FACE RECOGNITION USING KERNEL PRINCIPAL COMPONENT ANALYSIS

a. Penulis

Kwang in Kim, Keechul Jung, Hang Joon Kim

b. Judul 

FACE RECOGNITION USING KERNEL PRINCIPAL COMPONENT ANALYSIS

c. Sumber

IEE Signal Processing Letter Vol. 9 No, 2 Feb 2002

d. Resume

A kernel principal Component Analysis (PCA) was recently proposed as a non linier extension of a PCA, PCA is a powerful technique for extracting a structure from potentially high-dimensional data sets. Kernel PCA for face feature extraction , wich involve three layer with entirely different roles. Base on these feature, face recognition can then be performed using Linier Support Vector Machines (SVMs). Recognition is then performed by extracting a facial feature vector using a kernel PCA and classifying it using the SVMs. Kesimpulan saat ini metode paling efektif yang digunakan adalah metode kernel PCA dengan perbandingan eror rate dapat dilihat dibawah ini.

e. Kelebihan

Dibandingkan dengan  Eigenface memiliki eror rate  : 10%

Pseudo-2D HMM memiliki Eror rate  : 5%

Probabilistic base Neural Network : 4%

neural network : 3.8%

Linear SVMs : 3.0%

Kernel PCA : 2.5%

f. Kekurangan

1.   dari jurnal tersebut tidak disebutkan kelemahan dan pembaca belum menemukan kelamahan, mungkin dapat diturunkan lagi     persentase eror ratenya dari 2.5% menjadi kurang dari 2.5%
2.   Pemrosesan citra digital masih agak lambat
3.   Hasil Image yang tersimpan dalam hardisk masih terlalu besar jadi memerlukan kapasitas besar dan dapat memperlambat pemrosesan