Yüz ve ses tanıma biyometrik sistem tasarımı

Modern yaşam ve artan teknoloji ile birlikte güvenlik tedbirlerine olan ihtiyacı da gün geçtikçe arttırmaktadır. Artan güvenlik ihtiyacı ile birlikte yüz ve ses tanıma gibi biyometrik güvenlik sistemlerine olan ilgi de artmaktadır. Çalışmanın ilk kısmında, metinden bağımsız ses tanıma problemi için sıfır geçiş hızı ve kısa-zaman enerji özellikleri ile konuşmada sesli bölgeler tespit edilmiş, sesli bölgelerden farklı öznitelikler çıkartılmış ve Destek Vektör Makinası sınıflandırıcısında farklı çekirdek fonksiyonlarının denenmesi ile en iyi başarı oranını veren öznitelik kombinasyonu bulunmuştur. Çalışmanın ikinci kısmında ise yüz tanıma problemi için Viola-Jones algoritması ile yüz bölgesi tespit edilmiş, yüz bölgelerinden farklı öznitelikler çıkartılmış ve Destek Vektör Makinası sınıflandırıcısında farklı çekirdek fonksiyonlarının denenmesi ile en iyi başarı oranını veren öznitelik kombinasyonu bulunmuştur. Denemeler ilk olarak hazır veri tabanlarında ve daha sonra ise ekip tarafından oluşturulan veri tabanında yapılmıştır. Oluşturulan veri tabanında, ses tanımada %99 ve yüz tanıma da ise %100 başarı oranı elde edilmiştir. Denek sayısının artışın sistemin performansında azalmaya sebep olduğu görülmüştür.

With modern life and increasing technology, the need for security measures is increasing day by day. With increasing security, interest in biometric security systems such as face and voice recognition is increasing. In the first part of the study, voiced regions of speech were detected by using zero-crossing rate and short-time energy, different features were extracted from voiced regions and a combination of features giving the best success rate was found by experimenting with different kernel functions in support vector machine classifier. In the second part of the study, the facial region was determined by Viola-Jones algorithm, different features were extracted from the facial regions and a combination of features giving the best success rate was found by experimenting with different kernel functions in support vector machine classifier. The experiments were conducted first in the ready-made databases and then in the database created by the team. In the database created by the team, 99% success rate in voice recognition and 100% success rate in face recognition were achieved. The increase in the number of subjects caused a decrease in the performance of the system.