[论文解读] Feature Selection via Sparse Approximation for Face Recognition

Yixiong Liang, Lei Wang+2 more|arXiv (Cornell University)|Feb 14, 2011

Face and Expression Recognition参考文献 42被引用 4

一句话总结

本文提出了一种基于稀疏逼近的特征选择方法，用于使用Gabor特征进行人脸识别，通过引入稀疏性约束的正则化最小平方误差（MSE）准则。通过将稀疏性整合到Ho-Kashyap过程中，该方法同时优化了特征选择与边界学习，在CAS-PEAL-R1和LFW数据库上实现了最先进性能，仅使用131,072个特征中的500个即达到70.32%的准确率。

ABSTRACT

Inspired by biological vision systems, the over-complete local features with huge cardinality are increasingly used for face recognition during the last decades. Accordingly, feature selection has become more and more important and plays a critical role for face data description and recognition. In this paper, we propose a trainable feature selection algorithm based on the regularized frame for face recognition. By enforcing a sparsity penalty term on the minimum squared error (MSE) criterion, we cast the feature selection problem into a combinatorial sparse approximation problem, which can be solved by greedy methods or convex relaxation methods. Moreover, based on the same frame, we propose a sparse Ho-Kashyap (HK) procedure to obtain simultaneously the optimal sparse solution and the corresponding margin vector of the MSE criterion. The proposed methods are used for selecting the most informative Gabor features of face images for recognition and the experimental results on benchmark face databases demonstrate the effectiveness of the proposed methods.

研究动机与目标

• 解决从过完备的Gabor特征词典中选择判别性局部特征的挑战。
• 通过施加稀疏性，降低维度的同时保留判别性信息，从而提升识别性能。
• 开发一个统一框架，联合优化特征选择与边界学习，以实现更好的泛化能力。
• 克服现有方法（如Adaboost）的局限性，后者计算成本高且忽略特征相关性。
• 在具有现实变化的基准人脸数据库上验证所提方法的有效性。

提出的方法

• 通过在最小平方误差（MSE）准则中添加稀疏性惩罚，将特征选择建模为组合稀疏逼近问题。
• 使用贪婪方法（如OMP）或凸松弛技术求解稀疏逼近问题。
• 提出一种稀疏Ho-Kashyap（SHK）过程，通过迭代方式联合优化稀疏解与边界向量。
• 将所提框架应用于从131,072个分量的大型词典中选择最具信息量的Gabor特征。
• 采用两阶段评估协议：在LFW数据集的View 1上进行模型开发，并在View 2上报告性能。
• 将所选特征与SVM和Fisher判别分类器结合，以评估分类性能。

实验结果

研究问题

• RQ1 稀疏性约束的特征选择是否能在降低维度的同时提升人脸识别准确率？
• RQ2 在稀疏学习过程中引入边界优化是否能超越标准MSE方法，提升泛化能力？
• RQ3 所提出的稀疏Ho-Kashyap过程与传统稀疏MSE和基于Fisher的方法相比，在特征选择与分类方面表现如何？
• RQ4 与使用完整Gabor特征集相比，该方法是否能以显著更少的特征实现具有竞争力的性能？
• RQ5 在学习过程中引入偏置项和自适应边界是否能防止过拟合并提升在具有挑战性的数据集上的鲁棒性？

主要发现

• 所提出的G SHK+SVM方法在LFW数据集上实现了70.32%的识别准确率，优于完整特征的FC基线（67.10%）及其他变体。
• G SFisher+SVM方法实现了69.18%的准确率，表明使用500个特征的稀疏Fisher分类可达到完整特征FC的性能。
• 仅使用G SHK方法即实现了68.27%的准确率，表明稀疏Ho-Kashyap过程即使在无独立分类器的情况下也有效。
• SHK与SFisher方法在两个数据库上均持续优于SSMES，表明边界与偏置的考虑能提升泛化能力。
• 图3中的ROC曲线证实，SHK与SFisher方法在真正例率与假正例率之间实现了更优的权衡，优于SSMES。
• 在CAS-PEAL-R1和LFW数据库上的结果表明，所提框架在表情、光照和遮挡等现实变化下对实际人脸识别任务具有有效性。