Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem pengenalan wajah dapat memberikan hasil yang tepat pada kondisi wajah normal, tetapi dalam lingkungan yang tidak dibatasi menyebabkan hasil pengenalan wajah menjadi tidak akurat, baik pada verifikasi maupun identifikasi. Salah satu masalah yang sering ditemui dalam sistem pengenalan wajah dan terkait dengan sifat intra-class variance pada wajah adalah pose. Penelitian ini bertujuan untuk melakukan pengenalan wajah berdasarkan pose invariant dengan mengimplementasikan Spatial Transformer Netwok (STN) pada arsitektur jaringan ringan MobileFaceNet. STN digunakan sebagai metode penyelarasan wajah untuk menangani variasi pose pada citra input. Berdasarkan evaluasi model, model Single-STN MobileFaceNet memberikan akurasi, AUC dan EER berturut-turut 73.64%, 82.18%, dan 0.2636. Kenaikannya sebesar 1.21% untuk akurasi, 1.56% untuk AUC dan untuk EER turun sebesar 0.0121 dari model Baseline. Penambahan STN pada jaringan ringan MobileFaceNet mempengaruhi hasil verifikasi wajah, tetapi kurang signifikan. Akan tetapi, berdasarkan hasil uji signifikansi McNemar, tidak ada perbedaan yang signifikan dengan adanya metode penyelarasan wajah STN pada model Single-STN MobileFaceNet. Terdapat beberapa kasus pose yang tidak dapat ditangani dengan baik oleh model, seperti pose menengadah atau menengok ke kanan/kiri. Berdasarkan evaluasi robustness model, nilai akurasi, AUC dan EER yang dihasilkan model Single-STN MobileFaceNet berturut-turut 96.86%, 98.51%, 0.0314. Model Single-STN MobileFaceNet termasuk model yang memiliki kinerja baik dalam pengenalan wajah, model mampu membedakan pasangan citra match dan non-match dengan baik pada dataset CFP

---

The face recognition system can give precise results in normal facial conditions, but in an unconstrained environment it can result inaccurate face recognition, both in verification and identification. One of the problems that are often encountered in face recognition system and related to intra-class variance on the face is pose. This study aims to perform face recognition based on pose invariant by implementing Spatial Transformer Netwok (STN) on MobileFaceNet lightweight network architecture. STN is used as a face alignment method to handle pose variations in the input image. Based on the evaluation of the model, the Single-STN MobileFaceNet model provides accuracy, AUC and EER of 73.64%, 82.18%, and 0.2636, respectively. The increase is 1.21% for accuracy, 1.56% for AUC and for EER it is down by 0.0121 from the Baseline model. The addition of STN to the MobileFaceNet lightweight network affects the face verification results, but is less significant. However, based on the results of the McNemar significance test, there is no significant difference with the STN face alignment method in the Single-STN MobileFaceNet model. There are some cases of poses that cannot be handled well by the model, such as looking up or looking to the right/left. Based on the evaluation of the robustness of the model, the values ​​of accuracy, AUC and EER generated by the Single-STN MobileFaceNet model are 96.86%, 98.51%, 0.0314, respectively. The Single-STN MobileFaceNet model includes a model that has good performance in face recognition. This model is able to distinguish match and non-match image well on the CFP dataset."

"ABSTRAKDeteksi dan pengenalan wajah merupakan salah satu pengolah citra yang dapat digunakan untuk surveillance pada UAV. Namun kasus pengenalan wajah dan deteksi wajah ini merupakan pekerjaan yang sangat sulit dilakukan karena komputer harus dapat melakukan lokalisasi wajah dengan baik kemudian melakukan klasifikasi wajah. Tesis ini membahas penelitian metode deep learning yaitu deteksi wajah dengan menggunakan metode RCNN dan pengenalan wajah dengan menggunakan metode CNN. Eksperimen dengan menggunakan variasi sudut wajah dan jarak wajah terhadap kamera dilakukan untuk mengamati pengaruh parameter terhadap performa model. Hasil penelitian menunjukkan bahwa model RCNN dengan menggunakan satu wajah subjek dapat digunakan untuk melakukan deteksi wajah pada subjek dengan recognition rate sebesar 74% pada parameter IoU > 0.5. Nilai recognition rate pada sistem terintegrasi deteksi danpengenalan wajah sangat tergantung dari hasil prediksi area wajah yang dihasilkan dari model RCNN. Percobaan membuktikan bahwa jarak subjek kamera mempengaruhi recognition rate dari model deteksi wajah.

