Kalite ağırlıklandırılmış özdüzenleyici haritalar ile yüz sınıflandırma


Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye

Tezin Onay Tarihi: 2011

Öğrenci: MESUT ÇEVİKER

Danışman: HASAN ŞAKİR BİLGE

Özet:

Kimlik doğrulamada neyi bildiğimize ya da neye sahip olduğumuza dayalı yöntemlerin zafiyetleri nedeniyle son yıllarda gerçekten kim olduğumuzu araştıran, biyometriklerimize dayalı yöntemler üzerinde çalışmalar yoğunlaşmıştır. Bu amaçla kullanılan biyometriklerden en fazla tercih edileni parmak izi ile birlikte yüz olmuştur. Daha önce belirli (deterministic) ya da belirsiz (nondeterministic) yöntemleri uygulayarak çalışan pek çok yüz tanıma sistemi geliştirilmiştir. Yüz tanıma sistemlerinin amacı hareketsiz bir görüntü ya da video görüntüsündeki bir kişiyi, var olan bir yüz veritabanını kullanarak buradaki kişilerden birisi ile eşleştirmektir. Bu tanımdan yüz görüntülerini sınıflandırmanın, yüz tanıma işleminde çekirdek konumundaki alt bir işlem olduğu anlaşılmaktadır. Gözlemler arası ilişkilerin doğrusal olmadığı durumlarda sınıflandırma probleminin çözümü için Yapay Sinir Ağı (YSA) türleri yaygın olarak kullanılmaktadır. Boyut indirgeme ve ilişkilerin soyutlanmasını başarıyla yapabilen Özdüzenleyici Harita (ÖDH), örüntü tanıma ve sınıflandırma işlemlerinde kullanılan bir YSA türü olmuştur. Bu çalışmada, ÖDH kullanılarak geliştirilen yeni bir yöntem ile yüzler sınıflandırılmakta ve elde edilen sonuçlara göre önerilen yöntemin başarısı diğer yöntemlerle karşılaştırılarak ortaya konmaktadır. Sonuçların elde edilmesi için Matlab'da bir uygulama geliştirilmiş, testler Yale B ve ORL yüz veritabanları kullanılarak gerçekleştirilmiştir. Uygulama öncelikle kişilere ait veritabanındaki yüzlerin belirli bir kısmı ile ÖDH eğitimini gerçekleştirmekte ardından kişilere ait kalan yüzleri teste tabi tutmaktadır. Yüzler, boyutu kullanıcı tarafından belirlenmiş eşit büyüklükteki bloklara bölünmüş halde işleme tabi tutulmakta ve yüz bölgelerini içeren önemli bloklar sınıflandırmada daha fazla etkili olmaktadır. Yüz üzerinde aynı konumdaki bloklar kendileri arasında sınıflandırmaya tabi tutulurken, sınıf tayininde komşularının sınıfları da hesaba katılarak poz değişimi, kısmi kusurlar gibi durumları ele alan güvenli ve tutarlı bir sınıflandırma amaçlanmıştır. Başarım, test görüntüsünün ya da görüntü bloğunun ÖDH üzerinde en iyi eşlenen nörona yerleştirilmesi ardından bu nöronun eğitimde yerleştirilmiş sınıflara Öklid uzaklığı ile belirlenen sınıfının doğruluğuna göre değerlendirilmiştir. ORL yüz veritabanında %91,67 ve Yale B yüz veritabanında %86,10 oranlarında sınıflandırma başarısı sistemin 100 epok çalıştırılması sonucu elde edilmiştir, bu değerler önerilen yöntemin verimliliğini ortaya koymaktadır. Ayrıca testlerde harita boyutlarının, blok boyutlarının, öğrenmedeki epok sayısının ve komşu etki katsayısının başarıma etkisi araştırılmış, bu faktörler ile başarım arasında doğrusal bir ilişki olmadığı ancak maksimum başarı için en uygun değerlerinin var olduğu gözlemlenmiştir.