沙特国王大学学报基于熵尺度不变特征放大图片作者：A.Talbarb，Haricharan Amarsing Dhirbasica印度马哈拉施特拉邦南德邦，斯瓦米·拉曼和蒂尔特·马拉瓦达大学计算科学学院b电子和电信工程系，新加坡工程师学会技术人员：Nanded，MS，印度c科学学院，S.R.T.M. University，Nanded，印度阿提奇莱因福奥文章历史记录：2016年11月2日收到2017年2月14日修订2017年3月16日接受2017年4月18日在线提供保留字：人脸识别整形外科EV-SIFT特征SVM分类器A B S T R A C T近年来，人脸自动识别包含了许多具有挑战性的问题，这些问题由于在不同领域的应用而受到了广泛的关注。要解决所有的情况，如姿势，外观和照明变化，和/或老化，人脸识别没有很多方法。最近出现的额外挑战是整形手术带来的面部表情。本文提出了一种新的基于熵的体积SIFT（EV-SIFT）方法，用于整形手术后的人脸识别相似特征提取尺度空间结构的关键点和体积，针对该尺度空间结构确定信息速率由于熵是高阶统计特征，这对面部的不确定变化提供了最小的影响。对于分类，将相应的EV-SIFT特征应用于支持向量机。标准SIFT特征基于图像的对比度提取关键点，而V-SIFT特征基于结构的体积提取关键点。然而，EV-SIFT技术提供了体积和对比度信息。最后，实验结果表明，EV-SIFT是更好地识别整形手术的脸。此外，这些方法被实验证明用于识别整形手术的类型，例如眼睑整形术达到98%，眉毛提升术达到97%，刮脂术达到96%，颧骨增大术达到85%，颏整形术达到94%，耳整形术达到99%，鼻整形术达到99%和皮肤剥离术达到91%。©2017作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍通常，整形手术用于改善面部外观（Sharma等人，2014; Lee等人，2012），例如，消除恐惧，胎记和矫正毁容缺陷（Zou和Yuen，2012; Park等人，2010; Mudunuri和Biswas，2016）。整形手术的吸引力是世界范围内经历的，并由其特点决定，如先进技术的可负担成本和这些程序的执行速度（Sao和Yegnanarayana，2007;Schwartz等人，2012年）。然而，整容的脸摆出*通讯作者。电子邮件地址：archanaharsingsable@gmail.com（A.H. Sable）。沙特国王大学负责同行审查巨大的挑战例如面部组件中的照明变化（Singh等人，2009，2010）、闭塞（Liu等人，2012）、老化（DeMarsico等人，2016），安全标识和表达。有时，面部整形手术隐藏了真正用户的身份，它可能会无意中拒 绝 真 正 的 用 户 。 有 很 多 方 法 可 用 于 实 现 面 部 识 别 （ Turk 和Pentland，1991;Ruiz-del-Solar和Navarete，2005;Lawrence等人，1997; He等人，2005年; Inan和Halici，2012年; Lu例如，2015年） 。整形外 科面部 识别（ De Marsico 等人 ，2015;Kohli等人 ，2015;Chude-Olisah等人，2013; Bhatt等人， 2013年）在过去的几年里经历了各种各样的发展。研究贡献已经在文献中在特征提取阶段（DeMarsico等人，2015;Chude-Olisah等人，2013; Bhatt等人，2013）或在分类阶段（Kohli等人， 2015年，在两个阶段。经典的特征描述符PCA（De Marsico等人，2015）具有难以确定协方差矩阵的缺点，尽管它表现出合理的计算时间、处理高维数据和对噪声的较低敏感性。突出的纹理特征，例如局部二进制模式（De Marsico等人， 2015年，计算-http://dx.doi.org/10.1016/j.jksuci.2017.03.0041319-1578/©2017作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comA.H. Sable等人/Journal of King Saud University555我我我XXMRNr很简单，但它们在表示敏感信息方面滞后。