[論文レビュー] Kernel Principal Component Analysis and its Applications in Face Recognition and Active Shape Models

Quan Wang|arXiv (Cornell University)|Jul 15, 2012

Face and Expression Recognition参考文献 11被引用数 132

ひとこと要約

本稿では、非線形データ構造を捉えるためにガウスカーネルPCAを用いた、顔認識およびアクティブ形状モデル（ASMs）の改善を目的としたカーネル主成分分析（KPCA）と事前像再構成を提案する。KPCAが分類誤差率を低減し、特に微表情解析において、標準PCAよりも表現力に優れた形状モデルを実現することを示している。

ABSTRACT

Principal component analysis (PCA) is a popular tool for linear dimensionality reduction and feature extraction. Kernel PCA is the nonlinear form of PCA, which better exploits the complicated spatial structure of high-dimensional features. In this paper, we first review the basic ideas of PCA and kernel PCA. Then we focus on the reconstruction of pre-images for kernel PCA. We also give an introduction on how PCA is used in active shape models (ASMs), and discuss how kernel PCA can be applied to improve traditional ASMs. Then we show some experimental results to compare the performance of kernel PCA and standard PCA for classification problems. We also implement the kernel PCA-based ASMs, and use it to construct human face models.

研究の動機と目的

• 高次元データにおけるより良い特徴抽出を実現するため、従来のPCAをカーネル法を用いた非線形次元削減に拡張すること。
• KPCAにおける事前像再構成の課題に取り組み、次元削減された特徴を元の空間に再マッピングすることを可能にすること。
• 顔の形状モデリングにおける複雑な変形パターンの表現を向上させるために、KPCAをアクティブ形状モデル（ASMs）に統合すること。
• 顔認識および形状モデリングタスクにおいて、KPCAと標準PCAの性能を評価すること。
• 局所的近傍構造の捉え方とクラス間分離性の両立を図るためのガウスカーネルPCAのパラメータ選定戦略を提案すること。

提案手法

• 非線形構造が線形分離可能になる高次元特徴空間へのデータマッピングを、ガウスカーネル関数を用いて実現する。
• カーネル行列の固有値分解を用いて、非線形変換を明示的に計算せずに特徴空間内の主成分を抽出する。
• 勾配降下法などの反復最適化手法を用いて、カーネル埋め込み特徴から事前像を再構成し、元の入力空間での解釈を可能にする。
• 近傍距離の平均を用いたパラメータ選定戦略により、カーネル帯域幅σを設定し、適切な局所的感度を確保する。
• 点分布モデルにおける標準PCAをKPCAに置き換えることで、KPCAをアクティブ形状モデルに統合し、複雑な形状変動をモデル化する。
• 再構成済みの事前像と学習された変形パターンを用いて、微表情を捉えることのできるより表現力に富んだ顔の形状モデルを構築する。

実験結果

リサーチクエスチョン

• RQ1 KPCAは、分類タスクにおける顔画像データの複雑な非線形構造を、標準PCAよりも効果的に捉えることができるか？
• RQ2 KPCAにおける事前像再構成を効果的に行うにはどうすればよいか？ これにより、次元削減された特徴の意味のある解釈が可能になるか？
• RQ3 KPCAは、顔の形状変動をモデリングする際、アクティブ形状モデル（ASMs）の表現力をどの程度向上させるか？
• RQ4 ガウスカーネルPCAにおけるカーネル帯域幅σを、頑健かつデータ駆動的に選定するための方法は何か？
• RQ5 KPCAに基づくASMsは、標準ASMsよりも微表情をより効果的に検出・モデリングできるか？

主な発見

• 顔画像分類において、ガウスカーネルPCAは標準PCAよりも顕著に低いテスト誤差率を達成しており、未学習データへの一般化性能が優れていることを示している。
• 最初の2つのKPCA特徴は、驚きから静けさへの微表情や、頭の向きの変化といった意味のある顔の変動を捉えており、標準PCAでは明確に区別できなかった。
• 訓練データの平均で初期化された反復最適化手法を用いたKPCAにおける事前像再構成は、成功裏に実装され、元の空間における特徴の意味のある可視化が可能になった。
• 提案されたパラメータ選定戦略（σ = 5 × 近傍距離の平均）により、カーネルが局所的近傍構造を捉える一方で、クラス間距離に過剰に適合するのを回避した。
• KPCAに基づくASMsは、特に微表情のような微細な顔の動きに対して、複雑で非線形な形状変形をモデル化する能力が向上した。
• KPCAをASMsに統合することで、より多様で現実的な顔の形状例の生成が可能となり、標準的およびKPCAベースのASMsを組み合わせたハイブリッドモデルが微表情認識に応用可能である可能性を示唆した。