Fusion of Global and Local Features for Face Verification

Judul Paper : Fusion of Global and Local Features for Face Verification
Yuchun Fang, Tieniu Tan, Yunhong Wang
NL PR, Institute of Automation, Chinese Academy of Sciences, Beijing, P. R. China
Abstract: In this paper, a novel personalized feature combination scheme is proposed for face verification. ANFIS (Adaptive Neuro-Fuzzy Inference System) and SVM (Support Vector Machine) are adopted respectively to form specialized feature representation for each subject by fusing global and local features. Instead of the common way for different subjects, we realize a new representation that adapts to each individual. Such adaptability in feature selection is inspired by face recognition in the HVS (Human Visual System) and results in an improved recognition rate.

Dalam makalah ini, disajikan skema kombinasi fitur personalisasi yang diusulkan untuk verifikasi wajah. ANFIS (Adaptive Neuro-Fuzzy Inference System) dan SVM (Support Vector Machine) yang diadopsi masing-masing untuk membentuk representasi fitur khusus untuk setiap subyek dengan menggabungkan fitur global dan lokal.

Peneliti menguji algoritma ANFIS dan SVM pada satu set gambar wajah dan termasuk empat database wajah standar. Peneliti juga membandingkan dengan Algortima Neural Network.

Hasil percobaan diilustrasikan pada Gambar 1, di mana garis titik-titik adalah nilai absis sama dengan yang ordinat. NNL dan NNG menunjukkan verifikasi dengan NN yang hanya mengadopsi fitur lokal atau global. NNF dan NND berarti fusi dengan fitur NN di tingkat dan tingkat keputusan masing-masing.

Dari pandangan secara keseluruhan, kombinasi multi-fitur dengan ANFIS dan SVM mengarah kepada hasil yang lebih baik dibandingkan skema non-skema fusi dan fusi dengan NN.

1) Melalui pembandingan titik dimana FRR (false rejection rate) sama dengan FAR (tingkat penerimaan palsu), disimpulkan bahwa SVM melakukan jauh lebih baik daripada semua skema lain (SVM tingkat kesalahan sebesar kurang dari 0,10). Ketika FAR diizinkan lebih besar dari 0,06, yang FRR dari SVM terus yang terkecil di antara semua rencana.

2) ANFIS dapat menjaga FRR jauh lebih rendah sedangkan FAR kecil. Pada Gambar 1, diamati bahwa ketika FAR lebih rendah dari 0,12, ANFIS lebih baik daripada NN; ketika FAR lebih rendah dari 0,06, ANFIS melakukan lebih baik dari SVM. Dalam beberapa aplikasi, FAR rendah sangat penting, sehingga fusi berdasarkan ANFIS adalah penggunaan angka yang besar.

Dari hasil eksperimen dan analisis di atas, ditarik kesimpulan bahwa melalui mekanisme nonlinier SVM dan ANFIS, fitur global dan lokal digabungkan untuk setiap subyek, bukan dengan cara yang sama untuk subyek yang berbeda seperti pada fusi NN. Dengan cara ini didapatkan peningkatan hasil verifikasi wajah.

Hasil perbandingan antara ANFIS dan SVM, kesimpulan konvensional, dalam Gambar 1, kurva datar dari ANFIS menjadi lebih cepat daripada yang lain. Alasannya adalah bahwa ANFIS, yang melakukan pelatihan melalui meminimalkan risiko empiris. Sementara SVM dibentuk berdasarkan minimisasi risiko struktural, ia memiliki kemampuan lebih dari generalisasi. Hasil percobaan menunjukkan bahwa kedua ANFIS dan SVM dapat disesuaikan ke setiap kelas khusus melalui pembelajaran dan hasil seperti kombinasi adaptif dalam kinerja yang lebih baik dari pengenalan wajah. Oleh karena itu, ANFIS dan SVM harus memiliki kepentingan yang sama.

Gambar 1. Comparison of verification results

Hasil penelitian menunjukkan bahwa algoritma ANFIS dan SVM memberikan peningkatan kinerja dibandingkan dengan pengenalan wajah fusi non-adaptif dan skema wajah non-fusi. Penelitian membuktikan bahwa sistem memiliki kemampuan beradaptasi terhadap subyek adalah nilai besar.

Posted in: Elektronika