SavedAdd your journal

Journals / Engineering Sciences / 2018 / Cilt: 13 Sayı: 2

DESTEK VEKTÖR MAKİNELERİ KULLANARAK YÜZ TANIMA UYGULAMASI GELİŞTİRİLMESİ

Nesrin AYDIN ATASOY
Derya TABAK
Pages
119–127
Publication Date
2018-04-21
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Test verilerinin başarım oranı %80 olarak elde edilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Yüz tanıma sistemleri günümüzde hızlı büyüyen ve geniş bir uygulama alanına sahip biyometrik teknolojilerden biridir.
📊
Key Findings & Data:Görüntüler üzerindeki yüz bölgeleri kırpılmış ve 20x20 piksel olarak yeniden boyutlandırılmıştır.
💡
Conclusion & Impact:Test verilerinin başarım oranı %80 olarak elde edilmiştir.
🔬Design:Modeling & Simulation
📍Scope:2013 Verileri
⚙️Variables:Yüz Tanıma Sistemleri · Destek Vektör Makineleri · Temel Bileşen Analiz

Özet

Yüz tanıma sistemleri günümüzde hızlı büyüyen ve geniş bir uygulama alanına sahip biyometrik teknolojilerden biridir. Destek Vektör Makineleri, istatistiksel öğrenme algoritmasına göre çalışan, sınıflandırma ve regresyon problemlerinin çözümünde kullanılan bir makine öğrenme algoritmasıdır. Bu çalışmada Destek Vektör Makineleri kullanarak yüz tanıma uygulaması gerçekleştirilmiştir. Destek Vektör Makinelerinde sınıflandırma işlemi için radyal tabanlı çekirdek fonksiyonu tercih edilmiştir. Destek Vektör Makineleri tarafından sınıflandırılacak görüntülerin tespit edilebilmesi için ön işleme ve öznitelik çıkarımı işlemleri uygulanmıştır. Görüntüler üzerindeki yüz bölgeleri kırpılmış ve 20x20 piksel olarak yeniden boyutlandırılmıştır. Kırpılan görüntüler üzerindeki özyüzler Temel Bileşen Analizi kullanılarak bulunmuştur. Temel Bileşen Analizi, veri setindeki güçlü özellikleri ortaya çıkarmak için kullanılan bir yöntemdir. Uygulama OpenCV kullanarak Visual Studio 2013 ortamında gerçekleştirilmiştir. Test verilerinin başarım oranı %80 olarak elde edilmiştir.

🔖

Cite This Article

ATASOY, N. A., TABAK, D. (2018). DESTEK VEKTÖR MAKİNELERİ KULLANARAK YÜZ TANIMA UYGULAMASI GELİŞTİRİLMESİ. Engineering Sciences, Cilt: 13 Sayı: 2, 119–127. https://ajindex.com/articles/986274

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (15)

  1. Parmar, D.N. and Mehta, B.B., (2013). Face Recognition Methods & Applications. Int. J. Computer Technology & Applications, Volume:4, Number:1, pp:84-86
  2. Tuzcuoğlu, H., (2003). Yapay Zeka Teknikleri, Depremde Kullanılması ve Küme Kuramları. DEÜ Mühendislik Fakültesi Fen ve Mühendislik Dergisi, Cilt:5, Number:1, ss:73-88
  3. Tikoo, S. and Malik, N., (2016). Detection Segmentation and Recognition of Face and Its Features Using Neural Network. Journal of Biosensors & Bioelectronics, Volume:7, Number:2, ss:1-5
  4. Marqués, I., (2010). Face Recogenition Algorithms. Biskay: Universidad del Pais Vasco
  5. Turk, M. and Pentland, A., (1991). Eigenfaces for Recognition. Journal of Cognitive Neuroscience, Volume:3, Number:1, pp:71-86
  6. Leung, T., Burl, M., and Perona, P., (1995). Finding faces in Clutttered Scenes Using Labeled Random Graph Matching. pp:637-644, International Conference Computer Vision, Cambridge, USA
  7. Lawrence, S., Giles, C.L., Tsoi, A.C., and Back, A.D., (1997). Face Recognition: A Convolutional Neural-Network Approach. IEEE Trans Neural Network, Volume:8, Number:1, pp:98-113
  8. Etemad, K. and Chellappa, R., (1997). Discrimant Analysis for Recognition of Human Face Images. J. Opt. Soc. Am. A, Volume:14, Number:8, pp:1724-1733
  9. Rowley, H., Baluja, S. and Kanade, T., (1998). Neural Network Based Face Detection. IEEE Trans. Pattern Analysis and Machine Intelligence, Volume:20 Number:1 pp:23-38
  10. Schneiderman, H. and Kanade, T., (2000). A Statistical Method for 3d Object Detection Applied to Faces and Cars. pp:746-751, IEEE Conf. Computer Vision and Pattern Recognition, Güney Carolina, USA, 2000
  11. Yuen, P.C. and Lai, J.H., (2002). Face Representation Using İndependent Component Analysis. Pattern Recognition, Volume:35, Number:6, pp:1247-1257
  12. Yang, M.H., Kriegmn, D.J., and Ahuja, N., (2002). Detecting Faces in Images: A Survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, Volume:24, Number:1, pp:34-36
  13. Vapnik, V.N. and Lerner, A.Y., (1963). Recognition of Patterns With Help of Generalized Portraits. Translated from Avtamarika I Telernckllanjka, Volume:24, Number:6, pp:774-780
  14. Vapnik, V.N., (1982). Realism and Instrumentalism: Classical Statics and VC Theory (1960-1980). pp:411-423, Springer Science & Business Media, New York, USA
  15. Boser, B.E., Guyon, I.M., and Vapnik, V.N., (1992). A Training Algorithm for Optimal Margin Classifiers. Proc. 5th ACM Workshop on Computational Learning