Professional Documents
Culture Documents
Ayhan2014 PDF
Ayhan2014 PDF
Özetçe —Bu çalışmada eliptik Gabor süzgeçler ve yüz üze- kızılötesi ışınlar kullanan aktif göz saptama yöntemleridir [2].
rindeki yerel en küçük noktalar kullanılarak göz bebeği yerlerinin Bu yöntemler ek donanım gereksinimleri nedeniyle daha çok
tespiti yapılmaktadır. Çalışmada giriş imgesi üzerinde yüz bulun- iris tanıma yapan güvenlik sistemlerinde tercih edilmektedir.
muş, bulunan yüz imgesi gri seviyeye çevrilmiş, imgeye eliptik Pasif göz tespit yöntemleri ise, yüzdeki diğer öznitelikleri de
Gabor süzgeç uygulanmış, daha sonra yüz üzerindeki yerel en kullarak göz noktalarına karar veren bütüncül ya da diğer
küçük noktalarının da yardımı ile göz bebeği mevkileri belir-
özniteliklerle ilgilenmeden yalnızca göz noktalarını arayan
lenmiştir. Yöntemin başarısı "ScFace", Hong Kong Üniversitesi
"Face", "Karolinska Faces" ve "MUCT" veri tabanlarından soyutlayıcı yaklaşımlardır. Genelleştirilmiş ikili örüntü ile göz
alınan imgelerden oluşturulmuş karma bir veri tabanı üzerinde tespiti [3] ve izdüşüm fonksiyonları ile göz tespiti [4] yöntem-
test edilmiş, toplam 569 imgede %89 başarı elde edilmiştir. leri soyutlayıcı yaklaşımlara verilebilecek örnek çalışmalardır.
Soyutlayıcı yöntemlerin kullandığı araçlardan birisi de Gabor
Anahtar Kelimeler—yüz tanıma, göz bebeği tespiti, Gabor süzgeçlerdir. İki boyutlu Gabor süzgeçler görme hücrelerinin
süzgeç, yerel en küçük noktalar.
önemli özelliklerini birleştiren bir matematiksel model oluştu-
Abstract—In this paper an eye localization algorithm which rur [5]. Ayrıca süzgeci tanımlayan parametreler değiştirilerek
uses elliptical Gabor filters and local minima to detect eye pupils istenilen frekansta ve yönelimde süzgeç oluşturulabilir. Bu
on a face image is proposed. First, face is detected in a given özellikleri nedeniyle Gabor süzgeçler görüntü işleme uygula-
image. Then this face image is converted into gray-scale. Finally malarında öznitelik tespiti için yaygın kullanım alanı bulmakta
eye pupils are localized using elliptical Gabor filters and local ve kayda değer başarılar sağlamaktadır.
minimum points. The method is tested on our combined data
set using images form "ScFace", Hong Kong University "Face", Bu bildiride Viola-Jones yüz belirleme yöntemi, göz
"Karolinska Faces" and "MUCT" databases. For eye localization, tespitinde kullanılan Gabor süzgeçler, yerel en küçük nokta-
a success rate of %89 for 569 images is achieved. ların bulunması ve bu yöntemlerin birleştirilmesi Bölüm II’de
Keywords—face recognition, eye pupil localization, Gabor fil- verilmiştir. Bölüm III’de deneysel sonuçlar, Bölüm IV ise
ters, local minima. sonuç ve gelecekte yapılacak çalışmalar tartışılmaktadır.
Şekil 1. Önerilen yöntemin akış diyagramı: (a) Giriş imgesi; (b) Viola-Jones yöntemi ile tespit edilen yüz; (c) Gri seviyeye çevrilmiş yüz imgesi; (d) Gabor
süzgeçten geçirilmiş yüz imgesi; (e) Yüz imgesi üzerindeki yerel en küçük noktalar; (f) Sıra düzenli süzgeçten geçirilmiş yerel en küçük noktalar; (g) Önceki
adımlardaki (d) ve (f) imgelerinin toplandığı imge üzerinde göz bölgesinin kesilmesi; (h) Göz bebeği noktalarının bulunması.
dayanan öznitelikler elde ederek bu özniteliklere sahip im- Burada σx ve σy Gauss çekirdeğinin yatay (x) ve düşey
genin bir yüze ait olup olmadığını belirlemektir [6]. Öznite- (y) doğrultulardaki yaygınlığını, ω sinüzoidalin frekansını, θ
likler Haar sınıflayıcılar ile tespit edilir. Kullanılan bazı Haar ise yönelimini düzenler. θ açısının değişimi Gabor süzgecin
sınıflandırıcılar Şekil 2 de gösterilmiştir. yönelimini değiştirir, açılı kenarların tespitini kolaylaştırır.
