[논문 리뷰] Recognition of expression variant faces using masked log-Gabor features and Principal Component Analysis

Vytautas Perlibakas|ArXiv.org|2006. 05. 07.

Face and Expression Recognition참고 문헌 19인용 수 4

한 줄 요약

이 논문은 표정 변화가 있는 얼굴에서 정확도를 향상시키기 위해 마스킹된 로그-가버 특징과 주성분 분석(PCA)을 사용하는 얼굴 인식 방법을 제안한다. 슬라이딩 윈도우와 마스킹을 통해 표정에 민감하지 않은 얼굴 영역에 방향성 및 척도 선택성 있는 로그-가버 필터를 적용하고, 이후 PCA를 통해 차원을 감소시킴으로써, 1,196장의 훈련 이미지로 FERET 데이터베이스에서 98.91%의 첫 번째 인식률과 0.17%의 등가오차률을 달성한다.

ABSTRACT

In this article we propose a method for the recognition of faces with different facial expressions. For recognition we extract feature vectors by using log-Gabor filters of multiple orientations and scales. Using sliding window algorithm and variances -based masking these features are extracted at image regions that are less affected by the changes of facial expressions. Extracted features are passed to the Principal Component Analysis (PCA) -based recognition method. The results of face recognition experiments using expression variant faces showed that the proposed method could achieve higher recognition accuracy than many other methods. For development and testing we used facial images from the AR and FERET databases. Using facial photographs of more than one thousand persons from the FERET database the proposed method achieved 96.6-98.9% first one recognition rate and 0.2-0.6% Equal Error Rate (EER).

연구 동기 및 목표

• 표현 변화가 있는 상황에서 표준 PCA 기반 방법의 성능 저하 문제를 해결하기 위해 얼굴 인식 정확도를 향상시키는 것.
• 눈과 코 주변과 같이 표정 변화에 덜 민감한 영역을 식별하고 특징을 추출하는 것.
• 다중 척도 및 다중 방향성 로그-가버 필터를 공간 마스킹과 조합하여 특징 표현을 향상시키는 것.
• 주성분 분석(PCA)을 통해 차원을 감소시켜 인식 효율성을 높이는 것.
• FERET 및 AR과 같은 표정 변화가 있는 얼굴 데이터베이스에서 최신 기술 수준의 성능을 달성하는 것.

제안 방법

• 다양한 척도와 방향성에서 로그-가버 필터를 적용하여 주파수 도메인에서 얼굴 영상의 텍스처 특징을 추출한다.
• 슬라이딩 윈도우 알고리즘을 사용하여 국소화된 영상 영역에서 로그-가버 크기 응답을 추출한다.
• 분산 기반 마스킹을 통해 표정에 민감하지 않은 가장 안정적인 얼굴 영역을 식별하고, 헤어 및 얼굴 윤곽선과 같은 영역을 제외한다.
• 마스킹된 로그-가버 특징을 각 얼굴 영상의 고차원 특징 벡터로 연결한다.
• 주성분 분석(PCA)을 적용하여 특징 벡터의 차원을 감소시키면서도 분류 정보를 유지한다.
• 프로브 및 갤러리 영상의 PCA로 감소된 특징 벡터 간의 코사인 기반 거리 측정을 통해 인식을 수행한다.

실험 결과

연구 질문

• RQ1 표준 PCA에 비해 마스킹된 로그-가버 특징이 표정 변화가 있는 얼굴에서 인식 정확도를 향상시킬 수 있는가?
• RQ2 표현 변화에 가장 안정적인 얼굴 영역는 어디이며, 분산 기반 마스킹을 통해 자동으로 식별할 수 있는가?
• RQ3 다중 척도, 다중 방향성 로그-가버 필터링과 PCA를 조합하면 FERET와 같은 대규모 데이터베이스에서 뛰어난 인식 성능을 달성할 수 있는가?
• RQ4 기존 최신 기술 수준의 방법들과 비교했을 때, 제안된 방법은 첫 번째 인식률과 등가오차률 측면에서 어떤가?
• RQ5 적은 수의 훈련 이미지와 감소된 특징 차원으로도 높은 정확도를 달성할 수 있는가?

주요 결과

• 제안된 MLG PCA 방법은 FERET 데이터베이스의 1,196장의 훈련 이미지를 사용하여 98.91%의 첫 번째 인식률을 달성했다.
• 이 방법은 0.17%의 등가오차률(EER)을 기록하여 대부분의 경쟁 방법보다 유의미하게 낮았다.
• 단지 400장의 훈련 이미지와 380개의 PCA 특징을 사용할 때에도 96.59%의 첫 번째 인식 정확도와 0.56%의 EER을 달성했다.
• 이 방법은 CSU PCA MahCosine(85% 첫 번째 정확도), Gabor+AdaBoost(95.20%), Haar+AdaBoost(94%)보다 인식 성능에서 뛰어났다.
• 단지 2장의 이미지(0.17%)를 추출함으로써 99%의 누적 인식률을 달성한 반면, CSU EBGM은 449장(37.54%)이 필요했으며, 이는 훨씬 뛰어난 효율성을 보였다.
• CMCA 및 ROCA 값이 다른 방법들보다 약 두 배 낮아, 전체적으로 더 뛰어난 인식 성능를 나타냈다.