Gerçek Zamanlı Harekete Duyarlı Bir Görüntü Tanıma Sistemi

6 th International Advanced Technologies Symposium (IATS 11), 16-18 May 2011, Elazığ, Turkey Gerçek Zamanlı Harekete Duyarlı Bir Görüntü Tanıma Sistemi M.Peker 1, A. Zengin 2 1 University of Karabuk/Turkey, pekermusa@gmail.com 2 University of Sakarya/Turkey, azengin@sakarya.edu.tr A Real-Time and Motion-Sensitive Security Application with Face Recognition Abstract- This study aims at realizing an effective motion analysis for real time security application by using image processing techniques. In the framework of the implementation, by using a web cam it was aimed to identify the animate individual entering an environment that needs to be protected, track, detect the face section of the suspect with skin color algorithms and realize face recognition operations in real time by using eigenfaces. The implementation software was developed by using C# programming language from.net technologies and MATLAB program. Key words image recognition, face detection, face recognition. I. GİRİŞ Görüntülerde hareketli nesnelerin takip edilmesi bilgisayarlı görme uygulamalarındaki önemli konulardan biridir. Hareket tespiti ve analizi konusunda yapılmış çok sayıda farklı uygulamalar vardır. Örneğin askeri uygulamalar kapsamında hareketli bir hedefin takip edilerek imha edilmesi, ulusal güvenlik için akıllı silahların geliştirilmesi açısından büyük bir önem taşımaktadır. Benzer şekilde hassas güvenlikli ortamlardaki insan aktivitelerinin otomatik olarak yorumlanabilmesi, insanları algılama ve takip etme yeteneğine sahip görmeye dayalı, sağlam ve güvenilir bir sistemin kurulmasıyla sağlanabilir [1]. Hareketli hedeflerin bulunması yol trafik kontrolü, otopark kontrolü gibi durumlarda da önem kazanmaktadır [2]. Hareket verilerine doğru ulaşabilmek ise görüntüdeki ilgilenilen nesnenin şekil ve konum bilgilerinin minimum hatayla tespit edilmesini gerektirmektedir [3]. Görüntüde aranan nesnenin kenarlarının doğru ve hatasız bulunması ya da cisim hareketinin hassas tespit edilmesi, cismin gerçek şeklini de ortaya çıkarmaktadır [4]. Bu çalışmanın amacı, hareket analizi, yüz belirleme ve yüz tanıma işlemlerini gerçek zamanlı olarak, hassas bir şekilde gerçekleştirmektir. Bu çalışmada bu amaca uygun olarak bir güvenlik sistemi gerçekleştirilmiştir. Güvenirliği sağlanacak ortama şüpheli kişi girdiğinde sistem otomatik olarak hareketli nesneyi algılayıp takip etmekte ve sırasıyla hareketlinin tespiti, takibi ve yüz bulma aşamaları gerçekleştirildikten sonra yüz tanıma işlemi gerçekleştirilmektedir. II. GELİŞTİRİLEN YÖNTEM A. Hareket Tespit Algoritmaları Hareket tespit algoritmaları genel olarak 3 grupta incelenmektedir [5]. Bunlar; arka plan farkı yöntemleri, istatistiksel yöntemler ve görsel akış yöntemleridir. Bu çalışmada iki görüntü arasındaki değişimi tespit etmek için ortamdaki etmenlerden en az etkilenen arka plan fark yöntemlerinden fark alma yöntemi kullanılmıştır. Bu metoda göre sabit arkaplana sahip görüntülerde olası hareketleri tespit etmek için kullanılabilecek en temel yöntem ardışıl imge çerçevelerinin mutlak farkını değerlendirmektir [5]. Bu yöntemde, kamera ile arka arkaya yakalanan renkli imge çerçeveleri işlem yükünü azaltmak amacı ile öncelikle gri tonlu imgelere dönüştürülmektedir. Bu işlem için aşağıdaki (1) nolu denklem kullanılmaktadır. I=(R+G+B)/3 (1) (1) nolu denklemde (R) RGB görüntüsündeki pikselin kırmızı bileşen değerini, (G) yeşil bileşen değerini, (B) mavi bileşen değerini ve (I) gri bileşen değerini göstermektedir. Bundan sonraki aşama arka arkaya yakalanan imgelerin mutlak farkının, imgeyi oluşturan toplam piksel sayısına oranının belirli bir eşiği geçip geçmediğinin tespitidir. Değişim tespiti matematiksel olarak (2) nolu denklem ile sağlanmaktadır. w h 1 OÇF( T) 1 It (x, y) It 1( x, y) E1 w h x 1 y 1 (2) nolu denklemde (OÇF) ortalama çerçeve farkını, (It) o anki yakalanan çerçeveyi, (It-1) bir önceki çerçeveyi, w yakalanan imgenin yatay piksel boyutunu, (h) düşey piksel boyutunu, (x,y) ilgili pikselin konumunu, (E1) eşik değerini göstermektedir. Bu denkleme göre herhangi bir (x,y) konumundaki görüntü öğesine ait (It) ve (It-1) resimlerindeki parlaklık değerleri arasındaki farkın mutlak değeri, belirlenen eşik değerinden büyük ise görüntü öğesi hareketli kabul edilmektedir [6]. Bu kabule göre, hareketli bölgeler, kestirilen arka planla mevcut andaki resim arasındaki farktan elde edilmektedir. Eşik değeri istatistiksel olarak önemli bir parlaklık değişimine karşılık gelen bir değerdir. İki piksel arasındaki farkın, harekete ait olup olmadığını belirleyen, tamamen deneysel olarak önceden belirlenmiş bir değerdir [7]. (2) 92

Gerçek Zamanlı Harekete Duyarlı Bir Görüntü Tanıma Sistemi Bu değerin değiştirilmesi ile hareket tespit hassasiyetinin artırılması ya da azaltılması sağlanmaktadır. B. Ten Rengi Bulma Algoritması Bu çalışmada insan yüz bölgesini en iyi şekilde tespit etmek için ten rengi tabanlı iki algoritma kullanılmıştır. Bunlar RGB ve YCbCr kod teknikleri algoritmalarıdır. RGB kod tekniğine göre ten renginde kırmızı ve yeşil renk tonları fazla olduğu için aşağıdaki denklemler kullanılmaktadır. R=R/(R+G+B) ; G=G/(G+R+B) (3) RGB kod tekniği kullanılarak değişik ten renkleri incelenmiş ve algoritmanın ten rengi bölgesini en iyi şekilde tespiti için en uygun değer aralığı belirlenmeye çalışılmıştır. Buna göre (R>0,40) ve (0.25<G<0,33) aralıkları ten rengi bölgelerini tespit etmek için en uygun değer aralıkları olarak belirlenmiştir. YCbCr kod tekniğine göre ise, YCbCr renk uzayında, Y bileşeni parlaklık bilgisini, Cb ve Cr bileşenleri ise renk bilgilerini temsil etmektedir. Bu yüzden parlaklık bilgisi kolaylıkla elde edilmektedir. RGB renk uzayı (4) nolu denklem ile YCbCr renk uzayına dönüştürülebilir [8]. Y = 0,299R + 0,587G + 0,114B Cb = - 0,169R - 0,332G + 0,500B (4) Cr = 0,500R - 0,419G - 0,081B Ten rengi bölgesi bulma işleminde Cb ve Cr değerleri kullanılmaktadır. Cb ve Cr bileşenlerinin maksimum ve minimum değerleri hesaplanarak bu değerler arasında kalan pikseller ten rengi olarak işaretlenmektedir. Cb ve Cr bileşenlerinin minimum ve maksimum değerleri (5) nolu denklemde görüldüğü gibi hesaplanmaktadır [9]. Cbmin = Ort_Cb- Std_Cb*f ; Cbmax = Ort_Cb+ Std_Cb*f (5) Crmin = Ort_Cr- Std_Cr*f ; Crmax = Ort_Cr+ Std_Cr*f Cb ve Cr bileşenlerinin minimum ve maksimum değerlerine, bu bileşenlerin ortalama değerine (Ort_Cb, Ort_Cr) ve standart sapmalarına (Std_Cb, Std_Cr) göre karar verilir [9]. C.