Published January 1, 2020 | Version v1
Publication Open

A New Fast Local Laplacian Completed Local Ternary Count (FLL-CLTC) for Facial Image Classification

Creators

  • 1. Najran University
  • 2. Ibb University
  • 3. Universiti Malaysia Pahang
  • 4. University of Ha'il

Description

Face recognition is one of the most interesting areas of research areas because of its importance in authentication and security. Differentiating between different facial images is not easy because of the similarities in facial features. Human faces can also be covered obscured by eyeglasses, facial expressions and hairstyles can also be changed causing difficulty in finding similar faces. Thus, the need for powerful image features has become a critical issue in the face recognition systems. Many texture features have been used in these systems, including Local Binary Pattern (LBP), Local Ternary Pattern (LTP), Completed Local Binary Pattern (CLBP), Completed Local Binary Count (CLBC) and Completed Local Ternary Pattern (CLTP). In this paper, a new texture descriptor, namely, Completed Local Ternary Count (CLTC), is proposed by adding a threshold value for the CLBC to overcome its sensitivity to noise drawback. The CLTC is also enhanced by adding the Fast-Local Laplacian filter during the pre-processing stage to increase the discriminative property of the proposed descriptor. The proposed Fast-Local Laplacian CLTC (FLL-CLTC) texture descriptor is evaluated for face recognition task using five different face image datasets. The experimental results of the FLL-CLTC showed that the proposed FLL-CLTC outperformed the CLBP and CLTP texture descriptors in term of recognition accuracy. The FLL-CLTC achieved 99.1%, 86.93%, 93.21%, 84.92% and 99.15% with JAFFE, YALE, Georgia Tech, Caltech and ORL face image datasets, respectively.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

يعد التعرف على الوجوه أحد أكثر المجالات البحثية إثارة للاهتمام بسبب أهميته في المصادقة والأمان. ليس من السهل التمييز بين صور الوجه المختلفة بسبب أوجه التشابه في ملامح الوجه. يمكن أيضًا تغطية الوجوه البشرية التي تحجبها النظارات وتعبيرات الوجه وتسريحات الشعر مما يسبب صعوبة في العثور على وجوه مماثلة. وبالتالي، أصبحت الحاجة إلى ميزات صورة قوية مشكلة حرجة في أنظمة التعرف على الوجوه. تم استخدام العديد من ميزات الملمس في هذه الأنظمة، بما في ذلك النمط الثنائي المحلي (LBP)، والنمط الثلاثي المحلي (LTP)، والنمط الثنائي المحلي المكتمل (CLBP)، والحساب الثنائي المحلي المكتمل (CLBC) والنمط الثلاثي المحلي المكتمل (CLTP). في هذه الورقة، يتم اقتراح واصف نسيج جديد، وهو العد الثلاثي المحلي المكتمل (CLTC)، عن طريق إضافة قيمة حدية لـ CLBC للتغلب على حساسيتها لعيوب الضوضاء. يتم تعزيز CLTC أيضًا من خلال إضافة مرشح Laplacian المحلي السريع خلال مرحلة ما قبل المعالجة لزيادة الخاصية التمييزية للوصف المقترح. يتم تقييم واصف نسيج Laplacian CLTC (FLL - CLTC) المحلي السريع المقترح لمهمة التعرف على الوجه باستخدام خمس مجموعات بيانات مختلفة لصورة الوجه. أظهرت النتائج التجريبية لـ FLL - CLTC أن FLL - CLTC المقترحة تفوقت على واصفي نسيج CLBP و CLTP من حيث دقة التعرف. حققت FLL - CLTC 99.1 ٪ و 86.93 ٪ و 93.21 ٪ و 84.92 ٪ و 99.15 ٪ مع مجموعات بيانات صور الوجه JAFFE و YALE و Georgia Tech و Caltech و ORL، على التوالي.

Translated Description (French)

La reconnaissance faciale est l'un des domaines de recherche les plus intéressants en raison de son importance dans l'authentification et la sécurité. Il n'est pas facile de différencier les différentes images faciales en raison des similitudes entre les traits du visage. Les visages humains peuvent également être masqués par des lunettes, les expressions faciales et les coiffures peuvent également être changées, ce qui rend difficile de trouver des visages similaires. Ainsi, le besoin de fonctionnalités d'image puissantes est devenu un problème critique dans les systèmes de reconnaissance faciale. De nombreuses fonctionnalités de texture ont été utilisées dans ces systèmes, notamment le modèle binaire local (LBP), le modèle ternaire local (LTP), le modèle binaire local achevé (CLBP), le nombre binaire local achevé (CLBC) et le modèle ternaire local achevé (CLTP). Dans cet article, un nouveau descripteur de texture, à savoir, Completed Local Ternary Count (CLTC), est proposé en ajoutant une valeur seuil pour la CLBC afin de surmonter sa sensibilité à l'inconvénient du bruit. Le CLTC est également amélioré par l'ajout du filtre laplacien Fast-Local pendant l'étape de prétraitement pour augmenter la propriété discriminante du descripteur proposé. Le descripteur de texture Fast-Local Laplacian CLTC (FLL-CLTC) proposé est évalué pour la tâche de reconnaissance faciale à l'aide de cinq ensembles de données d'images faciales différents. Les résultats expérimentaux du FLL-CLTC ont montré que le FLL-CLTC proposé surpassait les descripteurs de texture CLBP et CLTP en termes de précision de reconnaissance. Le FLL-CLTC a atteint 99,1 %, 86,93 %, 93,21 %, 84,92 % et 99,15 % avec les ensembles de données d'image de visage JAFFE, YALE, Georgia Tech, Caltech et ORL, respectivement.