---

ABSTRACTFace detection and recognition is an image processor that can be used for surveillance on UAVs. However, the case of face recognition and face detection is a very difficult job to do because the computer must be able to do localization of the face well then do face classification. This thesis discusses the research of deep learning methods, namely face detection using the RCNN method and face recognition using the CNN method. Experiments using variations in face angle and face distance to the camera were conducted to observe the effect of parameters on the performance of the model. The results showed that the RCNN model using one subject's face could be used to detect faces on subjects with a recognition rate of 74% on the IoU parameter > 0.5. The value of recognition rate in the integrated detection and face recognition system is highly dependent on the results of the prediction of face areas generated from the RCNN model. Experiments prove that the distance of the camera subject affects the recognition rate of the face detection model."

"Proses optimasi pada Probabilistic Neural Network (PNN) dapat dilakukan terhadap nilai smoothing parameter maupun struktur neuron. Setiap permasalahan memiliki nilai smoothing parameter optimal yang berbeda. Optimasi struktur neuron bertujuan untuk mereduksi banyak neuron yang digunakan sehingga dapat mempersingkat waktu komputasi. Skripsi ini membahas proses pencarian nilai smoothing parameter optimal menggunakan algoritma genetika dan struktur neuron optimal menggunakan algoritma ortogonal dalam sistem pengenal wajah. Terdapat dua jenis teknik optimasi yang akan dibahas, lalu membandingkan hasilnya dengan PNN struktur utuh dan backpropagation. Data wajah yang digunakan berupa foto infra merah dan cahaya tampak.

---

Optimization of Probabilistic Neural Network (PNN) can be performed to the value of smoothing parameter and neuron structure. Every problem has different value of smoothing parameter. Optimization of neuron structure aims to reduce the number of neurons used, in order to shorten computation time.

This thesis discusses the process of finding the optimal value of smoothing parameter using genetic algorithms and optimal neuron structure using orthogonal algorithms in face recognition system. Two types of optimization techniques which will be discussed, then the results are compared with full structure PNN and backpropagation. Face data used in the form of infrared and visible light images."

"Sistem pengenalan wajah manusia merupakan salah satu bidang yang cukup berkembang dewasa ini, dimana aplikasi dapat diterapkan dalam bidang keamanan (security system) seperti ijin akses masuk ruangan, pengawasan lokasi (surveillance), maupun pencarian identitas individu pada database kepolisian. Tujuan Penulisan laporan tugas akhir ini adalah untuk membangun sebuah perangkat lunak pengenalan citra wajah manusia menggunakan metode HiddenMarkov Models (HMM) dengan input database Pain Ekspression Subset dan database Hasil Foto Sendiri dengan memanfaatkan aplikasi GUI. Hasil pengujian sistem menunjukkan bahwa sistem pengenalan wajah (face recognition) membandingkan percobaan pengenalan sesuai dengan codebook (32, 64,128, 256) dan iterasi (5, 10). Sistem pengenalan wajah manusia menggunakan metode Hidden Markov Models (HMM) mencapai tingkat akurasi pengenalan sebesar84,28%, dengan database 70 gambar yang terdiri dari 10 individu dengan masing-masing individu memiliki 7 variasi ekspresi yang berbeda.

---

ABSTRACTHuman face recognition system is one area that is developing now, where applications can be applied in the field of security (security system) such as permit access into the room, monitoring locations (surveillance), or search for individual identity in the police database. Purpose of this final report is to build a software image of human face recognition using Hidden Markov Models method (HMM) with input Pain Ekspression Subset database and Image itself database applications of GUI. Test results show that the system of face recognition systemstrial comparing the introduction according to the codebook (32, 64.128, 256) and iteration (5, 10). Human face recognition system using Hidden Markov Models (HMM) reached the level of recognition accuracy of 84,28%, with 70 database that consists of 10 individuals with each individual has 7 variations of expressions."

