YEREL İKİLİ ÖRNEKLERLE YÜZ GÜZELLİĞİ KARARI Vasif Nabiyev 1, Fermudiye Koçak 1 Bilgisayar Mühendisliği Bölümü Karadeniz eknik Üniversitesi vasif@ktu.edu.tr Bilgisayar Mühendisliği Bölümü Karadeniz eknik Üniversitesi frmdy_565_@hotmail.com ÖZE Çalışmada, estetiğin, toplumbilimin ve kültürün bir parçası olarak incelen güzellik konusu ele alınmış ve güzel yüzlerin otomatik sınıflandırılması gerçekleştirilmiştir. Sisteme giriş olarak verilen görüntülerde meydana gelen geometrik değişimler morflenerek elimine edilmiştir. İlk olarak veritabanındaki resimler, yapılan bazı araştırmalara göre güzel olduğu kabul edilen ünlü bayan resimleri ve güzel olmadığına karar verilen çirkin bayan resimleri olarak ikiye ayrılmıştır. Güzel bayan resimleri ve çirkin bayan resimleri kendi aralarında morflenerek sınıflar için tek bir model resim veritabanında tutulmuştur. İkinci adımda ise, bu resimlerin özellik verileri Yerel İkili Örnekler (YİÖ) kullanılarak çıkarılmıştır. Bu özellik verileri dikkate alınarak sisteme sorulan bir yüzün sınıflandırılması Euclid, Manhattan, Chebyshev ve Normalleştirilmiş Euclid uzaklığı kullanılarak gerçekleştirilmiştir. Yüz güzelliğinin sınıflandırılmasında elde edilen deneysel sonuçlarda, sistemin insana benzeyen kararlar verebildiği görülmüştür. Anahtar Kelimeler: Örüntü anıma, Yapay Zeka, Güzel Yüz, Yerel İkili Örnekler 1. GİRİŞ Güzellik, bir canlının, somut bir nesnenin veya soyut bir kavramın algısal bir haz duyumsatan; hoşnutluk veren hususiyetidir. Güzellik, estetiğin, toplumbilimin ve kültürün bir parçası olarak incelenmektedir. Kant güzelliğin sübjektifliğini vurgulamış, onun sadece duyumsama ile ilgili değil kişinin güzel ve çirkin ile ilgili yargılarının sonucu olduğunu ortaya koymuştur. Güzel olanın bakılana değil bakana göre belirlendiği, öznel olduğu yaklaşımına karşılık; bir başka yaklaşım, güzelliğin tanımını, bakana değil bakılana özgü olan ve simetri, oran gibi tartışılmaz matematik formüllere bağlanmış bir kurallar dizgesi olduğunu savunan, fenomenik güzellik tanımı da olmaktadır. oplumların beğenileri kültürlere ve zamana göre değişim gösterdiğinden mutlak ve ideal güzellikten bahsedilebilmenin mümkün olmadığı öznel güzellik tanımını destekleyen örneklerdir. Güzellik, göze hoş görünen sanat ve estetiğin temel bir kavramıdır. Şairler, ressamlar, filozoflar yüzyıllardır uğraşmalarına rağmen tam olarak güzelliğin tanımını yapamamışlardır; çünkü güzellik kavramı kişiden kişiye değişebilen bir niteliktir[1]. Bir kişinin "güzel" olarak vasıflandırılması, ister şahsi görüş olsun ister toplumun ortak değer yargısı olsun sıklıkla, kişilik, zeka, zarafet, cazibe gibi "iç güzelliğinin" ve sağlık, gençlik, ortalamaya yakınlık ve yaygınlık, cilt gibi "dış güzelliğin" bir birleşimine dayanır. Çiçekler, tabiat güzelliğinin en belirgin bir örneği olduğu gibi, yüz de insanın önemli dış güzellik örneklerindendir. Biçem ve modanın çok geniş ölçüde farklılık göstermesine rağmen, kültürler arası araştırmalar, insanların güzelliği algılamalarında çeşitli ortak noktalar bulmuştur. Örneğin, büyük gözler ve açık ten rengi bütün kültürlerde güzel bulunmuştur. Öte yandan yüz güzelliği her yaş dilimi için geçerli olmaktadır, Şekil 1. Şekil 1: Yaşlara göre yüz güzelliği örnekleri Yüz güzelliğinin bilgisayarlı değerlendirilmesine yönelik sınırlı sayıda çalışmalar olmaktadır. Yüzde çeşitli oranlar bulunsa da tam olarak güzellik kavramını ortaya