Anda di halaman 1dari 11

International Journal of Embedded Systems and Applications (IJESA) Vol.4,No.

4, Desember 2014

ANALISIS AUTOMATIK DARI TEKNIK


SMOOTHING MENGGUNAKAN SIMULASI
MODEL BERBASIS REAL-TIME UNTUK
MEMPROSES WAJAH 3D MANUSIA

1 2 3
Suranjan Ganguly , Debotosh Bhattacharjee and Mita Nasipuri

Departemen Teknik dan Ilmu Komputer, Universitas Jadavpur, India

ABSTRACT
Hal penting dari penelitian yang telah dilaksanakan dan dijelaskan di dalam literatur ini mengakui
pentingnya berbagai macam teknik smoothing untuk pengolahan 3D wajah manusia dari 2.5D wajah.
Teknik smoothing telah dikembangkan dan diimplementasikan menggunakan MATLAB-Simulink untuk
pengolahan real-time di sistem benam. Selain itu, kerapihan dari 2.5D gambar wajah terhadap wajah
yang asli telah ditemukan beserta dengan waktu kompleksitasnya juga telah dilaporkan dengan
serangkaian percobaan. Variasi waktu kompleksitas juga dicapai dengan menggunakan tingkat optimasi
dan mode eksekusi yang berbeda. Set penyaringan teknik seperti Max filter, Min filter, Median filer, Mean
filter, Mid-point filter dan Gaussian filter, telah dirancang dan diilustrasikan menggunakan model
Simulink. Model ini mengambil gambar wajah (yaitu jarak gambaran wajah) sebagai masukan dalam
waktu nyata dan menyajikan perbaikan atas gambar wajah asli. Dalam aliran Desain, kinerja dari setiap
blok juga telah ditandai dengan gambar wajah dari database Frav3D, Gavah3D, dan Bosphorus. Di
bagian eksperimen artikel penelitian ini dijelaskan sejumlah analisis kinerja untuk teknik smoothing ini
dengan variasi kerangka.

KEYWORDS
Gambar wajah 3D, Gambar wajah 2.5D, MATLAB-Simulink, Teknik Smoothing, Gambaran Jarak Wajah

1. PENDAHULUAN
Visi komputer berbasis pada metodologi yang berbeda seperti pengenalan objek,pendaftaran,
identifikasi, dll. memecah gambar 2D atau 3D wajah ke sistem automatis. Oleh karena itu,
pertumbuhan dari cakupan gambar, dan variasi dari aplikasi memelukan perthitungan dalam
mengolah metodologi gambar yang kompleks. Namun, sewaktu waktu algoritma ini mengalami
kebuntuan karena kebisingan,outliers,spikes,holes,dll. Untuk alasan ini, beberapa data gambar
penting dapat mengalami penekanan,hilang,atau beberapa data tersebut mengarah pada proses
yang menyebabkan kinerja yang buruk.

Gambar dapat menggabungkan variasi suara karena masalah akuisisi, kuantisasi atau digitalisasi
kesalahan atau kesalahan pemindaian, dsb. Sekarang, itu sangat diperlukan untuk menyaring
suara-suara dan halus permukaan wajah gambar wajah masukan untuk penggunaan praktis
algoritma di aplikasi real time. Dalam konteks ini, pengembangan dan pelaksanaan berbagai
linear maupun non-linear penyaringan teknik [1] yaitu: Max filter, Min filter, Mid point filter,
filter Mean,Gaussian filter, dan Median filter telah di terapkan dalam wajah 3D manusia dan hal
ini akan menguntungkan untuk diproses lebih lanjut.

DOI : 10.5121/ijesa.2014.4402
Gambar wajah manusia dianggap menjadi lebih handal dalam fitur biometric untuk keamanan
sistem automatis untuk sifat sifat penting seperti keunikan,universalitas,dapat diterima dan
mudah dipahami oleh orang orang. Itu akan selalu terlihat,dan setiap orang memiliki fitur
biometric seperti geometri tangan,telinga,mata, dapat hilang karena berbagai alasan. Kamera
pengintai juga digunakan untuk menangkap wajah manusia. Oleh karena itu, pengenalan wajah
[2-4] mendapat lebih banyak perhatian pada dua decade terakhir.

