SURF (Speeded-Up Robust Features) Yöntemi ile Yüz Tanıma

SURF (Speeded-Up Robust Features) Yöntemi ile Yüz Tanıma Serhat KONYALIOĞULLARI, Serkan BALLI Muğla Sıtkı Koçman Üniversitesi,Bilişim Sistemleri Mühendisliği Bölümü, Muğla serhat@mu.edu.tr, serkan@mu.edu.tr Özet: Bu çalışmada SURF (Speeded-Up Robust Features) yöntemi kullanılarak Caltech (California Institute of Technology) yüz veritabanı üzerinde yüz tanıma uygulaması geliştirilmiştir. Resim içerisinde bulunan yüzler, Kanade-Lucas-Tomasi (KLT) algoritması ile tespit edilmiştir. Kaynak yüz resmi üzerinde bulunan ayırt edici özellikli noktaların SURF noktaları- tespit edilmesi ve bu noktaların farklı resimler üzerinde aynı şekilde tespiti yapılan noktalar ile karşılaştırılması ile yüz tanıma işlemi gerçekleştirilmiştir. Yapılan çalışma aynı kişinin farklı ortam ve ışık altında çekilmiş fotoğraflarında farklı özellik ve sayıda noktanın belirleyici olabileceğini göstermiştir. Anahtar Sözcükler: Yüz tanıma, SURF, Kanade-Lucas-Tomasi, Yüz tanıma algoritması. Facial Recognition with SURF (Speeded-Up Robust Features) Algorithm Abstract: In this study, a facial recognition application developed on Caltech (California Institute of Technology) face database by using Speeded-Up Robust Features (SURF) method. The face partition in the picture detected with Kanade-Lucas-Tomasi (KLT) algorithm. Detected face feature points SURF points- were compared with all other feature points at different pictures for facial recognition. Experimental work demonstrates that the feature points counts and locations are decisive from pictures backgrounds, shadows, and light weights. Keywords: Facial recognition, SURF, Kanade-Lucas-Tomasi, Facial recognition algorithm. 1. Giriş Günümüzde hemen her yerde karşımıza çıkan kameralar (Güvenlik kameraları, MOBESE vs.) suçu ve suçluyu tespit ve takip etmede etkin olarak kullanıldığı gibi istatistiksel veri toplama konusunda da etkin olarak kullanılmaktadır. Kamera görüntülerinden elde edilen veriler ile plakalar okunabilmekte, görüntülerde yer alan kişilerin kimliklerinin tespiti gerçekleştirilebilmektedir. Çünkü kişi ile ilgili bilgi edinebilmek için gerçekleştirilmesi gereken en kritik görevlerden biri kimlik tespitinin doğru yapılmasıdır [1]. Özellikle kimlik tespiti konusunda biyometrik yöntem ve araçlar kullanılmaktadır. Bu yöntemler; parmak izi tanıma, el damar ağı tanıma, retina tanıma, iris tanıma ve yüz tanıma olarak sıralanabilir. En çekici biyometrik yöntemlerden biri olarak yüz tanıma, parmak izi ve ya iris tanıma yöntemlerine göre daha doğal ve kullanıcı dostu bir yöntem olarak araştırmacıların dikkatini çekmiştir [2]. Yüz tanıma sisteminde önemli olan nokta, oluşturulan sistemin eğitilebilir ve öğrenebilir olmasıdır. Eldeki veriler kullanılarak eğitilen sistem, sonradan elde edilen yeni verilere adapte olabilmeli ve kendisini sürekli güncel tutabilmelidir. Başarılı bir yüz tanıma sisteminin önemi bu noktada ortaya çıkmaktadır. Yüz tanıma sistemleri öğrenen