Translated Description (Spanish)

El reconocimiento facial es una de las áreas de investigación más interesantes por su importancia en la autenticación y la seguridad. Diferenciar entre diferentes imágenes faciales no es fácil debido a las similitudes en los rasgos faciales. Los rostros humanos también pueden cubrirse con anteojos, las expresiones faciales y los peinados también pueden cambiarse, lo que dificulta la búsqueda de rostros similares. Por lo tanto, la necesidad de características de imagen potentes se ha convertido en un problema crítico en los sistemas de reconocimiento facial. Se han utilizado muchas características de textura en estos sistemas, incluidos el patrón binario local (LBP), el patrón ternario local (LTP), el patrón binario local completado (CLBP), el recuento binario local completado (CLBC) y el patrón ternario local completado (CLTP). En este documento, se propone un nuevo descriptor de textura, a saber, Conteo ternario local completado (CLTC), agregando un valor umbral para que el CLBC supere su sensibilidad al inconveniente de ruido. El CLTC también se mejora añadiendo el filtro Fast-Local Laplacian durante la etapa de preprocesamiento para aumentar la propiedad discriminativa del descriptor propuesto. El descriptor de textura Fast-Local Laplacian CLTC (FLL-CLTC) propuesto se evalúa para la tarea de reconocimiento facial utilizando cinco conjuntos de datos de imágenes faciales diferentes. Los resultados experimentales del FLL-CLTC mostraron que el FLL-CLTC propuesto superó a los descriptores de textura CLBP y CLTP en términos de precisión de reconocimiento. El FLL-CLTC logró 99.1%, 86.93%, 93.21%, 84.92% y 99.15% con los conjuntos de datos de imágenes faciales de JAFFE, YALE, Georgia Tech, Caltech y ORL, respectivamente.

Files

09099214.pdf.pdf

Files (245 Bytes)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:089b1bf05912ebd78a342615b18a6a1e
245 Bytes
Preview Download

Additional details

Additional titles

Translated title (Arabic)
تعداد ثلاثي محلي سريع جديد مكتمل (FLL - CLTC) لتصنيف صورة الوجه
Translated title (French)
Un nouveau comptage ternaire local terminé par laplacien local rapide (FLL-CLTC) pour la classification des images faciales
Translated title (Spanish)
Un nuevo recuento ternario local completo de Laplacian local rápido (FLL-CLTC) para la clasificación de imágenes faciales

Identifiers

Other
https://openalex.org/W3028649806
DOI
10.1109/access.2020.2997312

Is supplement to
https://openalex.org/W2122718025 (Other)
https://openalex.org/W3211626993 (Other)
https://openalex.org/W1978011637 (Other)
https://openalex.org/W1976280679 (Other)
https://openalex.org/W2900460335 (Other)
https://openalex.org/W2169521742 (Other)
https://openalex.org/W771773272 (Other)
https://openalex.org/W4288057579 (Other)
https://openalex.org/W3128113522 (Other)
https://openalex.org/W1972817643 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Yemen

References

  • https://openalex.org/W1972612668
  • https://openalex.org/W2039051707
  • https://openalex.org/W2058160332
  • https://openalex.org/W2076827735
  • https://openalex.org/W2083900523
  • https://openalex.org/W2121647436
  • https://openalex.org/W2121672547
  • https://openalex.org/W2131081720
  • https://openalex.org/W2147141800
  • https://openalex.org/W2150514752
  • https://openalex.org/W2161790807
  • https://openalex.org/W2163352848
  • https://openalex.org/W2266950115
  • https://openalex.org/W2327681752
  • https://openalex.org/W2608043512
  • https://openalex.org/W2667463771
  • https://openalex.org/W2765960273
  • https://openalex.org/W2768889941
  • https://openalex.org/W2774292024
  • https://openalex.org/W2793767092
  • https://openalex.org/W2796827446
  • https://openalex.org/W2885251243
  • https://openalex.org/W2893868611
  • https://openalex.org/W2914373263
  • https://openalex.org/W2918100922
  • https://openalex.org/W2936665505
  • https://openalex.org/W2944383286
  • https://openalex.org/W2960951787
  • https://openalex.org/W2995894330
  • https://openalex.org/W3005224174
  • https://openalex.org/W3006492943
  • https://openalex.org/W3007923033