Towards Practical Face Recognition: A Local Binary Pattern Non Frontal Faces Filtering Approach

2015 ◽  
pp. 51-59 ◽  
Author(s):  
Yikui Zhai ◽  
Xiaolin Wang ◽  
Junying Gan ◽  
Ying Xu
Keyword(s):  
Face Recognition ◽  
Local Binary Pattern ◽  
Filtering Approach

Face Recognition by Fuzzy Rule-Based Local Binary Pattern

2014 ◽  
Vol 8 (3) ◽  
pp. 31-34
Author(s):  
O. Rama Devi ◽  
◽  
L. S. S. Reddy ◽  
E. V. Prasad ◽  
◽  
...  
Keyword(s):  
Face Recognition ◽  
Local Binary Pattern ◽  
Fuzzy Rule ◽  
Rule Based

scholarly journals Performance Analysis of Local Binary Pattern Features with PCA for Face Recognition

2017 ◽  
Vol 10 (21) ◽  
pp. 1-10 ◽  
Author(s):  
Shekhar Karanwal ◽  
Ravindra Kumar Purwar ◽  
◽  
Keyword(s):  
Face Recognition ◽  
Performance Analysis ◽  
Local Binary Pattern

scholarly journals Deep CNNs with Robust LBP Guiding Pooling for Face Recognition

Sensors ◽  
2018 ◽  
Vol 18 (11) ◽  
pp. 3876 ◽  
Author(s):  
Zhongjian Ma ◽  
Yuanyuan Ding ◽  
Baoqing Li ◽  
Xiaobing Yuan
Keyword(s):  
Neural Networks ◽  
Face Recognition ◽  
Computational Complexity ◽  
Local Binary Pattern ◽  
Weighted Average ◽  
Sliding Window ◽  
Performance Gain ◽  
Feature Maps ◽  
Input Feature ◽  
Noise Impact

Pooling layer in Convolutional Neural Networks (CNNs) is designed to reduce dimensions and computational complexity. Unfortunately, CNN is easily disturbed by noise in images when extracting features from input images. The traditional pooling layer directly samples the input feature maps without considering whether they are affected by noise, which brings about accumulated noise in the subsequent feature maps as well as undesirable network outputs. To address this issue, a robust Local Binary Pattern (LBP) Guiding Pooling (G-RLBP) mechanism is proposed in this paper to down sample the input feature maps and lower the noise impact simultaneously. The proposed G-RLBP method calculates the weighted average of all pixels in the sliding window of this pooling layer as the final results based on their corresponding probabilities of being affected by noise, thus lowers the noise impact from input images at the first several layers of the CNNs. The experimental results show that the carefully designed G-RLBP layer can successfully lower the noise impact and improve the recognition rates of the CNN models over the traditional pooling layer. The performance gain of the G-RLBP is quite remarkable when the images are severely affected by noise.

scholarly journals HUMAN IDENTIFICATION BASED ON FACE RECOGNITION SYSTEM

2021 ◽  
Vol 25 (01) ◽  
pp. 80-91
Author(s):  
Saba K. Naji ◽  
◽  
Muthana H. Hamd ◽  
Keyword(s):  
Face Recognition ◽  
Euclidean Distance ◽  
Local Binary Pattern ◽  
Texture Features ◽  
Recognition System ◽  
Manhattan Distance ◽  
Distance Measurements ◽  
Local Ternary Pattern ◽  
Face Recognition System ◽  
Cosine Distance

Due to, the great electronic development, which reinforced the need to define people's identities, different methods, and databases to identification people's identities have emerged. In this paper, we compare the results of two texture analysis methods: Local Binary Pattern (LBP) and Local Ternary Pattern (LTP). The comparison based on comparing the extracting facial texture features of 40 and 401 subjects taken from ORL and UFI databases respectively. As well, the comparison has taken in the account using three distance measurements such as; Manhattan Distance (MD), Euclidean Distance (ED), and Cosine Distance (CD). Where the maximum accuracy of the LBP method (99.23%) is obtained with a Manhattan and ORL database, while the LTP method attained (98.76%) using the same distance and database. While, the facial database of UFI shows low quality, which is satisfied 75.98% and 73.82% recognition rates using LBP and LTP respectively with Manhattan distance.

scholarly journals Illumination Invariant Face Recognition

2020 ◽  
Vol 10 (3) ◽  
pp. 129
Author(s):  
Regina Lionnie ◽  
Mochamad Miftakhul Huda ◽  
Mudrik Alaydrus
Keyword(s):  
Face Recognition ◽  
Local Binary Pattern ◽  
Cross Validation ◽  
Graph Matching ◽  
Illumination Invariant ◽  
Fold Cross Validation

