Masaüstü yüz tanıma uygulaması sonuçları

Masaüstü yüz tanıma uygulaması kapsamında kameradan alınmıĢ renkli görüntü üzerinde öncelikle gri seviye dönüĢüm iĢlemi yapılmıĢtır. Ardından görüntü içerisinden yüz bölgesi tespit edilmiĢtir. Tespit edilen yüz bölgesi içerisinde baĢ (yüz haricinde

saçlar, boyun bölgesi) ve bir kısım arka plan da yüz bölgesi olarak iĢaretlenmektedir. ĠĢaretlenen yüz bölgesi 100 piksel x 100 piksel boyutunda ölçeklendirilerek veritabanındaki yüz resimleri ile karĢılaĢtırılmaktadır.

Yüz tanıma sisteminde gelen yüz görüntüsü veritabanında kayıtlı kullanıcılara ait görüntüler ile eĢleĢtiğinde eĢleĢen kiĢinin ismi, veritabanında kayıtlı herhangi bir yüz görüntüsü ile eĢleĢmediğinde “Bilinmeyen” sonucu döndürülmektedir. Yüz tanıma sisteminin test iĢlemine db1’den (Gt-db yüz kırpma yapılmıĢ ve histogram eĢitleme yapılmıĢ) baĢlanmıĢtır. ÇalıĢmada kullanılan üç yöntem için de belirli aralıklarla eĢik (threshold) değeri değiĢtirilmiĢ ve test kümesindeki görüntüler ve veri kümesinde olmayan farklı görüntüler ile yüz tanıma sisteminin baĢarısı ölçülmüĢtür.

LBP yöntemi için eĢik değeri 100’den baĢlamıĢ ve beĢer beĢer azaltılarak 50 değerine kadar inilmiĢtir. DKY ve DRY değerlerinin yüksek ve de birbirine yakın olduğu aralıkta, eĢik değeri daha sık değiĢtirilmiĢ ve en uygun değer tespit edilmiĢtir. Çizelge 5.3’te verilen sonuçlar incelendiğinde, LBP yöntemi için db1’de, en baĢarılı sonucu %82 DKY ve %84 DRY ile 65 eĢik değeri verdiği gözlenmiĢtir.

Çizelge 5.3. LBP yöntemi için db1’deki eĢik – baĢarı yüzdesi tablosu

EĢik DKY DRY

100 84 7,33 95 84 11,33 90 84 14,66 85 84 24,66 80 84 34 75 83,33 49,33 70 82,66 63,33 68 82,66 75,33 65 82 84 64 80,66 88 63 79,33 90,66 60 76,66 94,66 55 68 100 50 56,66 100

Fisheryüzler yöntemi için eĢik değeri 5000 ile 1000 arasında, beĢyüzer aralıklarla değiĢtirilmiĢtir. Tanıma oranının en yüksek olduğu düĢünüldüğü eĢik değerinde aralıklar elliye indirgenerek test edilmeye devam edilmiĢtir. Çizelge 5.4’te verilen sonuçlar incelendiğinde, en baĢarılı sonuca %66 DKY ve %89,33 DRY değeri ile 2800 eĢik değerinde ulaĢıldığı görülmüĢtür.

Çizelge 5.4. Fisheryüzler yöntemi için db1’deki eĢik – baĢarı yüzdesi tablosu

EĢik DKY DRY

5000 68,66 6 4500 68,66 12 4000 68,66 20 3500 68 46,66 3250 68 61,33 3000 66,66 78 2950 66 82 2850 66 86,66 2800 66 89,33 2775 65,33 89,33 2750 65,33 91,33 2500 60 98 2000 33,33 100 1500 12,66 100 1000 2,66 100

Özyüzler yöntemi için eĢik değeri 5000’den baĢlayarak yüzer aralıklarla aĢağı yönde değiĢtirilmiĢtir. Tanıma oranının en yüksek olduğu düĢünüldüğü eĢik değerinde aralıklar elliye indirgenerek test edilmeye devam edilmiĢtir. Çizelge 5.5’te verilen sonuçlar incelendiğinde, en baĢarılı sonuca %71.33 DKY ve %0 DRY değeri ile 650 eĢik değerinde ulaĢıldığı görülmüĢtür.

