Yüz bölgelerinin ağırlıklandırılmasının yerel ikili örüntüler ile yüz tanıma performansına etkisi

Abstract

Yerel İkili Örüntüler (Local Binary Patterns - LBP), yüz, doku, cinsiyet tanıma gibi örüntü tanıma problemlerinde kullanılan başarılı bir öznitelik çıkarım yöntemidir. LBP imgedeki her piksel ile komşu piksellerin gri seviye değerlerini karşılaştırarak öznitelik çıkarımı yapar. Yüzdeki göz, burun, ağız gibi bazı bölgelerin diğer bölgelere göre sınıflandırma başarımına katkısının daha fazla olduğu bilinmektedir. Bundan dolayı, yüz imgesi dikdörtgensel bölgelere ayrılmıştır. Her bölge için LBP histogramlarının oluşturulmasıyla yerel öznitelikler elde edilmiştir. Yerel öznitelik vektörlerine ait oldukları bölgelerin önem derecelerine göre ağırlıklar verilerek tanıma başarımının artması hedeflenmiştir. Yöntemin başarımını belirlemek için yapılan deneysel çalışmalarda AR ve Genişletilmiş Yale yüz Veri Tabanı B kullanılmıştır. Sınıflandırma aşamasında alt uzay tabanlı Doğrusal Regresyon Sınıflandırıcısı (LRC) ve Ki-kare ( istatistiği kullanılmıştır. Yapılan deneyler sonucunda, LRC sınıflandırıcısı başarımının kullanılan veri tabanına göre değişkenlik gösterdiği, ancak istatistiğinin kullanılan veritabanından bağımsız olarak yüksek sınıflandırma başarımı sağladığı gözlemlenmiştir.

Local Binary Patterns (LBP) is a successful feature extraction method used in pattern recognition problems such as face, texture, and gender recognition. LBP extracts features by comparing the gray level values of each pixel in the image and its neighboring pixels. It is known that some parts of the face such as eyes, nose and mouth contribute more to the classification performance than other regions. Therefore, the face image is divided into rectangular regions. Local features are obtained by generating LBP histograms for each region. It is aimed increase the classification performance by setting the weights to the local features according to the importance of the corresponding region. In the experimental studies, AR and Expanded Yale face Database B are used to determine the performance of the method. In the classification stage, the subspace-based Linear Regression Classifier (LRC) and the Chi-square ( statistics are used. As a result of the experimental studies, it is observed that the performance of the LRC classifier varies according to the database used, but statistics achieves high classification performance independent of the database used.