另一方面，基于投影矩阵的分类报告为MPDL（Kohli等人，2015年）使一个简单的分类过程，但他们不支持自然环境。根据我们的审查，很少有贡献被报告用于分类，这对于认可至关重要。此外，特征描述符还没有被提出足以区分类间的脸。然而，只有很少的研究贡献或方法已在文献中报道，以解决问题的认识整形外科面临的。其中很少包括使用局部区域分析的识别（DeMarsico例如，2016）、与眼周特征级联的形状局部二进制纹理特征（SLBT）（Lakshmiprabha和Majumder，2012）以及Gabor和LBP特 征 的 组 合 （ Lakshmiprabha 等 人 ， 2011 年 ） 。 局 部 区 域 分 析（DeMarsico等人，2016）非常容易计算，并且具有低的类内方差和高的类外方差。这意味着描述符应该相对于对象的老化、交替照明等是有力的。SLBT（Lakshmiprabha和Majumder，2012）从形状自由补丁计算LBP特征直方图。因此，SLBT通过局部形状和形状建模来提取全局 形 状 变 化 是 非 常 有 效 的 。 Gabor 局 部 二 进 制 模 式 （ GLBP ）Lakshmiprabha等人， 2011用于定位图像中的面部形状界标点。本文旨在识别面部，即使在人接受整形手术，然后确定手术的类型。因此，本文的贡献主要考虑了三组演示。第一种方法是利用基于熵的SIFT特征检测整形手术人脸第二个是准确地识别出真实的手术部位，第三个是分析整形手术前后的人脸识别性能。本文的结构安排如下：第二部分，对相关文献进行了简要回顾。第三部分介绍了整形外科的人脸识别.实验结果见第4节。最后，在第5节中得出结论。Bhatt等人（2013）引入了一种多目标进化粒度算法，该算法支持匹配整形手术前后拍摄的图像。多目标进化算法支持多解问题，易于并行实现。另一方面，参数整定的试错法消耗较多的时间并且非常昂贵。3. 整形外科人脸识别图 1展示了基于EV-SIFT的整形手术的框图。在人脸识别过程中，有两个阶段，即测试阶段和训练阶段。为了学习手术前的EV-SIFT以确定未知整形手术面对的实际对象在测试阶段。此外，SCM分类器通过获得的学习信息准确地识别人脸。在如图1所示的所提出的方法中，用于测试的图像最初被应用于尺度空间极值检测块，在那里它确定不同的点及其周围的块。此外，应用DOG尺度空间提取人脸图像的特征。在特征提取阶段，提取前一个块中的重要关键点，并消除极值点和边缘点。 同时，对每个提取的关键点确定方向和梯度模，并由此估计体积函数和熵函数。虽然EV-SIFT包含了图像的体积和对比度，但体积函数和熵函数被组合以获得成对函数。 随后，将得到的成对函数应用于SVM分类器以进行最佳识别。3.1. 基于EV-SIFT的设F j 是人脸图像和身份证 成为数据库，2. 相关作品Chude-Olisah等人（2013）已经克服了由于灰度面部图像的纹理编码过程而导致的面部识别性能的下降，通过第二节... N D 具有到满足这里的条件FjIDj= 1，2.. . NS，数据库ID的大小为（M×N）。预处理阶段开始于图像处理。的EQ。（1）表示图像的调整大小模型，这里SM和SN表示列和行的缩放数量。提出了一种识别方案，涉及基于边缘的Gabor特征表示 Gabor特征是很好的描述符Imr SMnrSNIiu;v1并且它提供了时域和频域中的最佳分辨率。然而，通过将整个采集的图像整合为叠加图像来增加图像的冗余说明，从而增加了复杂度。De Marsico等人（2015）开发了主成分分析（PCA）技术，通过应用基于区域的方法准确识别接受整形手术的面部。这种PCA技术具有以下特征低噪声灵敏度和低计算时间。PCA技术降低了内存和容量要求，并为涉及较小尺寸的过程提供了更高的效率。然而，PCA技术不能捕获最简单的不变性，并且很难准确地估计协方差矩阵。Kohli等人（2015）描述了投影矩阵方法来识别正常的面部，即使在整形手术后也是如此。这种方法存在于线性代数中，用于获得线性方程组的最佳拟合解。该方法计算量小，投影简单.然而，图像表示是不可行的，它遭受的收敛问题和稳定性。