Real Time Faces Localisation and Recognition with a RBF neural network : Algorithm and Architecture
Localisation et Reconnaissance de Visages en Temps Réels avec un Réseau de Neurones RBF: Algorithme et Architecture
OPEN ACCESS
This paper describes a real time vision system, allowing to localize faces in video sequences and to recognize their identity. These processes are based on combining techniques of image processing and neural network approach. The robustness of this system has been evaluated quantitatively on 8 video sequences. We have tested our model using the ORL database in order to compare performances with other systems. The system has also been implanted on electronic architectures based on dedicated chip ZISC and FPGA. We analyse the algorithm complexity and we present results of hardware implementations in terms of used resources and processing speed.
Résumé
Cet article décrit un système de vision temps réel permettant de localiser des visages dans des séquences vidéo ainsi que de reconnaître leur identité. Ces processus sont effectués en combinant des techniques de traitements d'images et des méthodes de réseaux de neurones. La robustesse du système a été évaluée quantitativement sur un corpus de 8 séquences vidéo. Dans le but de comparer les performances avec les autres méthodes existantes, nous avons également testé notre modèle en utilisant la banque de visages standard ORL. Le système a aussi été implanté sur deux architectures électroniques à base de composants spécialisés ZISC et de FPGA. Nous analysons la complexité de l'algorithme et nous présentons les résultats des implantations architecturales en termes de ressources matérielles et de vitesse de traitement.
Faces localization and recognition, RBF neural networks, real-time implementation, FPGA device, ZISC chip.
Mots clés
Localisation et reconnaissance de visages, réseaux de neurones RBF, implantation en temps réel, FPGA, processeur ZISC.
[1] R. Férand, O.J. Bernier and al., A fast and accurate face detector based on neural networks, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.23, No.1, pp.42-53, January, 2001.
[2] Intrator, D. Reisfeld and Y. Yeshurnn, Face recognition using a hybrid supervised/unsupervised neural network, Pattern Recognition Letter, No.17, pp.67-76, January, 2001.
[3] H.A. Rowley, S. Baluja and T. Kanade, Neural network-based face detection, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.20, No.1, pp.23-38, January, 1998.
[4] D. Valentin, H. Abdi and B. Edelman, What represents a face : A Computational Approach for the integration of Physiological and Psychological Data, Perception, Vol.26, pp.1271-1288, 1997.
[5] M. Slimane, T. Brouard and al., Apprentissage non-supervisé d'images par hybridation génétique d'une chaîne Markov cachée, Traitement du Signal, Vol.16, No.6, pp.461-475, 1999.
[6] T.K. Leung, M.C. Burl and P. Perona, Finding Faces in Cluttered Scenes using random Labeled Graph Matching, Fifth Intl. Conf on Comp. Vision, Cambridge, MA, 1995.
[7] B. Moghaddam and A. Pentland, Probabilistic Visual Learning for Object representation, IEEE Trans. PAMI, Vol.19, pp.696-710, 1997.
[8] H. Abdi, D. Valentin and A. O'Toole, A generalized auto-associator model for face semantic process, In Optimization and neural network, edité par D.Levine (Erlbaum, Hillsdale), 1997.
[9] M. Rosenblum,Y. Yacoob and L.S. Davis, Human expression recognition from motion using a radial basis function network Architecture, IEEE Trans. On Neural Networks, Vol.7, No.5, pp.1121-1138, 1996.
[10] A.J. O'Toole, S. Edelman and H.H.B lthoff, Stimulus-specific effects in face recognition over changes in viewpoint, Vision Research, Vol.38, pp.2351-2363, 1998.
[11] A.J. Howell and H. Buxton, Learning identity with radial basis function networks, Neurocomputing, Vol.20, pp.15-34, 1998.
[12] I. Park and I.W. Sandberg, Universal approximation using radial basis function networks, Neural Computation , Vol.3, pp.246-257, 1991.
[13] M.T. Musavi,W. Ahmed and al., On the training of radial basis function classifiers, Neural Networks, Vol.5, pp.595-603, 1992.
[14] E. Viennet, Architecture connexionniste multimodulaire : Application à l'analyse de scène, Th èse de doctorat, Université de Paris Sud, 1993.
[15] T. Sim, R. Sukthankar and al., Memory-Based face recognition for visitor Identification, 4th IEEE International Conf. On automatic face and gesture recognition, Grenoble, France, 26-30 March 2000.
[16] J.M. Torres-Moreno, P. Velzquez-Morales and J.G. Meunier, Classphères : un réseau incrémental pour l'apprentissage non supervisé appliqué à la classification de textes, JADT 2000, pp 365-372, M. Rajman & J.-C. Chappelier éditeurs, EPFL.
[17] N. Boujemaa, C. Nastar and J. Malki, Requêtes partielles sans segmentation pour la recherche d'images par le contenu, 12eme Congres Francophone ARIF-AFIA RFIA (Reconnaissance de Formes et Intelligence Artificielle), Paris, 1-3 Fev. 2000
[18] http://www.research.att.com/facedatabase.html.
[19] site web : www.general-vision.com.
[20] A. Eide, An implementation of the zero instruction set computer (zisc036) on a PC/ISA-bus card, WNN/FNN, Invited Talk, 1994.
[21] K. Madani, G. Trémiolles and P. Tannhof, Image processing - zisc036 neuro-processor based image processing, Computer Vision, Vol.2085, pp.200-207, 2001.
[22] The programmable logic data book, Xilinx 1998 et site internet : www.xilinx.com.
[23] Omnivision, site web : www.ovt.com
[24] N. Malasné, Localisation et reconnaissance de visage en temps réel : Algorithmes et Architectures, Th èse de doctorat, Université de Bourgogne, 2002.
[25] site web : www.memec.com.
[26] M. Porrmann, U. Witkowski and al., Implementation of artificial neural networks on a reconfugurable hardware accelerator, 10th Euromicro Workshop on Parallel, Distributed and Network-based Processing, pp.243-250, 2002.
[27] M. Aberbour, Architecture and design methodology of the RBF-DDA neural network, Processing of the IEEE International Symposium on Circuits and Systems, Monterey, CA, USA, 1998.