[论文解读] Collaborative representation-based robust face recognition by discriminative low-rank representation

Wen Yi Zhao, Xiao‐Jun Wu+2 more|arXiv (Cornell University)|Dec 17, 2019

Face and Expression Recognition参考文献 25被引用 3

一句话总结

本文提出了一种判别性低秩表示方法（DLRR-CR），用于基于协同表示的人脸识别，可提升训练和测试图像中遮挡与噪声污染下的鲁棒性。通过在不同类别子字典之间强制实施结构不一致性，并学习一个低秩投影矩阵，DLRR-CR 在计算成本低于基于稀疏性的方法的前提下，实现了更高的识别准确率。

ABSTRACT

We consider the problem of robust face recognition in which both the training and test samples might be corrupted because of disguise and occlusion. Performance of conventional subspace learning methods and recently proposed sparse representation based classification (SRC) might be degraded when corrupted training samples are provided. In addition, sparsity based approaches are time-consuming due to the sparsity constraint. To alleviate the aforementioned problems to some extent, in this paper, we propose a discriminative low-rank representation method for collaborative representation-based (DLRR-CR) robust face recognition. DLRR-CR not only obtains a clean dictionary, it further forces the sub-dictionaries for distinct classes to be as independent as possible by introducing a structural incoherence regularization term. Simultaneously, a low-rank projection matrix can be learned to remove the possible corruptions in the testing samples. Collaborative representation based classification (CRC) method is exploited in our proposed method which has closed-form solution. Experimental results obtained on public face databases verify the effectiveness and robustness of our method.

研究动机与目标

• 解决当训练和测试图像均受遮挡、伪装或噪声污染时，实现鲁棒人脸识别的挑战。
• 克服基于稀疏表示分类（SRC）因 ℓ₁-最小化导致的高计算成本问题。
• 通过增强在污染条件下的判别能力和鲁棒性，改进传统协同表示（CRC）。
• 开发一种方法，同时学习一个干净的低秩字典和一个低秩投影矩阵，以处理测试样本中的污染。
• 通过用 ℓ₂-正则化替代 ℓ₁-正则化，实现基于协同表示的低复杂度闭式解，从而在保持高识别准确率的同时降低计算复杂度。

提出的方法

• 提出一种判别性低秩表示（DLRR）框架，该框架在学习训练数据低秩表示的同时，强制不同类别子字典之间的结构不一致性。
• 引入结构不一致性正则化项，以最大化特定类别的子字典之间的独立性，从而提升判别能力。
• 在训练过程中学习一个低秩投影矩阵，将测试样本投影到低维空间，以去除污染。
• 使用带有 ℓ₂-正则化的协同表示分类（CRC）方法，实现快速的闭式解和低计算成本。
• 通过交替方向乘子法（ADMM）优化目标函数，联合求解低秩项与不一致性项。
• 将学习到的投影矩阵应用于测试样本，在分类前抑制噪声与遮挡。

实验结果

研究问题

• RQ1 与现有的稀疏或协同表示方法相比，低秩表示框架是否能提升训练和测试人脸图像在污染情况下的鲁棒性？
• RQ2 在污染条件下，强制不同类别子字典之间的结构不一致性是否能增强人脸识别的判别能力？
• RQ3 所学习的低秩投影矩阵是否能有效去除测试样本中的污染，而无需显式建模遮挡？
• RQ4 在不同水平的人工遮挡下，所提出的 DLRR-CR 方法在准确率和效率方面与 SRC、CRC 及基于 LRR 的方法相比如何？
• RQ5 当结合低秩与不一致性约束时，仅使用 ℓ₂-基协同表示是否足以实现鲁棒识别，即使不依赖 ℓ₁-稀疏性？

主要发现

• 在 Extended Yale B 数据集中，10% 像素污染条件下，DLRR-CR 在 100 维特征下达到 98.28% 的识别准确率，优于 SRC（94.99%）和 CRC（97.02%）。
• 在 20% 像素污染条件下，DLRR-CR 在 100D 下保持 96.99% 的准确率，显著高于 SRC（90.93%）和 CRC（95.27%）。
• 对于块遮挡，DLRR-CR 在 10% 污染下于 100D 达到 97.74% 的准确率，优于 DLRR-SRC（96.33%）和 LRR-CRC（92.85%）。
• 在 300D 特征下，DLRR-CR 在 10% 像素污染下达到 99.08% 的准确率，在 10% 块遮挡下达到 98.78%，展现出强大的鲁棒性。
• 该方法在所有测试基准上均达到最先进性能，同时由于 CRC 的闭式解保持了低计算成本。
• 消融研究证实，结构不一致性项与低秩投影矩阵对性能提升均至关重要，尤其在高污染水平下。