Merhaba arkadaşlar bu makalede yüz tanıma algoritmaları ve uygulama alanlarından bahsedeceğiz. Günümüz teknolojisinde yüz tanıma sistemleri birçok alanda sıkça kullanılmaya başlanmıştır.

Yüz Tanıma Sistemleri ve Algoritmaları

Merhaba arkadaşlar bu makalede yüz tanıma algoritmaları ve uygulama alanlarından bahsedeceğiz. Günümüz teknolojisinde yüz tanıma sistemleri birçok alanda sıkça kullanılmaya başlanmıştır.

Biyometri, kişilerin fiziksel ve davranışlarından ortaya çıkan hareketleri inceleyerek bir tanımlama yapabilen sistemin adıdır. İnsanların biyometrik olarak incelenmesini sağlayan ise biyometrik sistemlerdir. Yüz tanıma sistemleri, biyometrik sistemlerin sonuca varmadaki en önemli türlerinden biridir.

Biyometri, fiziksel ve davranışsal olarak ikiye ayrılır. Fiziksel özelliklere bakacak olursak parmak izi, damarlar, eller, dişler, irisler, DNA örnekleri ve son olarak projemizdeki gibi yüzün şekli olarak söylenebilir. Buradaki amaç değişebilen özelliklerin kullanılabilmesidir.

Fizyolojik özellikler dışarıdan değiştirilmemişse en önemli noktası ayırt edici olmasıdır.  Davranışsal özellikler ise kişi tarafından gerçekleştirilen işlemleri ifade eder. Örnek gerekirse imza ve ses en mantıklı örneklerdir. Biyometrik sistem 5 parçadan oluşmaktadır. Bu parçalar; verilerin toplanması,verilerin iletimi, özniteliklerin çıkarımı, modelleme ve eşleştirmedir.

Yüz tanıma, kişinin yüz çizgilerine dayalı kalıpları karşılaştırarak ve analiz ederek, kişiyi benzersiz şekilde tanımlayabilen veya doğrulayan biyometrik bir yazılım uygulamasıdır. Yüz tanıma çoğunlukla güvenlik amaçlı olarak kullanılır, ancak diğer kullanım alanlarına duyulan ilgi artmaktadır. Aslında, yüz tanıma teknolojisi, kolluk kuvvetiyle ve diğer işletmelerle ilgili geniş bir uygulama yelpazesine sahip olma potansiyeline sahip olduğundan dikkat çekmiştir.

Yüz Tanıma 

Yüz tanıma sistemleri, insan yüzlerini tanımlamak için insan yüzlerini analiz eden bilgisayar programları üzerine kurulmuştur. Diğer birçok biyometrik sistemin aksine, yüz tanıma genel video kameralar ile birlikte genel gözetim için kullanılabilir ve bilginin, rızanın veya konunun katılımını gerektirmeyen pasif bir şekilde kullanılabilir. 

Yüz Tanıma Algoritmaları

PCA: Karhunen-Loeve'in dönüşümünden türemiştir. Bir eğitim görüntü setinde her bir yüzün s-boyutlu bir vektör gösterimi göz önüne alındığında, Temel Bileşen Analizi (PCA), temel vektörleri orijinal görüntü uzayında maksimum varyans yönüne tekabül eden bir t-boyutlu alt uzay bulma eğilimindedir. Bu yeni altuzay normalde daha düşük boyutludur (t << s). Görüntü elemanları rasgele değişken olarak kabul edilirse, PCA temel vektörleri dağılım matrisinin öz vektörleri olarak tanımlanır.

ICA: Bağımsız Bileşen Analizi (ICA), girdi verilerinde hem ikinci dereceden hem de üst düzey bağımlılıkları en aza indirir ve verilerin (onlara yansıtıldığında) istatistiksel olarak bağımsız olduğu temel bulmaya çalışır. Yüz tanıma görevi için iki ICA mimarisi sağlanmıştır: Mimari I - istatistiksel olarak bağımsız temel görüntüler ve Mimari II - faktöryel kod gösterimi.

LDA: Doğrusal Ayrımcılık Analizi (LDA), sınıflar arasında en iyi ayrım yapan vektörleri alttaki alanda bulur. Tüm sınıfların tüm örnekleri için sınıflar arası dağılım matrisi SB ve sınıf içi dağılım matrisi SW tanımlanmıştır. Amaç, SW'yi en aza indirirken SB'yi maksimize etmektir, başka bir deyişle, oran | SP | / det | SW | . Projeksiyon matrisinin sütun vektörleri (SW ^ -1 × SB) 'nın özvektörleri olduğunda bu oran en üst düzeye çıkar.

EP: Sistemin sınıflandırma doğruluğunu ve genelleme kabiliyetini ölçen, bir uygunluk fonksiyonunu en üst düzeye çıkarmak için projeksiyon eksenlerinin en iyi kümesini arayan bir öz alan tabanlı uyarlanabilir yaklaşım. Bu sorunun çözüm alanının boyutu çok büyük olduğundan, Evrimsel İzleme (EP) olarak adlandırılan belirli bir tür genetik algoritma kullanılarak çözülür.

