Hexagonal scale invariant feature transform (H-SIFT) for facial feature extraction

Azeem, Aisha; Sharif, Muhammad; Shah, Jamal Hussain; Raza, Mudassar

doi:10.1016/j.jart.2015.07.006

Cited by 35 publications

(18 citation statements)

References 26 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The LFW face database and self-collection database were used to experiment with different improved SIFT models. In this experiment, we compared eleven different models: principal component analysis with SIFT (PCA/SIFT) [50], Gabor/SIFT [51], speeded up robust features with SIFT (SURF/SIFT) [52], partial-descriptor SIFT (PDSIFT) [53], person-specific SIFT [54], SIFT/Kepenekci [55], wavelet transform of the SIFT feature [56], hexagonal SIFT (H-SIFT) [57], and SIFT/RITF. For PCA/SIFT, gradient patches were used around the key points instead of the original patches to make the representation robust to changes in lighting and to reduce the changes that PCA needs to model [50].…”

Section: Experimental Results and Analysismentioning

confidence: 99%

See 1 more Smart Citation

Face Recognition Using the SR-CNN Model

Yang

Wen

Xie

et al. 2018

Sensors

View full text Add to dashboard Cite

In order to solve the problem of face recognition in complex environments being vulnerable to illumination change, object rotation, occlusion, and so on, which leads to the imprecision of target position, a face recognition algorithm with multi-feature fusion is proposed. This study presents a new robust face-matching method named SR-CNN, combining the rotation-invariant texture feature (RITF) vector, the scale-invariant feature transform (SIFT) vector, and the convolution neural network (CNN). Furthermore, a graphics processing unit (GPU) is used to parallelize the model for an optimal computational performance. The Labeled Faces in the Wild (LFW) database and self-collection face database were selected for experiments. It turns out that the true positive rate is improved by 10.97–13.24% and the acceleration ratio (the ratio between central processing unit (CPU) operation time and GPU time) is 5–6 times for the LFW face database. For the self-collection, the true positive rate increased by 12.65–15.31%, and the acceleration ratio improved by a factor of 6–7.

show abstract

Section: Experimental Results and Analysismentioning

confidence: 99%

“…The method proposed in Reference [56] is based on wavelet transform of the SIFT features. H-SIFT takes advantage of hexagonal transformed image pixels and applies processing on a hexagonal coordinate system, rather than using SIFT on the square image coordinates, displaying better performance [57].…”

Section: Experimental Results and Analysismentioning

confidence: 99%

Face Recognition Using the SR-CNN Model

Yang

Wen

Xie

et al. 2018

Sensors

View full text Add to dashboard Cite

show abstract

“…And Face Recognition is Multi-class problem. SVM can be applied to recognize the faces after facial feature extraction [114][115][116][117]or onto the original appearance space. For face recognition, SVM can be applied individually or can be used with the other techniques.…”

Section: Support Vector Machine (Svm)mentioning

confidence: 99%

Face Recognition: A Survey

Sharif¹,

Naz²,

Yasmin³

et al. 2017

JESTR

View full text Add to dashboard Cite

show abstract

“…Vùng xung quanh các điểm đặc trưng được xác định và mô tả bằng các véctơ mô tả cục bộ. Véctơ mô tả SIFT (Scale Invariant Feature Transform) [14] được đánh giá rất cao bởi giới chuyên môn trong việc biểu diễn các vùng xung quanh điểm đặc trưng bởi vì nó không đổi đối với những biến đổi tỉ lệ, tịnh tiến, phép quay, và không đổi một phần với đối với những thay đổi về góc nhìn, đồng thời nó cũng rất mạnh với những thay đổi về độ sáng, sự che khuất, nhiễu. Ở bước này, chúng tôi cần tính toán một bộ mô tả ảnh rầy nâu cho một vùng ảnh địa phương sao cho có tính đặc trưng cao (bất biến với các thay đổi khác nhau về độ sáng, thu -phóng ảnh, xoay ảnh,…).…”