Selain itu, ada pengaruh besar untuk memilih 3D wajah manusia [4] daripada 2D. Secara
khusus, gambar 2D melestarikan reflektansi karakteristik obyek dalam pixel data. Jadi, itu
bergantung pada variasi illuminasi sedangkan gambar 3D wajah umumnya digunakan untuk
mengisi nilai dalam X-Y. Properti lain yang membuat gambar 3D lebih nyaman dibanding 2D
adalah geometris 3D sepanjang X,Y,dan sumbu Z. Dengan demikian, variasi pose, masalah
utama pengenalan wajah saat ini dapat diselesaikan menggunakan mekanisme registrasi
wajah[5-6].

Namun, kondisi dari peyaringan teknik dalam kasus pemrosesan wajah 3D telah dirangkum
dalam tabel 1. Dalam studi sastra ini, kepentingannya di pendaftaran wajah dan (atau)
pengakuan mempunyai dampak dalam mengembangkan sebuah array dari teknik smoothing di
sistem real time dan mengilustrasikan kepentingannya untuk memproses tujuan.

Tabel.1 Kondisi dari penyaringan teknik untuk gambar 3D wajah.

Referensi Deskripsi

[7]
Penulis telah menunjukkan efek dari rata-rata filter untuk menghapus
masalah utama, dan lagi interpolasi teknik telah ditambahkan untuk
mengisi lubang yang ada pada gambar wajah.
[8]
Penulis telah membandingkan kinerja teknik lokalisasi landmark
dengan metode smoothing array, yaitu Max Filter, Min Filter,
Gaussian Filter, Mean Filter, dan Med Filter.

[9]
Disini, penulis telah menggunakan median dan gaussian filter untuk
merapihkan tujuan. Median filter digunakan untuk masalah dari wajah 3D dan
sekali penyaringan Gaussian diterapkan untuk menghilangkan kebisingan di
permukaan.

[10]
Untuk mendeteksi nose-tip, penulis telah menghitung menggunakan metode
Gradient Weighting Filter selama proses smoothing

2. MOTIVASI

Studying the recent state of the art regarding the influence of smoothing techniques for 3D
human face processing, authors have proposed an approach to real time processing of some of
the filtering techniques using MATLAB-Simulink model.

Mempelajari mengenai kondisi terakhir dari teknik smoothing untuk pengolahan wajah 3D
manusia, penulis telah mengusulkan pendekatan untuk pemrosesan real-time pada beberapa
teknik penyaringan menggunakan model MATLAB-Simulink.

2.1. Rentang Pembuatan Gambar


Rentang gambar wajah 2.5D[11] adalah abu-abu seperti gambar wajah. Perbedaan antara abu-abu 2D
dan 2.5D adalah, 2.5D terdiri dari nilai nilai kedalaman (atau nilai-nilai Z) dari gambar 3D dimana
sebagai gambar 2D sebagai intensitas nila. Dengan demikian, latar belakang mempunyai kedalaman
minimum nilai yaitu nol (0) dan wilayah hidung (terutama ‘pronalasal’) memiliki kedalaman
maksimum [6] [12] nilai 255 pada gambar 1, 2D,2.5D dan 3D gambar dari subjek yang dipilih secara
acak dari database Frav3D[13].

Gambar 2D Gambar 2.5D Gambar 3D

Gambar 1. 2D, 2.5D dan 3D gambar wajah dari database Frav3D

Selain database wajah dari Frav3D, GavabDB[14] dan Bosphorus [15] juga telah dianggap
untuk menekankan pentingnya teknik smoothing menggunakan model simulasi [19-20] dari
sistem tertanam. Di gamabr 2, diciptakan berbagai gambar wajah dari subyek yang diplih secara
acak dari DavabDB dan Bosphorus telah diilustrasikan pada gambar 2.

