published

DOI http://dx.doi.org/10.25098/3.2.23

Issue

Vol 3- Issue 2 DECEMBER 2019

---

ِShakhawan H. Wady¹, Hawkar O. Ahmed²

Department of Information Technology, University College of Goizha, Slemani, Iraq^1,2

Department of Applied Computer, College of Medicals and Applied Sciences, University of Charmo, Chamchamal, Iraq¹

Department of Information Technology, College of Commerce, University of Sulaimani,Slemani, Iraq²

[email protected]¹, [email protected]²

---

 Abstract:

 Facial recognition becomes an active research area of computer vision which provides the demographic information such as gender, age, and ethnicity. The feature extraction and classification technique(s) used to recognize facial images play an important role in achieving high identification rate for a recognition system. The present study is a comparative analysis of two feature extraction techniques: Discrete Wavelet Transform and Discrete Cosine Transform with k-Nearest Neighbor classifiers. It uses 9 different distance functions: City Block, Euclidean, Minkowski, Chebyshev, Standard Euclidean, Cosine, Correlation, Spearman, and Mahalanobis to find the similarity measure between face images. The performance is evaluated in term of the identification accuracy rate and identification time. A series of experimentations is performed on 1200 face images are collected from different standard databases. Experimental outcomes demonstrate that for DWT and DCT feature extraction, city block distance and Euclidean distance metrics produce highly accurate identification rate than other distance metrics.

Keywords:  Ethnicity Identification; Color Space; Features Extraction; k-Nearest Neighbors; Distance Metrics

الملخص:

التعرف علی وجە الانسان احد الحقول المهمة للبحث في انظمة الحاسوب الذي یمکن فیها جمع ادق المعلومات عن الأنسان مثل الجنس و العمر و العرق.جمع المعلومات مع بعض تقنیات التصنیف یشکل برنامج للحاسوب للتعرف علی صورة وجە الأنسان.في هذا البحث یتم تحلیل دقیق بأستخدام تقنیتین لأخراج و جمع المعلومات من الصور وهما:( Discrete Wavelet Transform) و (Discrete Cosine Transform) و من بعدە یتم التصنیف بأستخدام (k- nearest neighbor classifier) . و فی المرحلة الأخیرة استخدم (٩) طرق مختلفة لتمیز الصور و نسبة التشابە بین الصورة و مجموعة الصور الموجودة في قاعدة البیانات.

(City Block, Euclidean, Minkowski, Chebyshev, Standard Euclidean, Cosine, Correlation, Spearman, Mahalanobis) یتم مقارنة اداء و کفائة التعرف علی الصور من جهتین و هما: معدل دقة التعرف و الوقت اللازم للتعرف.وقد طبق سلسلة من الأختیارات علی (١٢٠٠) صورة للوجه الذي جمع من عدد من  قواعد البیانات القیاسیةمن الأختبارات التي اجریت اکتشف و ثبت ان بأستخدام جمع المعلومات من خلال (DCT,DWT)  و تشخیص معدل التشابه بأستخدام (City Block Distance)  و ( Euclidean Distance) سجل معدل عالي و دقة في التعرف مقارنة بالطرق الأخری.

پوختە:

ناسینەوەی دەم و چاوی مرۆڤەکان یەکێکە لە بوارە گرنگەکانی بواری توێژینەوە کە بە سیستمی کۆمپیوتەری ئەنجام دەدرێت کە تێیدا دەتوانرێت زانیاری وورد لەسەر مرۆڤەکان بەدەست بهێنرێت لەوانە ڕەگەز و تەمەن و دیاریکردنی نەتەوە.وەرگرتنی زانیارییەکان لەگەڵ کۆمەڵێک تەکنیك ڕێگای پۆلێن کردن دەکرێن بە بەرنامەیەکی کۆمپیوتەری بۆ ناسینەوەی وێنەی دەم و چاوی مرۆڤەکان.لەم توێژینەوەیەدا شیکارییەکی ووردکراوە بەبەکارهێنانی دوو تەکنیک بۆ دەرهێنان و وەرگرتنی زانیارییەکان لە وێنەکاندا ئەوانیش ( Discrete Wavelete Transform ( لەگەڵ Discrete Cosine Transform)) پاشان پۆڵێن کردنیان بە بەکارهێنانی ( K – Nearest Neighbor ).

لە هەنگاوی کۆتاییدا ( ٩ ) نۆ ڕێگای جیاواز بەکارهێنراوە بۆ جیاکردنەوەی وێنەکان ڕێژەی لێکچووی وێنەی دراو بەو وێنانەی کە لە داتابەیسەکەدا هەن.

