[论文解读] Face Recognition using Principal Component Analysis and Log-Gabor Filters

Vytautas Perlibakas|ArXiv.org|May 7, 2006

Face and Expression Recognition参考文献 42被引用 11

一句话总结

该论文提出了一种结合Log-Gabor滤波器与主成分分析（PCA）的人脸识别方法，以提升准确率和鲁棒性。通过使用滑动窗口的特征选择方法，在不同尺度和方向上提取高幅度的Log-Gabor响应，随后进行PCA降维及余弦距离分类，该方法在FERET数据库上实现了97–98%的一次识别率和0.3–0.4%的等错误率（EER），优于传统PCA方法，并对图像归一化和眼睛位置误差的敏感性显著降低。

ABSTRACT

In this article we propose a novel face recognition method based on Principal Component Analysis (PCA) and Log-Gabor filters. The main advantages of the proposed method are its simple implementation, training, and very high recognition accuracy. For recognition experiments we used 5151 face images of 1311 persons from different sets of the FERET and AR databases that allow to analyze how recognition accuracy is affected by the change of facial expressions, illumination, and aging. Recognition experiments with the FERET database (containing photographs of 1196 persons) showed that our method can achieve maximal 97-98% first one recognition rate and 0.3-0.4% Equal Error Rate. The experiments also showed that the accuracy of our method is less affected by eye location errors and used image normalization method than of traditional PCA -based recognition method.

研究动机与目标

• 在光照、表情和年龄变化条件下提升人脸识别的准确率。
• 降低传统基于PCA方法中常见的图像归一化和面部关键点检测误差的敏感性。
• 开发一种基于Log-Gabor特征与PCA的鲁棒且高准确率的人脸识别系统。
• 探索基于滑动窗口的特征选择与PCA结合在高效降维中的有效性。
• 在标准数据库上实现与现有混合方法相当或更优的最先进性能。

提出的方法

• 在多尺度和多方向上对人脸图像应用Log-Gabor滤波器，以提取对纹理敏感的特征。
• 通过滑动窗口搜索在单一尺度上识别Log-Gabor响应幅度最大的位置，并将这些固定位置在所有尺度上复用，以确保一致性。
• 从这些固定位置选取的Log-Gabor幅度值构建特征向量，从而在保留判别信息的同时降低维度。
• 对特征向量应用主成分分析（PCA）以实现降维和高效表示。
• 将所得的PCA系数进行“白化”处理，并使用余弦距离度量进行分类。
• 该方法在包含1311名个体共5151张图像的FERET和AR数据库上进行训练与测试。

实验结果

研究问题

• RQ1 结合PCA的Log-Gabor特征是否能在光照和表情变化条件下提升人脸识别准确率？
• RQ2 所提出的基于滑动窗口的特征选择方法与EBGM-based特征选择相比，在鲁棒性和准确率方面表现如何？
• RQ3 与标准PCA相比，Log-Gabor + PCA方法在图像归一化和眼睛位置误差方面的敏感性降低程度如何？
• RQ4 当每人仅使用一张中性表情图像进行训练时，可达到怎样的识别性能？
• RQ5 该方法是否能在最小化人工特征标注依赖的前提下，实现在FERET数据库上的最先进性能？

主要发现

• 所提方法在FERET数据库上实现了97–98%的一次识别率，表现出最先进性能。
• 等错误率（EER）降低至0.3–0.4%，表明其具有高可靠性与低错误率。
• 在AR数据库上，该方法对中性表情的识别准确率达到99.13%，对表情变化的识别准确率为77.39%，优于传统PCA及其他方法。
• 与基于标准PCA的识别方法相比，该方法对图像归一化和眼睛位置误差的敏感性显著降低。
• 当每人仅使用一张训练图像时，Log-Gabor PCA方法在性能上优于基于EBGM的Gabor + Bayes匹配方法。
• 该方法在光照变化条件下表现出稳定的性能，在AR数据库上光照变化条件下的识别准确率为82.90%。