Uzun Mesafeli Hareketli Görüntülerde Yayaların Biyometrik Özelliklerine Göre Yaşlarının Sınıflandırılması

Yıl 2017, Cilt: 10 Sayı: 2, 123 - 128, 28.04.2017

Ömer Faruk İnce İbrahim Furkan İnce Jang Sik Park

https://doi.org/10.17671/gazibtd.309264

Öz

Video tabanlı insan tespiti, günümüzde bir hayli
yaygın olan çalışmalardan biridir ve bu konu hakkında birçok çalışmalar ve
tasarılar mevcuttur. Daha da ayrıntılı bir çalışma için; nesne tespit
edildikten sonra, nesneler sınıflandırılabilir veya takip edilebilir. Yetişkin
ve çocuk sınıflandırması, sosyal güvenliğin sağlanması için, özellikle de
günümüzde artan vakaları göz önünde bulundurduğumuzda, pek yararlı olabilir.
Yapılan çalışmanın gayesi, videolardaki görüntülerden insanları yetişkin ve
çocuk olarak iki sınıfa ayırmaktır. Öncelikle insan tespiti için Haar
sınıflandırıcı kullanılmıştır. Bir sonraki adımda ise, kafa ve tüm vücut uzunluğu
kullanılarak biyometrik bir oran çıkarımı yapılmıştır. Bu orana göre de tespit
edilen insanın yetişkin veya çocuk olduğu belirlenmiştir. Sonuçlarımız
göstermektedir ki, yetişkin sınıflandırmasındaki doğruluk payı %74.7 ve çocuk
sınıflandırmasındaki doğruluk payı ise %68.1’dir.

Anahtar Kelimeler

Biyometrik Özellikler, Yaş Sınıflandırması

Kaynakça

• [1] K. Lee, C. H. Lee, S. A. Kim, and Y. H. Kim, “Fast Object Detection Based On Color Histograms and Local Binary Patterns”, presented at the TENCON 2012, IEEE Region 10 Conference, Cebu, November, 2012.
• [2] P. Viola, M. Jones, “Rapid Object Detection Using a Boosted Cascade of Simple Features”, Computer Vision and Pattern Recognition, 2001.
• [3] Internet: OpenCV Dev Team, “penCV Dev Team, and Pattern Recogn, http://docs.opencv.org/3.0-beta/doc/py_tutorials/py_objdetect/py_face_detection/py_face_detection.html, 2014.
• [4] G. R. Rakate, S. R. Borhade, P. S. Jadhav, M. S. Shah., “Advanced Pedestrian Detection System Using Combination of Haar-like Features, Adaboost Algorithm and Edgelet-Shapelet”, IEEE Conference on Computational Intelligence and Computing Research, Coimbatore, India, 2012.
• [5] Y. H. Kwon and N. da Vitoria Lobo, “Age classification from facial images”, Computer Vision and Image Understanding, 1999.
• [6] W. B Horng, C. P. Lee, and C.W. Chen, “Classification of Age Groups Based On Facial Features”, Tamkang Journal of Science and Engineering, vol. 4, no. 3, pp. 183-191, 2001.
• [7] A. Lanitis, C. Draganova, and C. Christodoulou, “Comparing Different Classifiers For Automatic Age Estimation”, IEEE Transactions on Systems, Man and Cybernetics, vol. 34, no. 1, pp. 621–628, 2004.
• [8] X. Geng, Z. Zhou, Y. Zhng, G. Li, and H. Dai.,“Learning from facial aging patterns for automatic age estimation”, inProc. ACM Multimedia 2006, pp. 307–316, 2006.
• [9] M. Castrillon-Santana, O. Deniz– Suarez L., Anton –Canalis, and J. Lorenzo – Navarro, “Face and Facial Feature Detection Evaluation”, VISAPP 2008, 2008.