Published July 19, 2021 | Version v1
Publication Open

An Intelligent Feature Selection using Archimedes Optimization algorithm for Facial Analysis

Creators

  • 1. Université des Sciences et de la Technologie d'Oran Mohamed Boudiaf

Description

Abstract Human facial analysis (HFA) has recently become an attractive topic for computer vision research due to the technological progress and the increase of mobile applications. HFA explores several issues as gender recognition, facial expression, age, and race recognition for automatically understanding social life. In addition, the development of several algorithms inspired by swarm intelligence, biological inspiration, and physical/mathematical rules allow giving another dimension of feature selection in the field of machine learning and computer vision. This paper develops a novel wrapper feature selection method for gender recognition using the Archimedes optimization algorithm (AOA). The paper's primary purpose is to automatically determine the optimal face area using AOA to recognize the gender of a human person categorized by two classes (Men and women). In this paper, the facial image is divided into several sub-regions (blocks), where each area provides a vector of characteristics using one method from handcrafted techniques as the local binary pattern (LBP), histogram oriented gradient (HOG), or Grey level co-occurrence matrix (GLCM). The proposed method (AOA) is assessed on two publicly datasets: Georgia Tech Face dataset (GT) and the Brazilian FEI dataset. The experimental results show a good performance of AOA compared to other recent and competitive optimizers as Sine cosine algorithm (SCA), Henry Gas Solubility Optimization (HGSO), Equilibrium Optimizer (EO), Emperor Penguin Optimizer (EPO), Harris Hawks Optimize (HHO), Multi-verse Optimizer (MVO) and Manta-ray Foraging Optimizer (MRFO) in terms of accuracy and the number of the selected area.

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

Translated Description (Arabic)

أصبح تحليل الوجه البشري (HFA) مؤخرًا موضوعًا جذابًا لأبحاث رؤية الكمبيوتر بسبب التقدم التكنولوجي وزيادة تطبيقات الهاتف المحمول. تستكشف HFA العديد من القضايا مثل التعرف على النوع الاجتماعي وتعبير الوجه والعمر والتعرف على العرق لفهم الحياة الاجتماعية تلقائيًا. بالإضافة إلى ذلك، فإن تطوير العديد من الخوارزميات المستوحاة من ذكاء السرب والإلهام البيولوجي والقواعد الفيزيائية/الرياضية يسمح بإعطاء بُعد آخر لاختيار الميزات في مجال التعلم الآلي ورؤية الكمبيوتر. تطور هذه الورقة طريقة اختيار ميزة غلاف جديدة للتعرف على النوع الاجتماعي باستخدام خوارزمية تحسين أرخميدس (AOA). الغرض الأساسي من الورقة هو تحديد منطقة الوجه المثلى تلقائيًا باستخدام AOA للتعرف على جنس الشخص البشري المصنف حسب فئتين (الرجال والنساء). في هذه الورقة، تنقسم صورة الوجه إلى عدة مناطق فرعية (كتل)، حيث توفر كل منطقة متجهًا للخصائص باستخدام طريقة واحدة من التقنيات المصنوعة يدويًا مثل النمط الثنائي المحلي (LBP)، أو التدرج الموجه بالمخطط التكراري (HOG)، أو مصفوفة الحدوث المشترك للمستوى الرمادي (GLCM). يتم تقييم الطريقة المقترحة (AOA) على مجموعتي بيانات علنيتين: مجموعة بيانات الوجه التقني لجورجيا (GT) ومجموعة بيانات الاتحاد الدولي للفروسية البرازيلية. تُظهر النتائج التجريبية أداءً جيدًا لـ AOA مقارنةً بالمحسّنات الحديثة والتنافسية الأخرى مثل خوارزمية جيب التمام (SCA)، وتحسين ذوبان غاز هنري (HGSO)، ومحسن التوازن (EO)، ومحسن البطريق الإمبراطوري (EPO)، و Harris Hawks Optimize (HHO)، و Multi -verse Optimizer (MVO) و Manta - ray Foraging Optimizer (MRFO) من حيث الدقة وعدد المنطقة المحددة.

