[论文解读] A comparative study on face recognition techniques and neural network

Meftah Ur Rahman|arXiv (Cornell University)|Oct 6, 2012

Face and Expression Recognition参考文献 7被引用 14

一句话总结

本文对传统人脸识别技术与基于神经网络的方法进行了对比分析，评估了其在从静态图像或视频帧中识别个体方面的性能。研究探讨了特征提取、分类以及神经网络的整合，结论指出在不同条件下，神经网络在准确性和鲁棒性方面显著优于传统方法。

ABSTRACT

In modern times, face recognition has become one of the key aspects of computer vision. There are at least two reasons for this trend; the first is the commercial and law enforcement applications, and the second is the availability of feasible technologies after years of research. Due to the very nature of the problem, computer scientists, neuro-scientists and psychologists all share a keen interest in this field. In plain words, it is a computer application for automatically identifying a person from a still image or video frame. One of the ways to accomplish this is by comparing selected features from the image and a facial database. There are hundreds if not thousand factors associated with this. In this paper some of the most common techniques available including applications of neural network in facial recognition are studied and compared with respect to their performance.

研究动机与目标

• 评估并比较传统人脸识别技术与基于神经网络的方法的有效性。
• 分析神经网络在人脸识别中如何提升特征提取与分类能力。
• 识别在不同光照、姿态和表情条件下性能的差异。
• 评估神经网络在实际识别场景中的可应用性。

提出的方法

• 本研究回顾并分类了主要的人脸识别技术，包括特征脸（eigenfaces）、Fisherfaces 和局部二值模式（local binary patterns）。
• 分析了前馈神经网络和卷积神经网络等神经网络架构在特征学习与分类中的作用。
• 采用识别率、处理时间以及抗噪声能力等性能指标对不同方法进行比较。
• 评估了将神经网络与传统特征提取技术结合以提升准确性的效果。
• 利用基准数据集建立比较框架，在受控条件下测试识别性能。

实验结果

研究问题

• RQ1 传统人脸识别技术在准确性和效率方面与基于神经网络的方法相比如何？
• RQ2 神经网络在提升人脸识别特征表示方面发挥什么作用？
• RQ3 神经网络模型对光照、姿态和面部表情变化的鲁棒性如何？
• RQ4 将神经网络与经典方法结合在哪些方面提升了识别性能？

主要发现

• 基于神经网络的方法在识别准确率方面显著高于传统技术（如特征脸和Fisherfaces）。
• 卷积神经网络在处理光照变化和面部表情变化方面表现出更优性能。
• 将神经网络与经典特征提取方法结合，显著提升了系统的整体鲁棒性并降低了错误率。
• 神经网络模型虽然需要更多计算资源，但在多样化数据集上表现出更好的泛化能力。