[論文レビュー] A Sparse Representation of Complete Local Binary Pattern Histogram for Human Face Recognition

Mawloud Guermoui, Mohamed Lamine Mekhalfi|arXiv (Cornell University)|May 31, 2016

Face and Expression Recognition参考文献 21被引用数 11

ひとこと要約

本論文では、ポーズの変動やアライメントのずれに対してより高いロバスト性を示すために、完全局所バイナリパターン（CLBP）ヒストグラムとスパース表現を組み合わせた新しい顔認識手法を提案する。マルチスケールヒストグラム分解を適用し、特徴表現におけるスパarsityを活用することで、最先端の手法と比較してORLデータベース上で優れた識別精度を達成した。

ABSTRACT

Human face recognition has been a long standing problem in computer vision and pattern recognition. Facial analysis can be viewed as a two-fold problem, namely (i) facial representation, and (ii) classification. So far, many face representations have been proposed, a well-known method is the Local Binary Pattern (LBP), which has witnessed a growing interest. In this respect, we treat in this paper the issues of face representation as well as classification in a novel manner. On the one hand, we use a variant to LBP, so-called Complete Local Binary Pattern (CLBP), which differs from the basic LBP by coding a given local region using a given central pixel and Sing_ Magnitude difference. Subsequently, most of LBPbased descriptors use a fixed grid to code a given facial image, which technique is, in most cases, not robust to pose variation and misalignment. To cope with such issue, a representative Multi-Resolution Histogram (MH) decomposition is adopted in our work. On the other hand, having the histograms of the considered images extracted, we exploit their sparsity to construct a so-called Sparse Representation Classifier (SRC) for further face classification. Experimental results have been conducted on ORL face database, and pointed out the superiority of our scheme over other popular state-of-the-art techniques.

研究の動機と目的

• 固定グリッドLBP表現のポーズ変動および顔のアライメントずれへの対処の限界を解消すること。
• マルチスケールヒストグラム分解とスパース表現を統合することで、顔認識性能を向上させること。
• CLBPヒストグラムのスパarsityを活用し、スパース表現分類器（SRC）を用いて分類性能を向上させること。
• 標準ベンチマークデータセット（ORL）上で提案手法の有効性を示すこと。

提案手法

• 本手法は、中心ピクセルと周囲ピクセルの大きさの差を用いて局所テクスチャを符号化する完全局所バイナリパターン（CLBP）を採用する。
• CLBP特徴に対してマルチスケールヒストグラム（MH）分解を適用し、ポーズ変動やアライメントずれに対するロバスト性を向上させる。
• 複数スケールからのヒストグラムを抽出し、連結することで包括的な特徴表現を構築する。
• 得られた特徴ベクトルは、スパース表現により処理され、分類器はl1最小化問題を解いて最もスパースな表現を求める。
• スパース表現分類器（SRC）を訓練し、テストサンプルを表現誤差が最小となるクラスに割り当てる。
• 固定グリッド分割に依存しないため、顔の変動にさらに適応可能である。

実験結果

リサーチクエスチョン

• RQ1 マルチスケールヒストグラム分解を施したCLBPベースの特徴は、顔認識におけるポーズ変動および顔のアライメントずれに対してロバスト性を向上させることができるか？
• RQ2 CLBPヒストグラムのスパース表現は、従来の分類手法と比較して識別精度において優れているか？
• RQ3 提案手法は、標準ベンチマーク上で既存の最先端手法を上回る性能を示すか？
• RQ4 特徴表現におけるスパarsityは、分類性能の向上にどの程度寄与するか？

主な発見

• 提案手法は、他の最先端手法と比較してORL顔データベースにおける識別精度がより高い。
• マルチスケールヒストグラム分解の適用により、ポーズ変動および顔のアライメントずれに対するロバスト性が顕著に向上した。
• CLBPヒストグラムのスパース表現は、非スパースな代替手法よりも優れた分類性能を達成した。
• 部分的オクルージョンやアライメントエラーが生じる状況においても、優れた一般化性能を示した。
• CLBPとスパース表現を組み合わせることで、特徴の識別性と分類の信頼性が向上することが結果から確認された。