(a) GavabDB (b) Bosphorus

Gambar 2. Menciptakan berbagai gambar wajah

2.2. Algoritma Smoothing

Selama tahap penyelidikan, penulis telah menerapkan spasial linier serta urutan spesifik [1][16]
(yaitu non linier) filter pada nilai-nilai kedalaman pada gambar 2.5D wajah. Filter linier[17]
secara khusus yaitu Mean filtyer dan Gaussian filter telah dihitung sedangkan dalam urutan
statistic dan kategorisasi penyaringan gambar, Median filter, Max filter, Min filter, dan Mid
filter diterapkan pada berbagai gambar wajah.

2.2.1. Teknik Preprocessing

Sebelumnya serangkaian filter diteliti pada kedalaman nilai tertentu untuk kepentingan tersediri,
tugas preprocessing telah dilaksanakan. Kisaran gambar telah bertambah nol di sisi berlawanan
dari setiap baris dan kolom gambar. Dengan demikian, nilai nilai setiap kedalaman terjauh baris
dan kolom gambar dapat diproses untuk dianalisis untuk kinerja yang lebih baik. Jika tidak, hal
tersebut akan dipertimbangkan selama pengolahan gambar spasial. Fenomena ini ditunjukkan
pada gambar 3. Pada gambar ini, nilai kedalaman dari 8x8 dari bagian 2.3D wajah ditampilkan.
(a) tanpa lapisan (b) dengan nol lapisan

Gambar 3. Perlunya lapisan untuk kedalaman gambar

Nilai kedalaman yang ditandai (dilingkari warna kuning) diolah terlebih dahulu dengan teknik
smoothing. Jika teknik smoothing digunakan pada berbagai gambar asli kemudian, 2 kolom dan baris
paling jauh akan berubah, sedangkan dengan padding nol dengan gambar asli akan aktif
mempengaruhi bagian ini. Padding ini akan dilakukan di real-time dan akan dihapus setelah teknik
penyaringan diterapkan. Dengan demikian, dimensi sesudah dan sebelum teknik smoothing akan
diawetkan.
.
2.2.2. Smoothing dengan filter linier

Filter linear tidak bergantung pada jenis urutan kedalaman nilai (atau intensitas) dari
penyaringan kernel. Filter dalam kategori ini hanya menghitung fungsi linear (seperti Gaussian
atau Averaging) untuk menghilangkan suara tanpa urutan nilai-nilai yang dicakup oleh jendela
penyaringan.

Gaussian filter : adalah filter yang penting antara set smoothing filter dari kelas linier. Berat dari
filter Gaussian [1] [16] dipilih dari Gaussian kernel. Untuk pengukuran kualitatif selama
penelitian ini untuk 2.5D kedalaman wajah gambar, 2D Gaussian kernel diimplementasikan.
Fungsi kernel [16] dengan = 3 dihitung. Hal ini menunjukkan bahwa, nilai besar yaitu varians
memiliki filter lebih luas dan dampak menghaluskan.

Mean filter : Mean filter [1] adalah filter sederhana spasial linier yang rata-
rata nilai kedalaman tetangga topeng filter. Hal ini juga disebut sebagai filter
low pass [18]. Untuk menganalisis pengaruh rata-rata atau mean filter untuk
kedalaman wajah gambar, sebuah kernel 3 × 3 telah dilakukan.

2.2.3. Smoothing dengan filter non-linier

Filter ini adalah juga dikenal sebagai filter Statistik-urutan [1]. Itu adalah filter smoothing
nonlinier yang outputnya menekankan pada Pemesanan nilai-nilai yang dicakup oleh topeng
penyaringan. Sekarang, output dari hasil peringkat digunakan untuk mengubah nilai kedalaman
pusat topeng. Di sini, untuk pesanan nonlinier Statistik filter, penulis juga mempertimbangkan
untuk dihitung 3 × 3 kernel filter masker.