koyan matematiksel formüller mevcut değildir. Öte yandan yüz öğeleri arasında belirlenen altın oran değerleri (1.6183 ) sadece ideal insan yüzü için geçerlidir[]. Her ne kadar güzelliğin altın kuralı kendine güvenmek ve kendinin tek olduğunu anlamak olsa da son zamanlar yüz güzelliği kararının otomatik verilebilmesi için çeşitli çalışmalar da yapılmaktadır. Eisenthall, Dror ve Rupin, insanların yaptıkları değerlendirmeye benzer bir çekicilik değerlendirmesi yapabilmek için emel Bileşen Analizi ve K-en Yakın Komşu yöntemleri kullanarak, iki boyutlu yüz görüntülerinden sistemin öğrenme ve analiz yapabilmesini sağlayan bir sistem önermişlerdir[3]. Bazı çalışmalarda Destek Vektör Makinelerine göre sınıflandırma yapılarak çeşitli ırklar için yüz güzelliği kararı verilmeye çalışılmıştır[4,5]. 1.1. İnsan güzelliği kanonları Kusursuz orantılara sahip bir insanın boyunun, başının yedi buçuk katı olduğu bilinmektedir. İnsan başı kanonlarına göre önden bakıldığında baş, yüksekliği 3.5 ve genişliği.5 oranlarında olan dikdörtgen meydana getirir. Bu kanon modüllerine göre gözler başın yüksekliğinin tam ortasında yer almaktadır. İki göz arasındaki mesafe bir gözün genişliği kadardır ve burun genişliğini belirler [6]. Enine baş ölçüleri dört göz kadardır. Kadın başının orantıları temel olarak erkek başının orantılarının aynısıdır. Kadın ve erkek başları arasında tabii hallerinde (makyajsız) pek az fark olmaktadır. Olan farklılıklar ise en çok kadının fiziksel yapısından, özellikle yüzün yapısını etkileyen deri altı yağların fazlalığından meydana gelir. 94
Elektrik-Elektronik ve Bilgisayar Sempozyumu 11 Erkeğin daha hareketli bir yaşamı olmasının - spor, oyun, iş hayatı - bir sonucu olarak kemik ve kas yapısı daha güçlüdür. Örnek olarak bir erkeğin burnunun genellikle daha geniş ve iri olmasının nedeni; erkeğin daha çok koşması, sıçraması vb. nedenlerle daha güçlü solunuma gereksinmesi ve bunun bir sonucu olarak solunum organlarının boğaz vb. daha büyümesidir. Kadın ve erkek arasındaki fark aşağıdaki özelliklerle belirtilebilir. Kadınlarda; Yüz biraz küçüktür. Gözler biraz daha büyüktür. Kaşlar biraz yüksek ve kavislidir. Burun ve ağız daha küçüktür. Dudakları daha etlidir. Çene yuvarlaktır. Ressamlar genellikle aşağıdaki kurala uymaktadırlar: erkeklerde hatlar daha köşeli olurken, kadınlarda aynı hatlar yumuşak ve kavislidir. Antropometrik çalışmalarda insan yüzünde olduğu gibi güzel vücut ölçülerinde de oranlar aranmaktadır. 9-6 - 9 olarak kabul edilen ideal kadın ölçüleri aslında boy dikkate alınmadığında geçerlilik kazanmamaktadır. Venus de Milo nun ölçüleri dikkate alınarak modelleme katsayısı ile yapılan değerlendirmelerde gerçek altın oran aşağıdaki şekilde ölçülmektedir. Gerçek "altın oran" = (98-7 - 1) х М, burada М = boy (c / 166. Formüle göre örneğin 15 cm boy için gerçek "altın oran" yaklaşık 88-63 9 olduğu halde 18 cm ler için 16-76 18 olmaktadır. Güzelliğin tek bir tanımı olmamaktadır. Orantılı olanlar güzel kabul edilse de orantısız olup güzel görünenler de var. Dereceli bir kavram olan güzellik anlayışı çağlara göre de değişkenlik göstermiştir, Şekil. Şekil : Çağlara göre güzel yüz anlayışı - Antikçağ güzeli. Oval yüz, dolgun dudak ve yanak, düz burun, yuvarlak çene, yumuşak alın, orantılı yüz hatları - Roma güzeli. Kocaman kara gözler, koyu renk saçları, esmer ten, yuvarlağa yakın yüz şekli, etkili göz makyajının sağladığı derin bakışlar - Orta Çağ güzeli. Geniş alın, sarı saçlar, düz burun, ince kaşlar ve zayıf beden - Barok güzeli. Altın sarısı saçlar, açık renk veya saydam ten, yuvarlak, dolgun yüz ve beden. - Romantik Dönem güzeli. Koyu renk saçlar, açık ve solgun tenli, ince yüzler, çökmüş yanaklar -. yüzyılın başlarında antikçağ Yunan ve Roma güzelliği yine etalon olarak alınmaktaydı. Bu yüzyılın ortalarına doğru daha sert yapılı, belirgin yüz çizgileri güzel sanılmaktaydı. Günümüzde ise güzelliğin içgüdüsel olarak değerlendirildiği varsayılmaktadır. Güzellik hakkında anlayışlar tarihsel olarak kültürlere ve ülkelere göre de değişmektedir[7]. Çalışmada önden olan kadın yüz görüntülerinden güzellik kararının verilmesi üzerinde durulmuştur. Yüz güzelliğinin belirlenmesi plastik cerrahi, güzellik reklamları, fotoğrafçılık, kozmetik endüstrisi için önemli yer tutmaktadır. Bu sebeple yüz güzelliğinin belirlenmesi konusunda yapılan çalışmalar artmaktadır. Yüz güzelliği kararı verme amacıyla oluşturulan sistem ön işlemlerin uygulanması, özellik çıkarımı, eğitim ve sınıflandırılma olmak üzere dört modülden oluşmaktadır.. ÖN İŞLEMLER Görüntülere uygulanan ön işlemlerin amacı, resimlerin işlenmesini kolaylaştırmak, hızlandırmak ve geometrik olarak meydana gelen değişimleri düzenleyerek resimleri özellik çıkarımına hazır duruma getirmektir. Sisteme giriş olarak verilen resimlerde kafa bölgesi dönmüş olabilir. Kafa bölgesinin dönmüş olması özellik çıkarımında farklı bölgelere ait özelliklerin tutulmasına sebep olacaktır. Bu çalışmada morfleme kullanılarak geometrik etkiler elimine edilmiş, ayrıca kafaya ait olmayan verilerin elenmesi sağlanmıştır. Özellik çıkarımında kullanılan yöntem gri seviye görüntüler üzerinde uygulandığından düzeltilen görüntü gri seviyeye dönüştürülerek ön işlemler tamamlanır..1. Morfleme ve Yüz Resminin Döndürülmesi Morfleme, görüntülerin birbiri ile işlenerek geçiş görüntüsü oluşturulduğu görüntü düzenleme tekniğidir. Morfleme iki farklı resme uygulanabildiği gibi, geometrik açıdan farklı olan aynı resimlere de uygulanabilir. İlk aşamada morfleme döndürme amaçlı kullanılmıştır. Morfleme yöntemi görüntünün özellik bölgelerinin belirlenmesi, üçgensel bölge dönüşümü ve resmin birleştirilmesi olmak üzere üç aşamadan oluşur. Özellik noktaları olarak kaşlar, göz sınırları, gözbebeği, burun, dudak kenarları ve çene noktaları alınmıştır. Morfleme işleminde özellik noktalarının belirlenmesi çok önemlidir. Özellik noktalarında meydana gelen ufak bir değişiklik morflemede farklı sonuçlara sebep olacaktır. Bu sebeple özellik noktalarının belirlenmesi manüel olarak gerçekleştirilmiş ve özellik bölgelerine göre görüntü üçgensel bölgelere ayrılmıştır. Üçgensel bölgelere ayrılan görüntülerdeki üçgenlerin köşe noktalarının ortalaması alınarak yeni üçgenler elde edilir. Üçgenler içerisinde kalan pikseller alan testi yöntemi ile belirlenir. Üçgensel bölge dönüşümüyle belirlenen noktaların kaynak resimde hangi noktaya geldiği hesaplanır ve o pikselin parlaklık değeri alınarak hedef resimde kullanılır. A,B,C giriş resimlerindeki üçgenlerin köşe noktalarını, Q giriş resmindeki pikseli ifade edecek olursa kaynak resimdeki piksel koordinatı aşağıdaki bağıntılarla hesaplanır. Qx = λ1*ax + λ*bx + λ3*cx (1) Qy = λ1*ay + λ*by + λ3*cy () λ 1 + λ + λ3 = 1, λi> (3) Burada λ üçgen içerisindeki tüm noktaların katsayılarını temsil etmektedir. Üçgensel dönüşüm yapılarak özellik noktalarının aynı bölgelere denk gelmesi sağlanır. Sonuç resmin piksel değerleri aşağıdaki bağıntı ile hesaplanır ve morfleme aşamaları Şekil 3 te gösterilmiştir. 95
