Bu çalışma, yüz görüntülerindeki ifade örüntülerini otomatik olarak sınıflandırmak için MATLAB ortamında uygulanabilecek geleneksel makine öğrenmesi ve derin öğrenme yaklaşımlarını ele almaktadır. Yüz ifadesi tanıma (Facial Expression Recognition, FER), bir yüz görüntüsündeki görünür geometrik ve dokusal özelliklerden yararlanarak görüntüyü önceden tanımlanmış ifade sınıflarından birine atamaya çalışan bilgisayarlı görü ve örüntü tanıma problemidir. Kaynak çalışma mutluluk, üzüntü, öfke, şaşkınlık, korku ve tiksinti olmak üzere altı temel ifade sınıfını hedeflemekte; geleneksel hatta yüz tespiti, gri tona dönüştürme, histogram eşitleme, Local Binary Patterns (LBP) özellik çıkarımı ve Support Vector Machine (SVM) sınıflandırması kullanmaktadır. Alternatif olarak MATLAB Deep Learning Toolbox üzerinde bir Convolutional Neural Network (CNN) mimarisi önerilmektedir.

Kaynakta bildirilen sonuçlara göre LBP özellikleriyle çalışan SVM yöntemi %65 doğruluk, CNN yaklaşımı ise %75 doğruluk üretmiştir. Böylece aynı makale içinde CNN için 10 yüzde puanlık daha yüksek bir doğruluk raporlanmaktadır. Ancak bu değerlerin hangi veri setinden elde edildiği, eğitim-test bölünmesi, örnek sayısı, sınıf dengesi, tekrar sayısı ve diğer değerlendirme ölçütleri açık biçimde verilmediğinden sonuçlar kontrollü ve yeniden üretilebilir bir benchmark olarak yorumlanmamalıdır.

Makalenin önemli bir yöntemsel özelliği, görüntü işleme hattını MATLAB kod parçalarıyla somutlaştırmasıdır. Kaynakta görüntünün okunması, gri tona çevrilmesi, histogram eşitleme, Viola-Jones temelli yüz tespiti, LBP özellik çıkarımı, SVM eğitimi ve CNN eğitim ayarlarına ilişkin örnekler bulunur. Bununla birlikte kaynak kendisini kapsamlı bir derleme olarak tanımlasa da sistematik literatür tarama protokolü sunmaz; bu nedenle çalışma daha doğru biçimde öğretici/anlatısal bir derleme ve örnek uygulama çerçevesi olarak değerlendirilmelidir.

FER sonuçlarının ayrıca doğru sınırlarla yorumlanması gerekir. Bir algoritmanın bir yüz görüntüsünü “happy”, “sad” veya “angry” gibi veri setinde tanımlanmış bir sınıfa ataması, kişinin gerçek içsel duygusal durumunu doğrudan ölçtüğü anlamına gelmez. Bu çalışma da esas olarak görüntü sınıflandırma performansını tartışmaktadır.

Yüz İfadesi Tanıma (FER) Nedir?

Yüz ifadesi tanıma, yüz görüntüsündeki ağız, göz, kaş ve çevresindeki görünür şekil veya doku değişimlerini sayısal özelliklere dönüştürüp bu görüntüyü önceden tanımlanmış ifade sınıflarından birine atayan bilgisayarlı görü problemidir. Kaynak çalışma FER'i MATLAB üzerinde görüntü ön işleme, özellik çıkarımı ve sınıflandırmadan oluşan bir işlem hattı olarak ele almakta ve altı hedef sınıf olarak mutluluk, üzüntü, öfke, şaşkınlık, korku ve tiksintiyi sıralamaktadır.

Bir FER sisteminin temel işlem hattı

Kaynakta tanımlanan geleneksel FER süreci dört temel aşamada özetlenebilir:

1. Etiketli yüz görüntülerinin edinilmesi.
2. Görüntülerin ön işlenmesi ve yüz bölgesinin ayrılması.
3. Yüzü temsil edecek sayısal özelliklerin çıkarılması.
4. Çıkarılan özelliklerden ifade sınıfının tahmin edilmesi.

