[论文解读] Collaborative Representation based Classification for Face Recognition

Lei Zhang, Meng Yang+3 more|arXiv (Cornell University)|Apr 11, 2012

Face and Expression Recognition参考文献 64被引用 206

一句话总结

本文提出基于协作表示的分类（CRC）方法用于人脸识别，表明协作表示机制——即测试样本被表示为所有训练样本的线性组合——对性能的贡献比稀疏表示分类（SRC）中的l1-范数稀疏性约束更为关键。作者表明，通过在编码残差和系数上采用不同范数的CRC，在噪声或受损条件下均能实现更高的识别准确率和鲁棒性。

ABSTRACT

By coding a query sample as a sparse linear combination of all training samples and then classifying it by evaluating which class leads to the minimal coding residual, sparse representation based classification (SRC) leads to interesting results for robust face recognition. It is widely believed that the l1- norm sparsity constraint on coding coefficients plays a key role in the success of SRC, while its use of all training samples to collaboratively represent the query sample is rather ignored. In this paper we discuss how SRC works, and show that the collaborative representation mechanism used in SRC is much more crucial to its success of face classification. The SRC is a special case of collaborative representation based classification (CRC), which has various instantiations by applying different norms to the coding residual and coding coefficient. More specifically, the l1 or l2 norm characterization of coding residual is related to the robustness of CRC to outlier facial pixels, while the l1 or l2 norm characterization of coding coefficient is related to the degree of discrimination of facial features. Extensive experiments were conducted to verify the face recognition accuracy and efficiency of CRC with different instantiations.

研究动机与目标

• 探究在SRC中，协作表示机制还是l1-范数稀疏性约束对人脸识别成功更为关键。
• 提出一个广义框架——基于协作表示的分类（CRC），统一各种表示分类方法的实例化形式。
• 评估在编码残差和系数上使用不同范数（l1、l2）对提升人脸识别鲁棒性和判别能力的影响。
• 通过实证验证CRC在各种人脸识别场景（包括噪声和损坏数据）下的准确率和效率优势。

提出的方法

• 将人脸识别建模为协作表示问题，即查询图像被表示为所有训练图像的线性组合。
• 通过在表示系数和残差上施加不同范数，定义CRC的优化问题，以最小化编码残差。
• 通过在编码系数上使用l1或l2范数，以及在编码残差上使用l1或l2范数，探索CRC的多种实例化形式。
• 利用类别特定的编码残差对测试样本进行分类，选择残差最小的类别。
• 应用Tikhonov正则化以稳定解并提高泛化能力。
• 在标准人脸识别数据库上，在不同条件下（包括遮挡和噪声）评估分类性能。

实验结果

研究问题

• RQ1 在SRC中，是l1-范数稀疏性约束还是协作表示机制对人脸识别成功更为关键？
• RQ2 在编码系数和残差上使用不同范数组合，如何影响人脸识别的鲁棒性和判别能力？
• RQ3 广义CRC框架是否能在准确率和计算效率上超越传统SRC？
• RQ4 在图像损坏、遮挡或光照变化等挑战性条件下，CRC表现如何？
• RQ5 协作表示与稀疏性在实现鲁棒人脸识别中的相对贡献是什么？

主要发现

• 协作表示机制对人脸识别性能的影响比l1-范数稀疏性约束更为关键，挑战了‘稀疏性是关键因素’的普遍观点。
• 在Extended YUV和AR人脸数据库上，使用l2-范数于编码系数且使用l2-范数于残差的CRC实现了最高的识别准确率。
• 使用l1-范数于残差的CRC在应对异常像素和图像损坏方面，相比l2-范数变体表现出更优的鲁棒性。
• 所提出的CRC框架在准确率上达到竞争性或更优表现，且由于无需迭代稀疏编码，计算效率更高。
• 实验表明，CRC在显著图像退化（如随机像素损坏和遮挡）条件下仍能保持高准确率。
• 研究证实，编码系数上范数的选择影响特征判别能力，而残差上范数的选择则影响对噪声和异常值的鲁棒性。