Destek vektör makinesi kullanarak yüz tanıma uygulaması geliştirilmesi
Küçük Resim Yok
Tarih
2017
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Karabük Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Yüz tanıma sistemleri günümüzde hızlı büyüyen ve geniş bir uygulama alanına sahip biyometrik teknolojilerden biridir. Bu sistemlerin, iş yerlerinin akıllı kart sistemlerinde; hava alanları gibi yüksek güvenlik gerektiren yerlerin giriş çıkışlarında, kimlik kartı, sürücü belgesi, pasaport gibi devlet uygulamalarında ve bunun gibi daha pek çok alanda kullanımı mevcuttur. Bu tez çalışmasında destek vektör makinelerinden (DVM) faydalanarak yüz tanıma uygulaması gerçekleştirilmesi amaçlanmıştır. DVM, karmaşık karar sınırlarını modelleyebilme, çok sayıda bağımsız değişkenle çalışabilme, hem doğrusal olarak ayrılabilen hem de doğrusal olarak ayrılamayan verilere uygulanabilmeleri açısından avantaj sağlayan bir makine öğrenme algoritmasıdır. DVM tarafından sınıflandırılan görüntülerin tespit edilebilmesi için ön işleme ve öznitelik çıkarımı işlemlerini gerçekleştirmek amacıyla Temel Bileşen Analizleri (TBA) yönteminden yararlanılmıştır. TBA, veri setindeki güçlü özellikleri ortaya çıkarmak için kullanılan etkili bir yöntemdir. Sonuçta yüksek verimle çalışan, hızlı ve pratik bir yüz tanıma uygulaması elde edilmiştir. 400 yüz olan ve 400 yüz olmayan veri setlerinden 100 farklı test verisi alınmıştır. DVM'nin farklı çekirdek fonksiyonlarıyla test edilerek yüzleri tespit etmedeki başarı yüzdeleri karşılaştırılmıştır. Sonuçta RTF çekirdek fonksiyonuyla % 78, Lineer Çekirdek Fonksiyonuyla % 74, Polinom Çekirdek Fonksiyonuyla % 71, Sigmoid Çekirdek Fonksiyonuyla % 50 başarı yüzdelerine ulaşılmıştır. Elde edilen sonuçlar OpenMP ile paralel programlama işlemine tabii tutulmuştur. Böylece RTF çekirdek fonksiyonu kullanılarak yapılan çalışmada seri uygulamanın çalışma süresi 0.728 sn iken paralel uygulamanın çalışma süresinin 0.422 sn olduğu tespit edilmiştir.
Nowadays, facial recognition systems are one of the fastest growing biometric technologies with a wide range of applications. These systems are used in smart card systems in workplaces, entry and exit of high security sites such as airports, in state applications such as identity cards, driver's licenses, passports, and in many areas. In this thesis, it is aimed to implement face recognition application by using support vector machines (SVM). SVM is a machine learning algorithm that can be used to model complex decision boundaries, work with many independent variables, and apply to both linearly separable and linearly non-separable data. The Principle Component Analysis (PCA) method was used to perform pre-processing and feature extraction to detect images classified by SVM. PCA is an effective method for extracting powerful features in the data set. As a result, a fast and practical facial recognition application with high efficiency was achieved. 100 different test data sets were created from 400 face and 400 non-face data sets. Accuracy percentages were compared with different core functions of SVM. As a result of study, RBF core function reached 78%, Linear core function reached 74%, Polynomial core function reached 71%, and Sigmoid core function reached 50% accuracy rate. Obtained results were subject to parallel programming with OpenMP. Thus, in the study using RBF kernel function, run time of the serial application was found to be 0.728 sec while the run time of the parallel application was found to be 0.422 sec.
Nowadays, facial recognition systems are one of the fastest growing biometric technologies with a wide range of applications. These systems are used in smart card systems in workplaces, entry and exit of high security sites such as airports, in state applications such as identity cards, driver's licenses, passports, and in many areas. In this thesis, it is aimed to implement face recognition application by using support vector machines (SVM). SVM is a machine learning algorithm that can be used to model complex decision boundaries, work with many independent variables, and apply to both linearly separable and linearly non-separable data. The Principle Component Analysis (PCA) method was used to perform pre-processing and feature extraction to detect images classified by SVM. PCA is an effective method for extracting powerful features in the data set. As a result, a fast and practical facial recognition application with high efficiency was achieved. 100 different test data sets were created from 400 face and 400 non-face data sets. Accuracy percentages were compared with different core functions of SVM. As a result of study, RBF core function reached 78%, Linear core function reached 74%, Polynomial core function reached 71%, and Sigmoid core function reached 50% accuracy rate. Obtained results were subject to parallel programming with OpenMP. Thus, in the study using RBF kernel function, run time of the serial application was found to be 0.728 sec while the run time of the parallel application was found to be 0.422 sec.
Açıklama
Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
