[논문 리뷰] Facial age estimation using BSIF and LBP

Salah Eddine Bekhouche, Abdelkrim Ouafi외 3명|arXiv (Cornell University)|2016. 01. 08.

Face recognition and analysis참고 문헌 12인용 수 15

한 줄 요약

이 논문은 지지 벡터 회귀(SVR)와 커널 리지 회귀(KRR)에 입력으로 이진 통계적 이미지 특징(BSIF)과 국소 이진 패턴(LBP) 히스토GRAM을 사용하는 얼굴 연령 추정 방법을 제안한다. FG-NET 및 PAL 데이터셋에서 평가한 결과, 특히 전체 PAL 데이터베이스에서 최신 기술 수준의 성능을 달성하여 기존 방법에 비해 더 높은 정확도의 연령 예측을 가능하게 한다.

ABSTRACT

Human face aging is irreversible process causing changes in human face characteristics such us hair whitening, muscles drop and wrinkles. Due to the importance of human face aging in biometrics systems, age estimation became an attractive area for researchers. This paper presents a novel method to estimate the age from face images, using binarized statistical image features (BSIF) and local binary patterns (LBP)histograms as features performed by support vector regression (SVR) and kernel ridge regression (KRR). We applied our method on FG-NET and PAL datasets. Our proposed method has shown superiority to that of the state-of-the-art methods when using the whole PAL database.

연구 동기 및 목표

• 생체 인식 시스템에서 정확한 얼굴 연령 추정 문제를 해결하기 위해.
• BSIF와 LBP 특징을 융합하여 향상된 무늬 표현을 통해 연령 추정 성능을 향상시키기 위해.
• 표준 기준 데이터셋인 FG-NET 및 PAL에서 제안된 방법을 평가하기 위해.
• 기존 최신 기술 수준의 방법들에 비해 연령 추정 정확도에서 우월함을 입증하기 위해.

제안 방법

• 이 방법은 전반적인 무늬 패턴을 캡처하기 위해 얼굴 영상에서 BSIF 특징을 추출한다.
• 얼굴 영역 내 국소 무늬 변화를 모델링하기 위해 LBP 히스토GRAM을 계산한다.
• 통합된 BSIF 및 LBP 특징을 지지 벡터 회귀(SVR)와 커널 리지 회귀(KRR)에 입력하여 연령 예측을 수행한다.
• 특징 연결을 통해 전역 및 국소 무늬 정보를 통합하여 회귀 성능을 향상시킨다.
• 강력한 연령 추정을 위해 BSIF와 LBP의 분류 능력을 활용한다.

실험 결과

연구 질문

• RQ1 BSIF와 LBP 특징의 융합이 얼굴 연령 추정 정확도를 향상시킬 수 있는가?
• RQ2 제안된 방법은 표준 얼굴 연령 추정 데이터셋에서 최신 기술 수준의 방법들과 비교해 어떻게 성능을 내는가?
• RQ3 SVR과 KRR를 BSIF-LBP 특징과 함께 사용하면 개별 방법에 비해 더 나은 회귀 성능을 얻을 수 있는가?
• RQ4 제안된 방법은 PAL 및 FG-NET 데이터셋의 다양한 얼굴 외형과 노화 패턴에 대해 안정적인 성능을 보일 수 있는가?

주요 결과

• 제안된 방법은 전체 PAL 데이터베이스에서 최신 기술 수준의 성능을 달성하여 기존 방법들을 능가한다.
• BSIF와 LBP 특징의 조합은 단독으로 사용할 경우보다 연령 추정 정확도를 크게 향상시킨다.
• 지지 벡터 회귀(SVR)와 커널 리지 회귀(KRR)는 모두 통합된 BSIF-LBP 특징에 적용했을 때 뛰어난 성능을 보였다.
• 이 방법은 FG-NET 및 PAL 데이터셋 전반에서 일관된 성능을 보이며 일반화 능력을 입증했다.