Gerçek Zamanlı Yüz Tespiti İçin Yapay Sinir Ağı Tabanlı Bir Görüntü Analizi Yaklaşımı

Abstract

Görüntü işleme ve Yapay Zeka (YZ) teknolojilerindeki son gelişmeler, yüz tespit ve tanıma sistemlerinin performansını önemli ölçüde artırmıştır. Gerçek zamanlı görüntü analizi gerektiren yüz bölge tespiti çalışmalarında, YZ tabanlı uygulamalar yüksek doğruluk ve hız sunarak kritik bir rol oynamaktadır. Bu çalışmanın amacı, yapay sinir ağı tabanlı yöntemler kullanarak gerçek zamanlı görüntülerde yüz bölgesi tespiti yapan sistemlerin performansını artırmak ve bu sistemlere yönelik iyileştirme önerileri sunmaktır. Bu bağlamda, YZ tabanlı yüz tespit sistemlerinin optimizasyonu, sinir ağı tabanlı çözümler ve performans iyileştirme yöntemleri ele alınmıştır. Geliştirilen sistemde, bir kamera aracılığıyla anlık ve sabit görüntüler alınmış ve görüntüler ön işleme aşamasından geçirilmiştir. Ön işleme sürecinde kontrast ve parlaklık ayarları, yüz bölgesinin belirlenmesi ve kenar tespiti (Canny) algoritması işlemleri uygulanarak modelin doğruluğu artırılmıştır. Ardından, ArcFace, Haar-cascade ve CNN tabanlı yüz bölge tespiti modeli çalıştırılarak tespit edilen yüzler analiz edilmiştir. Toplam 15 adet deney gerçekleştirilerek tespit edilen yüz bilgisi ekrana yansıtılarak tanıma oranı hesaplanmaktadır. Yapılan deneyler sonucunda, yüz tespitinde %40 ile %92,75 arasında başarı oranları elde edilmiştir. Bu çalışmada, deneyler gerçek zamanlı olarak kamera üzerinden elde edilen görüntülerle gerçekleştirilmiştir. Ek olarak, deney çeşitliliğini artırmak amacıyla aktör yüz görüntülerinden oluşan bir veri seti de çalışmaya dahil edilmiştir. Çalışmanın bulguları, YZ tabanlı yüz bölge tespiti modellerinin başarı oranlarını nasıl etkilediğini göstermekte ve bu sistemlerin optimum performansla çalışabilmesi için öneriler sunmaktadır.

Keywords

• Görüntü İşleme
• Yapay Sinir Ağı
• Yüz Tespiti
• OpenCv
• ArcFace

A Neural Network-Based Image Analysis Approach for Real-Time Face Detection

Abstract

Recent advances in image processing and artificial intelligence (AI) technologies have significantly enhanced the performance of face detection and recognition systems. In studies requiring real-time image analysis for face region detection, AI-based applications play a critical role by offering high accuracy and processing speed. The aim of this study is to improve the performance of real-time face region detection systems using artificial neural network-based methods and to provide optimization strategies for such systems. In this context, the optimization of AI-based face detection systems, neural network-driven solutions, and performance enhancement techniques are examined in detail. In the proposed system, both real-time and static images were captured using a camera and subjected to a preprocessing phase. During this stage, contrast and brightness adjustments, face region localization, and edge detection using the Canny algorithm were applied to increase model accuracy. Following this, face detection models based on ArcFace, Haar-cascade, and Convolutional Neural Networks (CNNs) were utilized to analyze the detected face regions. A total of 15 experiments were conducted, and the number of correctly detected faces was displayed and used to calculate the recognition accuracy. Experimental results revealed accuracy rates ranging from 40% to 92.75%. These experiments were performed using real-time video data captured by a live camera. Additionally, in order to increase the diversity of the evaluation scenarios, an actor face image dataset was also incorporated into the study. The findings demonstrate the influence of various AI-based face detection models on recognition performance and offer practical suggestions for achieving optimal system accuracy and robustness under different environmental conditions.

