Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   9 , No .   5 ,  Octo ber   201 9 , pp.  4069~ 40 76   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v9 i 5 . pp4069 - 40 76          4069       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Biologi cal l andm ar k  v s  quasi - lan dm ar ks  for 3D fa ce re cogn ition  and gend er  cl assification       Ha w ra a   H.   A bb as 1 ,  Amm ar  A .  A l ta mee mi 2 ,  Ham eed  R.   Far han 3     1, 3 Depa rt m ent of   Elec tr ical and  E le c troni c   Eng ineeri ng,   Univer si t y  of  Kerb al a ,   Ir aq     2 Depa rt m ent   of  Biom edi cal  Eng i nee ring ,   Univ ersity   of   Kerba la,  Ir aq       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   J a n   2 9 , 2 01 9   Re vised  A pr   13 , 2 01 9   Accepte d  Apr   25 , 201 9       F ac e  rec ogn it io n  and  gende r  class ifi cation  ar e  vit al   top ic s  in  t he  fie ld  o f   computer   gra ph ic   and  pa ttern  rec ogni ti on.   W e   uti lize d   id ea s   from   two   growing  ide as  in   computer   vision ,   which  ar e  biol o gic a l  la ndm ark s  and  quasi - la ndm ark s  (de n se  m esh)  to  pr opose  a  novel   appr oac h  to  co m par e  the ir   per form anc e  in  f ac e  re cognition  and  gende r  c la ss ifi c at ion .   The   ex per imental   work  is  conducte d  on  FR RGv2  dat ase t  and  a c quire d  98%  and   94%  fac e   rec ogni ti on  a cc u rac i es  using  the   quasi  and  bio log ic a l  la ndm ark s  r espe ctive l y .   The   gende r  c la s sific a ti on   accuracie s  are   92%  for  quasi - la ndm ar ks  and  90%   for  biol og ic a l la ndm ark s.   Ke yw or d s :   Bi olo gical  lan dm ark s   Den s e s urface   Face rec ogniti on   FRR Gv2   datas et   Gende r  cl assifi cat ion   Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights  reserv ed .   Corres pond in g  Aut h or :   Hawraa  H.   A bbas,     Dep a rtm ent o f  Ele ct ric an d  El ect ronic   Engi n e eri ng ,   Un i ver sit y o f Ker bala,  Kerba la , I ra q.   Em a il : haw raa. h@u ok e rb al a. e du.iq       1.   INTROD U CTION     Nowa days,  ou r  su r r oundin g   env i ronm ent   beca m e  m or e  tech nical ly .  The   dev ic es  are  ge tt ing   to  be   sm arter  ever y  day .  I n  the   w orl d   of  te ch no l ogy ,   on e  of  the  vital   te chn ol og ic al   featur es  is  a r ti fici al   intel l igence .   Face  rec ogniti on,  as   a  bio m et ric  auth entic at ion   te c hn i que  is  a n  esse nt ia l  app li cat ion  sco pe  of  a rtific ia l   intel li gen ce  [ 1 ,   2 ] .  Its  m ai n  su per i or it y  inh eri te d  in  high  sp e ed  thr ough pu t  wh e n   the  use r   do e s  not   sp en d  tim e   in  data  c ollec tio n  proces s   li ke   oth e r  bi om et ri c  te chn i qu es  s uch   a s  sp e ake r   recog niti on   [ 3 ] ,  fing e r pr int  [ 4 ]   an d  iris  [ 5 ] .   For  ex a m ple,  fac e   reco gnit ion   syst e m   can  be  instal le d  in  a   pu bli c place   wh e re   f ac es  of   pe ople   who   pass  can  be  rec ognized  a nd    pi cking   out  the  wan te d  pe rs ons   [ 6 ] .   T he  m a in d isa dvanta ge of  this  2 D  s of t war e is   the  sensiti vity   in  li gh ti ng  co ndit ion s ,  w hich  consi der e d  as  po s es  an d  occl us io ns .  I n  the  l ast   few   ye ars ,   d ue  t o  the  rob us tness   of   3 - D  te c hn i qu e s  in   il lu m i nation  var ia nc es  and   po s e  al te rati on ,  us in g  3D   facial   surf aces  in  face r ec ogniti on   has b ec om e a  cr ucial  r esea rc h fiel d.   Si m ultaneo us ly ,  gende r  cl ass ific at ion   is  an  i m po rtant  pro bl e m   that  can  be   a  valua ble  pri m ary   ste p   into   fac e  rec ogniti on.  Ge nd e r  is  a  s of t  biom et ric  trai ts .  It  can  com bin e   oth e r  bio m et ric  trai ts   su ch   as  ey es  colo rs,   s kin   c olo r,   an d  s o  on,  to  di ff e re ntiat e  between  hu m ans   pee r s.  Ma ny   prese nt   w ork s   on  gende r  cl assifi cat ion   ha ve  us e d   2 - D   f ace  i m ages  f or  so lvi ng  ge nde r  cl assifi cat ion  pro blem ,  bu t  3 - D  f ace  s urfa ce   has  no t  s o  far   bee n  us e d  wi dely   fo r  ge nd e r  cl assifi cat ion .  D iverse  ps yc holog y  en co ur a ge s  to   us e    3 - D  sh a pe   inf or m at ion  for ge nd e r  cl assifi cat ion   [ 7 ,  8 ] .   The  dev el op m ent  of  a  pr act ic al   and   easy   intel li gen t   syst e m   fo r  a uto m at ic   face  recogn it io n  a nd  gende r  cl assifi cat ion   is  an  im portant  s ubj ect .  In   t his  resea r ch ,  the  e ff ect i ve ness  of   us in g  bio lo gical   la nd m ark   (certai n  ver ti ce s  of   face  m esh)   an d  quasi - la ndm ark s  (r e gula rised  face  m esh  ve rtic es)  on  fa ce  rec ogniti on  an d  gende r  cl assifi cat ion  syst em  p er form ance   ha s b ee n  i nv est i gated .     