Development of a real-time face recognition system using deep learning techniques

Abstract

Yüz tanıma sistemi, dijital görüntüdeki bir kişiyi doğrulamak veya tanımlamak için kullanılan biyometrik bir sistemin invaziv olmayan bir türüdür. Yüz tanıma sistemleri ağırlıklı olarak güvenlik amaçlı kullanılmaktadır, ancak eğlence ve sağlık gibi birçok alanda kullanılabilirler. Literatürde yüz tanıma sistemlerinin doğruluğu ve hızı hakkında birçok çalışma yapılmıştır. Bu tezde, gerçek zamanlı yüz tanıma sistemi, 2 farklı ucuz platformda tasarlandı ve uygulandı. Sistem farklı makine öğrenime ve derin öğrenme algoritma ve tekniklerinin bir kombinasyonunu kullanmıştır. Yüz tanıma sistemini dört ana aşamada gerçekleştirilmiştir. Yüz algılama için, Dijital Görüntüdeki yüzlerin algılanmasında daha hızlı olduğu için Yönelimli Eğim Histogramı (HOG) kullanıldı. Yüzü tespit ettikten sonra, yüz için 128 gömme üreten yüz tanıma modelinin eğitimi öncesine geçmeden önce yüzü ortaya getirmek için kullanılan 5 yüz yer işareti üreten yüz yer işareti tahmin algoritması kullanılmıştır. Son olarak, imgede kimin yüzü olduğunu tanımlamak için bir Destek Vektör Makinesi (SVM) sınıflandırıcı kullanılmıştır. Sistem 8 farklı kişinin 40 görüntüsünden oluşan bir veritabanı ile test edildiğinde % 96.88'lik doğruluk performansı elde etti. Bu tez, son derin öğrenme tekniklerine dayanan gerçek zamanlı yüz tanıma sistemlerinin sınırlı bir bilgisayar donanımı üzerinde uygulanabileceğini göstermektedir.Anahtar Kelimeler: Yüz tanıma, derin öğrenme, makine öğrenimi, bilgisayar vizyonu

Face recognition system is a non-invasive type of biometric system used to verify or identify a person from a digital image. Face recognition systems are mainly used for security purposes; however, they can be used in many other areas such as entertainment and healthcare. A lot of work has been done in the literature about the accuracy and speed of face recognition systems over the years. In this thesis, a real-time face recognition system has been designed and implemented on 2 different inexpensive platforms. The system used a combination of different machine learning and deep learning algorithms and techniques. The face recognition system has been implemented in four main stages. For the face detection, the Histogram of Oriented Gradients (HOG) was used because it is faster in detecting faces on a digital image. After detecting the face a modified version of face landmark estimation algorithm was used to generate 5 face landmarks used to center the face before passing it on to a pre-trained face recognition model which generates 128 embedding for the face. Finally, the system used a Support Vector Machine (SVM) classifier to identify whose face is on the image. The system reached a performance of 96.88% accuracy when tested with a database of 40 images of 8 different individuals. Approximately 3 frames have tested per second. This thesis shows that real-time face recognition systems based on recent deep learning techniques can be implemented on a limited computer hardware.Key Words: Face recognition, deep learning, machine learning, computer vision