Face recognition adalah bidang penelitian yang selalu menjadi topik penelitian dengan peminatan yang sangat besar. Berbagai potensial pengembangan aplikasi, dari sistem keamanan individu hingga untuk sistem control dan sistem surveillance. Algoritma pengenalan wajah telah diusulkan oleh banyak peneliti. Metode pengenalan wajah dengan performa yang baik seperti eigenfaces, fisherfaces, jaringan saraf tiruan, elastic bunch graph matching, laplacian faces, dan lainnya. Performa dari algoritma ini awalnya diuji pada gambar wajah yang dikumpulkan di bawah lingkungan kontrol yang baik pada kondisi studio dan pencahayaan yang diatur, dan karenanya, sebagian besar mengalami kesulitan dalam mengatasi gambar alami, yang dapat ditangkap di bawah kondisi pencahayaan, pose, dan ekspresi wajah yang sangat bervariasi. Situasi menjadi lebih menantang ketika kombinasi variasi ini harus ditangani secara bersamaan. Kondisi pencahayaan berbeda menimbulkan hambatan vital dalam sistem pengenalan karena mereka sangat mempengaruhi penampilan gambar wajah dan meningkatkan variasi antar kelas. Pada penelitian ini, telah dibangun sistem pengenalan wajah menggunakan Local Binary Pattern (LBP) dengan total gambar pada basis data sebanyak 400 gambar yang diambil dari 25 kelas/responden. Menggunakan 2-fold cross validation dan jarak Euclidean, presisi tertinggi yang diraih system adalah sebesar 87,98% dengan variasi ekualisasi histogram tanpa menggunakan LBP.

scholarly journals Pengenalan Wajah Manusia berbasis Algoritma Local Binary Pattern

2017 ◽  
Vol 17 (2) ◽  
pp. 29-38
Author(s):  
Ratih Purwati ◽  
Gunawan Ariyanto
Keyword(s):  
Computer Vision ◽  
Support Vector Machine ◽  
Face Recognition ◽  
Local Binary Pattern ◽  
Cross Validation ◽  
Support Vector ◽  
Fold Cross Validation

Face Recognition merupakan teknologi komputer untuk mengidentifikasi wajah manusia melalui gambar digital yang tersimpan di database. Wajah manusia dapat berubah bentuk sesuai dengan ekspresi yang dimilikinya. Wajah manusia dapat berubah bentuk sesuai dengan eskpresi yang dimilikinya. Ekspresi wajah manusia memiliki kemiripan satu sama lain sehingga untuk mengenali suatu ekspresi adalah kepunyaan siapa akan sedikit sulit. Pengenalan wajah terus menjadi topik aktif di zaman sekarang pada penelitian bidang computer vision. Penggunaan wajah manusia sering kita jumpai pada fitur-fitur aplikasi media sosial seperti Snapchat, Snapgram dari Instagram dan banyak aplikasi sosial media lainnya yang menggunakan teknologi tersebut. Pada penelitian ini dilakukan analisa pengenalan ekpresi wajah manusia dengan pendekatan fitur alogaritma Local Binary Pattern dan mencari pengembangan alogaritma dasar Local Binary Pattern yang paling optimal dengan cara menggabungkan metode Hisogram Equalization, Support Vector Machine, dan K-fold cross validation sehingga dapat meningkatkan pengenalan gambar wajah manusia pada hasil yang terbaik. Penelitian ini menginput beberapa database wajah manusia seperti JAFFE yang merupakan gambar wajah manusia wanita jepang yang berjumlah 10 orang dengan 7 ekspresi emosional seperti marah, sedih, bahagia, jijik, kaget, takut dan netral ke dalam sistem. YALE yaitu merupakan gambar wajah manusia orang Amerika. Serta menggunakan dataset CALTECH yang merupakan gambar manusia yang terdiri dari 450 gambar dengan ukuran 896 x 592 piksel dan disimpan dalam format JPEG. Kemudian data tersebut di sesuaikan dengan bentuk tekstur wajah masing-masing. Dari hasil penggabungan ketiga metode diatas dan percobaan-percobaan yang sudah dilakukan, didapatkan hasil yang paling optimal dalam pengenalan wajah manusia yaitu menggunakan dataset JAFFE dengan resolusi 92 x 112 piksel dan dengan tingkat penggunaan processor yang tinggi dapat mempengaruhi waktu kecepatan komputasi dalam proses menjalankan sistem sehingga menghasilkan prediksi yang lebih tepat.

Sign in / Sign up

Export Citation Format

Share Document