SMωSNu¼mr-1SMv¼nr-1SN由方程式（1），u2½1;M]和ve[1，N]，06mr6Mr-1和06nr6Nr-1，其中，Mr×Nr是调整大小后的图像的大小，1/2·]表示最接近整数的舍入函数。SMM2SNN33.2. 图像尺度空间极值检测SIFT方法具有生成关于图像的唯一信息特征的能力。的EQ。（4）表示二维图像的图像尺度空间表示。这里，G=x;y; r= x; y ; r表示可变尺度高斯函数，r表示缩放的坐标，而x;y是空间坐标。Lx;y;rG x;y;rIx;y4556A.H. Sable等人/Journal of King Saud University图1.一、基于EV-SIFT的整形外科人脸识别框图3.3. 实现DOG缩放空间在SIFT特征中，高斯差分（DOG）具有许多优点。由于当图像中加入噪声或在几何变换中模糊时，提取的特征点的稳定性不好。因此为了完美匹配，因此，提取更稳定的特征点是非常必要的。DOG有助于提取更多的尺度不变特征，并且DOG尺度空间通过图像尺度空间函数来建立，并且如下确定，Dx;y;rl x;y;kr-Lx;y;r5Dx;y;rG x;y;kr-Gx;y;krIx;y6因子r2.在通过归一化拉普拉斯函数进行卷积之后，可以如下完成自动尺度选择，O=x;y;r2=2D2GI=x;y=2D2L=x;y;r2=7D的EQ。（7）表示从卷积的图像与O<$x;y;r2<$。如果图像结构的尺度接近于归一化拉普拉斯函数的r值，的EQ。（7）将处于极值。在空间和尺度空间中，都应选择极值点在识别斑点结构和以最佳比例选择它们方面。223.4。获取EV-SIFT关键点1- 你好 阿夫里其中G=x;y;r= 1/2r2e2R2表示高斯函数，当量（六）、在DOG尺度空间中，将图像的每个采样点与26个相邻点进行比较，以识别2D图像空间和所有强度点。在当前图像中，目标点需要与8个相邻点进行比较，并且还需要与上下比例尺中的18个相邻点进行比较在方差中，真实尺度可以从拉普拉斯算子的归一化来估计，r2D2G，在尺度空间的极值点处，下一点是确定高斯函数的差分中的关键点，并用图像进行了说明。而且，关键点参数完全依赖于图像在关键点上的梯度运算的分布特性。因此，计算关键点梯度模块和方向模块A.H. Sable等人/Journal of King Saud University557不 DðÞðÞ我ðÞ¼6 7·mmm1 2n我⁄⁄* ⁄m=x;y=x@þðLðx;yþ1Þ-Lðx- 1;y- 1ÞÞ2Að Þv我由方程式（13），wT FDb¼-1对应于负支撑我J我它记录了图像旋转的不变性。计算每个样本的方向和梯度幅度，并表示为.L23.6. SVM识别在SVM分类器中，应用所获得的整形手术面部的EV-SIFT特征描述符在训练数据集中识别-hexalx;y=tan-1Lð8Þ使具有到所述最大距离的所述决策表面化不同类的点是支持向量机的主要概念由方程式（13）、SVM分类器的基本公式表示为0vutLx1;yLx9S1/4 wF/b13mmEqs。（8）和（9）意味着h（x，y）表示关键点的方向，m x;y表示梯度幅度，L x;y表示图像样本。此外，L使用的尺度是每个关键点的对应尺度通过对关键点周围区域内的样本点进行梯度运算，得到方向直方图。3.5. 基于熵的特征描述子在图像中，熵是用来度量信息内容的不可预见性它描述了可以用来描述输入图像的纹理的随机性的统计高阶统计特征具有最小的影响，因为熵在脸上的不确定变化。以下步骤说明了基于熵的要素描述符步骤1：从Geng和Jiang（2009）引用的V-SIFT公式用于计算图像的体积，它以矩阵的形式表示，该矩阵在等式中表示。（十）2 v i1;j1 v i1;j2· v i1;jn3向量和wT FDb 1对应于正支持向量。tors.这里，b是应用于分类器的偏置，w是权重向量。该技术的主要目的是识别已经进行了整形手术，由于在手术前和手术后的面部高度模糊的面孔。4. 结果和讨论4.1. 1实验装置通过不同的手术进行了人脸识别实验，如眼睑整形手术68张脸，眉毛提升手术51张脸，吸脂手术51张脸，颧骨增高手术51张脸，颏整形手术15张脸，耳整形手术15张脸。18面，隆鼻术52面，除皱术72面，脱皮术50面。这里有150人的手术面部4.2. 