Evrişimsel Sinir Ağları ile Otomatik Yüz Tanıma Sistemi
Abstract
Kompleks bir yapıya sahip insan yüzünün tanımlanması zor ve karmaşık bir problemdir. Yüz tanımlamasıyla ilgili doğru özelliklerin, doğru bir şekilde nasıl tanımlanması gerektiği bir mühendislik problemi olarak karşımıza çıkmaktadır. Makine öğrenmesi ve görüntü işleme teknikleri kullanılarak fotoğraflardan yüz tespiti yapılabilmektedir. Yüz tanımada en önemli özellik bir veri tabanının olmasıdır. Veri tabanını kendimiz üretebildiğimiz gibi hazır tanımlanmış veri tabanları da kullanılabilir ya da örnek fotoğraflar vererek üçüncü bir program ile yapay görüntülerin üretilmesini sağlanabilir. Bu çalışmada OpenCV (Open Source Computer Vision) ile gelen veri tabanlarını kullanılmıştır. OpenCV aynı zamanda görüntüleri yeniden boyutlandırmak ve ondan öznitelik vektörleri oluşturmak için de kullanmıştır. Çalışmada, OpenCV kütüphanesi kullanarak modelin eğitimi için kullanılan Konvolüsyonel Sinir Ağları (CNN) ile otomatik yüz tanıma modeli gerçekleştirdik. Yüzler son derece dinamik olduğundan ve çözülmesi gereken daha fazla sorun ve zorluk içerdiğinden, sağlamlığı ve tanıma doğruluğunu iyileştirmek amacıyla bu tür zorlukları azaltmak için çalışmamızda diğer çalışmalardan farklı bir model sunduk. Çalışmamız 4 adımda gerçekleştirilmektedir. İlk adımda elde ettiğimiz farklı görüntülerden ön işleme adımlarını gerçekleştirerek daha başarılı sonuçlar üretmeyi amaçladık. Daha sonra, önerilen modeli farklı öznitelik çıkarma yöntemleriyle de karşılaştırdık. CNN ağı ile eğitim yaparak test verileri için yüz tanıma gerçekleştirdik ve sonuçları karşılaştırmalı olarak sunduk. Çalışmadaki sonuçlar, yöntemimizin çeşitli fotoğraflardaki yüzleri başarıyla tanımladığını göstermektedir.
Keywords
Görüntü işleme, Python, OpenCV, CNN, Yüz tanıma, Görüntü işleme, Python, OpenCV, CNN, Yüz tanıma
References
- Ali, D., Touqir, I., Siddiqui, A. M., Malik, J., & Imran, M. (2022). Face Recognition System Based on Four State Hidden Markov Model. IEEE Access, 10, 74436-74448.
- Bradski G., Kaehler A. (2008). Learning OpenCV, O’Reilly Media Inc., USA.
- Cao, L. J., Chua, K. S., Chong, W. K., Lee, H. P., & Gu, Q. M. (2003). A comparison of PCA, KPCA and ICA for dimensionality reduction in support vector machine. Neurocomputing, 55(1-2), 321-336.
- Erişti E. (2010). Görüntü İşlemede Yeni Bir Soluk, OPENCV, Akademik Bilişim’10 - XII. Akademik Bilişim Konferansı Bildirileri, 10-12 Şubat, Muğla.
- Goldstein, A. J., Harmon, L. D. ve Lesk, A. B. (1971). Identification of human faces, Proc. IEEE 59, 748.-760.
- Gross, R., Shi, J. ve Cohn, J. (2001) Quo vadis Face Recognition, Carnegie Melon University, 54.
- Haig, N.K. (1985). How faces differ - a new comparative technique, Perception 14, 601-615.
- Jeevan, G., Zacharias, G. C., Nair, M. S., & Rajan, J. (2022). An empirical study of the impact of masks on face recognition. Pattern Recognition, 122, 108308.
- Jin, B., Cruz, L., & Gonçalves, N. (2022). Pseudo RGB-D Face Recognition. IEEE Sensors Journal.
- Kanade, T. (1973). Picture processing system by computer complex and recognition of human faces. Dept. of Information Science, Kyoto University, Nov.