İki Boyutlu Dalgacık Dönüşümü Kullanarak Ön Cepheden Çekilmiş İnsan Yüzü Resimlerini Tanıma Üzerine Yaklaşımlar

Transkript

1 KSÜ Mühendislik Bilimleri Dergisi, 12(1), KSU Journal of Engineering Sciences, 12 (1), 2009 İki Boyutlu Dalgacık Dönüşümü Kullanarak Ön Cepheden Çekilmiş İnsan Yüzü Resimlerini Tanıma Üzerine Yaklaşımlar Abdullah ÖZDEMİR, Metin ARTIKLAR KSÜ, Mühendislik-Mimarlık Fakültesi, Elektrik-Elektronik Mühendisliği Bölümü, Kahramanmaraş Geliş Tarihi: 11/06/2007 Kabul Tarihi: 08/02/2009 ÖZET: Bu çalışmada dalgacık dönüşümü yöntemine dayalı olarak geliştirdiğimiz bir yüz tanıma yönteminin, içerisinde çok sayıda insan yüzü resimleri bulunan bir veri tabanı üzerine uygulanması incelendi. Dalgacık dönüşümü resimlere iki seviye uygulandı. İkinci seviyede elde edilen özet dalgacık katsayıları yüz resimlerini tanımak amacıyla kullanıldı. CNNL veritabanı içerisinden seçilen 500 kişilik bir set üzerinde yaptığımız simülasyonlar dalgacık dönüşümü yönteminin, resimlere herhangi bir dönüşüm uygulanmaması durumu ile karşılaştırıldığında, doğru tanıma oranını %1 den daha fazla arttırdığını, tanıma süresini ise 5 kata yakın azalttığını göstermektedir. Anahtar Kelimeler: Dalgacık Dönüşümü, Yüz Tanıma, İnsan Yüzü Veritabanı Recognition of Frontal Face Images Using Two Dimensional Wavelet Transformation ABSTRACT: This paper demonstrates application of a wavelet transformation based face recognition algorithm on a face database that contains large number of individuals. The wavelet transformation is applied to database images for 2 levels and approximation coefficients of the second level are used to identify face images. Simulation results conducted on 500 people from CNNL database showed that wavelet transformation based algorithm increases the recognition performance by more than %1 and decreases the recognition time by a factor of 5 when compared with recognition of same images with no transformation applied. Keys Words: Wavelet Transform, Face Recognition, Human Face Database GİRİŞ Kişileri yüz resimlerinden tanıma son çeyrek asırda üzerinde çokça araştırma yapılan alanlardan birisi olmuş ve bu alanda pek çok algoritma geliştirilmiştir. Bunlara örnek olarak, yüz resimlerinden oluşan bir setin öz-vektör ve özdeğerlerinin kullanılarak tanıma işleminin gerçekleştirildiği Eigenfaces yöntemi [1,2] yüz resminin küçük pencerelere ayrıştırılarak bunlara farklı çözünürlüklerdeki Gabor filtrelerinin uygulandığı ve benzeri dalgacık dönüşümü temelli yöntemler [3], ve diğer pek çok istatistiksel ve yapay sinir ağları temelli yöntemler [4] verilebilir. Geliştirilen tanıma algoritmalarının büyük çoğunluğu kişileri ön cepheden çekilmiş yüz resimlerine bakarak incelemişlerdir. Ancak bu algoritmaların tanıma performansları rapor edilirken kullanılan veri tabanları içerisindeki kişi sayısı genellikle bir kaç yüz kişiyi geçmemiştir. Yüz tanıma sistemlerinin giderek artan uygulama alanları düşünüldüğünde, bu algoritmaların içerisinde daha çok sayıda yüz resmi bulunduran veri tabanları üzerindeki tanıma performanslarının araştırılması bir gereklilik olarak ortaya çıkmaktadır. Daha önceki çalışmalarımızda geliştirmiş olduğumuz Voting with Dynamic Local Templates (VDLT) metodunda bu gereklilik göz önüne alınmıştır. Yüz resimlerinin iki aşamalı bir işleme tabi tutularak tanıma işleminin gerçekleştirildiği bu yöntem, içerisinde 1000 kişinin bulunduğu CNNL yüz veri tabanına uygulanmıştır. Algoritma % 97.3 doğru tanıma, % 0 yanlış tanıma ve % 2.7 reddetme performansı göstermiştir [5]. MATERYAL Simülasyonlarımızda kullandığımız veri tabanını 1999 yılında Wayne State Üniversitesi, Mühendislik Fakültesi, Elektrik ve Bilgisayar Mühendisliği bölümündeki Computation & Neural Network laboratuarında geliştirmiş olduğumuz ve CNNL olarak adlandırılan insan yüzü veri tabanıdır. CNNL veri tabanı içerisinde yaşları 15 ile 60 arasında değişen 1200 kişinin yüz resimleri bulunmaktadır. Bu kişiler beyaz Amerikalılar, Afrika kökenli Amerikalılar, Asyalılar, Pakistan-Hindistan kökenliler, Arap kökenliler olmak üzere farklı bölge ve etnik kökenlere mensup bulunmaktadırlar. Bu kişilerden 733 u erkek 467 si ise bayandır. Şekil 1 bu veri tabanı içerisindeki kişilerin etnik köken dağılımını göstermektedir.