[City Block, Euclidean, Minkowski, Chebyshev, Standart Euclidean, Cosine, Correlation, Spearman, and Mahalanobis ]

هەڵسەنگاندن و توانای ناسینەوەی وێنەکان لە دوو ڕووەوە وەرگیراوە ئەوانیش دیاریکردنی ڕێژەی ووردی ناسینەوەیە لەگەڵ کاتی پێویست بۆ ناسینەوە.

زنجیرەیەکی زۆر تاقیکردنەوەمان ئەنجام داوە لەسەر ( ١٢٠٠ ) وێنەی دەم و چاو کە کۆمان کردووەتەوە لە چەند داتابەیسێکی پێوانەیی.لە کۆتایی تاقیکردنەوەکەماندا بۆمان دەرکەوتووە و سەلمێنراوە کە بەبەکارهێنان و وەرگرتنی زانیاری ناو وێنەکان بە ڕێگای (DWT  ) و ( DCT ) و دیاریکردنی ڕێژەی لێکچوون بە بەکارهێنانی ( city block distance ) و (  Euclidean distance) ئاستێکی زۆر بەرز و وورد لە ناسینەوەمان دەست دەکەوێت لە چاو ڕێگاکانی تردا.

References

 

1. Han, H. Ugail and I. Palmar, “Gender classification based on 3D face geometry features using SVM”, IEEE international conference on cyber world, (2009),pp. 114-118.
2. Mamatha Hosalli Ramappa and Srikantamurthy Krishnamurthy, “Skew Detection, Correction and Segmentation of Handwritten Kannada Document” International Journal of Advanced Science and Technology , 2012,Vol. 48, November.
3. Collins and Kazunori , “A Comparative Study of Similarity Measures for Content-Based Medical Image Retrieval” In: CLEF (Online Working Notes/Labs/Workshop), 2012.
4. Aman Kataria, M. D. Singh “A Review of Data Classification Using k-Nearest Neighbour Algorithm”, International Journal of Emerging Technology and Advanced Engineering June 2013.
5. Abhijeet Kumar Sinha, K.K. Shukla “A Study of Distance Metrics in Histogram Based Image Retrieva” International Journal of Computers & Technology , 2013Volume 4 No. 3, ISSN 2277-3061.
6. Kittipong Chomboon, Pasapitch Chujai, Pongsakorn Teerarassamee, Kittisak Kerdprasop, Nittaya Kerdprasop,” An Empirical Study of Distance Metrics for k-Nearest Neighbor Algorithm”, Proceedings of the 3rd International Conference on Industrial Application Engineering, 2015.
7. Meenakshi Sharma, Anjali Batra,“An Efficient Content Based Image Retrieval System”. Global Journal of Computer Science and Technology: G Interdisciplinary, 2014 Volume 14 Issue 2 Version 1.0.
8. Seyyid Ahmed Medjahed and Tamazouzt Ait Saadi,” Breast Cancer Diagnosis by using k-Nearest Neighbor with Different Distances and Classification Rules ”, International Journal of Computer Applications (0975 – 8887), 2013,Volume 62 – No. 1, January.
9. Mahfuzah Mustafa, Mohd Nasir Taib, Zunairah Hj. Murat and Norizam Sulaiman, “Comparison between KNN and ANN Classification in Brain Balancing Application via Spectrogram Image”, Journal of Computer Science & Computational Mathematics,, 2012, Volume 2, Issue 4.
10. Faraidoon H. Ahmad, Aree Ali Mohammed, “Efficient Facial Image Feature Extraction Method for Ethnicity Identification” M.Sc. thesis,2015.
11. Shrikant Bhosle and Dr. Prakash Khanale ,”Comparison of Different Distance Metrics to Find Similarity between Images In CBIR System”, International Journal on Recent and Innovation Trends in Computing and Communication ISSN: 2321-8169, 2015, Volume: 3 Issue: 4.
12. Maneesha G., and Amit K, Analysis of Image Compression Algorithm Using DCT, International Journal of Engineering Research and Applications (IJERA), 2012, ISSN: 2248-9622, Vol. 2, Issue 1, pp.515-521.
13. Nadia B., Omar A. and Rokia M., “Texture feature extraction in the spatial-frequency domain for content-based image retrieval”. Cornell University, 23 Dec 2010. Canada.
14. Aman R, Pallavi P., and M. Mani, Face Recognition Using Discrete Cosine Transform for Global and Local Features, Proceedings of the 2011 International Conference on Recent Advancements in Electrical, Electronics and Control Engineering (IConRAEeCE), IEEE Explore: CFP1153R-ART; 2011, ISBN: 978-1-4577-2149-6.