统计分析表2总结了EVSIFT功能用于整形外科手术的性能。它是基于不同的SVM核分类器Vi; jvi2;j1vi2;j2· vi2; jn4vi·;jvi·;j·vi·;j5ð10Þ例如线性、二次、RBF和MLP。该表表明，与其他分类器相比，RBF为不同手术提供了更好的性能。在分类器RBF和线性方面，RBF性能对于眼睑成形术为21%，对于眼睑成形术为22%，对于眼睑成形术为22%。第二步：信息基础是无记忆的和固定的。的EQ。（11）示出了作为概率函数的EV-SIFT分析中的结构体的体积。与线性分类器相比，眉毛提升、98%的刮脂术、17%的颧骨增大术、28%的颏成形术、26%的耳成形术、32%的鼻成形术、26%的除皱术和17%的皮肤剥离术更好。在分类器RBF和Quadratic的情况下，性能VI jV i; j的RBF是21%优于二次分类器的眼睑，11p;PVi;j整形，12%优于二次分类器，眉提升，14%比Liposhaving的二次分类器好，比步骤3：从结构的体积计算熵。对于EV-SIFT过程，熵计算表示如下，EV-Vi;jlogVi;j12二次分类器颧骨增大，比颏成形术的二次分类器好13%，比耳成形术的二次分类器好14%，比鼻成形术的二次分类器好12%，比Rhytidec的二次分类器好17%-对于皮肤脱皮，比二次分类器好16%57%、86%、19%、10%、98%、15%、25%、13%和76%的EQ。（12）指出，如果E V是高熵的，那么体积来自不变的方向。同时，如果E V是低熵值，则体积是变化的分布。因此，FD描述了获得最终EV-SIFT描述符的整个数据库为了选择图像的高斯模糊程度，利用熵描述子对图像的方向和梯度幅值进行采样，并利用关键点在相应关键点位置处的尺度对图像的体积进行8 × 8相邻窗口是以关键点为中心的样本，随后将相邻窗口划分为4 × 4子窗口。因此，梯度方向直方图连同八个箱由每个子窗口计算。在每个关键点周围，每个描述符包含直方图的4/4阵列，并且每个直方图包含8个箱。因此，获得4 4 8 = 128维，即特征向量。分类器，RBF分类器的性能分别为57%，86%，19%，10%，对于不同的手术，如眼袋整形术、眉毛提升术、刮脂术、颧骨增大术、颏成形术、耳成形术、鼻成形术、除皱术和皮肤剥离术，分别为98%、15%、25%、13%和76%。因此，与所有其他分类器相比，RBF的性能更好。4.3. k倍交叉验证在k折交叉验证中，原始样本被随机划分为k个相等大小的子样本。为了测试模型，单个子样本被保持为确证数据，而剩余的k-1个子样本被用作训练数据。在这里，交叉验证重复k次（五次），k个子样本中的每一个都只使用一次作为验证数据。到558A.H. Sable等人/Journal of King Saud University产生单个估计，然后可以对来自折叠的k个结果进行平均表1清楚地表明，RBF分类器在不同整形手术的EV-SIFT特征方面表现更好，同时与其他分类器（如线性、二次和MLP）相比因此，表2示出了RBF的K折交叉验证的实验分析。该表证明了不同的K-折叠实验，如不同整形手术的第一次折叠、第二次折叠、第三次折叠、第四次折叠4.4. SIFT维度支持向量机分类器中的两个主要参数，如半径和放大因子（EF）。这些因素是变化的，并进行性能分析SIFT功能的影响如表3所示。半径的值从2.5、5、10、15和20变化，其中EF的相应值从0.5、1、1.3、1.5和1.7变化表3表明，EV-SIFT功能的影响基于半径= 0.5、1、1.3、1.5和1.7的性能指标并且EF = 0.5、1、1.3、1.5和1.7。当半径为5时，准确度、敏感度、特异度、精密度、FPR、FNR、FDR、NPV、F1_score和MCC均优于EF = 1.7。在半径= 10时，EF = 1.5和1.7的性能指标更好。对于半径=15，EF = 1.5的准确性和敏感性较好，EF = 1.3的特异性和精密度较好，1.5 EF = 1.5时F1评分和MCC较好。对于半径= 20，EF = 1.5时的准确性和灵敏度更好，EF = 1、1.3和1.5的特异性和精密度相同，所有EF和FNR的FPR保持相同，FDR在1.5和0.5时更好，EF = 1时的F1_score和MCC更好对于半径= 25，EF = 1.3时准确度较好，1.3和1.5时灵敏度较好。