Kaynak bu işlem hattını özellikle MATLAB araçları üzerinden açıklar. Yöntem bölümünde standart yüz ifadesi veri setlerine örnek olarak CK+, JAFFE ve FER2013 adları verilmektedir. Bunlar eğitim ve test için etiketli yüz görüntüleri sağlayabilecek veri kaynakları olarak anılır; ancak makalenin raporladığı %65 ve %75 doğrulukların kesin olarak hangisiyle elde edildiği belirtilmez.

Görüntü edinimi neden ilk aşamadır?

Bir sınıflandırıcı yüz ifadelerini kendiliğinden bilmez; öncelikle farklı sınıfları temsil eden etiketli örneklere ihtiyaç duyar. Kaynak bunu, insanların farklı yüz ifadelerini içeren büyük bir fotoğraf albümüne benzetir. Eğitim verisindeki her görüntünün “happy”, “sad”, “angry”, “surprised”, “afraid” veya “disgusted” gibi bir sınıf etiketi taşıdığı varsayılır.

Eğitimden sonra yeni görüntü aynı temsil uzayına dönüştürülür ve model daha önce öğrendiği örüntüler üzerinden bir sınıf etiketi üretir. Burada algoritmanın yaptığı şey, görünür görüntü özellikleriyle eğitim sırasında öğrenilen sınıf yapıları arasındaki örüntü eşleşmesidir.

Kaynakta kullanılan veri setleri

Kaynak bu üç veri setinin tamamını tek bir deneyde birlikte kullandığını açıkça söylememektedir. Dolayısıyla yalnız adlarının yöntem bölümünde bulunması, raporlanan performans sonuçlarının üçünün tamamından türetildiği anlamına gelmez.

PDF'deki MATLAB arayüzü

Kaynağın 2. sayfasındaki Şekil 1, “AdaBoost Facial Expression Recognition” başlıklı MATLAB tabanlı bir grafik kullanıcı arayüzü göstermektedir. Arayüzde görüntü seçme, seçilen görüntüyü veri tabanına ekleme, yüz ifadesi tanıma, veri tabanı bilgilerini gösterme, veri tabanını silme, program bilgisi ve kaynak kodunu görüntüleme gibi işlevler bulunmaktadır.

Bu şekil öğretici açıdan bir FER uygulamasının kullanıcı tarafındaki akışını göstermektedir. Bununla birlikte makalenin temel geleneksel sınıflandırıcısı SVM olarak sunulduğu için AdaBoost arayüzünün SVM-CNN performans karşılaştırmasına hangi şekilde bağlandığı kaynakta açıklanmamıştır.

Kaynak görüntü kütüphanesi

PDF'nin 2. sayfasındaki Şekil 2, çok sayıda gri tonlu yüz görüntüsünden oluşan bir yüz ifadesi görüntü kütüphanesi göstermektedir. Görsel, sınıflandırma sisteminin tek bir görüntü yerine eğitim örneklerinden oluşan bir veri tabanı mantığıyla çalıştığını somutlaştırmaktadır.

Ön işleme aşaması

Kaynak, ham görüntünün doğrudan sınıflandırıcıya verilmesi yerine önce normalize edilmesini önermektedir. Üç temel işlem belirtilmiştir:

• Gri tona dönüştürme: Renk kanallarını tek yoğunluk kanalına indirerek işlenecek veri yapısını sadeleştirir.
• Histogram eşitleme: Görüntü kontrastını düzenleyerek düşük veya dengesiz kontrastın özellik çıkarımına etkisini azaltmayı hedefler.
• Yüz tespiti: Viola-Jones benzeri bir yüz dedektörüyle görüntünün yüz içeren bölgesi belirlenir ve kırpılır.

Kaynak MATLAB örneğinde görüntüyü okuma için imread, gri tona dönüştürme için rgb2gray, histogram eşitleme için histeq, yüz tespiti için vision.CascadeObjectDetector ve kırpma için imcrop işlevlerini kullanmaktadır.

Yüz tespitinden önce ve sonra gösterilen arayüzler

PDF'nin 3. sayfasında aynı FER arayüzüne ait iki ekran görüntüsü bulunmaktadır. Kaynak bunları Şekil 3 “before detection” ve Şekil 4 “after detection” olarak adlandırır. Ancak Şekil 3'ün ekranında tanınan ifadenin “Surprise” olduğu yönünde bir sonuç alanı görünürken Şekil 4'te yeni seçilmiş bir görüntünün henüz veri tabanına eklenebileceğini belirten mesaj vardır. Bu nedenle şekil başlıklarıyla arayüz durumları arasında görünür bir sıralama tutarsızlığı bulunmaktadır.

