Face is the main part of human beings to distinguish from one another. Face
recognition system mainly takes an image as an input and compares this image with a
number of images stored in the database to identify whether the input image is in the
database or not. Also, face recognition is the process of identification and verification
of individuals by their facial images.
In this thesis, well-known databases such as FERET and JAFFE databases are used for
experimental evaluations. Principal Component Analysis (PCA), Linear Discriminant
Analysis (LDA) and Local Binary Patterns (LBP) are used for extracting facial features
of individuals from the region of interests. Decision Tree (DT) and Random Forest
(RF) are used as classify the faces based on extracted features. The Manhattan Distance
measure is used to compare the difference between test and training images for face
recognition. Based on the experimental evaluations, the achieved recognition rates are
very close to those published articles in the literature.
Keywords: Local Binary Patterns (LBP), Principal Component Analysis (PCA),
Linear Discriminant Analysis (LDA), Random Forest (RF), Decision Tree (DT),
feature extraction, classification.
ÖZ:
Yüz, insanoğlunun birbirinden ayırt etmenin ana parçasıdır. Yüz tanıma sistemi esasen
bir görüntüyü bir girdi olarak alır ve bu görüntüyü, girilen görüntünün veritabanında
olup olmadığını belirlemek için veritabanında saklanan bir dizi resimle karşılaştırır.
Ayrıca, yüz tanıma, yüz imgelerine göre bireylerin tanımlanması ve doğrulanması
sürecidir.
Bu tezde, deneysel değerlendirmeler için FERET ve JAFFE veritabanları gibi tanınmış
veri tabanları kullanılır. İlgi alanından kişilerin yüz özelliklerini çıkarmak için Temel
Bileşen Analizi (PCA), Doğrusal Ayırtaç Analizi (LDA) ve Yerel İkili Orüntü (LBP)
kullanılır. Ayıklanan özelliklere dayalı olarak yüzleri sınıflandırıcı olarak Karar Ağacı
(DT) ve Rastgele Orman (RF) kullanılmıştır. Manhattan Distance ölçümü, yüz tanıma
için test ve eğitim resimleri arasındaki farkı karşılaştırmak için kullanılır. Deneysel
değerlendirmelere dayanarak, elde edilen tanıma oranları literatürde yayınlanan
makalelere çok yakındır.
Anahtar Kelimeler: Yerel İkili Örüntü (LBP), Temel Bileşen Analizi (PCA),
Doğrusal Ayırtaç Analizi (LDA), Rastgele Orman (RF), Karar Ağacı (DT),
sınıflandırma, öznitelik çıkarma.
