La reconnaissance des visages: une comparaison entre les réseaux des neurones compétitifs et les réseaux des neurones à spike
A Comparison between Artificial and Spike Neural Network for Face Recognition
OPEN ACCESS
Face recognition is the process of the automatic recognition of the person’s identity based on individual informations that are included in face image. This technique makes the face recognition possible, to use the person’s image, to verify their identity and control access to services such as e-commerce, internet access, physical access control, cellular phones, border control, passport control, database access services, information services, security control for confidential information areas, and remote access to computers. This document demonstrates how a face recognition system can be designed by a conventional artificial neural network and by another more recent neural network, which is called Spike neural network. The latter is developed to capture the important characteristics of the face, to simulate the human visual system and to optimise the computational time, this last characteristic has been one of the driving forces behind the development of spike neural networks. This kind of neural networks has scored a perfect recognition rate of 92.10 %, 95.00 % and 93.10 %, with a maximum training time of 150ms for the three databases, compared to the case when the artificial neural network is applied, where the rate was 71.05 %, 77.50 % and 73.89 %, with a maximum training time of 2 hours 17 min 45 s. Note that the training process of the two networks, on different sets of noisy images, forced the two networks to learn how to deal. In this case, a common problem in the real world.
Résumé
Il est souvent utile d’avoir une machine qui effectue la reconnaissance. En particulier, les machines qui peuvent reconnaître des images de visage sont très coûteuses. Effectivement, une machine qui contient un système qui peut traiter ou reconnaître plus d’image de visage qu’un opérateur humain. Ce type de système fait gagner du temps et de l’argent, et élimine les tâches répétitives pour l’opérateur humain. Cet article montre comment un système de reconnaissance des visages peut être réalisé par un réseau de neurones artificiel de type perception multicouche et par un réseau de neurones à spike. Le système à base de spike est développé pour acquérir les importantes caractéristiques du visage, pour simuler le système de la vision humaine et pour optimiser le temps de calcul, ce dernier objectif c’est la principale force derrière le développement des systèmes à base des réseaux de neurones à spike. Avec ce derniers système, les meilleurs résultats de reconnaissance ont été obtenus et un gain du temps considérable d’apprentissage a été enregistré. Dans ce cas-ci, le système à base de réseau neurones à spike a enregistré un taux de reconnaissance de 92.10 %, 95.00 % et de 93,10 % avec un temps maximum d’apprentissage de 150 ms (milliseconde) pour les trois bases de données utilisées lors des tests, comparé au premier système, où le taux de reconnaissance est de 71.05 %, 77.50 % et de 73.89 %, avec un temps maximum d’apprentissage de 2 heures 17min 45s. Cela fait, que le système de reconnaissance à base des spikes est meilleur. A noter que l’apprentissage du réseau sur différents ensembles d’images lui force à apprendre comment il se comporte vis-à-vis la variété des visages, un problème commun dans le monde réel...
Biometric, Pattern Recognition, Artificial Neural Network, Spike Neural Network, Image processing
Mots clés
Biométrie, reconnaissance des formes, réseau de neurones artificiel, réseau de neurones à spike, traitement d’image
[1] R. ADJOUDJ, « Détection & Reconnaissance des Visages En utilisant les Réseaux de Neurones Artificiels », Magister Thesis of artificial Intelligence, Computer Science Department, University of Sidi BelAbbès, 2002
[2] R. ADJOUDJ, A. BOUKELIF, « Artificial Neural Network & Multilevel 2-D Wavelet Decomposition Code-Based Iris Recognition », the International Conference on Computing, Communications and Control Technologies, Paper No. T645XC, CCCT 2004, Austin (Texas), USA, on August 14-17, 2004.
[3] R. ADJOUDJ, A. BOUKELIF, « Détection et reconnaissance des visages basée sur les réseaux de neurones artificiels », Communication Science & Technologie Journal, COST Journal, Vol. 03, 2005, pp. 78-92.
[4] R. ADJOUDJ, A. BOUKELIF, « Artificial neural network-based face recognition », International Symposium on Control, Communications and Signal Processing, Paper No 1107, IEEE-ISCCSP 2004, Hammamet, Tunisia, March 2004.
[5] R. ADJOUDJ, A. BOUKELIF, « Detection and recognition of the faces based on the artificial neural networks », RIST Journal, Vol, 13 n°02, 2003, pp. 93-108.
[6] R. ADJOUDJ, A. BOUKELIF, « Artificial neural network & mel-frequency cepstrum coefficients-based speaker recognition», 3rd international conference: sciences of electronic, technologies of information and telecommunications, IEEE-SETIT 2005, pp. 174-179, Tunisia, march 27-31, 2005.
