[论文解读] Face Recognition Algorithms based on Transformed Shape Features

Sambhunath Biswas, Amrita Biswas|arXiv (Cornell University)|Jul 11, 2012

Face and Expression Recognition参考文献 22被引用 4

一句话总结

本文提出两种基于Coiflet小波包和Radon变换的面部识别算法，通过将2D灰度面部图像转换为深度图，提取对光照和姿态变化具有鲁棒性的基于形状的特征。该方法在ORL、Yale和Essex-Grimace数据库上使用LDA和k-NN分类（L1距离与马氏距离）时，性能优于现有的基于小波的方法，尤其在光照和姿态变化条件下表现更优。

ABSTRACT

Human face recognition is, indeed, a challenging task, especially under the illumination and pose variations. We examine in the present paper effectiveness of two simple algorithms using coiflet packet and Radon transforms to recognize human faces from some databases of still gray level images, under the environment of illumination and pose variations. Both the algorithms convert 2-D gray level training face images into their respective depth maps or physical shape which are subsequently transformed by Coiflet packet and Radon transforms to compute energy for feature extraction. Experiments show that such transformed shape features are robust to illumination and pose variations. With the features extracted, training classes are optimally separated through linear discriminant analysis (LDA), while classification for test face images is made through a k-NN classifier, based on L1 norm and Mahalanobis distance measures. Proposed algorithms are then tested on face images that differ in illumination,expression or pose separately, obtained from three databases,namely, ORL, Yale and Essex-Grimace databases. Results, so obtained, are compared with two different existing algorithms.Performance using Daubechies wavelets is also examined. It is seen that the proposed Coiflet packet and Radon transform based algorithms have significant performance, especially under different illumination conditions and pose variation. Comparison shows the proposed algorithms are superior.

研究动机与目标

• 解决在光照和姿态变化条件下的人脸识别挑战。
• 探究从深度图中提取的变换形状特征的有效性。
• 开发对光照和姿态变化具有不变性的鲁棒特征提取方法。
• 通过线性判别分析（LDA）和k-NN（L1距离与马氏距离）提高分类准确率。
• 将所提方法与现有基于小波的方法进行比较，以验证其性能优越性。

提出的方法

• 将2D灰度面部图像转换为深度图，以表示面部地形特征。
• 应用Coiflet小波包变换对深度图进行分解，提取子带能量特征。
• 对深度图应用Radon变换，提取对形状结构敏感的投影特征。
• 从变换后的子带计算能量值，用于构建特征向量。
• 使用线性判别分析（LDA）在特征空间中最优分离训练类别。
• 使用k-NN结合L1范数和马氏距离进行相似性度量，对测试图像进行分类。

实验结果

研究问题

• RQ1 从深度图中提取的变换形状特征是否能提升在光照变化条件下的面部识别鲁棒性？
• RQ2 Coiflet小波包和Radon变换在提取姿态不变面部特征方面的有效性如何？
• RQ3 所提方法在面部识别准确率上是否优于现有的基于小波的方法？
• RQ4 L1距离与马氏距离度量在结合提取特征时，对分类性能的提升程度如何？
• RQ5 在光照、表情和姿态条件多样的不同数据库上，这些算法的性能表现如何？

主要发现

• 所提出的基于Coiflet小波包和Radon变换的算法在光照变化条件下表现出显著的性能提升。
• 通过深度图变换进行特征提取，相比传统方法，对姿态和光照变化具有更强的鲁棒性。
• LDA用于类别分离与k-NN结合马氏距离，可实现高分类准确率。
• 在ORL、Yale和Essex-Grimace数据库上的实验结果证实，该方法优于现有的基于小波的方法。
• 在本研究背景下，Coiflet小波包变换相比Daubechies小波具有更好的能量集中性和特征区分能力。
• Radon变换有效捕捉了结构化形状信息，提升了在姿态变化条件下的识别性能。