Derin öğrenme ve yüz bulma yöntemleri kullanılarak yüz tanıma
Face recognition with deep learning and face detection
- Tez No: 692877
- Danışmanlar: DR. ÖĞR. ÜYESİ ALİ ÖZTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: KTO Karatay Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 103
Özet
Son yıllarda görüntü işleme ile derin öğrenme çalışmalarının popülaritesi hızla artmaya başlamıştır. Özellikle yüz bulma ve yüz tanıma, günümüzde araştırmaların ana konusudur. Yüz tanıma, kişileri belirleyebilmek için mevcut veri tabanındaki görüntüleri kullanır. Diğer bir yöntem olan kamera sistemleri ile görüntüyü yakalayıp ayırt edebilir. Bu tez çalışmasında, görüntü işleme tabanlı yöntemler ve derin öğrenme mimarileri kullanılarak yüz tanıma yöntemleri analiz edilmiştir. Yüz tanımanın ön adımı olan yüz bulma işleminden bahsedilmiştir. Bu işlemden sonra tespit edilen yüzler ile bir veri tabanı oluşturulmuştur. FEI yüz veri tabanı sağ profilden, sol profilden ve orta profilden pozları içeren görüntülerden oluşmaktadır. Görüntü işleme tabanlı yöntemler için Temel bileşen analizi (TBA), Doğrusal ayrım analizi (DDA) alınarak oluşturulmuş yüz uzayı ile özyüzler ve fisherfaces yöntemleri kullanılmıştır. Yüz tanımada kullanılan özyüzler ve fisherfaces yöntemleri için uygulamalar yapılmış olup, bu iki yöntemin doğruluk oranları karşılaştırılmıştır. Farklı poz varyasyonları ile yapılan çalışmalar için özyüzler ile yüz tanıma doğruluk oranları daha yüksek çıkmıştır. Derin öğrenme mimarileri için AlexNet, Resnet-18, GoogleNet ve SquuezeNet algoritmaları ile yüz tanıma algoritması eğitilmiş ve bu dört yöntemin doğruluk oranları karşılaştırılmıştır. Her bir mimari kendine ait katmanlardan oluşmaktadır. Oluşturulan veri seti mimarinin özelliklerine göre boyutlandırılıp, eğitime girmiştir. Eğitim sonucunda mimarilerin ImageNet ile eğitimi tamamlanmış olup, doğruluk oranları elde edilmiştir. Yüz tanıma yöntemleri ve derin öğrenme mimarilerinin doğruluk performansları karşılaştırılmıştır. Yüz bulma uygulamasında Viola-Jones algoritması ile %85,71 doğruluk oranı, yüz tanımada özyüzler ile %76,66 doğruluk oranı ve derin öğrenme mimarilerinde ResNet-18 ile %100 en yüksek doğruluk oranı elde edilmiştir.
Özet (Çeviri)
The popularity of deep learning studies with image precessing has started to increase rapidly in recent times. Especially face detection and face recognition are mainstream of research nowadays. Face recognition utilizes the images in the current database to identify the people. It could also discern between the images with another method known as monitor systems. Face recognition methods are analyzed using deep learning architecture and methods based on image processing in this thesis study. It has been touched on face detection what is pre-phase of face recognition. A database was created with the faces they are detected after this process. FEI face database consist of images containing poses from the right profile, left profile and middle profile. Face space, that is generated by principal component analysis (PCA) and Linear discrimination analysis (LDA), eigenfaces and fisherfaces were used for image processing-based methods. The implementations/applications of eigenfaces and fisherfaces that are used for face recognition and the accuracy rate of two methods are compared. Accuracy rate of studies with different poses for eigenfaces was found out more comparing with fisherfaces. Face recognition algorithm was trained with AlexNet, Resnet-18, GoogleNet and SquuezeNet algorithms for deep learning architectures and the accuracy rates of these four methods were compared. Each architecture consists of its own layers. The created data set was sized according to the features of the architecture and has entered the training. As a result, the training of the architectures with ImageNet was completed and the accuracy rates were obtained. The accuracy performances of face recognition methods and deep learning architectures were compared as well. The highest accuracy rate was 85.71% with the Viola-Jones algorithm in face detection, 76.66% with eigenfaces in face recognition, and 100% with ResNet-18 in deep learning architectures.
Benzer Tezler
- Image quality assesment and enhancement for robust face recognition
Yüz tanıma için imgelerin kalite ölçümü ve iyileştirilmesi
ONUR SERTKAYA
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAYFUN AKGÜL
- Deep convolutional neural network based representations for person re-identification
Kişiyi yeniden tanıma için derin evrişimsel sinir ağı tabanlı modeller
ALPER ULU
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAZIM KEMAL EKENEL
- Küme tabanlı yüz tanıma için derin öğrenme kullanılarak elde edilen ayırt edici modeller
Deep discriminative models for set based face recognition
BEDİRHAN UZUN
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiEskişehir Osmangazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ÇEVİKALP
- Breast cancer data classification using SVM, NB and KNN algorithms
SVM, NB ve KNN kullanımı ile göğüs kanseri veri sınıflandırması
BURCU MERAL
Yüksek Lisans
İngilizce
2019
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
PROF. DR. KAMİL ORUÇOĞLU
- Yüz ifadesini algılayarak ruh hâlini dengeleyecek müzik öneren yapay zekâ tabanlı mobil uygulama geliştirilmesi
Developing an artificial intelligence-based mobile application that recommends music to balance mood by detecting facial expression
BERKE BARTUĞ SEVİNDİK
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Katip Çelebi ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. VAHİDE BULUT