| Popis: |
Yüksek Lisans Tezi Yüz bulma ve yüz tanıma, yapay görünün zorlu problemlerinden biridir. Son yıllarda askeri, ticari ve yasal uygulama alanlarının artması nedeniyle yüzlerin otomatik olarak tanınması çok popüler bir konu haline gelmistir. Yüz bulma problemi için bir bilgisayar modeli kurmak oldukça zordur. Bu yüzden dogru, güvenilir, gerçek zamanlı yüz tanıma sistemi için yüz bulma isleminin dogru olması gereklidir. Bu zorluk yüzlerin çok boyutlu, karmasık ve anlamlı görsel objeler olmalarından kaynaklanmaktadır. Bu çalısmada Destek Vektör Makineleri(DVM) kullanılarak yüz tespiti ele alınmıs ve sınıflandırmanın daha hızlı yapılabilmesi için bir yöntem önerilmistir. Temel olarak, istatistiksel ögrenme algoritmalarından biri olan ve Vapnik - Chervonenkis tarafından tanımlanan DVM, aynı zamanda, yapay sinir agları ve karar agacı gibi metotların da bir alternatifi olarak bir çok uygulamada ortaya konulmustur. Son zamanlarda ise DVM, örüntü tanıma, yüz bulma ve tanıma, veri madenciligi gibi alanlarda kullanılmaya baslanmıstır ve birçok gerçek problemde basarılı sonuçlar vermistir. Çalısmanın ilk asamasında, yüze ait ve ait olmayan sekillerden seçilen egitim seti ile egitim verisi olusturulmustur. Egitim sonucunda olusan veri, egitim setinin renk bilgilerinden yararlanılarak elde edilmistir. Sisteme verilen resimlerden 20x20, 40x40, 60x60 piksel boyutlarında parçalama islemi yapılarak, her bir parçalama islemi sonrasında egitim verisine göre öznitelik dügümleri belirlenmistir. DVM alt yapısının daha hızlı çalısabilmesi için dügüm degerleri üzerinde belirli oranlarda azaltma islemi yapılmıstır. Yapılan azaltma çalısmaları dogrultusunda, hız ve elde edilen sonuç üzerinden en etkin oranlar; yüz olan dügümler için 1/4, yüz olmayan dügümler için 1/6 olarak belirlenmistir. Destek Vektör Makinelerini farklı çekirdekler ve parametreler için kullanarak performans degerlendirmesi yapılmıstır. Ayrıca, sınıflandırma sonucu elde edilen imgelerde basarı oranını arttırılması için yüzün sekil bilgisinden yararlanılarak maskeleme islemi yapılmıstır. Anahtar Kelimeler: Yüz bulma, Destek Vektör Makineleri, Sınıflandırma Face finding and face recognition is one of the robust problems of artificial view. In recent years, because of raising military, commercial and legitmate application areas automatically recognition of faces becomes a popular subject. Setting up a computer model for face finding problem is pretty difficult.So face finding process has to be right for exact, reliable, real time face recognition system. This complexity arise from the fact that faces are multi dimensional, complex and meaningful visual objects. In this work, face detection by Support Vector Machines is discussed and a method is proposed for quicker classificcation. Basically, SVM that is one of the statistical learning algorithms and defined by Vapnik-Chervonenkis, is produced in many applications as an alternative of methods like syntetic neural network and decision tree. Recently SVM, is started to be used for areas like pattern recognition, face finding and recognition, data mining and it succeeded on many real problems. At first stage of this work, training data is made up with training set that was chosen from shapes that belongs face and does not belong any face. The data that is made up from training, is obtained under cover of color information of training set. By fragmentation process of pictures has sizes 20x20, 40x40, 60x60, attribute nodes according to training set is determined after each fragmentation process. Reduction process is done on node values in specific ratios to make substructure of SVM working fast. On direction of reduction process, most effective ratios derived from speed and results are determined as 1/4 for nodes that inludes a face and 1/6 for nodes that does not include any face. Performance evaluation is done by using support vector machine with different seeds and parameters. According to results, Polinomial seed results better than other seeds. Furthermore mask process by using of shape information of face is done on images obtained from classification. Keywords: Face Detection, Support Vector Machines, Classification |