Özyüz Yöntemi ile Yüz Tanıma Bu yöntemde yüzlerin dağılımını temsil eden kovaryans matrisinin özvektörlerinin bulunması hedeflenmektedir. Bu özvektörler, yüzler arasındaki farklılıkları temsil eden bir grup özellik olarak düşünülebilir [10]. Sirovich ve Kirby, bir grup yüzün, özyüzler ve bunlardan elde edilen öznitelik vektörlerinden elde edilebileceğini öne sürmüşlerdir [11]. -Özyüzlerin elde edilmesi Eğitim kümesinde yer alan resimler Γ 1, Γ 2,..,Γ M ile gösterilirse bu kümede yer alan resimlerin ortalaması olarak elde edilir. Bu durumda herbir resmin ortalamadan farkı vektörüdür. Elde edilen bu vektörler üzerinden verinin dağılımını en iyi ifade eden M adet ortagonal U n vektörü, aşağıda tanımı verilen λ k katsayılarını maksimum yapacak şekilde ayarlanır. Burada U n vektörleri, ortanormallik koşulunu sağlamalıdır. U k vektörleri ve λ k sabitleri, aşağıda tanımı verilen kovaryans matrisi C nin sırasıyla özvektörleri ve özdeğerleridir. Bu durumda M M boyutunda bir matris özdeğerlerinin elde edilmesi yüz tanıma problemi için yeterli olmaktadır. Bu amaçla M M boyutunda olan bir L matrisi L = A T A, her bir t elemanı L mn = Φ m Φ n olacak şekilde oluşturulur ve L matrisinin v 1 ile gösterilen M adet özvektörü elde edilir. Bu v 1 özvektörlerinin yardımıyla, gerçek özvektörler için şu yakınsama yapılır [10]. Özyüzler kullanılarak herhangi bir yüz resmine ait özellik vektörü Ω T şu şekilde bulunur: Herhangi bir resim ise, yüz uzayına yapılacak aşağıda belirtilen projeksiyon ile yaklaşık olarak tekrar elde edilebilir. Bu analizle hesaplamalar büyük ölçüde azaltılır. Pratikte yüz görüntülerinin eğitim seti nispeten küçük olacaktır (M<<N2) ve hesaplamalar oldukça kolay hale gelecektir. [12]. Özyüz örnekleri Şekil 1 de görülmektedir. Şekil 1:Örnek öz yüzler [13] III. GERÇEK ZAMANLI HAREKET ALGILAYAN VE YÜZ TANILAYAN GÜVENLİK KAMERASI UYGULAMASI Geliştirilen sistem donanım ve yazılım olmak üzere iki kısımdan meydana gelmektedir. Hareketli nesneyi tespit edip, takip eden sistemin genel yapısı Şekil 2 de görülmektedir. (6) (7) (8) (9) (10) (11) (12) 93

M. Peker, A.Zengin A. Mekanik Kısım Şekil 2: Sistemin genel yapısı Bir adım motoruna bağlı bir platform üzerine yerleştirilen web kamerası bir kişisel bilgisayarın USB portuna bağlanmıştır. Adım motoru ise paralel port üzerinden takip edilmektedir. Sistemde 6 uçlu bir adım motor, ULN 2003 entegresi ve paralel port kullanılmıştır. Bu malzemeler kullanılarak hazırlanan elektronik devreyle yazılım ve donanım arasındaki bağlantı sağlanarak adım motorunun hareketli nesneyi takip etmesi sağlanmıştır (Bakınız Şekil 3). edilmektedir. Bu fark piksellerinin sayısı hassasiyet ayarının tespit edilmesi için yazılım programında tanımlanan ve kullanıcı tarafından değiştirilebilen alarm seviyesi değerini aştığında sistem, ortamda büyük bir nesnenin olduğunu algılamakta ve görüntünün resmini çekerek bilgisayar ortamına kaydetmektedir. Şekil 5: Gürültü eşiğini aşan fark piksellerin yeşil renkle gösterimi B. Yazılım Şekil 3: Web kamerası ve motor düzeneği Sistemin yazılım kısmı için.net teknolojilerinden C# yazılım dili kullanılmıştır. Program aynı anda birçok işlevi gerçekleştirmesi açısından kullanıcıya kolaylık sağlamaktadır. Programın kullanıcı arayüzü Şekil 4 de görülmektedir. D. Yüz Tanılama ve Bulma Yüz tespit edilirken karşılaşılan en büyük problem insan yüz bölgesinin dışında ten rengine yakın renge sahip olan alanların olmasıdır[14]. Sistem bu alanları yüzün bir parçası olarak algılamaktadır. Bu problemi çözmek için görüntü işleme teknikleri kullanılmıştır. Renkli görüntü üzerinde doğru ve hızlı bir çalışma sağlamak amacıyla görüntü önce gri seviyeye ardından siyah-beyaz resme dönüştürülmüştür. Görüntünün gri seviyeye dönüştürülmesinde (1) nolu denklem kullanılmıştır. Görüntünün siyah-beyaz resme dönüştürülmesi için thresholding yöntemi kullanılmıştır. Bu yönteme göre; ten rengi algoritmaları ile belirlenen ten bölgesinin sahip olduğu pikseller beyaz renge, diğer bölgeler ise siyah renge dönüştürülmektedir. Böylece görüntü ikilik seviyeye dönüştürülmüş olur. İkilik sistemde 0 lar siyah renkleri, 1 ler ise beyaz renkleri ifade etmektedir. Görüntünün ikilik biçime dönüştürülmüş hali Şekil 7.a da görülmektedir. Görüntü ikili biçime dönüştürüldükten sonra bir filtreden geçirilmiş ve gereksiz gürültülerden etkilenmemesi sağlanmıştır (Şekil 6). Filtre olarak resmi yumuşatmayı amaçlayan medyan filtre, 3x3 boyutunda bir matris şeklinde kullanılmıştır. Medyan filtre rastgele oluşan gürültüleri yok ederken kenarları koruyan lineer olmayan bir süreçtir [15]. Şekil 4: Güvenlik sistemi programının kullanıcı arayüzü C. Hareket Tespiti Uygulaması Güvenliği sağlanacak ortamın video görüntüsü elde edildikten sonra, bu görüntü ardışıl imge çerçevelerine ayrılır. Videoya ait ardışıl imge çerçevelerinin blok fazlı farkına bağlı olarak hareketli cisim algılanmaktadır. Ardışıl imge çerçevelerinin blok fazlı farkı (2) nolu denklemdeki fark alma yöntemine göre tespit edilip, Bölüm 2 de açıklanan eşik değeri ile karşılaştırılmaktadır. Belirli bir eşik değerini aşan fark pikselleri Şekil 5 de görüldüğü gibi yeşil renkle temsil Şekil 6: (a) Gürültülü resim (b) Gürültülerden arındırılan resim Şekil 7.b de görüldüğü gibi resim filtreden geçirilmesine rağmen gürültü temizliği tam olarak sağlanamamıştır. Bu sebeple görüntü 3x3 lük matrise sahip bir tarama filtresinden geçirilmiştir. Bu filtre görüntü ekranını tarayarak en fazla ten rengine sahip alanı tespit etmektedir. Alan tespit edildikten sonra bir kutuyla işaretlenerek yüz bölgesi belirlenmektedir. (Şekil 7). Görüş alanında yüz alanı tespit edilmediğinde kutu 94

