Yama-Tabanlı Yüz Tanıma için Yeni Yöntemler Berkay Topçu, Hakan Erdoğan Sabancı Üniversitesi

İçerik  Giriş  Yama-Tabanlı Yüz Tanıma  Boyut düşürme ve normalizasyon  Sınıflandırma  Karar Birleştirme  Deneyler ve Sonuçlar  Sonuç ve Gelecek Çalışmalar 2Sabancı Üniversitesi

Giriş  Güvenlik uygulamaları  İ nsan-bilgisayar arayüzü  Işıklandırma de ğ işimleri  Kısmi kapanmalar  Duruş (poz) de ğ işimleri 3Sabancı Üniversitesi

Yama-Tabanlı Yüz Tanıma  Üst üste çakışan veya çakışmayan bölgeler (yamalar)  Yerel öznitelikler  Işıklandırma, kısmi kapanma ve duruş de ğ işimlerine karşı gürbüz  Sınıflandırma  Farklı yamalardan çıkarılan öznitelikler  Öznitelik birleştirme  Karar birleştirme 4Sabancı Üniversitesi

Yama-Tabanlı Yüz Tanıma  Boyut Düşürme  Yüksek boyutlu (d) veri, düşük boyutlu (p) uzaya eşlenmekte (p < d)  d = 64x64 = 4096 ya da d = 16x16 = 256  256  12 boyut, 4096  192 boyut  Ayrık Kosinüs Dönüşümü (DCT)  Temel Bileşenler Analizi (PCA)  Normalize Temel Bileşenler Analizi (NPCA)  En Yakın Komşu Ayırtaç Analizi (NNDA) 5Sabancı Üniversitesi

Öznitelik Çıkarımı  NPCA (Normalize Temel Bileşenler Analizi )  PCA, izdüşüm uzayında örnekler arası ikili uzaklıkların karelerinin toplamını maksimize eder.  Örnekler arası uzaklıkları, orijinal uzaydaki uzaklıkları ile ters orantılı a ğ ırlıklandırma 6Sabancı Üniversitesi

Öznitelik Çıkarımı Sabancı Üniversitesi7  NNDA ( En Yakın Komşu Ayırtaç Analizi )  Sınıflar arası uzaklı ğ ı arttırmaya çalışırken, aynı sınıfa ait elemanları izdüşüm uzayında yaklaştırmayı hedefler.  Her eleman için, aynı sınıftaki en yakın komşu ile uzaklı ğ ını ve di ğ er sınıflardan en yakın komşu ile uzaklı ğ ını göz önüne alır.

Öznitelik Çıkarımı - Normalizasyonlar  Uzunluk Normalizasyonu  Yüksek veya düşük parlaklık seviyeli yamalar  Birim uzunluk  Öznitelik Normalizasyonu  Her bir özniteli ğ in katkısını dengelemek  Birim standart sapma 8Sabancı Üniversitesi

Sınıflandırma  En yakın komşu sınıflandırıcısı  Yüz imgelerinden elde edilen veri seyrek oldu ğ undan, e ğ itim verisinin yapısını temsil eden istatistiksel model oluşturmak zordur.  Örnekler arası uzaklık  Sınıf sonsal olasıklıkları 9Sabancı Üniversitesi

Önceki Çalışmalar  Öznitelik birleştirme  Yamalardan çıkarılan öznitelikler uç uca eklenerek her bir örnek için görsel öznitelik vektörü oluşturulur.  Do ğ ru tanıma oranlı a ğ ırlıklandırma  Her bir yamanın sonuçları, test verisi üzerindeki do ğ ru tanıma oranları ile a ğ ırlıklanıdırılır.  Yama-tabanlı ve bütüncül birleştirme  İ ki ayrı seviyede karar birleştirme yapılır.  İ lk seviye: Farklı yamaların tanıma oranları birleştirilir.  İ kinci seviye: Yerel tanıma sonucu, tüm imgenin kullanıldı ğ ı tanıma sonucu ile birleştirilir. 10Sabancı Üniversitesi

Karar Birleştirme  Farklı yamalardan e ğ itilmiş sınıflandırıcıların birleştirilmesi  Sonsal olasılıkların a ğ ırlıklı toplamı :  Eşit a ğ ırlıklar (EA):  Fisher A ğ ırlıklandırma (FA)  Onaylama Do ğ ruluk Oranı A ğ ırlıklandırma (ODO-A) 11Sabancı Üniversitesi

Karar Birleştirme  Fisher A ğ ırlıklandırma (FA)  Onaylama verisinin her bir örne ğ i için ( i : do ğ ru sınıf )  Pozitif skor  Negatif skor  16 boyutlu veri  1boyut  LDA (Do ğ rusal Ayırtaç Analizi) 12Sabancı Üniversitesi

Karar Birleştirme  Onaylama Do ğ ruluk Oranı (ODO-A)  Her bir yamanın ba ğ ımsız tanıma oranı  Yamanın a ğ ırlı ğ ı tanıma oranı ile do ğ ru orantılı 13Sabancı Üniversitesi

Deneyler  AR Veritabanı  120 kişi – 2 ayrı oturum – 13+13=26 imge/kişi  13 imge/kişi/oturum : 1 standart + 3 yüz ifadesi farklı + 3 ışıklandırma farklı + 3 güneş gözlüklü + 3 atkılı  İ lk oturum ilk 7 imge  e ğ itim  İ kinci oturum ilk 7 imge  onaylama  İ lk ve ikinci oturum 6+6=12 imge  test 14Sabancı Üniversitesi

Deneyler ve Sonuçlar Normalizasyonsuz tanıma oranları Standart Sapma Norm.Uzunluk Norm. EAFAODO-A DCT74.58%75.62%75.21% PCA65.49% 65.63% NPCA65.35%65.42%65.63% NNDA75.76%76.32%78.33% EAFAODO-A DCT78.68%79.58%79.37% PCA78.96%79.58%82.26% NPCA82.36%82.99%83.19% NNDA82.36%83.06%83.26% EAFAODO-A DCT75.90%77.50%75.83% PCA78.82%79.58%79.24% NPCA78.54%79.86%79.03% NNDA83.75%84.31%85.69% 15Sabancı Üniversitesi

Deneyler ve Sonuçlar  Di ğ er yöntemler  Öznitelik Birleştirme  CSU Face Identification Evaluation System DCTPCANPCANNDA 46.15%45.71% 48.08% PCA Euclidean22.15% PCA Mahalinobis42.56% LDA21.94% Bayesian ML23.95% Bayesian MAP27.84% 16Sabancı Üniversitesi

Sonuç  Farklı yamalardan elde edilen sonuçların birleştirilmesi  DCT ve PCA ek olarak NPCA ve NNDA kullanılması  İ ki farklı a ğ ırlık bulma yöntemi  En yüksek tanıma oranı : 85.69%  Uzunluk bölümü + NNDA + ODO-A  Gelecek çalışmalar:  En uygun eşleşme için yama merkezlerinin yer de ğ iştirmesi  Test imgesi üzerinden a ğ ırlıklandırma  Sınıflara özel yama a ğ ırlıkları 17Sabancı Üniversitesi