Max filter : Dalam mekanisme penyaringan, 100% atau nilai kedalaman tertinggi dari nilai-nilai
kedalaman yang ada dipilih. Oleh karena itu, untuk kedalaman berbasis gambar penyaringan
skema, lubang (mengandung nilai minimum atau '0' kedalaman) dapat dihapus.

Min filter : Sangat berguna untuk memilih nilai kedalaman minimum atau 0% antara data yang
dipilih oleh jendela penyaringan. Oleh karena itu, masalah (mengandung kedalaman maksimum)
di permukaan wajah manusia karena pemindaian kesalahan dapat diminimalkan.

Mid point filter : Itu adalah jenis lain dari teknik smoothing yang digunakan untuk memilih
kedalaman nilai antara maksimum dan minimum. Ini adakah tipe yang mirip dengan Mean filter
seperti yang dijelaskan di atas.
Median filter : Ini adalah salah satu skema penyaringan dan juga dikenal dengan filter urutan-
statistik,dimana 50% dari 9-nilai dipilih oleh 3 × 3 jendela penyaringan. Ini memiliki properti
kualitatif lain, memberi efek kabur kurang [1] daripada filter linear.

Keluaran berbeda dari filter ini telah ditunjukkan di bagian diskusi yang mana pentingnya setiap
output ini secara luas telah dibahas.

2.3. PEMBAHASAN

Dalam bagian ini, hasil dari filter masing-masing subyek yang dipilih secara acak dari tiga
database yang ditampilkan dalam gambar 4.

Frav3D GavabDB Bosphorus


database database database

After Smoothing Significance

Gaussian Smoothing

Mean filter

Max filter

Min filter

Mid-point filter

Median filter

Gambar 4. Visualisasi dari efek smoothing

Dalam pengamatan ini, dapat disadari bahwa teknik smoothing mempunyai efek yang
signifikans besar terhadap nilai-nilai kedalaman wajah manusia. Jadi, penerapannya secara real
time dapat secara signifikan meningkatkan aspek-aspek yang berbeda dari pengolahan wajah
manusia seperti pendaftaran, pengenalan, dll.
Sekarang, dari analisis Gaussian diketahui bahwa bagian luar kabur keluar lebih dari yang lain.
Itu benar-benar menyusut ke pusat karena padat dan secara bersamaan mengaburkan tepi. Oleh
karena itu, nilai-nilai kedalaman dekat daerah wajah yang berbeda seperti mata, alis, daerah
hidung, dan bibir semua memiliki kualitas ini. Itu adalah milik Gaussian filter, dan berhasil
dijalankan secara real time untuk nilai-nilai kedalaman. Dalam kasus filter linear yang lain yaitu,
berarti filter tepi diawetkan. Di titik-titik ini, nilai kedalaman hampir sama dengan nilai rata-rata
yang telah dihitung oleh 3 × 3 jendela. Di mungkin memiliki makna yang lebih besar untuk
landmark lokalisasi, wajah komponen ekstraksi, dll. Arti penting yang sama juga telah
ditemukan untuk titik tengah penyaringan teknik. Oleh logika matematika itu adalah
menentukan 50% yaitu di antara maksimum dan minimum, kemungkinan sama sebagai filter
rata-rata. Untuk Max dan Min filter, penulis telah mengamati arti penting yang sama setelah
smoothing teknik. Alasan seperti output yang signifikan adalah bahwa itu adalah berupa
memilih 0% atau 100% kedalaman nilai di bawah jendela penyaringan. Dengan demikian,
hampir memiliki biner thresholded citra seperti ditunjukkan dalam [11]. Oleh karena itu, paku
dan lubang dapat dihilangkan dalam proses ini. Statistik pesanan paling terkenal metode
penyaringan Median preserves detail kurva elips cekung dan cembung di wilayah mata, hidung
wilayah, daerah bibir, dll.