从这一检查，很明显，没有固定值的半径和EF和SVM分类器的性能得到更好的，而改变这些因素。4.5. PCA、SIFT、V-SIFT和所提出的EV-SIFT方法表4显示了主成分分析（PCA）方法、SIFT方法、体积SIFT方法和所提出的方法EV-SIFT。这些功能进行了分析的基础上的性能指标。此外，对整形手术的分类器，如线性支持向量机，二次支持向量机，径向基支持向量机和MLP支持向量机进行了分析。 二、该算法的性能是使用著名的和广泛应用的误差函数及其衍生物，如准确性，灵敏度，特异性和更多（权力，2011年;奥尔特曼和布兰德，1994年）进行评估。准确度用于确定正确分类人脸的程度。灵敏度用于衡量正确鉴别阳性和阴性样品的方法。在这里，精密度能够给出阳性结果与所有阳性结果的比率。FPR、FNR、NPV和FDR分别用于正确预测正确识别和错误识别。F1_Score和MCC用于判定分类算法的正确性和二进制类分类的效率。图 2（a），演示了线性SVM的分析。基于FPR、FNR和FDR对PCA、SIFT、V-SIFT和所提出的EV-SIFT执行性能测量。该图清楚地表明，所提出的EV-SIFT的FPR、FNR和FDR与其他特征方法相比非常低。图2（b）表明SVM的二次分析。这里，对于EV-SIFT方法，FPR、FNR和FDR非常低。因此，EV-SIFT的性能更好。 图图2（c）和（d）示出了RBF SVM和MLP SVM的分析。在这里，执行诸如用于PCA、SIFT、V-SIFT和所提出的基于EV-SIFT的FPR、FNR和FDR的性能测量最后，图形表示清楚地表明，所提出的EV-SIFT的FPR，FNR和FDR是非常低的，而与其他方法，如PCA，SIFT，V-SIFT相比。 图 2（e），其是线性SVM，PCA的准确性更好，而EV-SIFT特征对于整形外科面部的灵敏度和特异性更好。但在这里，所有的措施都更好地为EV-SIFT功能。与线性支持向量机中的其他特征提取方法相比，EV-SIFT特征的性能最好。在这里，整形外科人脸识别的准确性所提出的EVSIFT功能是10%，优于PCA功能，2%，优于SIFT功能，1%，优于VSIFTT功能。图2（f）展示了二次SVM的性能测量。在这里，所提出的EVSIFT特征对于整形手术的准确性比PCA特征好1%，比SIFT特征好4%，比VSIFT特征好1%。表1识别各种整形手术的性能分析分类器EVSIFT的性能睑成形提眉刮脂颧骨增高术颏成形耳成形隆鼻除皱术皮肤脱皮线性最好0.810.790.790.80.740.780.750.780.83最糟糕0.750.770.740.700.700.730.720.700.75是说0.780.780.770.740.750.750.730.740.78中值0.770.780.780.720.740.750.730.740.77偏差0.030.020.030.050.020.020.010.030.02二次最好0.860.870.860.790.840.860.880.840.84最糟糕0.850.850.830.760.810.840.860.840.85是说0.860.870.840.780.820.850.870.840.86中值0.850.870.840.770.810.850.870.840.85偏差0.0040.010.010.010.020.0070.0080.0010.004RBF最好0.990.980.980.940.950.980.990.990.98最糟糕0.990.980.980.940.950.980.990.990.99是说0.990.980.980.940.950.980.990.990.99中值0.990.980.980.940.950.980.990.990.99偏差0.00010.020.00030.002000.00010.00010.001MLP最好0.980.970.960.850.940.970.990.990.91最糟糕0.960.960.960.810.920.960.970.980.96是说0.970.970.960.840.940.960.980.980.98中值0.970.970.960.850.940.970.980.980.97偏差0.0070.090.0030.020.020.0030.0070.0050.07A.H. Sable等人/Journal of King Saud University559表2来自K折交叉验证分析的结果。