[ieee 2014 22nd signal processing and communications applications conference (siu) - trabzon, turkey...
TRANSCRIPT
Yüz Bulma ve Tanıma Sistemleri Kullanarak
Kimlik Tanıma
ID Identification by Using Face Detection and
Recognition Systems
Recep Holat, Selman Kulaç
Elektrik ve Elektronik Mühendisliği Bölümü
Düzce Üniversitesi
Düzce,Türkiye
{recepholat,selmankulac}@duzce.edu.tr
Özetçe—Son yıllarda yüz tanıma alanında önemli
başarılar elde edilmiştir. Yüz tanıma, bankacılıkta kimlik
onaylamada, kontrollü alanlara girişte, başta
havaalanlarında olmak üzere güvenliğin üst düzey olduğu
yerlerde, makineleri kontrol etmede ve kişilerin takibinde
kullanılan özel bir örüntü tanımadır. Bu çalışmada, PCA
(Temel Bileşen Analizi), LDA (Doğrusal Ayraç Analizi) ve
LBP (Yerel İkili Örüntü) kullanılarak Yale veritabanı
üzerinde yüz tanıma uygulaması yapılmıştır. Yüzün tespit
edilmesinde Adaboost algoritması kullanılmıştır. Yale
veritabanı, sağdan aydınlanmış, merkezden aydınlanmış,
soldan aydınlanmış, gözlüksüz, gözlüklü, normal, göz
kırpmış, uykulu, şaşkın, mutlu, üzgün görüntüleri
içermektedir. Yüz tanıma ön işleme adımlarında HE
(Histogram Eşitleme), HE+Medyan Filtresi, HE+Gaussian
Filtesi, HE+Laplace Filtresi kullanılmıştır. Görüntünün poz
ve aydınlatma durumuna göre sistemin en uygun yöntemi
seçmesi sağlanmıştır. Bu şekilde sistem tanıma oranında
%6’ ya kadar olan artışlar gözlenmiştir.
Uygulama Microsoft Visual Studio 2010 C#.Net programı
kullanılarak geliştirilmiştir. Görüntü işleme algoritmaları
için EMGU CV kütüphanesi, veritabanı işlemleri için SQL
Server 2008 Express kullanılmıştır.
Anahtar Kelimeler — Yüz Tanıma, Yüz Bulma, Görüntü
Tanıma
Abstract—In recent years, significant achievements have
been achieved in the field of face recognition. Face
recognition are special pattern recognition which are used in
banking for identity approving and the entrance of
controlled areas, the places where the security control
impending to airports, to control machines,to follow-up of
persons. In this study, face recognition applications on the
Yale face databases have been performed by using PCA
(Principal Component Analysis), LDA (Linear Discriminant
Analysis), LBP (Local Binary Patterns). Database consist of
right-light, center-light, left-right, no glasses, glasses, normal,
wink, sleepy, surprised, happy, sad images. In the face
recognition pre-processing steps, HE (Histogram
Equalization), HE+ Median Filter, HE+Gaussian filter,
He+Laplace Filter was used. It is provided to select the
appropriate method from the system depending on state of
image. Thus the system recognition rate increases of up to
6% was observed.
Application was developed by using Microsoft Visual
Studio 2010 C #. EMGU CV library for image processing
algorithms and SQL Server 2008 Express for database
processing were used
Keywords — Face Recognition, Face Detection, Image
Recognition
I. GİRİŞ
Yüz tanıma birçok araştırmacının ilgi alanı olmuştur.
Özellikle biyometrik kimlik doğrulama üzerinde daha çok
durulan bir araştırma konusudur. Kontrol altında tutulan
ortamlarda elde edilen başarıma kontrolsüz ortamlarda
ulaşılamamıştır. Bunun nedenleri; aydınlatmadaki farklılıklar,
poz değişimleri ve yüz ifadesi farklılıklar sayılabilir.