Gerçek Zamanlı Harekete Duyarlı Bir Görüntü Tanıma Sistemi kaybolmaktadır. Daha öncede ifade edildiği gibi bu çalışmada ten rengi tabanlı algoritmalar olan RGB ve YCbCr kod teknikleri kullanılmıştır. Bu kod tekniklerini kullanan algoritmaların sonuçları bu çalışmada karşılaştırılmış ve YCbCr kod tekniğinin kullanıldığı algoritmanın daha başarılı bir sonuç verdiği görülmüştür. Bunun sebebi olarak da YCbCr kod tekniğinin kullanıldığı algoritmanın ortamdaki parlaklık, toz vb. etkenlerden daha az etkilenmesi olarak belirtilebilir. Şekil 8 de bu iki algoritma arasındaki fark daha net olarak görünmektedir. Şekil 7: Tespit edilen yüz bölgesinin değişik açılardan tespiti hareketli nesnenin yanlış bölgede tespit edilmesine neden olabilmektedir. Hareket içeren blokların elde edilmesinden sonra kameranın hangi yöne ve kaç derece döndürüleceğinin belirlenmesi gerekmektedir. Bunun için, hareketin algılandığı görüntünün geometrik merkezi hesaplanmıştır. Bir görüntünün geometrik merkezi diğer bütün noktalara uzaklıklarının kareleri toplamı minimum olan nokta olarak tanımlanabilir [16]. Geometrik merkezi bulmada (13) nolu denklem kullanılmaktadır. Geometrik merkez= 1 1 (13) x, y n x n y Burada n hareketli piksellerin toplam sayısını, x ve y hareketli piksellerin koordinat değerlerini göstermektedir. Sistem hareketin baskın olduğu piksellerin geometrik merkezini tespit etmiş ve bir kutu ile işaretlemiştir (Şekil 9). Şekil 8: (a) RGB kod tekniğiyle ten rengine sahip bölgelerin tespiti (b) YCbCr kod tekniğiyle ten rengine sahip bölgelerin tespiti Geliştirilen yazılımın çeşitli koşullarda yüz bulma performansı incelenmiştir. Tablo 1 de sunulan analiz sonuçları dikkate alıdığında görüntü cepheden ve yeterli ışık koşullarında alındığında yüz bulma işleminin başarısı artmaktadır. Görüntü açısı cepheden uzaklaştıkça performansın düştüğü gözlemlenmektedir. Yetersiz ışık koşullarında sistemin yüz bulma performansı düşmekte hatta yüz bulamama durumu gerçekleşmektedir. Bu problemlerin çözülmesi için kaliteli ve birden fazla kamera kullanılması ve yeterli ışık koşulları sağlanması öngörülmüştür. Tablo 1: Değişik koşullarda yüz bulma performans analizi Işık durumu Açı Mesafe Başarı Seviyesi Yeterli Cepheden 1,5 m Yüksek Yeterli Cepheden 2 m Orta Yeterli 30 derece 1,5 m Orta Az Cepheden 1,5 m Düşük Az 30 derece 1,5 m Başarısız Az 90 derece 1,5 m Başarısız E. Hareketli Nesnenin Takibi Hareketli nesnenin takibini kolaylaştırmak için video görüntüsü yatay eksende eşit bölgelere bölünmüştür. Bu sayede tüm pencerenin kontrol edilmesi yerine sadece ilgili bölgelerin kontrolü işlem yükünü azaltmakta ve takip işleminin daha kontrollü yapılmasını sağlamaktadır. Video görüntüsünün denemeler sonucu yatay eksende 7 bölgeye ayrılmasının iyi sonuçlar verdiği görülmüştür. Daha fazla bölgeye ayrılması durumunda daha kararlı bir takip işlemi gerçekleştirilebilir. Fakat bu durumda daha fazla bölgenin kontrol edilmesi zorlaşmakta ve cismin boyutunun diğer bölgelere taşması Şekil 9: Geometrik merkezin bulunması ve hedefin tespiti Kameranın hareket açısı 350 derecedir. Adım motorunun desteğiyle geniş açıyla dönebilen kameralı sistem, görüş alanına nispi olarak yansıyan hareketli görüntülerin tamamının görüntülenebilmesi için hareket bölgesine odaklanmaktadır. Yani kamera sabit dururken ortama hareketli bir nesne girmesi durumunda hareketli nesneye yönelmekte ve onun hareket alanını takip edecek şekilde konumlanmaktadır. Bu şekilde birden fazla kameranın yapabileceği işlemi tek bir kamera ile sağlamak mümkün olmaktadır. Sistemin çalışması değişik