[논문 리뷰] Examplers based image fusion features for face recognition

Alex Pappachen James, Sima Dimitrijev|arXiv (Cornell University)|2012. 01. 28.

Face and Expression Recognition참고 문헌 21인용 수 3

한 줄 요약

이 논문은 생물학적으로 영감을 얻은 局소 이진 결정을 사용하여 한 사람의 여러 갤러리 이미지를 융합하는 예시 기반 이미지 융합 방법을 제안한다. 이는 특징의 분류 능력을 향상시키고 정확도와 안정성을 높인다. 이 방법은 여섯 개의 벤치마크 데이터셋에서 99.0–100.0%의 인식 정확도를 달성하며, 얼굴 평균화와 같은 단일 모델 방법을 능가한다.

ABSTRACT

Examplers of a face are formed from multiple gallery images of a person and are used in the process of classification of a test image. We incorporate such examplers in forming a biologically inspired local binary decisions on similarity based face recognition method. As opposed to single model approaches such as face averages the exampler based approach results in higher recognition accu- racies and stability. Using multiple training samples per person, the method shows the following recognition accuracies: 99.0% on AR, 99.5% on FERET, 99.5% on ORL, 99.3% on EYALE, 100.0% on YALE and 100.0% on CALTECH face databases. In addition to face recognition, the method also detects the natural variability in the face images which can find application in automatic tagging of face images.

연구 동기 및 목표

• 단일 모델 방법(예: 얼굴 평균화)을 넘어서 얼굴 인식 정확도와 안정성을 향상시키기 위해.
• 각 개인의 다수의 학습 샘플을 사용하여 자연스러운 얼굴 변동성을 모델링하기 위해.
• 얼굴 인식에서 局소 유사성 결정을 위한 생물학적으로 영감을 얻은 방법을 개발하기 위해.
• 자연스러운 얼굴 변동성을 탐지함으로써 얼굴 이미지의 자동 태깅을 가능하게 하기 위해.
• 예시 융합을 사용하여 표준 얼굴 인식 벤치마크에서 뛰어난 성능을 입증하기 위해.

제안 방법

• 동일한 사람의 여러 갤러리 이미지를 가중치 기반 융합 전략을 사용하여 예시를 구성한다.
• 테스트 이미지와 예시 간의 유사성에 기반한 局소 이진 결정을 픽셀 수준 또는 패치 수준에서 적용한다.
• 인간 시각 인지가 얼굴 유사성에 대해 어떻게 작용하는지 모방하는 생물학적으로 영감을 얻은 결정 메커니즘을 사용한다.
• 각 정체성에 대해 다수의 학습 샘플을 통합하여 강인성 향상과 과적합 방지를 도모한다.
• 최종 얼굴 분류를 결정하기 위해 局소 결정에 대해 투표 또는 공명 메커니즘을 활용한다.
• 통제된 조건 하에서 평가를 위해 표준 얼굴 데이터베이스(AR, FERET, ORL, EYALE, YALE, CALTECH)를 사용한다.

실험 결과

연구 질문

• RQ1 한 사람의 여러 갤러리 이미지를 융합하는 것이 단일 이미지 모델 대비 얼굴 인식 정확도 향상에 기여하는가?
• RQ2 예시 기반 융합 방법이 다양한 조건에서 얼굴 인식의 안정성과 강인성을 향상시키는가?
• RQ3 이 방법이 자동 태깅과 같은 응용 분야에서 자연스러운 얼굴 변동성을 탐지하고 모델링하는 데 얼마나 효과적인가?
• RQ4 생물학적으로 영감을 얻은 局소 결정 메커니즘이 전통적인 전역 특징 추출 기법과 비교해 어떻게 성능을 냅니다?
• RQ5 이 예시 융합 접근법을 사용하여 다양한 벤치마크 데이터셋에서 어떤 수준의 인식 성능을 달성할 수 있는가?

주요 결과

• 예시 기반 방법은 AR 데이터베이스에서 99.0%의 인식 정확도를 달성했다.
• 이 방법은 FERET 및 ORL 데이터베이스에서 각각 99.5%의 정확도를 기록했다.
• EYALE 데이터베이스에서는 99.3%의 정확도를 달성했고, YALE 및 CALTECH 데이터베이스에서는 각각 100.0%의 정확도를 기록했다.
• 각 개인의 다수의 학습 샘플 융합은 단일 모델 기반 베이스라인 대비 인식 성능 향상에 크게 기여했다.
• 이 방법은 자연스러운 얼굴 변동성을 효과적으로 모델링하여 자동 얼굴 이미지 태깅과 같은 잠재적 응용 분야를 가능하게 했다.
• 생물학적으로 영감을 얻은 局소 결정 메커니즘이 기존의 평균화 기법에 비해 더 높은 안정성과 정확도를 기여했다.