Flag Counter
AKILLI SİSTEMLER VE UYGULAMALARI DERGİSİ
JOURNAL OF INTELLIGENT SYSTEMS WITH APPLICATIONS
J. Intell. Syst. Appl.
E-ISSN: 2667-6893
Creative Commons License This work is licensed under a Creative Commons Attribution 4.0 International License.

Detecting Tagged People in Camera Images

Kamera Görüntülerinde Etiketlenen Kişilerin Tespit Edilmesi

How to cite: Telçeken M, Kutlu Y. Detecting tagged people in camera images. Akıllı Sistemler ve Uygulamaları Dergisi (Journal of Intelligent Systems with Applications) 2022; 5(1): 27-32. DOI: 10.54856/jiswa.202205197

Full Text: PDF, in English.

Total number of downloads: 46

Title: Detecting Tagged People in Camera Images

Abstract: With the development of technology, cameras are used more widely. It is possible to evaluate the widespread use of cameras in various subjects in daily life. Especially face recognition systems are one of the most important areas of use of cameras. Facial recognition systems can be used in many areas such as cyber security, entertainment, security applications of daily used devices, and faster and easier transactions in financial areas. Although a lot of progress has been made in this regard, face recognition systems are still used widely enough because it is thought that they have weaknesses in terms of security. Many scientists are working on facial recognition. In this study, it is aimed to detect the faces of people determined from videos or live camera images in the best and safest way. Yolov4 object detection algorithm, a ready-made algorithm, was used for the detection of human faces on images. The faces of the people in the images were detected by training the data set we created in the Yolov4 algorithm. An accuracy of 99.1 has been achieved for detecting people's faces on images. The data set we created with pictures of certain people is trained in the CNN algorithm. The faces of the people detected on the images were classified on the model trained with the CNN algorithm for the identification of the people, and the accuracy value was examined for the detection of the identified people on the video recordings or live images from the cameras.

Keywords: Face Recognition; Yolov4; CNN Algorithm


Başlık: Kamera Görüntülerinde Etiketlenen Kişilerin Tespit Edilmesi

Özet: Teknolojinin gelişmesi ile birlikte kameralar daha yaygın olarak kullanılmaktadır. Kameraların yaygın kullanımını günlük hayatın içerisinde çeşitli konularda değerlendirmek mümkündür. Özellikle yüz tanıma sistemleri kameraların kullanım alanlarının en önemlilerinden bir tanesidir. Yüz tanıma sistemleri siber güvenlik, eğlence, günlük kullanılan cihazların güvenlik uygulamalarında ve finansal alanlarda daha hızlı ve kolay işlem yapabilmek gibi birçok alanda kullanılabilmektedir. Bu konuda bayağı bir ilerleme kaydedilmiş olsa da henüz güvenlik açısından zayıf yönlerinin olduğunun düşünülmesinden dolayı yüz tanıma sistemleri henüz yeteri kadar yaygın şekilde kullanılmaktadır. Yüz tanıma üzerine birçok bilim insanı tarafından çalışmalar yapılmaktadır. Bu çalışmada videolardan veya canlı kamera görüntüleri üzerinden belirlenen kişilerin yüzlerini en iyi ve en güvenli şekilde tespit etmek amaçlanmıştır. İnsan yüzlerinin görüntüler üzerinde ki tespiti için hazır bir algoritma olan Yolov4 nesne algılama algoritması kullanılmıştır. Oluşturduğumuz veri seti Yolov4 algoritmasında eğitilerek görüntülerdeki insanların yüzleri tespit edilmiştir. Görüntüler üzerinde insanların yüzlerinin tespiti için yüzde 99,1'e ulaşan doğruluk elde edilmiştir. Belirli kişilerin resimleri ile oluşturduğumuz veri seti CNN algoritmasında eğitilmiştir. Görüntüler üzerinde tespit edilen insanların yüzleri kişilerin kimlik tespiti için CNN algoritması ile eğitilmiş model üzerinde sınıflandırılmış ve belirlenen kişilerin video kayıtlarında veya kameralardaki canlı görüntüler üzerinde tespiti için doğruluk değeri incelenmiştir.