3. DESAIN MODEL DAN IMPLEMENTASI


Model telah dirancang dan diimplementasikan menggunakan MATLAB-Simulink. Modul yang
berbeda dari alat simulasi telah digabungkan untuk menyelesaikan model yang
diimplementasikan. Deksripsi blok telah digambarkan dalam bagian ini. Ini adalah sebuah
pendekatan untuk interaksi manusia komputer real-time untuk memvisualisasikan efek
signifikan teknik penyaringan yang berbeda pada wajah-wajah manusia yang 3D. Tidak hanya
model desain, kode yang sukses juga telah dicoba. Pada gambar 5, model yang dikembangkan
telah digambarkan.

MAX /MIN / MEAN/


GAUSSIAN/MEDIAN/
MID-POINT Filter

Gambar 5. Ilustrasi model yang dikembangkan


Pada gambar, wilayah yang diperbesar menunjukkan pengguna yang berbeda tertanam pada
MATLAB fungsi blok yang telah dirancang untuk pengolahan real-time di sistem benam.

Secara umum, tiga 'User-Defined MATLAB function block', Sinks ‘bloks’, satu ‘constant
source', dua blok 'Operasi matematika' digabungkan dengan model canggih. Setiap blok ini
memiliki peran penting untuk keberhasilan pelaksanaan model canggih.

Gambar 3D wajah [11] jauh lebih berbeda dari gambar 2D seperti dijelaskan sebelumnya di
bagian motivasi. Bukan nilai-nilai intensitas, kedalaman (nilai sepanjang sumbu z) di X-Y
pesawat yang diawetkan di 3D gambar dalam '.wrl', '.abs', '.bnt' seperti format. Oleh karena itu,
sebelum teknik smoothing diterapkan pada 2.5D berbagai wajah gambar, itu telah dihasilkan
dari gambar 3D wajah menggunakan 'ditafsirkan MATLAB fungsi' (ditampilkan di sudut kiri
gambar 5). 'Sumber konstan' digunakan sebagai masukan nilai-nilai kedalaman model simulasi.
Sekarang, 'MATLAB fungsi blok' diperbolehkan untuk embed kode sumber untuk menampilkan
berbagai wajah gambar dan kemudian diproses, dan signifikansi telah disorot. 'Tenggelam' telah
digunakan untuk menghasilkan output dari setiap blok untuk interaksi komputer manusia yang
lebih baik. Akhirnya, dua operasi matematika yang digunakan untuk real-time 2D matrix dapat
memanipulasi tujuan.

Setelah itu, keberhasilan penerapan model 'Simulasi', itu lebih lanjut diperlukan untuk
menghasilkan kode untuk sistem. Untuk tujuan ini, kode generasi sukses ini telah dicapai
dengan memilih '-bahasa C' sebagai bahasa target dengan 'Optimasi pada' parameter dari
Compiler, 'Tetap-langkah' pilihan (yaitu tetap langkah ukuran 0,02) bersama dengan ' Auto
dihasilkan Komentar. Pada gambar 6, kode generasi laporan untuk titik tengah filter
ditampilkan.

Gambar 6. Deksripsi dari kode generasi laporan

Dalam gambar ini, ekspresi 'ZI', blok konstan dari model, akan disorot. Ini berisi nilai kedalaman
dari berbagai gambar yang telah digunakan selama waktu eksekusi model.
4. HASIL PENELITIAN
Meskipun ada parameter lain untuk mengesahkan model untuk aplikasi real-time, tetapi penulis
telah menggunakan dua variasi di antara mereka. Salah satunya adalah mode simulasi yaitu
apakah model yang diuji oleh Normal mode atau mode akselerator atau Accelerator cepat dan
parameter lain adalah tingkat Compiler Optimization (optimasi off atau optimasi pada).