不同手术第一折叠二折叠三折叠四折叠第五折叠睑成形0.9336730.9285710.9336730.9285710.916667提眉0.9173550.9173550.9173550.9173550.857143刮脂0.9090910.9090910.9421490.925620.857143颧骨增高术0.6666670.6666670.6666670.6666670.777778颏成形0.8750.750.750.81250.5耳成形0.9338840.9090910.9421490.9173550.875隆鼻0.9466670.9333330.9377780.9422220.933333皮肤脱皮0.9377780.9377780.9377780.9333330.930556表3EV-SIFT特征的影响基于其半径和EF的性能测量。RadEF精度灵敏度特异性精度FPRFNRFDRNPVF_1评分MCC50.50.890.380.940.420.050.620.940.580.40.3410.870.350.930.40.070.650.930.60.370.301.30.850.310.930.40.070.690.930.60.350.271.50.880.420.950.550.050.580.950.440.480.421.70.900.460.970.710.030.540.970.290.560.52100.50.880.350.940.420.050.650.940.580.380.3210.900.420.9640.590.030.580.960.410.490.431.30.840.340.950.580.050.660.970.420.430.361.50.910.50.980.760.020.50.9750.230.600.571.70.910.50.980.760.020.50.9750.230.600.57150.50.910.50.960.650.030.50.960.350.560.5210.920.520.980.810.010.480.980.180.630.611.30.910.520.990.870.010.480.990.130.650.631.50.930.560.990.870.010.440.990.130.680.671.70.920.520.990.870.010.480.990.130.650.64200.50.910.50.980.810.010.50.980.190.620.5910.930.540.990.880.010.460.990.130.670.651.30.910.50.990.880.010.50.990.130.640.621.50.920.510.990.880.010.480.990.130.650.631.70.890.430.970.710.030.570.970.290.530.49250.50.890.460.970.760.020.540.980.240.580.5510.900.460.980.760.020.540.980.240.580.561.30.910.50.990.870.010.50.990.130.640.621.50.900.50.970.760.030.50.970.240.600.571.70.890.480.970.760.030.520.970.240.590.55表4使用PCA，SIFT，V-SIFT和EV-SIFT与整形手术对不同SVM核进行排序。SVM分类器PCASIFTVSIFTEV-SIFT线性3241二次2341RBF4231MLP1234图2（g）描述了RBF SVM的分析。在这里，PCA、SIFT和V-SIFT的所有度量都较少，而所提出的EV-SIFT特征表现出更好的性能。此外，整形手术人脸识别的准确性，所提出的EVSIFT是1%，优于PCA功能，3%，优于SIFT功能和VSIFT功能之间没有变化。