Hücresel hareketli tekniği ile yüz tanıyış

Abstract

Bu tezde Hücresel Hareketliler(Cellular Automata) denen hesap mekanizmaları ileörüntü sınıflandırıs ve tanıyıs teknikleri yüz tanıyısa uygulanmıstır. Çalısmadasınıflandırıs islemi için Çoklu Cezbedici Hücresel Hareketliler (ÇCHH) örüntüsınıflandırıcısı kullanılmıstır. ÇCHH sınıflandırıcıları ikiye ayrılır; devir uzunlugu bircezbediciler ve devir uzunlugu birden çok cezbediciler. Bu iki sınıflandırıcıÇCHH'yı olusturan kurallara göre olusur. Siyah beyaz ve gri olmak üzere iki farklıresim biçimi üzerinde tanıma islemi yapılmıstır. Gri seviyedeki resimlerde her birpikselin degeri sekiz bit uzunlugundaki ikili sayı formatına dönüstürülür. Dört bitlikiki parçaya bölünen sayı ÇCHH sınıflandırıcıları ile sınıflandırılır. Siyah beyazbiçimindeki resimde her piksel 0 veya 1 degerini tasır. Yüz resmindeki piksel verilerisoldan saga dogru olusturulan sınıflandırıcıyı olusturan kural sayısına göre bellisayılarda alınır. Alınan pikseller kullanılan ÇCHH'nin olusturdugu sınıf sayısı kadarsınıflara ayrılır. Tanınması istenen yüz resmine ait sınıf kümeleri benzerlik dereceleribulunmak üzere diger yüzlere ait sınıf kümeleri ile karsılastırılır. Benzerlik oranı enfazla saglayan veri tabanındaki resim bezeyen kisi olarak kabul edilir. Elde edilensonuçlar geleneksel yüz tanıma yaklasımları ile karsılastırılmıstır. HH yüz tanıyısyaklasımının zayıf ve güçlü yanları degerlendirilmistir.Gelistirilen yüz tanıma sistemi iki asamadan olusuyor. Birincisi yüz kaydetmeasamasıdır; yüz veritabanına belli sayıda yüz kaydedilir. Kaydedilen her bir yüzünpiksel degerlerinin sınıflandırması yapılır. Yüzlere ait sınıflandırılmıs veriler ayrı birdosyada kaydedilir. İkinci asamada programa tanınması için bir yüz girdi olarakverilir.İlk önce girdi olarak verilen yüzün piksel degerlerini sınıflandırması yapılır.Sınıflandırılmıs yüz verisi veritabanındaki sınıflandırılmıs yüz verileri ilekarsılastırılır. Benzerlik oranı en fazla olan yüz benzetilen yüz olarak kabul edilir.Anahtar Sözcükler : Cellular Automata, yüz tanıma, ÇCHH sınıflandırıcıları,hücresel hareketliler, devir uzunlugu bir cezbediciler, deviruzunlugu birden çok cezbediciler, örüntü sınıflandırma.

In this study, computing mechanism called Cellular Automata (CA) was used toclassify patterns for face recognition purposes. Multiple Attractors CellularAutomata (MACA) was used as a pattern classifiers to classify face image pixels.MACA classifiers consist of two type classifiers; single length cycle attractors andmultiple length cycle attractors. These two classifiers exist according to the rules ofMACA. Recognition process performed on both binary and gray scale images. Forgray scale image decimal values of each pixel convert to 8 bit binary numbers. Thenclassification had done using MACA. Each pixel on binary image was representedby 0 or 1 (black or white). The pixel values in face image are gotten from left to rightas block. Block length are defined by number of rules which belong to the MACAclassifiers. Classified blocks of given face are compared to the classified blocks offaces in database to find out similarity index. The face which has the high similarityindex is accepted as recognized person. Empirical results compared withconventional face recognition techniques. Approach of CA face recognition wasevaluated and its strong and poor sides were noted.Powered face recognition system consist of two phases. First one is the facerecording; a number of face are recorded to the face database. Pixel values of eachrecorded face are classified. Classified values belong to the faces are written anotherfile. In the second phase program get a face as input to classify pixel values. Thenclassified face values are compared with classified values of faces in database. Aface has highest similarity index is accepted as recognized person.Key Word:Cellular automata, face recognition, MACA classifiers, singlelength cycle attractor, multiple length cycle attractor.