Tora, HakanGül, NurayAirframe and Powerplant Maintenance2024-07-072024-07-072016https://hdl.handle.net/20.500.14411/4434Son zamanlarda, yüz ifadesi tanıma sistemleri (YİT), insan-makine etkileşimi uygulamaları (İME) için önemli bir role sahip olmuştur. Mevcut olan birçok sistemde, bir his tanımlanırken ya tüm yüze ait özellikler ya da yüzün bazı bölgelerine ait özellikler birleştirilerek kullanılmıştır. Bu çalışma ise her duygu tanımlanırken sadece bir uygun bölgenin kullanılmasını önermektedir ve böylece bu bölgelerin ayrı ayrı hisler üzerindeki etkilerinin ne olduğunu göstermeyi amaçlamaktadır. Sunulan tasarımda, Şaşkın ve Mutlu hislerinin ağız bölgesinin şekil özellikleri kullanılarak, diğer taraftan Korku, Öfke ve İğrenme hislerinin göz bölgesinin doku özellikleri kullanılarak tanımlanması hedeflenmiştir. Bu sebeple Fourier Tanımlayıcıları (FT) ve Yerel İkili Örüntüler (YİÖ) özellik vectörleri olarak çıkarılmış ve bu özellikler Yapay Sinir Ağları (YSA) kullanılarak sınıflandırılmıştır. Sistem, genişletilmiş Cohn-Kanade Veritabanı (CK+) üzerinde eğitilmiş ve tüm sistem için yaklaşık %88,9 başarım oranı elde edilmiştir.Recently, facial expression recognition (FER) systems have a significant role to play in the human-computer interaction (HCI) applications. In many existing systems, either the features of the whole face or the combination of the features extracted from some regions of face are used while defining an emotion. This study suggests using just one appropriate region for every single expression identification to demonstrate what is the effect of these regions on the feelings separately. In the proposed design, it's aimed to identify Surprised and Happy emotions by using shape features of mouth region on the other hand the texture features of the eye region is used for Fear, Anger and Disgust emotions. Therefore, Fourier Descriptors (FD) and Local Binary Patterns (LBP) are extracted as feature vectors and these features are classified by using neural networks (NN). The system was trained on the Extended Cohn-Kanade Dataset (CK+) and achieved accuracy rate is almost 88,9% for the overall system.enBilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilim ve TeknolojiElektrik ve Elektronik MühendisliğiComputer Engineering and Computer Science and ControlScience and TechnologyGrafik desen tanımaElectrical and Electronics EngineeringSayısal görüntü işlemeGraphical pattern recognitionDigital image processingYapay sinir ağlarıArtificial neural networksMaster Thesis449336086