Çizelge 5.5. Özyüzler yöntemi için db1’deki eĢik – baĢarı yüzdesi tablosu

EĢik DKY DRY

5000 0 97,33 4000 0 86,66 3000 0,66 38,66 2000 12 1,33 1000 63,33 0 800 68,66 0 650 71,33 0 500 72 0 400 72 0 200 72 0 100 72 0

Çizelge 5.5.te görüldüğü üzere, sisteme kayıtlı kiĢilerin, diğer görüntüleri ile test edildiğinde en yüksek %72 DKY baĢarı sonucu elde edilirken, aynı eĢik değerinde,

sisteme kayıtlı olmayan farklı bir kiĢinin görüntüsü test edildiğinde, özyüzler yöntemi “bilinmeyen” sonucunu dönmek yerine, sisteme kayıtlı birine benzetmeye çalıĢmaktadır. Bu yüzden de yanlıĢ sonuç vermektedir.

Özyüzler yönteminin baĢarısına etki eden faktörlerden birisi de algoritmadaki “eigenvector” sayısıdır. Çizelge 5.5 deki sonuçları eigenvector sayısı 80 iken elde edilmiĢtir. EĢik değeri 650 iken eigenvector sayısı değiĢtirilerek, tekrar test edildiğinde Çizelge 5.6’daki sonuçlara ulaĢılmıĢtır. Çizelge 5.6 incelendiğinde, eigenvector sayısı 100 ve 110 iken en yüksek test sonuçları elde edilmiĢtir. Bundan sonraki testlerde eigenvector sayısı 100 olarak alınması tercih edilmiĢtir.

Çizelge 5.6. Özyüzler yönteminde eigenvector değerine göre ölçülen test sonuçları

Eigenvector Sayısı DKY DRY

140 72 0 120 72 0 110 72,66 0 100 72,66 0 90 72 0 80 71,33 0

ÇalıĢmada 3 farklı veritabanına ait resimler üzerinde masaüstü uygulaması ile yüz tanıma algoritmaları çalıĢtırılmıĢtır. Bu algoritmalar özyüz (eigenfaces), fisheryüz (fisherfaces) ve yerel ikili örüntü (local binary pattern – LBP) olarak sıralanabilir. Tez kapsamında yüz tanıma uygulaması ile ilgili sonuçlar incelenirken tanıma öncesi ön iĢlem aĢamasında gerçekleĢtirilen yüz bölgesinin kırpılması ve yüz bölgesine Histogram eĢitleme uygulama iĢlemleri göz önünde bulundurulmuĢtur. Dolayısıyla 4 farklı yaklaĢımda uygulama sonuçları analiz edilecektir. Bunlar;

1) Yüz kırpma yapılmamıĢ + Histogram eĢitleme uygulanmamıĢ 2) Yüz kırpma yapılmıĢ + Histogram eĢitleme uygulanmamıĢ 3) Yüz kırpma yapılmamıĢ + Histogram eĢitleme uygulanmıĢ 4) Yüz kırpma yapılmıĢ + Histogram eĢitleme yapılmıĢ

Tez çalıĢmamızın tanıma öncesi ön iĢlemlerinden olan yüz kırpma iĢlemi, yüz bulunduktan sonra kırpma yapılacaksa; bulunan yüz görüntüsünün dıĢ kısmından %25’lik alan çıkartılmaktadır. Kırpma iĢlemi uygulanarak, boyun ve saç gibi kısımlar çıkartılarak; yüze odaklanma hedeflenilmiĢtir. Kırpma iĢlemine ait uygulama ekran görüntüleri ġekil 5.18 de görülmektedir.

a)

b)

