[논문 리뷰] Face Recognition via Globality-Locality Preserving Projections

Sheng Huang, Dan Yang외 4명|arXiv (Cornell University)|2013. 11. 06.

Face and Expression Recognition참고 문헌 41인용 수 3

한 줄 요약

이 논문은 국소 다층 구조를 클래스 내에서 유지하고 클래스 간 전반적인, 개인에 관계없는 특징을 동시에 유지하기 위해 클래스 기하 구조 제약을 도입한 개선된 국소 유지 투영(Locality Preserving Projections, LPP) 방법인 글로벌리티-로컬리티 유지 투영(Globality-Locality Preserving Projections, GLPP)을 제안한다. GLPP는 ORL, Yale, FERET, LFW-A 얼굴 인식 데이터베이스에서 최신 기술 수준의 성능을 달성하였으며, 비통제 환경에서 LPP 대비 최대 6.3% 향상을 보였고, $\beta > 1000$일 경우에 강건성을 입증하였다.

ABSTRACT

We present an improved Locality Preserving Projections (LPP) method, named Gloablity-Locality Preserving Projections (GLPP), to preserve both the global and local geometric structures of data. In our approach, an additional constraint of the geometry of classes is imposed to the objective function of conventional LPP for respecting some more global manifold structures. Moreover, we formulate a two-dimensional extension of GLPP (2D-GLPP) as an example to show how to extend GLPP with some other statistical techniques. We apply our works to face recognition on four popular face databases, namely ORL, Yale, FERET and LFW-A databases, and extensive experimental results demonstrate that the considered global manifold information can significantly improve the performance of LPP and the proposed face recognition methods outperform the state-of-the-arts.

연구 동기 및 목표

• 얼굴 인식에서 전통적인 LPP가 클래스 간 전반적인 기하학적 구조를 忽略하는 한계를 해결하기 위해.
• LPP 프레임워크에 개인에 관계없는(클래스 간) 특징을 통합하여 분류 성능을 향상시키기 위해.
• 국소 클래스 내 구조와 전반적인 클래스 간 구조를 동시에 유지하는 통합된 방법을 개발하기 위해.
• GLPP가 통제된 및 비통제된 얼굴 인식 환경에서 효과적인지 입증하기 위해.
• GLPP를 2차원 변형(2D-GLPP)으로 확장하여 다른 통계 기법과의 호환성을 입증하고 2차원 얼굴 데이터에서의 성능 향상을 보여주기 위해.

제안 방법

• 국소 다층 유지와 전반적인 클래스 간 기하학적 구조 유지의 균형을 위해 LPP 목적 함수에 클래스 기하 제약을 추가함.
• 국소 다층 유지와 전반적인 클래스 구조 유지 간의 트레이드오프를 제어하기 위해 균형 파라미터 $\beta$ 를 도입함.
• 국소 이웃 관계를 기반으로 인접 가중치 행렬을 구성하여 국소 기하학적 구조를 인코딩함.
• 최적의 투영 벡터를 계산하기 위해 GLPP 최적화 문제를 일반화된 고유값 문제로 공식화함.
• 벡터화 없이 2차원 얼굴 이미지 행렬에 직접 GLPP를 적용하여 공간적 구조를 유지하는 2D-GLPP 변형을 제안함.
• 파라미터 튜닝을 통해 최적의 $\beta$ 를 결정하였으며, 실험 결과 $\beta > 1000$ 일 경우 안정된 성능을 보임.

실험 결과

연구 질문

• RQ1 LPP에 전반적인, 클래스 간 기하학적 구조를 통합하면 얼굴 인식 성능이 향상되는가?
• RQ2 국소 및 전반적 구조 유지 간 균형이 다양한 데이터셋에서 인식 정확도에 미치는 영향은 어떠한가?
• RQ3 GLPP는 통제된 및 비통제된 환경 모두에서 LPP 및 LDA, PCA, DLPP와 같은 최신 기술 수준의 선형 방법보다 우수한가?
• RQ4 GLPP는 2차원 형태(2D-GLPP)로 효과적으로 확장되어 2차원 얼굴 데이터에서 성능을 유지하거나 향상시킬 수 있는가?
• RQ5 강건하고 높은 인식 정확도를 달성하기 위한 최적의 균형 파라미터 $\beta$ 값은 무엇인가?

주요 결과

• ORL 데이터베이스에서 이중 교차 검증 조건에서 GLPP는 LPP 대비 5.25% 향상되었으며, 다양한 교차 검증 설계에서 1.5%에서 2%의 향상을 보였다.
• FERET 데이터베이스에서 여러 교차 검증 프로토콜을 통해 GLPP는 LPP 대비 1.6%에서 1.8% 향상된 정확도를 달성하였다.
• 비통제 환경에서 LFW-A 데이터베이스의 첫 번째 및 두 번째 서브셋에서 GLPP는 각각 LPP 대비 5.6% 및 6.3%의 성능 향상을 보였다.
• GLPP의 인식 성능는 $\beta > 1000$ 일 경우 $\beta$ 에 대해 민감하지 않아, 안정적인 성능을 얻기 위해 $\beta$ 를 높은 값으로 고정할 수 있음을 시사한다.
• 2D-GLPP는 테스트된 데이터베이스에서 기존의 2D-PCA, 2D-LDA, 2D-LPP와 같은 전통적인 2D 방법보다 뛰어난 성능을 보였으며, 2D 확장의 효과성을 확인하였다.
• GLPP는 국소 클래스 내 및 전반적인 클래스 간 구조를 동시에 유지함으로써 개인에 관계없는 특징을 공식적으로 통합한 최초의 LPP 기반 방법이다.