A novel and efficient method for face recognition using original and symmetrical samples

Abstract

Pratik yüz tanıma uygulamalarında, insan yüzü yalnızca sınırlı sayıda eğitim görüntüsüne sahip olabilir. Bununla birlikte, genel olarak, eğitim görüntülerinin sayısının arttırılmasının, yüz tanıma sistemlerinin performansını da arttırdığı bilinmektedir. Bu durumda, yüzün simetri özelliğini kullanarak orijinal örneklerden yeni bir dizi eğitim örneği üretilebilir. Literatürde birçok yüz tanıma yöntemi önerilmiş olmasına rağmen, gürbüz yüz tanıma hala zor bir problem olarak karşımıza çıkmaktadır. Bu tezde, yüz simetrisi özelliği kullanılarak tanıma performansı arttırılmıştır. Ayrıca, bu şekilde aydınlatma ve poz değişikliklerinin etkilerinin azaldığı gözlemlenmiştir. Önerilen yöntemin üç ana aşaması vardır: ön işleme, öznitelik çıkarma ve sınıflandırma. Tek Seviyeli iki-boyutlu ayrık parçacık dönüşümü, alçak geçiren Gauss filtresi ve Gaussların farkı yöntemleri ayrı ayrı ön işleme için kullanılmıştır. Öznitelik çıkarımı için ise yerel ikili örüntü, gri seviye eşzamanlılık matrisi, Gabor filtresi ve yönlendirilmiş gradyanların histogramı kullanılmış ve son olarak Öklid mesafesi ve kosinüs benzerliği sınıflandırma için kullanılmıştır. Önerilen yöntem Olivetti Araştırma Laboratuvarı (ORL), Yale ve AR veri setleri kullanılarak test edilmiş ve değerlendirilmiştir. Önerilen yöntem, simetri kullanarak yüz tanıma için yeni bir yaklaşımdır. Ayrıca, öznitelik çıkarımı için yeni bir algoritma önerilmiş olup deneysel sonuçlar, yöntemin tekniğin bilinen durumundan daha hızlı olduğunu göstermektedir. Önerilen yeni yöntem, simetri özelliğinin avantajını görüntü uzayında veya öznitelik uzayında kullanabilir. Bu tez aynı zamanda ön işleme aşamasının bir yüz tanıma sisteminde önemini incelemektedir. Deneysel sonuçlar, önerilen yöntemin tekniğin bilinen durumuna göre daha yüksek bir tanıma doğruluğu oranına sahip olduğunu göstermektedir.

In the practical case of face recognition applications, the human face can have only a limited number of training images. However, it is known that, in general, increasing the number of training images also increases the performance of face recognition systems. In this case, a new set of training samples can be generated from the original samples, using the symmetry property of the face. Although many face recognition methods have been proposed in the literature, a robust face recognition system is still a challenging task. In this thesis, recognition performance is improved by using the property of face symmetry. Moreover, by this way we observe that the effects of illumination and pose variations are reduced. The proposed method has three main stages: preprocessing, feature extraction and classification. A Two-Dimensional Discrete Wavelet Transform with Single-Level, Gaussian Low-Pass Filter and Difference of Gaussian are used, separately, for preprocessing. The Local Binary Pattern, Gray Level Co-Occurrence Matrix, Gabor Filter and Histogram of Oriented Gradients are used for feature extraction, and finally, the Euclidean distance and cosine similarity are used for classification. The proposed method is tested and evaluated using the Olivetti Research Laboratory (ORL), Yale and AR datasets. The proposed method is a new approach for face recognition using symmetry. Also, a new algorithm for feature extraction is proposed and the experimental results show that it is faster than state of the art methods in the literature. The new proposed algorithm can use the benefit of symmetry property either in the image space or in the feature space. This thesis also examines the importance of the preprocessing stage in a face recognition system. The experimental results show that the proposed method has a recognition accuracy rates higher than the state-of-the art methods in the literature.