[论文解读] Examplers based image fusion features for face recognition

Alex Pappachen James, Sima Dimitrijev|arXiv (Cornell University)|Jan 28, 2012

Face and Expression Recognition参考文献 21被引用 3

一句话总结

本文提出了一种基于样本的图像融合方法，用于人脸验证，通过融合同一人的多张画廊图像来生成判别性特征，并利用生物启发的局部二值决策提升准确率与稳定性。该方法在六个基准数据集上实现了99.0–100.0%的人脸识别准确率，优于如人脸平均等单模型方法。

ABSTRACT

Examplers of a face are formed from multiple gallery images of a person and are used in the process of classification of a test image. We incorporate such examplers in forming a biologically inspired local binary decisions on similarity based face recognition method. As opposed to single model approaches such as face averages the exampler based approach results in higher recognition accu- racies and stability. Using multiple training samples per person, the method shows the following recognition accuracies: 99.0% on AR, 99.5% on FERET, 99.5% on ORL, 99.3% on EYALE, 100.0% on YALE and 100.0% on CALTECH face databases. In addition to face recognition, the method also detects the natural variability in the face images which can find application in automatic tagging of face images.

研究动机与目标

• 在单模型方法（如人脸平均）的基础上，进一步提升人脸识别的准确率与稳定性。
• 利用每人多张训练样本建模自然的人脸差异性。
• 开发一种生物启发的方法，用于人脸识别中的局部相似性决策。
• 通过检测自然的人脸差异性，实现人脸图像的自动标记。
• 通过样本融合方法在标准人脸识别基准测试中展示优越性能。

提出的方法

• 通过加权融合策略，将同一人的多张画廊图像融合生成样本。
• 在像素级或块级上，基于测试图像与样本之间的相似性，应用局部二值决策。
• 采用模拟人类视觉感知面部相似性的生物启发决策机制。
• 通过整合每个身份的多个训练样本，提升鲁棒性并减少过拟合。
• 对局部决策采用投票或共识机制，以确定最终的人脸分类结果。
• 在受控条件下，利用标准人脸数据库（AR、FERET、ORL、EYALE、YALE、CALTECH）进行评估。

实验结果

研究问题

• RQ1 与单图像模型相比，融合每人多张画廊图像是否能提升人脸识别准确率？
• RQ2 基于样本的融合方法是否能在不同条件下增强人脸识别的稳定性与鲁棒性？
• RQ3 该方法在多大程度上能够检测并建模自然的人脸差异性，以支持自动图像标记等应用？
• RQ4 与传统的全局特征提取方法相比，生物启发的局部决策机制在人脸识别中的表现如何？
• RQ5 在多样化的基准数据集上，该样本融合方法可实现怎样的识别性能？

主要发现

• 该样本方法在AR数据库上实现了99.0%的识别准确率。
• 该方法在FERET和ORL数据库上均达到了99.5%的准确率。
• 在EYALE数据库上实现了99.3%的准确率，在YALE和CALTECH数据库上均达到100.0%的准确率。
• 融合每人多个训练样本显著提升了识别性能，优于单模型基线方法。
• 该方法有效建模了自然的人脸差异性，为自动人脸图像标记等应用提供了潜在支持。
• 生物启发的局部决策机制相比传统平均技术，显著提升了稳定性和准确率。