[논문 리뷰] An adaptive block based integrated LDP,GLCM,and Morphological features for Face Recognition

Arindam Kar, Debotosh Bhattacharjee외 3명|arXiv (Cornell University)|2013. 12. 05.

Face and Expression Recognition참고 문헌 10인용 수 7

한 줄 요약

이 논문은 다양한 자세, 표정, 조명 조건 하에서 강건한 얼굴 인식을 위한 임의의 블록 기반 융합 기법을 제안한다. 절대 기울기 영상의 유의미한 블록에서 노이즈 및 조명에 민감하지 않은 특징을 추출하고 이를 연결함으로써, FRAV2D 데이터베이스에서 90.3%, FERET에서 93%, ORL에서 98.75%의 정확도를 달성한다.

ABSTRACT

This paper proposes a technique for automatic face recognition using integrated multiple feature sets extracted from the significant blocks of a gradient image. We discuss about the use of novel morphological, local directional pattern (LDP) and gray-level co-occurrence matrix GLCM based feature extraction technique to recognize human faces. Firstly, the new morphological features i.e., features based on number of runs of pixels in four directions (N,NE,E,NW) are extracted, together with the GLCM based statistical features and LDP features that are less sensitive to the noise and non-monotonic illumination changes, are extracted from the significant blocks of the gradient image. Then these features are concatenated together. We integrate the above mentioned methods to take full advantage of the three approaches. Extraction of the significant blocks from the absolute gradient image and hence from the original image to extract pertinent information with the idea of dimension reduction forms the basis of the work. The efficiency of our method is demonstrated by the experiment on 1100 images from the FRAV2D face database, 2200 images from the FERET database, where the images vary in pose, expression, illumination and scale and 400 images from the ORL face database, where the images slightly vary in pose. Our method has shown 90.3%, 93% and 98.75% recognition accuracy for the FRAV2D, FERET and the ORL database respectively.

연구 동기 및 목표

• 다양한 조명, 자세, 표정, 척도 조건 하에서 얼굴 인식의 강건성을 향상시키기 위해.
• 전체 영상 대신 기울기 영상의 유의미한 블록에 집중하여 차원을 감소시키기 위해.
• 다양한 무늬 및 형태학적 특징을 통합하여 분류 능력을 향상시키기 위해.
• 노이즈 및 비단조화로운 조명 변화에 덜 민감한 특징 추출 방법을 개발하기 위해.
• 최소한의 사전 처리로 다양한 얼굴 데이터베이스에서 높은 인식 정확도를 달성하기 위해.

제안 방법

• 입력 얼굴 영상에서 절대 기울기 영상을 추출하여 윤곽선과 무늬 정보를 강조한다.
• 차원 감소를 위해 블록 단위 적응형 선택 전략을 사용하여 기울기 영상 내 유의미한 블록을 식별한다.
• 각 유의미한 블록에서 4개 방향(N, NE, E, NW)의 픽셀 연속 수 기반으로 새로운 형태학적 특징을 추출한다.
• 동일한 블록에서 GLCM 기반 통계적 특징(예: 대비, 균일성)을 계산하여 무늬 패턴을 캡처한다.
• 노이즈 및 조명 변화에 강건한 특징을 추출하기 위해 블록에서 LDP 특징을 추출한다.
• 형태학적, GLCM, LDP 특징을 결합하여 분류를 위한 단일 고차원 특징 벡터를 생성한다.

실험 결과

연구 질문

• RQ1 LDP, GLCM 및 새로운 형태학적 특징의 융합이 도전적인 조건 하에서 얼굴 인식 정확도를 향상시킬 수 있는가?
• RQ2 적응형 블록 선택 전략은 분류에 유용한 정보를 유지하면서 차원을 효과적으로 감소시키는가?
• RQ3 제안된 형태학적 특징은 기존의 표준 무늬 특징에 비해 얼굴 인식 성능 향상에 어느 정도 기여하는가?
• RQ4 자세, 표정 및 조명 변화 수준이 다른 데이터베이스에서 이 방법은 어떻게 성능을 발휘하는가?
• RQ5 특징 융합 전략은 노이즈 및 조명 변화에 민감도가 낮게 유지되면서도 높은 인식 정확도를 달성할 수 있는가?

주요 결과

• 제안된 방법은 자세, 표정, 조명 변화가 심한 이미지를 포함하는 FRAV2D 데이터베이스에서 90.3%의 인식 정확도를 달성하였다.
• FERET 데이터베이스에서는 93%의 인식 정확도를 기록하여 다양한 얼굴 조건 하에서도 뛰어난 성능을 보였다.
• 자세 변화가 거의 없는 ORL 데이터베이스에서는 98.75%의 인식 정확도를 달성하여 통제된 환경에서 매우 높은 강건성을 입증하였다.
• 형태학적, GLCM 및 LDP 특징의 융합은 개별 특징 집합에 비해 인식 성능을 크게 향상시켰다.
• 적응형 블록 선택 전략은 핵심 무늬 및 윤곽선 정보를 유지하면서도 효과적으로 차원을 감소시켰다.
• LDP 및 GLCM 특징의 내재된 노이즈에 대한 강인성 덕분에 이 방법은 노이즈 및 비단조화로운 조명 변화에 강건함을 입증하였다.