ġekil 5.18. Yüz kırpma iĢleminin uygulanma durumu

a) Yüz kırpma yapılmamıĢ b) Yüz kırpma yapılmıĢ

ÇalıĢmanın ilk analizleri, 3 farklı veritabanından alınan resimler üzerinde yüz kırpma ve histogram eĢitleme iĢlemleri uygulanmadan gerçekleĢtirilmiĢtir. Yüz tanıma uygulama iĢleminde alınan sonuçlar Çizelge 5.7.’te verilmiĢtir. Çizelgede yer alan eĢik değeri uygulanan yönteme göre değiĢiklik arz etmektedir. KarĢılaĢtırma iĢleminde, veritabanındaki yüz görüntüsü ile test aĢamasında bulunan yüz görüntüsü arasındaki vektörel uzaklık öklid yöntemi ile değerlendirilmiĢ ve belirli bir eĢik değerinin üzerindeki değerler “bilinmeyen yüz” olarak etiketlenmiĢtir. Sınıflandırma baĢarı oranları yazılırken “doğru kabul yüzdesi (DKY)” ve “doğru red yüzdesi (DRY)” olarak çizelgede belirtilmiĢtir. DKY değeri, veritabanında yüz görüntüsü olan bir kiĢinin doğru olarak kabul edilmesine iliĢkin yüzde oranıdır. DRY değeri ise, veritabanında olmayan bir kiĢinin doğru olarak reddedilme yüzde oranıdır. EĢik değeri belirlenirken belirli aralıklarda farklı eĢik değerleri denenmiĢ ve DKY ve DRY değerinin aynı anda en yüksek olduğu durumda belirlenen eĢik değeri ve baĢarı oranları çizelgeye alınmıĢtır.

Çizelge 5.7. Test sonuçları ( yüz kırpma yapılmamıĢ + histogram eĢitleme uygulanmamıĢ )

ÖZYÜZ FĠSHERYÜZ LBP

Veritabanı EĢik DKY DRY DKY+DRY Ort. EĢik DKY DRY

DKY+DRY

Ort. EĢik DKY DRY

DKY+DRY Ort. YALE 100 66,66 0 33,33 3500 66,66 98 82,330 66 80 92,66 86,33 GT 100 72,66 0 36,33 3250 68 61,33 64,665 65 82,55 84 83,275 YV 100 62,66 0 31,33 2800 43,33 62 52,665 65 67,78 70 68,89 Ortalama 67,327 0 59,33 73,777 76,777 82,22 Genel Ort. 33,663 66,553 79,498

Çizelge 5.7.’e göre; masaüstü yüz tanıma uygulamasında LBP yöntemi %79,498 genel sınıflandırma ortalaması ile en baĢarılı yöntem olduğu söylenebilir. DKY ve DRY değerlerine ayrı ayrı bakıldığında yine LBP yöntemi diğerlerine göre en yüksek sınıflandırma baĢarısına sahip olduğu görülmektedir. Veritabanları açısından bir kıyaslama yapıldığında ise DKY ve DRY oranlarına göre farklı sınıflandırma baĢarısı elde edildiğini görüyoruz. DKY oranlarına bakıldığında, GT veritabanının (özyüz:%72,66, fisheryüz:%68 ve LBP:%82,55) diğerlerine oranla daha yüksek bir baĢarı oranına sahip olduğunu görüyoruz. DRY oranlarına bakıldığında ise, YALE veritabanının (özyüz:%0, fisheryüz:%98 ve LBP:%92,66) diğerlerine oranla daha yüksek baĢarı oranına sahip olduğunu görüyoruz. DKY ve DRY değerleri beraber ele alındığında ise YALE veritabanının (fisheryüz:%82,33 ve LBP:%86,33) daha yüksek baĢarı oranına sahip olduğunu görüyoruz.

ÇalıĢmanın ikinci analizi, 3 farklı veritabanından alınan ve yüz kırpma yapılmıĢ, ancak Histogram eĢitleme iĢlemi uygulanmamıĢ resimler üzerinde gerçekleĢtirilmiĢtir. Yüz tanıma uygulama iĢleminde alınan sonuçlar Çizelge 5.8.’de verilmiĢtir.

Çizelge 5.8. Test sonuçları ( yüz kırpma yapılmıĢ + histogram eĢitleme uygulanmamıĢ )

ÖZYÜZ FĠSHERYÜZ LBP

Veritabanı EĢik DKY DRY DKY+DRY Ort. EĢik DKY DRY

DKY+DRY

Ort. EĢik DKY DRY

DKY+DRY Ort. YALE 100 60 0 30 2800 53,33 58,66 55,995 65 70 86,66 78,33 GT 100 79,33 0 39,665 2300 65,33 64 64,665 62 80,53 82 81,265 YV 100 68 0 34 2200 54,66 55,33 54,995 64 71,81 72 71,905 Ortalama 69,110 0 57,773 59,33 74,113 80,22 Genel Ort. 34,555 58,552 77,167

Çizelge 5.8’e göre; masaüstü yüz tanıma uygulamasında LBP yöntemi %77,167 genel sınıflandırma ortalaması ile en baĢarılı yöntem olduğu söylenebilir. DKY ve DRY

değerlerine ayrı ayrı bakıldığında yine LBP yöntemi diğerlerine göre en yüksek sınıflandırma baĢarısına sahip olduğu görülmektedir.