Sonuç(x,y) =.5*Resim1(x,y) +.5*Resim(x,y) (4) Şekil 3: Morfleme Aşamaları. Özellik Çıkarımı ve Eğitim Verileri Çalışmada, eğitim setinde yer alan ve sisteme sorulan yüzlerin özelliklerinin belirlenmesi için Yerel İkili Örnekler (LBP-Local Binary Patterns) yöntemi kullanılmıştır..1. Yerel İkili Örnekler Operatörü Yerel İkili Örnekler operatörü yerel komşuluk değerlerine dayalı bir özellik çıkarma yöntemidir. Bu yöntem ilk olarak Ojala vb. tarafından ortaya çıkarılmıştır [8]. YİÖ operatörü ile özellik vektörünün hesaplanması hızlı ve kolaydır. Gri seviye üzerinde uygulanan bu yöntemin ışık değişimlerine karşı duyarlılığı az olduğu için tanıma yöntemlerinde sıkça tercih edilir. YİÖ operatörü endüstriyel kontrol, 3 boyutlu doku yüzeylerinin sınıflandırılması, yüz tanıma, yüz bulma, yaşın belirlenmesi, yüz ifadesi tanıma, arka plan modelleme, hareketli nesnelerin tespiti gibi çeşitli bilgisayar uygulamalarında kullanılmış ve iyi performans göstermiştir [9,1,11,1,13,14]. Uygulamalarda genelde komşuluk değerlerine göre farklı operatörler kullanılır. Bu operatörler P merkez piksel etrafında alınacak komşu sayısını, R örnek sayısını temsil edecek şekilde YİÖ P,R gösterimiyle ifade edilir. Çalışmada YİÖ 8,1 operatörü kullanılmıştır. YİÖ operatörü 3x3 boyutlu bir çekirdektir ve görüntüdeki her pikseli, merkez piksel kabul ederek etiketleme işlemi gerçekleştirir. Merkez değer eşik değer olarak kabul edilir ve etrafındaki sekiz adet komşu parlaklık değeri, bu eşik değeri ile kıyaslanır. Bu kıyaslama ikili yönteme göre gerçekleştirilir. Elde edilen 3x3 lük operatör dairesel olarak ele alınır ve sekiz bit uzunluğunda ikili veri kodu elde edilir. Bu ikili verinin onluk değeri ele alınan merkez pikselin yerel değerini ifade eder. YİÖ operatörünün elde edilmesi ve bu bitlerin ağırlık katsayıları Şekil 4 te gösterilmiştir. YİÖ, merkez pikselin komşularına karşı düzenliliğini aynen alır, fakat komşularının düzenliliğini aynen almaz [9]. Bu nedenle bit geçişleri arasındaki düzene bakılarak YİÖ kodunun düzenli olup olmadığına karar verilir. Bu karar ölçütü 1- veya -1 geçişinin en fazla iki tane olmasıdır. 56 YİÖ kodunun 58 tanesi düzenli iken geri kalan 198 tanesi düzensizdir. Düzenli YİÖ (DYİÖ) kodlarının bulunması aşağıdaki bağıntılarla gösterilebilir. Bağıntıda verilen U c, merkez pikselin düzenlilik ölçüsünü ve s ise özel dönüşüm fonksiyonunu ifade etmektedir. P 1 Uc = s( gi gc ) s( gi 1 gc) (5) P 1 s ( g i g c ), eğer U c j, j = YİÖ c,j = (6) P + 1, aksi takdirde YİÖ ile etiketlenen görüntü üzerindeki verilerin dağılımlarını belirlemek için histogram kullanılır. Görüntü üzerinde genel bir histogram oluşturmaktansa yerel dağılımlara göre histogram oluşturulması tanımlama işlemini daha başarılı kılacaktır. Yerel histogram oluşturulması için görüntü belirli boyutlarda (örneğin 1x1) bloklara ayrılır ve daha sonra her bloğun histogramı çıkarılır. DYİÖ ler önemli olduğundan her blokta 58 düzenli örnek dikkate alınır. Düzensiz örnekler içinse tek bir değer tutmak yeterlidir. Yani 1x1 luk bloklar için 59x1 tane özellik vektörü bulunacaktır. Alt bloklardan elde edilen histogramlar uç uca eklenerek YİÖ yerel histogramı elde edilir, Şekil 5... Eğitim Verileri Şekil 5: YİÖ Histogramının elde edilmesi Sınıflandırmaya