EBGM: Tüm insan yüzleri benzer topolojik bir yapıya sahiptir. Yüzler grafiklerle gösterilir; düğüm noktaları referans noktalarında bulunur ve kenarları 2 boyutlu mesafe vektörleri ile etiketlenmiştir. Her düğüm, farklı ölçek ve yönlerde (faz, genlik) 40 karmaşık Gabor dalgacık katsayıları kümesi içerir. Onlara "jetler" denir. Tanıma, etiketli grafikler üzerine kuruludur. Etiketli bir grafik, kenarlarla bağlı bir düğüm kümesidir, düğümler jetlerle etiketlenmiştir, kenarlar mesafelerle etiketlenmiştir.

Kernel Metodu: Altuzayda yüz manifoldunun doğrusal olması gerekmez. Çekirdek yöntemleri doğrusal yöntemlerin genelleştirilmesidir. Doğrudan lineer olmayan manifold şemaları bu lineer olmayan manifoldun öğrenilmesi için araştırılmıştır.

Kernel Metodu

Trace Dönüşümü: Trace dönüşümü, Radon dönüşümünün genelleştirilmesi, görüntü işleme için, dönüşümler altındaki nesneleri tanımak için kullanılabilen yeni bir araçtır, ör. döndürme, çeviri ve ölçeklendirme. İz dönüşümünü üretmek için, bir görüntünün çizgiler boyunca fonksiyonel bir hesaplar. Farklı izleme fonksiyonlarını kullanarak bir görüntüden farklı Trace dönüşümleri üretilebilir.

AAM: Aktif Görünüm Modeli (AAM), şekil varyasyon modelini, şekil normalleştirilmiş bir çerçevedeki görünüm varyasyonları modeliyle birleştiren entegre istatistiksel bir modeldir. Bir AAM, ilgilenilen nesnenin şekli ve gri düzeyi görünümü hemen hemen geçerli bir örneğe genelleştirilebiliyorsa, istatistiksel bir model içerir. Bir görüntüyle eşleştirme, görüntü ile görüntüye yansıtılan sentezlenmiş bir model örneği arasındaki farkı en aza indirgeyen model parametrelerini bulmayı içerir.

3-D Yüz Tanıma: Bu yaklaşımın başlıca yeniliği, yüz ifadelerinden kaynaklanan doğal deformasyonlardan bağımsız olarak yüzeyleri karşılaştırma yeteneğidir. İlk olarak, aralık resmi ve yüzün dokusu elde edilir. Ardından, aralık görüntüsü, tanıma sürecini zorlaştıracak şekilde saç gibi bazı parçaları çıkararak ön işleme tabi tutulur. Son olarak, yüz yüzeyinin kanonik biçimi hesaplanır. Böyle bir gösterim, baş yönlendirmelerine ve yüz ifadelerine duyarsızdır, böylece tanıma prosedürünü önemli derecede basitleştirir. Tanımanın kendisi kanonik yüzeylerde gerçekleştirilir.

Bayes Çerçevesi: Görüntü yoğunluğundaki farklılıkların bir kişinin görünümündeki tipik değişikliklerin karakteristiği olduğuna dair Bayesci inanışa dayanan bir olasılıksal benzerlik ölçütüdür. İki adet yüz görüntü varyasyonu sınıfı tanımlanır: kişilerarası değişiklikler ve kişisel olmayan değişiklikler. Yüzler arasındaki benzerlik, Bayes kuralı kullanan ölçütlerdir.

SVM: Bir Destek Vektör Makinesi (SVM), iki sınıfa ait bir dizi puan verildiğinde, aynı sınıftan noktaların aynı taraftan ayrılmasına neden olan hiper düzlemi bulurken, her iki sınıftan da hiperdüzlem arasındaki uzaklığı en üst düzeye çıkarır. PCA önce yüz görüntülerinin özelliklerini çıkarmak için kullanılır ve daha sonra her resim çifti arasındaki ayırma işlevleri SVM'ler tarafından öğrenilir.

HMM: Gizli Markov Modelleri (HMM), bir sinyalin istatistiksel özelliklerini karakterize etmek için kullanılan istatistiksel modeller dizisidir. HMM birbiriyle ilişkili iki süreçten oluşur: (1) sonlu sayıda duruma sahip gözlemlenemeyen temel bir Markov zinciri, bir durum geçiş olasılık matrisi ve bir başlangıç durum olasılık dağılımı ve (2) her bir durumla ilişkili olasılık yoğunluk fonksiyonları kümesi.

Son birkaç yıldır görüntü dizilerinden yüz tanıma alanında daha fazla araştırma yapılmıştır. İnsanların gerçek gözetim videosundan tanınması düşük görüntü kalitesinden dolayı ve yüz görüntüleri küçük olduğu için zordur. Yine de çok gelişme kaydedilmiştir.

Bu yazımda sizlere yüz tanıma algoritmaları hakkında kısaca bilgi vermeye çalıştım. Bu makalede bana bilgisiyle katkı sağlayan Ozan Kahraman arkadaşıma sonsuz teşekkürlerimi iletiyorum. Başka bir makalede görüşmek üzere...

Bu Gönderiyi Paylaş

Yorumlar (1)

  • Engin Ağac

    Yüz Tanıma Algoritmasın işleyiş şemasını değiştirerek adı geçen sensör özelliklerinide kullanarak yeni bir yazılım yapılabilir mi. Yani sensörlerden algılanacak sinyallere göre algoritmada farklı işlemler gerçekleşecek.

    2019-07-20 22:26:57

İçerik Hakkında Yorum Yapın

www.000webhost.com