"Dengan beredarnya pandemi corona-virus (Covid-19) menuntut masyarakat untuk menjaga protokol kesehatan saat bepergian, salah satunya adalah menggunakan masker untuk mengurangi risiko terkena virus. Penggunaan masker juga disarankan oleh World Health Organization (WHO) agar digunakan saat beraktivitas dengan orang lain. Dengan mengacu hal tersebut, banyak perubahan yang terjadi pada teknologi yang digunakan sehari-hari, salah satunya adalah untuk sistem absensi. Apabila sebelum adanya Covid-19 absensi mahasiswa masih menggunakan buku tulis atau fingerprint, kini lebih baik beralih ke dalam sistem absensi berbasis face recognition dengan memanfaatkan salah satu algoritma deep learning, yaitu metode Convolutional Neural Network (CNN) untuk mengindentifikasi wajah seorang mahasiswa yang telah terdaftar. Dengan mengaplikasikan sistem absensi ini, memungkinkan mahasiswa untuk melakukan absensi tanpa terjadinya sentuhan langsung melalui media tangan. Bahasa pemrograman yang digunakan pada pengembangan aplikasi sistem absensi merupakan bahasa Python dengan implementasi Single Shot Detection (SSD) dan fitur ekstraksi ResNet. Evaluasi pengukuran pada sistem dilakukan pada situasi yang mempengaruhi kejelasan gambar dan model jumlah titik karakteristik yang berbeda.

---

With the spread of the corona-virus (Covid-19) pandemic, it requires the public to maintain health protocols when traveling, one of them is to use masks to reduce the risk of infected the virus. The use of masks is also recommended by the World Health Organization (WHO) to be used when doing activities with other people. Because of this, many changes have occurred in the technology that used in daily, one of them is the attendance system. If before Covid-19 student attendance was still using notebooks or fingerprints, now it is better to switch to a face recognition-based attendance system by utilizing one of the algorithm deep learning, namely the Convolutional Neural Network (CNN) method to identify the face of a student who has been recorded in. By applying this attendance system, it allows students to take attendance without direct touch through hand media. The programming language used in making attendance system applications is Python with Single Shot Detection (SSD) implementation and ResNet extraction feature. Evaluation of measurements on the system is carried out on situations that affect image clarity and the model number of different characteristic points."

"Identitas diri seseorang dalam jejaring sosial menjadi hal penting terutama ketika ingin mengenali siapa sebenarnya orang tersebut. Pencarian identitas diri dapat dengan mudah dilakukan melalui pencarian dalam situs search engine ataupun situs jejaring sosial yang ada pada komputer atau laptop. Metode ini sepertinya bukan merupakan hal yang efektif dan praktis seiring berkembangnya perangkat mobile dalam masyarakat seperti smartphone dan tablet. Untuk itu, dirancang sebuah sistem pengenalan wajah pada perangkat mobile. Sistem ini dirancang dalam bentuk aplikasi yang dikembangkan pada perangkat mobile Android. Penggunaan Android Face Detector API akan bertindak sebagai pustaka dalam proses deteksi wajah pada perangkat mobile sebelum melakukan proses offloading ke layanan komputasi awan. Hasil implementasi berupa modul deteksi wajah pada perangkat mobile dan modul pengenalan wajah (offloading) yang memanfaatkan layanan komputasi awan dengan bantuan komunikasi Representational State Transfer (REST). Hasil pengujian sistem pada perangkat mobile menunjukkan bahwa total waktu pengenalan wajah sebesar 7,45 detik dengan waktu deteksi wajah (onloading) 0,45 detik dan waktu proses offloading 7 detik.

---

The identity of a person in social networking becomes very important especially when we want to identify a person. Search for detailed-identity can be easily conducted through searching using the search engine sites or existing social networking website using computer or laptop. This method is not effective and practical when we consider the development of mobile device technology in the community such as smartphone and tablet. Therefore, designed a face recognition system on mobile devices. The system is designed in the form of an application developed on Android mobile devices.

The use of Android Face Detector API will act as libraries in the process of face detection before performing the offloading stage. This paper describes the implementation of the facial detection module on mobile device and face recognition module (offloading) using cloud computing service with REST communication. The result of testing on mobile device indicates that total computation time for face recognition system reached 7,45 seconds with the onloading process 0,45 seconds and the offloading process 7 seconds."