dayalı yöntemlerde sistemin eğitilmesi için eğitim seti oluşturulmalıdır. Yüz güzelliğine dayalı sistemlerde güzel ve çirkin veriler sisteme öğretilmeli, daha sonra sisteme sorulan verinin güzel olup olmadığı eğitim setine bakılarak karar verilmelidir. Güzel yüzler oluşturulurken yapılan bazı araştırmalara göre güzel kabul edilen ünlü yüzler model olarak alınmıştır. Çirkin yüzler içinse sıradan insan yüzleri çirkin olarak kabul edilmiştir. Sistemde kullanılan resimlerden bazıları Şekil 6 da gösterilmiştir. Şekil 4: YİÖ operatörünün elde edilmesi ve bitlerin ağırlık katsayıları 96
Elektrik-Elektronik ve Bilgisayar Sempozyumu 11 ifade etmek üzere uzaklığa dayalı sınıflandırma yöntemlerinin bağıntıları aşağıda verilmiştir. Euclid( s, = ( s i m i ) (7) (a) (b) Şekil 6: (a) Güzel yüzlere ait örnekler, (b) Güzel olmayan yüzlere ait örnekler Veritabanında birden fazla yüz resminin özellik vektörlerinin tutulması yerine, resimler morflenerek tek bir yüz oluşturulmuştur ve oluşturulan yüzler mutlak güzel ve çirkin kabul edilerek özellik vektörü tutulmuştur. Morflenerek oluşturulan resimler aynı özellik bölgelerinin normalizeli halini tuttuğu için birebir resimlerle karşılaştırmaya denk düşmektedir. Şekil 7 de güzel sınıfı için model resminin morflenerek oluşturulmasının bir kısmına örnek verilmiştir. Manhat tan( s, = s i m i (8) Chebyshev ( s, = max( s i mi ), 1,.., (9) ( s i m i ) NEuclid( s, = σ (1) s i Sınıflandırma yöntemleri ile test verisi hem güzel model hem de çirkin model ile karşılaştırılır. Bu karşılaştırma sonucunda güzel ve çirkin model arasındaki uzaklıklar temel alınarak uzaklıklar yüzde üzerinden hesaplanır. Böylece sadece çirkin-güzel ikili sonucu elde edilmez. Güzellik ve çirkinlik kavramı yüzde olarak değerlendirilmiş olur. Şekil 7: Veritabanı resminin morflenerek oluşturulması Güzel yüzlerin belirlenmesinde yüzdeki bölgeler farklı öneme sahiptir. Örneğin kaş, göz, dudak, burun önemli bölge iken alın bölgesinin önemi bu bölgelere göre daha düşüktür. Boyun kenarındaki boşlukların etkisi ise hiç yoktur. YİÖ histogramları çıkarılan bölgelerin, önemine göre ağırlıklandırılması sınıflandırma üzerinde etkili olmaktadır. Bu sebeple özellik vektörleri veritabanında tutulmadan önce ağırlıklandırılmalıdır. Ağırlıklandırma işleminde bölgeler önem derecesine göre dört aralığa bölünmüştür ve bölgelere önem sırasına göre 4,, 1, katsayıları verilmiştir. Ağırlıklandırılmış resim Şekil 8 de gösterilmiştir. Şekilde siyah kare, koyu gri kare 1, açık gri kare, beyaz kare ise 4 ağırlık değerini göstermektedir. 4. SONUÇLAR Çalışmada, bayan yüzlerinin özellikleri belirlenerek güzel olup olmadıklarına karar verebilen bir sistem oluşturulmuştur. Morfleme sonucu oluşturulan tek bir model resim veritabanında tutularak sistem kapasitesinin verimli kullanılması ve özellik çıkarımının hızlı gerçekleştirilmesi amaçlanmıştır. Özellik vektörlerinin Yerel İkili Örnekler kullanılarak oluşturulması ve düzenli verilerin alınarak özellik uzayının boyutunun azaltılması yine sistemi hızlandıran faktörlerdir. Güzel ve çirkin yüz modellerinin oluşturulmasında 1 ar adet yüz görüntüleri alınmış ve bu resimler, gözler aynı hizaya getirilerek morflenmiş, böylelikle veritabanına her sınıfa ait tek bir resim konulmuştur. Sistem görüntülerinin sınıflandırılmasında dört sınıflandırma yöntemi kullanılmış ve bu yöntemlerde dereceli (yüzde olarak) güzellik kararı verilmiştir. Çeşitli