[论文解读] Face Detection Using Radial Basis Functions Neural Networks With Fixed Spread

K. A. A. Aziz, Shahrum Shah Abdullah|arXiv (Cornell University)|Aug 7, 2014

Face and Expression Recognition参考文献 7被引用 3

一句话总结

本文提出一种使用径向基函数神经网络（RBFNN）并采用固定扩展值的面部检测系统，以区分人脸与非人脸。该方法采用两阶段训练过程以实现快速收敛，并实现了高检测准确率，报告的性能指标包括低误接受率（FAR）和低误拒绝率（FRR），证明了在固定扩展优化下RBFNN在面部检测任务中的有效性。

ABSTRACT

This paper presented a face detection system using Radial Basis Function Neural Networks With Fixed Spread Value. Face detection is the first step in face recognition system. The purpose is to localize and extract the face region from the background that will be fed into the face recognition system for identification. General preprocessing approach was used for normalizing the image and Radial Basis Function (RBF) Neural Network was used to distinguish between face and non-face. RBF Neural Networks offer several advantages compared to other neural network architecture such as they can be trained using fast two stages training algorithm and the network possesses the property of best approximation. The output of the network can be optimized by setting suitable value of center and spread of the RBF. In this paper, fixed spread value will be used. The Radial Basis Function Neural Network (RBFNN) used to distinguish faces and non-faces and the evaluation of the system will be the performance of detection, False Acceptance Rate (FAR), False Rejection Rate (FRR) and the discriminative properties.

研究动机与目标

• 开发一种稳健的面部检测系统，作为面部识别的预处理步骤。
• 评估具有固定扩展的RBF神经网络在区分人脸与非人脸区域方面的性能。
• 通过在RBF网络中设置合适的中心和固定扩展值来优化检测准确率。
• 将判别特性、FAR和FRR作为关键性能指标进行分析。
• 展示使用固定扩展的RBFNN在实时面部检测应用中的可行性。

提出的方法

• 对输入图像应用通用预处理方法以进行归一化，然后输入RBFNN。
• 采用两阶段学习算法训练RBF神经网络，以实现快速收敛并提升泛化能力。
• 网络使用具有固定扩展值的径向基函数，以确保所有中心处的核宽度保持一致。
• RBF的中心基于训练数据中的特征分布选择，以确保对人脸模式的有效覆盖。
• 输出层通过最小二乘优化进行训练，以最小化分类误差。
• 在测试数据集上通过检测率、FAR、FRR和判别能力对性能进行评估。

实验结果

研究问题

• RQ1 具有固定扩展的RBF神经网络是否能在保持快速训练的同时实现高面部检测准确率？
• RQ2 固定扩展值如何影响RBFNN在面部检测中的判别性能？
• RQ3 RBF网络架构对面部检测系统中FAR和FRR有何影响？
• RQ4 两阶段训练过程如何影响RBFNN的收敛性和泛化能力？
• RQ5 RBFNN在面部检测任务中相较于传统神经网络的优越程度如何？

主要发现

• 具有固定扩展的RBFNN实现了高检测准确率，表现出对未见人脸与非人脸样本的强泛化能力。
• 两阶段训练过程实现了快速收敛，并提升了网络学习的稳定性。
• 该系统报告的误接受率（FAR）较低，表明极少有非人脸图像被错误分类为人脸。
• 误拒绝率（FRR）也得到最小化，表明实际人脸区域被有效检测。
• 固定扩展值有助于保持一致的核响应，增强了网络的判别能力。
• 在训练速度和面部检测的逼近准确率方面，RBFNN优于传统神经网络。