[논문 리뷰] A Sparse Representation of Complete Local Binary Pattern Histogram for Human Face Recognition

Mawloud Guermoui, Mohamed Lamine Mekhalfi|arXiv (Cornell University)|2016. 05. 31.

Face and Expression Recognition참고 문헌 21인용 수 11

한 줄 요약

이 논문은 자세 변화와 정렬 오차에 더 강건한 성능을 보이기 위해 Complete Local Binary Pattern (CLBP) 히스토그램과 희소 표현을 융합한 새로운 얼굴 인식 방법을 제안한다. 다중 해상도 히스토그램 분해를 적용하고 특징 표현의 희소성을 활용하여, 기존 최첨단 기술 대비 ORL 데이터베이스에서 뛰어난 인식 정확도를 달성한다.

ABSTRACT

Human face recognition has been a long standing problem in computer vision and pattern recognition. Facial analysis can be viewed as a two-fold problem, namely (i) facial representation, and (ii) classification. So far, many face representations have been proposed, a well-known method is the Local Binary Pattern (LBP), which has witnessed a growing interest. In this respect, we treat in this paper the issues of face representation as well as classification in a novel manner. On the one hand, we use a variant to LBP, so-called Complete Local Binary Pattern (CLBP), which differs from the basic LBP by coding a given local region using a given central pixel and Sing_ Magnitude difference. Subsequently, most of LBPbased descriptors use a fixed grid to code a given facial image, which technique is, in most cases, not robust to pose variation and misalignment. To cope with such issue, a representative Multi-Resolution Histogram (MH) decomposition is adopted in our work. On the other hand, having the histograms of the considered images extracted, we exploit their sparsity to construct a so-called Sparse Representation Classifier (SRC) for further face classification. Experimental results have been conducted on ORL face database, and pointed out the superiority of our scheme over other popular state-of-the-art techniques.

연구 동기 및 목표

• 고정 격자 기반 LBP 표현 방식의 한계를 해결하기 위해 자세 변화와 얼굴 정렬 오차에 대한 내성을 향상시키기 위함.
• 다중 해상도 히스토그램 분해와 희소 표현을 융합하여 얼굴 인식 성능을 향상시키기 위함.
• CLBP 히스토그램의 희소성을 활용하여 Sparse Representation Classifier (SRC)를 통해 분류 성능을 향상시키기 위함.
• 제안된 방법의 효과성을 표준 기준 데이터셋(ORL)에서 입증하기 위함.

제안 방법

• 방법은 중심 픽셀과 이웃 픽셀 간의 크기 차이를 사용하여 局부 텍스처를 인코딩하는 Complete Local Binary Pattern (CLBP)을 활용한다.
• CLBP 특징에 대해 다중 해상도 히스토그램(MH) 분해를 적용하여 자세 변화와 정렬 오차에 대한 강건성을 향상시킨다.
• 다양한 스케일에서 추출한 히스토그램을 연결하여 종합적인 특징 표현을 형성한다.
• 결과로 생성된 특징 벡터는 희소 표현을 통해 처리되며, 분류기는 l1-최소화 문제를 풀어 가장 희소한 표현을 찾는다.
• 테스트 샘플을 표현 오차가 가장 작은 클래스에 할당하기 위해 Sparse Representation Classifier (SRC)를 훈련시킨다.
• 고정 격자 분할에 의존하지 않아 얼굴의 다양한 변형에 더 잘 적응할 수 있다.

실험 결과

연구 질문

• RQ1 CLBP 기반 특징에 다중 해상도 히스토그램 분해를 적용하면 자세 변화와 얼굴 정렬 오차에 대한 강건성이 향상되는가?
• RQ2 CLBP 히스토그램의 희소 표현 방식은 기존 분류 기법 대비 인식 정확도에서 어떻게 비교되는가?
• RQ3 제안된 방법은 표준 기준 벤치마크에서 기존 최첨단 얼굴 인식 기술을 초월하는가?
• RQ4 특징 표현의 희소성은 분류 성능 향상에 어느 정도 기여하는가?

주요 결과

• 제안된 방법은 다른 최첨단 기술 대비 ORL 얼굴 데이터베이스에서 더 높은 인식 정확도를 달성한다.
• 다중 해상도 히스토그램 분해의 적용이 자세 변화와 얼굴 정렬 오차에 대한 강건성을 크게 향상시킨다.
• CLBP 히스토그램의 희소 표현은 비희소 대안 대비 더 나은 분류 성능을 제공한다.
• 부분적 가림이나 정렬 오류가 발생하는 상황에서도 강력한 일반화 성능을 보여준다.
• 결과는 CLBP와 희소 표현을 융합함으로써 특징의 구분 능력과 분류 신뢰성이 향상됨을 확인한다.