Face recognition, a biometric technology, identifies people by their distinctive facial
attributes. An image of a person's face must be compared to a library of other people's
images to authenticate their identification. Face recognition systems may be used for
identification, surveillance, and safety. Deep learning algorithms provide precise face
recognition even under challenging conditions. Due to COVID-19 and masks, facial
identification from unconstrained images is almost impossible. To avoid COVID-19,
most people use masks outside. In many cases, typical facial recognition technology
is useless. The majority of contemporary advanced face recognition methods are based
on deep learning, which primarily relies on a huge number of training examples.
Considering simply the eye and forehead regions of the face, however, masked face
recognition may be investigated using hand-crafted approaches at a lower computing
cost than using deep learning systems. In this thesis, handcrafted techniques are used
to extract eye region and forehead characteristics from masked faces. We intend to
construct a low-cost system for recognizing masked faces and compare its
performance to that of face recognition systems that do not use masks. This study
compares the performance of masked and unmasked face recognition systems.
Experiments are undertaken on two publicly accessible datasets for masked face
recognition: Masked Labeled Faces in the Wild (MLFW) and Cross-Age Labeled
Faces in the Wild (CALFW). A comparison of the performance of the systems are
provided in the thesis.
ÖZ:
Biyometrik bir teknoloji olan yüz tanıma, insanları ayırt edici yüz özelliklerine göre
tanımlar. Bir kişinin yüzünün görüntüsü, kimliğini doğrulamak için diğer kişilerin
görüntülerinden oluşan bir veri kümesi ile karşılaştırılmalıdır. Yüz tanıma sistemleri
tanımlama, gözetleme ve güvenlik için kullanılabilir. Derin öğrenme algoritmaları,
zorlu koşullar altında bile hassas yüz tanıma sağlar. Kısıtlanmamış görüntülerden yüz
tanıma, günümüzde COVID-19 salgını ve yüz maskelerinin yaygınlığı nedeniyle
neredeyse zordur. Evlerinin dışında, neredeyse herkes COVID-19 virüsünün
bulaşmasını başarılı bir şekilde sınırlamak için maske takmıştır. Bu, standart yüz
tanıma teknolojilerini birçok durumda neredeyse değersiz hale getirmiştir. Çağdaş
gelişmiş yüz tanıma yöntemlerinin çoğu, öncelikle çok sayıda eğitim örneğine bağlı
derin öğrenmeye dayanmaktadır. Bununla birlikte, yüzün sadece göz ve alın bölgeleri
düşünüldüğünde, derin öğrenme sistemlerinden daha düşük bir bilgi işlem maliyetiyle
el yapımı yaklaşımlar kullanılarak araştırılabilir. Bu tezde, maskelenmiş yüzlerden göz
bölgesi ve alın özelliklerini çıkarmak için el işi teknikler kullanılmıştır. Maskeli yüzleri
tanımak için düşük maliyetli bir sistem kurmak ve performansını maske kullanmayan
yüz tanıma sistemleriyle karşılaştırmak amaçlanmıştır. Bu çalışma böylece maskeli ve
maskesiz yüz tanıma sistemlerinin performansını karşılaştırmaktadır. Maskeli yüz
tanıma için halka açık iki veri kümesi üzerinde deneyler yapılmıştır: Vahşi Doğada
Maskeli Etiketli Yüzler (MLFW) ve Vahşi Doğada Çapraz Yaş Etiketli Yüzler
(CALFW). Tezin sonunda iki sistemin performansının bir karşılaştırması sağlanmıştır.
