[論文レビュー] SVM-based Multiview Face Recognition by Generalization of Discriminant Analysis

Dakshina Ranjan Kisku, Hunny Mehrotra+2 more|arXiv (Cornell University)|Jan 23, 2010

Face and Expression Recognition参考文献 17被引用数 6

ひとこと要約

本稿では、非線形特徴空間に対応するための線形判別分析（LDA）の一般化としての標準共変量を用いたSVMベースのマルチビュー顔認識システムを提案する。ガボールフィルタバンクによる特徴抽出により頑健な表現が得られ、標準共変量による次元削減を組み合わせることで、UMISTデータベースにおいて高い識別精度を達成し、アングルやライティングの変化に対しても優れた性能を示す。

ABSTRACT

Identity verification of authentic persons by their multiview faces is a real valued problem in machine vision. Multiview faces are having difficulties due to non-linear representation in the feature space. This paper illustrates the usability of the generalization of LDA in the form of canonical covariate for face recognition to multiview faces. In the proposed work, the Gabor filter bank is used to extract facial features that characterized by spatial frequency, spatial locality and orientation. Gabor face representation captures substantial amount of variations of the face instances that often occurs due to illumination, pose and facial expression changes. Convolution of Gabor filter bank to face images of rotated profile views produce Gabor faces with high dimensional features vectors. Canonical covariate is then used to Gabor faces to reduce the high dimensional feature spaces into low dimensional subspaces. Finally, support vector machines are trained with canonical sub-spaces that contain reduced set of features and perform recognition task. The proposed system is evaluated with UMIST face database. The experiment results demonstrate the efficiency and robustness of the proposed system with high recognition rates.

研究の動機と目的

• アングルやライティングの変化にさらされたマルチビュー顔認識の課題に対処すること。
• 高次元空間における非線形特徴分布をモデル化することで、識別性能のロバスト性を向上させること。
• 標準共変量を用いた一般化LDAアプローチにより、ガボール特徴の次元削減を実現すること。
• 標準共変量から導かれる低次元部分空間上でSVMを学習させることで、識別性能を向上させること。

提案手法

• 回転させたプロファイル顔画像にガボールフィルタバンクを適用し、空間周波数、局所性、方向性の特徴を抽出する。
• 得られた高次元ガボール特徴ベクトルを、標準共変量を用いて低次元部分空間に射影する。
• 標準共変量は、特徴空間における非線形データ分布を扱うためにLDAを一般化したものとして導出される。
• 分類のため、低次元の標準共変量部分空間上でサポートベクターマシン（SVM）を学習する。
• 本手法は、SVMの判別力と標準共変量による次元削減の両方の利点を活用し、識別性能を向上させる。
• 本システムは、標準的なマルチビュー顔認識プロトコルに従い、UMIST顔データベースを用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 標準共変量は、マルチビュー顔認識のための高次元ガボール特徴空間において、次元削減を効果的に行えるか？
• RQ2 本手法は、アングルやライティングの非線形変化を処理する面で、標準LDAと比べてどのように優れているか？
• RQ3 ガボール特徴と標準共変量を組み合わせることで、SVMベースの識別精度がどの程度向上するか？
• RQ4 標準共変量を用いた一般化LDAアプローチは、顔のアングルや表情の変化に対してロバストか？

主な発見

• 提案手法は、UMIST顔データベースにおいて高い識別率を達成し、アングルやライティングの変化に対してもロバストであることが示された。
• ガボール特徴の使用により、ライティング、アングル、表情の変化が顕著に捉えられた。
• 標準共変量は、判別情報を保持しつつ、ガボール特徴の次元を効果的に削減できた。
• 標準共変量部分空間上で学習されたSVMは、非線形特徴分布の処理において標準LDAを上回った。
• ガボールフィルタリングと標準共変量に基づく次元削減の統合により、一般化能力が向上した。
• 結果から、一般化LDAフレームワークがマルチビュー顔認識タスクにおいて有効であることが確認された。