sistemlerdir. Burada öğrenen sistemden kastedilen sistemin eğitilmesi sonucunda sistemin belli girdiler için belli çıktılar sağlamasıdır [3]. Sistemin başarısı sistemin girdiye uyguladığı dönüşümlere ve girdinin özelliklerini öğrenebilme başarısına bağlıdır [4]. Yüz tanıma işlemi, tanınmak istenen yüzün sistemdeki hangi yüzle daha çok eşleştiğine dayanarak yapılmaktadır. Tanınması istenen yüz bilgisi elde edilir ve sistemde bulunan diğer yüzlerle karşılaştırılarak sınıflandırılır [5]. karşılaştırılması mantığına dayanmaktadır. Böylelikle aranan kişinin görüntüsü veri tabanında tutulup diğer kontrol edilen kişilerin görüntüleri veri tabanında tutulmamaktadır. Fakat bu yöntemin en büyük dezavantajı işlenecek verinin çok fazla olmasından dolayı çok iyi donanıma sahip olunması gerekliliğidir [9]. Bu çalışmada Speeded-Up Robust Features (SURF) yöntemi kullanılarak Caltech (California Institute of Technology) yüz veritabanı üzerinde yüz tanıma uygulaması geliştirilmiştir. Geliştirilen uygulama ile %95 oranıyla başarılı sonuçlar elde edilmiştir. 2. Yüz Tanıma Algoritmaları Yüz tanıma algoritmaları genel yapı itibariyle ikiye ayrılırlar. Bunlardan birincisi resimler üzerinden yapılan yüz tanıma tekniği, diğeri ise hareketli bir görüntü üzerinden yüz tanıma tekniğidir. Bu iki teknolojide günümüzde çok fazla uygulamada kullanılmaktadır. Bunlara örnek olarak birçok ülkenin kullanıma başladığı pasaport kontrolündeki yüz taramaları ve Mobese kameraları gibi ülke çapında kullanılan kameralarda Interpol ün yapmış olduğu yüz tanımlama uygulaması gösterilebilir [6]. Pasaport kontrolündeki mantık kişinin yüzündeki biyometrik detaylar kişi ile eşleştirilerek bir sonraki pasaport geçişlerinde aynı kişi olup olmadığına dayanır. Bu yöntemde kişinin yüzünün biyometrik özellikleri tanımlanarak (örneğin burnun ağız ile arasındaki uzaklık, gözlerin birbiriyle olan uzaklığının ağzının genişliğine oranı gibi.) sisteme kaydedilir. Sonrasında geçişlerde sadece kameraya bakmak suretiyle eski ve yeni veriler karşılaştırılır. Mobese kameralarındaki Interpol uygulaması ise daha önceden veri tabanına kaydedilmiş bir görüntünün anlık yakalanan görüntülerle Şekil 1. Yüz tanıma algoritması Şekil 1 de genel bir yüz tanıma algoritmasının işleyişi gösterilmektedir. Öncelikle kaynak resim alınarak ön işlemden geçirilir ve yüz kesiti alınır. Bulunan kesitin bir yüz olup olmadığına karar verilir. Yüz olarak tanımlanan kısmın belirleyici özellikleri tespit edilerek veri tabanında bulunan diğer resimler ile karşılaştırılması yapılır. Eşleşme durumunda tanımlama işlemi başıyla tamamlanmış olur ve istenirse eldeki yeni resim de veritabanına kaynak olarak eklenir. Günümüzde yüz tanıma işlemi için etkin olarak kullanılan pek çok algoritma ve uygulama geliştirilmiştir. Bunlardan en çok tercih edilen algoritmalar aşağıda ele alınacaktır.

- PCA (Principal Component Analysis) / TBA (Temel Bileşenler Analizi) Görüntüdeki aynı kısımları tespit ederek sadece spesifik kısımlar kalacak şekilde görüntünün sıkıştırılıp karşılaştırılması esasına dayanır [7]. PCA yönteminde tanıma işleminin gerçekleşmesi için alınan örneklerle veri tabanında bulunan örneklerin boyutları aynı olması gereklidir. Bu yöntemde kullanılan resimler veri tabanında sıkıştırılmış ve küçültülmüş olarak bulunur. Bu sayede veritabanı yükü azaltılmış ve yüz tanıma hızı arttırılmıştır [8]. - ICA (Independent Component Analysis) / BBA (Bağımsız Bileşenler Analizi) Görüntüdeki temel bir bileşenin tespit edilerek diğer bileşenlerin fonksiyonun çıkarılması esasına dayanır. Görüntünün