LBP ve SVM Birlikte Nasıl Çalışır?

Kaynak yaklaşımında Local Binary Patterns (LBP), yüz görüntüsündeki yerel doku değişimlerini sayısal özelliklere dönüştürür; Support Vector Machine (SVM) ise bu özellik vektörlerini kullanarak farklı ifade sınıflarını ayıran karar sınırını öğrenir. Böylece LBP görüntünün temsilini üretirken SVM bu temsil üzerinden sınıf etiketini tahmin eder.

Local Binary Patterns neyi temsil eder?

LBP, merkezi bir piksel ile komşu piksellerin yoğunluklarını karşılaştıran yerel doku tanımlayıcısıdır. Kaynak açıklamasına göre komşu pikselin değeri merkez piksele eşit veya büyükse ikili olarak 1, aksi durumda 0 değeri üretilir. Bu karşılaştırmalardan oluşan ikili desen, yerel görüntü dokusunu temsil eder.

Yüz ifadelerinde özellikle ağız, gözler ve kaşların çevresindeki küçük şekil ve doku değişiklikleri önemlidir. Kaynak LBP'nin gülümseme, kaş çatma veya kaş kaldırma gibi ifade değişimleriyle ilişkili yerel doku farklılıklarını yakalamak amacıyla kullanılabileceğini belirtmektedir.

MATLAB tarafında kaynak bu işlem için extractLBPFeatures fonksiyonunu kullanmaktadır.

HOG alternatifi

Kaynak özellik çıkarımı için Histogram of Oriented Gradients (HOG) yöntemini de alternatif olarak sıralar. HOG, görüntü yoğunluğundaki yönlü gradyanların dağılımını özetleyerek şekil ve kenar yapıları hakkında özellik üretir. Ancak çalışmadaki sayısal %65 sonucu açıkça “SVM with LBP Features” yaklaşımına bağlanmıştır; HOG için ayrı performans değeri verilmemiştir.

SVM'nin rolü

Support Vector Machine, eğitim örneklerinden farklı sınıfları birbirinden ayıracak karar sınırını öğrenen denetimli makine öğrenmesi yöntemidir. Kaynak, SVM'nin yüksek boyutlu özellik uzaylarında etkili olması nedeniyle FER sınıflandırmasında yaygın kullanıldığını belirtmektedir.

MATLAB örneğinde fitcsvm ile model eğitimi, predict ile test özelliklerinin sınıflandırılması gösterilmektedir.

Kaynak “Mathematical Formulation” bölümünde SVM optimizasyon probleminin sınıfları en iyi ayıran hiper düzlemi bulmayı amaçladığını söyler. Bununla birlikte yayımlanan PDF'de gerçek optimizasyon eşitliği görünür biçimde verilmediğinden Verianla standart SVM denklemini kaynağın kendi formülüymüş gibi eklememektedir.

Geleneksel yaklaşımın temel bağımlılığı

LBP + SVM hattında özellik temsili sınıflandırıcıdan önce açık biçimde tasarlanır. Yani modelin karar verebilmesi için önce insan tarafından seçilmiş bir görüntü temsil yöntemi olan LBP kullanılır. CNN yaklaşımının temel farkı ise özellik çıkarımını da öğrenme sürecinin içine dahil etmesidir.

CNN Tabanlı FER Bu Çalışmada Nasıl Kurulmuştur?

Kaynakta önerilen CNN, 48 × 48 piksel boyutunda tek kanallı yüz görüntülerini giriş olarak alan; konvolüsyon, batch normalization, ReLU, max pooling, tam bağlantılı katman, softmax ve sınıflandırma katmanlarından oluşan küçük bir derin öğrenme mimarisidir. Ağ MATLAB Deep Learning Toolbox kullanılarak Adam optimizasyon yöntemiyle eğitilmektedir.