Veritabanları açısından bir kıyaslama yapıldığında ise DKY ve DRY oranlarına göre farklı sınıflandırma baĢarısı elde edildiğini görüyoruz. DKY oranlarına bakıldığında, GT veritabanının (özyüz:%79.33, fisheryüz:%65.33 ve LBP:%80.53) diğerlerine oranla daha yüksek bir baĢarı oranına sahip olduğunu görüyoruz. DRY oranlarına bakıldığında ise, GT veritabanının (fisheryüz:%64) ve YALE veritabanının (LBP:%86.66) YV veritabanına oranla daha yüksek baĢarı oranına sahip olduğunu görüyoruz. DKY ve DRY değerleri beraber ele alındığında ise GT veritabanının daha yüksek baĢarı oranına sahip olduğunu görüyoruz.

ÇalıĢmanın üçüncü analizi, 3 farklı veritabanından alınan ve yüz kırpma yapılmamıĢ, ancak Histogram eĢitleme iĢlemi uygulanmıĢ resimler üzerinde gerçekleĢtirilmiĢtir. Yüz tanıma uygulama iĢleminde alınan sonuçlar Çizelge 5.9.’da verilmiĢtir.

Çizelge 5.9. Test sonuçları ( yüz kırpma yapılmamıĢ + histogram eĢitleme uygulanmıĢ )

ÖZYÜZ FĠSHERYÜZ LBP

Veritabanı EĢik DKY DRY DKY+DRY Ort. EĢik DKY DRY

DKY+DRY

Ort. EĢik DKY DRY

DKY+DRY Ort. YALE 100 70 0 35 4600 83,33 100 91,665 69 83,33 92 87,665 GT 100 74,66 0 37,330 5250 75,33 73,33 74,33 68 83,33 82,66 82,995 YV 100 70 0 35 5100 52,66 58 55,33 69 66 64,66 65,33 Ortalama 71,553 0 70,440 77,11 77,553 79,773 Genel Ort. 35,777 73,775 78,663

Çizelge 5.9’a göre; masaüstü yüz tanıma uygulamasında LBP yöntemi %78,663 genel sınıflandırma ortalaması ile en baĢarılı yöntem olduğu söylenebilir. DKY değerlerine ayrı ayrı bakıldığında: %83,33 değeri ile Fisheryüz ve LBP yöntemleri birlikte en iyi değeri verirken; DRY değerlerinde %100 değer ile Fisheryüz yöntemi en iyi değeri vermektedir.

Veritabanları açısından bir kıyaslama yapıldığında ise DKY ve DRY oranlarına göre farklı sınıflandırma baĢarısı elde edildiğini görüyoruz. DKY oranlarına bakıldığında, GT veritabanının (özyüz:%74.66, LBP:%83.33) ve YALE veritabanın (Fisheryüz:%83.33 ve LBP:%83.33); YV veritabanına oranla daha yüksek baĢarı oranına sahip olduğunu görüyoruz. DRY oranlarına bakıldığında ise, YALE veritabanının (Fisheryüz:%100 ve LBP:%92) diğerlerine oranla daha yüksek baĢarı

oranına sahip olduğunu görüyoruz. DKY ve DRY değerleri beraber ele alındığında ise YALE veritabanı (Fisheryüz:%91.665 ve LBP:%87.665) ve GT veritabanı (Özyüz:%37.33); YV veritabanına oranla daha yüksek baĢarı oranına sahip olduğunu görüyoruz.

ÇalıĢmanın dördüncü analizi, 3 farklı veritabanından alınan ve yüz kırpma yapılmamıĢ, ancak Histogram eĢitleme iĢlemi uygulanmıĢ resimler üzerinde gerçekleĢtirilmiĢtir. Yüz tanıma uygulama iĢleminde alınan sonuçlar Çizelge 5.10.’da verilmiĢtir.