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &   C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19  :   4069   -   4076   4070   This  resea rch   m ai n  no velty   is  te sti ng   the  pe rfor m ance  of   bio lo gical   la ndm ark s  in  face  recog niti on   and g e nder  classi ficat ion .   S pe ci fical ly , th e m ai n  co ntri bu ti ons  of this  pa per incl ude:   -   It test s the  pe rfor m ance of Bi ologica l l an dma rk for  f ace  rec ogniti on and  ge nd e r  cl assifi c at ion .    -   It test s the  pe rfor m ance of  quasi - la nd m ark s  for face  r ec ogni ti on  and  ge nd er classi ficat io n.   -   It  com par es  the  Bi olo gical   la nd m ark   an d  quasi - la ndm ark s   reli abili ty  fo r   gender   cl assif ic at ion   an d  fa ce   recog niti on .   -   It  proposes  a  si m ple  autom a ti c  face  reco gnit ion   a nd   gender   cl assifi cat ion   syst em   us i ng   la nd m ark s  a nd   pr i ncipal c om po ne nt a naly sis (PCA ).   The  rest  of  this   pap e r  is  orga ni sed  as  fo ll ows ;  In   Sect io n  2,   a  br ie f  r evie w  of   the  a ppr oac hes  that  are   relat ed  to  the  pro po se d  m et ho d  is  int rod uc ed.   Sect io n  3  disp la ys  the  pr oce dure  of   t he   propose d  m et hod.   In   Sect io n  4,  the  ex per im ental   resu lt s  are  intr oduce d.   Th e   discuss i on   f or   the  acqu ire d  r esults  is  pr ese nte d  in  Sect ion   5.  Fin al ly ,  Sect ion   6  con cl udes  the   m et ho do l og y  and   im po rtant  achievem ents  of   the  propose d  w ork,  and it  inclu des suggesti ons  for f utu re  r esea rc h  in vestigat io n.       2.   RELATE D  W ORK   Bi olo gical   la ndm ark s  are  sta nd a r d  refe re nc e  sign ific at ive  po i nts  on  the  f ace,  su c h  as  th e  no se  ti p ,   inn e r  an d  ou te r   cor ne rs   of  the  ey es ,   corners   of  the  m ou th,  a nd  the   chin  po i nt   [ 9 ,  10 ] .  Lan dm ark   local isa ti on   is   us ua ll y  local is ed   m anu al ly ,  bu t  num ero us   researc h  has  be en  achiev ed  on   a uto m at ic  accurate  local i sat ion.     Fo r  e xam ple, Ru iz  et al .  [ 11 ]   pr ese nted  an  a lgorit hm  f or  aut om a ti c local is at ion  of b iol ogic a l l and m ark s o n 3D  faces  by  usi ng   the A ct ive  S ha pe  M od el   (AS M)  to   l ocali se   a set o f 14 faci al  b iolo gical  la nd m ark s.   A  series  of   di fferent   m easur e m ents  su c h  as  the  Eucli de an  distance  a nd  th e  an gle   betwee n  bi ologica l   la nd m ark s  are  us e d  su cce ssf ul ly   in  find in g   t he  di ff e ren ce s  a m on g   i nd i viduals  faces .  Th e  accuracy  of   these   m easur em ents  dep e nds  dr am at ic al ly   on   la ndm ark s  local is at ion   a nd  sel e ct ion .  M orecr oft   [ 12 ]   pe rform ed   a  researc h  to   e va luate   the  us i ng  of   bio l og ic al   la nd m ark s   for   3D  face  s ha pe   a naly sis.  Aynec hi  et   al .  [ 13 ]   c arr i e d  ou t  an  al gorithm   rep resen ti ng   a  face  s ha pe  by  a  vecto r  of   distances   m easur ed  bet ween   pairs  of   facial   la nd m ark s.  T he y  sel ect ed  the  la nd m ark s  by   an  ex hau sti ve  searc h  ov e r  possible  l an dm ark s  com bin at ions   wh ic h  offe red  the  best  recogn it io n  rates.  Their  re searc h   resu lt s  rec ord ed  27  facial   la nd m ark s  as   es sentia l  la nd m ark s  for  facial  co m par ison an d  i den ti fi cat ion .   Su r face   re gu la risat ion  is  the   process   of  fin di ng   t he  ge om etr ic al   trans f or m a ti on   betwee n  two  or  m or e   su r faces  t hat  al ign   th e  surfac e s  [ 14 ] .  It  re gu l arises  the  nu m ber   of  ve rtic es  by  fin ding  de ns e  c orrespo ndences   in  the  3D  m e sh es,  t hese  re gu la rised  ver ti ces  are  cal le d  qu asi - la ndm a rk s .  The  quasi   la nd m ark s  ar e  us ed   dr am at ic ally i n  com par in g  the  d if fer e nces i n faci al  m or phol og ie s  for  va rio us   po pula ti on s   and se xes [ 15 ,  16 ].   The  cl ear  se xual   dim or phism   of   the  hu m an  face  m akes   face  ge nder  cl assifi cat ion   consi der a bly  eff ic ie nt  an d  fa st  op erati on   [ 7 ] .   In   s pite  of,   th e  abun dan t  ge nder  cl assifi cat ion  r esearc h,   th e  ta sk   of   dev el op i ng   easy   to  i m ple m ent,  autom ated   an d  r obus t  f ace  gender   cl a ssific at ion   is  sti ll   a  re m ote  ob j ect ive.    To  ov erco m e   the  lim i ta ti on   it e m s  of   2 - D  i m age  base  m eth ods,  t hr ee - dim ension al   ( 3 - D)  in f or m at ion   of   hu m an  face s  is  us ed   to   pe rfor m  f ac e g e nd e r  cl assi ficat ion .  F or  e xam ple, in O’ T oole  et al .  [ 8 ]   pr incipal  co m ponen ts a naly sis  (P CA )  was  ap plied  se par at el y  to  the  3 - D   m esh   and  gr ay   le vel  i m age  pix el s  of  3 - D  hum an  face  i m age .  The  resu lt s   dem on strat ed   t he  th ree - dim ension al   face  m e sh   pro vid e d   m or e  preci se  se x  cl assifi cat ion   resu lt s   t han  th e  gray   le vel  i m age  pix el s.   