2 KSÜ Mühendislik Bilimleri Dergisi, 12(1), KSU Journal of Engineering Sciences, 12 (1), 2009 Şekil 1. CNNL veri bankası içerisindeki kişilerin etnik köken dağılımı.

3 KSÜ Mühendislik Bilimleri Dergisi, 12(1), KSU Journal of Engineering Sciences, 12 (1), 2009 Her kişinin 10 tane resmi veri bankasına dahil edilmiştir. Bunlardan 8 tanesi tanıma algoritmaları geliştirilirken hafıza setleri oluşturmak amacıyla kullanılabilecek resimlerdir. Kalan iki tanesi algoritmaların tanıma performanslarını test etmek amacıyla kullanılabilecek resimlerdir. Tüm resimler 115x82 boyutunda ve gri seviyeli olarak alınmıştır. Sekil 2 CNNL veri tabanı içerisindeki bir kişinin belirtilen 10 adet resmini göstermektedir. HAFIZA RESİMLERİ TEST RESİMLERİ Normal Komik Kızgın Şaşkın Normal Normal 1 Normal 2 Normal 3 Normal 4 Keyfi Duruş Şekil 2. CNNL veri bankası içerisindeki bir kişinin hafıza ve test resimleri. Bu çalışmada geliştirdiğimiz metotları test etmek üzere CNNL veri tabanı içerisindeki resimler kullanılarak bir adet hafıza ve bir adet test seti oluşturulmuştur. Bu setler veri tabanı içerisindeki ilk 500 kişinin resimleri kullanılarak elde edilmiştir. Hafıza seti her kişinin bir adet resminden oluşmaktadır. Bu resim kişinin hafıza resimleri içerisindeki normal yüz ifadesi olarak seçilmiştir. Test seti yine aynı kişilerin bir adet resminden oluşmaktadır. Bu resim kişinin test resimleri içerisindeki normal yüz ifadesi olarak seçilmiştir. Kişilerin farklı zamanlarda saç uzunluklarının farklı olacağı, saçlarını bir günden diğerine farklı şekilde tarayabilecekleri, jöle v.b. şeyler kullanılabileceği göz önüne alındığında, tanıma işlemi gerçeklenirken saç kısmına karşılık gelen yerlerin resimler içerisinden çıkarılması daha doğru bir yaklaşım olacaktır. Bu nedenle oluşturulan hafıza ve test setleri içerisindeki resimlerinin tümü 115x82 boyutundan, sabit bir başlangıç noktası seçilerek 100x80 boyutuna indirgenmiştir. AMAÇ ve METOT Bu çalışmadaki amacımız, içerisinde çok sayıda kişi bulunan bir insan yüzü veri tabanındaki yüz resimlerini doğru ve hızlı bir şekilde tanıyabilecek, bir algoritmanın doğru tanıma performansı ve tanıma zamanını incelemektir. Deneysel olarak incelemiş olduğumuz pek çok yöntem içerisinde dalgacık dönüşümü temeline dayalı olarak geliştirdiğimiz tanıma metodu amacımıza en uygun metot olarak görülmüştür. Makalemizin bundan sonraki bölümlerinde önce dalgacık dönüşümü yüz tanıma metodu açıklanacaktır. Daha sonra simülasyon sonuçları kullanılarak bu metodun araştırmamızda kullandığımız diğer iki yönteme üstünlükleri gösterilecektir. Dalgacık dönüşümü yöntemi son çeyrek asırda oldukça popüler olarak kullanılan bir yöntemdir. En geniş uygulama alanını resim sıkıştırmada bulmuştur. Ancak resimler içerisindeki cisimlerin bulunup tanınması v.b. pek çok uygulama içinde etkin bir şekilde kullanılmaktadır. Bir fonksiyonun dalgacık dönüşümünün alınması, o fonksiyonun değişik çözünürlüklere ayrılarak dalgacık katsayılarının belirlenmesi ile olur. Bu işlem için ana dalgacık adı verilen bir fonksiyon farklı zaman ve genişliklerde dönüşümü yapılmak istenen fonksiyon ile korelasyona tabi tutularak karşılık gelen dalgacık katsayıları elde edilir. İki boyutlu resimlerde dalgacık dönüşümü resmin tekrarlı bir şekilde bir alçak ve yüksek geçiren filtreden geçirilmesi ile olur. Her filtreleme resme ait farklı bir çözünürlükte özet ve detay katsayıları elde edilmesini sağlar. Bu işlem resim tek piksele indirgenene kadar devam ettirilebilir [6]. Herhangi bir çözünürlükteki filtreleme işlemi aşağıdaki şekilde olduğu gibidir: (a) (b)şekil 3.(a) Alçak ve yüksek geçiren filtreler kullanılarak bir resmin herhangi bir j çözünürlüğündeki dalgacık katsayılarının bulunması. (b) Elde edilen katsayıların özet, yatay, dikey ve diyagonal katsayılar olarak gösterimi. Şekil 3 te gösterilen H D W, W, W, V W değerleri resmin j çözünürlüğündeki özet, yatay, diyagonal ve dikey dalgacık katsayılarına karşılık gelmektedir.

