Sonuçlar

Bu tez çalıĢmasında web sitelerine giriĢte kullanıcı yetkilendirilmesinde kullanılmak üzere biyometrik yöntemlerden yüz tanıma kullanılarak güvenli giriĢ sağlayan bir sistem geliĢtirilmiĢtir. GeliĢtirilen yüz tanıma sistemi, internete eriĢimi olan ve kamerası bulunan her türlü cihazla kullanabilmek mümkündür. Ġnternet ortamında çalıĢan bir yüz tanıma sistemi geliĢtirilmeden önce, tercih ettiğimiz yöntemleri karĢılaĢtırmak ve algoritmamızın baĢarısını ölçmek adına öncelikle masaüstü uygulaması geliĢtirilmiĢtir.

Literatür araĢtırmasında görülmüĢtür ki yüz tanımaya yönelik olarak geliĢtirilen algoritmalardan en etkili olan üç tanesi Özyüzler (Eigenfaces) yöntemi, Fisheryüzler (Fisherfaces) yöntemi ve LBP (Local Binary Pattern) yöntemidir. Bu çalıĢmada bu üç yöntemi de uygulayarak en iyi sonuç veren yöntemi bu çalıĢmada hedeflediğimiz internet tabanlı yüz tanıma sisteminde kullanmak amacıyla belirlemeye çalıĢtık.

Bu çalıĢmada geliĢtirilen yüz tanıma sisteminin baĢarısını ölçmek için; yüz tanımada sıklıkla kullanılan uluslararası yüz veritabanlarından, Yale Face ve Georgia Tech Face yüz veritabanı kullanılmıĢtır. Bununla birlikte sistemin güvenirliğini test etmek amacıyla tez kapsamında kendi oluĢturduğumuz YV (Yasin Vurgun) yüz veritabanı da testlerde kullanılmıĢtır.

Yüz tanımanın ilk aĢaması, kameradan gelen görüntüde yüz bölgesinin bulunmasıdır. Yapılan yüz tanıma çalıĢmalarında Viola-Jones yönteminin yüz bulmada oldukça hızlı sonuç verdiği gözlenmiĢtir. Ġnternet üzerinden anlık olarak çalıĢan bir sistemde hız önemli olduğundan Viola-Jones yöntemi uygulanmıĢ ve kameradan gelen görüntü içerisinden yüz bölgesi tespit edilmeye çalıĢılmıĢtır. Ġlk olarak kameradan gelen video görüntüsü üzerinden tek bir kare yakalanarak (capture) gri seviye formata dönüĢtürülmüĢtür. Ardından yakalanan resim üzerinde yüz bulunamama durumunda haar ve LBP kaskat bağlantıda kullanılan fonksiyon parametreleri dört defaya kadar değiĢtirilerek yüz bulma durumunda yüz bölgesi iĢaretlenmiĢtir. ĠĢaretlenen bu yüz bölgesi daha sonra 100x100 piksel boyutunda ölçeklenmiĢtir. Kullanıcının Ģapka takması, taktığı gözlük camında yansımanın olması, kaĢlar arasında boĢluk olmaması, kaĢın ve gözün bir kısmının kâkül veya diğer nesnelerce kapatılması, kafanın eğik olması ve ıĢığın etkisiyle yüzün belirli bir kısmı çok parlakken belirli bir kısmının

gölgede kalması gibi durumlar yüz bulma iĢlemini olumsuz etkileyen durumlardır. Kullandığımız veritabanlarındaki yüz bulma sonuçlarımız Ģu Ģekildedir: Yale face %100, GT-Db %99.20 ve YV yüz veritabanında %99.33. Bu sonuçlara göre Yale veritabanındaki görüntülerden tümünde yüz doğru olarak bulunmuĢtur.