birebir işlenmesindense, sadece belirli fonksiyonlarının işlenebilmesi ve yaklaşık değerler çıkarıp bunların üzerinden işlem yapılabilmesini sağlar [9]. - LDA (Linear Discriminant Analysis) /DDA (Doğrusal Diskriminant Analizi) Bu algoritmada amaç verilerin sınıflandırılması için gerekli olan ayırt edici öznitelikleri seçip, ayırt edici olmayan öznitelikleri elemektir. Böylelikle görüntüleri analiz ederken onların içerikleri değil özniteliklerine göre analiz edebilen bir yöntemdir [10]. - EP (Evolutionary Pursuit) / EP (Evrimsel Takip) Görüntüleri analiz ederken kişinin karakteristik ve evrimsel özelliklerine göre sınıflandırma ve tanımlama yapabilen bir algoritmadır [9]. - EBGM (Elastic Bunch Graph Matching) / EDGİ (Elastik Demet Grafik İşaretleme) Bu yöntemde genişçe bir dikdörtgenler ızgarası insan yüzüne örtülerek yüz üzerindeki kritik noktaların işaretlenmesi sağlanır. Sonra bu noktalara göre bir özellik vektörü belirlenip grafik şablonları kullanılarak karşılaştırılması yapılır [5]. - Trace Transform Radon / İz Radon Dönüşümü Radon dönüşümü iki boyutlu uzayda düz çizgilere uygulanan integral dönüşümüdür. Ters radon dönüşümü ile görüntülerin tekrar oluşturulması sağlanabilir. İz dönüşümü sayesinde cisimleri tanırken rotasyon, boyutlandırma gibi dönüşümlerin etkileri ortadan kaldırılır. Bu sayede farklı açılardan görüntüsü alınan cisimlerde tanınabilir [8]. - AAM (Active Appearance Model) / Aktif Görünüm Modeli Algoritma gri seviye resimler üstünde tahmin edilen nokta ile hedef nokta arasındaki farkların hesaplanmasıyla çalışır [8]. - 3D Morphable Model 3 Boyutlu Model Dönüştürme Bu algoritma ile görüntünün mevcuttaki diğer resimlerle birleştirerek ortaya çıkan yeni görüntüye olan uyumluluğu kontrol edilir. Böylelikle ortam şartlarına bağlı kalınmadan yüksek seviyede uygunluk elde edilir [11]. - 3-D Face Recognition 3 Boyutlu Yüz Eşleştirme Bu yöntemde insan yüzünün öncelikle üzgün, mutlu, heyecanlı gibi varyasyonları çıkarılır. Sonrasında eşleştirme durumlarında bu varyasyonlar kontrol edilerek uyumun en yüksek seviyede olması sağlanır [9].

3. Kanade-Lucas-Tomasi (KLT) ve Speeded-Up Robust Features(SURF) Yöntemi ile Yüz Belirleme Uygulaması Yüz özelliklerinin belirlenebilmesi için öncelikle kaynak resimde bulunan kişinin yüz bölgesinin doğru bir şekilde belirlenmesi gerekmektedir. Böylelikle resim üzerinde ve arka planda bulunan gereksiz şekil ve görüntülerin fazladan gürültü ve kirlilik oluşturması engellenmiş olacaktır. KLT yöntemi ile içerisinde kişinin yüzünü barındıran kaynak resimdeki belirleyici noktalar belirlenerek yüz bölgesinin belirlenmesine çalışılır [12]. Şekil 2 de örnek kaynak resim ve Şekil 3 te bu resimde bulunan yüz bölgesini dikdörtgen içerine alınarak gösterimi yapılmıştır. Şekil 4 te ise sadece yüz kısmı kaynak resimden kırpılarak gösterilmiştir. Şekil 2. Örnek resim Şekil 3. Bulunan yüz kesiti Şekil 4. Yüz kesitinin kırpılmış hali Resimdeki yüz kısmının doğru bir şekilde tespit edilmesinin ardından yapılması gereken işlem, yüz resminin elimizde bulunan diğer resimler ile ne kadar benzerlik taşıdığının belirlenmesine yani yüz tanımlama kısmına gelmektedir. Uygulama MATLAB 2014b yazılımı ile geliştirilmiştir. Yapılan çalışmada tespit edilen yüz bölgesinin özelliklerinin belirlenmesi