JOURNAL OF COMPUTING, VOLUME 3, ISSUE 5, MAY 2011, ISSN 2151‐9617 

HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/  
WWW.JOURNALOFCOMPUTING.ORG     139 

APPLICATION OF FACE RECOGNITION

SYSTEM
Prof. Sunita Chand, Mr. Aditya Varshney
        
Abstract - A face recognition system has been developed by integrating a Neural Network with Fuzzy Logic technique in order to improve the decision
making process. Face Recognition is emerging as an active research are spanning several disciplines such as image processing, pattern recognition, computer
visions and neural network. The upper and lower parts of the human face features are extracted for the face recognition process. Different weight ages are
imposed on the features and in this study the upper-face feature has been given more weight age than the lower face feature by using a fuzzy logic technique.
This system has been proven effective in developing a security system with high recognition rate for different human facial expressions.

Index Terms :- Face Recognition , Image Resolution , Neural Network, Fuzzy Logic.

——————————  ——————————
 

1 INTRODUCTION

in face recognition mechanism during on-line recognition

In recent years, face recognition has been the subject of  mode.

very  intensive  security  system  with  the  current  Biometrics makes automated use of the unique personal
perceived world security situation, governments as well  features to establish the identity of a person. It is a tool for
as  business  require  reliable  methods.  The  system  positive identification of a human subject as biometric
described  here  incorporates  neural  network  back  error  signatures cannot be stolen, forgotten, lost or communicated
to another, as is possible in the case of authentication,
propagation  and  fuzzy  logic  approach  and  is  an 
Employing cards, keys or passwords, so common in day-today
extension  to  previous  works  to  achieved  better  system.  use. In the present scenario of increased security concern, the
It  is  believed  that  by  incorporating  both  techniques,  a  necessity and relevance of making use of biometrics to
more  natural  decision‐making  process  can  be  achieved.  establish personal identity and to detect impostors are
The system also exploits face features.   assuming significance.
 
       From  observation  the  upper  and  lower  parts  of  the 
During the image processing session, image
human  face  possess  significant  characteristics  human  acquisition, feature extraction and data normalization are
recognition  process.  It  is  found  that  given  upper  and  performed. Image processing is required in both the neural
lower  faces  we  can  differentiate  faces  more  easily  with  network training mode and the on-line recognition mode.
the  upper‐face  portion  compared  to  the  lower  face  However, image acquisition is performed only in neural
portion.  By  assigning  higher  priority  to  upper  face  network training mode. As opposed to the manual feature
extraction process in neural network training mode, feature
feature  during  the  recognition  process.  It  is  possible  to  extraction in online recognition mode is automated by a head
design a face recognition system that exploits the above  and eye detector.
situation. 

In neural network training mode, acquisition of a suitable

2 Overview of the System
face image is essential to train a neural network that can
characterize the user satisfactorily. In addition to this, the
Generally the face recognition system consists of three major head-size should be standardized to ensure proper training.
sessions:- The criteria for head orientations and facial expressions that
i. Image processing are adopted in this study are as follows:
ii. Neural network training 1) Normal pose,
iii. Face recognition mechanism 2) Normal with smile,
3) Browse left 20 O,
Neural network training is performed in off-line mode and the 4) Browse left 20 O with smile,
trained upper- and lower-face neural network are then 5) Browse right 20 O,
employed

© 2011 Journal of Computing Press, NY, USA, ISSN 2151-9617

http://sites.google.com/site/journalofcomputing/
JOU
URNAL OF COMPUT TING, VOLUME 3, ISSUE 5, MAY 201
11, ISSN 2151‐9617
7 
HTTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTIING/  
WWWW.JOURNALOFCO OMPUTING.ORG   140

6) B
Browse right 20
0 O with smile, 2.2 H
Head Detector
7) B
Browse up 20 O,
O
8) B
Browse up 20 O with smile,
             The head deetector is capaable of verifyiing a valid 
9) B
Browse down 202 O,
10)) Browse down 20 O with smile, and head  image, determ mination of th he top head loccation and 
11)) Free pose. the  faace  side.  It  is   used  to  facilitate  the  eyee  detection 
processs;  the  area  ffor  eye  detecttion  process  iis  reduced 
signifi ficantly  by  im
mposing  a  weell  defined  areea  for  eye 
search h which is dettermined by h head locator ass shown in 
figuree. 
 

