[논문 리뷰] Robust Face Recognition via Block Sparse Bayesian Learning

Taiyong Li, Zhilin Zhang|arXiv (Cornell University)|2013. 01. 29.

Face and Expression Recognition참고 문헌 40인용 수 4

한 줄 요약

이 논문은 대표 계수 내의 블록 간 상관관계를 활용하여 강건한 얼굴 인식을 위한 블록 희박 베이지안 학습(_BSBL_)을 제안한다. 이는 최신 희박 표현 방법들보다 인식 정확도와 강건성을 크게 향상시킨다. Extended Yale B, AR, CMU PIE 데이터베이스에서의 실험 결과, BSBL은 특히 가림 및 변장 조건에서 인식률을 더 높게 유지하며, SRC와 BSCO를 최대 13.19% 뛰어넘는 성능을 보였다.

ABSTRACT

Face recognition (FR) is an important task in pattern recognition and computer vision. Sparse representation (SR) has been demonstrated to be a powerful framework for FR. In general, an SR algorithm treats each face in a training dataset as a basis function, and tries to find a sparse representation of a test face under these basis functions. The sparse representation coefficients then provide a recognition hint. Early SR algorithms are based on a basic sparse model. Recently, it has been found that algorithms based on a block sparse model can achieve better recognition rates. Based on this model, in this study we use block sparse Bayesian learning (BSBL) to find a sparse representation of a test face for recognition. BSBL is a recently proposed framework, which has many advantages over existing block-sparse-model based algorithms. Experimental results on the Extended Yale B, the AR and the CMU PIE face databases show that using BSBL can achieve better recognition rates and higher robustness than state-of-the-art algorithms in most cases.

연구 동기 및 목표

• 동일한 주제의 학습 샘플 간 내부 블록 상관관계를 다루지 못하는 기존 희박 표현 방법의 한계를 해결한다.
• 가림, 노이즈, 얼굴 변장과 같은 도전적인 조건에서의 얼굴 인식 강건성을 향상시킨다.
• 얼굴 데이터의 블록 희박 구조를 활용하여 표현 정확도와 분류 성능를 향상시킨다.
• 최근 제안된 베이지안 프레임워크인 BSBL이 기존의 블록 희박 알고리즘보다 인식 정확도와 안정성에서 뛰어나다는 것을 입증한다.

제안 방법

• 동일 주제의 학습 이미지가 사전 행렬 내에서 블록을 형성하도록 얼굴 인식 문제를 블록 희박 표현 문제로 재정의한다.
• 대표 계수 간 동일 주제의 계수들 사이의 내부 블록 상관관계를 명시적으로 모델링하기 위해 블록 희박 베이지안 학습(_BSBL_)을 적용한다.
• 계층적 베이지안 모델을 사용하여 블록 구조와 상관 패턴을 학습시켜 더 정확하고 강건한 희박 코딩을 가능하게 한다.
• 추정된 계수를 사용해 각 주제별 복원 오차를 계산하고, 최소 오차를 가진 클래스에 테스트 이미지를 할당한다.
• 차원을 줄이면서도 분류 정보를 유지하기 위해 BSBL 적용 전에 특징 추출(예: 고바르 또는 PCA)을 통합한다.
• 변분 추론을 사용해 베이지안 모델을 최적화하여 하이퍼파rameter와 희박 계수를 효율적으로 추정한다.

실험 결과

연구 질문

• RQ1 표현 계수 내의 블록 간 상관관계를 활용할 경우, 표준 블록 희박 모델 대비 얼굴 인식 성능 향상이 이루어지는가?
• RQ2 가림 및 노이즈 조건에서 BSBL은 SRC 및 BSCO와 같은 최신 희박 표현 방법과 비교해 어떻게 성능을 냈는가?
• RQ3 Sunglasses 및 스카프와 같은 실제 세계의 얼굴 변장 조건에서도 BSBL은 뛰어난 성능을 유지하는가?
• RQ4 낮은 차원 또는 손상된 얼굴 이미지 상황에서 블록 희박 베이지안 프레임워크는 얼마나 강건성을 향상시키는가?

주요 결과

• Extended Yale B 데이터베이스에서, BSBL은 50% 블록 가림 조건 하에서 $24 \times 21$-픽셀 이미지에서 99.56%의 인식률을 기록했으며, BSCO를 13.19% 뛰어넘었다.
• $12 \times 10$-픽셀 이미지에서 40% 가림 조건에서는 BSBL이 45.28%의 인식률을 기록했고, SRC는 30.33%, NN는 20.88%였다.
• 스카프 변장 조건에서 AR 데이터베이스에서는 BSBL이 $27 \times 20$ 해상도에서 81.00%의 인식률을 기록했으며, SRC(21.50%)와 BSCO(44.00%)를 크게 앞섰다.
• 중성 표정에 선글라스를 쓴 조건에서는 BSBL이 $42 \times 30$ 해상도에서 65.50%의 인식률을 기록했고, 낮은 차원에서 NN(68.00%)와 SRC(89.00%)를 뛰어넘었다.
• BSBL은 노이즈, 가림, 변장 등 모든 테스트 조건에서 가장 높은 인식률을 지속적으로 기록했으며, 뛰어난 강건성을 입증했다.
• BSBL의 인식 성능는 낮은 이미지 해상도(예: $6 \times 5$)에서도 안정적이고 높게 유지되어 강력한 일반화 능력을 보였다.