[论文解读] Robust Face Recognition via Block Sparse Bayesian Learning

Taiyong Li, Zhilin Zhang|arXiv (Cornell University)|Jan 29, 2013

Face and Expression Recognition参考文献 40被引用 4

一句话总结

本文提出块稀疏贝叶斯学习（BSBL）方法，通过利用表示系数中的块内相关性，显著提升了在最先进稀疏表示方法上的识别准确率与鲁棒性，实现了更优的鲁棒人脸识别。在Extended Yale B、AR和CMU PIE数据库上的实验表明，BSBL在遮挡和伪装等挑战性条件下，识别率显著高于SRC和BSCO，最高提升达13.19%。

ABSTRACT

Face recognition (FR) is an important task in pattern recognition and computer vision. Sparse representation (SR) has been demonstrated to be a powerful framework for FR. In general, an SR algorithm treats each face in a training dataset as a basis function, and tries to find a sparse representation of a test face under these basis functions. The sparse representation coefficients then provide a recognition hint. Early SR algorithms are based on a basic sparse model. Recently, it has been found that algorithms based on a block sparse model can achieve better recognition rates. Based on this model, in this study we use block sparse Bayesian learning (BSBL) to find a sparse representation of a test face for recognition. BSBL is a recently proposed framework, which has many advantages over existing block-sparse-model based algorithms. Experimental results on the Extended Yale B, the AR and the CMU PIE face databases show that using BSBL can achieve better recognition rates and higher robustness than state-of-the-art algorithms in most cases.

研究动机与目标

• 解决现有稀疏表示方法在处理同一人样本间块内相关性方面的局限性。
• 提升在遮挡、噪声和面部伪装等挑战性条件下的人脸识别鲁棒性。
• 利用人脸数据的块稀疏结构以提高表示准确率与分类性能。
• 证明最近提出的贝叶斯框架BSBL在识别准确率与稳定性方面优于现有块稀疏算法。

提出的方法

• 将人脸识别建模为块稀疏表示问题，其中同一人的训练图像在字典矩阵中构成一个块。
• 应用块稀疏贝叶斯学习（BSBL）估计表示系数，显式建模同一人系数间的块内相关性。
• 采用分层贝叶斯模型学习块结构与相关性模式，实现更精确和鲁棒的稀疏编码。
• 利用估计的系数计算每类的重建误差，并将测试图像分配给误差最小的类别。
• 在应用BSBL前集成特征提取（如Gabor或PCA），以降低维度同时保留判别性信息。
• 使用变分推理优化贝叶斯模型，以高效估计超参数与稀疏系数。

实验结果

研究问题

• RQ1 与标准块稀疏模型相比，利用表示系数中的块内相关性是否能提升人脸识别性能？
• RQ2 在遮挡与噪声条件下，BSBL与SRC和BSCO等最先进稀疏表示方法相比表现如何？
• RQ3 在真实世界中的面部伪装（如太阳镜与围巾）条件下，BSBL是否仍保持优异性能？
• RQ4 在低维或受损人脸图像场景中，块稀疏贝叶斯框架在多大程度上增强了鲁棒性？

主要发现

• 在Extended Yale B数据库上，BSBL在$24 \times 21$像素图像且50%块遮挡条件下，识别率达到99.56%，较BSCO高出13.19%。
• 在$12 \times 10$像素图像上40%遮挡条件下，BSBL识别率为45.28%，显著优于SRC的30.33%与NN的20.88%。
• 在AR数据库上，使用围巾伪装时，BSBL在$27 \times 20$分辨率下识别率达81.00%，远超SRC（21.50%）与BSCO（44.00%）。
• 在中性表情搭配太阳镜条件下，BSBL在$42 \times 30$分辨率下识别率达65.50%，优于NN（68.00%）与SRC（89.00%）在低维条件下的表现。
• BSBL在所有测试条件下（包括噪声、遮挡与伪装）均保持最高识别率，展现出卓越的鲁棒性。
• 即使在低图像分辨率（如$6 \times 5$）下，BSBL的识别性能依然稳定且保持高水平，表明其具备强大的泛化能力。