Destek vektör makinelerini kullanarak yüz bulma

Abstract

Yüz bulma ve yüz tanıma, yapay görünün zorlu problemlerinden biridir. Son yıllardaaskeri, ticari ve yasal uygulama alanlarının artması nedeniyle yüzlerin otomatik olaraktanınması çok popüler bir konu haline gelmistir. Yüz bulma problemi için bir bilgisayarmodeli kurmak oldukça zordur. Bu yüzden dogru, güvenilir, gerçek zamanlı yüz tanımasistemi için yüz bulma isleminin dogru olması gereklidir. Bu zorluk yüzlerin çok boyutlu,karmasık ve anlamlı görsel objeler olmalarından kaynaklanmaktadır.Bu çalısmada Destek Vektör Makineleri(DVM) kullanılarak yüz tespiti ele alınmıs vesınıflandırmanın daha hızlı yapılabilmesi için bir yöntem önerilmistir.Temel olarak, istatistiksel ögrenme algoritmalarından biri olan ve Vapnik -Chervonenkis tarafından tanımlanan DVM, aynı zamanda, yapay sinir agları ve karar agacıgibi metotların da bir alternatifi olarak bir çok uygulamada ortaya konulmustur. Sonzamanlarda ise DVM, örüntü tanıma, yüz bulma ve tanıma, veri madenciligi gibi alanlardakullanılmaya baslanmıstır ve birçok gerçek problemde basarılı sonuçlar vermistir.Çalısmanın ilk asamasında, yüze ait ve ait olmayan sekillerden seçilen egitim seti ileegitim verisi olusturulmustur. Egitim sonucunda olusan veri, egitim setinin renk bilgilerindenyararlanılarak elde edilmistir. Sisteme verilen resimlerden 20x20, 40x40, 60x60 pikselboyutlarında parçalama islemi yapılarak, her bir parçalama islemi sonrasında egitim verisinegöre öznitelik dügümleri belirlenmistir.DVM alt yapısının daha hızlı çalısabilmesi için dügüm degerleri üzerinde belirlioranlarda azaltma islemi yapılmıstır. Yapılan azaltma çalısmaları dogrultusunda, hız ve eldeedilen sonuç üzerinden en etkin oranlar; yüz olan dügümler için 1/4, yüz olmayan dügümleriçin 1/6 olarak belirlenmistir.Destek Vektör Makinelerini farklı çekirdekler ve parametreler için kullanarakperformans degerlendirmesi yapılmıstır. Ayrıca, sınıflandırma sonucu elde edilen imgelerdebasarı oranını arttırılması için yüzün sekil bilgisinden yararlanılarak maskeleme islemiyapılmıstır.Anahtar Kelimeler: Yüz bulma, Destek Vektör Makineleri, Sınıflandırma

Face finding and face recognition is one of the robust problems of artificial view. Inrecent years, because of raising military, commercial and legitmate application areasautomatically recognition of faces becomes a popular subject. Setting up a computer modelfor face finding problem is pretty difficult.So face finding process has to be right for exact,reliable, real time face recognition system. This complexity arise from the fact that faces aremulti dimensional, complex and meaningful visual objects.In this work, face detection by Support Vector Machines is discussed and a method isproposed for quicker classificcation.Basically, SVM that is one of the statistical learning algorithms and defined byVapnik-Chervonenkis, is produced in many applications as an alternative of methods likesyntetic neural network and decision tree. Recently SVM, is started to be used for areas likepattern recognition, face finding and recognition, data mining and it succeeded on many realproblems.At first stage of this work, training data is made up with training set that was chosenfrom shapes that belongs face and does not belong any face. The data that is made up fromtraining, is obtained under cover of color information of training set. By fragmentationprocess of pictures has sizes 20x20, 40x40, 60x60, attribute nodes according to training set isdetermined after each fragmentation process.Reduction process is done on node values in specific ratios to make substructure ofSVM working fast. On direction of reduction process, most effective ratios derived fromspeed and results are determined as 1/4 for nodes that inludes a face and 1/6 for nodes thatdoes not include any face.Performance evaluation is done by using support vector machine with different seedsand parameters. According to results, Polinomial seed results better than other seeds.Furthermore mask process by using of shape information of face is done on images obtainedfrom classification.Keywords: Face Detection, Support Vector Machines, Classification