Y ua n  et   al .  [ 1 7 ]   us e d  the  feat ur es    from     four    face   reg i on s  (up pe r  re gion  of  the   face ,     the lo wer re gion  of the  face, t he nose  a nd th e left  eye )  for gen de r  cl assifi cat ion   pur po se .   A   gen e ral  re vi ew   on   3D  fa ce   recog niti on   m et hods   is  i ntrodu ce d   i n  [ 1 8 ] .  The  diff ic ulty   in  3D  face  recog niti on   al gorithm s’  i m p lem entat ion   is  handling  oc cl us io ns ,  m iss ing   fa ce   par t s ,  an d  ex pr es sion.      The  e xisti ng  3D  face   rec ogni ti on   m et ho ds   c an  be  cat eg or i sed  int o  tw o  c at egories   acco r ding  to   the  fea ture s   us e d  in  recog ni ti on :   holi sti c  m et ho ds   a nd  r egio nally   appr oach e s.  I n  holi sti c  m et ho ds ,  t he  feat ur es  fro m   the   whole  is  us e d  for  recog niti on.  D rira  et   al .  [ 1 9 ]   im ple m ent ed   a  m et hod  t hat  use s  c urvat ur es   of  t he  3D  facial   su r faces.  T he  m et ho d  us ed  t he  ra dial  curve s  of   facial   surf aces  arou nd   th e  no se  ti p  f or  r ecognit ion.  Mo rpha ble  m od el - based   a ppr oac hes  were  introduc ed  i n   [ 20 ,  2 1 ] ,  th is  m od el   us e d  eff ect ively   for  face  rec ogni ti o n.     In   l ocal - reg i on  base d  a ppr oa ches,  l ocal  in f or m at ion   is   ex tract ed  f r om   s ever al   face  re gions.  For  e xa m ple,     Li  et   al .  [ 22 ]   pro posed  a  r obust   local   facial   descr i ptor  co nt ai ns   f our  ty pes   of   ge om et ric  featur e s.  T hen,   this   descr i ptor is  use d for  recog niti on   pur pose .   In   sp it e  of  the  accuracy  of  th ese  m et ho ds   in   gender   cl assif ic at ion   and   fac e  reco gnit io n ,   they   su ff e r   from   the  fo ll ow in g   pro blem s :  com plexity ,  a nd   sl ow   feature   extracti on  an d  rec ogniti on   processes .  The refore ,   pro po se d  a  sim ple  an d  acc urat e   face  regnit io n  m et ho d  is  e s sentia l.    I n  t his  pa per ,   bi ologica l  la nd m ark   a nd   the   qu a si - la ndm ark s  a re  e xtrac te d  an d  us e d  as  feat ur e   de scri ptor  for  3D  face   rec ogniti on  a nd  ge nd e r   cl assifi cat ion .   This  resea rch   r epr ese nts  the  f irst  researc h  te sts  the  eff ic ie nc y  of   bio l og ic al   la nd m ark   and   the   qu a si - la ndm ark s   i n  face  r ec ogniti on a nd ge nd e r  cl assifi cat ion .     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Biolo gical la ndm ar k  vs  quas i - la ndm ar ks f or 3 D  face  rec og niti on   and ge nder  .. .   ( Ha wr aa  H.   Ab bas)   4071   3.   PROP OSE D ALGO RTHI M   In   this  sect io n,  we  desc ribe  a   pro po se d  a ppr oach   of   face  re cogniti on   a nd  gende r  cl assifi cat ion   us i ng   the  bi ologica l  la nd m ark   or  the  qu a si - la nd m ark s.   Fig ur es   1  a nd  2  disp l ay   blo c k  diag r a m s  of   t he  propose d  appr oach,  w hich  are  e xp la i ned   belo w.   F igure  1  diag r a m   illustrates  the  pro po s ed   appro a c h  for   face   recog niti on ,  w hile  F igure  2  il lustrate s  the  gende r  cl assifi cat ion   ap proac h.   Fi gure  3  s hows  t he  la nd m ark s   extracti on  blo c k  c on te nts.           Figure  1.  The   pro po se d  a ppr oach f or f ace  re cogniti on           Figure  2 .  The   pro po se d  a ppr oach f or g e nde r  cl assifi cat io n           Figure  3 .  The  land m ark s e xtra ct ion         3.1.   Dataset   We  util iz e d   th e  FRGC  v2  dat abase .   T his  dat a  con ta in  4,007  3D  face  sca ns  of   466  s ubj ec ts .  The  data   wer e  colle ct ed   us ing   a  Mi no l ta   91 0   ty pe   la ser  scan ner .  T he   i m ages   reco r d   dif fer e nt   facial   exp ressi ons  (e. g.,   happine ss  a nd  surp rise ) .  M aur e r  et   al .  m anu al ly   cat egorised   the  F RGC  v2  i nto  three   cat eg ori es  [ 23 ]   dep e ndin g  on  t he  facial   ex pre ssion.  T hey  cl a ssifie d  796  im ages  a s  sm al l  e x pressi on s   a nd  74 2  im ages  as   la rg e   expressi on s ,  wh il e  2469  i m ages  cl assifi ed  as  the  ne utral  ex pr es sion.  Fig ur e  4  FRR Gv2  3D  face   i m age ex am ple .   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &   C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19  :   4069   -   4076   4072       Figure  4 .  FRR Gv2 3 D  fa ce i m age ex am ple       Fo r   face  recog niti on   e xperim ent,  the  i nput  to  the  al gorith m   is  two  set s  of   im ages  galle ry  an d  pro be   faces.  Faces   i n  the  galle ry  set   re pr ese nt  faci al   3D  im ages  known   to  t he  s yst e m ,  wh il e   f aces   in  t he  pro be  set   represe nt  unkn own  facial   3D  i m ages  pr ese nted  to   th e  syst e m   fo r  th e  re cogniti on.  I n  this  w ork,   face s  with   neu t ral  ex pr es s ion   a re u sed .  