ve karşılaştırılması işlemleri için SURF yöntemi kullanılmıştır. Literatürde geniş kapsamlı önemli nokta detektör ve tanımlayıcılar geliştirilmiştir [13-17]. SURF yöntemi de çeşitli görme tabanlı uygulamalar için geliştirilmiş bir özellik detektörüdür [18]. Resimlerin önemli noktalarının karşılaştırılması işlemi üç adımdan meydana gelir. Öncelikle resmin içerisinde belirgin bölgelerdeki önemli noktalar köşeler, lekeler, birleşim noktaları seçilir. Önemli noktalar olarak tabir edilen noktaların en değerli özelliği onun tekrarlanabilirliğidir. Tekrarlanabilirlik, farklı görüntüleme koşulları altında aynı önemli noktaları bulmak için bir detektör güvenilirliğini ifade eder. İkinci adım olarak her bir önemli noktanın komşuluğu bir özellik vektörü olarak temsil edilir. Bu tanımlayıcı, fotografik ve geometrik deformasyonları, önemli nokta yer değişimlerini ve resimdeki gürültüleri bastıracak kadar güçlü ve ayırt edici olmak zorundadır. Son olarak farklı resimler içerisinde bulunan özellik vektörleri karşılaştırılır. Bu karşılaştırma vektörler arasındaki mesafeyi temel alır. Özellik

vektörlerinin boyutları mesafe karşılaştırma işlemi için geçen süre ile doğrudan ilintilidir ve hızlı eşleşme yapılabilmesi için küçük boyutlu vektörlerin oluşması arzu edilir. Ancak, düşük boyutlu özellik vektörlerinde yüksek boyutlu muadillerine göre daha az belirleyici özellik barındırır [19]. Bu çalışmada kullanılan veriler, Caltech (California Institute of Technology) yüz veritabanından alınan resimlerden oluşmaktadır. Veri seti içerisinde en çok resmi bulunan 18 kişinin toplam 311 resmi uygulama içerisinde yer almıştır. Her kişinin 10 farklı resmi kaynak resimler olarak rastgele belirlenmiş ve içerisinde tüm kişileri barındıran 131 karmaşık resim içerisinde tarama işlemi gerçekleştirilmiştir. Şekil 5 te aynı kişinin farklı planlarda çekilmiş resimlerinin bir örneği yer almaktadır. Kaynak resimde bulunan kişinin yüz özellik noktalarının belirlenmesi aşamasından önce resmin içerisinden yüz bölgesi ayrıştırılır ve tarama yeni elde edilen resim üzerinde gerçekleştirilir. Böylece arka planda yer alan gereksiz noktaların da belirlenmesi ve gereksiz zaman-iş yükü harcanmasının da önüne geçilmiş olur. Kakıcı [8] de ifade gösterildiği üzere resim üzerinde bulunan ve ilgilenilen noktalar belirlendikten sonra sıra artık SURF noktaları diyeceğimiz bu noktaların diğer resimlerdeki SURF noktaları ile karşılaştırılmasına gelmektedir. Şekil 6 da yüz kısmı kırpılarak çıkartılmış bir resim üzerinde bulunan SURF noktalarının gösterimi bulunmaktadır. Şekil 6. Yüz bölgesinde tespit edilen SURF noktaları Şekil 5. Aynı kişinin farklı arka planlarda çekilmiş fotoğrafları Gerçekleştirilen uygulamada 18 ayrı kişinin 10 ayrı resminde tespit edilen SURF noktaları tek tek 131 karışık resim içerisinde tespit edilen SURF noktaları ile karşılaştırılarak eşleştirilen nokta sayıları kaydedilmiştir. En çok eşleşme tespit edilen resmin kaynak resimdeki kişi olduğu varsayılmıştır. Şekil 7 de aynı kişinin iki ayrı resminde eşleştirilen SURF noktalarının gösterimi yer almaktadır. Bu örnekte her iki resimde de 53 farklı SURF noktası tespit edilmiş ve bunlardan 29 tanesinin eşleştiği belirlenmiştir. Eşleşen noktalar birbirlerini birleştiren çizgiler halinde gösterilmiştir.

