[论文解读] SVM-based Multiview Face Recognition by Generalization of Discriminant Analysis

Dakshina Ranjan Kisku, Hunny Mehrotra+2 more|arXiv (Cornell University)|Jan 23, 2010

Face and Expression Recognition参考文献 17被引用 6

一句话总结

本文提出了一种基于SVM的多视角人脸识别系统，通过使用典型协变量将线性判别分析（LDA）推广至非线性特征空间，以处理非线性特征空间。通过结合Gabor滤波器组特征以实现鲁棒表征，并利用典型协变量进行降维，该方法在UMIST数据库上实现了高识别准确率，表现出对姿态和光照变化的强鲁棒性。

ABSTRACT

Identity verification of authentic persons by their multiview faces is a real valued problem in machine vision. Multiview faces are having difficulties due to non-linear representation in the feature space. This paper illustrates the usability of the generalization of LDA in the form of canonical covariate for face recognition to multiview faces. In the proposed work, the Gabor filter bank is used to extract facial features that characterized by spatial frequency, spatial locality and orientation. Gabor face representation captures substantial amount of variations of the face instances that often occurs due to illumination, pose and facial expression changes. Convolution of Gabor filter bank to face images of rotated profile views produce Gabor faces with high dimensional features vectors. Canonical covariate is then used to Gabor faces to reduce the high dimensional feature spaces into low dimensional subspaces. Finally, support vector machines are trained with canonical sub-spaces that contain reduced set of features and perform recognition task. The proposed system is evaluated with UMIST face database. The experiment results demonstrate the efficiency and robustness of the proposed system with high recognition rates.

研究动机与目标

• 解决在姿态和光照变化下多视角人脸识别的挑战。
• 通过在高维空间中建模非线性特征分布，提升识别鲁棒性。
• 通过典型协变量的广义LDA方法，降低Gabor特征的维度。
• 通过在由典型协变量导出的低维子空间上训练SVM，提升识别性能。

提出的方法

• 对旋转的侧脸图像应用Gabor滤波器组，以提取空间频率、局部性和方向性特征。
• 将所得的高维Gabor特征向量通过典型协变量投影至低维子空间。
• 典型协变量被定义为LDA在处理特征空间中非线性数据分布时的推广。
• 在降维后的典型子空间上训练支持向量机（SVM）以进行分类。
• 该方法结合了SVM的判别能力与典型协变量的降维优势，以提升识别性能。
• 系统在UMIST人脸数据库上，采用标准的多视角人脸识别协议进行评估。

实验结果

研究问题

• RQ1 典型协变量能否有效降低高维Gabor特征空间在多视角人脸识别中的维度？
• RQ2 与标准LDA相比，所提出方法在处理姿态和光照的非线性变化方面表现如何？
• RQ3 将Gabor特征与典型协变量结合，能在多大程度上提升基于SVM的识别准确率？
• RQ4 通过典型协变量实现的广义LDA方法对姿态和表情变化是否具有鲁棒性？

主要发现

• 所提出方法在UMIST人脸数据库上实现了高识别率，表现出对姿态和光照变化的强鲁棒性。
• Gabor特征的使用显著捕捉了光照、姿态和面部表情的变化。
• 典型协变量能有效降低Gabor特征的维度，同时保留判别性信息。
• 在典型子空间上训练的SVM在处理非线性特征分布方面优于标准LDA。
• 由于集成了Gabor滤波与基于典型协变量的降维，系统表现出更强的泛化能力。
• 结果证实了广义LDA框架在多视角人脸识别任务中的有效性。