A ccordin g  to   the   Jack - knife  ru l e   80%    of   t he  f aces  ra ndom ly   sel ect ed   f or   tra inin g  wh il e   the  rest   3D   fac es  are  use d   f or   pr opose d  al gorithm   testing .  T her e for e,  1975  i m ages   are   us ed  f or  trai ning   and   494  3D  fa ce  i m ages  are   us e d  f or   syst e m   te sti ng .   For  gende r  cl assifi cat ion   a ppro ac h ,   466  s ubj ect s   i m ages  are  us e d  ( 202  f e m al e  and   264  m al e),  al so   accor ding  to  Jac k - knife  te ch nique  a  total   of   372  im ages  were  us e d  for  trai ning a nd  9 4 i m ages were  us ed  for t es ti ng .       3.2.   Preproces sing   This  sta ge  c onsist s  of  thre e  proces ses:  Clip   t he  f aci al   reg i on,  Re m ov e d at a  sp i kes  ( noise )  an d  Fil l  the  ho le s .   -   Denoisi ng : T he  und esi rab le  e lem ents o f  t he sc ans were  r e m ov ed  m anu al ly  f ollo wed   by  autom at ic  r e m ov a l   of   t he  la r ge  spi ke,   wh ic h  ca n  natu rall y  aris e  in  sca nnin g.   The  im ages  w ere  f urt her  sm oo t hed  usi ng  t he   Laplaci an  filt er  avail able  in  Ra pid f orm ,  wh ic h  rem ov es  li tt le  sp ikes.  La placi an  sm oo thin g  is  a  co m m on  proce dure  (e. g., see  [ 2 4 ] ).    -   Ho le   fill ing :  L arg e  or  sm all  ho le s  m ay   app ear  in  3D   face  s cans.  All  hole s   wer e  sp eci fie d  and  fill ed  us in g  Ra pid f orm  p rogr am  too ls.     3.3.   Landm arks E xt r act i on   Bi olo gical   la ndm ark s  and   quasi   la nd m arks  are  us e d  as  facial   featur e s  fo r  face  rec ogniti on   a nd  gende r  cl assifi cat ion .   Bi ol ogic al   la nd m ark s   are  usual ly   us e d  by  physi ci an s  an d  sci entist s ,  they   are  m ean ingful  po i nts  that  are  def i ned   as  sta ndar d  points  on  the  face,  su c h  as  the  nasio n,  inn er  a nd   oute r  canthi  of   th e  ey es,   enter  of the  up per li p,  ce nter   of the l ow e r  li p, m ou th   c orners   [ 2 5 ] .   In   t his  w ork,   21   facial   la ndm ark s  re pr ese nte d  by  a  total   of  63   ( x,   y,  a nd   z)  co ordinate  values  were   m anu al ly   identifie d  an d  rec orded   for  each  3D  facial   i m age.  Af te r  that,  a  Gen e rali sed  P r ocrustes  Al gor it h m   (G P A )  is  i m plem ented  to  carry  out  the  r otati on,  translat io n  an d  scal ing   of  the  faces  la ndm ark s .     O r din a ry  Proc ru ste s  a naly sis  is  a  t ype   of   sta ti sti cal  sh ap e  analy sis  that  al ign s  faces  by  m ini m izing  th e   Pr oc r us te s  distance m et ric b et ween t heir  lan dm ark s  [ 2 6 ] . T he  al go rithm  st eps  a re th e  foll ow i ng :   -   Choose a  r e fere nce  face lan dm ark s am on g t he  trai ning set  instances.   -   Align  al l  ot her  faces  la nd m ark s  on  the   cu r r ent  re fer e nce  by   m ini m izing   t he  P r ocrustes  distance  betwe e n  the insta nces.   -   Determ ine the  m ean f ace  of t he  trai ning set  faces  3D lan dm ark s.   -   Ca lc ulate  Pr oc ru ste s  distance   betwee n  the  m ean f ac e an d  t he  r efe rence  f ac e. If this  distan ce value  is ab ove   the s pec ifie d t hresh old, set t he  r efe re nce face   to m ean f ace a nd go t o  ste p 2.   Figure   5  il lustr at es the b iolo gi cal  f ace l and m ark s t hat u se d  in this r esea rc h.  Figure   6  s how s the ef fec t   of   a pply ing   G PA   on   t he  la nd m ark s  co ordi na te s,  the  re d  points  is  the  la ndm ark s  co ordi nates    be f or e  a pp ly in g   the  G PA,  wh il e  the  blu e   poin t  after  a pply ing   this   al gort him .   Qu asi   la nd m ark s   a re  ac quired  by  s uperi m po sin g  al l  i m ages  on   a  ref ere nce  fac e  and   t hen   regularisi ng  al l  the  i m ages  to  en su re  t hat  the  re su lt ing   m eshes  have   exactl y t he n um ber  o f refe re nce  face  ver ti c es. Speci fical ly , th e  f ollow i ng  was  im ple m ent ed :    -   Ri gid   re gistrati on.  T he  idea  w as  to  use   one  of  dataset   faces  as  facial   te m pl at e  to  cr op   t he  facial   i m ages  of   interest .    T he  t e m plate   was  bro ught  int o  the   vicinit y  of   t he   ta rg et   s urfac e,  by  re posit io ning  the  floati ng   su r face,  u si ng  it erati ve  cl os est  point  (I CP )  al gorithm   [ 2 7 ] .    Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Biolo gical la ndm ar k  vs  quas i - la ndm ar ks f or 3 D  face  rec og niti on   and ge nder  .. .   ( Ha wr aa  H.   Ab bas)   4073   -   Non - rigi d  reg i strat ion .   S urfa ces  of  dif fer e nt   subj ect s   are   m at ched   to   ea ch  oth e r  us in g  a  non - rigi d  T hin  Plat e Sp li ne  ( T PS)   [ 2 8 ] .   -   Re gu la risat io n.  An   it erati ve  proce dure  wa s   us e d  to  assi gn  each  floati ng  point  of   t he   tem plate   to  a  corres pondin g  po i nt  of  the  ta rg et   im a ge  by  app ly in g  the  di sta nce  weig ht ed  k - near est   ne ighbor  r ule  [ 2 9 ] .  