Face detection using learning networks

Abstract

oz ÖĞRENEN AĞLAR KULLANARAK YUZ BULMA Tek, Faik Boray Yüksek Lisans, Elektrik ve Elektronik Mühendisliği Bölümü Tez Yöneticisi: Assist. Prof. Dr. A. Aydın Alatan Ortak Tez Yöneticisi: Assoc. Prof. Dr. Gözde Bozdağı Akar HAZİRAN 2002, 72 sayfa Yüz bulma, yapay görünün zorlu problemlerinden biridir. Yüz bulma prob leminin amacı, bir tek veya ardışık görüntü verildiğinde, yüz içeren bölgeleri 3 boyutlu transformasyona ve ışıklandırma koşullarına bağımlı olmadan be lirlemektir. Bir tek veya ardışık görüntüde bulunan yüzü bulmaya yönelik yaklaşımlar niteliklere dayanan ve imgeye dayanan metodlar olarak iki ana kategoriye ayrılabilir. Bu çalışmada iki farklı öğrenme temelli metot, öğren me dinamikleri ve yüz bulma performansları ile karşılaştırılmaktadır. Metot-lardan biri problem uzayının doğrusal olarak ayrılabilir olduğu öngörüsünü kullanan seyrek harman ağı yaklaşımıdır. Diğer öğrenme metodu ise prob lemin doğrusal olarak ayrılabilir olduğu öngörüsünden bağımsız olarak dağınık ayrışımlar sağlayan geleneksel yapay sinir ağları yaklaşımıdır. Karşılaştırmalı deney sonuçları, yüz ve yüz-olmayan uzayında, her iki metodun, yakın sınıflama performanslarına sahip olduğunu göstermektedir. Buna ek olarak, seyrek har man ağı temelli metodun, yapay sinir ağı temelli metoda göre daha hızlı eğitme ve sınama yapabildiği gözlenmiştir. Anahtar Kelimeler: Yüz bulma, Öğrenme, Seyrek harman ağı, Yapay sinir ağları. vı

ABSTRACT FACE DETECTION USING LEARNING NETWORKS Tek, Faik Boray M.Sc, Department of Electrical and Electronics Engineering Supervisor: Assist. Prof. Dr. A. Aydm Alatan Co-Supervisor: Assoc. Prof. Dr. Gözde Bozdağı Akar JUNE 2002, 72 pages Face detection is a challenging computer vision problem. Given a still image or an image sequence, the goal of face detection is to locate all regions that contain a face regardless of any three dimensional transformation and light ing condition. There are two main categories that may serve as a solution for this problem: feature-based and image-based approaches. In this thesis, two different image-based and learning oriented solutions are compared, to observe the learning dynamics and face detection performances. In the first mapproach, named Sparse Network of Winnows (SNoW) based face detector, the problem space is assumed to be linearly separable and a linear threshold function is offered for the solution which is supported by a sparse feature map ping architecture. For the second approach, discarding the linear separability assumption, a neural network in the form of a multilayer perceptron solution is used which assumes to represent any function using arbitrary decision surfaces by utilizing nonlinear activation functions. Observations in the comparative experiments show that the methods show closer performances for the classifi cation in the face and non-face space. Furthermore, simple architecture of the SNoW learning method enables faster training and evaluation with respect to the neural network counterpart. Keywords: Face Detection, Learning, Neural Networks, Sparse Network Of Winnows. ^&^ IV