[论文解读] Efficient Web-based Facial Recognition System Employing 2DHOG

Moataz M. Abdelwahab, Salah A. Aly+1 more|arXiv (Cornell University)|Feb 11, 2012

Face and Expression Recognition参考文献 6被引用 13

一句话总结

本文提出了一种基于网络的朝觐和副朝面部识别系统，采用2D-HOG结合2DPCA，实现了高精度、低计算成本和紧凑存储。该方法提取方向梯度的2D直方图，应用2DPCA进行降维，在ORL数据集上达到97%的准确率，JAFFE数据集上达到100%，朝觐数据集上达到92.5%，同时训练时间（10.4秒）和存储需求显著降低。

ABSTRACT

In this paper, a system for facial recognition to identify missing and found people in Hajj and Umrah is described as a web portal. Explicitly, we present a novel algorithm for recognition and classifications of facial images based on applying 2DPCA to a 2D representation of the Histogram of oriented gradients (2D-HOG) which maintains the spatial relation between pixels of the input images. This algorithm allows a compact representation of the images which reduces the computational complexity and the storage requirments, while maintaining the highest reported recognition accuracy. This promotes this method for usage with very large datasets. Large dataset was collected for people in Hajj. Experimental results employing ORL, UMIST, JAFFE, and HAJJ datasets confirm these excellent properties.

研究动机与目标

• 解决因人群密集导致朝觐和副朝期间失踪与寻回人员识别的挑战。
• 开发可扩展的实时网络门户，支持大规模数据集，并在不同环境条件下运行。
• 相比传统PCA和2DPCA方法，提升识别准确率，同时降低计算复杂度和存储需求。
• 在朝觐场景中常见的多样化面部外观、姿态和光照条件下，实现稳健性能。
• 通过2D-HOG实现并行、紧凑的特征表示，以保持空间关系并加速处理。

提出的方法

• 使用2D-HOG表示面部图像，将梯度方向分箱为具有空间结构的矩阵，以保留局部纹理和边缘信息。
• 直接在2D-HOG特征矩阵上应用2DPCA，而非对图像进行向量化，以保持空间相关性并高效降低维度。
• 采用并行处理结构，每个B个方向分箱独立处理，实现更快计算和更好的可扩展性。
• 在测试阶段使用最小距离分类器结合投票机制，比较测试图像与训练图像的特征向量以实现识别。
• 利用离散小波变换（DWT）域表示，进一步降低存储和计算负载，同时不损失准确率。
• 在ORL、UMIST、JAFFE以及新收集的朝觐数据集等多个数据集上进行训练和测试，涵盖不同姿态、表情和外观。

实验结果

研究问题

• RQ1 2D-HOG/2DPCA在标准和真实世界数据集上是否比传统PCA和2DPCA实现更高的面部识别准确率？
• RQ2 保留空间结构的2D-HOG表示是否能提升在姿态、表情和外观变化下的识别鲁棒性？
• RQ3 与现有基于PCA的方法相比，所提方法在计算复杂度和存储需求方面降低程度如何？
• RQ4 该系统在包含多样化和挑战性条件的朝觐大规模真实世界数据集上表现如何？
• RQ5 该系统能否支持大规模人群管理应用的实时网络化部署？

主要发现

• 在ORL数据集上，2D-HOG/2DPCA方法达到97%的识别准确率，优于2DPCA（96%）和PCA（92.5%）。
• 在JAFFE数据集上，该方法实现100%准确率，超过2DPCA（96%）和PCA（93.5%）。
• 在UMIST数据集上，该方法实现90.35%准确率，高于2DPCA的88%和PCA的85%。
• 在ORL数据集上，使用2D-HOG/2DPCA将训练时间减少至10.4秒，远低于PCA的101秒和2DPCA的14秒。
• 测试时间降低至0.82秒，显著低于PCA的2.1秒和2DPCA的1.5秒。
• 在朝觐数据集上，系统在每人仅使用两张训练图像时达到92.5%准确率，使用正面图像并考虑外观和尺度变化时准确率达到100%。