Face recognition system based on PCA-wavelet and support vector machines

Abstract

Yüz tanıma, insan-bilgisayar arabirimi, izleme sistemleri ve kişisel tanımlama gibi çeşitli uygulamalarda önemli bir gereksinimi temsil edebilir.Bu tezde, yüz tanıma sistemini uygulamak ve test etmek için farklı yöntem türleri kullanılmıştır. Bu yöntemler ilk önce bir yüz tanıma sisteminde tanıtılır ve bu yöntemlerin kombinasyonu tanıma sistemini destekler ve diğer yöntemlere kıyasla daha iyi sonuç verir.Birinci bölümde önemli özellikleri elde etmek ve yüz imgesinin boyutlarını azaltmak için PCA ve Wavelet özellik çıkarımı yöntemlerinin bir kombinasyonu kullanılır. İkinci bölümde, imge özelliklerini sınıflandırmak için SVM sınıflandırıcısı kullanılır ve K-en yakın mahalle uygulanarak tanımlanır. Üçüncü bölümde SVM sınıflandırıcı sonuçlarını yapay sinir ağı sınıflandırıcısı ile karşılaştırmak için SVM'nin sınıflandırma performansını göstermek için farklı çekirdek türleri altındaki Sınıflandırma performansı incelenmiştir.Sonunda, sistemin çeşitli koşullardaki performansları test edilir. Daha kapsamlı bir karşılaştırma için, sistemin performansını test etmek için iki yüz görsel veritabanı kullanılır. Deney sonuçları, sistemin etkinliği ve güvenilirliği üzerinde kanıtlanmış ve SVM sınıflandırıcısını, polinom çekirdeği işleviyle birlikte, ileriye yayılma Yaylanma yayılımı sinir ağı sınıflandırıcıya kıyasla% 5 oranında sonuç geliştirme ile karşılaştırmıştır.

Face recognition can represent a key requirement in various types of applications such as human-computer interface, monitoring systems as well as personals identification etc. In this thesis, different types of methods were used for implementing and testing face recognition system. These methods are first way introduced in one face recognition system and the combination of these methods together support the recognition system and give better results compared to other methods.In the first part, a combination of PCA and Wavelet Feature Extraction methods are used to obtain the important features and reduce the dimensions of the face image. In the second part, SVM classifier is used to classify the features of image and K-Nearest Neighborhood is applied to identify it. In the third part, Classification performance under different kernel types is examined to demonstrate the classification performance of SVM, in addition, to compare the SVM classifier result with artificial neural network classifier.Finally, the performances of the system under various conditions are tested. For a more comprehensive comparison, two face image databases are used to test the performance of the system. The experimental results proved the efficiency and reliability of the system and the results enhancement of 5% by using the SVM classifier with polynomial Kernel Function compared to use feed forward Backpropagation neural network classifier.