Genişletilmiş evrişimli sinir ağları kullanarak gerçek zamanlı yüz tanıma

Abstract

Bu çalışmanın konusu, gerçek zamanlı görüntülerde derin öğrenme temelli yüz tanıma sistemleri üzerinedir. Araştırma, yüz tanıma sistemleri içerisinde öznitelik elde etmek için kullanılan evrişimli sinir ağları kapsamında gerçekleştirilmiştir. Gerçek zamanlı görüntüler, “yüz bulma”, “öznitelik çıkarma”, “vektörel dönüşüm”, “sınıflandırma ve başarım ölçme” olmak üzere dört aşamada incelenmiştir. Yüz tanıma sistemlerinde, ışık yönü, yansıma, yüz ifadesindeki duygusal ve fiziksel değişimler tanımayı zorlaştıran başlıca unsurlar olarak bilinmektedir. Akan görüntü çerçevelerinde karşılaştırılan her görüntüde meydana gelebilen bu unsurlar hatalı tanımlamalara yol açmaktadır. Araştırmada, arka plan veya sahne değişimleri tespit yöntemi önerilerek, evrişimli sinir ağlarından elde edilen özniteliklerin karşılaştırması birlikte kullanılmıştır. Bu model, sahnenin değişmediği blokları tespit eder ve sınıflandırıcı aşamasında kullanılan karşılaştırma eşik değerini yeni bir değerle daha kesin olarak belirlemeye çalışır. Değişmeyen sahne blokları arasında hassasiyet oranının arttırılması, veri tabanındaki örnekler arasında daha az karşılaştırma yapılmasına olanak tanır. Deneysel çalışmada önerilen model, orijinal derin metrik öğrenme modeline kıyasla %99,25 doğruluk ve %99,28 F-1 değerlerine ulaşmıştır. Deneysel sonuçlar, değişmeyen sahnelerde aynı kişinin yüz görüntülerinde farklılıklar olsa bile, karşılaştırılan örneklem alanı daraltıldığı için yanlış tanımanın çok daha aza indirilebileceğini göstermektedir.

This study's subject is face recognition systems based on deep learning in real-time images. The research was carried out within the scope of convolutional neural networks used to obtain features in face recognition systems. Real-time images were analyzed in four stages: "face detection," "feature extraction," "vector transformation," and "classification and performance measurement." In face recognition systems, light direction, reflection, and emotional and physical changes in facial expression are known as the main factors that make recognition difficult. These elements, which can occur in every image compared to flowing image frames, lead to erroneous definitions. The background or scene changes detection method was proposed in the research, and the comparison of the features obtained from the convolutional neural networks was used together. This model detects blocks where the scene has not changed and tries to more precisely determine the comparison threshold value used in the classifier stage with a new value. Increasing the precision ratio between unchanging scene blocks allows for fewer comparisons between instances in the database. The model proposed in the experimental study reached 99,25% accuracy and 99,28% F-1 values compared to the original deep metric learning model. Experimental results show that even if there are differences in facial images of the same person in unchanging scenes, false recognition can be minimized as the compared sample area is narrowed.