MÉTHODE D'EXTRACTION DE CARACTÉRISTIQUES EFFICACE POUR UN ENVIRONNEMENT SANS CONTRAINTE : MOTIF BINAIRE LOCAL OU MOTIF TERNAIRE LOCAL
DOI :
https://doi.org/10.59277/RRST-EE.2024.69.4.13Mots-clés :
Modèle binaire local, Modèle ternaire local, Extraction de fonctionnalités, Apprentissage automatique, Environnement sans contrainte, Non-coopérationRésumé
Dans cette étude, une gamme d’algorithmes répondant aux défis posés par le bruit et l’éclairage ont été étudiés. Deux algorithmes, à savoir LTP et LBP, ont été sélectionnés pour comparaison en raison de leur efficacité démontrée. Le processus prend beaucoup de temps en raison de la formation des échantillons, principalement lorsqu'il s'agit d'images présentant des niveaux plus élevés de variations de bruit et d'éclairage, ce qui nécessite des algorithmes efficaces pour une reconnaissance efficace. Comparer deux méthodes efficaces d'extraction de fonctionnalités, à savoir le modèle binaire local (LBP) et le modèle ternaire local (LTP) pour un environnement sans contrainte. L'impact des facteurs de bruit et d'éclairage est particulièrement prononcé dans les ensembles de données sur l'iris des sujets non coopératifs, qui servent d'images d'entrée pour cette analyse. Ces algorithmes ont été appliqués à divers ensembles de données dotés de propriétés d'éclairage distinctes pour faciliter l'extraction de caractéristiques. Les résultats ont indiqué que le LTP présentait une efficacité en comparaison, ce qui suggère son efficacité dans la gestion d'ensembles de données présentant des caractéristiques d'éclairage variables. Une analyse comparative entre LBP et LTP a été menée sur deux ensembles de données distincts, à savoir UBIRIS et CASIA. L'enquête sur la sensibilité du LTP a révélé une sensibilité accrue lors du test d'analyse des performances, avec une précision constante observée sur 50 échantillons et une échelle de 0,3. Dans le cas de l'ensemble de données CASIA sur l'iris, les récits LTP et LBP présentaient des niveaux de précision presque identiques, convergeant après 70 échantillons pour les ensembles de données non coopératifs sur l'iris par rapport au LBP.
Références
(1) A.F.M. Raffei, H. Asmuni, R. Hassan, R.M. Othman, Feature extraction for different distances of visible reflection iris using multiscale sparse representation of local Radon transform, Pattern Recognition, 46, 10, pp. 2622-2633 (2013).
(2) A. Rampun, P. Morrow, B. Scotney, J. Winder, Breast density classification using local ternary patterns in mammograms, In Int. Conf. Image Analysis and Recognition, 1, pp. 463-470 (2017).
(3) A.F. Zhilali, M. Nasrun, C. Setianingsih, Face recognition using Local Binary Pattern (LBP) and Local Enhancement (LE) Methods at Night Period. Inter. Conf. on Industrial Enterprise and System Engineering (Atlantis Press) (2018), 1, pp. 103-108 (2019).
(4) B. Zhang, Y. Gao, S. Zhao, J. Liu, Local derivative pattern versus local binary pattern: face recognition with high-order local pattern descriptor, IEEE Trans. on image processing, 19, 2, pp. 533-544 (2009).
(5) D. Huang, C. Shan, M. Ardabilian, Y. Wang, L. Chen, Local binary patterns and its application to facial image analysis: a survey, IEEE Trans. on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 41, 6, pp. 765-781, (2011).
(6) I.L. KambiBeli, C. Guo, Enhancing face identification using local binary patterns and k-nearest neighbors, J. of Imaging, 3, 3, pp. 37-49 (2017).
(7) J.R. Malgheet, N.B. Manshor, L.S. Affendey, Iris recognition development techniques a comprehensive review, Complexity, pp. 1-32 (2021).
(8) J. Ren, X. Jiang, J. Yuan, A chi-squared-transformed subspace of LBP histogram for visual recognition, IEEE Trans. on Image Processing, 24, 6, pp. 1893-1904 (2015).
