Face Recognition In Databases of images With Hidden Markov's Models - Archive ouverte HAL Accéder directement au contenu
Pré-Publication, Document De Travail Année : 2022

Face Recognition In Databases of images With Hidden Markov's Models

Reconnaissance Faciale Dans des Bases de Données d'Images à l'Aide des Modèles de Markov Cachés

Résumé

In this paper, we present a new approach to Facial Recognition (FR) that uses Hidden Markov Models. The method we propose enhances the HMM by integrating a clustering step for the partitioning of each face image before building the associated model. We then propose an algorithm for converting the HMM model into a vector in order to apply the usual metrics such as the Euclidean distance and the Manhattan distance in the faces model comparison phase. We apply this algorithm to a publicly available image databases FERET, which allowed us to obtain 100.00% True Positive Rates (TPR) and 99.98% True Negative Rates (TNR) for our enhanced HMMs method, compared to 100.00% of TPR and 99.95% of TNR with Grid+HMMs, then 77.14% of TPR and 79.05% of TNR with Discrete Markov Models. These performances are obtained on the basis of their confusion matrix, then the sensitivity, specificity, the accuracy, th precision and the F1-Score of each of these methods.
Dans cet article, nous présentons une nouvelle approche de la reconnaissance faciale (RF) qui utilise des modèles de Markov cachés. La méthode que nous proposons améliore le HMM en intégrant une étape de clustering pour le partitionnement de chaque image de visage avant de construire le modèle associé. Nous proposons ensuite un algorithme de conversion du modèle HMM en vecteur afin d'appliquer les métriques usuelles telles que la distance euclidienne et la distance de Manhattan dans la phase de comparaison des modèles de visages. Nous appliquons cet algorithme à une base de données d'images accessible au public FERET, ce qui nous a permis d'obtenir 100,00 % de taux de vrais positifs (TPR) et 99,98 % de taux de vrais négatifs (TNR) pour notre méthode HMM améliorée, contre 100,00 % de TPR et 99,95 % de TNR avec Grid+HMMs, puis 77,14 % de TPR et 79,05 % de TNR avec des modèles de Markov discrets. Ces performances sont obtenues sur la base de leur matrice de confusion, puis de la sensibilité, de la spécificité, de l'exactitude, de la précision et du F1-Score de chacune de ces méthodes.
Fichier principal
Vignette du fichier
ARIMA_MBIETIEU_AMOS_Submitted_version.pdf (593.07 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03589836 , version 1 (25-02-2022)

Identifiants

  • HAL Id : hal-03589836 , version 1

Citer

Mbietieu Amos, Tapamo Kenfack, Eone Oscar. Face Recognition In Databases of images With Hidden Markov's Models. 2022. ⟨hal-03589836⟩
76 Consultations
28 Téléchargements

Partager

Gmail Facebook X LinkedIn More