"ABSTRAKDalam beberapa tahun terakhir, kemajuan besar telah terjadi pada sistem pengenalan wajah. Banyak model yang telah diusulkan. Pada penelitian ini, uji coba dilakukan dengan model tertentu. Teknik Logarithm Transformation pertama-tama diterapkan untuk meningkatkan kualitas gambar wajah dan mengatasi variasi pencahayaan. Selanjutnya dilakukan proses ekstraksi fitur wajah dari gambar berdasarkan Singular Value Decomposition SVD . Nilai singular diambil sebagai fitur yang diasumsikan merepresentasikan gambar citra wajah. Kemudian, algoritma K-Nearest Neighbors KNN dijalankan untuk proses klasifikasi, sehingga menghasilkan persentase tingkat akurasi program. ORL faces database dipilih untuk menguji model program pengenalan wajah. Dalam penelitian ini, data uji menggunakan hasil ektraksi fitur SVD dibandingkan dengan data uji tanpa ekstraksi fitur. Dari hasil uji coba, diperoleh bahwa penggunaan data uji menggunakan hasil ekstraksi fitur SVD menghasilkan proses running time yang lebih cepat dibandingkan dengan menggunakan data tanpa ekstraksi fitur. Namun persentase tingkat akurasi rata-rata tertinggi yang didapatkan pada setiap iterasi terpilih, lebih baik hasilnya dengan data uji tanpa ektraksi fitur, yaitu sebesar 98,34 pada 90 data training, dibandingkan dengan data uji hasil ektraksi fitur SVD yang memperoleh persentase tingkat akurasi rata-rata sebesar 82,82 pada 90 data training.

---

ABSTRACTIn the past several years, major advances have occurred in face recognition system. Many models have been proposed. In this paper, the experiments were carried out with a particular model. The Logarithm Transformation LT technique is firstly applied to enhance the face image and handling lighting variations of face image. Furthermore, extract the feature of the face image based on Singular Value Decomposition SVD . The singular value is taken as a feature that is assumed to represent the face image. Then, K Nearest Neighbors KNN algorithm is run for the classification process, so it generates an accuracy of program. ORL database was chosen to test the model of face recognition program. In this research, data using the feature extraction were compared to the data without feature extraction. From the test results, it was found that the use of test data using feature extraction has a faster running time than using data without feature extraction. However, the highest rate of average accuracy that obtained on each chosen iteration, the result is better with the test data without feature extraction, that is 98.34 at 90 data training, compared to the test data using feature extraction which has average accuracy level of 82.82 at 90 of data training."

"Pada era digital ini, teknologi informasi dan komunikasi berkembang pesat dan berpengaruh signifikan dalam berbagai aspek kehidupan, termasuk keamanan dan pengenalan identitas. Salah satu penerapan teknologi yang menonjol adalah sistem deteksi dan pengenalan wajah yang digunakan di berbagai tempat yang memerlukan keamanan ekstra. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dan pengenalan wajah menggunakan arsitektur ResNet dan perangkat ESP-32, dengan fokus pada implementasi dan evaluasi efektivitas sistem tersebut dalam meningkatkan keamanan.Metode yang digunakan dalam penelitian ini meliputi penggunaan ResNet-50 untuk pengenalan wajah dan Cascade Classifier untuk deteksi wajah. Data yang digunakan untuk pelatihan model diperoleh melalui proses augmentasi data untuk meningkatkan variasi dan jumlah sampel. Sistem ini diimplementasikan menggunakan perangkat keras ESP-32 dan perangkat lunak MATLAB, serta diuji pada lingkungan nyata untuk mengevaluasi kinerjanya.Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu mendeteksi dan mengenali wajah dengan akurasi tinggi. Integrasi sistem dengan infrastruktur keamanan yang ada juga memungkinkan peningkatan perlindungan terhadap data dan perangkat keras. Dengan demikian, penelitian ini berhasil menunjukkan bahwa teknologi deteksi dan pengenalan wajah dapat memberikan solusi efektif untuk meningkatkan keamanan di berbagai tempat.

---

In this digital era, information and communication technology has developed rapidly, significantly impacting various aspects of life, including security and identity recognition. One notable application of this technology is the facial detection and recognition system used in various high-security areas. This research aims to develop a facial detection and recognition system using ResNet architecture and ESP-32, focusing on the implementation and evaluation of the system's effectiveness in enhancing security.

The methods used in this study include employing ResNet-50 for facial recognition and Cascade Classifier for facial detection. The data used for model training were obtained through data augmentation processes to increase the variation and number of samples. The system was implemented using ESP-32 hardware and MATLAB software, and tested in real-world environments to evaluate its performance.

