Multi-scale binary similarity a local binary pattern variant for face recognition

Yüz tanıma problemi üzerine kırk yıldan fazla bir süre çalışılmaktadır ve bu problemi çözmek için birçok algoritma ve sinir ağ yapısı önerilmiştir. Yüz tanımadaki amaç oldukça basittie, eğer önerilen metod, aynı kişiye ait eğitim ve test setlerinden alınmış örneklerden çıkarılan özellikleri aynı etiket altında kategorize edebiliyorsa, bu o algoritmanın doğruluğunu gösterir. Öte yandan problem ise resimler üzerindeki ışıklandırma efekti ile başlar. Işıklandırma efekti, aynı kişiye ait iki farklı örnekten çıkarılmış özellikleri farklı etiket altında kategorize edilmesine, bu resimleri farklı kişilere aitmiş gibi gösterilmesine sebep olabilir. Bu yüzden doğru sınıflandırma yapabilmek için, ışıklandırma ve diğer çevresel etkiler ortadan kaldırılmalıdır. Çevresel etkilerin ortadan kaldırılması için bir çözüm yerel ikili örüntü (LBP) algoritmasını kullanmaktır. LBP ışıklandırma efektinden etkilenmeyen, kolay hesaplanabilen, örneklerden çıkarılan özellikleri başarılı bir şekilde ayırt edebilen bir görsel anahtar nokta tanımlayıcıdır. Bu yüzden LBP temelli tanımlayıcılar yirmi yılı aşkın süredir, yüz tanıma problemini çözmek için geliştirilmektedir. LBP'nin kolay hesaplanabilme özelliği onun farklı problemlere uygulanabilir olmasını sağlamıştır, hatta LBP türevlerinin farklı uygulamalarda en iyi sonuçu aldığı veya LBP ile birlikte kullanılarak, LBP'nin sınıflandırma doğruluğunu artırdığı çok örnek vardır. Bu sonuçlardan esinlenerek, bu tezde, bir LBP varyantı tanımlayıcı olan Çok Ölçekli İkili Benzerlik algoritması (ÇÖİB) önerilmiştir. ÇÖİB tanımlayıcı algoritması, yüz resmindeki karakteristiği, seçilen alanlar içerisindeki, pikseller arasındaki ilişkiyi kodlayarak ortaya koyar. ÇÖİB'in çıkardığı özellikler, Destek Vektör Makinesi (SVM) ile eğitilmiştir ve AT&T, Extended Yale B, Georgia Tech veristeleri ile test edilmiştir. Sonuç olarak ÇÖİB algoritması, literatürdeki önerilmiş yaklaşımların çoğundan daha iyi sınıflandırmıştır.