Çizelge 5.10. Test sonuçları (Yüz kırpma yapılmıĢ + Histogram eĢitleme yapılmıĢ )

ÖZYÜZ FĠSHERYÜZ LBP

Veritabanı EĢik DKY DRY DKY+DRY Ort. EĢik DKY DRY

DKY+DRY

Ort. EĢik DKY DRY

DKY+DRY Ort. YALE 100 60 0 30 4400 70 99,33 84,665 70 70 82 76 GT 100 74 0 37 5000 72 76,66 74,33 66 78,66 78 78,33 YV 100 72,66 0 36,33 4900 70 66 68 66 72 76,66 74,33 Ortalama 68,887 0 70,667 80,663 73,553 78,887 Genel Ort. 34,443 75,665 76,22

Çizelge 5.10.’a göre; masaüstü yüz tanıma uygulamasında LBP yöntemi %76,22 genel sınıflandırma ortalaması ile en baĢarılı yöntem olduğu söylenebilir. DKY değerlerine ayrı ayrı bakıldığında: %78.66 değeri ile LBP yöntemi diğerlerine göre en yüksek sınıflandırma baĢarısına sahip olduğu görülmektedir. DRY değerlerine ayrı ayrı bakıldığında ise %99.33 değeri ile Fisheryüz yönteminin diğerlerine göre en yüksek sınıflandırma baĢarısına sahip olduğu görülmektedir.

Veritabanları açısından bir kıyaslama yapıldığında ise DKY ve DRY oranlarına göre farklı sınıflandırma baĢarısı elde edildiğini görüyoruz. DKY oranlarına bakıldığında, GT veritabanının (Özyüz:%74, %72 Fisheryüz ve LBP:%78.66) diğer veritabanlara oranla daha yüksek baĢarı oranına sahip olduğunu görüyoruz. DRY oranlarına bakıldığında ise, YALE veritabanının (Fisheryüz:%99.33 ve LBP:%82) diğerlerine oranla daha yüksek baĢarı oranına sahip olduğunu görüyoruz. DKY ve DRY değerleri beraber ele alındığında ise YALE veritabanı (Fisheryüz:%84.665) ve GT veritabanının (Özyüz:%37 ve LBP:%78.33); YV veritabanına oranla daha yüksek baĢarı oranına sahip olduğunu görüyoruz.

Yüz kırpma iĢleminin, yüz tanımaya etkisinin belirlenmesi için, diğer parametrelerin (veritabanı, histogram eĢitleme durumu, yüz tanıma yöntemi) sabit

tutulup, sadece yüz kırpma iĢlemi değiĢtirilerek sonuçlar yeniden değerlendirilmiĢtir. Yüz kırpma iĢleminin, yüz tanımaya etkisini ölçmek için yaptığımız testlerin sonuçları Çizelge 5.11’ de görülmektedir.

Çizelge 5.11. Yüz kırpma iĢleminin yüz tanımaya etkisinin ölçüm sonuçları

ÖNĠġLEM K1 K2 K3 K4 K5 K1-2-3-4-5 LBP LBP LBP LBP LBP ORTALAMA Ve rise ti Yüz K ırpm a H ist.