Kaynakta verilen CNN katmanları

Altı duygu sınıfı ile yedi çıkış arasındaki uyumsuzluk

Makalenin özet ve giriş bölümleri sistemin altı temel ifadeyi tanımasını hedeflediğini açıkça belirtmektedir: mutluluk, üzüntü, öfke, şaşkınlık, korku ve tiksinti. Buna karşılık CNN kodunda tam bağlantılı son katman yedi çıkışlıdır. Kaynak yedinci sınıfın “neutral” veya başka bir ifade olup olmadığını belirtmemektedir. Bu nedenle yedi çıkışın gerekçesi kaynakta çözülemeyen bir mimari belirsizlik olarak kalmaktadır.

CNN eğitim ayarları

Kaynakta eğitim için Adam optimizasyon yöntemi kullanılmaktadır. Kodda maksimum epoch sayısı 10, doğrulama sıklığı 30 olarak verilir ve eğitim ilerleme grafiğinin gösterilmesi istenir.

Buna karşılık kaynak öğrenme oranını, mini-batch boyutunu, random seed'i, veri artırma yöntemini, eğitim ve test görüntülerinin sayısını veya donanım özelliklerini bildirmemektedir.

Çalışmanın Yöntemi ve Bulguları

Kaynakta tarif edilen FER pipeline'ı

Çalışmanın geleneksel MATLAB pipeline'ı şu sırayı izlemektedir:

1. Etiketli yüz görüntülerinin veri setinden yüklenmesi.
2. Yüz görüntüsünün gri tona çevrilmesi.
3. Histogram eşitlemeyle kontrastın iyileştirilmesi.
4. Viola-Jones temelli yüz dedektörüyle yüz bölgesinin bulunması.
5. Bulunan yüz bölgesinin kırpılması.
6. LBP veya HOG tabanlı özellik çıkarılması.
7. SVM ile ifade sınıflandırması.

Derin öğrenme alternatifi bu hattın özellik çıkarımı ve sınıflandırma kısmını CNN içinde birlikte öğrenmeyi amaçlamaktadır.

Raporlanan doğruluk karşılaştırması

Kaynak değerleri arasında 10 yüzde puan fark bulunmaktadır. Bu, yalnız makalede bildirilen deneysel karşılaştırmadır.

Bu Çalışmada CNN, LBP + SVM'ye Göre Daha Başarılı mı?

Kaynakta bildirilen tek doğruluk karşılaştırmasına göre evet: CNN için %75, LBP özellikleriyle çalışan SVM için %65 doğruluk raporlanmıştır. Ancak hangi veri setinin ve hangi train/test protokolünün kullanıldığı belirtilmediği için bu 10 yüzde puanlık fark, CNN'nin FER problemlerinde genel olarak veya istatistiksel olarak üstün olduğunu tek başına kanıtlamaz.

CNN için kaynakta yapılan yorum

Yazarlar CNN'lerin göz, kaş ve ağız gibi bölgelerdeki karmaşık görüntü örüntülerini katmanlar boyunca otomatik olarak öğrenebildiğini ve elle özellik seçimine olan bağımlılığı azalttığını belirtmektedir. Kaynak bu nedenle derin öğrenme yaklaşımını daha esnek bir FER çözümü olarak değerlendirmektedir.

Ancak CNN'nin neden tam olarak %75 elde ettiğini açıklayan ablasyon deneyi veya mimari karşılaştırma sunulmamaktadır. Örneğin batch normalization, pooling veya filtre sayısının ayrı ayrı etkisi test edilmemiştir.

Performans karşılaştırmasında eksik olan bilgiler

Bir FER modelinin performansını güvenilir biçimde karşılaştırmak için doğruluk tek başına yeterli olmayabilir. Kaynakta aşağıdaki bilgiler raporlanmamaktadır:

• Toplam görüntü veya kişi sayısı.
• Her sınıftaki örnek sayısı.
• Kesin kullanılan veri seti.
• Eğitim/doğrulama/test oranları.
• Kişi-bağımsız test uygulanıp uygulanmadığı.
• Cross-validation yöntemi.
• Random seed.
• Confusion matrix.
• Sınıf bazında precision.
• Sınıf bazında recall.
• F1-score.
• Güven aralığı.
• Tekrarlı deneylerin ortalaması ve standart sapması.