Keywords

• Image Processing
• Artificial Neural Network
• Face Detection
• OpenCV
• ArcFace

References

1. Ogundokun R O, Maskeliūnas R, Damaševičius R. “Human posture detection using image augmentation and hyperparameter-optimized transfer learning algorithms”. Applied Sciences, 12(19), 10156, 2022.
2. Eldem A., Eldem H, Palalı A. “Görüntü işleme teknikleriyle yüz algılama sistemi geliştirme”. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 6(2), 44-48. 2017.
3. Sözeri V, Keskin O, Harmanşah C, Kozak İ, Kibar E. N. “Görüntü İşleme Algoritmalarına Dayalı Olarak Manyetik Parçacık Test Görüntülerinde Kusur Tespitinin Araştırılması”. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 23(1), 115-122. 2023.
4. Lee M F R, Chen Y C, Tsai C Y. “Deep learning-based human body posture recognition and tracking for unmanned aerial vehicles”. Processes, 10(11), 2295, 2022.
5. Karadağ N, Çetinkaya A, Aydın H. “Yerel İkili Desenler Histogramları ile Covid-19 Tanılı Kişiler Üzerinde Kimlik Analizi ve Bildiri Sistemi”. Gazi Mühendislik Bilimleri Dergisi, 6(3), 172-183. 2020.
6. Akyel C, Arıcı N. “Cilt Kanseri Görüntülerinde FCN8-ResNetC ve Görüntü İşleme ile Kıl Temizliği ve Lezyon Bölütleme”. International Journal of InformaticsTechnologies, 15(2). 2022.
7. Aksoy B, Korucu K, Çalışkan Ö, Osmanbey Ş, Halis, H. D. “İnsansız hava aracı ile görüntü işleme ve yapay zekâ teknikleri kullanılarak yangın tespiti: örnek bir uygulama”. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 9(6), 112-122, 2021.
8. Elforaici M E A, Chaaraoui I, Bouachir W, Ouakrim Y, Mezghani N. “Posture recognition using an RGB-D camera: exploring 3D body modeling and deep learning approaches”. In 2018 IEEE life sciences conference (LSC), (pp. 69-72), IEEE, 2018.

