[论文解读] Recognition of expression variant faces using masked log-Gabor features and Principal Component Analysis

Vytautas Perlibakas|ArXiv.org|May 7, 2006

Face and Expression Recognition参考文献 19被引用 4

一句话总结

本文提出一种结合遮罩对数-高斯滤波器与主成分分析（PCA）的人脸识别方法，以提升在表情变化情况下的识别准确率。通过在滑动窗口和遮罩下对表情不敏感的面部区域应用方向性和尺度选择性对数-高斯滤波器，并利用PCA进行降维，该方法在包含1,196张训练图像的FERET数据库上实现了98.91%的一次识别率和0.17%的等错误率。

ABSTRACT

In this article we propose a method for the recognition of faces with different facial expressions. For recognition we extract feature vectors by using log-Gabor filters of multiple orientations and scales. Using sliding window algorithm and variances -based masking these features are extracted at image regions that are less affected by the changes of facial expressions. Extracted features are passed to the Principal Component Analysis (PCA) -based recognition method. The results of face recognition experiments using expression variant faces showed that the proposed method could achieve higher recognition accuracy than many other methods. For development and testing we used facial images from the AR and FERET databases. Using facial photographs of more than one thousand persons from the FERET database the proposed method achieved 96.6-98.9% first one recognition rate and 0.2-0.6% Equal Error Rate (EER).

研究动机与目标

• 提升在面部表情变化存在情况下的人脸识别准确率，此类变化会降低标准PCA方法的性能。
• 识别并提取受表情变化影响较小的面部区域（如眼睛和鼻子周围）的特征。
• 通过多尺度、多方向对数-高斯滤波器与空间遮罩结合，增强特征表示。
• 通过主成分分析（PCA）降低维度，提升识别效率。
• 在如FERET和AR等表情变化人脸数据库上实现最先进性能。

提出的方法

• 在频域中对人脸图像应用多尺度、多方向的对数-高斯滤波器，以提取纹理特征。
• 使用滑动窗口算法从局部图像区域提取对数-高斯响应的幅值。
• 基于方差的遮罩方法识别并保留面部最稳定、表情不敏感的区域，排除头发和面部轮廓。
• 将遮罩后的对数-高斯特征拼接为每个面部图像的高维特征向量。
• 应用主成分分析（PCA）对特征向量进行降维，同时保留判别性信息。
• 通过探测图像与图库图像的PCA降维特征向量之间的余弦距离度量进行识别。

实验结果

研究问题

• RQ1 与标准PCA相比，遮罩对数-高斯特征是否能提升在表情变化人脸上的识别准确率？
• RQ2 在表情变化下哪些面部区域最稳定，能否通过基于方差的遮罩方法自动识别？
• RQ3 将多尺度、多方向对数-高斯滤波与PCA结合，是否能在FERET等大规模数据库上实现更优的识别性能？
• RQ4 在一次识别率和等错误率方面，该方法与现有最先进方法相比表现如何？
• RQ5 该方法是否能在较少训练图像和更低特征维度下实现高准确率？

主要发现

• 所提出的MLG PCA方法在FERET数据库的1,196张训练图像上实现了98.91%的一次识别率。
• 该方法的等错误率（EER）仅为0.17%，显著低于大多数对比方法。
• 仅使用400张训练图像和380个PCA特征时，该方法仍实现了96.59%的一次识别准确率和0.56%的EER。
• 在识别性能上，该方法优于CSU PCA MahCosine（85%的一次识别准确率）、Gabor+AdaBoost（95.20%）和Haar+AdaBoost（94%）。
• 该方法仅需提取2张图像（0.17%）即可达到99%的累积识别率，而CSU EBGM则需449张图像（37.54%），表明其具有更高的效率。
• CMCA和ROCA值约为其他方法的两倍，表明整体识别性能更优。