Translated Description (French)

Résumé L'analyse faciale humaine (HFA) est récemment devenue un sujet attrayant pour la recherche en vision par ordinateur en raison des progrès technologiques et de l'augmentation des applications mobiles. HFA explore plusieurs questions telles que la reconnaissance du genre, l'expression faciale, l'âge et la reconnaissance raciale pour comprendre automatiquement la vie sociale. De plus, le développement de plusieurs algorithmes inspirés par l'intelligence de l'essaim, l'inspiration biologique et les règles physiques/mathématiques permettent de donner une autre dimension à la sélection des fonctionnalités dans le domaine de l'apprentissage automatique et de la vision par ordinateur. Cet article développe une nouvelle méthode de sélection de caractéristiques d'emballage pour la reconnaissance du genre à l'aide de l'algorithme d'optimisation d'Archimède (AOA). L'objectif principal du document est de déterminer automatiquement la zone optimale du visage en utilisant l'AOA pour reconnaître le sexe d'une personne humaine classée par deux classes (hommes et femmes). Dans cet article, l'image faciale est divisée en plusieurs sous-régions (blocs), où chaque zone fournit un vecteur de caractéristiques en utilisant une méthode à partir de techniques artisanales telles que le motif binaire local (LBP), le gradient orienté histogramme (HOG) ou la matrice de co-occurrence de niveau de gris (GLCM). La méthode proposée (AOA) est évaluée sur deux ensembles de données publics : l'ensemble de données Georgia Tech Face (GT) et l'ensemble de données brésilien FEI. Les résultats expérimentaux montrent une bonne performance de l'AOA par rapport à d'autres optimiseurs récents et compétitifs tels que l'algorithme Sine cosine (SCA), Henry Gas Solubility Optimization (HGSO), Equilibrium Optimizer (EO), Emperor Penguin Optimizer (EPO), Harris Hawks Optimize (HHO), Multi-verse Optimizer (MVO) et Manta-ray Foraging Optimizer (MRFO) en termes de précision et de nombre de zones sélectionnées.

Translated Description (Spanish)

Resumen El análisis facial humano (HFA) se ha convertido recientemente en un tema atractivo para la investigación de la visión artificial debido al progreso tecnológico y al aumento de las aplicaciones móviles. HFA explora varios temas como el reconocimiento de género, la expresión facial, la edad y el reconocimiento racial para comprender automáticamente la vida social. Además, el desarrollo de varios algoritmos inspirados en la inteligencia de enjambre, la inspiración biológica y las reglas físicas/matemáticas permiten dar otra dimensión a la selección de características en el campo del aprendizaje automático y la visión artificial. Este documento desarrolla un nuevo método de selección de características de envoltura para el reconocimiento de género utilizando el algoritmo de optimización de Arquímedes (AOA). El propósito principal del documento es determinar automáticamente el área óptima de la cara utilizando AOA para reconocer el género de una persona humana categorizada por dos clases (hombres y mujeres). En este artículo, la imagen facial se divide en varias subregiones (bloques), donde cada área proporciona un vector de características utilizando un método de técnicas artesanales como el patrón binario local (LBP), el gradiente orientado al histograma (HOG) o la matriz de co-ocurrencia de nivel de gris (GLCM). El método propuesto (AOA) se evalúa en dos conjuntos de datos públicos: el conjunto de datos de Georgia Tech Face (GT) y el conjunto de datos de la FEI brasileña. Los resultados experimentales muestran un buen rendimiento de AOA en comparación con otros optimizadores recientes y competitivos como el algoritmo de seno coseno (SCA), Henry Gas Solubility Optimization (HGSO), Equilibrium Optimizer (EO), Emperor Penguin Optimizer (EPO), Harris Hawks Optimize (HHO), Multi-verse Optimizer (MVO) y Manta-ray Foraging Optimizer (MRFO) en términos de precisión y el número del área seleccionada.

