FACE DETECTION BY MACHINE LEARNING ALGORITHMS
Date
2022-01-20
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Detection of presence of the faces and non-faces in an image is the initial move
of face implementations such as attitude of face (Localization), expression and
discrimination. The aim of the face detection is to figure out whether a face appears in
a picture or not. Knowing or finding out the location of the image where the face is
present is one of the most critical step of any face detection processing system. The
performed performance in a detection of face system immediately effects on right
operating of applications reminded, because the faces are not static (not stationary) and
vary widely in posture, colour, lighting condition and scale. It is difficult to plan and
target an automatic system to beat all of the above-mentioned issues. The machine
learning algorithms are therefore known as one of the successful implementing tools
to create a well-performing face detection system. It can be called the issue of face
detection a task for computer vision, which includes in detection of one or more than
one faces of the human being in a picture. Detection of face is one of the considerable
move of the analyses of face. In this thesis, a general review of the viola & jones, LBP
(Feature extractor), K-NN, and SVM (Classifiers) algorithms in face detection are
mentioned, which are used to elicit characteristics from the faces and then classify the
faces, and build-up robust, efficient and reliable face detection system and advantages
and dis-advantages of each method is explained briefly and in detail, then a decision
for which approach is more precise and strong than the other ones is shown. Eventually
a comparison and evaluation is made for the SVM, K-NN, LBP, and Viola & Jones
based on the datasets utilized in our work consisting of more than thousands of images
of faces and non-faces images. LBP, K-NN, SVM, and Viola & Jones methods seems
to be convenient methods to be used for face detection due to its velocity, accuracy,
ability of learning, and simplicity. The consequences of this study have been showed
that the systems accuracy can be improved by incrementing the training images
number. Two datasets of same and different dimensions are used in the study. Using
the dataset of the same face dimensions, an accuracy of 85 % for LBP using SVM, 100
% for LBP using K-NN, and 88% for Viola & Jones are obtained for the faces. Using
the dataset of the different dimensions for the face, an accuracy of 83 % for LBP using
SMV, 57 % for LBP using K-NN, and 68 % for Viola & Jones are obtained for the
faces.
Description
MAKİNE ÖĞRENME ALGORİTMALARI İLE YÜZ
TESPİTİ
ÖZ: Bir görüntüdeki yüzlerin ve yüz olmayanların varlığının tespiti, yüzün tutumu (Lokalizasyon), ifade ve ayrımcılık gibi yüz uygulamalarının ilk hareketidir. Yüz tanımanın amacı, bir yüzün bir resimde görünüp görünmediğini belirlemektir. Yüzün bulunduğu görüntünün konumunu bilmek veya bulmak, herhangi bir yüz algılama işleme sisteminin en kritik adımlarından biridir. Yüz algılama sisteminde gerçekleştirilen performans, yüzlerin statik olmadığı (sabit değil) ve duruş, renk, aydınlatma durumu ve ölçek açısından büyük farklılıklar göstermesi nedeniyle, uygulamaların doğru çalışmasına anında etki eder. Yukarıda belirtilen tüm sorunların üstesinden gelmek için otomatik bir sistem planlamak ve hedeflemek zordur. Bu nedenle makine öğrenimi algoritmaları, iyi performans gösteren bir yüz algılama sistemi oluşturmak için başarılı uygulama araçlarından biri olarak bilinir. Yüz algılama sorunu, bir resimdeki insan yüzünün bir veya birden fazla yüzünün algılanmasını içeren bilgisayar görüşü için bir görev olarak adlandırılabilir. Yüzün algılanması, yüz analizlerinin önemli hareketlerinden biridir. Bu tezde, yüzlerin özelliklerini ortaya çıkarmak ve ardından yüzleri sınıflandırmak için kullanılan viyola & jones, LBP (Özellik çıkarıcı), K-NN ve SVM (Sınıflandırıcılar) algoritmalarının genel bir incelemesi, sağlam, verimli ve güvenilir bir yüz algılama sistemi oluşturmak ve her yöntemin avantajları ve dezavantajları kısaca ve ayrıntılı olarak açıklanmakta, ardından hangi yaklaşımın diğerlerine göre daha kesin ve güçlü olduğuna karar verilmektedir. Sonunda, binlerce yüz ve yüz olmayan görüntüden oluşan çalışmamızda kullanılan veri setlerine dayalı olarak SVM, K-NN, LBP ve Viola & Jones için bir karşılaştırma ve değerlendirme yapılır. LBP, K-NN, SVM ve Viola & Jones yöntemleri hızı, doğruluğu, öğrenme yeteneği ve basitliği nedeniyle yüz tanıma için kullanılacak uygun yöntemler gibi görünmektedir. Bu çalışmanın sonuçları, eğitim görüntülerinin sayısı artırılarak sistem doğruluğunun iyileştirilebileceğini göstermiştir. Çalışmada aynı ve farklı boyutlarda iki veri seti kullanılmıştır. Yüzler için aynı yüz boyutlarına sahip veri seti kullanılarak SVM kullanılarak LBP için% 85, K-NN kullanılarak LBP için% 100 ve Viola & Jones için% 88 doğruluk elde edilir. Yüz için farklı boyutlardaki veri seti kullanılarak yüzler için SMV kullanılarak LBP için% 83, K-NN kullanılarak LBP için% 57 ve Viola & Jones için% 68 doğruluk elde edilmiştir.
