Comparative study of machine learning algorithms for face recognition - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue Revue Africaine de Recherche en Informatique et Mathématiques Appliquées Année : 2022

Comparative study of machine learning algorithms for face recognition

Étude comparative d'algorithmes d'apprentissage artificiel pour la reconnaissance faciale

Résumé

Background: The fundamental need for authentication and identification of humans through their physiological, behavioral or biological characteristics, continues to be used extensively to monitor and secure localities, property, financial transactions, etc. These biometric systems, especially those based on face characteristics, continue to attract the attention of researchers, major public and private services. In the literature, a multitude of methods have been deployed by different authors. Naturally an order of performance must be defined in order to be able to recommend the most effective method, because an error in an attempt to identify a person is of serious consequence. So, the main objective of the work carried out in this article is to make a comparative study of different existing techniques. Methods: A biometric system is generally composed of four stages: acquisition of facial images, pre-processing, extraction of characteristics and finally classification. We will focus our comparison on the performance of artificial learning algorithms used in the last stage. These algorithms are: Support Vector Machines (SVM), Artificial Neural Networks (ANN), K Nearest Neighbors (KNN), Random Forests (RF), Logistic Regression (LR) and Naive Bayesian Classification (NB: Naive Bayes' Classifiers). The comparison criterion is the average performance, calculated using three performance measures: recognition rate, f-measure of the confusion matrix, and the area under the receiver operating characteristic (ROC) curve. Results: Based on this criterion, the performance comparison of these machine learning algorithms, ranked SVM the best, with an average performance of 99.05%. Discussion: Consideration of performance measure of all six classification techniques such as SVM, LR, ANN, RF, KNN, NB classifiers, we obtained respectively the following average performances: 99.05%, 98.91%, 98.89%, 97.14%, 96.82% and 95.89%. According to these results of which the worst is 95.89%, we can say that the machine learning algorithms for classification are one key step for face recognition. The comparison of these results with existing state-of-the-art methods is nearly the same. Authors achieved for the following classifiers: SVM, ANN, LR, RF, KNN and NB respectively the following accuracies: 98.80%, 97.25%, 96.44%, 95.56%, 95.14%, 94.82%. Finally, in depth discussion, we concluded that between all these approaches which are useful in face recognition, the SVM is the best classification algorithm.
La nécessité fondamentale de l’authentification et de l’identification de l’homme par ses caractéristiques physiologiques, comportementales ou biologiques qui s’est profondément imposée à l’homme depuis la nuit des temps ; continue aujourd’hui encore à être énormément utilisée pour surveiller et sécuriser des localités, des biens, les transactions financières, entre autres. Ces systèmes biométriques en l’occurrence ceux utilisant le visage ne cessent d’attirer l’attention des chercheurs et des grands services publiques et privés. Dans la littérature une multitude de méthodes a été déployée par les différents auteurs. Et naturellement un ordre de performance doit être défini en vue de pouvoir recommander la méthode la plus efficace car une erreur dans une tentative d’identification d’un individu est lourde de conséquence. Alors le travail effectué dans ce mémoire a consisté à faire une étude comparative des différentes techniques existantes. Un système biométrique comprend en général quatre étapes : l’acquisition des images de visage, les prétraitements, l’extraction des caractéristiques et enfin la classification. Nous focaliserons notre comparaison sur les performances des algorithmes d’apprentissage artificiel utilisés dans la dernière étape. Ces algorithmes sont : les machines à vecteurs support (SVM : Support Vectors Machines, en Anglais), les réseaux de neurones artificiels (ANN : Artificial Neural Netwoks, en Anglais), les K plus proches voisins (KNN : K Nearest Neighbours, en Anglais), les forêts aléatoires (RF : Random Forest, en Anglais), la régression logistique (LR : Logistic Regression, en Anglais) et la classification naïve bayésienne (NB : Naive Baye’s Classifiers, en Anglais). Et le critère de comparaison est la performance moyenne calculée en utilisant trois mesures de performance à savoir : le taux de reconnaissance, la f-mesure de la matrice de confusion et l’aire sous la courbe ROC. Sur la base ce critère, la comparaison de la performance de ces algorithmes d’apprentissage artificiel a donné un classement dans lequel les machines à vecteurs supports (SVM) ont occupé la première place avec une performance moyenne de 99.05 %.
Fichier principal
Vignette du fichier
ARIMA-EN-Latex-2-Revised (1).pdf (1.24 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03620410 , version 1 (25-03-2022)
hal-03620410 , version 2 (27-09-2022)
hal-03620410 , version 3 (05-05-2023)
hal-03620410 , version 4 (20-06-2023)
hal-03620410 , version 5 (01-12-2023)
hal-03620410 , version 6 (14-01-2024)
hal-03620410 , version 7 (01-02-2024)

Identifiants

  • HAL Id : hal-03620410 , version 2

Citer

Harouna Naroua, Kadri Chaibou, Atsu Alagah Komlavi. Comparative study of machine learning algorithms for face recognition. Revue Africaine de Recherche en Informatique et Mathématiques Appliquées, 2022. ⟨hal-03620410v2⟩
361 Consultations
1909 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More