Face Detection and Recognition Application Using Convolutional Neural Networks

Yıl 2023, Cilt: 6 Sayı: 2, 45 - 60, 30.01.2024

Özge Gürbüz Tolga Yılmaz

Öz

In recent years, the use of face recognition-based applications has been increasing due to the increasing success rate of developing technologies and facilitating daily life. Face recognition applications can be used on the lock screens of phones for student and staff attendance tracking, security control, etc. It is used in certain areas, and its usage area is expanding day by day. There are different methods for face recognition. One of these methods is to use a convolutional neural network, which is a type of deep neural network. Convolutional neural networks come to the fore in face recognition because they show high success in identifying and recognizing objects in an image . Therefore Convolutional neural networks (CNNs) were used for face detection and recognition within the scope of this study. In this study, the determination of the ESA model with the highest performance, the data used in the training of the ESA models were increased by various methods and converted into a face recognition system.

Anahtar Kelimeler

Deep Learning, Convolutional Neural Networks, Face Recognition

Evrişimli Sinir Ağları Kullanarak Yüz Belirleme ve Tanıma Uygulaması

Öz

Son yıllarda gelişen teknolojilerin başarı oranının artması ve günlük hayatı kolaylaştırması nedeniyle yüz tanıma tabanlı uygulamaların kullanımı giderek artmaktadır. Yüz tanıma uygulamaları telefonların kilit ekranlarında, öğrenci ve personel devam takibinde, güvenlik kontrolü vb. alanlarda kullanılmakta ve gün geçtikçe kullanım alanı genişlemektedir. Yüz tanıma işlemi için farklı yöntemler bulunmaktadır. Bu yöntemlerden bir tanesi derin sinir ağı çeşidi olan Evrişimli Sinir Ağı kullanmaktır. Bir görüntü içerisindeki nesneleri belirleme ve tanıma alanında yüksek başarı gösterdiği için Evrişimli Sinir Ağları yüz tanıma işleminde ön plana çıkmaktadır. Bu sebeple çalışma kapsamında yüz belirleme ve tanıma için Evrişimli Sinir Ağları kullanılmıştır. Bu çalışmada, en üstün performansı sergileyen ESA modelinin belirlenmesi, ESA modellerinin eğitiminde kullanılan verilerin çeşitli yöntemlerle artırılması ve yüz tanıma sistemine dönüştürülmesi gerçekleştirilmiştir.

Anahtar Kelimeler

Derin Öğrenme, Evrişimli Sinir Ağı, Yüz Tanıma

Etik Beyan

Bu makalenin yazar(lar)ı çalışmalarında kullandıkları materyal ve yöntemlerin etik kurul izni ve/veya yasal özel bir izin gerektirmediğini beyan ederler.

Destekleyen Kurum

Karadeniz Teknik Üniversitesi

Teşekkür

Bu çalışmayı tamamlamamızda bize rehberlik eden danışmanımız Prof. Dr. Hamdi Tolga Kahraman’a en içten teşekkürlerimizi sunarız. Kendisinin bilgeliği, deneyimi ve sürekli desteği olmasaydı, bu çalışmanın bu seviyeye gelmesi mümkün olmazdı.