EĢit. _{DKY DRY DKY DRY DKY DRY DKY DRY DKY DRY DKY DRY}

Ya le X X 80 92,66 66,66 60,66 60 92 76,66 89,33 60 79,33 68,664 82,796 1 X 70 86,66 53,33 65,33 56,66 80,66 60 91,33 53,33 49,33 58,664 74,662 DEĞĠġĠM -0,125 -0,0648 -0,2 0,077 -0,056 -0,123 -0,217 0,0224 -0,111 -0,3782 -0,146 -0,0982 X 1 83,33 92 63,33 62 60 81,33 73,33 94 53,33 67,33 66,664 79,332 1 1 70 82 53,33 52,66 60 61,33 73,33 94 56,66 60 62,664 69,998 DEĞĠġĠM -0,15997 -0,1087 -0,158 -0,151 0 -0,246 0 0 0,0624 -0,1089 -0,06 -0,1177 Gt_ Db X X 82,55 84 79,19 90,66 80,4 78,66 77,93 78 79,59 84 79,932 83,064 1 X 80,53 82 77,18 75,33 80,4 81,33 77,93 81,33 76,19 76 78,446 79,198 DEĞĠġĠM -0,02447 -0,0238 -0,025 -0,169 0 0,0339 0 0,0427 -0,043 -0,0952 -0,019 -0,0465 X 1 83,89 82,66 79,86 84 79,05 84 76,55 82 82,31 83,33 80,332 83,198 1 1 79,19 78 79,86 74,66 79,05 84 75,86 82,66 76,87 73,33 78,166 78,53 DEĞĠġĠM -0,05603 -0,0564 0 -0,111 0 0 -0,009 0,008 -0,066 -0,12 -0,027 -0,0561 YV X X 67,78 70 65,97 61,33 65,1 62,66 64,66 76 62,67 70,66 65,236 68,13 1 X 71,81 72 71,52 73,33 72,48 72 74 76,66 71,12 72 72,186 73,198 DEĞĠġĠM 0,059457 0,02857 0,0841 0,1957 0,1134 0,1491 0,1444 0,0087 0,1348 0,01896 0,1065 0,07439 X 1 66,44 64,66 68,75 64 59,06 64 60,66 71,33 58,45 71,33 62,672 67,064 1 1 73,15 72,66 69,44 65,33 67,11 72,66 61,33 76,66 63,38 84,35 66,882 74,332 DEĞĠġĠM 0,100993 0,12372 0,01 0,0208 0,1363 0,1353 0,011 0,0747 0,0843 0,18253 0,0672 0,10837

Çizelge 5.11’deki “DEĞĠġĠM” değerleri, yüz kırpma iĢlemi yapıldıktan sonraki tanıma oranındaki değiĢimi yüzde olarak ifade etmektedir. Buradaki değerin negatif olması baĢarının düĢmüĢ olduğunu belirtmektedir.

DEĞĠġĠM değerlerini daha iyi açıklamak için Yale veritabanını örnek alırsak; ilk değiĢim satırında Histogram eĢitleme yapılmaksızın, yüz kırpma iĢleminin yapılmasıyla K1 veri kümesi için Doğru Kabul Yüzdesi (DKY) %12.5 azalırken, Doğru Ret Yüzdesi (DRY) %6 azalmıĢtır. DKY ve DRY değerlerinin K1,K2,K3,K4 ve K5 veri kümelerindeki ortalamalarına bakıldığında, DKY değeri %14.6 azalırken, DRY değeri %9.8 azalmıĢtır.

Ortalama DKY/DRY değerlerine bakıldığında, Yale veritabanı için (% -14.6 / %-9.8 ve % -6 / % -11.7) yüz kırpma iĢlemi tanıma baĢarısını düĢürdüğü görülmektedir. Benzer olarak, GT veritabanı değerlerine bakıldığında (% -1.9 / % -4.6 ve % -2.7 / % - 5.6) yine yüz kırpma iĢleminin tanıma baĢarısını düĢürdüğü görülmektedir. YV yüz veritabanı değerlerine bakıldığında ise (% 10.6 / % 7.4 ve % 6.7 / % 10.8) yüz kırpma iĢlemi tanıma baĢarısını arttırdığı görülmektedir.

Histogram eĢitleme iĢleminin, yüz tanımaya etkisinin belirlenmesi için, diğer parametrelerin (veritabanı, yüz kırpma iĢlemi, yüz tanıma yöntemi) sabit tutulup, sadece Histogram eĢitleme iĢlemi değiĢtirilerek sonuçlar değerlendirilmiĢtir. Histogram eĢitleme iĢleminin, yüz tanımaya etkisini ölçmek için yaptığımız testlerin sonuçları Çizelge 5.12.’ de görülmektedir.

Çizelge 5.12.’deki “DEĞĠġĠM” değerleri, Histogram eĢitleme iĢlemi yapıldıktan sonraki tanıma oranındaki değiĢimi yüzde olarak ifade etmektedir. Buradaki değerin negatif olması baĢarının düĢmüĢ olduğunu belirtmektedir.

Çizelge 5.12.’deki YALE veritabanı için ilk DEĞĠġĠM satırı, yüz kırpma iĢlemi yapılmaksızın, Histogram eĢitleme iĢleminin yapılmasıyla tanıma oranındaki değiĢimi yüzde olarak belirtmektedir.

