Tiryaki, Volkan Müjdatİmaç, Vedat2024-12-242024-12-242023https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=kIrIdtdJ31bRgjb6fHvMUWsUkzU8y51AH49pBWvMO3qf34ZojM_2hrZyjGMkNaObhttps://hdl.handle.net/20.500.12604/3395Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim DalıYürüyüş biyometrisi alanında yapılan araştırmalar son yıllarda otomatik görsel gözetim sistemleri talebinden dolayı ivme kazanmıştır. Geçmişte insan yaş tahmini yüz tanıma tabanlı olarak yapılmıştır. Ancak gözetim sistemleri tarafından toplanan yüz verilerinin çözünürlüğünün az ve yeterli detayı bulundurmamalarından dolayı sistem performansı düşük olabilmektedir. Yürüyüş verilerini kullanarak insan yaşının tahmininin sistemsel olarak avantajları bulunmaktadır. Bu çalışmada, yerel ikili örüntü (YİÖ), geçici ikili örüntü (GİÖ) ve derin öğrenme transferi yöntemleri kullanılarak yürüyüş verilerinden insan yaşının tahmini yapılmıştır. YİÖ yönteminin kullanılma nedeni bu öznitelik çıkarım yönteminin yüz tanıma probleminde başarı göstermesinden dolayıdır. YİÖ farklı çap ve nokta sayısında kullanılarak yürüyüş enerji görüntülerinden yaş tahmini yapılmasında kullanılmıştır. Çıkarılan öznitelikler destek vektör makinesi, en yakın komşu ve rastgele orman sınıflandırıcıları ile ayrılmış ve performans ölçümleri yapılmıştır. GİÖ histogramları bölgesel bloklar halinde gruplandırılmış ve her bir kare blok için bir histogram şeklinde temsil edilmiştir. GİÖ ile iki ve üç bit derinliğinde histogram grafikleri ve 6×6, 8×8 ve 10×10 kare blok ayırma yöntemleri ile öznitelik çıkarımı yapılmış ve aynı sınıflandırıcılar ile doğrulama verisi üzerinde performans ölçümü yapılmıştır. Son olarak Resnet50 derin öğrenme transferi yöntemi ile yaş gruplarına ayırma performansı elde edilmiştir. Üç yöntemin kendi içinde en iyi performans elde edilen durumları ortaya konmuştur. YİÖ, GİÖ ve derin öğrenme transferi sonuçları karşılaştırılmıştır. GİÖ ile elde edilen sınıflandırma doğruluğu YİÖ'den daha yüksektir. Derin öğrenme yöntemiyle elde edilen sınıflandırma doğruluğu ise YİÖ ve GİÖ yöntemlerinden daha yüksek olduğu görülmüştür. Sonuç olarak YİÖ ve GİÖ hesaplama maliyeti açısından ve derin öğrenme transferi ise doğruluk açısından yaş tahmini probleminin çözümünde avantajlı olduğu görülmüştür.Research in the field of gait biometrics has gained momentum in recent years due to the demand for automatic visual surveillance systems. In the past, human age estimation were based on face recognition, but the system performance could be low due to the low resolution and lack of sufficient detail of face images/videos collected by surveillance systems. Human age estimation from gait data has systematic advantages. In this study, local binary pattern (LBP), transient binary pattern (TBP) and deep transfer learning methods were implemented to estimate human age from gait data. The reason for using the LBP method is that this feature extraction method was successful in the face recognition problem. LBP was used to estimate age from gait energy images by implementing different diameters and number of points. Extracted features are separated by support vector machine, k nearest neighbor and random forest classifiers and validation data performance is obtained. TBP histograms are grouped into regional blocks by image tiling and represented as a histogram for each square block. Feature extraction was performed with two- and three-bit depth histogram graphics and 6×6, 8×8 and 10×10 square block separation methods, and performance measurement was made on the validation data with the same classifiers. Finally, age classification performance was obtained with the Resnet50 deep transfer learning method. The best-performing cases of the three methods are explained. The results of LBP, TBP and deep transfer learning were compared. The classification accuracy obtained with the TBP is higher than that of LBP. The classification accuracy obtained by the deep learning method is higher than the LBP and TBP methods. As a result, LBP and TBP are advantageous in terms of the computational cost and the deep learning transfer is advantageous in terms of accuracy performance.trinfo:eu-repo/semantics/openAccessElektrik ve Elektronik MühendisliğiElectrical and Electronics EngineeringMaster Thesis164778571