Kernel Fisher Ayrıştırma Analizi Yöntemi İle Yüz Tanıma

Abstract

Günümüz dünyasında güvenlik insanlar için gün geçtikçe daha çok önem kazanmaktadır. Hali hazırda yaygın bir şekilde kullanılan şifre ve pin gibi güvenlik mekanizmaları, gerek insanlar tarafından unutulma gerekse başkaları tarafından ele geçirilme ihtimalleri olduğundan güvenlik zaafı yaratmaktadırlar. Bu durum araştırmacıları daha güvenli, doğal ve kullanışlı mekanizmalar araştırmaya yöneltmiştir. Gerek kişiye özgü olması gerekse uygulama esnasında insanlarla birebir etkileşim zorunluluğu olmaması, bir biometrik tekniği olan yüz tanımayı yeni bir güvenlik mekanizması olarak diğer yöntemlere göre öne çıkarmaktadır. Bu tezde, bir yüz tanıma tekniği olan Kernel Fisher Ayrıştırma Analizi (KFDA) incelenmiştir. Günümüzde, kernel metodları sınıflandırma ve regresyon gibi makine öğrenme işlerinde giderek popüler hale gelmektedir. Kernel metodları genel veri tipleri üzerinde çalışabilen ve bunlar arasındaki genel ilişkileri açığa çıkaran yeni tip örüntü analizi algoritmalarıdır. Kernel metodları ile beraber farklı aydınlatma koşullarında ve değişik yüz ifadelerinde oldukça etkileyici sonuçlar veren Fisher ayrıştırması, yüz tanıma için daha uygun hale gelmiştir. Sadece lineer ayrıştırma bilgisi kullanmak yerine kernel metodları bize lineer olmayan yönleri de dikkate alma olanağı sağlamıştır. Bu çalışmada iki tip yüz tanıma metodu gerçeklenmiştir. Lineer sınıflandırma algoritması olarak Fisher Yüzleri ve lineer olmayan sınıflandırma algoritması olarak Kernel Fisher Ayrıştırma Analizi algoritması gerçeklenmiştir. İki yöntemin farklı veritabanlarındaki performans değerleri ve karşılaştırma sonuçları da tez içinde verilmiştir.

Security has become very important for people in today’s world. The widely used security mechanisms like passwords and pins may not be enough secure especially considering the high cracking and stealing probability. This situation makes researchers to research more reliable and user-friendly security mechanisms. A kind of biometric technique called face recognition has started to be used for security purposes in the last years. Since it is natural, non-intrusive and easy-to-use it stands out among other security techniques. In this thesis, a face recognition technique named Kernel Fisher Discriminant Analysis (KFDA) is considered. Nowadays, kernel methods have become more popular for machine learning tasks such as classification and regression. Kernel methods are a new class of pattern analysis algorithms which can operate on very general types of data and can detect very general types of relations. With kernel methods, Fisher’s discriminant which gives impressive results under different lighting conditions and different face expressions becomes more appropriate for face recognition. Instead of only using linear discriminant information, kernels give us the chance to look for non-linear directions. In this study, two methods are implemented. As a linear algorithm, Fisherface classification and as a non-linear algorithm KFDA are implemented. The performance and the comparison of these two algorithms in different databases can be seen in this thesis.