K1 veri kümesi için DKY %4 artarken, DRY %1 azalmıĢtır. K2 veri kümesi için DKY %5 azalırken, DRY %2 artmıĢtır. K3 veri kümesi için DKY değiĢmezken, DRY %12 azalmıĢtır. K4 veri kümesi için DKY %4 azalırken, DRY %5 artmıĢtır. K5 veri kümesi için DKY %11 azalırken, DRY de %15 azalmıĢtır. DKY ve DRY değerlerinin K1,K2,K3,K4 ve K5 veri kümelerindeki ortalamalarına bakıldığında, DKY değeri %3 azalırken, DRY değeri %4 azalmıĢtır.

Bu sonuçlara bakılarak, Histogram eĢitlemenin LBP yöntemi üzerinde pozitif veya negatif etkisi olduğunu söyleyemiyoruz. Bu durum GT ve YV veritabanları için de geçerlidir.

Çizelge 5.12. Histogram eĢitleme iĢleminin yüz tanımaya etkisinin ölçüm sonuçları ÖNĠġLEM K1 K2 K3 K4 K5 K1-2-3-4-5 LBP LBP LBP LBP LBP ORTALAMA Ve ris et i Yüz Kı rp m a ĠĢ lem i Hi st ogr am E Ģit lem e

DKY DRY DKY DRY DKY DRY DKY DRY DKY DRY DKY DRY

Ya le X X 80 92,66 66,66 60,66 60 92 76,66 89,33 60 79,33 68,66 82,8 X 1 83,33 92 63,33 62 60 81,33 73,33 94 53,33 67,33 66,66 79,33 DEĞĠġĠM 0,042 -0,01 -0,05 0,022 0 -0,12 -0,04 0,052 -0,11 -0,15 -0,03 -0,04 1 X 70 86,66 53,33 65,33 56,66 80,66 60 91,33 53,33 49,33 58,66 74,66 1 1 70 82 53,33 52,66 60 61,33 73,33 94 56,66 60 62,66 70 DEĞĠġĠM 0 -0,05 0 -0,19 0,059 -0,24 0,222 0,029 0,062 0,216 0,068 -0,06 Gt_Db X X 82,55 84 79,19 90,66 80,4 78,66 77,93 78 79,59 84 79,93 83,06 X 1 83,89 82,66 79,86 84 79,05 84 76,55 82 82,31 83,33 80,33 83,2 DEĞĠġĠM 0,016 -0,02 0,008 -0,07 -0,02 0,068 -0,02 0,051 0,034 -0,01 0,005 0,002 1 X 80,53 82 77,18 75,33 80,4 81,33 77,93 81,33 76,19 76 78,45 79,2 1 1 79,19 78 79,86 74,66 79,05 84 75,86 82,66 76,87 73,33 78,17 78,53 DEĞĠġĠM -0,02 -0,05 0,035 -0,01 -0,02 0,033 -0,03 0,016 0,009 -0,04 -0 -0,01 YV X X 67,78 70 65,97 61,33 65,1 62,66 64,66 76 62,67 70,66 65,24 68,13 X 1 66,44 64,66 68,75 64 59,06 64 60,66 71,33 58,45 71,33 62,67 67,06 DEĞĠġĠM -0,02 -0,08 0,042 0,044 -0,09 0,021 -0,06 -0,06 -0,07 0,009 -0,04 -0,02 1 X 71,81 72 71,52 73,33 72,48 72 74 76,66 71,12 72 72,19 73,2 1 1 73,15 72,66 69,44 65,33 67,11 72,66 61,33 76,66 63,38 84,35 66,88 74,33 DEĞĠġĠM 0,019 0,009 -0,03 -0,11 -0,07 0,009 -0,17 0 -0,11 0,172 -0,07 0,015

Sonuçları genel değerlendirmeye aldığımızda, LBP yönteminin Özyüz ve Fisheryüz yöntemlerine oranla daha baĢarılı olduğunu, histogram eĢitlemenin yüz tanımaya etkisinin değiĢken yönlü olduğunu ve yüz kırpma iĢleminin baĢarıyı olumsuz etkilediğini görmekteyiz. Dolayısıyla bir sonraki aĢamada web tabanlı yüz tanıma iĢlemi için LBP yönteminin kullanılması, ekstra iĢlem yükü getireceğinden histogram eĢitlemenin kullanılmamasının uygun olduğu kanaatine varılmıĢtır. Ayrıca yüz kırpma iĢlemi baĢarıyı olumsuz etkilemesinden dolayı web uygulamasında kullanılmamıĢtır.