[논문 리뷰] Fast Matching by 2 Lines of Code for Large Scale Face Recognition Systems

Yi Dong, Zhen Lei외 2명|arXiv (Cornell University)|2013. 02. 28.

Face and Expression Recognition참고 문헌 26인용 수 6

한 줄 요약

이 논문은 다단계 특징 비교를 통해 부정 매칭을 신속하게 거부할 수 있도록 하는 캐스케이드 분류기 프레임워크를 제안한다. 이로 인해 정확도 손실 없이 7.55배의 속도 향상을 달성하며, 대역폭과 스토리지 최적화를 위해 특징의 유연한 잘라내기가 가능하여, 특징 길이를 반으로 줄여도 높은 인식률을 유지한다.

ABSTRACT

In this paper, we propose a method to apply the popular cascade classifier into face recognition to improve the computational efficiency while keeping high recognition rate. In large scale face recognition systems, because the probability of feature templates coming from different subjects is very high, most of the matching pairs will be rejected by the early stages of the cascade. Therefore, the cascade can improve the matching speed significantly. On the other hand, using the nested structure of the cascade, we could drop some stages at the end of feature to reduce the memory and bandwidth usage in some resources intensive system while not sacrificing the performance too much. The cascade is learned by two steps. Firstly, some kind of prepared features are grouped into several nested stages. And then, the threshold of each stage is learned to achieve user defined verification rate (VR). In the paper, we take a landmark based Gabor+LDA face recognition system as baseline to illustrate the process and advantages of the proposed method. However, the use of this method is very generic and not limited in face recognition, which can be easily generalized to other biometrics as a post-processing module. Experiments on the FERET database show the good performance of our baseline and an experiment on a self-collected large scale database illustrates that the cascade can improve the matching speed significantly.

연구 동기 및 목표

• 수백만 개의 템플릿을 포함한 대규모 얼굴 인식 시스템의 높은 계산 비용을 해결하기 위해.
• 비대칭 얼굴 매칭 환경에서 정확도를 훼손하지 않고 매칭 속도를 향상시키기 위해.
• 저장소, 대역폭, 성능 간 런타임에서의 트레이드오프를 가능하게 하는 민감한 확장성 있는 특징 표현을 제공하기 위해.
• 이 방법이 얼굴 인식을 초월한 다른 생체 인식 시스템에도 적용 가능한 경량 후처리 모듈로 일반화될 수 있는지 보여주기 위해.

제안 방법

• 캐스케이드 분류기는 두 단계로 훈련된다: 특징을 중첩된 스테이지로 그룹화하고, 사용자가 정의한 확인률을 충족시키기 위한 최적의 임계값을 학습한다.
• 매칭은 스테이지 단위로 진행되며, 부정 쌍은 조기에 거부되어 전체 특징 계산을 크게 줄인다.
• 평가의 기준으로 랜드마크 기반 Gabor + LDA 특징 추출 파이프라인을 사용한다.
• 프로브 및 갤러리 이미지 간의 특징 매칭 점수를 측정하기 위해 코사인 유사도를 사용한다.
• 특징 길이는 캐스케이드의 후행 스테이지를 제거함으로써 런타임에 동적으로 잘라낼 수 있으며, 이로써 확장 가능한 특징 템플릿을 구현할 수 있다.
• 시스템은 FERET 데이터셋으로 훈련되었으며, 20만 장 이상의 이미지를 포함한 대규모 확장 FERET 데이터베이스에서 평가되었다.

실험 결과

연구 질문

• RQ1 캐스케이드 분류기 프레임워크는 정확도 손실 없이 대규모 얼굴 인식을 상당히 가속화할 수 있는가?
• RQ2 다른 캐스케이드 스테이지에서 특징 잘라내기가 인식 성능와 시스템 효율성에 어떤 영향을 미치는가?
• RQ3 실제 시스템에서 이 캐스케이드가 계산 부담과 메모리 사용을 얼마나 줄일 수 있는가?
• RQ4 제안된 방법은 다른 생체 인식 시스템에 적용 가능한 경량 후처리 모듈로 일반화될 수 있는가?

주요 결과

• 확장 FERET 데이터베이스에서 캐스케이드 분류기는 쿼리당 매칭 시간을 129.48ms에서 17.16ms로 줄여 7.55배의 속도 향상을 달성했으며, 순위-1 인식률에 변화가 없었다.
• 20만 장 이상의 대규모 갤러리에서 특징 길이를 428차원에서 214차원(6단계)로 줄였을 때 인식률은 단지 3.42% 감소하여 강력한 확장성을 입증했다.
• 기준 Gabor+LDA 시스템은 확장 FERET에서 순위-1 인식률 93.35%와 92.74%를 기록했으며, 최신 기술과 유사한 성능을 보였다.
• 캐스케이드 프레임워크는 계산을 크게 줄이면서도 성능 손실 없이 매칭을 가능하게 하여 자원 제약이 있는 환경에 매우 적합하다.
• 특징 길이와 인식률 간의 관계는 특정 지점 이후에 수익 감소 현상이 나타나므로, 손실 최소화로 인해 극도로 잘라내는 것이 타당하다.