2.1 Feature Extrraction

Th hree  areas  off  interest  on  the  face  are 

useed for neural nnetwork trainiing ‐ upper facce, lower face 
andd eye. A framee of I12 x 128 p pixels is used to extract the 
face.  The  framee  is  then  diviided  into  upp per  half  and 
low
wer  half  the  feeature  extracttion  process  iss  carried  out               Templatee Selection 
maanually  in  neu ural  network  Training  mo ode,  but  it  is   
auttomated by heead detector a and eye detecttor in on‐line 
reccognition mode. 
 
 
JOURNAL OF COMPUTING, VOLLUME 3, ISSUE 5, M
MAY 2011, ISSN 21
151‐9617 
HTTPS://SITES.GOOGLE.COM/SSITE/JOURNALOFCCOMPUTING/  
WWW.JOURN NALOFCOMPUTING.ORG   141 

 
 
 
  3. N
Neural Netw
work
 
2.3 Eye
E Detector                A  multii‐layer  percep
ption  feed  fo
orward  is 
traiined  based  on  the  bacck  error  pro opagation 
alggorithm.  In  ad ddition,  an  aadaptive  learn
ning  rate, 
The  eye  detector 
d is  a  multi‐layer 
m perception  neurral 
mo omentum,  battch  is  also  ap pplied  to  imp
prove  the 
Network  that 
t has  been n  trained  withh  eye  pattern  as 
neu ural  network  learning  timee.  Two  types  of  neural 
well as noon‐eye pattern n. A window fframe of 32 x 3 32 
nettwork  are  u used  in  this  feature‐bassed  face 
pixels is sccanned throug gh the eye sea arch area, whicch 
reccognition systeem namely, faace neural netw work and 
is  determiined  by  the  heead  locator,  to
o  search  for  th
he 
eyee neural netwo ork. 
locations  of 
o the  eyes.  The  eye  detecto or  is  capable  of 
recognizinng both the left eye and the rright eye. 
 
In  order  to  determinee  process  tha at  exploits  th he  3.1 Face Neurall Network
geometric  constraint  im mposed  by  facce  structure  on o
feature pooint such as eye and mouth llocation.    Face  neeural  network
k  consists  of  4448  input 
  nod
des,  12  hiddeen  nodes  and  I  output  nodde,  and  it 
 
JOURNAL OF COMPUTING, VOLLUME 3, ISSUE 5, M
MAY 2011, ISSN 21
151‐9617 
HTTPS://SITES.GOOGLE.COM/SSITE/JOURNALOFCCOMPUTING/  
WWW.JOURN NALOFCOMPUTING.ORG   142 

