[论文解读] A Sparse Representation of Complete Local Binary Pattern Histogram for Human Face Recognition

Mawloud Guermoui, Mohamed Lamine Mekhalfi|arXiv (Cornell University)|May 31, 2016

Face and Expression Recognition参考文献 21被引用 11

一句话总结

本文提出了一种新颖的人脸识别方法，结合完整局部二值模式（CLBP）直方图与稀疏表示，以提升对姿态变化和对齐误差的鲁棒性。通过应用多分辨率直方图分解并利用特征表示中的稀疏性，该方法在ORL数据库上的识别准确率优于现有最先进技术。

ABSTRACT

Human face recognition has been a long standing problem in computer vision and pattern recognition. Facial analysis can be viewed as a two-fold problem, namely (i) facial representation, and (ii) classification. So far, many face representations have been proposed, a well-known method is the Local Binary Pattern (LBP), which has witnessed a growing interest. In this respect, we treat in this paper the issues of face representation as well as classification in a novel manner. On the one hand, we use a variant to LBP, so-called Complete Local Binary Pattern (CLBP), which differs from the basic LBP by coding a given local region using a given central pixel and Sing_ Magnitude difference. Subsequently, most of LBPbased descriptors use a fixed grid to code a given facial image, which technique is, in most cases, not robust to pose variation and misalignment. To cope with such issue, a representative Multi-Resolution Histogram (MH) decomposition is adopted in our work. On the other hand, having the histograms of the considered images extracted, we exploit their sparsity to construct a so-called Sparse Representation Classifier (SRC) for further face classification. Experimental results have been conducted on ORL face database, and pointed out the superiority of our scheme over other popular state-of-the-art techniques.

研究动机与目标

• 解决固定网格LBP表示在处理姿态变化和面部对齐误差方面的局限性。
• 通过整合多分辨率直方图分解与稀疏表示，提升人脸识别性能。
• 利用CLBP直方图的稀疏性，通过稀疏表示分类器（SRC）实现更优的分类性能。
• 在标准基准数据集（ORL）上展示所提方法的有效性。

提出的方法

• 该方法采用完整局部二值模式（CLBP），通过中心像素及邻近像素的幅值差来编码局部纹理。
• 对CLBP特征应用多分辨率直方图（MH）分解，以增强对姿态变化和对齐误差的鲁棒性。
• 从多个尺度提取直方图并拼接，形成全面的特征表示。
• 对生成的特征向量采用稀疏表示，其中分类器通过求解l1-最小化问题以找到最稀疏的表示。
• 训练稀疏表示分类器（SRC），将测试样本分配给表示误差最小的类别。
• 该方法避免依赖固定网格划分，从而更好地适应面部变化。

实验结果

研究问题

• RQ1 基于CLBP的特征结合多分辨率直方图分解是否能提升人脸识别中对姿态变化和面部对齐误差的鲁棒性？
• RQ2 与传统分类方法相比，CLBP直方图的稀疏表示在识别准确率方面表现如何？
• RQ3 所提方法是否在标准基准上优于现有的最先进人脸识别技术？
• RQ4 特征表示中的稀疏性在多大程度上提升了分类性能？

主要发现

• 所提方法在ORL人脸数据库上的识别准确率高于其他最先进技术。
• 多分辨率直方图分解的使用显著提升了对姿态变化和面部对齐误差的鲁棒性。
• CLBP直方图的稀疏表示相比非稀疏方法带来了更优的分类性能。
• 该方法在部分遮挡或对齐误差的情境下表现出强大的泛化能力。
• 结果证实，将CLBP与稀疏表示结合可增强特征的判别能力与分类的可靠性。