The results of the study indicate that the developed system can detect and recognize faces with high accuracy. The system's integration with existing security infrastructure also allows for enhanced protection of data and hardware. Thus, this research successfully demonstrates that facial detection and recognition technology can provide effective solutions for improving security in various locations."

"Dampak wabah COVID yang mempengaruhi sektor pendidikan membuat pelajar dan juga tenaga pendidik diharuskan untuk melakukan pembelajaran secara daring. Penerapan pembelajaran melalui daring ini memberikan dampak terhadap pelajar khususnya pada mahasiswa. Dengan diterapkannya New Normal, dibutuhkan teknologi yang dapat melakukan pemantauan dengan skala yang besar. Penelitian ini bertujuan untuk membuat perangkat presensi mahasiswa berbasis face recognition dengan menambahkan fitur pembacaan suhu tubuh sebagai langkah pengawasan pada lingkungan kampus. Penelitian ini dilakukan pada area kampus FMIPA UI. Bahasa pemrograman yang digunakan untuk membuat perangkat lunak adalah python versi 3.6. Pada proses face recognition, digunakan metode Histogram of Oriented Gradients (HOG) sebagai pendeteksi lokasi wajah dan modul Openface untuk pengambilan fitur pada wajah. Untuk tahap pencocokan wajah, digunakan Euclidean Distance untuk mencari nilai kecocokan pada tiap citra database. Dari hasil pengujian terhadap 30 mahasiswa didapatkan akurasi sebesar 93.3%. Pada pengujian jarak terhadap pendeteksian wajah, didapatkan bahwa sistem dapat mendeteksi wajah hingga jarak 120 cm pada kondisi penerangan ruangan yang normal. Pada pengujian pembacaan suhu dengan menggunakan Thermal Camera AMG8833, didapatkan bahwa nilai akurasi menurun seiring bertambahnya jarak pembacaan. Jarak optimal untuk pembacaan suhu adalah sejauh 30 cm.

---

The impact of the COVID outbreak that has affected the education sector has forced students and educators to study online. The application of online learning has an impact on students, especially college students. With the implementation of the New Normal, technology is needed to perform health monitoring on a large scale. This study aims to create a face recognition-based student presence device by adding a body temperature reading feature. This research was conducted in the FMIPA UI campus area. The programming language used to create the software is python version 3.6. In the face recognition process, the Histogram of Oriented Gradients (HOG) method is used to detect the location of the face and the Openface module is used to capture features of the face. For the face matching stage, Euclidean Distance is used to find the match value for each database image. From the results of testing on 30 students, obtained an accuracy of 93.3%. While testing the distance capability in face detection, it was found that the system can detect faces up to a distance of 120 cm in normal room lighting conditions. While testing the Thermal Camera AMG8833, it was found that the accuracy value decreased as the distance increased. The optimal distance for temperature readings is 30 cm."

