[論文レビュー] Face Recognition Machine Vision System Using Eigenfaces

Fares Jalled|arXiv (Cornell University)|May 8, 2017

Face and Expression Recognition参考文献 8被引用数 7

ひとこと要約

本稿では、照度や明るさの変動に対する感受性を低減するために入力データを正規化する手法として、正規化主成分分析（N-PCA）を提案する。従来のPCAを改善した特徴抽出手法であり、ORLおよびインド人顔データベースにおける実験では、N-PCAはPCAを上回る識別精度（ORLでは93.75%、IFDでは80/20分割時で76.67%）を達成しており、実世界の変動要因に強いことが示された。

ABSTRACT

Face Recognition is a common problem in Machine Learning. This technology has already been widely used in our lives. For example, Facebook can automatically tag people's faces in images, and also some mobile devices use face recognition to protect private security. Face images comes with different background, variant illumination, different facial expression and occlusion. There are a large number of approaches for the face recognition. Different approaches for face recognition have been experimented with specific databases which consist of single type, format and composition of image. Doing so, these approaches don't suit with different face databases. One of the basic face recognition techniques is eigenface which is quite simple, efficient, and yields generally good results in controlled circumstances. So, this paper presents an experimental performance comparison of face recognition using Principal Component Analysis (PCA) and Normalized Principal Component Analysis (NPCA). The experiments are carried out on the ORL (ATT) and Indian face database (IFD) which contain variability in expression, pose, and facial details. The results obtained for the two methods have been compared by varying the number of training images. MATLAB is used for implementing algorithms also.

研究の動機と目的

• 照明、表情、姿勢の違いといった実世界の変動要因に起因する顔認識性能の向上を図ること。
• 標準的主成分分析（PCA）と比較して、正規化主成分分析（N-PCA）の顔認識における有効性を評価すること。
• 多様な顔データベースにおける訓練データとテストデータの比率を変化させた際の識別精度を評価すること。
• N-PCAが、遮蔽、背景ノイズ、明るさの変化といった画像変動をどのように処理できるかの耐性を検証すること。

提案手法

• 本システムは5段階のパイプラインを用いる：画像取得、前処理（サイズ正規化、背景除去、平行移動・回転正規化、照度補正）、N-PCAによる特徴抽出、ユークリッド距離を用いた分類、データベースマッチング。
• 顔画像は2次元行列から1次元の特徴ベクトル（サイズN²）に変換され、PCAおよびN-PCAアルゴリズムの入力として使用される。
• N-PCAは、PCAを適用する前に、各顔画像ベクトルから平均を差し引き、L2ノルムで割ることで正規化することで、明るさの変動に対する感受性を低減する。
• 本手法は、正規化された訓練データセットの共分散行列を用いて固有顔を計算し、分散を最大に捉える主成分を保持する。
• 分類は、テスト画像の射影と訓練画像の射影との間のユークリッド距離に基づく最近傍法により実施される。
• 実験はMATLABを用いて実施され、ORL（ATT）およびインド人顔データベース（IFD）を対象とし、訓練比率は40/60から80/20まで変化させた。

実験結果

リサーチクエスチョン

• RQ1 N-PCAは、照明やポーズの変動が生じる条件下でも、標準的PCAと比較して顔認識精度を向上させるか？
• RQ2 実世界の顔データベースにおいて、訓練データとテストデータの比率を変化させた場合、N-PCAの識別性能はどのように変化するか？
• RQ3 N-PCAは、表情変化、遮蔽、照度変化といった顔の変動を、PCAよりも効果的に処理できるか？
• RQ4 ORLおよびインド人顔データベースにおいて、複数の実験設定下でのN-PCAとPCAの相対的識別精度はどの程度か？

主な発見

• ORLデータベースにおいて80/20の訓練/テスト分割条件下で、N-PCAは93.75%の識別精度を達成し、PCAの92.50%を上回った。
• インド人顔データベースでは、80/20比率でN-PCAが76.67%の精度を達成したのに対し、PCAは74.17%であった。
• 訓練データが増加するにつれて、両手法の識別精度が向上したが、N-PCAは全テスト比率で一貫してPCAを上回った。
• 40/60の分割条件下では、ORLではN-PCAが85.83%、IFDでは72.53%の精度を示したのに対し、PCAはそれぞれ85.42%および71.98%であった。
• 結果から、N-PCAは正規化ステップのおかげで、照度および明るさの変動に対してより耐性があることが示された。
• 本研究は、N-PCAがエイジンフレース法の有望な拡張であると結論づけ、他の識別手法と組み合わせることでさらなる向上が期待できると示唆している。