Yapılan araştırmalar yüzün etkin bir biyometrik belirleyici
olduğunu göstermekte [1] ve geçtiğimiz 30 yıl boyunca yüz
tanıma alanında yürütülen araştırmalar ve gerçekleştirilen ticari
uygulamalar, yüzün öncelikli tercih edilen biyometrik belirleyici
olduğu yargısını desteklemektedir [2].
Yüz tanıma işlemi, tanınmak istenen yüzün veritabanındaki
hangi yüzle daha çok eşleştiğine göre yapılmaktadır.
Tanınması istenen yüz bilgisi normalize edilir ve veritabanında
bulunan diğer yüzlerle karşılaştırılarak sınıflandırılır [3].
Görüntü işleme ve yüz tanıma kapsamında çok sayıda
algoritma geliştirilmiştir. Daha çok bilinen geleneksel yöntem,
bir yüz imgesini temel imgelerin doğrusal bir kombinasyonu
olarak göstermeye çalışan, alt uzay tabanlı yüz tanımadır. Temel
Bileşen Analizi (PCA) kullanan Eigenfaces (özyüz) [4] yöntemi
ve Doğrusal Ayrac Analizi (LDA) kullanan Fisherfaces [5]
yöntemi bu yaklaşımın bilinen en iyi örnekleridir. Yerel ikili
örüntü analizi (LBP) doku analizinde çok önemli bir yere
978-1-4799-4874-1/14/$31.00 ©2014 IEEE
866
2014 IEEE 22nd Signal Processing and Communications Applications Conference (SIU 2014)
sahiptir. Bunun yanında gerçek yaşamda yapılan uygulamalarda
ışık şiddetinde oluşabilecek olan değişmelere karşı etkili olması
diğer önemli özelliğidir. Ayrıca hesaplama açısından da kolaylık
sağlar [6].
Geliştirilen uygulama 4 ana bölümden oluşmaktadır;
Yüzün tespit edilmesi; yüz bulma
Görüntüdeki aydınlatma etkisinin azaltılması ve görüntünün
iyileştirilmesi, gürültü azaltma
Poz ve ışıklandırma durumlarına göre en uygun yöntemin
belirlenmesi
Elde edilen en uygun yönteme göre kişi tanıma
II. YÜZ BULMA
Bir görüntünün tamamı yüze ait olmadığından, ilk olarak
yüzün tespit edilmesi gerekmektedir. Bu çalışmada Haar
dalgacık özniteliklerine dayalı çok katlı sınıflandırıcı
kullanılmıştır. Öznitelikler Adaboost algoritması ile seçilmekte
ve gereken toplam öznitelik sayısı hedeflenen yanlış kabul
oranına bağlı olarak değişmektedir. Adaboost algoritması ilk
olarak Freund ve Schapire tarafından önerilmiştir [7]. Adaboost
algortiması;
Eğitim örnekleri (x1 ,y1 ),...,( xn,yn ) olarak düzenlenir.
Burada yi , negatif örnekler için 0, pozitif örnekler için 1
olarak kabul edilir.
m ve n sırasıyla pozitif ve negatif örnek sayısını göstermek
üzere ağırlıklar
olacak şekilde her { }
olarak başlangıç değeridir.
T iterasyon sayısı olmak üzere, her t=1,.,T için:
o Ağırlıklar normalize edilir.
∑
(1)
o Her bir j özniteliği için , sadece bu özniteliği
kullanan bir hj sınıflayıcısı eğitilir. Hata wt
ağırlığına göre ölçülür.
∑ | ( ) | (2)
o En az hatasına sahip ht sınıflayıcısı seçilir.
o Ağırlıklar güncellenir.
(3)
xi doğru olarak sınıflandırıldı ise ei=0, aksi halde
ei=1 olur. ise,
(4)
Sonunda oluşan sınıflayıcı:
( ) { ∑ ( )
∑
(5)
(6)
olarak alınır [8].
Şekil 1’ de yüz bulma örneği verilmiştir.