Files

latest.pdf.pdf

Files (1.2 MB)

⚠️ 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
md5:3e47676546bce2ab1a0b6d80f3e3aa1a
1.2 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
اختيار الميزات الذكية باستخدام خوارزمية تحسين أرخميدس لتحليل الوجه
Translated title (French)
Une sélection intelligente des caractéristiques à l'aide de l'algorithme d'optimisation d'Archimède pour l'analyse faciale
Translated title (Spanish)
Una selección inteligente de funciones utilizando el algoritmo de optimización de Arquímedes para el análisis facial

Identifiers

Other
https://openalex.org/W4239872726
DOI
10.21203/rs.3.rs-636151/v1

Is supplement to
https://openalex.org/W4224879220 (Other)
https://openalex.org/W2955952267 (Other)
https://openalex.org/W2542672976 (Other)
https://openalex.org/W2148428954 (Other)
https://openalex.org/W2083564146 (Other)
https://openalex.org/W2076436625 (Other)
https://openalex.org/W2058306460 (Other)
https://openalex.org/W2049095871 (Other)
https://openalex.org/W2044065526 (Other)
https://openalex.org/W2020430625 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Algeria

References

  • https://openalex.org/W123765585
  • https://openalex.org/W1576818901
  • https://openalex.org/W2030215507
  • https://openalex.org/W2031183907
  • https://openalex.org/W2109364787
  • https://openalex.org/W2161969291
  • https://openalex.org/W2163352848
  • https://openalex.org/W2169064301
  • https://openalex.org/W2232317135
  • https://openalex.org/W2290883490
  • https://openalex.org/W2576382841
  • https://openalex.org/W2576950693
  • https://openalex.org/W2585392941
  • https://openalex.org/W2599197737
  • https://openalex.org/W2602954181
  • https://openalex.org/W2606276573
  • https://openalex.org/W2738900493
  • https://openalex.org/W2751647243
  • https://openalex.org/W2754722315
  • https://openalex.org/W2767768852
  • https://openalex.org/W2768592524
  • https://openalex.org/W2769801410
  • https://openalex.org/W2773918105
  • https://openalex.org/W2807821935
  • https://openalex.org/W2883298022
  • https://openalex.org/W2887363715
  • https://openalex.org/W2888580418
  • https://openalex.org/W2894841073
  • https://openalex.org/W2899125722
  • https://openalex.org/W2903130444
  • https://openalex.org/W2903988061
  • https://openalex.org/W2918252054
  • https://openalex.org/W2919979744
  • https://openalex.org/W2921811193
  • https://openalex.org/W2922380338
  • https://openalex.org/W2948387555
  • https://openalex.org/W2953456888
  • https://openalex.org/W2962182762
  • https://openalex.org/W2964254585
  • https://openalex.org/W2982453621
  • https://openalex.org/W2983505720
  • https://openalex.org/W2985845430
  • https://openalex.org/W2986805221
  • https://openalex.org/W3010181212
  • https://openalex.org/W3013515612
  • https://openalex.org/W3014392886
  • https://openalex.org/W3016863625
  • https://openalex.org/W3016954111
  • https://openalex.org/W3018539081
  • https://openalex.org/W3024335533
  • https://openalex.org/W3045612587
  • https://openalex.org/W3047346450
  • https://openalex.org/W3049541797
  • https://openalex.org/W3082383500
  • https://openalex.org/W3085439927
  • https://openalex.org/W3086791182
  • https://openalex.org/W3089244978
  • https://openalex.org/W3090396243
  • https://openalex.org/W3096616939
  • https://openalex.org/W3114443282
  • https://openalex.org/W3118218411
  • https://openalex.org/W3118660027
  • https://openalex.org/W3119021966
  • https://openalex.org/W3119211565
  • https://openalex.org/W3120615410
  • https://openalex.org/W3122230257
  • https://openalex.org/W3126945383
  • https://openalex.org/W3130821687
  • https://openalex.org/W3134651880
  • https://openalex.org/W3153242218
  • https://openalex.org/W3154719286
  • https://openalex.org/W3167143488
  • https://openalex.org/W4234632613
  • https://openalex.org/W4295097414