2020 International Conference on Computer Information and Big Data Applications (CIBDA), 470-473.
27. Win H. P. P., Khine P. T. T., ve Tun K. N. N., (2021). Face Recognition System based on Convolution Neural Networks, International Journal of Image Graphics and Signal Processing (IJIGSP), 13(6), 23-29.