Yüz tanıma ile ilgili yapılan çalıĢmalara bakıldığında görüntü alınırken kiĢinin baĢını eğerek kameraya bakması veya kameranın yatay düzleme göre eğriliğe sahip olması gibi durumlarda yüz görüntüsünde açısal farklılıklar meydana getirmektedir. Bu durum yüz tanımada baĢarıyı olumsuz etkilemektedir. ĠĢaretlenen yüz görüntüsünde yer alan sağ ve sol göz yuvarlağının konumuna bakılarak hizalama iĢlemi gerçekleĢtirilmiĢtir. Bu aĢamada iki gözün birbiriyle yatay eksende oluĢturduğu açı bulunmuĢ ve yatay düzleme göre sıfır derece olacak Ģekilde döndürme iĢlemi yapılmıĢtır. Yüzleri hizalamak için yüz görüntüsü içerisinde gözlerin konumunu doğru Ģekilde bulmak büyük önem arz etmektedir. Bu çalıĢmada yüz görüntüsü içerisindeki gözlerin bulunmasında yine Viola-Jones yöntemi kullanılmıĢtır. Yüz içerisinde yer alan göz noktalarının bulunmasına yönelik yaptığımız deneysel çalıĢmalarda ikiden fazla (bazen 7-8 adet) göz bölgesi tespit edildiği görülmüĢtür. Bu durum hizalama iĢlemini olumsuz etkileyen bir durumdur. Bunu elimine edebilmek için yüz görüntüsünün yatay ve dikey olarak tam orta noktası referans alınmıĢ ve sağ ve sol kısımda göz noktası olarak iĢaretlenmiĢ noktaların koordinat düzlemine göre ortalama değerleri hesaplanarak iki noktaya indirilmiĢtir. Görüntü içerisinde bulunan yüz bölgeleri içerisindeki göz bulma sonuçlarımız ise Ģöyledir: Yale veritabanında % 96, Gt-db’de %97.85 ve YV yüz veritabanında %98.12 oranındadır.

Yüz tanıma sistemimizi test ederken, veritabanlarında yer alan görüntülerin %20’si test, %80’i eğitim için ayrılmıĢtır. Ayrıca test sonuçlarındaki güvenirliği artırmak adına, veri kümeleri beĢe bölünmüĢtür. Bu bölme iĢlemi ile %20’lik test kümesi sırayla değiĢtirilmiĢtir. DeğiĢtirilen bu test kümeleri K1,K2,K3,K4 ve K5 olarak adlandırılmıĢtır. Bu bölümde bahsedilen tanıma yüzdeleri bu beĢ test kümesinin ortalaması alınarak ifade edilmiĢtir. Yüz tanıma iĢlemi test edilirken DKY (eğitim kümesinde olan bir kiĢinin, test görüntüsüne verilen doğru kabul yüzdesi) ve DRY (eğitim kümesinde olmayan bir kiĢinin sisteme giriĢ denemesinde, o kiĢinin reddedilme yüzdesi) kullanılmıĢtır.

Bu çalıĢma kapsamında geliĢtirilen yüz tanıma sisteminde gelen test görüntüsündeki bulunan yüz, veri tabanındaki kayıtlı tüm yüzlerle karĢılaĢtırılmıĢtır. KarĢılaĢtırma iĢleminde bulunan yüz ile veritabanındaki yüz arasındaki Öklid mesafesi

ölçülmüĢtür. Tanımayı belirlemek amacıyla bir eĢik değeri belirlenmiĢtir. Ölçülen öklid mesafesi bu eĢik değerinin üzerindeyse “bilinmeyen kiĢi” sonucu döndürülmüĢtür. Öklid uzaklığı değerinin en düĢük olduğu noktada veritabanındaki o kiĢinin ismi döndürülmektedir. EĢik değerinin belirlenmesinde DKY ve DRY’nin aynı anda en iyi sonuç vermesine dikkat edilmiĢtir. Yaptığımız testlerde eĢik değeri 65 olarak tespit edilmiĢtir. Yapılan bu testlerle ilgili DKY ve DRY oranlarını içeren çizelgeler EK 6 ve EK 10’da verilmiĢtir.