4 KSÜ Mühendislik Bilimleri Dergisi, 12(1), KSU Journal of Engineering Sciences, 12 (1), 2009 Alçak ve yüksek geçiren filtrelerin katsayıları kullanılan ana dalgacığa göre belirlenir. Bu çalışmada

5 KSÜ Mühendislik Bilimleri Dergisi, 12(1), KSU Journal of Engineering Sciences, 12 (1), 2009 yüz resimlerini Daubechies ana dalgacığı kullanarak dönüşüme tabi tuttuk. Kullandığımız alçak ve yüksek geçiren filtreler aşağıda verilmiştir. Şekil 4. Dalgacık dönüşümü için kullanılan alçak ve yüksek geçiren filtre katsayıları. Simülasyonlarımızda kullanılan veri tabanı içerisindeki bir resme iki seviyeli dalgacık dönüşümü uygulayarak elde ettiğimiz özet ve detay katsayıları Şekil 5 te verilmiştir. (a) yöntemlerinden Eigenfaces (Öz-yüzler) ve direk karşılaştırma yöntemleri kullanılacaktır. Direk karşılaştırma yönteminde hafıza ve test seti içerisindeki resimler herhangi bir ön işleme tabi tutulmamaktadır. Tanıma işlemi resimlerin 100x80 lik çerçevelerinin birbirleri ile direk olarak karşılaştırılması ile yapılmaktadır. Öz-yüzler (Eigenfaces) yöntemi bir yüz veritabanı içerisindeki resimlerin kovaryans matrislerinin elde edilerek, bu matrisin öz-vektör ve öz-değerlerinin bulunması esasına dayanmaktadır [1,7]. Bu öz-vektörlere, bulanık yüzlere benzediklerinden, Öz-yüzler adı verilmiştir. Bu yöntemi CNNL veri tabanı içerisindeki resimlere uygulamak için şu işlemleri gerçekleştirdik. Veritabanı içerisindeki ilk 100 kişinin hafıza seti için kullanılan resimleri ile bir kovaryans matrisi oluşturuldu. Bu matrisin 100 adet Öz-yüzü bulundu. Bu Öz-yüzler kullanılarak hafıza ve test resimlerinin her birisi için 100 adet katsayı içeren birer özellik vektörü oluşturuldu. Hafıza setleri içerisinde 200 ve daha fazla resim bulunan gruplamalar içinde aynı Özyüzler kullanıldı. Böylelikle tüm gruplamalar için, hafıza ve test resimlerinin indirgendiği özellik vektörlerinin 100 adet Öz-yüz katsayısından oluşması sağlandı. Tanıma işlemi her resim için oluşturulan bu katsayı vektörlerinin karşılaştırılması ile yapıldı. Aşağıdaki şekilde elde edilen 100 adet Öz-yüz içerisinden en büyük öz-değere sahip ilk 3 tanesi gösterilmektedir. (b) (c) Şekil 5.