Dolayısıyla %65 ve %75 değerleri kaynakta raporlanan sonuçlar olarak korunmalı, fakat yüksek hassasiyetli benchmark sonuçları gibi genişletilmemelidir.

Yüz İfadesi Sınıfı Kişinin Gerçek Duygusunu Kesin Olarak Gösterir mi?

Hayır. Bu tür FER modelleri bir yüz görüntüsünü eğitim veri setinde tanımlanmış görünür ifade sınıflarına göre sınıflandırır; bu sınıflandırma kişinin gerçek, içsel veya bağlamsal duygusal durumunu doğrudan ölçmez. Kaynak çalışma da teknik olarak görüntü sınıflandırma yaklaşımı geliştirmekte ve raporlanan %65 ile %75 değerlerini bu sınıflandırma görevi üzerinden vermektedir.

Bu ayrım neden önemlidir?

Bir yüz hareketinin belirli bir veri setinde “anger” veya “surprise” etiketiyle eşleştirilmiş olması, farklı kültürel, kişisel veya bağlamsal koşullarda aynı görünümün tek ve kesin psikolojik anlama sahip olduğunu göstermez. Bu nedenle FER sistemleri değerlendirilirken algoritmik sınıf tahmini ile insanın gerçek duygusal durumuna ilişkin daha güçlü çıkarımlar birbirine karıştırılmamalıdır.

Çalışmanın güçlü yönleri

• MATLAB üzerinde uçtan uca FER iş akışını öğretici biçimde göstermektedir.
• Geleneksel LBP + SVM yaklaşımını CNN yaklaşımıyla aynı makale içinde ele almaktadır.
• Ön işleme, yüz tespiti, özellik çıkarımı ve sınıflandırmayı ayrı aşamalar halinde açıklamaktadır.
• MATLAB kod örnekleri sayesinde temel uygulama bileşenlerini görünür hale getirmektedir.
• Geleneksel ve derin öğrenme tabanlı yaklaşımlar için doğrudan doğruluk değerleri bildirmektedir.

Çalışmanın yöntemsel sınırlılıkları

1. Sistematik derleme protokolü bulunmuyor

Kaynak kendisini kapsamlı bir derleme olarak adlandırmasına rağmen literatür veri tabanı, arama sorgusu, tarih aralığı, dahil etme/dışlama kriterleri veya çalışma seçim akışı sunmamaktadır. Bu nedenle sistematik derleme metodolojisi uygulanmış olduğu söylenemez.

2. Deney veri seti kesinleştirilmiyor

CK+, JAFFE ve FER2013 yöntem bölümünde örnek veri setleri olarak sıralanır; fakat %65 ve %75 sonuçlarının hangisinde elde edildiği belirtilmemektedir.

3. Altı sınıf-yedi çıktı tutarsızlığı vardır

Kaynak altı temel duygu sınıfından söz ederken CNN örnek kodu yedi çıkışlı tam bağlantılı katman kullanmaktadır.

4. AdaBoost-SVM yöntem ilişkisi açıklanmıyor

Şekil 1 AdaBoost tabanlı MATLAB uygulamasını göstermektedir; metnin ana klasik yöntemi ise LBP + SVM'dir. Bu iki yaklaşımın aynı deney düzeninde nasıl ilişkilendirildiği açıklanmamaktadır.

5. Şekil 3 ve 4 sıralamasında görünür tutarsızlık vardır

“Before detection” başlıklı görüntüde sonuç ekranı görünürken “after detection” başlıklı görüntü daha erken bir kullanıcı arayüzü durumuna benzemektedir.

6. Matematiksel formülasyon tamamlanmamıştır

SVM optimizasyon problemi ve LBP matematiksel yapısı başlık olarak belirtilmesine rağmen PDF'de bunlara ait görünür denklemler verilmemektedir.

7. Değerlendirme yalnız accuracy ile sınırlıdır

Confusion matrix, precision, recall, F1 veya sınıf bazlı performans sunulmamaktadır.

8. Yeniden üretilebilirlik ayrıntıları eksiktir

Veri bölünmesi, veri artırma, öğrenme oranı, batch boyutu, random seed ve kullanılan donanım gibi ayrıntılar raporlanmadığından sonuçların birebir tekrarlanması güçtür.