"ABSTRAKWajah merupakan suatu informasi biometrik yang dapat digunakan untuk menentukan identitas seseorang. Ukuran, bentuk, dan struktur wajah seseorang hampir tidak berubah sehingga cenderung stabil dan dapat digunakan sebagai masukan untuk mengenali seseorang.Unjuk kerja sebuah algoritme pengenalan wajah ditentukan oleh akurasi pengenalan wajah dan dinyatakan dalam persen akurasi pengenalan. Semakin besar nilai persen akurasi pengenalan wajah, maka semakin baik algoritme pengenalan wajah tersebut.Akurasi pengenalan wajah sangat dipengaruhi oleh deskriptor ciri yang merepresentasikan sebuah citra wajah dan desain pengklasifikasi. Perancangan deskriptor ciri citra wajah yang robust dipengaruhi oleh beberapa faktor seperti variasi pencahayaan, variasi pose, variasi ekspresi, resolusi citra wajah, jenis kelamin, ras, dan lain-lain.Untuk pengenalan wajah tradisional, biasanya faktor-faktor ini sedapat mungkin diatur agar akurasi pengenalan wajah lebih baik dalam tahap pencocokan. Tetapi untuk kondisi pengenalan wajah yang riil, dimana faktor-faktor di atas tidak dapat dikendalikan, seperti pencahayaan yang sangat kurang, pose yang tidak frontal, resolusi citra yang rendah, ekspresi yang variatif, maka diperlukan deskriptor wajah yang dapat mengakomodir kondisi-kondisi ini agar akurasi pengenalan wajah tetap baik.Disertasi ini mengusulkan pengembangan algoritme SCAN sebagai deskriptor wajah ciri lokal baru untuk meningkatkan akurasi pengenalan wajah yang disebabkan oleh variasi pencahayaan dan resolusi citra wajah yang rendah. Selain itu, suatu algoritme baru untuk menggabungkan Transformasi Fourier Diskrit sebagai deskriptor wajah ciri global dengan salah satu deskriptor wajah ciri lokal yang ada, yaitu LBP/LDiP/LDNP juga diusulkan di dalam disertasi ini untuk mengatasi persoalan pengenalan wajah akibat variasi pose, variasi ekspresi, dan adanya oklusi.Untuk simulasi pengenalan wajah karena variasi pencahayaan yang dilakukan pada Yale Face Database B, didapati deskriptor lokal berbasis teknik SCAN memiliki akurasi pengenalan sebesar 59,56 , dibandingkan PCA 4,74 , LDA 17,48 , LBP 12,37 , dan MLBP 45,33 . Untuk simulasi citra wajah dengan resolusi yang rendah pada database yang sama, algoritme SCAN memiliki akurasi pengenalan 44,34 , sedangkan PCA 20,44 , LDA 35,39 , LBP 3,68 , dan MLBP 44,08 .Untuk simulasi menggunakan database ORL, akurasi pengenalan wajah karena variasi pose, ekspresi, dan adanya oklusi secara acak menggunakan kombinasi DFT dan LBP menggungguli deskriptor global PCA dan LDA serta deskriptor lokal LBP, LDiP,LDNP untuk citra wajah mulai dari jumlah citra latih sebanyak tiga untuk tiap subyek. Selain itu, algoritme penggabungan deskriptor global DFT dengan deskriptor lokal LBP atau LDiP atau LDNP menghindarkan fenomena peaking di dalam penambahan citra latih untuk pengenalan wajah karena variasi pose, ekspresi, dan adanya oklusi secara acak.

---

ABSTRACTA face is an information that attached to a person and always be with the person every time. The size, shape, and structure of a person 39 s face is virtually unchanged, which tends to be stable and can be used as input to recognize a person.The performance of a face recognition algorithm depends on the recognition rate and is usually expressed in percentage. The higher the recognition rate, the better the algorithm. The recognition rate is affected by a feature descriptor and a classifier design. Several factors such as illumination variation, pose variation, expression variation, face image resolution, sex, race, etc, should be considered to design a robust face descriptor.For traditional face recogntion, these factors were well controlled in order to get a better recognition rate at matching phase. However, for real problem face recognition, where these factors were difficult to be controlled, such as for very low intensities, non frontal pose, low resolution face image, diverse expressions, then it is important to carefully design a face descriptor that may accomodate these situations to get a better recognition rate.This dissertation propose the SCAN algorithm as a new local feature descriptor to improve face recognition accuracy caused by intensities variation and low resolution of a facial image. In addition, a new algorithm that combine Fourier Discrete Transform as a global feature descriptors with one of the existing local characteristic descriptors, LBP LDiP LDNP was also proposed in this dissertation to address facial recognition problems due to variation of pose, variation of expression, and the presence of occlusion.For facial recognition simulations due to variations of lighting performed at Yale Face Database B, local SCAN based descriptor has an recognition accuracy of 59.56 , compared to PCA 4.74 , LDA 17.48 , LBP 12 , 37 , and MLBP 45.33 . For simulation of low resolution images on the same database, SCAN algorithm has an accuracy of 44.34 , while PCA 20.44 , LDA 35.39 , LBP 3.68 , and MLBP 44.08 .For simulations using the ORL database, the face recognition accuracy due to variations of random pose, expression, and occlusion using a combination of DFT and LBP outperformed global descriptors PCA and LDA as well as local descriptors LBP, LDiP, LDNP for face images starting from three face images as the training face images for each subject. In addition, the algorithm that combine DFT global descriptor with LBP or LDiP or LDNP as local descriptors avoids peaking phenomena along with the increasing of training images for face recognition due to variations of random pose, expression, and occlusion."