Dalam tabel 2, sebuah array dari analisis ini parameter eksekusi dengan simulasi berhenti waktu
1.0 diringkas. Deskripsi ini digunakan untuk berbagai gambar yang telah dipilih secara acak dari
Frav3D database. Telah diuji pada 4 GB RAM dengan Windows 7 (64-bit) lingkungan sistem
operasi profesional dan Intel i5-3470 CPU dengan 3,20 GHz prosesor.

Tabel 2. Analisis kinerja berbagai konfigurasi parameter

Teknik Smoothing Simulation Mode Compiler Optimization Level


Simulation
Optimizations off Optimizations on
Stop time 1.0
Normal 13.967028 seconds 9.988573 seconds
9.907918 seconds 9.813664 seconds
Accelerator [After Successfully built [After Successfully
Gaussian Filter the Accelerator target] built the Accelerator
target]
12.664001 seconds 11.924632 seconds
Rapid Accelerator [After Successfully built [After Successfully
the rapid accelerator built the rapid
target] accelerator target]
Normal 11.504452 seconds 6.921782 seconds
6.954723 seconds 6.503646 seconds
Accelerator [After Successfully built [After Successfully
Mean filter the Accelerator target] built the Accelerator
target]
9.511578 seconds 9.285953 seconds
Rapid Accelerator [After Successfully built [After Successfully
the rapid accelerator built the rapid
target] accelerator target]
Normal 7.275049 seconds 7.225375 seconds
6.528666 seconds 6.706566 seconds
Accelerator [After Successfully built [After Successfully
Max filter the Accelerator target] built the Accelerator
target]
10.056241 seconds 9.704065 seconds
Rapid Accelerator [After Successfully built [After Successfully
the rapid accelerator built the rapid
target] accelerator target]
Normal 7.599231 seconds 7.000915 seconds
6.622307 seconds 6.610166 seconds
Accelerator [After Successfully built [After Successfully
Min filter the Accelerator target] built the Accelerator
target]
9.467616 seconds 10.232370 seconds
Rapid Accelerator [After Successfully built [After Successfully
the rapid accelerator built the rapid
target] accelerator target]
Normal 11.867022 seconds 7.518357 seconds
7.109918 seconds 7.186364 seconds
Accelerator [After Successfully built [After Successfully
Mid-point filter the Accelerator target] built the Accelerator
target]
10.006641 seconds 9.296432 seconds
Rapid Accelerator [After Successfully built [After Successfully
the rapid accelerator built the rapid
target] accelerator target]
Normal 12.546941 seconds 12.620668 seconds
Median filter 12.267989 seconds 12.691126 seconds
Accelerator [After Successfully built [After Successfully
the Accelerator target] built the Accelerator
target]
10.047549 seconds 9.809040 seconds
Rapid Accelerator [After Successfully built [After Successfully
the rapid accelerator built the rapid
target] accelerator target]

Secara garis besar, hal ini menyadari bahwa jika kompleksitas jauh lebih tinggi teknik yang
diperlukan perhitungan matematika yang jauh lebih tinggi daripada yang lain. Penyaring titik
tengah mengambil lebih banyak waktu daripada Max dan (atau) Min filter, sedangkan Median
filter juga account lebih banyak waktu untuk merapikan operasi secara real time. Hal ini
membutuhkan urutan nilai-nilai kedalaman yang dicakup oleh jendela penyaringan. Gaussian
filter juga mengkonsumsi lebih banyak waktu untuk proses wajah manusia 3D gambar untuk
aplikasi real-time.

Dalam gambar 7, perbandingan ditampilkan antara waktu kompleksitas metode smoothing yang
berbeda dengan berbagai pengaturan parameter.

Figure 7. Comparison of the performance study


Memilih dua pembatasan seperti simulasi mode dan tingkat optimasi Compiler dijelaskan di
sini. 'Normal', 'Accelerator' dan 'Cepat Accelerator' mode didefinisikan untuk membandingkan
waktu kompleksitas berdampingan untuk pemahaman yang lebih baik dari rentang waktu
minimum penyaringan teknik tertentu. Seiring dengan ini, dengan set-up parameter optimasi
Compiler, tercepat pelaksanaan (oleh optimasi pada) dan tercepat kompilasi (oleh optimasi off)
juga telah diwakili.