在图2（h）中，所有测量都显示出在使用EV-SIFT特征时更好的性能。在这里，所提出的EVSIFT特征的整形手术的准确性比PCA特征好1%，比SIFT特征好6%其他特征提取方法表现不佳。所以通过对整体的检验分析，可以看出EV-SIFT特征提取更适合整形手术人脸识别的目的。4.6. 对整形手术的敏感性SVM分类器的不同核的排序，如线性、二次、RBF和MLP，如表3所示。该表描述了EV-SIFT的等级更好，而其他方法的等级更低。表3显示，对于线性，所提出的EVSIFT特征的性能比PCA好67%，比SIFT好27%，比V-SIFT好59%在二次项方面，比PCA，SIFT和V-SIFT好67%，27%，58%。在径向基函数中，所提出的EVSIFT特征比PCA好20%，比SIFT好12%，比V-SIFT好32%在MLP的情况下，所提出的EVSIFT特征性能比现有的特征，如PCA，SIFT和EVSIFT分别好59%，27%和67%因此，很明显，所提出的EV-SIFT特征对整形手术面部高度敏感。5. 结论本文论述了基于EV-SIFT方法的人脸识别方法。通过使用不同的手术，如眼睑成形术、眉毛提升术、刮脂术、颧骨增大术、颏成形术、耳成形术、鼻成形术、除皱术和皮肤剥离术，对相应的系统进行了评价。所提出的EV-SIFT方法有效地去除了不需要的关键点。这里，所提出的EV-SIFT方法560A.H. Sable等人/Journal of King Saud University图二.基于其性能测量的EV-SIFT特征的图形表示（a）和（e）表示线性SVM，（b）和（f）表示二次SVM，(c)（g）表示RBF SVM，（d）和（h）表示MLP SVM。得到了结构的体积和图像的对比度。为了识别的目的，提取的特征被应用到SVM分类器。在不同核函数的支持向量机中，针对不同的特征，分析了其性能指标。为了产生更好的性能，EV-SIFT功能非常有效。SVM分类器的参数如半径和放大因子是不固定的。从分析中可以清楚地看出，对于不同的半径和EF值，性能更好，并且它不是固定的。因此，需要适当的调谐以获得固定值。未来的工作将是针对分析的基础上的调整过程，以获得准确的识别整形手术的脸。引用阿尔特曼丹吉布兰德，J.M.，一九九四年统计学注释：诊断试验1：敏感性和特异性。BMJ 308（6943），1552。PMC 2540489免费访问。PMID8019315Bhatt，Himanshu. S.，Bharadwaj，Samarth ，Singh，Richa，Vatsa，Mayank，2013. 基于多目标进化算法的手术改变人脸图像识别。IEEE Trans.INF. 法医安全 8（1），89-100。Chude-Olisah，Chollette C. ，Sulong，Ghazali B.，Chude-Okonkwo，Uche A.K.，Hashim，Siti Z.M.，2013年。基于边缘的手术改变的人脸图像的表示和识别2013年第7届信号处理和通信系统国际会议（ICSPCS），卡拉拉，VIC。pp. 1-7号。De Marsico，Maria，Nappi，Michele，Riccio，Daniel，Wechsler，Harry，2015.使用基于区域的方法进行整形手术后的鲁棒人脸识别。模式n。48（4），1261-1276。De Marsico，Maria，Nappi，Michele，Riccio，Daniel，Wechsler，Harry，2016.使用局部区域分析的整形手术后的鲁棒人脸识别。图像分析与识别，计算机科学讲义，6754。施普林格，pp. 191- 200耿聪，蒋旭东，2009。使用SIFT特征进行人脸识别。第16届IEEE图像处理国际会议（ICIP）pp. 3313-3316He，Xiaofei，Yan，Shuicheng，Hu，Yuxiao，Niyogi，P.，Zhang，Hong-Jiang，2005.使用LaplacianFaces进行人脸识别。IEEE传输模式分析马赫内特尔27（3），328-340。Inan，Tolga，Halici，Ugur，2012.基于局部形状描述子的三维人脸识别IEEE Trans. Inf. Forensics Secur. 