Şekil 1. Adaboost Algoritması ile Tespit Edilen Yüzler
III. KULLANILAN YÜZ TANIMA ÖNİŞLEMLERİ
Tespit edilen yüz imgesi boyutları, veritabanında bulunan
imgelerle eşit olmalıdır. Bu nedenle yüzler, veritabanında
bulunan imgelerle eşit boyutlara gelecek şekilde yeniden
boyutlandırılır. Bu çalışmada yüz imgeleri, gri renk dönüşümü
yapılarak, 50 x 50 piksel olarak boyutlandırılmıştır. Bundan
sonra önişleme adımına geçilmektedir. Aşağıda, kullanılan
önişleme yöntemleri anlatılmaktadır.
A. Görüntüdeki Aydınlatma Etkisinin Azaltılması
Aydınlatma değişimleri yüz tanıma sistemi için sorun teşkil
eden konular arasındadır. Shan vd., üç farklı yöntem kullanarak
yüz tanımada farklı ışık koşulları altında çekilmiş görüntülerin
aydınlatma normalleştirmesini yapmışlardır [9]. Histogram
eşitleme ve tanımlama, Gamma yoğunluk doğrulaması ve Tekrar
Bölüm Aydınlatması (Quotient Illumination Relighting, QIR)
yöntemlerini kullanmışlardır. Bu çalışmada histogram eşitleme
kullanılmıştır.
Histogram, görüntüdeki her bir renk değerinin ağırlık
dağılımını gösterir. Histogram eşitleme görüntünün kontrastının
iyileştirmek için yapılır. Renk değerleri düzgün dağılımlı
olmayan görüntüler için uygun bir görüntü eşitleme metodudur.
B. Gürültü Azaltma (Filtreleme)
Gürültü azaltma, görüntünün iyileştirilmesini ve görüntüdeki
gürültülerin temizlenmesini sağlar. Bu çalışmada Gauss, Medyan
ve Laplace filtreleri kullanılmıştır.
1. Gauss Filtresi
Yüksek frekanslı gürültüleri temizleyebilen, gürültü
gidermede çok kullanılan doğrusal filtrelerden biridir [10].
2. Medyan Filtresi
Kenarları fazla etkilemeden, görüntüdeki ani değişimleri
temizleyebilen özellikle tuz biber gürültüsüne karşın başarımlı
bir filtredir. Medyan filtre bir pikselin değerini komşusu olan
867
2014 IEEE 22nd Signal Processing and Communications Applications Conference (SIU 2014)
piksellerin ortancasının değeri ile değiştirerek filtreleme yapar
[10].
3. Laplace Filtresi
Kenarların belirgin bir şekilde gösterilmesinde başarılı olan
bir filtredir [10].
IV. KULLANILAN YÜZ TANIMA YÖNTEMLERİ
Yüz algılama sistemi, görüntü bilgisinden bir takım
özellikleri çıkararak, bunları veritabanındaki diğer görüntülere
ait özelliklerle karşılaştırıp bunları tanınan veya tanınmayan
olarak sınıflayan bir yapıdır. Yüz tanıma sistemlerinde kullanılan
bir çok yöntem bulunmaktadır. Bu çalışmada giriş bölümünde de
değinildiği üzere 3 farklı yöntem kullanılmıştır.
A. Özyüzler (Eigenfaces) Yöntemi
Bu yöntemde yüz tanıma için Temel Bileşenler Analizi
(PCA) kullanılmıştır. Temel Bileşenler Analizi boyut azaltmak
ve görüntüler arasındaki temel farklılıkları çıkarmak için
kullanılan yöntemdir [11]. Matematiksel olarak yüzlerin
dağıtımının ana bileşenleri veya yüz görüntüleri setinin
kovaryans matrisinin öz vektörleri, çok yüksek boyutlu bir
uzayda görüntüyü nokta (veya vektör) olarak ele alacak şekilde
aranır. Öz vektörler düzenlenir ve bunların her biri yüz
görüntüleri arasında farklı bir değişikliği gösterir. Bu öz
vektörler, yüz görüntüleri arasında varyasyonu karakterize eden
bir özellikler seti olarak düşünülebilir. Her görüntü yeri aşağı
yukarı her öz vektöre katkıda bulunarak, bu öz vektörlerin
“özyüz” adı verilen bir tür hayalet yüz şeklinde
görüntülenmesini sağlar [12].
