AN ENTERTAINMENT SOFTWARE WITH ARTIFICIAL INTELLIGENCE: WHICH CELEBRITY DO YOU LOOK LIKE?

Öz

Artificial intelligence technologies in digital age have given the opportunity to develop customized products that are quickly structured in a customer-oriented manner in the digital entertainment sector as in all sectors. These personalized products are tried to be created by taking into account the postmodern demands of the digital age, such as short-term affiliations, hyperreality, instant pleasures. This study presents an entertainment software methodology that is prepared according to these demands and can be played in real time. When the prepared application runs, the face image obtained from the camera, the face image of the most similar celebrity to this face and a face image between these faces are displayed on the screen. Haar cascade classifiers are used to find real-time face image from the image taken with the camera. Then the eigenface method is used to compare the obtained face image with the famous face images used in education. Finally, using image processing techniques, a face image similar to both celebrity and user faces is created. Thus, in the study, it is tried to present a personalized entertainment application methodology that can be played in real time with widely used artificial intelligence algorithms and can be diversified with different object similarities.

Anahtar Kelimeler

• : image similarity
• artificial intelligence
• virtual reality
• digital entertainment
• eigenface method
• haar cascade classifier

YAPAY ZEKA İLE BİR EĞLENCE YAZILIMI: BENZEDİĞİN ÜNLÜ KİM?

Öz

Dijital çağda kullanılan yapay zekâ teknolojileri, tüm sektörlerde olduğu gibi dijital eğlence sektöründe de müşteri odaklı olarak hızlıca yapılandırılan kişiselleşmiş ürünlerin gelişmesine fırsat vermiştir. Bu kişiselleşmiş ürünler kısa süreli aidiyetler, üstgerçeklik, anlık tüketim hazları sağlama gibi dijital çağın postmodern istekleri gözetilerek oluşturulmaya çalışılır. Bu çalışma da, bu istekler gözetilerek hazırlanan ve gerçek zamanlı olarak oynanabilecek bir eğlence yazılım metodolojisi sunmaktadır. Hazırlanan uygulama çalıştığında, kameradan elde edilen yüz görüntüsü, bu yüze en çok benzeyen ünlünün yüz görüntüsü ve bu iki yüz arasında bir ara yüz görüntüsü ekranda görüntülenmektedir. Çalışmada kameradan elde edilen görüntüden gerçek zamanlı olarak yüz görüntüsünün bulunması için haar peşpeşe sınıflandırıcılarından faydalanıldı. Sonra elde edilen yüz görüntüsünün, eğitimde kullanılan ünlü yüz görüntüleri ile karşılaştırılması için özyüzler yöntemi kullanıldı. Son olarak görüntü işleme teknikleri kullanılarak ünlü ve kullanıcı yüzlerinin her ikisine de benzeyen bir yüz görüntüsü oluşturuldu. Böylece çalışmada, yaygın kullanılan yapay zeka algoritmalarıyla gerçek zamanlı olarak oynanabilecek ve farklı obje benzerlikleriyle çeşitlendirilebilecek bir kişiselleştirilmiş eğlence uygulama metodolojisinin sunulmaya çalışıldı.

Anahtar Kelimeler

• yapay zeka
• dijital eğlence
• görüntüsel benzerlik
• haar peşpeşe sınıflandırıcılar
• özyüz yöntemi

Kaynakça

1. Bozkurt, Y. (2016). Reklamcılığa Yönelik Yeni Bir Bakış Açısı: Takyonlar, Üstgerçeklik Ve Reklam İlişkisi Üzerine Kuramsal Bir Değerlendirme. Karadeniz Teknik Üniversitesi İletişim Araştırmaları Dergisi, 6(1), 74-85.
2. Ediz, Ç . (2020). Adding Virtual Objects to Realtime Images; A Case Study in Augmented Reality. Sakarya University Journal of Computer and Information Sciences , 3 (3), 188-200 .
3. Erkılıç, H., Dönmez, S. (2016). Sanal Gerçeklik Anlatısının İzini Sürmek: Trinity VR ve Selyatağı VR Örnekleri . SineFilozofi , Özel Sayı (2) Mayıs 2020 , 318-344.
4. Fang, R., Tang, K.D., Snavely N. , Tsuhan C. (2010, September). Towards Computational Models Of Kinship Verification. IEEE International Conference on Image Processing, Hong Kong.
5. Kekül, H., Bircan, H., Arslan, H. (2018). Yüz Tanıma Uygulamalarında Özyüzler Ve Yapay Sinir Ağlarının Karşılaştırılması. Uluslararası Yönetim Bilişim Sistemleri Ve Bilgisayar Bilimleri Dergisi, 2(1), 51-59.
6. Kotler, P., Kartajaya, H., Setiawan, I. (2016). Marketing 4.0: Moving From Traditional To Digital. John Wiley & Sons.
7. Li, C., Zhu, F., Su, R. (2014). New Similarity Measure with Deformation Detection of Visual Salient Regions for Image Retargeting. International Journal of Multimedia and Ubiquitous Engineering, 9(7), 1-14. OpenCV, https://docs.opencv.org/2.4/modules/contrib/doc/facerec/facerec_tutorial.html#id16; erişim: 9.8.2020.
8. Özbay, G. (2020).Yiyecek İçecek Sektöründe Postmodern Pazarlama Yaklaşımı Olarak Üstgerçeklik Uygulamalarına İlişkin Bir Değerlendirme. Journal of Tourism Intelligence and Smartness, 3(1), 53-71.

9. Sherman, R. W. , Craig, A.B. (2019). Understanding Virtual Reality. Cambridge, USA: Morgan Kaufmann
10. Soo, S. (2014). Object Detection Using Haar-Cascade Classifier. Institute of Computer Science, University of Tartu, 1-12.
11. Şener, N. K. (2016). Eğlencenin Gözetleme Hâli Ya Da Eğlence Endüstrisinde “Görünen” Ve “Gören” Olmak. TRT Akademi, Eğlence Endüstri Sayısı, 1(1), 50-70.
12. Taşçi, G., & Çelebi, M. (2020). Eğitimde Yeni Bir Paradigma:“Yükseköğretimde Yapay Zekâ”. OPUS Uluslararası Toplum Araştırmaları Dergisi, 16(29), 2346-2370.
13. Turk, M., Pentland, A. (1991, January). Face Recognition Using Eigenfaces. In Proceedings. 1991 IEEE Computer Society Conference On Computer Vision And Pattern Recognition (586-587).
14. Türker, İ. H. (2005). İmgeden Sanal Gerçekliğe. Anadolu Sanat Dergisi, 16(6), 1-8.
15. Varol, S. F. (2012). Kitle İletişim Araçlarındaki Eğlence İçeriklerine İlişkin Kuramsal Yaklaşımlar Hakkında Bir Değerlendirme. İstanbul Üniversitesi İletişim Fakültesi Dergisi| Istanbul University Faculty of Communication Journal, (43), 141-161.
16. Viola, P., Jones, M. (2001, December). Rapid Object Detection Using A Boosted Cascade Of Simple Features. In Proceedings of the 2001 IEEE Computer Society Conference On Computer Vision And Pattern Recognition. CVPR 2001 (Vol. 1, pp. I-I). IEEE.