(9) K. Nguyen, C. Fookes, S. Sridharan, Constrained design of deep iris networks, IEEE Trans. on Image Processing, 29, pp. 7166-7175 (2020).
(10) K. Wang, A. Kumar, Cross-spectral iris recognition using CNN and supervised discrete hashing, Pattern Recognition, 86, pp. 85-98 (2019).
(11) K.S. Reddy, V.V. Kumar, B.E. Reddy, Face recognition based on texture features using local ternary patterns, Int. J. of Image, Graphics and Signal Processing, 7, 10, pp. 37-45 (2015).
(12) L. Ji, Y. Ren, X. Pu, G. Liu, Median local ternary patterns optimized with rotation-invariant uniform-three mapping for noisy texture classification, Pattern Recognition, 79, pp. 387-401 (2018).
(13) L. Liu, P. Fieguth, Y. Guo, X. Wang, M. Pietikäinen, Local binary features for texture classification: Taxonomy and experimental study, Pattern Recognition, 62, pp. 135-160 (2017).
(14) L. Liu, S. Lao, P.W. Fieguth, Y. Guo, X. Wang, M. Pietikäinen, Median robust extended local binary pattern for texture classification, IEEE Trans. on Image Processing, 25, 3, pp. 1368-1381 (2016).
(15) M. Huang, Z. Mu, H. Zeng, S. Huang, Local image region description using orthogonal symmetric local ternary pattern, Pattern Recognition Letters, 54, pp. 56-62 (2015).
(16) National Laboratory of Pattern Recognition (NLPR) | Institute of Automation, Chinese Academy of Sciences (CASIA),
(17) S. Murala, R.P. Maheshwari, R. Balasubramanian, Local tetra patterns: a new feature descriptor for content-based image retrieval, IEEE Trans. on image processing, 21, 5, pp. 2874-2886 (2012).
(18) S. Wang, Q. Wu, X. He, J. Yang, Y. Wang, Local N-Ary pattern and its extension for texture classification. IEEE Trans. on Circuits and Systems for Video Technology, 25, 9, pp. 1495-1506 (2015).
(19) S. Wu, L. Yang, W. Xu, J. Zheng, Z. Li, Z. Fang, A mutual local-ternary-pattern based method for aligning differently exposed images, Computer Vision and Image Understanding, 152, pp. 67-78 (2016).
(20) S.T. Mahaboob, S.N. Reddy, Comparative performance analysis of LBP and LTP based facial expression recognition. Int. J. of Applied Engineering and Research, 12, 17, pp. 6897-6900 (2017).
(21) T.H. Rassem, B.E. Khoo, Completed local ternary pattern for rotation invariant texture classification, Scientific World Journal (2014).
(22) ***University of Bath Iris Image Database.
(23) W. Yang, Z. Wang, B. Zhang, Face recognition using adaptive local ternary patterns method, Neurocomputing, 213, pp. 183-190 (2016).
(24) X. Wu, J. Sun, G. Fan, Z. Wang, Improved local ternary patterns for automatic target recognition in infrared imagery, Sensors, 15, 3, pp. 6399-6418 (2015).
(25) Y. Ma, Z. Huang, X. Wang, K. Huang, An overview of multimodal biometrics using the face and ear, Mathematical Problems in Engineering, pp. 1-17 (2020).
(26) Z. Guo, X. Wang, J. Zhou, J. You, Robust texture image representation by scale selective local binary patterns, IEEE Trans. on image processing, 25, 2, pp. 687-699 (2015).
(27) M.I. Abdelwanis, R. El-Sehiemy, M.A. Hamida, Parameter estimation of permanent magnet synchronous machines using particle swarm optimization algorithm, Rev. Roum. Sci. Techn. Serie Electrotechn. et Energ., 64, 4, pp.377-382 (2022)
(28) 28. B.R.C. Joseph, I.J. Jebadurai, G.J.L. Paulraj, J. Jebadurai, M.M. Varuvel, Deep Vein Net: Deep vein thrombosis identification via sooty tern optimized deep learning network, Rev. Roum. Sci. Techn. Serie Electrotechn. et Energ., 69, 1, pp.115-120 (2024).
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2024
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
