[论文解读] Fast Matching by 2 Lines of Code for Large Scale Face Recognition Systems

Yi Dong, Zhen Lei+2 more|arXiv (Cornell University)|Feb 28, 2013

Face and Expression Recognition参考文献 26被引用 6

一句话总结

本文提出了一种级联分类器框架，通过多阶段特征比较实现负样本的快速拒绝，从而在不损失任何准确率的情况下实现7.55倍的加速。该方法支持灵活的特征截断，以优化带宽和存储，即使将特征长度减半，仍能保持较高的识别率。

ABSTRACT

In this paper, we propose a method to apply the popular cascade classifier into face recognition to improve the computational efficiency while keeping high recognition rate. In large scale face recognition systems, because the probability of feature templates coming from different subjects is very high, most of the matching pairs will be rejected by the early stages of the cascade. Therefore, the cascade can improve the matching speed significantly. On the other hand, using the nested structure of the cascade, we could drop some stages at the end of feature to reduce the memory and bandwidth usage in some resources intensive system while not sacrificing the performance too much. The cascade is learned by two steps. Firstly, some kind of prepared features are grouped into several nested stages. And then, the threshold of each stage is learned to achieve user defined verification rate (VR). In the paper, we take a landmark based Gabor+LDA face recognition system as baseline to illustrate the process and advantages of the proposed method. However, the use of this method is very generic and not limited in face recognition, which can be easily generalized to other biometrics as a post-processing module. Experiments on the FERET database show the good performance of our baseline and an experiment on a self-collected large scale database illustrates that the cascade can improve the matching speed significantly.

研究动机与目标

• 解决包含数百万模板的大规模人脸识别系统带来的高计算成本问题。
• 在非对称人脸识别场景下，提升匹配速度而不牺牲识别准确率。
• 提供一种灵活可扩展的特征表示方法，支持运行时在存储、带宽和性能之间进行权衡。
• 证明该方法的通用性，可作为轻量级后处理模块应用于人脸识别以外的其他生物特征识别系统。

提出的方法

• 级联分类器通过两步训练：将特征分组为嵌套阶段，并学习满足用户定义验证率的最优阈值。
• 匹配过程按阶段逐步进行，早期拒绝负样本对，显著减少完整特征计算量。
• 该方法以基于关键点的Gabor + LDA特征提取流程作为评估基线。
• 使用余弦相似度来衡量探测图像与图库图像之间的特征匹配得分。
• 通过丢弃级联的后序阶段，可动态截断特征长度，实现可扩展的特征模板。
• 系统在FERET数据集上进行训练，并在包含20万张以上图像的大规模扩展FERET数据库上进行评估。

实验结果

研究问题

• RQ1 级联分类器框架是否能在保持识别准确率的前提下显著加速大规模人脸识别？
• RQ2 在不同级联阶段对特征进行截断，如何影响识别性能和系统效率？
• RQ3 该级联方法在实际系统中能在多大程度上降低计算负载和内存使用？
• RQ4 所提出的方法是否可泛化为其他生物特征识别系统的轻量级后处理模块？

主要发现

• 在扩展FERET数据库上，级联分类器将匹配时间从每查询129.48ms降低至17.16ms，实现了7.55倍的加速，且rank-1识别率未下降。
• 在包含20万张以上图像的大图库中，当特征维度从428降低至214（6个阶段）时，识别率仅下降3.42%，展现出强大的可扩展性。
• 基线Gabor+LDA系统在扩展FERET上的rank-1识别率分别为93.35%和92.74%，与当前最先进方法相当。
• 该级联框架可在大幅降低计算量的同时实现零性能损失的匹配，非常适合资源受限环境的部署。
• 特征长度与识别率之间的关系显示，在某一临界点后收益递减，支持在损失极小的情况下进行激进的截断。