5. KESIMPULAN

Aplikasi smoothing teknik selama pengolahan gambar atau komputer visi (terutama dalam
pengenalan wajah) memiliki implikasi penting. Dalam tulisan ini, penulis telah menjelaskan
pengaruh beberapa smoothing teknik 2.5D wajah gambar. Selain itu, penulis telah menciptakan real-
time aplikasi model menggunakan MATLAB-Simulink model dan divalidasi oleh serangkaian
parameter komposisi. Generasi kode juga telah dilakukan dan dilaksanakan. Seiring dengan ini,
validasi model dilakukan pada tiga wajah 3D modern database (yaitu Frav3D, GavabDB, dan
Bosphorus) memiliki dua format gambar 3D yang berbeda seperti '.wrl' dan '.bnt'.

Sekarang, penulis berfokus menerapkan metode ini untuk berbagai wajah gambar menggunakan
bidang Field Propagation Gateway Array (FPGA) untuk mengembangkan sistem terdedikasi
yang lebih baik dengan waktu kompleksitas yang lebih rendah.

UCAPAN TERIMA KASIH


Penulis berterima kasih kepada proyek yang didukung oleh DeitY ( Surat No.: 12(12)/2012-
ESD), MCIT, pemerintah India, di Departemen ilmu komputer dan teknik, Universitas Jadavpur,
India untuk menyediakan infrastruktur untuk pekerjaan ini.