9. Yılmaz O, Aydın H, Çetinkaya A. “Faster R-CNN Evrişimsel sinir ağı üzerinde geliştirilen modelin derin öğrenme yöntemleri ile doğruluk tahmini ve analizi: Nesne Tespiti Uygulaması”. Avrupa Bilim ve Teknoloji Dergisi, (20), 783-795, 2020.
10. Akçelik C, Okatan A, Çetinkaya A. “Face and emotion recognition using deep learning based on computer vision methods”. Ntmsci, 11, 12. 2021.
11. Cao L, Zhai Y. “Imbalanced data classification based on a hybrid resampling SVM method”. In 2015 IEEE 12th Intl Conf on Ubiquitous Intelligence and Computing and 2015 IEEE 12th Intl Conf on Autonomic and Trusted Computing and 2015 IEEE 15th Intl Conf on Scalable Computing and Communications and Its Associated Workshops (UIC-ATC-ScalCom), (pp. 1533-1536). IEEE, 2015.
12. Wang F, Zheng M, Ma K, Hu X. “Resampling approach for imbalanced data classification based on class instance density per feature value intervals”. Information Sciences, 692, 121570, 2025.
13. He, H., & Garcia, E. A. “Learning from imbalanced data”. IEEE Transactions on knowledge and data engineering, 21(9), 1263-1284, 2009.
14. Zheng Z, Cai Y, Li Y. “Oversampling method for imbalanced classification”. Computing and Informatics, 34(5), 1017-1037, 2015.
15. Montero D, Nieto M, Leskovsky P, Aginako N. “Boosting masked face recognition with multi-task arcface”. In 2022 16th International Conference on Signal-Image Technology & Internet-Based Systems (SITIS), (pp. 184-189). IEEE, 2022.
16. Deng J, Guo J, Xue N, Zafeiriou S. “Arcface: Additive angular margin loss for deep face recognition”. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, (pp. 4690-4699), 2019.
17. Firmansyah A, Kusumasari T F, Alam E N. “Comparison of face recognition accuracy of ArcFace, FaceNet and FaceNet512 models on deepface framework”. In 2023 International conference on computer science, information technology and engineering (ICCoSITE), (pp. 535-539). IEEE, 2023.
18. Serengil S, Özpınar A. “A benchmark of facial recognition pipelines and co-usability performances of modules”. Bilişim Teknolojileri Dergisi, 17(2), 95-107, 2024.
19. Asmara R A, Sayudha B, Mentari M, Budiman R P P, Handayani A N, Ridwan M, Arhandi P P. “Face recognition using arcface and facenet in google cloud platform for attendance system mobile application”. In Proceedings of the 2022 Annual Technology, Applied Science and Engineering Conference (ATASEC 2022), (Vol. 219, pp. 134-144), 2022.
20. Liu H, Zhu X, Lei Z, Li S Z. “Adaptiveface: Adaptive margin and sampling for face recognition”. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, (pp. 11947-11956), 2019. [21] Rothe R, Timofte R, Van Gool L. “Dex: Deep expectation of apparent age from a single image”. In Proceedings of the IEEE international conference on computer vision workshops, (pp. 10-15). 2015.
21. Şeker A, Diri B, Balık H H. “Derin öğrenme yöntemleri ve uygulamaları hakkında bir inceleme”. Gazi Mühendislik Bilimleri Dergisi, 3(3), 47-64, 2017. [23] He K, Zhang X, Ren S, Sun J. “Deep residual learning for image recognition”. In Proceedings of the IEEE conference on computer vision and pattern recognition, (pp. 770-778). 2016.
22. Taigman Y, Yang M, Ranzato M A, Wolf L, “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), 2014.
23. Cengiz E, Harman G. “Dengesiz Ml-Tabanlı Nıds Veri Setlerinin Sınıflandırma Performanslarının Karşılaştırılması”. Avrupa Bilim ve Teknoloji Dergisi, (41), 349-356, 2022.
24. Zhang Y, Deng L, Wei B. “Imbalanced Data Classification Based on Improved Random-SMOTE and Feature Standard Deviation”. Mathematics, 12(11), 1709, 2024.
25. Acı N, Kuluöztürk M F. “Accuracy Detection in Some Sports Training Using Computer Vision and Deep Learning Techniques”. Bitlis Eren University Journal of Science and Technology, 13(2), 133-158, 2023.
26. Berk Y, Bingöl M. “Fitness ve vücut geliştirme yapan bireylerin sağlıklı yaşam alışkanlıklarının incelenmesi”. Gaziantep Üniversitesi Spor Bilimleri Dergisi, 8(1), 93-105, 2023.
27. Kocaman A B, Kılınç N. “Giyim endüstrisi için 20-32 yaş arası kadınlarda bölümlerine göre vücut şeklinin tahminlenmesi üzerine bir araştırma”. Nevşehir Hacı Bektaş Veli Üniversitesi SBE Dergisi, 14(2), 938-952, 2024.
28. Öniz M, Koç M, Göçer İ, Müniroğlu R S. Mobil “Uygulamalar ile Atletik Performansın Değerlendirilmesinde Güncel Trendler”. Iğdır Üniversitesi Spor Bilimleri Dergisi, 7(1), 36-58, 2024.
29. Özsoy D, Özsoy Y, Karakuş O. “Endüstri 5.0'da Spor”. Fenerbahçe Üniversitesi Spor Bilimleri Dergisi, 3(2), 83-94, 2023.
30. Çetinkaya A, Gök M, “k-NN Sınıflandırma Yöntemi”. Makine Öğrenmesi Algoritmaları (pp.186-198), Ankara: Nobel Yayınevi, 2024.
31. Ser G, Bati C T. “Derin sinir ağları ile en iyi modelin belirlenmesi: mantar verileri üzerine Keras uygulaması”. Yuzuncu Yıl University Journal of Agricultural Sciences, 29(3), 406-417. 2019.
32. Actors Face Recognition Computer Vision Project Dataset. URL: https://universe.roboflow.com/alpha-jigfo/actors-face-recognition , Son Erişim Tarihi: 20.01.2025
33. Onur F, Gönen S, Barışkan M A, Kubat C, Tunay M, Yılmaz E N. “Machine learning-based identification of cybersecurity threats affecting autonomous vehicle systems”. Computers & Industrial Engineering, 190, 110088, “2024”.
34. Senturk K, Gormus A F, Gonen S, Bariskan M A, Durmaz A K. “Artificial intelligence-enhanced intrusion detection systems for drone security: a real-time evaluation of algorithmic efficacy in mitigating wireless vulnerabilities”. Cluster Computing, 28(3), 175, 2025.
35. Yaşar Ç, Çetinkaya T S. “Anne sağlığı riskine yönelik makine öğrenmesi tahmin modelleri karşılaştırılması”. Veri Bilimi, 7(2), 22-29, 2024.
36. Sadıkoğlu E, Gök M, Mıjwıl M M, Kösesoy İ. “The evolution and impact of large language model chatbots in social media: A comprehensive review of past, present, and future applications”. Veri Bilimi, 6(2), 67-76, 2023.