Çalışmanın desteklediği sonuçlar

• MATLAB kullanılarak temel bir FER pipeline'ı kurulabilir.
• Gri tonlama, histogram eşitleme ve yüz tespiti ön işleme adımları olarak kullanılabilir.
• LBP, yüz dokusunu temsil etmek için kullanılabilir.
• SVM, çıkarılan özellikler üzerinden ifade sınıflandırması yapabilir.
• CNN, özellik çıkarımı ve sınıflandırmayı aynı öğrenme sisteminde birleştirebilir.
• Kaynakta LBP + SVM için %65 ve CNN için %75 doğruluk raporlanmıştır.

Çalışmanın desteklemediği sonuçlar

• CNN'nin bütün FER veri setlerinde %75 doğruluk sağlayacağı gösterilmemiştir.
• CNN'nin bütün geleneksel yöntemlerden genel olarak daha üstün olduğu kanıtlanmamıştır.
• %10'luk doğruluk farkının istatistiksel anlamlılığı gösterilmemiştir.
• Gerçek zamanlı saha kullanımında gecikme veya throughput ölçümü verilmemiştir.
• Kültürler ve demografik gruplar arasında genellenebilirlik değerlendirilmemiştir.
• FER sınıf tahminlerinin kişinin gerçek içsel duygusunu kesin olarak belirlediği gösterilmemiştir.

Kaynak ve Yöntem Notu

• Özgün başlık: Facial expression recognition using MATLAB: A comprehensive review and optimization approach
• Yazar 1: Borhan F Jumaa
• Yazar 2: Aoznor Y Zainal
• Sorumlu yazar: Borhan F Jumaa
• Kaynakta yazılan kurum: Department of Computer Science, Kirkuk of University, Kirkuk, Iraq
• Dergi: International Journal of Computing and Artificial Intelligence
• Cilt: 7
• Sayı: 1
• Bölüm: Part B
• Sayfalar: 118–121
• Yıl: 2026
• DOI: 10.33545/27076571.2026.v7.i1b.251
• E-ISSN: 2707-658X
• P-ISSN: 2707-6571
• Alınma tarihi: 15-11-2025
• Kabul tarihi: 19-12-2025
• Yayınevi: AkiNik Publications
• Kaynak türü: Anlatısal/öğretici FER derlemesi ve MATLAB uygulama yaklaşımı
• Hakemlik durumu: Derginin resmî sitesi yayını peer-reviewed/refereed olarak tanımlamaktadır.
• Resmî bağlantı:https://doi.org/10.33545/27076571.2026.v7.i1b.251

Kaynak içi teknik tutarsızlık notu

Kaynak altı ifade sınıfı tanımlamasına rağmen CNN örneğinde yedi çıkışlı bir son katman kullanmaktadır. Ayrıca AdaBoost arayüz görüntüsüyle ana SVM pipeline'ı arasındaki deneysel bağlantı açıklanmamış ve Şekil 3–4'ün başlıkları ile ekran durumları arasında görünür bir sıralama uyuşmazlığı oluşmuştur. Bu noktalar kaynakta çözümlenmediği için Verianla tarafından sessizce düzeltilmemiştir.

Yeniden üretilebilirlik notu

Kaynak bazı MATLAB komutlarını, CNN katmanlarını ve eğitim seçeneklerini vermektedir; ancak sonuçları tam olarak yeniden üretmek için gerekli veri bölünmesi, örnek sayısı, öğrenme oranı, mini-batch boyutu, random seed, veri artırma ve donanım bilgileri bulunmamaktadır. %65 ve %75 doğruluk değerleri bu nedenle yayımlanan sonuçlar olarak aktarılmalı, fakat bağımsız olarak doğrulanmış benchmark ölçümleri gibi sunulmamalıdır.

Bilimsel yorum sınırı

Çalışmanın ele aldığı FER sistemi, yüz görüntülerini eğitim sırasında kullanılan etiket kategorilerine göre sınıflandıran bir bilgisayarlı görü sistemidir. Bir kişinin gerçek psikolojik veya duygusal durumunun yalnız yüz görüntüsünden kesin olarak belirlenebileceğini bu çalışma göstermemektedir.