Reconocimiento facial utilizando modelo oculto de Markov y red neuronal convolucional
Autores: Bilal, Muhammad; Razzaq, Saqlain; Bhowmike, Nirman; Farooq, Azib; Zahid, Muhammad; Shoaib, Sultan
Idioma: Inglés
Editor: MDPI
Año: 2024
Disponible con Suscripción Virtualpro
Artículos
Categoría
Ingeniería y Tecnología
Licencia
Atribución – Compartir igual
Consultas: 3
Citaciones: Sin citaciones
El reconocimiento facial (FR) utiliza un enfoque pasivo para la autenticación de personas que evita el contacto cara a cara. Entre las diferentes técnicas de FR, la mayoría de los enfoques de FR ponen poco énfasis en la reducción de la criptografía potente y en cambio se concentran en aumentar las tasas de reconocimiento. En este documento, hemos propuesto los modelos de Modelo Oculto de Markov (HMM) y Red Neuronal Convolucional (CNN) para FR utilizando conjuntos de datos ORL y Yale. Las imágenes faciales de los conjuntos de datos dados se dividen en 3 porciones, 4 porciones, 5 porciones y 6 porciones correspondientes a sus respectivos estados ocultos de HMM utilizados en el modelo HMM. Los niveles cuantificados de autovalores y coeficientes de eigenvectores de bloques superpuestos de imágenes faciales definen los estados de observación del modelo HMM. Para la selección y rechazo de imágenes, se calcula un umbral utilizando la descomposición de valores singulares (SVD). Después de entrenar HMM en HMM de 3 estados, HMM de 4 estados, HMM de 5 estados y HMM de 6 estados, las precisión de reconocimiento es del 96.5%, 98.5%, 98.5% y 99.5%, respectivamente, en la base de datos ORL y 90.6667%, 94.6667%, 94.6667% y 94.6667% en la base de datos de Yale. El modelo CNN utiliza capas convolucionales, una capa de max-pooling, una capa de aplanamiento, una capa densa y una capa de abandono. Relu se utiliza como función de activación en todas las capas excepto en la última capa, donde se utiliza softmax como función de activación. Se utiliza la entropía cruzada como función de pérdida, y hemos utilizado el optimizador Adam en nuestro algoritmo propuesto. El modelo CNN propuesto ha dado una precisión del 100% en entrenamiento y prueba en el conjunto de datos ORL. Mientras que al utilizar el conjunto de datos de Yale, el modelo CNN tiene una precisión de entrenamiento del 100% y una precisión de prueba del 85.71%. En este documento, nuestro modelo propuesto mostró que el modelo HMM es rentable con una menor precisión, mientras que el modelo CNN es más preciso en comparación con HMM pero tiene un mayor costo computacional.
Descripción
El reconocimiento facial (FR) utiliza un enfoque pasivo para la autenticación de personas que evita el contacto cara a cara. Entre las diferentes técnicas de FR, la mayoría de los enfoques de FR ponen poco énfasis en la reducción de la criptografía potente y en cambio se concentran en aumentar las tasas de reconocimiento. En este documento, hemos propuesto los modelos de Modelo Oculto de Markov (HMM) y Red Neuronal Convolucional (CNN) para FR utilizando conjuntos de datos ORL y Yale. Las imágenes faciales de los conjuntos de datos dados se dividen en 3 porciones, 4 porciones, 5 porciones y 6 porciones correspondientes a sus respectivos estados ocultos de HMM utilizados en el modelo HMM. Los niveles cuantificados de autovalores y coeficientes de eigenvectores de bloques superpuestos de imágenes faciales definen los estados de observación del modelo HMM. Para la selección y rechazo de imágenes, se calcula un umbral utilizando la descomposición de valores singulares (SVD). Después de entrenar HMM en HMM de 3 estados, HMM de 4 estados, HMM de 5 estados y HMM de 6 estados, las precisión de reconocimiento es del 96.5%, 98.5%, 98.5% y 99.5%, respectivamente, en la base de datos ORL y 90.6667%, 94.6667%, 94.6667% y 94.6667% en la base de datos de Yale. El modelo CNN utiliza capas convolucionales, una capa de max-pooling, una capa de aplanamiento, una capa densa y una capa de abandono. Relu se utiliza como función de activación en todas las capas excepto en la última capa, donde se utiliza softmax como función de activación. Se utiliza la entropía cruzada como función de pérdida, y hemos utilizado el optimizador Adam en nuestro algoritmo propuesto. El modelo CNN propuesto ha dado una precisión del 100% en entrenamiento y prueba en el conjunto de datos ORL. Mientras que al utilizar el conjunto de datos de Yale, el modelo CNN tiene una precisión de entrenamiento del 100% y una precisión de prueba del 85.71%. En este documento, nuestro modelo propuesto mostró que el modelo HMM es rentable con una menor precisión, mientras que el modelo CNN es más preciso en comparación con HMM pero tiene un mayor costo computacional.