koşullarda denenmiş ve kişinin hızlı hareket etmesi durumunda takip performansının azaldığı görülmüştür. Ayrıca ortamdaki kişi sayısının birden fazla olması durumunda kameranın hareketli kişilerin ağırlık merkezlerinin arasında bir noktaya odaklandığı tespit edilmiştir. Bu olumsuzlukları gidermek için dönüş hızı yüksek olan bir motor ve daha kaliteli bir kamera kullanılması problemi çözebilir. Hareketli nesnenin takibi ile ilgili değişik koşullarda performans analizi yapılmış ve bulunan sonuçlar Tablo 2 de sunulmuştur. Tablo 2:Hareketli nesne takip sonuçları Yürüme Hızı Toplam Deneme Başarılı Sonuçlar Başarı yüzdesi Normal 25 25 % 100 Hızlı 25 22 % 88 F. Yüz Tanıma İşleminin Gerçekleştirilmesi Yüz tanıma işlemi MATLAB-GUI programı kullanılarak gerçekleştirilmiştir. Yüz tanıma sistemi öncelikle yüz bulma aşamasında otomatik olarak veri tabanına kaydı 95

M. Peker, A.Zengin gerçekleştirilen şüpheli kişinin yüz resmini arayüz ekranına getirmektedir. Özyüz yöntemi ile yüz tanıma süreci için Atalay ve Gökmen in çalışmasında kullandığı süreç basamaklarından yararlanılmıştır [10]. Bu sürece göre yüz resimleri boyut bazında normalize edildikten sonra yüz veri tabanına eklenir. Normalize edilen bu resimlerden özyüzlerin oluşturulacağı bir eğitim kümesi seçilir. En yüksek özdeğere sahip olan M adet yüz, öznitelik vektörlerinin eldesinde kullanılır. Özyüzler tanıma aşamasında kullanılmak üzere saklanırlar. Veritabanında bulunan herbir yüz için, bu M adet özyüz kullanılarak, M boyutlu bir öznitelik vektörü elde edilir. Yeni bir resim sisteme verildiğinde, önce normalize edilir ve daha sonra saklanmış olan M adet özyüz kullanılarak öznitelik vektörü elde edilir. Elde edilen bu öznitelik vektörü, veritabanındaki yüzler ile belli bir eşik içerisinde karşılaştırılır. Eşik altına düşen en az bir resim varsa, yüz tanınmış demektir. Aksi halde bu öznitelik vektörü ile birlikte, yeni resim veritabanına eklenerek öğrenme işlemi gerçekleştirilir. Sistemde 5 tane veri tabanının olduğu klasör bulunmaktadır. Ekrana yüz resmi getirildikten sonra hangi veri tabanı ile karşılaştırılması isteniyorsa o veri tabanının seçimi kullanıcı tarafından gerçekleştirilir. Veritabanı seçim işlemi gerçekleştirildikten sonra ekranda bulunan Şüpheliyi Bul butonuna tıklanır ve sistem özyüz tanıma yöntemine göre gerekli karşılaştırmaları yaparak şüpheli kişinin kim olduğunu tespit etmeye çalışır (Şekil 10). Eğer tespit gerçekleştirilmezse veritabanı değiştirilerek hedefe ulaşılmaya çalışılır. Eğer aranılan kişi bulunursa Detaylı Bilgi butonuna tıklanarak kişinin bilgilerinin ekrana getirilmesi sağlanır. Sistemde ayrıca güvenlik birimlerince suçu sabitlenen kişilerin veritabanına eklenmesi sağlanmaktadır (Şekil 10.b). Tablo 3 de değişik koşullarda gerçekleştirilen yüz tanıma işleminin başarı analizi görülmektedir. Performans analizi gerçekleştilirken ORL veritabanı kullanılmıştır [17]. Toplam resim sayıları, boyutları ve her bir kişiden alınan resim sayıları değiştirilerek başarı analizleri gerçekleştirilmiştir. Burada 30 farklı kişinin değişik cephelerden çekilmiş 10 değişik resmi ile 300 kişilik bir resim kümesi