Face Recognition Based on Windowing Technique Using DCT, Average Covariance and Artificial Neural Network

En el caso de personas con limitación motriz de miembros superiores, los gestos faciales son la principal forma de comunicarse con el mundo. Sin embargo, las interfaces actuales basadas en gestos no tienen en cuenta la reducción de movilidad que la mayoría de las personas con limitación motriz experimentan durante sus periodos de recuperación. Como alternativa para superar esta limitación, se presenta una interfaz humana-computador basada en técnicas de visión por computador sobre dos tipos de imagen: la imagen del rostro capturada mediante webcam y la captura de pantalla de una aplicación de escritorio en primer plano. La primera imagen es utilizada para detectar, seguir y estimar la pose del rostro con el fin de desplazar y ejecutar comandos con el cursor; la segunda imagen es utilizada para lograr que los desplazamientos del cursor sean realizados a zonas específicas de interacción de la aplicación de escritorio. La interfaz es programada totalmente en Python 3.6 utilizando bibliotecas de código abierto y se ejecuta en segundo plano dentro del sistema operativo Windows. El desempeño de la interfaz se evalúa con videos de personas utilizando cuatro comandos de interacción con la aplicación WhatsApp versión de escritorio. Se encontró que la interfaz puede operar con varios tipos de iluminación, fondos, distancias a la cámara, posturas y velocidades de movimiento; la ubicación y el tamaño de la ventana de WhatsApp no afecta la efectividad de la interfaz. La interfaz opera a una velocidad de 1 Hz y utiliza el 35 % de la capacidad de un procesador Intel Core i5 y 1,5 GB de RAM para su ejecución lo que permite concebir esta solución en equipos de cómputo personales.

show abstract

Convolutional Locality-Sensitive Dictionary Learning for Facial Expressions Detection

Ghansah

2022

International Journal of Data Analytics

View full text Add to dashboard Cite

Facial Expression (FE) detection is a popular research area, particularly in the field of Image Classification, Pattern Recognition and Computer Vision. Sparse Representation (SR) and Dictionary Learning (DL) have significantly enhanced the classification performance of image recognition and also resolved the problem of the nonlinear distribution of face images and its implementation with DL. However, the locality structure of face image data containing more discriminative information, which is very critical for classification has not been fully explored by state-of-the-art existing SR-based approaches. Furthermore, similar coding results between test samples and neighboring training data, contained in the feature space are not being fully realized from the image features with similar image categorizations, to effectively capture the embedded discriminative information. In an attempt to resolve the forgoing issues, we propose a novel DL method, Convolutional locality-sensitive Dictionary Learning (CLSDL) for Facial Expression detection.

show abstract

Face Recognition Based on Windowing Technique Using DCT, Average Covariance and Artificial Neural Network

Cited by 3 publications

References 15 publications

PACFR: Pixel Arithmetic Computation based Face Recognition

PACFR: Pixel Arithmetic Computation based Face Recognition

Interfaz humano-computador basada en gestos faciales y orientada a la aplicación WhatsApp para personas con limitación motriz de miembros superiores

Convolutional Locality-Sensitive Dictionary Learning for Facial Expressions Detection

Contact Info

Product

Resources

About