can  be  useed  to  train  eitther  the  uppeer  face  or  low
wer  info ormation and  also the locattions of the up pper‐ and 
face imagees.  low wer‐face  neuraal  network  file,  which  resides  in  a 
i. Authorized  fac
A ce images  dattabase in the teerminal or com mputer. 
ii. Non‐face imag
N es   
iii. Unauthorized f
U face images   he  tests  were  conducted  in
       Basically,  th n  a  dual 
  sysstem  mode  bo oth  in  the  off‐‐line  mode  an
nd  on‐line 
3.2‐ Eye N Neural Networrk  mo ode.  The  off‐‐line  mode  teests  providess  a  good 
  fee dback that can n be used to iimprove system design 
          Eye  neural networrk contains 25 56 node at inpu ut  furrther,  whereass  the  on‐line  ttests  reveal  th he  overall 
layer,  1  no ode  at  hidden
n  layer  and  I  node  at  outpu ut  perrformance 
layer.  Thee  training  im mages  is  div vided  into  tw wo  Of  the security sy ystem. 
groups namely, eye ima ages and non‐eeye images. Ey ye   
neural nettwork is   
Trained  to o  produce  ann  output  of  either 
e I  for  ey
ye  Offf-line Tests
images or 0 for non‐eye images. A tra ained eye neurral   
network iss used in the eeye detector to o determine th he  Imaages  of  six  users  are  traained  to  obttain  their 
possible Location of eyee for a given im mage.  resp pective  face  neural  netwwork.  The  ey ye  neural 
nettwork  is  traained  with  eeye  images  that  are 
4. Fuzzy System exttracted  &  on n  the  User’s  images.  Bothh  trained 
imaages  and  unttrained  imagees  are  used  to
o  test  the 
 T
The fuzzy sysstem acts as th he final decisio on  traiined eye neurral network an nd face neurall network 
making  stage 
s by  utilizing  the  reccognition  lev vel  in tthe off‐line moode. 
informatio on  provided  by 
b the  upper‐fface  and  loweer‐
fixe neural networks. 
Three  inp put  fuzzy  setss  have  been  defmed 
d for  th
he 
fuzzy systtem namely, un nmatched,  
in‐  determ ministic  and  matched.  Co orrespondinglly, 
three  outp put  fuzzy  setss  have  also  beeen  defined  i.e. 
unauthoriz zed, unknown n and authoriz zed. 
In  the  reco
ognition  proceess,  the  fuzzyy  system  Fuzzes 
the  recogn nition  levels  frrom  both  the  upper‐face  an nd 
lower‐facee  neural  network  by  ussing  the  inpu ut 
membersh hip  functions.  The  fuzzy  ru ules  are  set  in
n  a 
manner  That 
T emphasiss  is  given  to  the  upper‐face 
images  du uring  the  deciision  making  process.  This  is 
based  on  the  observa ation  that  the  upper  faciial 
expression n  changes  min nimally,  but  the 
t lower  faciial 
expression n changes sign nificantly. 

5. System
m Tests and Results
  # sign indicattes a user who wears sp
pectacle
Tests  werre  performed  on  the  intelligent  security 
system to determine its reliability and d performancee. 
 
                        The  facee  recognition n  system  is 
incorporatted  into  a  in ntelligent  sma artcard  security 
system.  Sm martcard  is  used 
u as  a  key  to  the  security 
system an nd the fixe reco ognition systeem is applied  as 
a second leevel of protecttion to identiffy a card owneer. 
The  sma artcard  conttains  the  user  u person
nal 
JOURNAL OF COMPUTING, VOLLUME 3, ISSUE 5, M
MAY 2011, ISSN 21
151‐9617 
HTTPS://SITES.GOOGLE.COM/SSITE/JOURNALOFCCOMPUTING/  
WWW.JOURN NALOFCOMPUTING.ORG   143 

 
 
 
Facce Neural Nettwork Test Reesults 
 It  is  found  thatt  there  are  seeveral  failuress  on  face 
reccognition  fou und  to  be  aactually  due  to  poor 
reccognition on th he lower face iimages. 
 
On n‐line Tests 
Tw wo  major  testss  are  conducteed  to  evaluatee  the  face 
reccognition systeem performan nce namely, au uthorized 
carrd owner testss and unauthorized card ow wner tests. 
it iss also a measu ure of system  flexibility to rrecognize 
a 
# sign ind
dicates a use
er who wears
s spectacle useer with a diffeerent facial exp pression. As w we except 
,  th
he  system  reccorded  94%  ssuccess  for  au uthorized 
and d  92.8%  succcess  for  thee  unauthorizeed  cases. 
Faiilures were du ue to subjects w wearing spectaacles. 

