Yüz Tanıma

Merhaba,

Yüz tanımanın başarı oranı, diğer yöntemlere göre düşük kalsa da, kullanım açısından diğer

biyometrik yöntemlere göre avantajlı olduğu noktalar da bulunmaktadır. Örneğin, yüz tanıma için kişiden örnek almak diğerlerine göre çok daha kolaydır. İris veya retina taraması yapmak için kişinin göz tarayıcısına bakması veya parmak izi tanımada kişinin parmağını gerekli cihazın üzerinde tutması gibi zorunluluklar vardır. Oysa yüz tanıması için uygun açı ve mesafeden bir resim almak yeterlidir.

 

Böylece kişiler rahatsız olmadan örnek biyometri imgesi toplanabilmektedir. Ayrıca yüz tanımada kullanılan veri, daha okunabilir ve anlaşılabilirdir. Uygulamada yüz tanıma ile gerçekleştirilen güvenlik sistemlerinde, yanlış tanımaların görevliler tarafından göz ile de kontrol edilmesi mümkündür.

Diğer yöntemler için bu kontrol işlemi yüz tanımaya göre oldukça zordur.

Son yıllarda yüz tanımadan, güvenlik sistemleri, kredi kartı onaylama gibi alanlarda yararlanılmaktadır. Bu noktada başarılı yüz tanıma sisteminin önemi anlaşılmaktadır. Yüz tanıma sistemleri öğrenebilen sistemler olmalıdır. Sistemin başarısı sistemin girdiye uyguladığı dönüşümlere ve girdinin özelliklerini öğrenebilme başarısına bağlıdır.

 

Yüz tanıma işlemi, tanınmak istenen yüzün sistemdeki hangi yüzle daha çok eşleştiğine dayanarak yapılmaktadır. Tanınması istenen yüz bilgisi normalize edilir ve sistemde bulunan diğer yüzlerle karşılaştırılarak sınıflandırılır.

Yüz tanıma, bir örüntü tanıma işlemidir. Birçok yüz tanıma sistemleri vardır ve oluşturulmuş veri tabanları için genelde başarılı sonuçlar elde edilmektedir. Yüz tanıma için kullanılan başlıca yöntemler şunlardır;

  • Temel Bileşenler Analizi(TBA)
  • Doğrusal Ayırtaç Analizi(DAA)
  • Çekirdek Ayırtaç Analizi(ÇAA)
  • Esnek Çizge Eşleme(EÇE)
  • Çekirdek Temel Bileşenler Analizi(ÇTBA)
  • Destek Vektör Makineleri

 

 

TEMEL BİLEŞENLER ANALİZİ

Temel Bileşenler Analizi (TBA) boyut azaltmak ve görüntüler arasındaki temel farklılıkları

çıkarmak için kullanılan bir yöntemdir. TBA karşılıklı ilişkisi olan verinin N-boyutlu uzay yerine daha düşük boyutlu uzayda önemli bilgi kaybı olmadan boyut azaltmanın en uygun yoludur. Azaltılmış alt uzayı kullanarak, veritabanı üzerindeki hesaplamalar daha verimli hale gelir.

 

Üretilen betimlemeler genel olarak öz uzaylar olarak adlandırılır ve yüz tanıma uygulamalarında ise öz yüzler olarak isimlendirilir (Turk ve Pentland, 1991). Öz vektörler özellik vektörlerinin oluşturulması için kullanılır. Bu özellik vektörleri daha sonra tanıma işleminde kullanılarak gelen örnek görüntünün en çok benzediği eğitim seti elemanı bulunur.

TBA’nın 3 temel amacı vardır:

  1. Verilerin boyutunu azaltmak,
  2. Tahminleme yapmak,
  3. Veri setini, bazı analizler için görüntülemek.

Ayrıca TBA, tanımanın doğru yapılmasını sağlayan efektif doğrultuların bulunmasını sağlar.

 

C:\Users\yavuz\Desktop\Capture.JPG

Yüz tanımada TBA işlemi aşağıdaki şekilde gerçekleştirilir.

 

TBA Algoritması:

 

1. Eğitim görüntüleri sırayla okunarak her NxN eğitim görüntüsü N2x1 boyutlarına

getirilir. M örnek sayısı ise N2 xM boyutlarında eğitim seti oluşturulur.

2. Ortalama yüz bulunur ve ortalama yüz eğitim setindeki yüzlerden çıkarılır.

 

3. Çıkarma işleminden elde edilen matris transpozesi ile çarpılır ve kovaryans matrisi

elde edilir.

4. Kovaryans matrisi için öz vektörler hesaplanır.

 

5. Öz vektörlerin, eğitim görüntü sayısı – sınıf sayısı kadarı öz yüzlerinin oluşturulmasında kullanılır.

6. Seçilen öz vektörler, çıkarma işleminden elde edilen matris ile çarpılarak azaltılmış öz yüz uzayı elde edilir.

7. Tanıma aşamasında, alınan örnek görüntü için öz yüz oluşturulur ve her bir öz yüz ile arasındaki Öklit uzaklığı hesaplanır. Uzaklığın en küçük olduğu değer örnek verinin en çok benzediği kişidir.

Peki ben ne yaptım bu kısımda ise, bir önceki adım sayesinde elde etiğimiz morflenmiş resimlerim, elimizdeki çoçuk resmi ile olan benzerliğini bulacağız. Öncelikle işlenecek resimleri gri seviyeye çeviririz. Gri seviyeyi bulmak için ele alınan rengin üç bileşeninin (RGB) ağırlıklandırılmış toplamı hesaplanır.

 

Kırmızı bileşenin yaklaşık %30’ u, yeşilin %59’u ve mavinin %11’i alınarak bulunan, hedeflenen gri seviyedir. Bunu yaparken de TBA yönteminin yukarıdaki 7 adımını uygulayacağız. Aşağıda ise sonuc görülmektedir.

Projenin sonunda oluşan sonuc :

C:\Users\yavuz\Desktop\Capture.JPG

 

 

Mehmet Salih Deveci

I am Founder of IT Tutorial and Certified Expert about Oracle & SQL Server database, Goldengate, Exadata Machine, Oracle Database Appliance administrator with 10+years experience. I have OCA, OCP, OCE RAC Expert Certificates I have worked 100+ Banking, Insurance, Finance, Telco and etc. clients as a Consultant, Insource or Outsource. I have done 200+ Operations in this clients such as Exadata Installation & PoC & Migration & Upgrade, Oracle & SQL Server Database Upgrade, Oracle RAC Installation, SQL Server AlwaysOn Installation, Database Migration, Disaster Recovery, Backup Restore, Performance Tuning, Periodic Healthchecks. I have done 2000+ Table replication with Goldengate or SQL Server Replication tool for DWH Databases in many clients. If you need Oracle DBA, SQL Server DBA, APPS DBA,  Exadata, Goldengate, EBS Consultancy and Training you can send my email adress mehmetsalih.deveci@outlook.com. -                                                                                                                                                                                                                                                 - Oracle DBA, SQL Server DBA, APPS DBA,  Exadata, Goldengate, EBS ve linux Danışmanlık ve Eğitim için  mehmetsalih.deveci@outlook.com a mail atabilirsiniz.