Feature extraction and fusion techniques for patch-based face recognition

Abstract

Yüz tanıma, güvenlik uygulamaları ve insan bilgisayar arayüzündeki öneminden dolayı, son dönemde en fazla incelenen örüntü tanıma problemlerininden biridir. Yüz tanıma problemi üzerinde on yıllardır süre gelen araştırmalar sonucu, uygulanabilir teknolojiler mevcut hale gelmiştir. Fakat, karşılaşılan zor durumlar için gelişime açık bir konudur. öyle ki, yüz tanıma problemi halen imge işleme, örüntü işleme ve bilgisayarla görü gibi farklı disiplinlerden araştırmacıların ilgisini çekmektedir.Yüz tanıma dışında, parmak izi tanıma ve retina/iris taraması gibi farklı kişisel kimlik tanıma sistemleri bulunsa da, tüm bu sistemlerde kişinin işbirliğine ihtiyaç duyulmaktadır. Yüz bilgisi ise kişinin işbirliği ya da bilgisi olmadan da elde edilebildiği için, yüz tanıma sistemleri diğer sistemlerden ayrılmaktadır.Öznitelik çıkarımı, yüz tanıma probleminde önemli bir yer teşkil eder ve yüz tanıma sistemlerinin performansı, çıkarılan özniteliklerin güvenilirliğine dayanır. Daha önce, yüz tanıma problemi için çeşitli boyut düşürme yöntemleri sunulmuştur. Biz de bu tezde, daha önce yüz tanıma problemi için sunulmuş boyut düşürme yöntemlerine ek olarak, yakın zamanda sunulan boyut düşürme yöntemlerini bir yama-tabanlı yüz tanıma sistemi üzerinde uyguladık. Yama-tabanlı yüz tanıma, yakın zamanda sunulmuş bir yüz tanıma yöntemidir. Yüz imgelerinin bütünsel temsili yerine bölgesel analizi fikrine dayanarak, ışıklandırma değişimlerinin ve kısmi kapatmaların (oklüzyon) etkisini azaltmayı amaçlar.Öznitelik birleştirme ve karar birleştirme, çıkarılan özniteliklerin değerlerdirilmesi için iki farklı yoldur. Bu tezde, herkesçe bilinen karar birleştirme yöntemlerinin dışında, ağırlıklı toplam kuralı için ağırlık hesaplanması için yeni bir yaklaşım sunmaktayız. İki farklı yüz veritabanı üzerinde, hem öznitelik birleştirme hem de karar birleştirme deneyleri gerçekleştirdik ve farklı boyut düşürme ve normalizasyon yöntemleri için tanıma oranlarını sunduk. Tanıma oranlarındaki artışları ve karar birleştirmenin öznitelik birleştirmeye göre üstünlüğünü gösterdik. özellikle, daha zorlu AR veritabanı üzerinde, karar birletirme uygulayarak geleneksel yöntemlerden ve öznitelik birleştirmeden, önemli bir şekilde daha yüksek tanıma oranları elde ettik.

Face recognition is one of the most addressed pattern recognition problems in recent studies due to its importance in security applications and human computer interfaces. After decades of research in the face recognition problem, feasible technologies are becoming available. However, there is still room for improvement for challenging cases. As such, face recognition problem still attracts researchers from image processing, pattern recognition and computer vision disciplines. Although there exists other types of personal identification such as fingerprint recognition and retinal/iris scans, all these methods require the collaboration of the subject. However, face recognition differs from these systems as facial information can be acquired without collaboration or knowledge of the subject of interest.Feature extraction is a crucial issue in face recognition problem and the performance of the face recognition systems depend on the reliability of the features extracted. Previously, several dimensionality reduction methods were proposed for feature extraction in the face recognition problem. In this thesis, in addition to dimensionality reduction methods used previously for face recognition problem, we have implemented recently proposed dimensionality reduction methods on a patch-based face recognition system. Patch-based face recognition is a recent method which uses the idea of analyzing face images locally instead of using global representation, in order to reduce the effects of illumination changes and partial occlusions.Feature fusion and decision fusion are two distinct ways to make use of the extracted local features. Apart from the well-known decision fusion methods, a novel approach for calculating weights for the weighted sum rule is proposed in this thesis. On two separate databases, we have conducted both feature fusion and decision fusion experiments and presented recognition accuracies for different dimensionality reduction and normalization methods. Improvements in recognition accuracies are shown and superiority of decision fusion over feature fusion is advocated. Especially in the more challenging AR database, we obtain significantly better results using decision fusion as compared to conventional methods and feature fusion methods.