DESTEK VEKTÖR MAKİNELERİ KULLANARAK YÜZ TANIMA UYGULAMASI GELİŞTİRİLMESİ

Öz

Yüz tanıma sistemleri günümüzde hızlı büyüyen ve geniş bir uygulama alanına sahip biyometrik teknolojilerden biridir. Destek Vektör Makineleri, istatistiksel öğrenme algoritmasına göre çalışan, sınıflandırma ve regresyon problemlerinin çözümünde kullanılan bir makine öğrenme algoritmasıdır. Bu çalışmada Destek Vektör Makineleri kullanarak yüz tanıma uygulaması gerçekleştirilmiştir. Destek Vektör Makinelerinde sınıflandırma işlemi için radyal tabanlı çekirdek fonksiyonu tercih edilmiştir.  Destek Vektör Makineleri tarafından sınıflandırılacak görüntülerin tespit edilebilmesi için ön işleme ve öznitelik çıkarımı işlemleri uygulanmıştır. Görüntüler üzerindeki yüz bölgeleri kırpılmış ve 20x20 piksel olarak yeniden boyutlandırılmıştır. Kırpılan görüntüler üzerindeki özyüzler Temel Bileşen Analizi kullanılarak bulunmuştur. Temel Bileşen Analizi, veri setindeki güçlü özellikleri ortaya çıkarmak için kullanılan bir yöntemdir. Uygulama OpenCV kullanarak Visual Studio 2013 ortamında gerçekleştirilmiştir. Test verilerinin başarım oranı %80 olarak elde edilmiştir.

Anahtar Kelimeler

• Yüz Tanıma Sistemleri,Destek Vektör Makineleri,Temel Bileşen Analiz,Sınıflandırma,Yüz,Sınıflandırma

Abstract

Kaynakça

1. [1] Parmar, D.N. and Mehta, B.B., (2013). Face Recognition Methods & Applications. Int. J. Computer Technology & Applications, Volume:4, Number:1, pp:84-86.
2. [2] Tuzcuoğlu, H., (2003). Yapay Zeka Teknikleri, Depremde Kullanılması ve Küme Kuramları. DEÜ Mühendislik Fakültesi Fen ve Mühendislik Dergisi, Cilt:5, Number:1, ss:73-88.
3. [3] Tikoo, S. and Malik, N., (2016). Detection Segmentation and Recognition of Face and Its Features Using Neural Network. Journal of Biosensors & Bioelectronics, Volume:7, Number:2, ss:1-5.
4. [4] Marqués, I., (2010). Face Recogenition Algorithms. Biskay: Universidad del Pais Vasco.
5. [5] Turk, M. and Pentland, A., (1991). Eigenfaces for Recognition. Journal of Cognitive Neuroscience, Volume:3, Number:1, pp:71-86.
6. [6] Leung, T., Burl, M., and Perona, P., (1995). Finding faces in Clutttered Scenes Using Labeled Random Graph Matching. pp:637-644, International Conference Computer Vision, Cambridge, USA.
7. [7] Lawrence, S., Giles, C.L., Tsoi, A.C., and Back, A.D., (1997). Face Recognition: A Convolutional Neural-Network Approach. IEEE Trans Neural Network, Volume:8, Number:1, pp:98-113.
8. [8] Etemad, K. and Chellappa, R., (1997). Discrimant Analysis for Recognition of Human Face Images. J. Opt. Soc. Am. A, Volume:14, Number:8, pp:1724-1733.

9. [9] Rowley, H., Baluja, S. and Kanade, T., (1998). Neural Network Based Face Detection. IEEE Trans. Pattern Analysis and Machine Intelligence, Volume:20 Number:1 pp:23-38.
10. [10] Schneiderman, H. and Kanade, T., (2000). A Statistical Method for 3d Object Detection Applied to Faces and Cars. pp:746-751, IEEE Conf. Computer Vision and Pattern Recognition, Güney Carolina, USA, 2000.
11. [11] Yuen, P.C. and Lai, J.H., (2002). Face Representation Using İndependent Component Analysis. Pattern Recognition, Volume:35, Number:6, pp:1247-1257.
12. [12] Yang, M.H., Kriegmn, D.J., and Ahuja, N., (2002). Detecting Faces in Images: A Survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, Volume:24, Number:1, pp:34-36.
13. [13] Vapnik, V.N. and Lerner, A.Y., (1963). Recognition of Patterns With Help of Generalized Portraits. Translated from Avtamarika I Telernckllanjka, Volume:24, Number:6, pp:774-780.
14. [14] Vapnik, V.N., (1982). Realism and Instrumentalism: Classical Statics and VC Theory (1960-1980). pp:411-423, Springer Science & Business Media, New York, USA.
15. [15] Boser, B.E., Guyon, I.M., and Vapnik, V.N., (1992). A Training Algorithm for Optimal Margin Classifiers. Proc. 5th ACM Workshop on Computational Learning Theory (COLT). Pittsburgh, Pennsylvania, USA, pp:144-152.
16. [16] Cortes, C. and Vapnik, V., (1995). Support Vector Networks. Machine Learning, Volume:20, Number:1, pp:273-297.
17. [17] Çatalbaş, M.C., (2014). Temel Bileşenler Analizi ve Kanonik Korelasyon Analizi İle İmge Tanıma ve Sınıflandırma. Yayınlanmış Yüksek Lisans Tezi. Ankara: Hacettepe Üniversitesi Fen Bilimleri Enstitüsü.
18. [18] Pearson, K., (1901). On Lines and Planes of Closest Fit to Systems of Points in Space. Philosophical Magazine, Volume:2, Number:6, pp:559-572.
19. [19] Tayyar, N. ve Tekin, S., (2013). İMKB-100 Endeksinin Destek Vektör Makineleri İle Günlük, Haftalık ve Aylık Veriler Kullanarak Tahmin Edilmesi. AİBÜ Sosyal Bilimler Enstitüsü Dergisi, Cilt:13, Sayı:1, ss:189-217.
20. [20] Osuna, E.E., Freund, R., and Girosi, F., (1997). Support Vector Machines: Training and Applications. Center for biological and computational learning department brain and cognitive sciences, Neural Networks for Signal Processing,
21. [21] Gunn, S.R., (1998). Support Vector Machines for Classification And Regression. United Kingtom: Faculty of Engineering, Science and Mathematics School of Electronics and Computer Science.
22. [22] Yang, J., Zhang, D., Member, S., Frangi, A.F., and Yang, J.Y., (2004). Two-Dimensional PCA: A New Approach to Appearance-Based Face Representation and Recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence, Volume:26, Number:1, pp:131-137.
23. [23] Pearson, K., (1901). On Lines And Planes of Closest Fit to Systems of Points in Space. Philosophical Magazine, Volume:2, Number:1, pp:559-572.
24. [24] Hotelling, H., (1933). Analysis of a Complex of Statistical Variables into Principal Components. Journal of Educational Psychology, Volume:24, Number:6, pp:417-441.
25. [25] Sivorich, L. and Kirby, M., (1986). Low-Dimensional Procedure for the Characterization of Human Faces. Journal of the Optical Society of America, Volume:4. Number:3, pp:520-524.
26. [26] Gharamaleki, P.S. and Seyedarabi, H., (2015). Face Recognition Using Eigenfaces, PCA and Support Vector Machines. European Journal of Applied Engineering and Scientific Research, Volume:4, Number:3, pp:24-30.