Multi-scale binary similarity a local binary pattern variant for face recognition

Abstract

Yüz tanıma problemi üzerine kırk yıldan fazla bir süre çalışılmaktadır ve bu problemi çözmek için birçok algoritma ve sinir ağ yapısı önerilmiştir. Yüz tanımadaki amaç oldukça basittie, eğer önerilen metod, aynı kişiye ait eğitim ve test setlerinden alınmış örneklerden çıkarılan özellikleri aynı etiket altında kategorize edebiliyorsa, bu o algoritmanın doğruluğunu gösterir. Öte yandan problem ise resimler üzerindeki ışıklandırma efekti ile başlar. Işıklandırma efekti, aynı kişiye ait iki farklı örnekten çıkarılmış özellikleri farklı etiket altında kategorize edilmesine, bu resimleri farklı kişilere aitmiş gibi gösterilmesine sebep olabilir. Bu yüzden doğru sınıflandırma yapabilmek için, ışıklandırma ve diğer çevresel etkiler ortadan kaldırılmalıdır. Çevresel etkilerin ortadan kaldırılması için bir çözüm yerel ikili örüntü (LBP) algoritmasını kullanmaktır. LBP ışıklandırma efektinden etkilenmeyen, kolay hesaplanabilen, örneklerden çıkarılan özellikleri başarılı bir şekilde ayırt edebilen bir görsel anahtar nokta tanımlayıcıdır. Bu yüzden LBP temelli tanımlayıcılar yirmi yılı aşkın süredir, yüz tanıma problemini çözmek için geliştirilmektedir. LBP'nin kolay hesaplanabilme özelliği onun farklı problemlere uygulanabilir olmasını sağlamıştır, hatta LBP türevlerinin farklı uygulamalarda en iyi sonuçu aldığı veya LBP ile birlikte kullanılarak, LBP'nin sınıflandırma doğruluğunu artırdığı çok örnek vardır. Bu sonuçlardan esinlenerek, bu tezde, bir LBP varyantı tanımlayıcı olan Çok Ölçekli İkili Benzerlik algoritması (ÇÖİB) önerilmiştir. ÇÖİB tanımlayıcı algoritması, yüz resmindeki karakteristiği, seçilen alanlar içerisindeki, pikseller arasındaki ilişkiyi kodlayarak ortaya koyar. ÇÖİB'in çıkardığı özellikler, Destek Vektör Makinesi (SVM) ile eğitilmiştir ve AT&T, Extended Yale B, Georgia Tech veristeleri ile test edilmiştir. Sonuç olarak ÇÖİB algoritması, literatürdeki önerilmiş yaklaşımların çoğundan daha iyi sınıflandırmıştır.

Face recognition problem has been studying for more than four-decade, and many descriptors and neural network architectures were proposed. The aim is simple, extract features from the same subjects for training and test face image sets, if the proposed method was accurate, the extracted features categorized under the same label. However, the problem starts with the illumination effect on the images; the illumination effect may cause the extracted features for the same subject to be classified with the different labels. Therefore, illumination and other environmental impacts should be removed for accurate classification. One solution for eliminating environmental effect is using Local Binary Pattern (LBP) descriptor. LBP is an illumination invariant, computationally simple, and highly discriminative visual descriptor. Therefore, LBP based descriptors have been developing for more than a two-decade for solving face recognition problem. LBP′s computationally simple property make it applicable to different types of computer vision problems, also there are many examples of LBP variants either achieved state-of-the-art results in a particular application or complementary to the LBP. Having been inspired from the results, in this thesis, an LBP variant descriptor, Multi-scale Binary Similarity approach is proposed. MSBS encodes face image characteristic by analyzing the pixel relationships in selected components. The encoded features of the MSBS trained with Support Vector Machines (SVM) and tested with AT&T, Extended Yale B, Georgia Tech and MNIST datasets. The results show that MSBS outperforms most of the proposed approaches in the literature.