Yüz tanıma iĢlemi ile ilgili son aĢama olan karar verme aĢamasından önce görüntü içerisinden ayrılmıĢ olan yüz bölgesi görüntülerine ön iĢlem uygulanmıĢtır. Bu ön iĢlemler histogram eĢitleme ve yüz kırpma iĢlemleridir. Yüz tanımada kontrast faktörünün tanıma baĢarısına olan etkisini ölçmek adına yüz bulma iĢleminin ardından görüntülere histogram eĢitleme uygulanmıĢtır. Bu sayede fazla/az ıĢıkla aydınlatma iĢlemi yapılmıĢ ortam farklılıklarının etkisi en aza indirilmeye çalıĢılmıĢtır. Bununla birlikte iĢaretlenen yüz bölgesi içerisinde yer alan ve tanımayı olumsuz etkileme ihtimali olan saç, boyun, kulak, arka plan vb. kısımların atılması amacıyla yüz kırpma iĢlemi uygulanmıĢtır. Bu iĢlem yüz bölgesinin merkez noktası (burun civarı) referans alınarak %25 oranında küçültme iĢlemi olarak yapılmıĢtır.

Bu çalıĢma kapsamında geliĢtirilen yüz tanıma uygulamasının test aĢamasında dört farklı durum kullanılmıĢtır. Bunlar; (1) kırpma yapılmadı/histogram eĢitleme yapılmadı, (2) kırpma yapıldı/histogram eĢitleme yapılmadı, (3) kırpma yapılmadı/histogram eĢitleme yapıldı, (4) kırpma yapıldı/histogram eĢitleme yapıldı Ģeklinde sıralanabilir. ÇalıĢmada kullanılan üç veritabanı olduğu için bu dört durum ile birlikte 12 farklı sonuç elde edilmektedir. Test kümesini de beĢ kere değiĢtirerek çapraz doğrulama yaptığımızda toplamda her yöntem için altmıĢ adet sonuç oluĢmaktadır. Bu sayılardan da anlaĢılacağı üzere sistemimiz çok ayrıntılı testlere tabi tutulmuĢtur.

Masaüstünde geliĢtirdiğimiz yüz tanıma sistemi ilk olarak özyüzler yöntemi ile test edilmiĢtir. Özyüzler yöntemi kullanılarak sistem test edildiğinde; tüm veritabanları için doğru red yüzdesi 0 çıkmıĢtır. Bunun anlamı, veritabanında kayıtlı olmayan bir kullanıcın sisteme giriĢ yapması durumunda “bilinmeyen” demesi gerekirken sistemde kayıtlı bir kiĢiye ait olduğu sonucunu vermektedir. Doğru kabul yüzdelerine bakıldığında ise Gt-Db veritabanı için en yüksek %79.33, Yale veritabanı için en yüksek %70 ve YV veritabanı için en yüksek %72.66 olduğunu görmekteyiz. Özyüzler yöntemi kullanılarak tüm veritabanlarından alınan DKY sonuçlarının ortalaması ise %69 dur.

ÇalıĢmada geliĢtirdiğimiz masaüstü yüz tanıma sistemi ikinci olarak, Fisheryüzler yöntemine göre, K1,K2,K3,K4 ve K5 veri kümelerinden oluĢan, çapraz beĢli yaklaĢımı ile test edilmiĢtir. Yapılan testlerden alınan sonuçlara göre; Yale veritabanı için en yüksek baĢarı değeri %75.99 DKY ve %95.98 DRY ile yüz kırpma iĢlemi yapılmadan ve histogram eĢitleme yapılarak ulaĢılmıĢtır. GT-Db veritabanı için en yüksek değere %73.33 DKY ve %72.26 DRY değerleriyle yine yüz kırpma iĢlemi yapılmadan, histogram eĢitleme yapılarak ulaĢılmıĢtır. YV yüz veritabanında ise en yüksek %65.59 DKY ve %73.99 DRY değerine yüz kırpma yapılarak ve histogram eĢitleme yapılarak ulaĢılmıĢtır. Buna göre yüz kırpma iĢlemi yalnızca YV veritabanında baĢarıyı artırırken diğer veritabanlarında baĢarıyı düĢürmüĢtür. Bununla birlikte Fisheryüz yönteminde Histogram eĢitleme uygulamak baĢarıyı artırmıĢtır.