oluşturulmuştur. Kümedeki her kişinin 1 tane resmi alınarak 30 kişi ile bir veritabanı oluşturulmuştur. Geriye kalan 270 resim kullanılarak, farklı resim boyutlarında yüz tanıma işlemi gerçekleştirilmiştir. Daha sonra her bir kişinin sırasıyla 2, 3 ve 5 farklı resmi alınarak performans analizleri gerçekleştirilmiştir. Tablo 3: 300 kişi için özyüz yöntemi performans analizi Test edilen resim sayısı Kişi başına resim sayısı Veritabanı resim sayısı Resim boyutu Yüzde başarı 270 1 30 16x14 70 270 1 30 27x24 72 270 1 30 40x30 72,5 240 2 60 16x14 82 240 2 60 27x24 83 240 2 60 40x30 83,4 210 3 90 16x14 88 210 3 90 27x24 88,5 210 3 90 40x30 89 150 5 150 16x14 94 150 5 150 27x24 94.75 150 5 150 40x30 95 Elde edilen analizlerde, aynı kişiden alınan örnek sayısı arttıkça sistemin performansının da arttığı gözlemlenmiştir. Resim boyutu arttırıldığında performansın biraz arttığı fakat yüz tanıma işleminin zaman açısından uzun sürdüğü gözlemlenmiştir. Resmin tanınması için geçen süre ortalama 0.1-0.3 sn arasıda değişmektedir. Geliştirilen yüz tanıma sisteminde özyüz yönteminin tercih edilmesinin nedeni yöntemin yüzün geometrisinden bağımsız olması, gerçeklenmesinin kolay olması, sistemin yeni yüzler tanır hale gelmesi, yani öğrenmesinin diğer yöntemlere göre daha kolay ve hızlı olmasıdır [18]. Yüz tanıma sisteminin birtakım dezavantajları da söz konusudur. Bunlar; ışıklandırma koşullarına gore çok hassas olması, resmin ön cepheden çekilmiş olması gerekliliğidir. Bu dezavantajları en aza indirgemek için ortamın yeterli ışık koşullarında olması sağlanabilir. Ayrıca yüzün sadece ön cepheden çekilmesi durumunda tanınma olasılığının yüksek olması problemini çözmek için yapay sinir ağları kullanılarak yüzün yönü tespit edilerek en uygun tanıma sistemi seçilebilir. (a) (b) Şekil 10. (a) Yüz tanıma arayüz programı (b) Kayıt işlemleri penceresi IV. SONUÇLAR Geliştirilen bilgisayar programı kullanılarak, kamera ile alınan görüntüler görüntü işleme teknikleri ile işlenmekte ve güvenliği sağlanmak istenen ortama yapılan izinsiz girişler algılanmaktadır. Kameranın hareketi takip etmesini sağlamak için mekanik bir sistem tasarlanmıştır. Adım motoru kullanılarak hazırlanan mekanizma, nesnenin hareketli piksellerinin ağırlık merkezine göre dönerek hareketli nesneyi sürekli olarak takip etmektedir. Bu şekilde kişisel bilgisayarın paralel portuna bağlı adım motoru düzeneğinin üzerinde bulunan kamera, sürekli olarak hareket eden nesne ya da nesneleri takip edecek şekilde yönlendirilmektedir. Bir sonraki aşamada yüz belirleme işlemi gerçek zamanlı olarak gerçeklenmiştir. Yüz tespit edildikten sonra şüpheli kişinin yüz resmi kayıt altına alınmıştır. Son aşamada kayıt altına alınan yüz resminin kime ait olduğunu belirlemek için yüz tanıma işlemi gerçekleştirilmiştir. Sistemin bahsedilenlerin dışında bazı avantaj ve farklılıkları aşağıda sunulmuştur. 1. Kullanıcı arayüz yazılımının sade bir yapıya sahip olması, ayarlamaların kolay olması kullanıcıya büyük kolaylık sağlamaktadır. 2. Maliyeti düşük bir web kamerası kullanılmıştır. Böylece, birçok işyerinde ve evde bilgisayara takılacak bir web kamerası ile ortam güvenliği düşük maliyetle sağlanabilecektir. 96

