[论文解读] Face Recognition Based on SVM and 2DPCA

Thái Hoàng Lê, Len Bui|arXiv (Cornell University)|Oct 25, 2011

Face and Expression Recognition参考文献 15被引用 34

一句话总结

该论文提出了一种结合2DPCA进行特征提取和SVM进行分类的人脸识别系统，在FERET和AT&T数据库上实现了更高的识别准确率。该方法利用2DPCA直接处理2D图像以降低维度，同时保留空间结构，随后通过SVM实现鲁棒分类，其分类准确率高于基线方法。

ABSTRACT

The paper will present a novel approach for solving face recognition problem. Our method combines 2D Principal Component Analysis (2DPCA), one of the prominent methods for extracting feature vectors, and Support Vector Machine (SVM), the most powerful discriminative method for classification. Experiments based on proposed method have been conducted on two public data sets FERET and AT&T; the results show that the proposed method could improve the classification rates.

研究动机与目标

• 为解决传统PCA在人脸识别中的局限性，采用保留空间关系的2D表示方法。
• 通过将2DPCA与SVM强大的判别能力相结合，提升分类性能。
• 在标准公开的人脸识别数据集（如FERET和AT&T）上验证所提出方法的有效性。
• 证明结合2DPCA和SVM可获得高于传统方法的识别率。

提出的方法

• 该方法直接对人脸图像应用2DPCA，无需将其向量化，从而保留原始2D结构以实现降维。
• 2DPCA使用2D图像矩阵计算主成分，在降低特征空间维度的同时保持空间信息。
• 将2DPCA得到的降维特征向量作为输入，输入至支持向量机（SVM）进行分类。
• SVM通过最大化不同人脸类别之间的间隔进行训练，从而提升泛化能力和准确率。
• 该方法避免了传统1D PCA所需的矩阵重排步骤，降低了计算复杂度并减少了潜在的信息损失。
• 系统采用交叉验证方法，在FERET和AT&T数据库上按照标准识别协议进行评估。

实验结果

研究问题

• RQ1 与传统的1D PCA相比，2DPCA是否能提升人脸识别中的特征提取效果？
• RQ2 将2DPCA与SVM结合是否能获得高于单独使用任一方法的分类准确率？
• RQ3 所提出方法在标准基准人脸数据库（如FERET和AT&T）上的表现如何？
• RQ4 保留2D图像结构对识别性能有何影响？

主要发现

• 与基线方法相比，所提出方法在FERET和AT&T数据库上均实现了更高的分类准确率。
• 2DPCA与SVM的结合在人脸识别任务中表现出更强的鲁棒性和泛化能力。
• 该方法通过避免图像向量化，降低了计算开销，并在特征提取过程中始终保持空间结构。
• 实验结果表明，该方法在多种测试条件和数据集上均表现出一致的性能提升。