Comparison of methods of feature generation for face recognition

• Autorzy: Siwek K. , Osowski S.

Identyfikatory

DOI

10.12915/pe.2014.04.49

Warianty tytułu

PL

Porównanie metod generacji cech dla rozpoznawania twarzy

• Języki publikacji: EN

Abstrakty

EN

The paper is concerned with the recognition of faces at application of different methods of global feature generation. We check the selected choice of transformations of images, leading to the numerical representation of the face image. The investigated approaches include the linear and nonlinear methods of transformation: principal component analysis (PCA), Kernel PCA, Fisher linear discriminant analysis (FLD), 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 put to the input of support vector machine classifier (SVM). The numerical results of experiments are presented and discussed.

PL

Praca przedstawia analizę porównawczą różnych metod wstępnego przetwarzania obrazów twarzy dla wygenerowania cech diagnostycznych zastosowanych w klasyfikacji. W badaniach uwzględniono metodę transformacji PCA, KPCA, FLD, transformację nieliniową Sammona oraz transformację tSNE. Cechy wygenerowane przy użyciu tych metod stanowią sygnały wejściowe dla klasyfikatora SVM dokonującego ostatecznego rozpoznania. W pracy pokazano i przedyskutowano wyniki przeprowadzonych eksperymentów rozpoznania twarzy przy uwzględnieniu zmiennej liczby cech dla różnej liczby klas.

Słowa kluczowe

EN

face recognition; transformation of data; classification; SVM

PL

rozpoznawanie twarzy; metody generacji cech; klasyfikacja; SVM

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2014
• Tom: R. 90, nr 4
• Strony: 206--209
• Opis fizyczny: Bibliogr. 12 poz., il., 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

Bibliografia

• [1] Belhumeur P., Hespanha J., Kriegman D., Eigenfaces vs. Fisherfaces: recognition using class specific linear projection, IEEE Trans. PAMI, 1997, vol. 19, No 7, pp. 711-720
• [2] Breiman L., Random forests. Machine Learning, 2001, vol. 45, pp. 5–32
• [3] Duda, R.O., Hart, P.E., Stork, P., Pattern classification and scene analysis. Wiley, New York, 2003
• [4] Jakubowski J., Ocena możliwości wykorzystania deskryptorów cech lokalnych obrazu twarzy w zadaniu automatycznej identyfikacji osób. Przeglad Elektrotechniczny, 2012, vol. 88, pp. 217–221
• [5] Osowski S., Sieci neuronowe SVM w zastosowaniu do klasyfikacji wzorców, Przegląd Elektrotechniczny, 2002, vol. 78, No 2, ss.29-36
• [6] Phillips P. J., Moon H., Rizvi S., Rauss P., The FERET evaluation methodology for face recognition algorithms, IEEE Trans. PAMI, 2000, vol. 22, No 10, pp. 1090-1104
• [7] Phillips P. J., Wechsler H., Huang J., Rauss P. ,The FERET database and evaluation procedure for face recognition algorithms, Image and Vision Computing J, 1998, vol. 16, No. 5, pp 295-306.
• [8] Sammon J. W., A nonlinear mapping for data structure analysis. IEEE Trans. Computers, 1969, vol. C-18 (5), pp. 401–409
• [9] Schölkopf B., Smola A., Learning with kernels, Cambridge, MIT Press, MA. 2002
• [10] Van der Maaten L., Hinton G., Visualising data using t-SNE. Journal MLR, 2008, vol. 9, pp. 2579–2602
• [11] Van der Maaten L., Matlab toolbox for dimensionality reduction. v0.7.1b, Delft University of Technology, 2011
• [12] Matlab user manual – image toolbox. MathWorks, Natick, USA 2012