[论文解读] Hybrid Approach to Face Recognition System using Principle component and Independent component with score based fusion process

Trupti M. Kodinariya|arXiv (Cornell University)|Jan 2, 2014

Face and Expression Recognition被引用 5

一句话总结

本文提出了一种混合人脸识别系统，结合主成分分析（PCA）与独立成分分析（ICA），并采用基于分数的融合策略，利用反向传播神经网络（BPNNs）进行融合。该方法通过并行训练独立的PCA与ICA特征提取器，再将BPNN的输出通过分数级融合进行组合，从而在ORL及其他数据库上实现了优于单一特征方法的性能表现。

ABSTRACT

Hybrid approach has a special status among Face Recognition Systems as they combine different recognition approaches in an either serial or parallel to overcome the shortcomings of individual methods. This paper explores the area of Hybrid Face Recognition using score based strategy as a combiner/fusion process. In proposed approach, the recognition system operates in two modes: training and classification. Training mode involves normalization of the face images (training set), extracting appropriate features using Principle Component Analysis (PCA) and Independent Component Analysis (ICA). The extracted features are then trained in parallel using Back-propagation neural networks (BPNNs) to partition the feature space in to different face classes. In classification mode, the trained PCA BPNN and ICA BPNN are fed with new face image(s). The score based strategy which works as a combiner is applied to the results of both PCA BPNN and ICA BPNN to classify given new face image(s) according to face classes obtained during the training mode. The proposed approach has been tested on ORL and other face databases; the experimented results show that the proposed system has higher accuracy than face recognition systems using single feature extractor.

研究动机与目标

• 通过结合多种特征提取技术，克服单一人脸识别方法的局限性。
• 通过集成PCA与ICA特征的混合系统，提升识别准确率。
• 开发一种稳健的融合策略，整合基于PCA与ICA的分类器输出。
• 在ORL等标准人脸数据库上，通过分数级融合机制评估系统性能。
• 证明将PCA与ICA结合神经网络使用，可获得高于单独使用任一方法的准确率。

提出的方法

• 系统以两种模式运行：训练模式与分类模式。
• 在训练阶段，对人脸图像进行归一化处理，并独立使用PCA与ICA提取特征。
• 分别使用PCA与ICA特征对独立的BPNN进行训练，以将人脸图像分类至不同类别。
• 在分类模式下，新的人脸图像由已训练的PCA-BPNN与ICA-BPNN分别处理，生成各自的识别分数。
• 基于分数的融合策略将两个分类器的输出进行组合，以确定最终的人脸类别。
• 融合过程聚合来自PCA与ICA路径的分数，以提升决策的鲁棒性与准确率。

实验结果

研究问题

• RQ1 与单独使用PCA或ICA相比，结合PCA与ICA特征提取是否能提升人脸识别准确率？
• RQ2 基于分数的融合策略在整合基于PCA与ICA的分类器输出方面是否有效？
• RQ3 该混合系统是否在标准人脸数据库上优于基于单一特征的识别系统？
• RQ4 使用BPNN进行分类对混合PCA-ICA框架性能有何影响？
• RQ5 在分数级融合的人脸识别任务中，PCA与ICA特征的相对贡献如何？

主要发现

• 所提出的混合系统在识别准确率上优于仅使用PCA或ICA的人脸识别系统。
• 基于分数的融合策略有效结合了PCA与ICA的优势，显著提升了分类性能。
• 该系统在ORL人脸数据库上表现出良好的鲁棒性与更高的准确率。
• 使用并行BPNN对PCA与ICA特征进行处理，能够有效将特征空间划分为不同的面部类别。
• 实验结果证实，结合多种特征提取技术与融合机制可显著提升整体系统性能。
• 混合方法优于单一方法系统，验证了所提出融合策略的有效性。