Section: B đặC Trưng Cục Bộ Bất Biến Sift Trên ảNhunclassified

Xác Định Số Lượng Rầy Nâu Trưởng Thành Dựa Trên Đặc Trưng Sift

Trí¹,

Trâm²,

Duy³

et al. 2017

Fair - Nghiên Cứu Cơ Bản Và Ứng Dụng Công Nghệ Thông Tin - 2016

View full text Add to dashboard Cite

Từ khóa-Rầy nâu trưởng thành, rút trích đặc trưng cục bộ bất biến, xác định đối tượng, so khớp. I. GIỚI THIỆUTrong các loài dịch hại nông nghiệp thì rầy nâu (Nilarpavata lugens Stal) [1] là một trong những đối tượng sâu hại nghiêm trọng nhất cho lúa ở Việt Nam nói riêng và trên thế giới nói chung, nhất là khi chúng ta sử dụng nhiều các giống lúa cho năng suất cao và tăng cường thâm canh trong sản xuất lúa. Rầy nâu nguy hiểm ở chỗ chúng không những trực tiếp gây hại bằng cách chích hút dịch nhựa ở thân cây làm cho cây lúa kém sinh trưởng và phát triển mà còn là môi giới truyền bệnh virut vàng lùn, lùn xoắn lá làm giảm năng suất và thoái hóa giống lúa. Rầy nâu được Bộ Nông nghiệp & Phát triển Nông thôn ra chỉ thị phòng trừ từ năm 2006 [2]. Vì vậy việc nghiên cứu phát hiện đối tượng rầy nâu trưởng thành là một trong những yêu cầu cấp thiết, luôn được các nhà khoa học quan tâm.Đã có một số nghiên cứu khoa học về xác định đối tượng động vật hoặc côn trùng thông qua hình ảnh, chẳng hạn nghiên cứu đếm đối tượng động vật trên ảnh dùng đặc trưng sắp xếp ở mức cao của sự tương quan cục bộ tự động (Higher-order Local Auto-Correlation) và phân tích hồi quy hỗn hợp (Multiple Regression Analysis) [11]. Kết quả của nghiên cứu cho tỷ lệ phát hiện chính xác đối tượng khá cao nhưng đòi hỏi phải có hình ảnh nền (background) đầu vào để chứa đối tượng. Một nghiên cứu khác cũng nhằm phân lớp, đếm côn trùng theo thời gian thực sử dụng camera wifi [12] mà trong đó nhóm tác giả đã dùng bộ lọc Gabor, biểu đồ kim tự tháp của ảnh ở dạng Gradient (Pyramidal Histogram of Gradients) và dữ liệu màu để xác định đối tượng, sau đó phân nhóm bằng SVM (Support Véctơ Machines). Tỉ lệ thành công của nghiên cứu đạt khoảng 91% trên các hình ảnh chụp được từ camera. Tuy vậy, nghiên cứu này chỉ mới dừng ở mức thí nghiệm trên một công cụ tạo sẵn có background cố định và còn xác định đối tượng sai khi bóng côn trùng có cùng màu với background. Đặc biệt, từ khi có phương pháp rút trích đặc trưng cục bộ bất biến được đề xuất bởi David G.Lowe [5] thì việc nhận diện đối tượng trên ảnh được xem là một trong những ứng dụng cơ bản nhất. Tác giả công bố phương pháp nghiên cứu này cũng chính vì mục đích phục vụ cho bài toán xác định đối tượng trên ảnh [6], kể cả đối tượng bị che khuất. Phương pháp rút trích này đã được sử dụng để rút trích đặc trưng xác định nhiều loại đối tượng khác nhau điển hình như: nhận dạng các đồ vật sử dụng trong nhà [7] kết hợp với sử dụng cây từ vựng, các đồ vật trong văn phòng [8], nhận dạng các công trình kiến trúc kết hợp với thuật toán LSH [9] hoặc bản đồ [10],… Việc ứng dụng để xác định đối tượng rầy nâu hay các côn trùng gây hại trên cây trồng vẫn còn khá ít và chưa thật hiệu quả.Vì vậy, việc nghiên cứu để xây dựng một phương pháp mới phục vụ cho xác định đối tượng côn trùng là một nghiên cứu cần được quan tâm phát triển. Mặt khác, không chỉ dừng lại ở việc nhận diện được côn trùng trên ảnh, việc đếm số lượng của chúng cũng mang một ý nghĩa rất quan trọng bởi vì có xác định được mật độ tấn công của côn trùng thì mới có thể đưa ra đư...

show abstract

Hexagonal scale invariant feature transform (H-SIFT) for facial feature extraction

Cited by 35 publications

References 26 publications

Face Recognition Using the SR-CNN Model

Face Recognition Using the SR-CNN Model

Face Recognition: A Survey

Xác Định Số Lượng Rầy Nâu Trưởng Thành Dựa Trên Đặc Trưng Sift

Contact Info

Product

Resources

About