[論文レビュー] Face Recognition Based on SVM and 2DPCA

Thái Hoàng Lê, Len Bui|arXiv (Cornell University)|Oct 25, 2011

Face and Expression Recognition参考文献 15被引用数 34

ひとこと要約

本稿では、特徴抽出に2DPCAを、分類にSVMを組み合わせた顔認識システムを提案し、FERETおよびAT&Tデータベースで認識精度の向上を達成した。この手法は、2DPCAが2次元画像を直接処理することで次元削減を図りながらも空間的構造を保持するのを活用し、その後にSVMによる頑健な分類を実行することで、ベースライン手法よりも高い分類率を達成した。

ABSTRACT

The paper will present a novel approach for solving face recognition problem. Our method combines 2D Principal Component Analysis (2DPCA), one of the prominent methods for extracting feature vectors, and Support Vector Machine (SVM), the most powerful discriminative method for classification. Experiments based on proposed method have been conducted on two public data sets FERET and AT&T; the results show that the proposed method could improve the classification rates.

研究の動機と目的

• 従来のPCAの限界を克服するため、空間的関係を保持する2次元表現を用いること。
• SVMの強力な判別能力と2DPCAを統合することで分類性能を向上させること。
• 標準的な公開顔認識データセット（FERETおよびAT&Tを含む）上で提案手法の有効性を検証すること。
• 2DPCAとSVMを組み合わせることで、従来のアプローチよりも高い認識率が得られることを示すこと。

提案手法

• 従来のベクトル化を経由しないで、顔画像を直接2DPCAに適用し、元の2次元構造を保持して次元削減を実行する。
• 2DPCAは2次元画像行列を用いて主成分を計算し、空間的情報を維持したまま特徴空間を削減する。
• 2DPCAで得られた低次元特徴ベクトルを、分類用にサポートベクターマシン（SVM）の入力として使用する。
• SVMは異なる顔クラス間のマージンを最大化するように学習され、汎化性能と精度が向上する。
• 従来の1次元PCAで必要な行列再構成ステップを回避することで、計算複雑性を低減し、情報損失の可能性も軽減する。
• 標準的な認識プロトコルに従い、FERETおよびAT&Tデータベースで交差検証を用いてシステムを評価する。

実験結果

リサーチクエスチョン

• RQ1 従来の1次元PCAと比較して、2DPCAは顔認識における特徴抽出をどのように改善できるか？
• RQ2 2DPCAとSVMを組み合わせることで、単独で使用する場合よりも高い分類精度が得られるか？
• RQ3 提案手法は、FERETおよびAT&Tなどの標準ベンチマーク顔認識データベースでどのように性能を発揮するか？
• RQ4 2次元画像構造を保持することで、認識性能にどのような影響が生じるか？

主な発見

• 提案手法は、ベースライン手法と比較してFERETおよびAT&Tデータベースの両方で高い分類率を達成した。
• 2DPCAとSVMの統合は、顔認識タスクにおける頑健性と汎化性能の向上を示した。
• 画像のベクトル化を回避することで計算負荷を低減し、特徴抽出の全過程で空間的構造を維持した。
• 実験結果から、複数のテスト条件およびデータセットにおいて一貫した性能向上が確認された。