Anahtar kelimeler: Yüz Tanıma; Yolov4; CNN Algoritması


Bibliography:
  • Sakaci B, Yildirim T. Smart suit design for military. Journal of Intelligent Systems with Applications 2019; 2(1): 66-71.
  • Aydin Y, Akar F. Using local features in face recognition systems. Journal of Intelligent Systems with Applications 2018; 1(2): 131-134.
  • Zhiqi Y. Face recognition based on improved VGGNET convolutional neural network. In: 2021 IEEE 5th Advanced Information Technology, Electronic and Automation Control Conference (IAEAC). IEEE, 2021. p. 2530-2533.
  • Wang J, Liu Y, Hu Y, Shi H, Mei T. FaceX-Zoo: A PyTorch toolbox for face recognition. Proceedings of the 29th ACM International Conference on Multimedia, October 2021, pp. 3779–3782.
  • Chen T, Gao T, Li S, Zhang X, Cao J, Yao D, Li Y. A novel face recognition method based on fusion of LBP and HOG. IET Image Processing 2021; 15(6).
  • Wu M, Wang S, Li Z, Zhang L, Wang L, Ren Z. Joint latent low-rank and non-negative induced sparse representation for face recognition. Applied Intelligence 2021; 51(11): 5349-8364.
  • Shi D, Tang H. Face recognition algorithm based on self-adaptive blocking local binary pattern. Multimedia Tools and Applications 2021; 80: 23899-23921.
  • Hao M, Liu G, Xie D. Hyperspectral face recognition with a spatial information fusion for local dynamic texture patterns and collaborative representation classifier. IET Image Processing 2021; 15(8): 1617-1628.
  • Wamg Y, Huang YP, Shen XJ. ST-VLAD: Video face recognition based on aggregated local spatial-temporal descriptors. IEEE Access 2021; 9: 31170-31178.
  • Wu D, Lv S, Jiang M, Song H. Using channel pruning-based YOLO v4 deep learning algorithm for the real-time and accurate detection of apple flowers in natural environments. Computers and Electronics in Agriculture 2020; 178: 105742.
  • Redmon J, Divvala S, Girshick R, Farhadi A. You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition 2016, June 27-30, Las Vegas, NV, USA, pp. 779-788.
  • Silva G, Monteiro R, Ferreira A, Carvalho P, Corte-Real L. 2019. In: October. Face Detection in thermal images with YOLOv3. International Symposium on Visual Computing (ISVC 2019): Advances in Visual Computing 2019, pp. 89–99.
  • Bochkovskiy A, Wang CY, Liao HYM. Yolov4: Optimal speed and accuracy of object detection. ArXiv 2020; https://arxiv.org/abs/2004.10934.
  • Wang D, He D. Recognition of apple targets before fruits thinning by robot based on R-FCN deep convolution neural network. Transactions of the Chinese Society of Agricultural Engineering 2019; 35(3): 156-163.
  • Redmon J, Farhadi A. Yolov3: An incremental improvement. ArXiv 2018; https://arxiv.org/abs/1804.02767.
  • Fukushima K. Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position. Biological Cybernetics 1980; 36(4): 193–202.
  • LeCun Y, Bengio Y, Hinton G. Deep learning. Nature 2015; 521: 436-444.
  • Le Cun Y, Jackel LD, Boser B, Denker JS, Graf HP, Guyon I, Henderson D, Howard RE, Hubbard W. Handwritten digit recognition: applications of neural network chips and automatic learning. IEEE Communications Magazine 1989; 27(11): 41–46.
  • Yildirim O, Ucar A, Baloglu UB. Recognition of real-world texture images under challenging conditions with deep learning. Journal of Intelligent Systems with Applications 2018; 1(2): 122-126.
  • Narin A, Pamuk Z. Effect of different batch size parameters on predicting of COVID19 cases. Journal of Intelligent Systems with Applications 2020; 3(2): 69-72.
  • Balli O, Kutlu Y. Regional signal recognition of body sounds. Journal of Intelligent Systems with Applications 2021; 4(2): 157-160.