As  a  res ult, all   faces  wer e  cr oppe d  a nd c onve rted  t o un if or m ly  d ist ribu te d m eshes .           Figure  5. The   bio lo gical  f ace   la nd m ark s       Figure  6 .  Th e   GPA ef fect  on   la nd m ark s   c oord i nates       3.4.   Pri ncipl e Co mpo ne nt A na l ys is ( PC A)   PCA  is   a   s ucc essfu l   m et ho d  pro gr e ssed   f or  2D  or  3D  fa ce  rec ogniti on.   I n  this   al gori thm ,  ei gen   deco m po sit io n  of  the   2D   m at rix  of   facial   i m ages   feat ur es   is  p e rfor m ed  to  obta in   a  set   of  or th ogonal   basis  vecto rs .  T hese   vector s  m axim i s e  the  var ia nce  of  facial   im age  data set .  Ther e f or e,  t he  PCA  is  us e d  to  re du c e   the  dim ension al it y  of   da ta set   and   re pr ese nts  face   i m ages  i nto   their   pri nc ipal  com ponen ts .    Fo r  face  reco gnit ion ,  t he  to p  ei genvecto rs   are  kn own  as  Eigen faces.    T hese  ei ge nvect or s  acc ount  the   m os t  var ia ti on  in   t he   data  [ 30 ] .   Al l  galle ry  an d  pro be  facial   i m a ges  a re  pr oj ect ed  on t o  the  pri nciple  s pace  a nd  the   ei genvecto rs  is  u se d  as  traini ng a nd test ing el e m ents   in f a ce  recog niti on  a nd  gende r  cl assi ficat ion  syst em .      3.5.   Ma c hine Le ar ning tech niqu es   Au t om atic  face  rec ogniti on  and  ge nder  cl assifi cat ion   a re   patte rn  rec ogni ti on   pr ob le m s ,  w hich   ar e   no t  easy   to  so lve   pro blem s   becau se  their   non - li nea rity .  Especial ly ,  wh e n  face  rec ogniti on   a nd   gend e r   cl assifi cat ion   a pp li ed   in  high   dim ension al   and  onli ne  dat aset .  The refo r e,  us i ng   accu r at e  m achine  le arn i ng   al gorithm s ar e essentia l f or   fa ce rec ogniti on  and g e nder  classi ficat ion   pro blem s.   The  K - N earest   Neig hbour  m et hod  ( K NN)  is   a  super vised   le arn i ng   al gorithm .   In   this  al gorithm ,  the   te ste d  insta nce   is  cl assifi ed   a ccordin g  t o   K - near est   nei ghbor   cat eg or ie s.   This  m et ho d  is  us e d  m ark ed ly   in  nu m erous  com pu te r  visio n  a nd   im age  proc essing  a ppli cat ion s .  S up port  Vecto r  Ma chi ne  (SVM)  a re   al so   popula r  s uper vised   le ar ning   al gorithm   and   it   is  us e d   f or  so l ving  dif fer e nt  m achine   le arn i ng  pr oble m s.    SV M   cl assifi er   trie s  to  fi nd   t he  opti m al   res ults  by  m axi m iz ing   the  m argi n  betw een  t he   trai ning  an d  t est ing  instances   [ 30 ] .   Th us ,   in  t his  researc h,  these   two  m achine  le arn in g  al gori thm s  are  us e d  for  f ace  re c og niti on  and g e nder  classi ficat ion .       4.   RESU LT S   In   t he  f ollow i ng,  we  presen t  the  i m ple m e nted   e xp e rim e nts  an d  their   r esults .   W e  al s o  pe rfo rm   a  com par at ive  re view  with  the  s ta te - of - the - art   relat ed  resea rc h  res ults .  Th e  FRGCv 2  dataset   hav e   4007  3D  face   i m ages ,  60%  of  the  face s   ha ve   neu t ral   ex pr e ssion .  I n  ad diti on   to   that  the  s ubj ect s ’  ge nd e r   in  this   datase t  are   div ide d  i nto   57%  m a le   and  4 3%   fem al e.    The  face  rec ogniti on   ta s k  is  m ult ic la ss  cl assifi cat ion ,  t her e fore   On e - Ag ai ns t - All  (1AA)  te chn i qu e s  are  us ed .  In   a  1AA  appr oa ch  the  cl assifi cat ion   res ult  is   determ ined  for  each   cl ass  by  discrim inati ng   that  cl ass  agains t  the  rem ai nin g  (N - 1)  cl asses.  To  acce ss  the   per f or m ance  of   the   recog niti on   a nd  ge nder  cl ass ific at ion   three   m easur es  are   us ed  acc ur a c y,  sensiti vity ,  an d  s pecifici ty   [ 3 2 ] .  Table  1  rec ords  the  rec ogni ti on   accu racy,   sensiti vi ty ,  a nd   s pecifici ty   of  the  both  ty pes  of   la nd m ark in g  (b i ologica l  la nd m ark   and   qu asi - la nd m ark s ) ,  wh il e  Table   2  reco r ds   th e  gender   cl as sific at ion   accu racy,  sensiti vity , and  sp eci fici ty   of   t he  sam e ty pes  of lan dm ark s.     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &   C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19  :   4069   -   4076   4074   Table  1.  T he  perf or m ance of  face  rec ogniti on syst em   Land m ark t y p e   Clas sif icatio n  algor h ti m   KNN   SVM   Bio lo g ical land m a rks   Accurac y   8 8 .4%   94%   sen sitiv ity   78%   90%   sp ecif icity   9 6 .5%   99%   Qu asi lan d m arks   Accurac y   90%   98%   sen sitiv ity   80%   98%   sp ecif icity   96%   99%       Table  2 . T he  perf or m ance of  gende r  cl assifi cat ion  syst em   Land m ark t y p e   Clas sif icatio n  algor h ti m   KNN   SVM   Bio lo g ical and m a r k s   Accurac y   85%   90%   sen sitiv ity   80%   88%   sp ecif icity   82%   87%   Qu asi lan d m arks   Accurac y   87%   92%   sen sitiv ity   84%   90%   sp ecif icity   88%   91%       5.   