Böylelikle her iki resimde de tespit edilen ve eşleştirilen SURF noktalarının birbirinden ayırt edilebilmesi kolaylaştırılmıştır. Şekil 7. Benzeşen SURF noktaları Tablo 1. Tespit edilen SURF noktaları Resim SNS* Resim SNS Resim SNS A1 61 C8 31 F5 61 A2 35 C9 39 F6 62 A3 36 C10 43 F7 70 A4 45 D1 58 F8 62 A5 9 D2 64 F9 52 A6 29 D3 52 F10 74 A7 36 D4 58 G1 27 A8 29 D5 55 G2 35 A9 31 D6 50 G3 33 A10 19 D7 66 G4 27 B1 17 D8 60 G5 20 B2 17 D9 50 G6 23 B3 22 D10 48 G7 29 B4 14 E1 50 G8 28 B5 26 E2 31 G9 33 B6 17 E3 53 G10 30 B7 23 E4 43 H1 48 B8 15 E5 30 H2 44 B9 21 E6 48 H3 49 B10 22 E7 34 H4 41 C1 43 E8 39 H5 52 C2 38 E9 43 H6 54 C3 46 E10 47 H7 37 C4 40 F1 71 H8 60 C5 40 F2 49 H9 47 C6 42 F3 46 H10 47 C7 53 F4 61 I1 83 I2 100 L5 27 O8 54 I3 81 L6 30 O9 75 I4 85 L7 27 O10 63 I5 87 L8 26 P1 24 I6 81 L9 26 P2 32 I7 88 L10 30 P3 32 I8 101 M1 42 P4 31 I9 101 M2 58 P5 33 I10 95 M3 62 P6 39 J1 54 M4 39 P7 38 J2 47 M5 18 P8 29 J3 53 M6 51 P9 34 J4 48 M7 57 P10 41 J5 56 M8 39 Q1 55 J6 46 M9 31 Q2 57 J7 64 M10 47 Q3 53 J8 67 N1 59 Q4 53 J9 49 N2 6 Q5 53 J10 61 N3 66 Q6 63 K1 42 N4 40 Q7 61 K2 41 N5 32 Q8 43 K3 28 N6 65 Q9 56 K4 43 N7 17 Q10 59 K5 39 N8 43 R1 24 K6 45 N9 64 R2 37 K7 29 N10 64 R3 26 K8 31 O1 59 R4 30 K9 36 O2 46 R5 36 K10 29 O3 52 R6 34 L1 29 O4 54 R7 26 L2 28 O5 51 R8 37 L3 28 O6 35 R9 40 L4 30 O7 54 R10 31 *SNS: SURF nokta sayısı

Tablo 1 de 18 kişinin 10 ayrı resmi içerisinde yüz kısımları için bulunan SURF noktalarının sayısı verilmiştir. Resimler harf ve rakamlardan oluşan etiketler ile temsil edilmişlerdir. A-R arası harflendirme her bir farklı kişiyi, 1-10 arası numaralandırma ise o kişinin farklı resimlerini işaret etmektedir. Görüleceği üzere bazı resimlerin nokta sayısı diğer resimlere oranla çok daha fazla bulunmuştur. Yüzün karakteristik özellikleri, resmin parlak ya da gölgeli oluşu gibi faktörler nokta sayısını değiştirebilmektedir. Kişi Tablo 2. Yüz eşleştirme sonuçları Doğru Yanlış Toplam Yüzde(%) A 9 1 10 90 B 10 0 10 100 C 10 0 10 100 D 10 0 10 100 E 10 0 10 100 F 10 0 10 100 G 10 0 10 100 H 9 1 10 90 I 10 0 10 100 J 10 0 10 100 K 10 0 10 100 L 10 0 10 100 M 8 2 10 80 N 5 5 10 50 O 10 0 10 100 P 10 0 10 100 Q 10 0 10 100 R 10 0 10 100 Toplam 171 9 180 95 Tablo 2 de ise 18 farklı kişinin 10 ayrı resmi için yapılan eşleştirme sonucu doğru tespit edilebilen resim sayıları verilmiştir. Görüldüğü üzere eşleştirme yapılan 180 resmin 171 inde doğru tanımlama yapılabilmiştir ve %95 lik bir başarı sağlanmıştır. 4. Sonuç ve Öneriler SURF noktalarının belirlenmesi ve karşılaştırılması yöntemi ile eşleşen noktaların tespit edilerek yüz tanıma işlemi gerçekleştirilmeye çalışılmış ve %95 gibi bir oranla başarılı sonuçlar elde edilmiştir. Yüz tanıma yazılımlarındaki en büyük sorun depolama ve işlem gereksinimleri olarak ortaya çıktığından, resmin tamamı yerine veriyi yani sadece SURF noktalarını veri tabanında tutarak depolama ve sorgulama konusunda ciddi kazanımlar elde edilebileceği görülmüştür. Yapılan çalışmada kişilerin her bir resmi tek tek karşılaştırma işlemine tabi tutulduğundan başarı oranının da aynı oranda düşme eğilimi gösterebileceği gözlemlenmiştir. Özellikle bazı resimlerde meydana gelen kararma, gölgelenme vb. bozulmalar, sonucu doğrudan ve olumsuz bir şekilde etkileyebilmektedir. Yapılan çalışmanın daha da geliştirilmesi ve sıfıra yakın hata oranlarında başarı elde edebilmesi için, aynı kişinin farklı resimleri üzerinde tespit edilen SURF noktalarının tekil olanları bir araya getirilecek bir SURF vektörü oluşturulabilir ve kişiyi resmi yerine bu vektör temsil edebilir. Böylece aynı resimler üzerinde tekrar tekrar tarama ve tespit yapmak yerine sadece araştırma yapılmak istenen resim üzerinde ihtiyaç duyulan SURF noktaları belirlenebilir ve arama işlemi sadece vektör veritabanı üzerinde gerçekleştirilebilir. Ayrıca her doğru eşleştirme neticesinde elde edilen yeni görüntü ve ya resmin belirlenmiş SURF noktaları da kişinin SURF vektörüne eklenmesi ile ileriki yüz tanıma süreçlerinde daha doğru ve güncel veriler üzerinde tarama yapılabilecektir.

