Face Recognition in Visible and Infra-Red Imagery - Comparison of Methods

• Autorzy: Siwek K. , Osowski S. , Jakubowski J.

Warianty tytułu

PL

Rozpoznawanie twarzy w podczerwieni i w świetle widzialnym – porównanie metod

• Języki publikacji: EN

Abstrakty

EN

The paper is concerned with the recognition of faces represented by the visible and infra-red images. Different methods of image feature generation at application of different classifiers will be studied and compared for both types of face imagery. The investigated approaches include the linear and nonlinear methods of transformation: principal component analysis (PCA), Kernel PCA, Sammon transformation and stochastic neighbor embedding with t-distribution (tSNE). The representation of the image in the form of limited number of main components of transformation is applied to the input of support vector machine classifier and random forest. The numerical results of experiments will be presented and discussed.

PL

Praca przedstawia porównanie metod rozpoznawania twarzy na podstawie dwu rodzajów obrazów: widzialnego oraz w podczerwieni. Zbadano kilka metod przetwarzania obrazu w cechy diagnostyczne: metodę opartą na PCA, nieliniową metodę KPCA, odwzorowanie Sammona oraz transformację stochastyczną tSNE. Każda z tych metod generuje inny zestaw cech diagnostycznych użytych jako atrybuty wejściowe dla klasyfikatora. W pracy zastosowano zespół klasyfikatorów stosujących sieć SVM oraz las losowy Breimana . Przedstawiono wyniki rozpoznania każdego z tych klasyfikatorów współpracujących z odpowiednim zestawem atrybutów wejściowych oraz wynik fuzji poszczególnych rezultatów. Jako jednostkę integrującą zespół zastosowano las drzew losowych. Wyniki pokazują, że zastosowanie wielu metod przetwarzania obrazu w cechy diagnostyczne i równoległego obrazowania twarzy w postaci widzialnej i w podczerwieni pozwala zwiększyć efektywność rozpoznania o około 30%.

Słowa kluczowe

EN

visible and infra-red imagery; face recognition; transformation of data; classification

PL

obraz widzialny; obraz w podczerwieni; rozpoznawanie twarzy; transformacja danych; klasyfikacja

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2015
• Tom: R. 91, nr 7
• Strony: 24--26
• Opis fizyczny: Bibliogr. 11 poz., rys., tab., wykr.

Twórcy

autor

Siwek K.

• Warsaw University of Technology, Institute of the Theory of Electrical Engineering, Measurement and Information Systems

autor

Osowski S.

• Warsaw University of Technology, Institute of the Theory of Electrical Engineering, Measurement and Information Systems, Military University of Technology, Institute of Electronic Systems

autor

Jakubowski J.

• Military University of Technology, Institute of Electronic Systems

Bibliografia

• [1] Belhumeur P., Hespanha J., Kriegman D.: Eigenfaces vs. Fisherfaces: recognition using class specific linear projection, IEEE Trans. PAMI, 19 (1997), no 7, 711–720
• [2] Phillips P. J., Blackburn D, Bone M., Grother P., Michaels R., Tabassi E., Face recognition vendor Test 2002, available at: http://www.frvt.org/FRVT2002/default.htm
• [3] Wu S., Lin W., Xie S., Skin heat transfer model of facial termograms and its application in face recognition, Pattern Recognition, vol. 41 (2008), pp. 2718-2729
• [4] Kong S., Heo J., Abidi B.R, Paik J. Abidi M. A., Recent advances in visual and infrared face recognition – a review, Comput. Vision Image Understanding, 97 (2005), 103-135
• [5] Socolinsky D. A., Selinger A., Neuheisel J. D., Face recognition with visible and thermal infrared imagery, Comput. Vision Image Understanding, 91 (2003), 72-114
• [6] Siwek K., Osowski S., Comparison of methods of feature generation for face recognition, Przegląd Elektrotechniczny, 90 (2014), nr. 4, 206-209
• [7] Schölkopf B., Smola A., “Learning with kernels”, Cambridge, MIT Press, (2002), MA
• [8] Van der Maaten L., “Matlab toolbox for dimensionality reduction”, v0.8.1, (2013), Delft University of Technology
• [9] “Matlab user manual – image toolbox”, (2012), MathWorks, Natick
• [10] Sammon J. W., A nonlinear mapping for data structure analysis, IEEE Trans. Computers, 18 (1969), no 5, 401–409
• [11] Breiman L., Random forests, Machine Learning, 45 (2001),. 5–32