ÖZ: Bir görüntüdeki yüzlerin ve yüz olmayanların varlığının tespiti, yüzün tutumu (Lokalizasyon), ifade ve ayrımcılık gibi yüz uygulamalarının ilk hareketidir. Yüz tanımanın amacı, bir yüzün bir resimde görünüp görünmediğini belirlemektir. Yüzün bulunduğu görüntünün konumunu bilmek veya bulmak, herhangi bir yüz algılama işleme sisteminin en kritik adımlarından biridir. Yüz algılama sisteminde gerçekleştirilen performans, yüzlerin statik olmadığı (sabit değil) ve duruş, renk, aydınlatma durumu ve ölçek açısından büyük farklılıklar göstermesi nedeniyle, uygulamaların doğru çalışmasına anında etki eder. Yukarıda belirtilen tüm sorunların üstesinden gelmek için otomatik bir sistem planlamak ve hedeflemek zordur. Bu nedenle makine öğrenimi algoritmaları, iyi performans gösteren bir yüz algılama sistemi oluşturmak için başarılı uygulama araçlarından biri olarak bilinir. Yüz algılama sorunu, bir resimdeki insan yüzünün bir veya birden fazla yüzünün algılanmasını içeren bilgisayar görüşü için bir görev olarak adlandırılabilir. Yüzün algılanması, yüz analizlerinin önemli hareketlerinden biridir. Bu tezde, yüzlerin özelliklerini ortaya çıkarmak ve ardından yüzleri sınıflandırmak için kullanılan viyola & jones, LBP (Özellik çıkarıcı), K-NN ve SVM (Sınıflandırıcılar) algoritmalarının genel bir incelemesi, sağlam, verimli ve güvenilir bir yüz algılama sistemi oluşturmak ve her yöntemin avantajları ve dezavantajları kısaca ve ayrıntılı olarak açıklanmakta, ardından hangi yaklaşımın diğerlerine göre daha kesin ve güçlü olduğuna karar verilmektedir. Sonunda, binlerce yüz ve yüz olmayan görüntüden oluşan çalışmamızda kullanılan veri setlerine dayalı olarak SVM, K-NN, LBP ve Viola & Jones için bir karşılaştırma ve değerlendirme yapılır. LBP, K-NN, SVM ve Viola & Jones yöntemleri hızı, doğruluğu, öğrenme yeteneği ve basitliği nedeniyle yüz tanıma için kullanılacak uygun yöntemler gibi görünmektedir. Bu çalışmanın sonuçları, eğitim görüntülerinin sayısı artırılarak sistem doğruluğunun iyileştirilebileceğini göstermiştir. Çalışmada aynı ve farklı boyutlarda iki veri seti kullanılmıştır. Yüzler için aynı yüz boyutlarına sahip veri seti kullanılarak SVM kullanılarak LBP için% 85, K-NN kullanılarak LBP için% 100 ve Viola & Jones için% 88 doğruluk elde edilir. Yüz için farklı boyutlardaki veri seti kullanılarak yüzler için SMV kullanılarak LBP için% 83, K-NN kullanılarak LBP için% 57 ve Viola & Jones için% 68 doğruluk elde edilmiştir.
Keywords
computer engineering