APPLICATION OF A MULTI-LAYER PERCEPTRON NETWORK FOR DETECTION OF HUMAN FACES ON A LARGE DATABASE

Öz

In this paper, we present a face detection system that we have developed. The system is consisted of a camera, a computer, an image acquisition setup and a face detection method written in Matlab.  In order to test detection capability of the system, we have collected a database that contains 125 different images of 125 different people with this system. A program based on a multilayer perceptron network (MLP) is developed in order to detect faces. The program works in two levels and uses the symmetry inherited in a human face between left and right sides. In the first level, the detection system searches for a similar structure on one side of a face. When it finds such a region, it processes that portion of the image further in order to find whether the other side of the face exists or not in the closed vicinity. We have tested our system on a database that contains 100 images selected from above mentioned database. Simulation results show that the method performs %81 correct detection rate.

Anahtar Kelimeler

• Face detection system; Face image database; Artificial neural networks

ÇOK KATMANLI BİR YAPAY SİNİR AĞI SİSTEMİNİN RESİMLER İÇERİSİNDE İNSAN YÜZÜ BULMAK AMACIYLA ÇOK SAYIDA İNSAN YÜZÜ İÇEREN BİR VERİ TABANINA UYGULANMASI

Öz

Bu yayında gri seviyeli resimler içerisindeki farklı boyut ve konumlardaki insan yüzlerini bulan bir yüz bulma sisteminin tasarlanıp geliştirilmesi anlatılmaktadır. Geliştirmiş olduğumuz sistem bir kamera, bir bilgisayar, bir resim alma seti ve Matlab pragraminda yazılmış bir yüz bulma algoritmasından oluşmaktadır. Yüz bulma metodunun başarısını test edebilmek amacıyla içerisinde 125 farklı kişinin 125 resminin bulunduğu bir insan yüzleri veri tabanı geliştirmiş olduğumuz resim alma seti kullanılarak oluşturulmuştur. Resim dosyaları içerisindeki insan yüzü kısımlarını bulmak için çok katmanlı bir yapay sinir ağı programı geliştirilmiştir. Yapay sinir ağları temelli bu yüz bulma programı iki aşamalı olarak yüz bulma işlemini gerçekleştirmektedir ve bu amaçla insan yüzünün sağ ve sol taraflarının doğal olarak birbirlerine benzemesi özelliğini kullanmıştır. İlk aşamada resim içerisinde insan yüzünün sağ tarafına benzeyen kısımlarının bulunması işlemi daha önceden hazırlanan bir insan yüzü taslağı kullanılarak gerçeklenmiş ve bu işlem resime farklı çözünürlüklerde uygulanmıştır. Metod resim içerisinde aranılan özelliklerde bir kısım bulduğunda ikinci aşamaya geçmekte ve ikinci aşamada bulunan kısmın çevresinde yüz kısmının diğer tarafının olup olmadığını bulmaktadır. Geliştirilen yüz tanıma sistemi, bu çalışma için oluşturduğumuz veri tabanından 100 kişinin resimlerinin bulundugu bir test veri tabanı üzerinda test edilmiştir. Geriye kalan 25 kişinin resimleri ise yapay sinir ağını eğitmek üzere kullanılmıştır. Simulasyon sonuçları metodumuzun test seti üzerinde %81 oranında bir doğru tanıma başarısı gösterdiğini ortaya koymuştur

Anahtar Kelimeler

• Yüz tanıma sistemi; İnsan yüzü veri tabanı; Yapay sinir ağları

Kaynakça

1. İşler, Y. S., Salihmuhsin, M. (2008). Bir Tek Nöron Kullanılarak Resimler İçerisinde Göz
2. Imam University Journal of Engineering Sciences. Volume 11-1, pp: 59-63. Kısmının Bulunması. Kahramanmaras Sutcu Direkoglu, C., Demirel, H., Ozkaramanli, H., Uyguroglu, M. (2005).
3. Efficient Face and Facial Estimation. Image Analysis and Recognition, pp: 1149 – 1157.
4. Feature Tracking Using Search Region LNCS, Vol: 3656,
5. Yacoub, B., Fasel, B., Lüttin, J. (1999). Fast face detection using MLP and FFT. Proceedings
6. Video based Biometric Person Second International Conference on Audio and Authentication (AVBPA). Nanni, L., Lumini, A. (2007). A multi-expert approach for wavelet-based face detection. 12, pp 1541-1547.
7. Pattern Recognition Letters,Volume 28 , Issue Lin, S. H., Kung, S. Y., Lin, L. J. (1997). Face Recognition/Detection by
8. Probabilistic Decision Based Neural Network. IEEE Transaction on Neural Networks, Volume 8, No: 1, pp 114-132. Moghaddam, B., Pentland, A. (1997). Probabilistic Visual Learning for

9. Object Recognition. IEEE Transaction on Pattern Recognition and Machine Intelligence, Volume 19, No: 7, pp 696-710. Cootes, T. F., Taylor, C. J. (1996). Locating Faces Using Statistical Feature Detectors.
10. Automatic Face and Gesture Recognition, pp 204-209. Han, C. C., Liao, H. Y. M., Yu, K. C., Chen, L. H. (1998). Fast Face
11. Detection via Morphology-Based Pre-Processing, Proceeding of Ninth International Conference on Image Analysis and Processing, pp 469-476. Feraud, R., Bernier, O.J., Villet, J. E., Collobert, M. (2001). A Fast and Accurate Face
12. Transaction on Pattern Recognition and Volume 22, No: 1, pp 42-53. Machine Intelligence, Rowley, H., Baluja, S., Kanade, T. (1996). Neural Network-Based Face Detection. and Pattern Recognition, pp 203-20
13. Yang, M. H., Kriegman, D. J., Ahuja, N. (2002). Detecting Faces in
14. Images: A Survey. IEEE Machine Intelligence. Vol 24, No: 1, pp 34-58. Transaction on Pattern Analysis and Hassoun, M. H. (1995). Fundamentals of Artificial Neural Networks, The MIT Press, Massachusetts.
15. Zurada, J. M. (1992). Introduction to Artificial Neural Networks, West Publishing Company.