[논문 리뷰] Face Recognition using Hough Peaks extracted from the significant blocks of the Gradient Image

Arindam Kar|arXiv (Cornell University)|2013. 12. 05.

Face and Expression Recognition참고 문헌 10인용 수 3

한 줄 요약

이 논문은 이명, 노이즈, 자세 변화에 대한 강건성을 향상시키기 위해 이진 기울기 이미지의 중요한 블록에서 Hough 피크를 추출하는 새로운 얼굴 인식 방법을 제안한다. 기울기 계산, 이진화, 뚜렷한 블록 분할, 특징 결합을 위한 주요 Hough 피크 추출을 통해, 이 방법은 FRAV2D 데이터베이스에서 93.3%의 정확도, FERET에서 88.5%, ORL에서 99%의 정확도를 달성한다.

ABSTRACT

This paper proposes a new technique for automatic face recognition using integrated peaks of the Hough transformed significant blocks of the binary gradient image. In this approach firstly the gradient of an image is calculated and a threshold is set to obtain a binary gradient image, which is less sensitive to noise and illumination changes. Secondly, significant blocks are extracted from the absolute gradient image, to extract pertinent information with the idea of dimension reduction. Finally the best fitted Hough peaks are extracted from the Hough transformed significant blocks for efficient face recognition. Then these Hough peaks are concatenated together, which are used as feature in classification process. The efficiency of the proposed 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 93.3%, 88.5% and 99% recognition accuracy for the FRAV2D, FERET and the ORL database respectively.

연구 동기 및 목표

• 조명 변화, 노이즈, 자세 변화로 인한 얼굴 인식 과제 해결.
• 차별성 특징을 유지하면서 얼굴 이미지의 차원을 감소시키기.
• 기울기 이미지의 뚜렷한 局부 영역에 집중함으로써 인식 정확도 향상.
• 국소화된 이미지 블록에 Hough 변환을 적용한 강건한 특징 추출 파이프라인 개발.
• 다양한 조건의 이미지 자료를 가진 다양한 데이터베이스에서의 효과성 입증.

제안 방법

• Sobel 또는 유사한 연산자를 사용하여 입력 얼굴 이미지의 절대 기울기를 계산한다.
• 기울기 크기에 임계값을 적용하여 이진 기울기 이미지를 생성함으로써 조명 및 노이즈에 대한 민감도를 감소시킨다.
• 이진 기울기 이미지를 겹치지 않는 블록으로 나누고, 기울기 에너지 또는 에지 밀도 기반으로 '중요한' 블록을 식별한다.
• 각 중요한 블록에 대해 Hough 변환을 수행하여 주요 선 또는 에지 패턴을 탐지한다.
• 각 중요한 블록에서 Hough 공간 내 국소 최댓값인 가장 두드러진 Hough 피크를 추출한다.
• 모든 블록에서 추출된 Hough 피크를 결합하여 하나의 특징 벡터를 생성하여 분류에 사용한다.

실험 결과

연구 질문

• RQ1 국소화된 기울기 블록에서 유도된 Hough 피크는 조명 및 노이즈 조건에서 얼굴 인식의 강건성을 향상시키는가?
• RQ2 블록 단위 특징 추출은 차별성 파워를 잃지 않으면서 차원을 어떻게 감소시키는가?
• RQ3 제안된 방법은 자세, 표정, 스케일이 다양한 데이터베이스 간에 얼마나 일반화되는가?
• RQ4 전역 특징 추출과 비교해 볼 때 중요한 블록 선택이 인식 정확도 향상에 기여하는가?
• RQ5 기존의 기울기 기반 또는 Hough 기반 얼굴 인식 기법과 비교해 볼 때 이 방법의 성능은 어떠한가?

주요 결과

• 이 방법은 자세, 표정, 조명, 스케일 변화가 포함된 FRAV2D 데이터베이스에서 93.3%의 인식 정확도를 달성했다.
• FERET 데이터베이스에서는 88.5%의 정확도를 기록하여 실제 환경에서의 도전적인 조건에서도 효과성을 입증했다.
• 자세 변화가 거의 없는 ORL 데이터베이스에서는 99%의 인식 정확도를 달성하여 통제된 환경에서 높은 성능을 보였다.
• 이진 기울기 이미지의 사용은 조명 및 노이즈에 대한 민감도를 감소시켜 강건성 향상에 기여했다.
• 중요한 블록의 Hough 피크에서 유도된 특징 결합은 압축적이면서도 강력한 분류 능력을 지닌 표현을 제공했다.
• 다양한 데이터베이스 간의 강력한 일반화 능력을 보이며, 이 방법의 강건성과 확장성의 타당성을 확인했다.