Gerçek Zamanlı Harekete Duyarlı Bir Görüntü Tanıma Sistemi 3. Mevcut güvenlik sistemlerinden farklı olarak hareketli nesne algılandığında veritabanına kayıt yapıldığı için hafıza kapasitesinin verimli bir şekilde kullanılması sağlanmıştır. 4. Ten rengi alanlar üzerindeki yüzün tespit edilmesi işleminin herhangi bir karmaşık makine öğrenmesi işlemini gerçek zamanlı olarak gerektirmemesi ve basit matematiksel işlemlerden oluşması da avantajlar arasında sayılabilir. V. KAYNAKLAR [1] G. L. Foresti, Object Recognition and Tracking for Remote Video Surveillance, IEEE Transactions on Circuits and Systems for Video Tech., Vol.9, No.7, s.1045-1061, 1999. [2] P.K.M Chan., C.K Li, Motions of Multiple Objects Detection based on Video Frames, IEEE International Symposium on Consumer Electronics, Hong Kong, s.62-66, 2000. [3] D. Koller, K. Daniilidis, H.H. Nagel, Model-Based Object Tracking in Monocular Sequences of Road Traffic Scenes, International Journal of Computer Vision 10:3, s.257-281, 1993. [4] C. Stiller, J. Konrad, Estimating Motion in Image Sequence: A Tutorial on Modeling and Computation of 2D Motion, IEEE Signal Process. Mag.,vol. 16, July, s.70-91, 1999. [5] H.C. Kefeli, O. Urhan, S. Ertürk, Double stage video object segmentation by means of background registration using adaptive thresholding, 2005. Proceedings of the IEEE 13th Volume, Issue pp. 80 83,.2005. [6] M. Oral, U. Deniz, Motion detection in moving pictures, 2005. Proceedings of the IEEE 13th Volume, Issue, pp. 187 190, 2005. [7] M.Peker, A.Zengin, Real-Time Motion-Sensitive Image Recognition System. Scientific Research and Essays. Vol. 5(15), pp. 2044-2050, 4 August, 2010 [8] http://academic.mu.edu/phys/matthysd/ web226/l0221.htm/. [9] B.Kurt, V. Nabiyev, Y. Bekiroğlu, Yüz İfadelerinin Tanınması, Elektrik-Elektronik-Bilgisayar Mühendisliği 12. Ulusal Kongresi,2007 [10] I. Atalay, Özyüz Yöntemi ile Yüz Tanıma, Yüksek Lisans Tezi, İstanbul Teknik Ünv., Fen Bilimleri Enstitüsü, 1996. [11] L. Sirovich and M. Kirby, "Low dimensional procedure for the characterization of human faces", Journal of the Optical Society of America A,4,3,pp. 519-524, 1987 [12] B. Yaman, Özyüz Kullanarak Yüz Tanıma, Yüksek Lisans Tezi, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, 2006. [13] W. Hongcheng, Facial Recognition as a Pattern Recognition Problem Beckman Instutute, Lecture, UIUC 29 pp., 2005 [14] N. İkizler, P.Duygulu, Haber Videolari icin Yuz Bulma Yontemlerinin.Iyilestirilmesi, In Proceedings of IEEE 13. Sinyal Isleme ve Iletisim Uygulamalari Kurultayi (SIU 2005), Kayseri 2005. [15] S. Umbaugh, Computer vision and image processing fundamentals, Computer Vision and Image Processing, Prentice Hall PTR, Bernard Goodwin, 1998. [16] R. Köker,C. Öz,Y. Sarı, Hareketli cisimlerin bilgisayar görmesine dayalı hareket analizi, Elektrik-Elekrtonik-Bilgisayar Mühendisliği 9. Ulusal Kongresi, 497-500, Eylül 2001. [17] http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html [18] L.Morgül, Yüz Görüntüsü Esaslı Biyometrik Kimlik Tanıma ve Doğrulama, Y.Lisans Tezi, Marmara Üniversitesi, 2006. 97