[论文解读] Face Recognition via Globality-Locality Preserving Projections

Sheng Huang, Dan Yang+4 more|arXiv (Cornell University)|Nov 6, 2013

Face and Expression Recognition参考文献 41被引用 3

一句话总结

本文提出全局-局部保持投影（GLPP），一种增强的局部保持投影（LPP）方法，通过引入类别几何约束，联合保持类内局部流形结构与类间全局、人员不变特征。GLPP在ORL、Yale、FERET和LFW-A人脸识别数据库上达到最先进性能，在非受控环境下相比LPP性能提升最高达6.3%，且当$β > 1000$时表现出强鲁棒性。

ABSTRACT

We present an improved Locality Preserving Projections (LPP) method, named Gloablity-Locality Preserving Projections (GLPP), to preserve both the global and local geometric structures of data. In our approach, an additional constraint of the geometry of classes is imposed to the objective function of conventional LPP for respecting some more global manifold structures. Moreover, we formulate a two-dimensional extension of GLPP (2D-GLPP) as an example to show how to extend GLPP with some other statistical techniques. We apply our works to face recognition on four popular face databases, namely ORL, Yale, FERET and LFW-A databases, and extensive experimental results demonstrate that the considered global manifold information can significantly improve the performance of LPP and the proposed face recognition methods outperform the state-of-the-arts.

研究动机与目标

• 解决传统LPP在人脸识别中忽略类间全局几何结构的局限性。
• 通过将人员不变（类间）特征整合到LPP框架中，提升分类性能。
• 提出一种统一方法，同时保持类内局部结构与类间全局结构。
• 在受控与非受控人脸识别环境中验证GLPP的有效性。
• 将GLPP扩展为二维变体（2D-GLPP），以展示其与其他统计技术的兼容性，并提升在二维人脸数据上的性能。

提出的方法

• 通过添加类别几何约束修改LPP目标函数，以保持不同类别之间的全局流形结构。
• 引入平衡参数$\beta$，以控制局部流形保持与全局类别结构保持之间的权衡。
• 基于局部邻域关系构建邻接权重矩阵，以编码局部几何结构。
• 将GLPP优化问题表述为广义特征值问题，以计算最优投影向量。
• 通过直接对二维人脸图像矩阵应用GLPP而非向量化，提出2D-GLPP变体，以保持空间结构。
• 通过参数调优确定最优$\beta$，实验表明当$\beta > 1000$时性能稳定。

实验结果

研究问题

• RQ1 将类间全局几何结构引入LPP是否能提升人脸识别性能？
• RQ2 局部与全局结构保持之间的平衡如何影响不同数据集上的识别准确率？
• RQ3 GLPP是否在受控与非受控设置下均优于LPP及其他最先进线性方法（如LDA、PCA和DLPP）？
• RQ4 GLPP能否有效扩展为二维形式（2D-GLPP），并在二维人脸数据上保持或提升性能？
• RQ5 为实现鲁棒且高精度的识别，平衡参数$\beta$的最优值是多少？

主要发现

• 在ORL数据库上，GLPP在两折交叉验证下相比LPP提升5.25%，在不同交叉验证方案中提升1.5%至2%。
• 在FERET数据库上，GLPP在多种交叉验证协议下相比LPP识别准确率提升1.6%至1.8%。
• 在非受控环境中，GLPP在LFW-A数据库第一和第二子集上分别相比LPP提升5.6%和6.3%。
• 当$\beta > 1000$时，GLPP的识别性能对$\beta$不敏感，表明可将$\beta$固定在较高值以实现稳定性能。
• 2D-GLPP在测试数据库上优于经典2D方法（如2D-PCA、2D-LDA和2D-LPP），证实了2D扩展的有效性。
• GLPP是首个通过同时保持类内局部结构与类间全局结构，正式引入人员不变特征的基于LPP的方法。