Temel Bileşen Analizi Yönteminin Ve Bazı Klasik Ve Robust Uyarlamalarının Yüz Tanıma Uygulamaları

Year 2009, Volume: 22 Issue: 1, 49 - 63, 30.06.2009

İşıl Yazar Hasan Serhan Yavuz , Mehmet Atıf Çay

Abstract

Bu çalışmada, temel bileşen analizi yöntemindeki klasik ortalama merkezileştirme yerine

çeşitli klasik ve robust tahmin ediciler kullanılarak Yale, ORL ve AR yüz veritabanları üzerinde yüz

tanıma uygulamaları yapılmıştır. Normal dağılım varsayımının sağlanmadığı durumlarda veya veri

kümesinde aykırı değer bulunması durumunda klasik yöntemlerden daha iyi sonuçlar verdiği bilinen

bazı robust yöntemler, bu üç veritabanı üzerinde yapılan yüz tanıma deneylerinde klasik yöntemlerle

karşılaştırılmıştır. Yüz tanıma uygulamalarında görüntü örneği boyutları örnek sayısına göre çok

büyüktür. Bu yüzden, veri kümesinin normal dağılım koşulunu sağlayıp sağlamadığı

bilinememektedir. Deneysel sonuçlar, temel bileşen analizi yöntemi tabanlı yüz tanıma

uygulamalarında robust yöntemlerin klasik yöntemlerden genellikle daha başarılı doğru tanıma

oranları verdiğini göstermiştir.

Keywords

Yüz tanıma, temel bileşen analizi, robust tahmin ediciler

Face Recognition Applications Of Principle Component Analysis Method And Some Of Its Classical And Robust Variants

Abstract

In this study, face recognition applications on the YALE, ORL and AR face databases

have been performed by using some classical and robust estimators instead of classical mean

subtraction in the principal component analysis method. In the cases where the Normal distribution

assumption is not valid or the data set includes outliers, some robust estimators which are known to

have better results were compared with the classical estimators by making face recognition

experiments using these three databases. In face recognition applications, the dimension of the

image samples is very high as against the number of the samples. That’s why it’s not known whether

the data set satisfies the Normal distribution condition. Experimental results demonstrated that

robust methods usually gave beter correct recognition rates than the classical methods in principal

component analysis method based face recognition applications.

Keywords

Face recognition, principle component analysis, robust estimators

References

• [1] W. Zhao, R. Chellappa, P. J Phillips and A. Rosenfeld, “Face Recognition: A Literature Survey”, ACM Computing. Surveys, Vol.35, No.4, pp.399–458, 2003.
• [2] R. Chellappa, C. L. Wilson and S. Sirohey, “Human and Machine Recognition of Faces: A Survey”, Proceedings of IEEE, Vol.83, No.5, pp.705–741, 1995.
• [3] A. K. Jain, A. Ross and S. Prabhakar, “An Introduction to Biometric Recognition”, IEEE Trans. Circ. and Sys. for Video Tech. Vol.14, No.1, pp.4–20, 2004.
• [4] A. A. Salah, “İnsan ve Bilgisayarda Yüz Tanıma”, Bilgi İşleyen Makine Olarak Beyin Sempozyumu-3, Boğaziçi Üniversitesi, İstanbul, 2005.
• [5] E.Sütçüler, “Gerçek Zamanlı Video Görüntülerinden Yüz Bulma ve Tanıma Sistemi”, Yüksek Lisans tezi, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, 90 s, 2006.
• [6] H. Durucasu, “Asal Bileşen Analizi ve Bir Uygulama Denemesi”, Yüksek Lisans Tezi, Anadolu Üniversitesi Fen Bilimleri Enstitüsü, 89 s,1991.
• [7] A. Ö.Yaycılı, “Temel Bileşenler Analizi için Robust Algoritmalar”, Yüksek Lisans Tezi, Gazi Üniversitesi Fen Bilimleri Enstitüsü, 56 s, 2006.
• [8] M. A. Turk and A. P.Pentland, “Eigenfaces for recognition”, Journal of Cogn. Neuroscience, Vol.3, pp.71–86, 1991.
• [9] I. Stanimirova, M. Daszykowski and B. Walczak, “Dealing with Values and Outliers in Principal Component Analysis”, Talanta, Vol. 72, No. 1, pp. 172–178, 2007.
• [10] M. Daszykowski, K.Kaczmarek, Y. V. Heyden and B. Walczak, “Robust Statistics in Data Analysis- A Review Basic Concepts”, Chemometrics and Intelligent Laboratory Systems, Vol. 85, No. 2, pp. 203–219, 2007.
• [11] M. Daszykowski, S.Serneels, K.Kaczmarek, P. V. Espen, C. Croux and B. Walczak, “TOMCAT: A MATLAB Toolbox for Multivariate Calibration Techniques”, Chemometrics and Intelligent Laboratory Systems, Vol. 85, No. 2, pp. 269–277, 2007
• [12] Z. Filiz, “Güvenilirlik Çözümlemesi, Temel Bileşenler ve Faktör Çözümlemesi”, Anadolu Üniversitesi Bilim ve Teknoloji Dergisi, Cilt.4, No.2, s. 211–222, 2003.
• [13] M. Çilli, “İnsan Hareketlerinin Modellenmesi ve Benzeşiminde Temel Bileşenler Analizi Yönteminin Kullanılması”, Doktora Tezi, Hacettepe Üniversitesi Sağlık Bilimleri Enstitüsü, 240 s, 2007.
• [14] E. S. Konak, “Bilgisayar Destekli Yüz Tanıma Sistemi Tasarımı”, Yüksek Lisans Tezi, İstanbul Üniversitesi Fen Bilimleri Enstitüsü, 58 s, 2006.
• [15] R. Alpar, “Uygulamalı Çok Değişkenli İstatiksel Yöntemlere Giriş 1”, Nobel Yayın Dağıtım/Teknik Dizisi, 410 s, 2003.
• [16] http://cobweb.ecn.purdue.edu/~aleix/aleix_face_DB.html
• [17] http://cvc.yale.edu/projects/yalefaces/yalefaces.html
• [18] http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html
• [19] S. Watanabe, P. F.Lambert, C. A. Kulikowski, J. L. Buxton and R.Walker, Evaluation and Selection of Variables in Pattern Recognition”, Computing and Information Sciences II, pp. 91–122, 1967.
• [20] H. Cevikalp, H. S. Yavuz, M. A. Cay and A. Barkana, “ Two-dimensional Subspace Classifiers for Face Recognition”, Neurocomputing, Vol.72, pp.1111–1120, 2009.
• [21] A.M. Martinez, R. Benavente, “The AR face database”, CVC Technical Report #24,1998.
• [22] H. Scheffe, “The Analysis of Variances”, John Wiley&Sons, New York, 1959