Durgun Görüntülerden Yüz İfadelerinin Tanınması

Abstract

Bu tez çalışmasında yüz ifadelerinin tanınması probleminin çözümüne ilişkin Yerel Zernike Momentleri, Yerel EXOR Örnekleri ve Global Zernike Momentleri yöntemlerinden oluşan 3 basamaklı bir yapı kullanılmaktadır. Bu çalışmada veri setindeki görüntü dizisindeki yüz ifadesinin en belirgin olduğu görüntüler kullanılmaktadır. Çalışmada her yüz görüntüsünden sol göz, sağ göz, gözler, kaşlar arası, burun, sol ağız köşesi, sağ ağız köşesi, tüm ağız, ağız ve burun ve tüm yüzü içeren parçalardan oluşan 10 adet yama belirlenmekte ve hizalanmaktadır. Yamaların üretilmesinden sonra öznitelik vektörünün hesaplanması için yamaların üzerine daha önce bahsedilen 3 basamaklı yapı olan Yerel Zernike Momentleri, Yerel EXOR Örnekleri ve Global Zernike Momentleri yöntemleri sırayla uygulanmakta ve hesaplanan moment değerleri peş peşe eklenerek öznitelik vektörü elde edilmektedir. Hesaplanan öznitelik vektörleri birini dışarda bırak çapraz doğrulama yöntemi ile Destek Vektör Makineleri Kütüphanesi sınıflandırıcısı ile sınıflandırma işlemine tabii tutulmaktadır. Sınıflandırma sonucunda CK+ veri tabanındaki görüntülerde %90.34 başarım ile yüz ifadelerinin tanınması gerçekleştirilmiştir.

In this study, a cascaded structure, which consists of Local Zernike Moments, Local XOR Patterns and Global Zernike Moments, is applied to the facial expression recognition problem. 10 patches: left eye, right eye, eyes, between eyebrows, nose, left part of mouth, right part of mouth, mouth, nose & mouth and face are cut from the facial images and these patches are aligned. After that, 3 methods are applied to patches. After that, those methods in the cascaded structure are implemented over these patches and feature vector is generated by concatenating all calculated moment coefficients. We use leave one out cross validation system for classification of feature vectors. As a classification method, LibSVM classifier is chosen. Finally, overall system performance on CK+ database images is measured as 90.34 %.