Üçüncü olarak geliĢtirilen yüz tanıma sistemi LBP yöntemine kullanılarak test edilmiĢtir. Test iĢleminde Fisher yönteminde olduğu gibi çapraz beĢli yaklaĢımı kullanılmıĢtır. Test sonuçlarına göre; Yale veritabanı için en yüksek değere %68.66 DKY ve %82.8 DRY değerleri ile yüz kırpma iĢlemi ve histogram eĢitleme iĢlemleri yapılmadan ulaĢılmıĢtır. GT-Db veritabanı için %80.33 DKY ve %83.2 DRY değerleri ile yüz kırpma iĢlemi yapılmadan, histogram eĢitleme yapılarak en yüksek baĢarı elde edilmiĢtir. YV yüz veritabanında, en baĢarılı sonucu %72.19 DKY ve %73.2 DRY değerleri ile yüz kırpma iĢlemi yapılarak ve histogram eĢitleme yapılmadan ulaĢılmıĢtır. Bu sonuçlara göre LBP yöntemi uygulaması için yüz kırpma ve histogram eĢitleme iĢlemleri genel anlamda baĢarıyı düĢürmüĢtür. LBP yöntemi en iyi sonucu GT-DB de verdiği görülmüĢtür. GT-Db nin özelliği, aynı kullanıcının altı ay arayla çektiği görüntülerinden oluĢuyor olmasıdır.

Yapılan tüm testlerin sonuçları genel ortalamalarına bakılarak değerlendirildiğinde; LBP yönteminin, fisheryüzler ve özyüzler yöntemine göre daha baĢarılı sonuç (LBP: %70.04 DKY, %76.13 DRY; özyüzler: %69.00 DKY, %0 DRY; Fisheryüzler: %61.25 DKY, %71.77 DRY) verdiği görülmüĢtür.

ÇalıĢmanın web uygulaması kısmında, üç farklı yöntemin yüz kırpma ve histogram eĢitleme kullanımı da dahil tüm sonuçlarına bakılarak LBP yönteminin yüz kırpma ve histogram eĢitleme olmadan kullanılmasının uygun olduğu kanaatine varılmıĢtır.

Yüz tanıma sisteminin web kısmı üç katmandan oluĢmaktadır. Bunlar; Silverlight tabanlı ara yüz uygulaması, Web Servis uygulaması ve Sunucu Yüz Tanıma uygulaması olarak sıralanabilir. Birinci katman kullanıcının kamerasından görüntüyü

alır ve ikinci katman üzerinden üçüncü katmana iletir. Üçüncü katman bu görüntüyü iĢler ve yüz tanıma sonucunu ikinci katman üzerinden birinci katmana iletir ve ekranda görüntülenir.

Birinci katman ile kullanıcı kamerasından alınan görüntü int tipinde bir diziye dönüĢtürülerek, ikinci katmandaki web servisi ile üçüncü katmana iletilmektedir. Üçüncü katman gelen bu int tipindeki diziyi, resim formatına dönüĢtürmektedir. Kameradan alınan renkli görüntü iĢleme kolaylığı açısından öncelikle gri seviye görüntü formatına dönüĢtürülür. Ardından görüntü içerisinden yüz bulunur ve hizalanır. Son aĢamada ise veritabanındaki diğer yüz resimleri ile karĢılaĢtırma yapılarak tanıma iĢlemi sonucu kullanıcıya bildirilir. Web üzerinde geliĢtirilen yüz tanıma uygulaması bilgisayarımızda kurulu yerel web sunucusu üzerinde çalıĢtırılmıĢtır.

Web üzerinde çalıĢan yüz tanıma sisteminin test aĢamasında 25 kullanıcı farklı zamanlarda sisteme kaydedilmiĢtir. Kullanıcılar 5 defa sisteme giriĢ yapmayı denemiĢ ve sonuçlar kaydedilmiĢtir. Buna göre %89 DKY ve %93 DRY baĢarı oranları elde edilmiĢtir. Sisteme giriĢ denemesinde kayıtlı kullanıcı sistem tarafından tanınmadığında, ilave yüz görüntüleri ile sisteme giriĢi sağlanabilmektedir.