Comparative performance of principal component analysis, Gabor wavelets and discrete wavelet transforms for face recognition

摘要

Cet article compare la performance de systèmes de reconnaissance du visage basés sur l'analyse de composant principal (ACP), les ondelettes de Gabor (OG) et la transformée discrète d'ondelettes (TDO). Les trois techniques sont implantées dans l'environnement de programmation MATLAB et leur performance est étudiée en utilisant des images frontales du visage de la base de données FERET. Les images subissent un prétraitement pour obtenir une image standardisée utilisée pour l'identification. L'ACP produit une base orthonormale pour l'espace-image qui extrait les aspects faciaux dominants, offrant une performance de reconnaissance exceptionnelle. La technique OG est modélisée sur des expériences biologiques et est utilisée pour filtrer les aspects espace-fréquences de l'image à des points clés du visage. La TDO est étudiée pour son utilité potentielle dans l'extraction d'aspects faciaux et est aussi appliquée sur des versions tournées de l'image faciale, augmentant ainsi les capacités de filtrage directionnel. Une mesure de similarité du visage qui utilise les aspects faciaux extraits fournit une reconnaissance qui est robuste aux variations d'illumination.%This paper compares the performance of face recognition systems based on principal component analysis (PCA), Gabor wavelets (GW) and discrete wavelet transform (DWT). The three techniques are implemented in the MATLAB programming environment, and their performance is investigated using frontal facial images from the FERET database. The images are preprocessed to yield a standardized image used for identification. PCA produces an orthonormal basis for the image space that extracts the dominant facial features, providing exceptional recognition performance. The GW technique is modelled after biological experiments and is used to filter spatial-frequency features of the image at key points of the face. The DWT is investigated for its potential use in facial-feature extraction and is also applied to rotated versions of the facial image, thereby increasing the directional filtering capability. A face similarity measure that uses the extracted features provides recognition that is robust against variations in illumination.