[论文解读] Face Recognition Machine Vision System Using Eigenfaces

Fares Jalled|arXiv (Cornell University)|May 8, 2017

Face and Expression Recognition参考文献 8被引用 7

一句话总结

本文提出归一化主成分分析（N-PCA）作为一种增强的特征提取方法，用于人脸识别，通过将输入数据归一化以减少光照和亮度变化的敏感性，从而在传统PCA的基础上进行改进。在ORL和印度人脸数据库（IFD）上的实验表明，N-PCA在识别准确率方面优于PCA（在80/20划分下，ORL数据库达到93.75%，IFD数据库达到76.67%），证明其在真实世界变化条件下的有效性。

ABSTRACT

Face Recognition is a common problem in Machine Learning. This technology has already been widely used in our lives. For example, Facebook can automatically tag people's faces in images, and also some mobile devices use face recognition to protect private security. Face images comes with different background, variant illumination, different facial expression and occlusion. There are a large number of approaches for the face recognition. Different approaches for face recognition have been experimented with specific databases which consist of single type, format and composition of image. Doing so, these approaches don't suit with different face databases. One of the basic face recognition techniques is eigenface which is quite simple, efficient, and yields generally good results in controlled circumstances. So, this paper presents an experimental performance comparison of face recognition using Principal Component Analysis (PCA) and Normalized Principal Component Analysis (NPCA). The experiments are carried out on the ORL (ATT) and Indian face database (IFD) which contain variability in expression, pose, and facial details. The results obtained for the two methods have been compared by varying the number of training images. MATLAB is used for implementing algorithms also.

研究动机与目标

• 在光照、表情和姿态差异等真实世界变化条件下，提升人脸识别性能。
• 评估归一化主成分分析（N-PCA）与标准主成分分析（PCA）在人脸识别中的有效性。
• 评估在不同训练与测试数据集比例下，于多样化人脸数据库上的识别准确率。
• 验证N-PCA在处理遮挡、背景噪声和亮度变化等图像变化时的鲁棒性。

提出的方法

• 该系统采用五阶段流程：图像获取、预处理（尺寸归一化、背景去除、平移/旋转归一化、光照校正）、通过N-PCA进行特征提取、使用欧氏距离进行分类，以及数据库匹配。
• 将人脸图像从2D矩阵向量化为大小为N²的一维特征向量，输入PCA和N-PCA算法。
• N-PCA在应用PCA前，通过减去其均值并除以其L2范数对每张人脸图像向量进行归一化，从而降低对亮度变化的敏感性。
• 该方法通过计算归一化训练集的协方差矩阵来计算特征脸，保留能够捕捉最大方差的主成分。
• 分类基于欧氏距离，采用最近邻规则比较测试图像投影与训练图像投影之间的距离。
• 实验在MATLAB上使用ORL（ATT）和印度人脸数据库（IFD）进行，训练比例从40/60到80/20不等。

实验结果

研究问题

• RQ1 在光照和姿态变化条件下，N-PCA是否相比标准PCA提升了人脸识别准确率？
• RQ2 在真实世界人脸数据库上，N-PCA的识别性能如何随训练集与测试集比例的变化而变化？
• RQ3 N-PCA是否能比PCA更有效地处理表情、遮挡和光照变化等面部变化？
• RQ4 在多个实验配置下，N-PCA与PCA在ORL和印度人脸数据库上的比较识别准确率如何？

主要发现

• 在ORL数据库中，N-PCA在80/20训练/测试划分下达到93.75%的识别准确率，优于PCA的92.50%。
• 在印度人脸数据库中，N-PCA在80/20比例下达到76.67%的准确率，而PCA为74.17%。
• 随着训练数据量的增加，两种方法的识别准确率均有所提升，且N-PCA在所有测试比例下均持续优于PCA。
• 在40/60划分下，N-PCA在ORL上达到85.83%的准确率，在IFD上达到72.53%，而PCA分别为85.42%和71.98%。
• 结果表明，由于增加了归一化步骤，N-PCA对光照和亮度变化更具鲁棒性。
• 研究结论认为，N-PCA是对特征脸方法的有前景的改进，若与其他识别技术结合，可进一步提升性能。