5. Kaynaklar [1] Mandhala, V.N., Bhattacharyya, D.K., Kim, T., Hybrid Face Recognition using Image Feature Extractions: A Review, International Journal of Bio-Science and Bio- Technology, Vol.6, No.4, 223-234 (2014). [2] Hazar, M., Fendri, E., Hammami, M., Face Recognition Through Different Facial Expressions, Journal of Signal Processing Systems, New York (2015). [3] Yazar, I., Yavuz, H.S., ÇAY, M.A., Temel Bileşen Analizi Yönteminin be Bazı Klasik ve Robust Uyarlamalarının Yüz Tanıma Uygulamaları, Journal of Engineering and Architecture Faculty of Eskişehir Osmangazi University, Vol.12, No.1, 49-62 (2009). [4] Salah, A. A., İnsan ve Bilgisayarda Yüz Tanıma, Bilgi İşleyen Makine Olarak Beyin Sempozyumu-3, Boğaziçi Üniversitesi, İstanbul (2005). [5] Sütçüler, E., Gerçek Zamanlı Video Görüntülerinden Yüz Bulma ve Tanıma Sistemi, Yüksek Lisans tezi, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, 90 s (2006). [6] Torun, B., Yurdakul, M., Duygulu, P., Benzer Yüzlerin Bulunması, http://www.cs.bilkent.edu.tr/~duygulu/papers /SIU2009-Torun.pdf (2007). [7] Kıymacı, K., Yüz Tanıma Sistemi Algoritmalarının Geliştirilmesi, Kocaeli Üniversitesi (2010). [8] Kakıcı, A., Biyometrik Tanıma Sistemleri, http://www.ahmetkakici.com /genel/biyometrik-tanima-sistemleri, (2008). [9] Varol, A., Cebe, B., Yüz Tanıma Algoritmaları, 5th International Computer & Instructional Technologies Symposium, Fırat University, (2011). [10] Çevikalp, H., Doğrusal Ayırt Etme Ölçütlerinin Teorik İncelenmesi, Osmangazi Üniversitesi, Eskişehir (2010). [11] Blanz, V., Vetter, T., A Morphable model fort he synthesis of 3D faces, Max- Planck- InstitutfürbiologischeKybernetik, Tübingen, Germany (2011). [12] J. Shi and C. Tomasi, Good features to track, in Proc. CVPR, 593 600 (1994). [13] Lindeberg, T., Feature Detection with Automatic Scale Selection, IJCV 30 (2), 79 116 (1998). [14] Lowe, D., Distinctive Image Features from Scale-Invariant Keypoints, IJCV 60 (2), 91 110 (2004). [15] Mikolajczyk, K., Schmid, C., An Affine Invariant Interest Point Detector, ECCV, 128 142 (2002). [16] Tuytelaars, T., Gool L.V., Wide Baseline Stereo Based on Local Affinely Invariant Regions, BMVC, 412 422 (2000). [17] Matas, J., Chum, O., Urban, M., Pajdla, T., Robust Wide Baseline Stereo from Maximally Stable Extremal Regions, BMVC, 384 393 (2002). [18] Hsieh, J.W., Chen L., Chen D., Symmetrical SURF and Its Applications to Vehicle Detection and Vehicle Make and Model Recognition, IEEE Transactions on Intelligent Transportation Systems, Vol. 15, No.1, 6-20 (2014). [19] Bay, H., Ess, A., Tuytelaars, T., Gool, L.V., Speeded-Up Robust Features (SURF), Computer Vision and Image Understanding, Vol.110, No.3, 346-359 (2008).