Görüntü işleme teknikleri ile insanların yaş ve cinsiyetlerinin tahmini

Abstract

Yüz görüntülerinden görüntüdeki kişinin cinsiyetini ve yaşını tahmin etme, henüz tam olarak çözülememiş aktif bir araştırma problemidir. Bu problemin çözümü için birçok araştırmacı tarafından farklı yöntemler önerilmiş olmakla birlikte beklenen gereksinimlerle elde edilen performans arasında farklılıklar bulunmaktadır. Bahsedilen bu probleme yönelik olarak bu tez çalışmasında istatistiksel örüntü tanıma tabanlı bir yöntem önerilmiştir. Önerilen yöntemde özellik çıkarıcı olarak HOG (Histogram of Oriented Gradient) ve LBP (Local Binary Pattern) yaklaşımları kullanılmıştır. Ayrıca daha iyi sonuçlar elde etmek üzere bu iki özellik çıkarıcının sonuçları birleştirilerek de kullanılmıştır. Sınıflandırıcı olarak ise SVM (Support Vector Machines) ve KNN (K-Nearest Neighbour) yaklaşımları izlenmiştir. Performans ölçümleri için ise Birini Dışarıda Bırakma ve Hata Matrisleri kullanılmıştır. Ön işleme olarak; tüm görüntü boyutlarını aynı yapmak ve hesaplama zamanını azaltmak üzere boyut indirgeme ve görüntülerdeki aydınlık farklılıklarını ortadan kaldırmak üzere histogram eşitleme işlemleri gerçekleştirilmiştir. Önerilen yöntem FERET, UTD ve FG-NET veritabanlarından elde edilen görüntüler üzerinde test edilmiştir. Sonuç olarak HOG ve LBP özellikleri birarada kullanıldığından cinsiyet tahmininde 100%, yaş aralığı tahmininde ise 99.87% başarı elde edilmiştir.Predicting the gender and age of people from their facial images is still on-going and active research issue. Many methods have been proposed by researchers to solve this problem but still there is a deficiency between the requirements and veritable performances. In this thesis, a statistical pattern recognition approach is proposed to solve this problem. In the proposed solution, two feature extraction algorithms, Histogram of Oriented Gradient (HOG), and Local Binary Pattern (LBP) are used as the feature extractors. In order to attain efficient approaches of gender and age prediction, we combined both HOG and LBP features. In extensive and intensified experiments, Support Vector Machine (SVM) and K-Nearest Neighbour (KNN) are used for the classification process in addition to using Leave-One-Out (LOO) and Confusion Matrix (CM) techniques to evaluate the performance of these classifiers. In the pre-processing stage, dimensions alignment, which unifies all images' size; and Histogram Equalization (HE) technique, which normalizes the effects of illumination; have been applied on the images. The proposed method has been evaluated on three separate gender and age facial image databases, FERET, UTD, and FG-NET. The proposed method system shows that combining HOG and LBP features improved the gender predicting rate up to 100% and age predicting to 99.87%.