B. Fisher-Yüz (Fisherface) Yöntemi
Bu yöntemde Doğrusal Ayraç Analizi (LDA) kullanılmıştır.
Fisher yüz algoritması 1997 yılında P. Belhumeur tarafından
Doğrusal Ayraç Analizi (LDA) temel alınarak geliştirilmiştir.
Fisher yüz algoritması (Fisherface approach), sınıflandırma
tabanlı tanımlama için kullanılır. Aynı kişiye ait çok sayıda,
farklı görüntünün veri tabanına tanıtılarak sınıf içi dağılımın en
aza, sınıflar arası dağılımın ise en fazlaya ulaşabilmesi için
geliştirilmiştir. Bu sayede, Fisher yaklaşımında tanımlama
basarım oranında artış gözlenmektedir [13].
C. Yerel İkili Örüntü Yöntemi (LBP)
Gri seviyeden bağımsız bir doku ölçüm yöntemidir.
Görüntünün her pikseli için bir etiket oluşturulur. Etiketler,
merkez pikselin 3x3 komşuluğundaki piksellerle karşılaştırılması
sonucu elde edilen ikili bir sayıdır. LBP operatörü ile farklı
ölçekteki dokuların analizini gerçekleştirebilmek mümkündür
[14].
V. TASARLANAN SİSTEM GRAFİK ARAYÜZÜ
Yüz tanıma modülünün 3 farklı işlevi vardır. Bunlar;
Eğitim veritabanı işlemleri; bu kısımda eğitim setine
eğitici kaydı yapılır.
Yüz tanıma işlemleri; burada ise test verisi ile
veritabanındaki imgeler, bahsedilen metot ve filtrelere
göre karşılaştırılarak yüz tanıma işlemi yapılır.
Değerlendirme işlemleri; Şekil 2’da görüldüğü gibi
çıkan sonuçlar değerlendirilerek, evet veya hayır
şeklinde kaydedilir.
Bu çalışmada Yale veritabanı kullanılmıştır. Yale veritabanı 15
deneğe ait toplam 165 görüntü içermektedir. Her deneğe ait ifade
ve aydınlatma farklılıkları içeren 11 görüntü bulunmaktadır. Bu
sistemde, kullanılan yöntem ve filtrelerin tanıma başarı oranları
ayrı ayrı hesaplanmaktadır. Ayrıca görüntünün aydınlatma ve
poz durumları dikkate alındığında her yöntemin bahsedilen
durumlar için tanıma başarı oranları grafiksel olarak
gösterilmektedir. Önerilen yöntem, poz ve aydınlatma
durumlarına göre en uygun yöntemi seçerek tanıma işlemi
yapmaktadır. .
Şekil 2. Yüz Tanıma Modülü
868
2014 IEEE 22nd Signal Processing and Communications Applications Conference (SIU 2014)
Buna karar verirken içerdeki test verilerinden
yararlanmaktadır. Hangi yöntem daha başarılı ise onun
üzerinden işlemlerini yapmaktadır.
VI. DENEYSEL ÇALIŞMALAR
Birinci deneyimizde eğitici setine deneklere ait sadece
normal görüntüleri eklenmiş ve diğer tüm görüntüler ile tanıma
işlemi yapılmıştır. Sonuçlar aşağıdaki tabloda gösterilmiştir.
Tablo 1. Deneklere ait normal görüntülerin yer aldığı eğitim
veritabanında yapılan test sonuçları(%’lik tanıma oranları)
Tablo 1 analiz edilirse en yüksek tanımayı
gerçekleştiren yöntemler % 77 ile LBP+HE yöntemleridir.
Sistemin önerdiği yönteme göre tanıma oranı ise % 81
olup en iyi tanıma oranından % 4 daha iyi sonuç
vermiştir.
