[论文解读] Face Image Analysis using AAM, Gabor, LBP and WD features for Gender, Age, Expression and Ethnicity Classification

N. S. Lakshmiprabha|arXiv (Cornell University)|Mar 29, 2016

Face recognition and analysis参考文献 31被引用 6

一句话总结

本文评估了主动外观模型（AAM）、Gabor小波、局部二值模式（LBP）和小波分解（WD）在人脸图像中联合进行性别、年龄、表情和种族分类的性能。通过神经网络，结果表明AAM在准确率和测试速度方面表现最佳，而WD在训练阶段最为高效；结合性别感知的年龄估计可进一步提升准确率，且使用AAM、LBP或WD特征可在1秒内完成所有属性的提取。

ABSTRACT

The growth in electronic transactions and human machine interactions rely on the information such as gender, age, expression and ethnicity provided by the face image. In order to obtain these information, feature extraction plays a major role. In this paper, retrieval of age, gender, expression and race information from an individual face image is analysed using different feature extraction methods. The performance of four major feature extraction methods such as Active Appearance Model (AAM), Gabor wavelets, Local Binary Pattern (LBP) and Wavelet Decomposition (WD) are analyzed for gender recognition, age estimation, expression recognition and racial recognition in terms of accuracy (recognition rate), time for feature extraction, neural training and time to test an image. Each of this recognition system is compared with four feature extractors on same dataset (training and validation set) to get a better understanding in its performance. Experiments carried out on FG-NET, Cohn-Kanade, PAL face database shows that each method has its own merits and demerits. Hence it is practically impossible to define a method which is best at all circumstances with less computational complexity. Further, a detailed comparison of age estimation and age estimation using gender information is provided along with a solution to overcome aging effect in case of gender recognition. An attempt has been made in obtaining all (i.e. gender, age range, expression and ethnicity) information from a test image in a single go.

研究动机与目标

• 分析并比较四种特征提取方法——AAM、Gabor、LBP和WD——在多任务人脸属性识别中的性能。
• 评估在性别、年龄、表情和种族分类任务中，识别准确率及计算效率（特征提取、训练和测试时间）的表现。
• 研究衰老对性别识别准确率的影响，并提出一种基于性别感知年龄估计的解决方案。
• 证明从单张人脸图像中实时提取所有四项属性（性别、年龄范围、表情、种族）的可行性。

提出的方法

• 使用主动外观模型（AAM）进行特征提取，以建模人脸图像中的形状与纹理变化。
• 应用Gabor小波提取局部频率和方向特征，用于纹理分析。
• 计算局部二值模式（LBP）特征，以编码面部区域的局部纹理模式。
• 使用小波分解（WD）提取多分辨率空间频率特征。
• 利用提取的特征训练前馈神经网络，分别完成性别、年龄、表情和种族的分类任务。
• 将性别分类的输出与性别特定的年龄估计器级联，以减轻衰老对性别识别的影响。

实验结果

研究问题

• RQ1 在AAM、Gabor、LBP和WD四种特征提取器中，哪一种在性别、年龄、表情和种族分类任务中达到最高的识别准确率？
• RQ2 四种特征提取器在计算成本方面如何比较，特别是特征提取、神经网络训练和测试时间方面？
• RQ3 衰老在多大程度上影响性别识别的准确率？通过引入性别特定的年龄估计，是否可以缓解这一影响？
• RQ4 是否可以使用单张人脸图像同时且准确地预测性别、年龄范围、表情和种族，且延迟极低？
• RQ5 不同数据集中表情风格和种族特征表示的差异如何影响识别性能？应采取何种策略以提升鲁棒性？

主要发现

• AAM在所有四项任务（性别、年龄、表情、种族）中均达到最高的识别准确率，且在四种方法中测试时间最快。
• LBP与Gabor小波的识别准确率相近，但LBP在计算上比Gabor更节省资源。
• 小波分解（WD）在训练和测试阶段的计算成本最低，适用于低延迟应用场景。
• 在年龄估计中引入性别信息可提升年龄预测的准确率，尤其在存在显著衰老差异的情况下效果更明显。
• 系统成功在1秒内使用AAM、LBP和WD特征从单张人脸图像中提取出全部四项属性（性别、年龄范围、表情、种族）。
• 表情和种族的误分类主要源于不同数据集之间表情风格和种族特征表示的差异，凸显了使用多样化训练数据的必要性。