Yeşim TİRAKİ, Çiğdem BAKIR, Soydan SERTTAŞ, Hasan TEMURTAŞ

Evrişimsel Sinir Ağları ile Otomatik Yüz Tanıma Sistemi

Kompleks bir yapıya sahip insan yüzünün tanımlanması zor ve karmaşık bir problemdir. Yüz tanımlamasıyla ilgili doğru özelliklerin, doğru bir şekilde nasıl tanımlanması gerektiği bir mühendislik problemi olarak karşımıza çıkmaktadır. Makine öğrenmesi ve görüntü işleme teknikleri kullanılarak fotoğraflardan yüz tespiti yapılabilmektedir. Yüz tanımada en önemli özellik bir veri tabanının olmasıdır. Veri tabanını kendimiz üretebildiğimiz gibi hazır tanımlanmış veri tabanları da kullanılabilir ya da örnek fotoğraflar vererek üçüncü bir program ile yapay görüntülerin üretilmesini sağlanabilir. Bu çalışmada OpenCV (Open Source Computer Vision) ile gelen veri tabanlarını kullanılmıştır. OpenCV aynı zamanda görüntüleri yeniden boyutlandırmak ve ondan öznitelik vektörleri oluşturmak için de kullanmıştır. Çalışmada, OpenCV kütüphanesi kullanarak modelin eğitimi için kullanılan Konvolüsyonel Sinir Ağları (CNN) ile otomatik yüz tanıma modeli gerçekleştirdik. Yüzler son derece dinamik olduğundan ve çözülmesi gereken daha fazla sorun ve zorluk içerdiğinden, sağlamlığı ve tanıma doğruluğunu iyileştirmek amacıyla bu tür zorlukları azaltmak için çalışmamızda diğer çalışmalardan farklı bir model sunduk. Çalışmamız 4 adımda gerçekleştirilmektedir. İlk adımda elde ettiğimiz farklı görüntülerden ön işleme adımlarını gerçekleştirerek daha başarılı sonuçlar üretmeyi amaçladık. Daha sonra, önerilen modeli farklı öznitelik çıkarma yöntemleriyle de karşılaştırdık. CNN ağı ile eğitim yaparak test verileri için yüz tanıma gerçekleştirdik ve sonuçları karşılaştırmalı olarak sunduk. Çalışmadaki sonuçlar, yöntemimizin çeşitli fotoğraflardaki yüzleri başarıyla tanımladığını göstermektedir.

Anahtar Kelimeler:

Görüntü işleme, Python, OpenCV, CNN, Yüz tanıma, Görüntü işleme, Python, OpenCV, CNN, Yüz tanıma

Automatic Face Recognition System with Convolutional Neural Networks

The human face, which has a complex structure, is a difficult and complex problem to define. How to correctly define the correct features related to face identification is an engineering problem. Face detection can be made from photographs using machine learning and image processing methods. The most important feature in face recognition is the presence of a database. We can produce the database ourselves, as well as using predefined databases, or by providing sample photos, artificial images can be produced with a third program. In this study, databases that came with OpenCV (Open Source Computer Vision) were used. OpenCV has also been used to resize images and generate feature vectors from it. While performing the recognition model Convolutional Neural Networks (CNN) is used for training the model in OpenCV platform. Since the faces are highly dynamic and pose more problems and diffuculties to solve, we created a method different from other studies to reduce such diffuculties so as to improve the robustness and recognition accuracy. Our work is carried out in 4 steps. We aimed to produce more successful results by performing the preprocessing steps from the various images we obtained in the first step. After, we also compared the proposed model with different feature extraction methods. By training with the CNN network, we performed face recognition for the test data and presented the

Keywords:

Görüntü işleme, Python, OpenCV, CNN, Yüz tanıma,

PDF

___

Ali, D., Touqir, I., Siddiqui, A. M., Malik, J., & Imran, M. (2022). Face Recognition System Based on Four State Hidden Markov Model. IEEE Access, 10, 74436-74448.
Bradski G., Kaehler A. (2008). Learning OpenCV, O’Reilly Media Inc., USA.
Cao, L. J., Chua, K. S., Chong, W. K., Lee, H. P., & Gu, Q. M. (2003). A comparison of PCA, KPCA and ICA for dimensionality reduction in support vector machine. Neurocomputing, 55(1-2), 321-336.
Erişti E. (2010). Görüntü İşlemede Yeni Bir Soluk, OPENCV, Akademik Bilişim’10 - XII. Akademik Bilişim Konferansı Bildirileri, 10-12 Şubat, Muğla.
Goldstein, A. J., Harmon, L. D. ve Lesk, A. B. (1971). Identification of human faces, Proc. IEEE 59, 748.-760.
Gross, R., Shi, J. ve Cohn, J. (2001) Quo vadis Face Recognition, Carnegie Melon University, 54.
Haig, N.K. (1985). How faces differ - a new comparative technique, Perception 14, 601-615.
Jeevan, G., Zacharias, G. C., Nair, M. S., & Rajan, J. (2022). An empirical study of the impact of masks on face recognition. Pattern Recognition, 122, 108308.
Jin, B., Cruz, L., & Gonçalves, N. (2022). Pseudo RGB-D Face Recognition. IEEE Sensors Journal.
Kanade, T. (1973). Picture processing system by computer complex and recognition of human faces. Dept. of Information Science, Kyoto University, Nov.
Liu, F., Kim, M., Jain, A., & Liu, X. (2022). Controllable and guided face synthesis for unconstrained face recognition. In European Conference on Computer Vision (pp. 701-719). Springer, Cham.
Pişkin M. (2016). Opencv ile görüntü işleme”, 2016, http://mesutpiskin.com/blog/wpcontent/uploads /2016/10/ OpenCV-ile-G%C3%B6r%C3%BCnt% C3%BC-%C4%B0%C5%9Fleme.pdf (15.12.2016).
Rhodes, G. (1988). Looking at faces: First-order and second order features as determinants of facial appearance, Perception 17, 43-63.
Rostamian, A., & O’Hara, J. G. (2022). Event prediction within directional change framework using a CNN-LSTM model. Neural Computing and Applications, 1-13.