DISCU SIO N   The  e xp e rim ental   wo r k  i n  the p rese nt  stu dy  a i m s   to  determ i ne  wh ic h  facial   la nd m ark s w e re  the  m os t  eff ect ive    feat ur es  i n  a uto m at ic   face  recogn it io n  a nd   ge nd e r  cl assifi ca ti on .  F or  face  recog niti on ,  t he   best   perform ance  was  achieve d  w hen   the  qu a si - la nd m ark s  are  us e d,   as  il lustrate d  in  Table  1 ,   but  the  bi ol og ic a l   la nd m ark s  acc ur acy   in   face   recog niti on   was  no t  far  fro m   the  qu a si - la nd m ark s  accuracy.   The   sam e  ob s er vation  is  reache d  from   a naly sing   t he  ge nd e r  cl assifi c at ion   re su lt s  in   Table  2.   T hat  m eans  the  bio l og ic al   la nd m ark s  ca n  be  us e d  as   featur es  for   accu rate  an d  high - perform ance  face  r ec ogniti on   a nd  gende r  cl assifi cat ion   s yst e m .  Table   1  an d  Table   2  resu lt s  show  the  perform ance  of   S VM  cl assifi er  is  bette r  than   KNN  cl assifi er   in  face  rec ogni ti on   an d  ge nd er  cl assifi cat ion .  As  sho wn   i n  Table  3,   t he  pr opos e d  a pp ro a ch  f or   face  rec ogniti on  outpe rfor m s  the  sta te - of - the - art  w ork,   w hich  co nducte d  on  the  sam e  dataset .  Table  4  r ecords   gende r  cl assifi cat ion   acc ur ac ie s  com par ed   to  earli er   m et hods  im ple m e nted  on  FR G CV2  an d  FRGCV 1  dataset s       Table  3.   C om par iso n wit h  sta t e   of the  art m eth ods  on FR GC V2   Metho d s   Accurac y   F.  Dan i y al  [ 3 3 ]   9 7 .2%   Kak ad iaris  [ 3 4 ]   9 7 .2%   D.  Hu an g   [ 3 5 ]   97%   Co o k   [ 3 6 ]   9 2 .9%       Table  4.   Stat e o f  the a rt g e nd er classi ficat io n resu lt s   Metho d s   Dataset   Accurac y   Laho u cin e  [ 3 7 ]   FRGC V2   86%   J.W u   [ 3 8 ]   FRGC V1   6 9 .7%   X.  Lu, H  [ 3 9 ]   FRGC V1   8 5 .4%       6.   CONCL US I O N     This  pa pe r  pr opose s  a  no vel  c om par ison  b et ween   t he  qu asi   and  bi ologica l  la nd m ark s  f or  an  ef fecti ve  gende r  cl assifi cat ion   an d  fac e  reco gnit io n  syst e m .  Twen ty - one  bio l og ic al   la nd m ark s  can  be  us e d  as  f eat ur es  for  high - pe rform ance  gender   cl assifi cat ion   and   fac e  recog ni ti on   syst e m .  We  can  noti ce  that  the  per f or m ance  resu lt s  of   our  3D  face   rec ogni ti on   a nd   ge nd e r  cl assifi cat ion  syst e m ,  ou tpe r form   the  reo r de red   res ults   of   m any  oth e r  pu blishe d  res earc hes   on  FR GCV 2   da ta   set .  In   ad diti on   t o  that  our   syst e m   is  easier   to  im ple m e nt  tha n  oth e r  sta te s  of  the  art  face   rec ogniti on  an d  ge nd e r  cl assifi c at ion   syst e m s.   In   fu t ur e ,  w e  a re  pla nn i ng  to  exten d  our  a ppro ac h  t o  pe rs on   et hn i c  cl assifi cat ion.    I n  this  resea r ch  21  la ndm ark s  are  us e d,   te sti ng   the  perf orm ance   of   diff e re nt  num ber s  of   bio l ogic al   la nd m arks  in  face  rec ogniti on   a nd   gender   cl assifi cat ion,  w hich  will   a lso  be   consi der e d  i n f uture  work.           Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Biolo gical la ndm ar k  vs  quas i - la ndm ar ks f or 3 D  face  rec og niti on   and ge nder  .. .   ( Ha wr aa  H.   Ab bas)   4075   REFERE NCE S     [1]   R.   Jafri   and   H.   R .   Arabni a,  “ A surve y   of   face  r ec o gnit ion te chni qu es, ”   J IPS ,   vo l. 5, pp. 41 - 68,   2009 .   [2]   B.   F.  Klar e ,   et   al . ,  “ Face   re cog nit ion  per form a nce :  Rol e  of  de m ogra phic   infor m at ion, ”   I EE E  Tr ansacti ons  on  Information  For ensic s and  S ec ur it y ,   vol .   7 ,   pp .   17 89 - 1801,   2012 .   [3]   Z.   Saquib,   e t  al. ,  “ A  survey   on   aut om at ic   spea ker   rec ogni ti on  s y stems , ”   in  Sig nal  Proce ss ing  and  Mult imedi a ,     Ed :  Springer ,   pp .   134 - 145 ,  2010 .   [4]   D.  Malt on i,  et al . ,  “ Handbook  of fingerpri n t  r ec og nit ion ,”   Spring er   Scie n ce &   Busi ness Medi a, 200 9.   [5]   K.  W .   Bow y er   a nd  M.  J.   Burge ,   “ Handbook  of  ir is r ec ogn it ion ,”   Springer,   2016 .   [6]   L.   Dorm ehl ,   “ Faci al   r ec ogni ti on:  is  the  t ec hnolog y   ta k i ng  awa y   y our   ide nt ity? ”  20 14 .   Avai la bl e:  htt ps:// ww w.t h e guar dia n . com/t e chnol og y /2014/m a y /04/ f acia l - r e cogni ti on - techno log y - ide nt ity - te s co - et h ic a l - issues .   [7]   H.  Abbas,  et   al . ,  “ A  3D  m orpho m et ric   per spe cti ve  for  facial  gen der   anal y s is  and  cl assifi ca t ion  usi ng  ge odesic   p at h  cur vat ur e  f ea tur e s, ”   Computat ion al  V isual  Me d ia ,   vol. 4, pp. 17 - 3 2,   Mar   2018.   [8]   A.  J.  