Görüntüleme
23
İndirme
5
Yüz tanıma çok sayıda uygulama alanı olan popüler bir bilgisayarla görü problemidir. Farklı ışık koşulları ve değişen yüz ifadeleri yüz tanıma problemini zorlaştıran etkenlerdir. Yüz tanıma işlemi için çeşitli yöntemlerle elde edilen öznitelikler yüze ait farklı karakteristik özellikleri yansıtır. Bu karakteristik özelliklerden faydalanılarak yüz tanıma işlemi gerçekleştirilir. Bu çalışmada, örüntü ve doku tanımada sıklıkla kullanılan Yerel İkili Örüntü ve Felzenszwalb Yönelimli Gradyan Histogram özniteliklerinin birleştirilmesi ile yüz tanıma problemine çok kipli bir çözüm sunulmuştur. Yüz imgesi bölgelere ayrılarak, her iki yöntem ile bölgelerden öznitelik vektörleri elde edilmiştir. Bununla birlikte elde edilen vektörlere öznitelik seçim yöntemleri uygulanarak hem vektör boyutu azaltılmış hem de başarım arttırılmıştır. Öznitelik seçimi sonucu her iki yöntem için seçilen öznitelik alt kümeleri birleştirilerek uzamsal ve spektral öznitelikleri içeren tek bir öznitelik vektörü haline getirilmiştir. Seçilen öznitelikler Ki-kare sınıflandırıcısı kullanılarak sınıflandırılmıştır. Önerilen yöntemin başarımı FERET veri setinde ölçülmüş, %89.45 yüz doğrulama ve %94.55 yüz tanıma başarımı elde edilmiştir.
Face recognition is a popular computer vision problem with many areas of application. Different lighting conditions and changing facial expressions are factors that make the face recognition problem difficult. The features extracted by different methods from the face image reflect the different characteristics of the face image. Face recognition process is applied by using these features. In this study, a multi-modal solution to the face recognition problem is presented by fusing the Local Binary Pattern and Felzenszwalb Histogram of Oriented Gradients features, which are frequently used in pattern and texture recognition. Face image is divided into regions and feature vectors are obtained from the regions through both methods. However, by applying feature selection methods to the obtained vectors, both the vector size is reduced and the performance is increased. As a result of the feature selection, the feature subsets selected for both methods are combined into a single feature vector containing spatial and spectral features. Selected features are classified using the Chi-square classifier. The success of the proposed method was measured in the FERET dataset, 89.45% verification success and 94.55% identification success were obtained.
Alan : Mimarlık, Planlama ve Tasarım; Mühendislik
Dergi Türü : Uluslararası
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