Tablo 2. Deneklere ait normal ve merkezden aydınlanmış
görüntülerin yer aldığı eğitim veritabanında yapılan test
sonuçları(%’lik tanıma oranları)
İkinci deneyimizde ise eğitim setine deneklere ait normal ve
merkezden aydınlanmış görüntüler eklenerek tanıma işlemi
yapılmıştır. Tablo 2 incelenirse en iyi tanıma yöntemi % 85
doğruluk oranına sahip LBP+HE+Medyan yöntemidir. Sistemin
doğruluk oranı ise % 91 olup, % 6 daha iyi sonuç vermiştir.
VII. SONUÇLAR
İki tablo karşılaştırıldığında, eğitici kümesindeki deneklere
ait görüntü sayısı arttıkça tanıma oranı da arttığını söyleyebiliriz.
Ayrıca programdaki kullandığımız yöntemlerden başka
yöntemlerde denenerek, sistemin karar verme yeteneğini
geliştirebiliriz.
KAYNAKÇA
[1] Lu, X. ” Image Analysis for Face Recognition”, Dept. of
Computer Science, & Engineering, Michigan State
Univesity,2001
[2] ZHAO, W.Y., CHELLAPPA, “Image Based Face
Recognition: Issues and Methods”, 2003
[3] E.Sütçüler, “Gerçek Zamanlı Video Görüntülerinden Yüz
Bulma ve Tanıma Sistemi”, Yüksek Lisans tezi, Yıldız
Teknik Üniversitesi Fen Bilimleri Enstitüsü, 90 s, 2006.
[4] Turk. Turk, M. A. and Pentland, A. P. ” Eigenfaces for
recognition”,J. of Cognitive Neuroscience, 3(1):71–86,
1991.
[5] Belhumeur, P., Hespanha, J. and Kriegman D. ”Eigenfaces
vs. Fisherfaces: Recognition Using Class Specific Linear
Projection”, IEEE Trans. on Pattern Analysis and Machine
Intelligence, 19(7):711–720, 1997. Boston, 1989
[6] Gündüz, H.,” Altuzay Temelli Yaklaşımlar Kullanarak
Gerçek Zamanlı Yüz Tanıma”,Yüksek Lisans tezi,
Eskişehir Osmangazi Üniversitesi Fen Bilimleri Enstitüsü,
2010
[7] Freund Y. and Schapire, R.E., “A Decision-Theoretic
Generalization of On-line Learning and an Application to
Boosting”, Journal of Computer and System Sciences, vol.
55, pp. 119- 139, 1997
[8] Viola, P. and Jones, M. J., ''Rapid Object Detection Using a
Boosted Cascade of Simple Features.', CVPR 2001, pp.511-
518, 2001.
[9] Shan, Sh., Gao, W., Cao, B., Zhao, D., “Illumination
normalization for robust face recognition against varying
lighting conditions”, IEEE International Workshop on
Analysis and Modeling of Faces and Gestures, 157-164
(2003).
[10] KHURSHED, Esil S.,” Yüz Tanımada Aydınlanmanın
Etkisinin Uyarlanır Histogram Eşitleme ile
Azaltılması”,Yüksek Lisans Tezi, Gazi Üniversitesi,2009
[11] Turk, M., Pentland, A. “Eigenfaces for recognition, Journal
of Cognitive Neuroscience”, Vol. 3, pp. 71-86,1991
[12] Yaman, B.,”Özyüz Kullanarak Yüz Tanıma”,Yüksek Lisans
tezi, Sakarya Üniversitesi Fen B. Enstitüsü,2006
[13] Erdoğan, A.Y.,”Yüz Tanımada Özyüz ve Fisher Yüz
Algoritmaların İncelenmesi,” Yüksek Lisans tezi, Sakarya
Üniversitesi Fen Bilimleri Enstitüsü, 2010
[14] Günay, A.,Nabiyev, V.V.,”LBP Yardımıyla Görüntüdeki
Kişinin Yaşının Bulunması”, Çankaya University Journal of
Science and Engineering Volume 8 (2011), No. 1, 27-41
869
2014 IEEE 22nd Signal Processing and Communications Applications Conference (SIU 2014)