(a) Hafıza setindeki 1 kişinin 100x80 lik resmi (b) 1-seviye dalgacık dönüşümü uygulanmış resim (c) 2-seviye dalgacık dönüşümü uygulanmış resim Dalgacık dönüşümü esasına dayalı olarak geliştirdiğimiz yüz tanıma metodu, yukarıda anlatılan işlemin tüm hafıza ve test resimlerine uygulanması temeline dayanmaktadır. Dönüşüm sonucunda resimler Şekil 5.c nin sol üst köşesinde görülen ve orijinal resme en benzer katsayılar olan 25x20 boyutundaki özet katsayılar ile temsil edilmişlerdir. Böylelikle bu yöntem uygulanırken resimlerin bilgisayar hafızasında kapsadığı yerin 16/1 oranında azaltılması sağlanmıştır. Tanıma işlemi hafıza ve test seti içerisindeki bu özet resimler üzerinde gerçekleştirilmiştir. Dalgacık dönüşümü yönteminin performansını karşılaştırmak amacıyla en çok bilinen yüz tanıma Şekil 6. CNNL veri bankası içerisindeki ilk 100 kişi kullanılarak bulunan 3 adet Öz-Yüz. Doğru tanıma simülasyonları gerçeklenirken her kişinin test seti içerisindeki resmi, hafıza seti içerisindeki resimlerle karşılaştırıldı. Test resim ile arasında en küçük farkı veren hafıza resmi bulundu. Bu resim test resmi ile aynı kişiye ait ise, test resmi doğru tanınmış olarak alındı. Farklı ise test resmi yanlış tanınmış olarak alındı. Metotlar uygulanırken iki resim arasındaki fark L 1 uzaklığı kullanılarak bulundu. Simülasyonlar sonuçları, bir metot bir grup içerisindeki resimlere uygulandığında elde edilen toplam doğru tanınan kişi sayısı yüzdelik değere çevrilerek rapor edildi. BULGULAR VE TARTIŞMA Simülasyonlarımızı hafıza ve test setlerini 100, 200, 300, 400 ve 500 er kişilik gruplara ayırarak

6 KSÜ Mühendislik Bilimleri Dergisi, 12(1), KSU Journal of Engineering Sciences, 12 (1), 2009 gerçekleştirdik. Örneğin ilk grup, set içerisindeki ilk 100 kişi seçilerek, ikinci grup set içerisindeki ilk 200 kişi seçilerek oluşturuldu. Oluşturduğumuz gruplar üzerinde şu simülasyonları yaptık

