Performance Analysis of Eigenface and LBPH Algorithms in Raspberry Pi Environment

Abstract

Abstract

When designing a face recognition system on a Raspberry pi environment two main issues should be considered; the limitation of the storage memory which affects on the system dataset and the other issue is the selection of the recognizer threshold. This work aims to analyze and study the effect of decreasing the dataset size, and increasing the number of defined IDs (persons who are defined on the dataset with their images), on the confidence level values obtained from Eigenfaces and Linear Binary Pattern Histogram (LBPH) algorithms. Also, it aims to suggest a suitable method to select the recognizer threshold for both algorithms. To achieve that, three tests has been implemented; the dataset-size test, the multiple-IDs test and the final test used False Rejection Rate (FRR) and False Acceptance Rate (FAR) as scale to select the threshold. The results of the first two tests specified that LBPH is less effected by the changes, and Eigenfaces became less accurate when the dataset size decreased. The suggested method to select the threshold was created by calculating the average of the confidence level of both “defined” and “undefined” images (530 images for each) and then calculate the average again between those averages for each algorithm. Eigenfaces registered less than 5% for both FRR and FAR, while LBPH registered 16.41% for FRR and 4.53% for FAR. It also indicated that the suggested method is easy and effective but still not perfect or definitive. Another important issue is the image’s illumination, both Eigenfaces and LBPH affected negatively by this factor, although LBPH was slightly less affected than Eigenfaces, but it’s better to consider the illumination variety in the dataset. المستخلص

عند تصميم نظام التعرف على الوجوه على بيئة ال Raspberry pi، ينبغي النظر في قضيتين رئيسيتين ؛ محدودية ذاكرة التخزين التي تؤثر على مجموعة بيانات النظام , والمشكلة الأخرى هي إختيار عتبة أداة التعرف. يهدف هذا العمل إلى تحليل ودراسة التأثيرالناتج من تقليل حجم مجموعة البيانات , وزيادة عدد المعرفات المحددة - الأشخاص الذين تم تعريفهم في مجموعة البيانات بصورهم- على قيم مستوى الثقة التي تم الحصول عليها من خوارزميات Eigenfaces و خوارزمية الأنماط الثنائية الخطية المتكررة (LBPH). كما تهدف إلى اقتراح طريقة مناسبة لتحديد عتبة أداة التعرف لكل خوارزمية. لتحقيق ذلك تم تنفيذ ثلاثة اختبارات؛ وهي استخدم اختبار حجم مجموعة البيانات, و إختبار المعرفات المتعددة, و في الإختبار الأخير أستخدمت كل من نسبة الرثض الخاطئ(FRR) و نسبة القبول الخاطئ (FAR) كمقياس لتحديد العتبة. حددت نتائج أول اختبارين أن خوارزمية LBPH أقل تأثراً بالتغييرات وأصبحت خوارزمية Eigenfaces أقل دقة عندما انخفض حجم مجموعة البيانات. تم إنشاء الطريقة المقترحة لتحديد العتبة عن طريق حساب متوسط ​​مستوى الثقة لكل الصور "المعرفة" و "غير المعرفة" (530 صورة لكل منهما), ثم حساب المتوسط ​​مرة أخرى بين تلك المتوسطات لكل خوارزمية على حدا. سجلت خوارزمية Eigenfaces نسبة أقل من 5% لكل من FRR و FAR، بينما سجلت خوارزمية LBPH 16.41% لFRR و 4.53% ل FAR . و أشارت أيضًا إلى أن الطريقة المقترحة سهلة وفعالة, و لكنها ليست مثالية أو حاسمة. هناك مشكلة أخرى مهمة تتمثل في إضاءة الصورة ، حيث تأثر كل من Eigenfaces و LBPH سلبًا بهذا العامل، على الرغم من أن LBPH كان أقل تأثرآ من Eigenfaces ، لكن من الأفضل مراعاة تنوع الإضاءة في مجموعة البيانات.