This chart indicates the o
overall off‐line
e system test 
results for both 
d and untrained images. 
the trained
 
 
Online teest
Eye Neura
al Network Teest Results
Th is chart indicates the overall on-lin
ne tests
               Prreliminary tessts on the eye  neural networrk  sult for both
res h the authoriized and
show  thatt  the  eye  neurral  network  iss  not  capable  of  un authorized person.
detecting  the  eye  location  for  tho ose  who  wear 
spectacles. Most of the ffailure to locatte the eye is du ue 
to improp per head orien ntation that ressults in the ey
ye. 
It is 
Also found d that reflectio
on & on specttacles can resuult 
in failure tto detect the eeye. Thus, it is very importan nt 
to ensure p proper lightinng to reduce thhis effect. 
JOURNAL OF COMPUTING, VOLLUME 3, ISSUE 5, M
MAY 2011, ISSN 21
151‐9617 
HTTPS://SITES.GOOGLE.COM/SSITE/JOURNALOFCCOMPUTING/  
WWW.JOURN NALOFCOMPUTING.ORG   144 

6. C Conclusion 
Thee  face  recogn nition  system m  which  emp ploys  the 
upp per‐face and lo ower‐face feattures in the recognition 
pro ocess  has  been n  proven  to  bbe  very  successsful.  The 
sysstem  is  examin ned  by  an  im
mages  data  basse  of  face 
imaages  with  v varying  posee  as  well  aas  facial 
exp pression. This  strategy is alsso useful for ssearching 
imaages data basee when the pu urpose of the  search is 
nott  only  finding g  the  given  peerson,  but  also
o  ranking 
thee  similar  peeople  from  the  data  baase.  The 
inteegration  of  ffuzzy  logic  aapproach  intto  neural 
nettwork  techniq que  has  creatted  an  enhan nced  face 
maage recognition n process. 
 
Bessides, there arre some limitaation of the system that 
hass  to  be  consid dered  such  aas  the  face  recognition 
sysstem  would  n not  work  for  images  that  with  eye 
clossed and imag ges of a bald P Person. face recognition 
is  b becoming  very  importantt  in  many  reeal  world 
app plication inclu uding security,, robotics, ban nking etc. 
 
                   Impleementation  off  the  face  recognition 
sysstem in the seccurity system in this researcch reveals 
thaat  there  is  a  w wide  area  of  aapplication  forr  the  face 
reccognition  systeem  to  be  app plied  especiallyy  in  high 
Unsolved Problems:- seccurity situation ns such as auttomatic teller  machine, 
  seccurity room etcc. 
i. Preliminary tes
P sts on the eye neural networrk 
shhows  that  thee  eye  neural  network  is  not 
n
caapable  of  dettecting  the  eyye  location  for  RE
EFERENCES
S
th
hose who wea ar spectacles. 
ii. eyye detector faiiled in a numb ber of  [1]  R Linggard, D J MMyers, C Nightinggale, “Neural 
occasions.  Netwworks For Vision, Speech And Natu ural 
iii. Most of the fail
M lure to locate tthe eye is due  Langguage” 
 
to
o improper heead orientation n. 
[2]  David Brubaker, C Cedric Sheerer, ‘‘ Fuzzy ‐ Logic 
iv. Itt is also found that reflectionn from  Systtem Solves Controol Problem ”, 
sppectacles can rresult in   
a. failuree to detect the eye.  Andrew W. Ellis, Brenda M. Flude, Familiar 
[3] A
Facee Recognition : A Comparative Studdy of A 
Connnectionist Model and Human Perfoormance”, 
My Ideas:-
 
  Abu Bakar Hassan
[4] A n, “Human Face R Recopnition 
 Too be implemennt it in Securitty System..  Svsttem using Artificiial Neural Networrks”, 
 Too implement iit into Internett Security   
Syystem. 
 Too  implement  it  into  Payment  Gatewa ay 
Option of Bank
O ks.