REFERENSI

[1] Gonzalez, R. C., And Woods, R.E., (2007) “Digital Image Processing,” 3rd Edition, Prentice Hall
Publisher.
[2] “Face Recognition,” Pp. 1-10, August 2006, Url: ttp://Www.Biometrics.Gov/Documents/Facerec.Pdf.
[3] Jelsovka, D., Hudec, R., Breznan, M., Kamencay, P., (2012) “2d-3d Face Recognition Using Shapes
Of Facial Curves Based On Modified Cca Method”, 22nd International Conference
Radioelektronika (Radioelektronika), Pp. 1-4.
[4] Ganguly, S., Bhattacharjee, D., And Nasipuri, M., (2014) “3d Face Recognition From Range Images
Based On Curvature Analysis”, Volume: 04, Issue: 03, Pp. 748-753.
[5] Ayyagari, V.R., Boughorbel, F., Koschan, A., Abidi, M.A., (2005) “A New Method For Automatic 3d
Face Registration”, Proceedings Of The Ieee Computer Society Conference On Computer Vision
And Pattern Recognition (Cvpr’05), Pp. 1-8.
[6] Ganguly, S., Bhattacharjee, D., And Nasipuri, M., (2014) “Range Face Image Registration Using
Efri From 3d Images”, In Advances In Intelligent And Soft Computing, Springer, Accepted In
Proceedings Of 3rd Frontiers Of Intelligent Computing: Theory And Applications (Ficta 2014).
[7] Soltana, W. B., Ardabilian, M. Lemaire, P., Huang, D., Szeptycki, P., Chen, L., Erdogmus, N.,
Daniel, L., Dugelay, J., Amor, B.B., Drira, H., Daoudi, M., Colineau, J., (2012) “3d Face
Recognition: A Robust Multi-Matcher Approach To Data Degradations”, In Proc Of Icb 2012, Pp
103-110.
[8] Bagchi, P., Bhattacharjee, D., Nasipuri, M., & Basu, D.K. (2012) “A Novel Approach To Nose-Tip
And Eye-Corners Detection Using H-K Curvature Analysis In Case Of 3d Images”, In Proc Of
International Journal Of Computational Intelligence And Informatics, Vol. 2: No. 1.
[9] Hatem, H., Beiji, Z., Majeed, R., Lutf, M., Waleed, J., (2013) “Nose Tip Localization In Three-
Dimensional Facial Mesh Data”, International Journal Of Advancements In Computing Technology
(Ijact), Volume5, Number13,Pp. 99-105.
[10] Margret N. Silva, Vipul Dalal, (2013) “ Nose Tip Detection Using Gradient Weighting Filter
Smoothing,” International Journal Of Engineering Research And Development, Volume 9, Issue 5,
Pp. 09-11.
[11] Ganguly, S., Bhattacharjee, D., And Nasipuri, M., (2014) “2.5d Face Images: Acquisition, Processing
And Application”, Computer Networks And Security, International Conference On Communication
And Computing (Icc-2014), Organized By Alpha College Of Engineering, India, Publisher: Elsevier
Science And Technology, Pp. 36-44 Isbn: 978935107244.
[12] Dhane, P., Jain, A., Kutty, K. K., (2011) “A New Algorithm For 3d Object Representation And Its
Application For Human Face Verification”, International Conference On Image Information
Processing, Pp. 1-6.
[13] Frav3d Face Database, Url: Http://Www.Frav.Es/Databases/Frav3d/
[14] Gavabdb Face Database, Url: Http://Gavab.Escet.Urjc.Es/Recursos_En.Html
[15] Bosphorus Face Database, Url: Http://Bosphorus.Ee.Boun.Edu.Tr/Default.Aspx
[16] Jayaraman, S., Esakkirajan,S., And Veerakumar, T., (2010), “Digital Image Processing”, 3rd Edition,
Tmh Publisher.
[17] Linear Filters, Url: ttp://Luthuli.Cs.Uiuc.Edu/~Daf/Courses/Cs5432009/Week%203/Simplefilters.Pdf
[18] Spatial Filters - Mean Filter, Url: Http://Homepages.Inf.Ed.Ac.Uk/Rbf/Hipr2/Mean.Htm
[19] Ganguly, S., Bhattacharjee, D., And Nasipuri, M., (2014) “Analyzing The Performance Of Haar-
Wavelet Transform On Thermal Facial Image Using Matlab-Simulink Model”, Proceedings Of The
1st International Conference On Microelectronics, Circuit And Systems,: Volume 2, Pages: 106-111,
Isbn:81-85824-46-0.
[20] Tfrs Using Simulink, Url: Https://Www.Youtube.Com/Watch?V=3l-Qd2zv5xs&Feature=Youtu.Be

PENULIS

SURANJAN GANGULY received the M.Tech (Computer Technology) degree from


Jadavpur University, India, in 2014. He completed B-Tech (Information Technology) in 2011.
His research interest includes image processing, pattern recognition. He was a project fellow
of UGC, Govt. of India, sponsored major research project at Jadavpur University. Currently,
he is a project fellow of DietY (Govt. of India, MCIT) funded research project at Jadavpur
University.

BHATTACHARJEE received the MCSE and Ph.D. (Eng.) degrees from Jadavpur University,
India, in 1997 and 2004 respectively. He was associated with different institutes in various
capacities until March 2007. After that he joined his Alma Mater, Jadavpur University. His research
interests pertain to the applications of computational intelligence techniques like Fuzzy logic,
Artificial Neural Network, Genetic Algorithm, Rough Set Theory, etc. in Face Recognition, OCR,
and Information Security. He is a life member of Indian Society for Technical Education (ISTE,
New Delhi), Indian Unit for Pattern Recognition and Artificial Intelligence (IUPRAI), and a senior
member of IEEE (USA).

MITA NASIPURI received her B.E.Tel.E., M.E.Tel.E., and Ph.D. (Engg.) degrees from
Jadavpur University, in 1979, 1981 and 1990, respectively. Prof. Nasipuri has been a faculty
member of J.U since 1987. Her current research interest includes image processing, pattern
recognition, and multimedia systems. She is a senior member of the IEEE, U.S.A., Fellow
of I.E. (India) and W.B.A.S.T, Kolkata, India.