7 KSÜ Mühendislik Bilimleri Dergisi, 12(1), KSU Journal of Engineering Sciences, 12 (1), 2009 Resimler herhangi bir dönüşüme tabi tutulmadan gerçekleştirilen doğru tanıma simülasyonları Resimlere iki seviyeli dalgacık dönüşümü uyguladıktan sonra elde edilen ve 25x20 boyutlarındaki özet resimler kullanılarak gerçekleştirilen doğru tanıma simülasyonları Resimlere Öz-Yüzler (Eigenfaces) yöntemi uygulanarak gerçekleştirilen doğru tanıma simülasyonları Tablo 1, oluşturduğumuz hafıza ve test setleri için doğru tanıma simülasyonları sonuçlarını vermektedir. Tablo 1. Dalgacık dönüşümü, direk karşılaştırma ve Öz-yüzler metotları için doğru tanıma simülasyonları sonuçları. Yukarıdaki tabloda görüldüğü gibi dalgacık dönüşümüne tabi tutulmuş resimler tüm gruplar için, dönüşüm uygulanmamış resimlere (direk karşılaştırma) göre, aynı ya da daha yüksek tanıma yüzdesi ile tanınmışlardır. Hafıza seti içerisindeki kişi sayısı arttıkça doğru tanıma yüzdesinin %93.6 lara kadar düştüğü görülmektedir. Öz yüzler metodu ise bu iki metoda göre daha kötü tanıma performansı göstermiştir. Bu simülasyonlara ek olarak her bir metot için bir tek test resminin ne kadar sürede tanındığı hesaplandı. Bu süre, her grup için test resimlerinin tümünün tanınması için geçen sürenin grup içerisindeki kişi sayısına bölünmesi ve sonucun saniye cinsinden ifade edilmesi ile bulundu. Tablo 2 de bu süreler karşılaştırmalı olarak gösterilmiştir. Tablo 2. Dalgacık dönüşümü, direk karşılaştırma ve Öz-yüzler metotları için bir tek test resminin tanınma süreleri. Yukarıdaki tablo, hafıza seti içerisindeki kişi sayısı 100 iken, dönüşüm uygulanmamış durumda bir test resminin saniyede tanındığını göstermektedir. Direk karşılaştırma metodu için aynı süre saniyedir. Arada 4.5 katlık bir oran bulunmaktadır. Hafızadaki kişi sayısı 500 e çıkartıldığında bu süreler ve saniye olmuştur. Oranladığımız zaman dalgacık dönüşümünün, tanıma zamanında yine 4.6 kat hız sağladığı görülmektedir. Öz-yüzler metodunda ise bir tek test resminin tanınmasının dalgacık dönüşümü ile karşılaştırıldığında 8 kattan daha fazla bir zaman aldığı görülmektedir. SONUÇ Bu çalışmada dalgacık dönüşümü yöntemi kullanılarak yüz resimlerinin tanınması üzerine bir inceleme yapılmıştır. Dalgacık dönüşümünün resimlere 2 seviye uygulanması ile resimlerin boyutları 16/1 oranında küçültülmüştür. Buna rağmen bu metodun tanıma performansının hem direk karşılaştırma hem de Öz-yüzler metotlarına göre daha iyi olduğu gösterilmiştir. Aynı zamanda, dalgacık dönüşümü yönteminde bir test resminin tanınmasının diğer iki yönteme kıyasla 5 kat daha az bir zaman aldığı gözlemlenmiştir. Bu özellikler dalgacık dönüşümü yöntemini gerçek zamanlı resim ve görüntü işleme uygulamaları için çekici kılmaktadır. Gelecekteki çalışmalarımızda hafıza seti içerisindeki kişi sayısı arttırılacak ve aynı zamanda sisteme reddetme özelliği de eklenerek bir tam otomatik yüz tanıma sistemi geliştirilecektir. KAYNAKLAR [1] Sirovich L., Kirby M Low Dimensional Procedure for Characterization of Human Faces. Journal of Optical Society of America, 4, [2] Turk M., Pentland A Eigenfaces for Recognition. Journal of. Cognitive Neuroscience, 3(1), [3] Lades M., Vorbruggen J. C., Buhmann, J., Lange J., Malsburg C.V.D., Wurtz R. P., Konen W Distortion Invariant Object Recognition in Dynamic Link Architecture. IEEE Transactions on Computation, 42, [4] Grudin, M., A On Internal Representations in Face Recognition Systems. Pattern Recognition, Vol 33, pp [5] Artıklar M., Mu X., Hassoun M., Watta P Local Voting Networks for Human Face Recognition. International Joint Conference on Neural Networks, July 20-24, Portland. [6] Gonzalez, R.C. and Woods, R.E Digital Image Processing, Prentice Hall Inc.,

8 KSÜ Mühendislik Bilimleri Dergisi, 12(1), KSU Journal of Engineering Sciences, 12 (1), 2009 [7] Kirby, M., Sirovich, L Application of Karhunen-Loeve procedure for characterization of human faces. IEEE Trans PAMI, 12 (1).