7（2），577-587。Kohli，Naman，Yadav，Daksha，Noore，Afzel，2015.多投影字典学习检测整形手术的人脸验证。IEEE Access 3，2572- 2580。Lakshmiprabha，N.S.，Majumder，S.，2012.整形手术不变的人脸识别系统。第12届智能系统设计与应用国际会议（ISDA），高知。pp. 258-263。Lakshmiprabha，N.S.，Bhattacharya，J.，Majumder，S.，2011.使用多模态生物特征的人脸识别。2011年图像信息处理国际会议（ICIIP），喜马偕尔邦。pp. 1-6. 劳伦斯，S.，Giles，C.L.，Tennis，Ah Chung，Back，A.D.，1997.人脸识别：卷积神经网络方法。IEEE Trans. Neural Networks 8（1），98-113.Lee，Sang-Heon，Kim，Dong-Ju，Cho，Jin-Ho，2012.基于差分分量的光照鲁棒人脸识别系统。IEEE Trans. Consum. Electron.58（3），963-970.Liu，Xin，Shan，Shiguang，Chen，Xilin，2012. 整形手术后的面部识别：一项综合研究。在：计算机视觉- ACCV 2012，计算机科学讲义，7725。施普林格，pp.565-576。Lu，Ze，Jiang，Xudong，Kot，Alex C.，2015.一种彩色通道融合的人脸识别方法。IEEE信号处理。Lett. 22（11），1839-1843。Mudunuri，Sivaram Prasad，Biswas，Soma，2016.低分辨率人脸识别在姿态和照明变化。IEEE传输模式分析马赫内特尔38（5），1034-1040。Park，Unsang，Tong，Yiying，Jain，Anil K.，2010.不变人脸识别IEEETrans. 模式肛门。马赫内特尔 32（5），947-954.作者：David M. W. 2011.评价：从精确度、召回率、F-测量到ROC、信息量、标记&相关。In：J. Mach.学习. Technol.2（1），37- 63.Ruiz-del-Solar，J.，Navalante，P.，2005. 基于特征空间的人脸识别：不同方法的比较研究。 IEEE Trans. Syst. Man Cybern. PartC 35（3），315-325.Sao ， Anil Kumar ， Yegnanarayana ， B. ， 2007. 使 用 模 板 匹 配 的 人 脸 验 证 。 IEEETrans.INF. 法医安全 2（3），636-641。Schwartz，William Robson，Guo，Huimin，Choi，Jonghyun，Davis，Larry S.，2012.使用大型特征集的人脸识别。在：IEEE Trans.图像处理。21（4），2245-2255。Sharma，Poonam，Yadav，Ram N.，Arya，Karmveer V.，2014. 基于曲波神经网络的姿态不变人脸识别。 IET Biometrics 3（3），128-138.Singh Richa，Vatsa Mayank，Noore Afzel，2009.整形手术对面孔识别影响的初步研究。在：IEEE计算机协会计算机视觉和模式识别研讨会会议，佛罗里达州迈阿密pp. 72比77Singh ， Richa ， Vatsa ， Mayank ， Bhatt ， Himanshu S. ， Bharadwaj， Samarth ，Noore，Afzel，Nooreyezdan，Shahin S.，2010.整形外科：面部识别的新维度。IEEE Trans.INF. 法医安全 5（3），441-448。Turk，文学硕士，彭特兰，AP，1991.使用特征脸进行人脸识别。在：IEEE计算机协会计算机视觉和模式识别会议论文集，夏威夷毛伊岛。pp. 586-591。Zou，Wilman W. W.，袁，庞C，2012.低分辨率人脸识别问题。IEEE Trans.图像处理。21（1），327-340。