Şekil 3’de θ = 0 için ω = 0, π/32, π/16 ve ω = π/16 için
θ = 0, π/4 ve π/2 değerleri ile oluşturulan Gabor süzgeçler
verilmiştir.
Şekil 6. Farklı veri setleri üzerinde elde edilen göz bebeği tespiti başarı grafikleri (a) Yerel en küçük noktalar kullanılmadığında Gabor süzgeçleme ile elde edilen
başarı grafiği. (b) Önerilen yöntemin başarı grafiği. Grafikler, seçilen hata ölçütüne (yatay eksen) karşı düşen başarı oranlarını (düşey eksen) göstermektedir.
K AYNAKÇA
[1] O. Ayhan, B. Abaci, and T. Akgul, “Improved active shape model
for variable illumination conditions,” in Multimedia Signal Processing
(MMSP), 2013 IEEE 15th International Workshop on, Sept 2013, pp.
322–327.
[2] Z. Zhu, Q. Ji, K. Fujimura, and K. Lee, “Combining kalman filtering
and mean shift for real time eye tracking under active ir illumination,” in
Pattern Recognition, 2002. Proceedings. 16th International Conference
Şekil 7. Yöntemin göz bebeği noktalarını 0.1 hata ölçütünde doğru tespit on, vol. 4, 2002, pp. 318–321 vol.4.
ettiği imgeler. (a) ScFace (b) Face (c) Karolinska Faces (d) MUCT veri [3] I. Choi and D. Kim, “Generalized binary pattern for eye detection,”
tabanlarına ait imgelerdir. Signal Processing Letters, IEEE, vol. 20, no. 4, pp. 343–346, 2013.
[4] Z.-H. Zhou and X. Geng, “Projection functions
for eye detection,” Pattern Recognition, vol. 37,
no. 5, pp. 1049 – 1056, 2004. [Online]. Available:
http://www.sciencedirect.com/science/article/pii/S0031320303003674
[5] J. P. Jones, Larry, and A. Palmer, “The two-dimensional spatial structure
of simple receptive fields in cat striate cortex,” Journal of Neurophysi-
ology, pp. 1187–1211, 1987.
[6] P. Viola and M. Jones, “Rapid object detection using a boosted cascade
of simple features,” in Computer Vision and Pattern Recognition,
2001. CVPR 2001. Proceedings of the 2001 IEEE Computer Society
Şekil 8. Yöntemin göz bebeği noktalarını 0.1 hata ölçütünde yanlış tespit Conference on, vol. 1, (2001), pp. I–511–I–518 vol.1.
ettiği imgeler. (a) ScFace (b),(c),(d) MUCT veri tabanlarına ait imgelerdir. [7] Y. Freund and R. E. Schapire, “Experiments with a
New Boosting Algorithm,” in International Conference on
Machine Learning, 1996, pp. 148–156. [Online]. Available:
http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.51.6252
belirlenmesinde referans alınır. Önerilen yöntem yüz eğim
[8] J. Ren and X. Jiang, “Fast eye localization based on pixel differences,”
açısından bağımsız olması nedeniyle hizalama gerektiren yüz in Image Processing (ICIP), 2009 16th IEEE International Conference
tanıma sistemleri için idealdir. on, 2009, pp. 2733–2736.
Göz bebeği tespitinde karşılaşılan en büyük sorunlardan [9] R. Wallace, M. McLaren, C. McCool, and S. Marcel, “Inter-session
variability modelling and joint factor analysis for face authentication,”
birisi gözlük kullanımıdır. Önerilen yöntemin başarısız olduğu in Biometrics (IJCB), 2011 International Joint Conference on, Oct 2011,
imgeler genellikle gözlük kullanan kişilere aittir. Gözlük pp. 1–8.
camının neden olduğu parlamalar ve gözlük kenarları hatalara [10] D. Lundqvist, A. Flykt, and A. Öhman, “The karolinska directed emo-
neden olmaktadır. Bu sorunun çözümü için olası bir yak- tional face kdef,” in CD ROM from Department of Clinical Neuroscience
laşım, yöntemin makine öğrenmesi tabanlı yöntemlerle bir- Psychology section, 1988.
likte çalıştırılarak sistemin gözlüklü örneklerdeki göz yapısını [11] S. Milborrow, J. Morkel, and F. Nicolls, “The MUCT Landmarked
öğrenmesi sağlamaktır. Face Database,” Pattern Recognition Association of South Africa, 2010,
http://www.milbo.org/muct.
TE ŞEKKÜR
Bu çalışma TÜBİTAK tarafından 112E142 nolu proje kap-
samında desteklenmektedir.
926