YÜZ GÖRÜNTÜLERİNDEN CİNSİYET TAHMİNİ

Abstract

İnsanların yüz biyometrileri üzerine yapılan çalışmalar, özellikle kamuya açık alanlarda uygulanmak istenen biyometrik sistemlerin uygulama alanlarının yaygınlaşması açısından önemlidir. İnsan yüzüne bakarak cinsiyeti doğru tahmin edebilme işini insanlar yüksek bir başarımla yapabilmektedir. Fakat, bunun bilgisayarlara yaptırılabilmesi, gerçek zamanlı ve geniş ölçekli uygulamalar açısından çok önemlidir. Bu çalışmada, yüz görüntülerinden cinsiyet tanıması üzerine çalışılmıştır. Çalışmada materyal olarak insanların karcı cepheden alınmış yüz görüntüleri kullanılmıştır. Bu yüz görüntülerinden öznitelik çıkartmak amacı ile Gri Seviye Eş Oluşum Matrisi ve ayrık dalgacık dönüşümü kullanılmıştır. Dalgacık dönüşümü çalışmalarında cinsiyet belirlemesine yönelik öznitelik çıkarmak için 103 farklı dalgacık filtresinin başarım oranları belirlenmeye çalışılmıştır. Çıkarılan özniteliklerin sınıflandırılması için ise Destek Vektör Makineleri kullanılmıştır. Farklı öznitelik kombinasyonlarına göre kullanılan veri tabanı üzerinde %90'lara varan bir doğru sınıflandırma oranına erişilmiştir. Anahtar Kelimeler: Cinsiyet tanıma, Ayrık Dalgacık Dönüşümü, Gri Seviye Eş Oluşum Matrisleri, Destek Vektör Makineleri

Studies on facial biometrics is vital as they are the driving force behind the development of applications in public spaces. By the help of these studies, researchers have been able to make gender recognition with higher accuracy rates. However, to perform these tasks with computers, real time and large scale applications are needed. This study aims at which wavelet filters are more useful for extracting meaningful facial features by using frontal face images.In this study, an application using 103 wavelet filters with the help of frontal face images to perform better gender classification is developed. The accuracy rate of wavelet filters is tested using discrete wavelet transform and gray level co-occurrence matrix that produces 103 feature sets. As classifier, support vector machines are used. Keywords: Gender Recognition, Discrete Wavelet Transform, Gray Level Co-Occurrence Matrix, Support Vector Machines.