O ' too le,  e t   al. ,  “ Sex  class ifi cation  is  be tt er   with  thr ee - dime nsional   h ea d   str uct ure   tha n   wi th   image  intensit y  informati on, ”   Per ce pti on ,   vol .   26 ,   pp .   75 - 84 ,   199 7.   [9]   R.   Enc iso,  e t  al. ,  “T hre e - d imen sional   hea d  an t hropom et ric   anal y sis, ”   in  Me di c al  Imaging  2003:  Vi sualizati on ,   Image - Guided P roce dures,  and   Display ,   pp .   590 - 598 ,  2003 .   [10]   P.  Ham m ond,   et  al. ,  “ 3D   an aly si s  of  facia l   m orpholog y , ”   Ame ric an  journal  of   medic a l  gen et i cs  Part  A ,   vol .   126 ,   pp.   3 39 - 348 ,   20 04.   [11]   M.  C.   Ru iz   and   J.  Il li ngworth .   “ Autom at ic   la nd m ark ing  of  fa ces   in  3D - ALF<sup>3D</ sup> ,”   IET  Confe ren c e   Proce ed ings ,  pp .   41 - 46 ,  2008 .   Available: h tt ps: // di git al - li br ar y . th eiet. org /c ont ent / co nfe ren c es/10. 10 49/c p_20080280   [12]   L.   More cro ft ,   “ A Sta ti st i cal  Ap proa ch to  Fa ci a l Ident if ic a ti on , ”   Univer sit y   of   Sheffield, 2009.   [13]   N.  A y ne chi ,   et   al . ,  “ Acc ura c y   a nd  pre ci sion  of  a  3D  ant hropom et ri c  facia l  ana l y sis  with  and  w it hout  l andmark  la be li ng  b efo re   i m age   a cqui siti on , ”   The   Ang le Or thodont ist ,   vol. 8 1,   pp .   24 5 - 252 ,   2011.   [14]   M.  L .   Z el di tc h ,   e t  a l. ,  “ Geom et ri c   m orphom et ric s  for  biol og ists:  a   primer ,”   Aca d e m ic   Press ,   2012.   [15]   T .   Gor,  et   al.,   “ Thre e - d imensional   compari son   of  fac ial  m orpholog y   in  whit e  popula ti ons  in  Budape st,  Hung ar y ,   and  Hous ton, T e xas ,”   Ame rican   Journal  of   Or thodont ic s and   Den tof aci a l  Or thopedics ,  vo l. 137 ,   pp .   424 - 432 ,   2010 .   [16]   C .   H .   Kau ,   et  a l. ,   “ Us e  of  3 - di m ensiona l  surfa ce   a cqui sit ion  t o  stud y   f ac i al   m orpholog y   in  five   popul at ions ,”   Ame rican   Journal  of   Or thodont i cs  and  Dent ofaci al  Or thope di cs ,  vol.   137 ,   pp .   S5 6 - e1,   2010 .   [17]   Y.  Hu,  et   al. ,  “ A  fusion - base d  m et hod  for  3D  fac i al   g end er  c la ss ifi c ation , ”   in  Computer   and  automati o n   engi ne ering  ( ICCAE ) ,   2010  The   2nd  Inte rnat iona l  Conf ere nce on ,   pp.   369 - 372 ,  20 10 .   [18]   K.  W .   Bowy er,   et   al. ,  “ A  surve y   of  appr oac hes  a nd  cha llenges  in   3D  and  m ult i - m odal   3D+  2D  f ac e  re cognition ,”   Computer  vi sion   and  image   unde rs tandi ng ,   vol .   1 01,   pp .   1 - 15 ,   20 06.   [19]   H.  Drira ,   et   al . ,  “ Pos e  and  expr ession - inva ria n t  3d  fac e  re cogni t i o n  using  el asti c  r adi a l  cur ves, ”   in   Brit ish  machi ne  vi sion  conf ere n c e ,   pp .   1 - 11 ,  2010 .   [20]   V .   Bla n z  and  T.   Vett er ,   “ Face   r e cogni ti on   base d  o n  fit t ing  a  3D  m orpha ble   m ode l, ”   IEEE  Tr ansacti ons  on  pat te r n  analy sis and  ma chi ne   intelligen c e ,   vo l. 25, pp. 10 63 - 1074,   2003 .   [21]   P.  Pa y san ,   et   al . ,  “ A  3D  fac e  m o del   for  po se  and   il lumination  inv ari an t  face  re cog nit ion, ”   in  Adv a nce d  v ide o  and   signal  based  sur ve i ll anc e, 2009.  AV SS'09.   Sixth  I EE E   Inte rnat ion al  Conf ere nce o n ,   pp .   296 - 301 ,  2009 .   [22]   H.  Li ,   et   a l. ,  “ Learni ng  weighted   sparse  rep rese nt at ion  of  en code d   fac i al   norm al   in f orm at ion  for  ex pre ss ion - robust  3D fa c e  re cognit ion, ”   in   Bi ome tri cs  ( IJCB ) ,   2011  Inte rnational   Jo i nt  Conf ere nce o n ,   pp .   1 - 7 ,  2011 .   [23]   P.  J.  Phill ips,  et   a l. ,  “ Overvi e w  of  the   fa ce   rec ogni ti on  gra nd  cha l le nge , ”   in  Computer  vis ion  and  patt er n   rec ognit ion ,   200 5.   CV PR 2005. I EE E   compute r   society   conference  on ,   pp.   947 - 95 4 ,  2005 .   [24]   O.  Sorkine,   e t  al . ,  “ La pl ac i an  surf ac e  ed it ing , ”   in  Proceedi n gs  of  the   2004   Eurographics/A CM  SIGG RA P H   sympos ium  on  Geomet ry  proc essing ,   pp .   175 - 184 ,  2004 .   [25]   J.  Djordje v ic,  e t  al . ,  “ Gene t ic   an d  envi ronm ental   cont ribu ti ons  to   facia l   m orphologi cal  var ia t ion:   a  3D  population - base d  twin   stud y, ”   Pl oS   one ,   vol .   11,   p p .   e016225 0,   2016 .   [26]   J.  C.   Gow er,   “ G ene ra li z ed  pro cr ustes  anal y s is, ”   Psyc hometri ka ,   vol.   40 ,   pp .   33 - 5 1,   1975 .   [27]   B.   B.   Am or,   et   al . ,  “ 3D  Face   rec ognit i on  b y   IC P - base d  shape   m at chi ng, ”   LIRI S  Lab,  Lyon  Re search  Cent er  f or   Images and  Int ellige nt   Informatio n  Syste ms ,   UMR ,   vol .   5205 ,   2005 .   [28]   G.  Donato  and  S.  Bel ongie,  “ Approxim at e  thi n   pla te   spl ine   m appi ngs, ”   in  Eu ropean  conf ere n ce   on  comput er   vi sion ,   pp.   21 - 31 ,  2002 .   [29]   S.  A.  Dudani ,   “ The   dista n ce - weight ed  k - n ea r est - nei ghbor  rul e, ”   IEEE  Tr ansacti ons  on  S yst ems,  Man,   and   Cybe rnet ic s ,   pp.   325 - 327,   1976 .   [30]   K.  Sett ,   et   a l. ,  “ Face   rec ogni tion  using  fusion  of  spati al   and  te m pora l  fe at ur e s, ”   in  2018  Em erging  Tr ends  in   El e ct ronic   Dev ices and  Computat ional   Te chni que s ( EDCT ) ,   pp.   1 - 4 ,  2018 .   [31]   A.  G .   Ba y din ,   e t  al. ,  “ Autom at i c  diffe r entiation   in  m ac hine  lea rning:   A  surve y, ”   Journal   of  M achi ne  Learning   Re search ,   vol .   1 8,   pp .   1 - 43 ,   201 8.   [32]   W .   Zhu,   et   a l. ,  “ Sensi ti vity ,   spec ifi cit y ,   ac cur acy ,   associa te d  conf ide nc e  interva l  a nd  ROC  ana l y si s  with  pra ct i ca l   SA S  implementa ti ons, ”   NESUG   proce edi ngs:  h e alt h  care   and  lif e  scie n ce s,   Balti mor e,   Maryland ,   vol.   19 ,   p p.   67,   2010.   [33]   F.  Dani y a l,  et  al. ,  “ Com pac t  sign at ure s  for   3D   fa c e  re cogni t ion  un der   var y i ng  expr essions, ”   in   Ad v ance d  Vi deo   and  Signal   Based  Su rve il lan ce,  2009 .   AV SS'09 .   S ix th   I EE E   Inte rnat ion al  Conf ere nce o n ,   pp .   302 - 307 ,  2009 .   [34]   I.   A.   Kaka di ari s ,   e t  al . ,  “ Thr ee - dimensional   f ace  re cogni t ion  in   the  pre sen ce   o f   facia l   expr essions:  An  annotated  def orm abl e  m o del   appr o ac h , ”   IEE E  Tr ansac ti ons  on  pattern  analy sis  and   machine   in tell ige nc e ,   vo l.   29 ,   pp.   640 - 649 ,   20 07.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &   C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19  :   4069   -   4076   4076   [35]   D.  Huang,   et  al. ,  “ A  novel   g eo m et ric   f ac i al  rep rese ntation  b ase d  on  m ult i - sc al e   extende d  loc a l  bina r y   p at t ern s, ”   in  Aut omat ic   Fa ce   &   Gesture  Re cognition  and  Workshops   ( FG   2011) ,   2011  IE EE   Int ernati ona l  Confe ren ce   on ,   pp.   1 - 7 ,  2011 .   [36]   J.  A.  Cook ,   et  al. ,  “ 3D  face   rec ogn it ion   using  log - g abor   t emplat es, ”   Proc .   Bri ti sh  Ma chine  V ision  Conf .   Edi nborugh,  S co tl and ,   2006.   [37]   L.   Ba ll ih i,   et   al. ,  “ Boosting  3 - D - geometri c  featur es  for  eff i cient  f ac e  rec ogn it ion   and  gender  class ifi c at ion , ”   I EEE  Tr ansacti ons on Inform ati on  For ensic s and  S ec ur it y ,   vol .   7 ,   pp .   17 66 - 1779,   2012 .   [38]   X.  Lu ,   e t al . ,  “ Multi m odal Fac i al  Gende r and  E thn ic ity   Ide n ti fi cati on, ”   B erlin,   Hei del ber g ,   pp .   554 - 561 ,  2005 .   [39]   W .   A.  P.  S.  J .   Wu   and   E.   R.   Hanc o ck,   “ Gende r  Cla ss ifi cation  using  Shape  from   Shading, ”   BM V C ,    pp.   499 - 508 ,   20 07.       BIOGR AP H I ES   OF  A UTH ORS       Ha w raa  H.   Ab bas   rec ei ved  th e   PhD   in  computer   engi n ee ring  fr om   Cardi ff  Univer sit y , UK , 2017 .   She  recei ved   her   B. Sc.   degr ee   in   computer   engi n ee ring   from   Bag hdad  Univer si t y ,   Ira q  and  M.Sc .   degr ee   in  compu te r  engi n ee ring  f rom   Baghda d  U nive rsit y ,   Ir aq.   Her  rese arc h  intere sts  inc lud e  3D  fac e  m odeling,   cl assifi ca t ion  of   fac i al   tr aits,  i m age   proc essin g,   computer   n etw ork  design,   an d  gene t ic   associati ons.       Ammar  A.   Altame em i   was  bo rn  in  Basra h,   Ir aq.   He  r ec e ive d   the   B. Sc .   and  M.Sc.   degr ee s  i n   computer   eng in ee ring  f rom   Al - Nahra in  Univ ersity ,   B aghda d  in  1999  and  2002  respe ctive l y .   He   rec e ive d  the   Ph D i n  computer   engi nee r ing  from   The   Univer sit y   o f  Quee nsland,   Br isbane ,   Aus tra l ia   in  2013.   He   is  a  lectur er  in   Univer sit y   of   Ker bal a  sin ce  2002 .   His  rese arc h  i nte rests  in cl ud e  computer   har dw are ,   m ic roproc e ss ors  arc hit e ct ur e,   embedde d  s ystems   design,   di git al  image   and   signal   proc essin g.   Curre ntly ,   H e  is  a  per m ena nt  profe ss iona l  staff   of  Biom edi cal  Engi ne eri ng   Depa rtment in  U nive rsit y   of  Ker bal a .     Hame ed  R.  Fa r han   rec ei ved  hi s  B. Sc. ,   M.Sc .   a nd  Ph.D.  degr ees   in  el ectroni c  e ngine er ing  from   Univer sit y   of  T e chnol og y ,   Bagh dad,   Ira q ,   in  1986,   2011  and  2018  respe ct iv ely .     He  is  cur ren tly   a  le c ture r  at   el e ct r ic a l  and  el e ct ron ic   engi n ee ring  d epa rtment ,   colle ge  of  engi neerin g,   Univer sit y   of   Kerba la.  His  gr e at   in te r ests  inclu de  Digital  Elec tr onic s,  Im age  Proce ss ing,   Fa ce   Rec ognition,   an d  Com pute r  vision .     Evaluation Warning : The document was created with Spire.PDF for Python.