[论文解读] An adaptive block based integrated LDP,GLCM,and Morphological features for Face Recognition

Arindam Kar, Debotosh Bhattacharjee+3 more|arXiv (Cornell University)|Dec 5, 2013

Face and Expression Recognition参考文献 10被引用 7

一句话总结

该论文提出了一种自适应的基于块的融合方法，结合局部方向模式（LDP）、灰度共生矩阵（GLCM）以及新型形态学特征，以实现鲁棒的人脸识别。通过从绝对梯度图像的重要块中提取对噪声和光照不敏感的特征，并将它们拼接，该方法在不同姿态、表情和光照条件下，于FRAV2D数据库上实现了90.3%的准确率，FERET数据库上达到93%，ORL数据库上达到98.75%。

ABSTRACT

This paper proposes a technique for automatic face recognition using integrated multiple feature sets extracted from the significant blocks of a gradient image. We discuss about the use of novel morphological, local directional pattern (LDP) and gray-level co-occurrence matrix GLCM based feature extraction technique to recognize human faces. Firstly, the new morphological features i.e., features based on number of runs of pixels in four directions (N,NE,E,NW) are extracted, together with the GLCM based statistical features and LDP features that are less sensitive to the noise and non-monotonic illumination changes, are extracted from the significant blocks of the gradient image. Then these features are concatenated together. We integrate the above mentioned methods to take full advantage of the three approaches. Extraction of the significant blocks from the absolute gradient image and hence from the original image to extract pertinent information with the idea of dimension reduction forms the basis of the work. The efficiency of our method is demonstrated by the experiment on 1100 images from the FRAV2D face database, 2200 images from the FERET database, where the images vary in pose, expression, illumination and scale and 400 images from the ORL face database, where the images slightly vary in pose. Our method has shown 90.3%, 93% and 98.75% recognition accuracy for the FRAV2D, FERET and the ORL database respectively.

研究动机与目标

• 在光照、姿态、表情和尺度变化条件下提升人脸识别的鲁棒性。
• 通过聚焦于梯度图像的重要块而非整幅图像，降低维度。
• 整合多种纹理和形态学特征，以增强判别能力。
• 开发一种对噪声和非单调光照变化不敏感的特征提取方法。
• 在多样化的面部数据库上实现高识别准确率，且预处理需求最小。

提出的方法

• 从输入的人脸图像中提取绝对梯度图像，以突出边缘和纹理信息。
• 采用基于块的自适应选择策略，在梯度图像中识别重要块，以降低维度。
• 从每个重要块中基于四个方向（N、NE、E、NW）的像素运行计数，提取新型形态学特征。
• 从相同块中计算基于GLCM的统计特征（如对比度、同质性），以捕捉纹理模式。
• 从块中提取对噪声和光照变化具有鲁棒性的LDP特征。
• 将形态学特征、GLCM特征和LDP特征拼接成一个高维特征向量，用于分类。

实验结果

研究问题

• RQ1 LDP、GLCM与新型形态学特征的融合是否能提升在复杂条件下的人脸识别准确率？
• RQ2 自适应块选择策略在降低维度的同时，是否有效保留了判别性信息？
• RQ3 与标准纹理特征相比，所提出的形态学特征在多大程度上提升了识别性能？
• RQ4 该方法在具有不同程度姿态、表情和光照变化的数据库上表现如何？
• RQ5 该特征融合策略是否能在对噪声和光照变化敏感度极低的情况下实现高识别准确率？

主要发现

• 所提方法在包含显著姿态、表情和光照变化的FRAV2D数据库上实现了90.3%的识别准确率。
• 在FERET数据库上，该方法达到了93%的识别准确率，表明其在多种面部条件下具有强大性能。
• 对于仅存在轻微姿态变化的ORL数据库，该方法实现了98.75%的识别准确率，表明在受控环境下具有高度鲁棒性。
• 与单一特征集相比，形态学特征、GLCM特征和LDP特征的融合显著提升了识别性能。
• 自适应块选择策略有效降低了维度，同时保留了用于分类的关键纹理和边缘信息。
• 由于LDP和GLCM特征本身具有抗噪声特性，该方法表现出对噪声和非单调光照变化的鲁棒性。