yüz görüntülerine ait sistemin verdiği karar örneği Şekil 9 da gösterilmiştir. Şekilde yukarıdaki yüz %6 çirkin bulunduğu halde, aşağıda verilen yüz %69.75 oranında güzel olarak tanımlanmıştır. Şekil 8: Ağırlıklandırılmış resim 3. SINIFLANDIRMA Yüz güzelliği test edilmek istenen görüntü, veritabanına kaydedilen görüntülerin geçtiği özellik çıkarım algoritmasına verilir. Sınıflandırma için dört farklı sınıflandırma yöntemi olan Euclid, Manhattan, Chebyshev ve Normalleştirilmiş Euclid uzaklık yöntemleri kullanılmıştır. s test edilecek veri, m veritabanındaki model veri ve özellik vektörünün boyutunu Şekil 9: Çeşitli yüzlere ait program sonuçları 97
Sistemin test aşamasında, güzellik eğitiminde kullanılan veritabanında bulunmayan 87 resim için sistemin verdiği kararla 74 farklı kişinin, aynı resimler için verdiği kararlar karşılaştırılmıştır. estlerde kullanılan görüntülerinden 46 sı güzel, 41 i ise güzel olmayan bayan yüzleridir. İnsanların verdiği kararlarla karşılaştırıldığında güzel yüzler için %9, çirkin yüzler için ise %89 başarı elde edilmiştir. %(45-55) arası değerler normal yüz olarak kabul edilmiştir. Denenen test verilerinin sonucunda, sistemin insana benzeyen kararlar verebildiği görülmüştür. Yüzün modele uygun kesilmesi, veri tabanına uygun test setinin oluşturulması, yüz ifadeleri sistemin doğru karar verebilmesini etkileyen faktörlerdir. Eğitim setinde farklı resimlerin yer alması sistemin daha doğru karar vermesini sağlayacaktır. Ayrıca cins, yaş ve ırk faktörleri de dikkate alınarak sistem daha da güçlendirilebilir. 5. KAYNAKLAR [1] www.wikipedia.com [] Nabiyev, V.V., Yapay Zeka: İnsan-Bilgisayar Etkileşimi Seçkin Yayınevi,Ankara, 1. [3] Eisenthal, Y., Dror, G. Ruppin, E., Learning Facial Attractiveness. Israel el-aviv University, School of Computer Science, 4. [4] urkmen, H.I., Kurt, Z., Karslıgil, E., Global Feature Based Female Facial Beauty Decision System, Proceeding of EURASIP7, 7 [5] Mao,H., Jin, L., Automatic Classfication of Chinese Female Facial Beauty using Support Vector Machine, 9 IEEE International Conference on Systems,Man and Cybernetics, 9 [6] Parramon, J.M., Baş ve Portre Çizme Sanatı,. Basım, Remzi Kitapevi, İstanbul, [7]http://www.trendus.com/blog/tugbagurkok/yorumlar/73/ guzelliginizi-hangi-cagdan-aliyorsunuz.html [8] Ojala,., Pietikinen, M., and Harwood,D., A comparative study of texture measures with classification based on featured distrubition, Pattern Recognition, vol. 9, no. 1, 1996 [9] Ojala,., Pietikinen,M., and Menp,., Multiresolution grayscale and rotation invariant texture classification with local binary patterns, IEEE PAMI, vol. 4, no. 7, July. [1] Maaenpaaa,., Pietikaainen M., exture Analysis with Local Binary Patterns, University of Oulu, 4 [11] Feng,X., Pietikäinen, M.,Hadid,A., Facial Expression Recognition with Local Binary Patterns and Linear Programming, University of Oulu, Finland,5 [1] Nabiyev V.V.,Kurt, B., Facial Expression Recognition, II. Uluslararası Bilim ve eğitimde Bilgi ve İletişim eknolojileri Uygulamaları Konferansı,Bakü, Azerbaycan, pp. 779-791, Denklemi buraya yazın.7 [13] Gunay, A., Nabiyev, V.V., Automatic age classification with LBP, 3rd International Symposium on Computer and Information Sciences ISCIS, 8 [14] Kurt, B., Nabiyev V.V., Down Syndrome Recognition Using Local Binary Patterns And Statistical Evaluation Of he System, Expert Systems with Applications, 11 98