[7] R. ADJOUDJ, « Reconnaissance & Identification Des Personnes Par Authentification Automatique Dans Un Système De Haute Sécurité », PhD thesis, Computer Science Department, University of Sidi BelAbbès, 2006.
[8] Souad BELHIA, Mohamed BENYATTOU, Ahmed LEHIRECHE, Réda ADJOUDJ, « Vérification et reconnaissance des signatures manuscrite hors-ligne en utilisant les SVMs multi-classes et les réseaux de neurones à Impulsion », International conference on Web and information technologies, Sidi Bel Abbes, Algeria, June, 2008.
[9] D.J. BEYMER, « Pose-Invariant Face Recognition Using Real & Virtual Views », PhD thesis at the Massachusetts Institute of Technology, MIT, USA, 1996.
[10] C.M. CARRILLO, « Continuous Biometric Authentication For Authorized Aircraft Personnel », master thesis, Naval Postgraduate School Monterey, California, June 2003.
[11] J. DAUGMAN, « Face and Gesture Recognition: Overview », IEEE PAMI, vol.19, no.7, July 1997.
[12] A. DELORME, R. VAN RULLEN & S. THORPE, « SpikeNet: a simulator for modeling large networks of integrate and fire neurons », Neurocomputing Journal, ElSevier Ed., Vol.38-40(1-4), 2001, pp. 539-545.
[13] H. DEMUTH, M. BEALE, Neural Network Toolbox User’s Guide For Use with MATLABR, The Math Works Ed., USA, 1998.
[14] R.P.W. DUIN, P. JUSZCZAK, P. PACLIK, E. PEKALSKA, D. De RIDDER, D.M.J. TAX, PRTools4, A Matlab Toolbox for Pattern Recognition, Delft University of Technology, 2004.
[15] H. GAMBOA, A. L. N. FRED and A. K. JAIN, « Webbiometrics: User Verification Via Web Interaction ». Biometric Symposium, BCC, Baltimore, September, 2007.
[16] S. HAYKIN, Neural Networks : A Comprehensive Foundation, Prentice Hall Ed., NJ, USA,1999.
[17] R.L. HSU, « Face Detection and Modeling for Recognition », PhD thesis, Department of Computer Science & Engineering, Michigan State University, USA, 2002.
[18] A. K. JAIN, P. FLYNN, A. ROSS, Handbook of Biometrics, Springer Ed., 2007,
[19] A. K. JAIN, « Biometric recognition: Q&A », Nature, Vol. 449, pp. 38-40, 6th September 2007.
[20] D. MALTONI, D. MAIO, A.K. JAIN, S. PRABHAKAR, Handbook of Fingerprint Recognition, Springer Ed., New York, 2003.
[21] T. MITCHELL, « Neural Net & Face Images », PhD thesis, Carnegie Mellon University, Pittsburgh, USA, October 1997.
[22] K. NANDAKUMAR, A. K. JAIN and S. PANKANTI, « Fingerprintbased Fuzzy Vault: Implementation and Performance », IEEE Trans. on Information Forensics and Security, 2007.
[23] K. NANDAKUMAR, « Multibiometric Systems: Fusion Strategies and Template Security », PhD thesis, Department of Computer Science and Engineering, Michigan State University, 2008.
[24] J.S. NORRIS, « Face Detection and Recognition in Office Environments », Master thesis of Computer Science at the Massachusetts Institute of Technology, M.I.T, USA, May 21, 1999.
[25] X. LU and A. K. JAIN, « Deformation Modeling for Robust 3D Face Matching » IEEE Trans. on Pattern Analysis and Machine Intelligence, 2007.
[26] H.A. ROWLEY, « Neural Network-based face detection », Phd Thesis, Carnegie Mellon University, Pittsburgh, USA, May 1999.
[27] S. THORPE, D. FIZE, C. MARLOT, « Speed of processing in the human visual system », Nature journal, vol.381, 1996, pp. 520-522.
[28] S. J. THORPE, J. GAUTRAIS, « Rank Order Coding: A new coding scheme for rapid processing in neural networks», Computational Neuroscience: Trends in Research, J. Bower Ed. New York, 1998, pp.113-118.
[29] Y.L. TIAN & T. KANADE, « Recognizing Action Units For Facial Expression Analysis », Carnegie Mellon University, Pittsburgh, USA, 1999.
[30] R. VAN RULLEN, J. GAUTRAIS, A. DELORME, S.J. THORPE, « Face detection using one spike per neurone », Biosystems journal, vol. 22, 1998.
[31] L. ZHAOPING, « A neural model of contour integration in the primary visual cortex », Neural Computation journal, ElSevier Ed., vol.10, 1998, pp. 903-40.