Yüz tanıma sistemlerinde kullanılan öznitelik vektörlerinin optimizasyonu

Abstract

Bugüne kadar gerçekleşen pek çok gelişmeye karşın yüz tanıma zorlu bir problem olmaya devam etmektedir. Yüz ifadeleri, poz ve aydınlık gibi parametrelerde meydana gelen küçük değişimler, yüz imgesinde bozulmalara neden olmaktadır. Buna rağmen, yüzdeki yerel niteliklerin bu tür bozulmalara karşı dayanıklı olduğu ve bir uzay-frekans analizi ile niteliklerin eldesinin mümkün olduğu düşünülmektedir. Bu amaç doğrultusunda, iyi biçimde belirlenmiş uzay-frekans yerelleştirmesi ile Dalgacık Analizi doğru bir seçim olarak karşımıza çıkmaktadır. Çeşitli dalgacık tabanları arasında Gabor Fonksiyonları, hem zamanda hem de frekansda en uygun çözünürlüğü sağlamaktadır. Örüntü tanıma için yerel niteliklerin elde edilmesinde, Gabor Dalgacıklar en uygun yaklaşım olarak görünmektedir.Doğrusal olmayan sürekli fonksiyonların optimizasyonu için geliştirilmiş Parçacık Sürü Optimizasyonu (PSO), basitleştirilmiş sosyal bir modelin benzetimi esnasında bulunmuştur. Kökleri iki ana metodolojiye dayanmaktadır; genelde Yapay yaşam (Artificial life (A-life)), özelde Kuş sürüsü (Bird Flocking), Balık sürüsü (Fish Schooling) ve Sürü Teorisi (Swarm Theory). PSO, Evrimsel Hesaplama ile ilintilidir, bununla birlikte kökleri hem Genetik Algoritma hem de Evrimsel Programlamaya ulaşmaktadır.PSO, basit bir fikir ve bir kaç satır bilgisayar kodu ile gerçeklemesi mümkün bir metoddan oluşmaktadır. Sadece temel matematik operatörlerine ihtiyaç duymakta, ayrıca bellek gereksinimi ve hız bakımından oldukça masrafsızdır.Bu çalışmada, yüz tanımada kullanılan özniteliklerin Gabor Dalgacık ile elde edilmesi üzerinde durulmuştur. Ayrıca parçacık sürü optimizasyonuna dayalı bir yüz tanıma öznitelik optimizasyonu sunulmuş, farklı yüz kümeleri üzerinde testler yapılarak benzetim sonuçları yorumlanmıştır.

Despite remarkable progresses so far, the general task of face recognition remains a challenging problem, this is mainly due to the complex distortions that can be caused by variations in illumination, facial expressions and poses. It is widely believed that local features in face images are more robust against such distortions and a spatial?frequency analysis is often desirable to extract such features. With good characteristics of space?frequency localization, wavelet analysis is the right choice for this purpose. In particular, among various wavelet bases Gabor functions provide the optimized resolution in both the spatial and frequency domains. Gabor wavelets seem to be the optimal basis to extract local features for pattern recognition.Particle swarm optimization has roots in two main component methodologies. Perhaps more obvious are its ties to artificial life (A-life) in general, and to bird flocking, fish scooling, and swarming theory in particular. It is also related, however, to evolutionary computation, and his ties to both genetic algorithms and evolutionary programming.Particle swarm optimization comprises a very simple concept, and paradigm can be implemented in a few lines of computer code. It requires only primitive mathematical operators, and is computationally inexpensive in terms of both memory requirements and speed.In this study, the extraction of features, used in face recognition, is examined. Gabor Wavelets are used to extract the features. Also a face recognition feature optimization technique, related to particle swarm optimization, is represented, and the results of the simulation are examined by testing different face sets.