Kaynakça

• [1] Li, M., Huang, B., & Tian, G. (2022). A comprehensive survey on 3D face recognition methods. Engineering Applications of Artificial Intelligence, 110, 104669.
• [2] Türkoğlu M., Hanbay K., Saraç Sivrikaya I. & Hanbay D., (2020). Derin Evrişimsel Sinir Ağı Kullanılarak Kayısı Hastalıklarının Sınıflandırılması. BEÜ Fen Bilimleri Dergisi, 9(1), 334-345.
• [3] Wu, C., Hu, H., Lin, K., Wang, Q., Liu, T., & Chen, G. (2023). Attention-guided and fine-grained feature extraction from face images for gaze estimation. Engineering Applications of Artificial Intelligence, 126, 106994.
• [4] Ou, W., You, X., Tao, D., Zhang, P., Tang, Y., & Zhu, Z. (2014). Robust face recognition via occlusion dictionary learning. Pattern Recognition, 47(4), 1559-1572.
• [5] Li, Y., Song, L., Wu, X., He, R., & Tan, T. (2019). Learning a bi-level adversarial network with global and local perception for makeup-invariant face verification. Pattern Recognition, 90, 99-108.
• [6] https://fei.edu.br/~cet/facedatabase.html FEI face database (Erişim tarihi: 25.02.2023)
• [7] http://vis-www.cs.umass.edu/lfw/ Labeled Faces in the Wild (Erişim tarihi: 25.02.2023)
• [8] Alimovski, E. (2019). Derin öğrenmeye dayalı güçlü yüz tanıma sistemi için gan ile veri çoğaltma (Master's thesis, İstanbul Sabahattin Zaim Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı).
• [9] https://medium.com/deep-learning-from-deepest/deri̇n-öğrenme-ve-evri̇şi̇msel-si̇ni̇r-ağlari-446dc8a8d2f Derin Öğrenme ve Evrişimsel Sinir Ağları (Erişim Tarihi: 16.09.2023)
• [10] Sert Z., ESA (Evrişimsel Sinir Ağları) https://zeysert.medium.com/esa-evrişimsel-sinirağları-87d9bd986579 (Erişim tarihi: 07.07.2023)
• [11] https://developers.google.com/mediapipe Mediapipe (Erişim tarihi: 14.03.2023)
• [12] https://github.com/google/mediapipe/tree/a908d668c730da128dfa8d9f6bd25d519d006 Mediapipe (Erişim Tarihi: 7 Temmuz 2023)
• [13] https://www.makesense.ai MakeSense (Erişim Tarihi: 16.09.2023)
• [14] https://neuroflash.com/blog/understanding-stable-diffusion-inpainting-aguide/#:~:text=Stable%20Diffusion%20Inpainting%20is%20a,damaged%20parts%20of% 20an%20image Understanding Stable Diffusion Inpainting: A Guide (Erişim tarihi: : 07.07.2023)
• [15] https://stablediffusionweb.com/WebUI Stable Diffusion (Erişim Tarihi: 16.09.2023)
• [16] https://www.hosting.com.tr/blog/midjourney/ Midjourney Nedir? Yaratıcılığınızı Görsellere Çevirin – Yapay Zekâ ile Mükemmel Görseller Oluşturma (Erişim tarihi: 07.07.2023)
• [17] Krizhevsky A., Sutskever I., & Hinton G. E., (2012). ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems, 25(2),1097-1105.
• [18] Ghazi M. M., Yanikoglu B. & Aptoula E., (2017). Plant identification using deep neural networks via optimization of transfer learning parameters. Neurocomputing, 235, 228-235.
• [19] https://towardsdatascience.com/what-are-hyperparameters-andhow-to-tune-the-hyperparameters-in-a-deep-neural-network-d0604917584a (Erişim tarihi: 07.07.2023)
• [20] Simonyan K. & Zisserman A. (2014). Very Deep Convolutional Networks for LargeScale Image Recognation. arXiv preprint arXiv:1409.1556.
• [21] Kurt F., (2018). Evrişimli Sinir Ağlarında Hiper Parametrelerin Etkisinin İncelenmesi, Yüksel Lisans tezi, Hacettepe Üniversitesi.
• [22] Szegedy C., Liu W., Jia Y., Sermanent P., Reed S., Anguelov D., Erhan D., Vanhoucke V. & Rabinovich A., (2015). Going deeper with convolutions, 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), (ss 1-9).
• [23] https://github.com/pjreddie/darknet Darknet (Erişim tarihi: 07.07.2023)
• [24] https://pjreddie.com/darknet/ Darknet: Open Source Neural Networks in C (Erişim tarihi: 07.07.2023)
• [25] Ozel, M. & Baysal, S. & Sahin, M. (2021). Derin Öğrenme Algoritması ile Dinamik Test Süresince Süspansiyon Parçalarında Çatlak Tespiti. Avrupa Bilim ve Teknoloji Dergisi, (26), 1-5.
• [26] Yılmaz, A. G., Gedikli, E., & Alhori, O. (2023). Yüz Görüntülerine Morflemeye Dayalı Maske Giydirme ve Maskeli Yüz Tanıma. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 27(1), 12-21.