[论文解读] Sample-Relaxed Two-Dimensional Color Principal Component Analysis for Face Recognition and Image Reconstruction

Meixiang Zhao, Zhigang Jia+1 more|arXiv (Cornell University)|Mar 10, 2018

Remote-Sensing Image Classification参考文献 1被引用 6

一句话总结

该论文提出了一种基于四元数的新型方法——样本松弛二维彩色主成分分析（SR-2DCPCA），通过自动生成的松弛向量引入类别特定的方差信息，从而在构建样本松弛的低维协方差矩阵并投影到对应前 r 个最大特征值的特征向量时，显著提升了人脸识别与图像重建性能。在真实的人脸数据库上，SR-2DCPCA 的识别准确率更高，且重建效率更优，优于当前最先进的方法。

ABSTRACT

A sample-relaxed two-dimensional color principal component analysis (SR-2DCPCA) approach is presented for face recognition and image reconstruction based on quaternion models. A relaxation vector is automatically generated according to the variances of training color face images with the same label. A sample-relaxed, low-dimensional covariance matrix is constructed based on all the training samples relaxed by a relaxation vector, and its eigenvectors corresponding to the $r$ largest eigenvalues are defined as the optimal projection. The SR-2DCPCA aims to enlarge the global variance rather than to maximize the variance of the projected training samples. The numerical results based on real face data sets validate that SR-2DCPCA has a higher recognition rate than state-of-the-art methods and is efficient in image reconstruction.

研究动机与目标

• 解决现有 2DCPCA 方法在忽略同一身份训练样本间类别特定方差方面的局限性。
• 通过在协方差矩阵构建过程中利用类内方差信息，提升人脸识别准确率。
• 开发一种方法，增强投影图像的全局方差，而不仅最大化训练样本的方差。
• 基于松弛协方差矩阵的低维投影，实现高效且准确的彩色图像重建。
• 整合四元数表示方法，以充分利用人脸图像中的空间与色彩结构，实现鲁棒性能。

提出的方法

• 通过应用基于相同标签训练样本方差生成的松弛向量，构建样本松弛的低维协方差矩阵。
• 基于具有相同标签的彩色人脸图像的类内方差，自动生成松弛向量。
• 将最优投影定义为松弛协方差矩阵中对应前 r 个最大特征值的特征向量。
• 使用四元数矩阵表示方法建模彩色图像，以单一数学框架保留空间与色度结构。
• 利用推导出的投影矩阵，将训练与测试图像投影到低维子空间，用于识别与重建。
• 通过使用相同的特征向量基底反向投影，从投影中重建原始彩色图像。

实验结果

研究问题

• RQ1 在二维彩色 PCA 框架中，引入标记训练样本的类内方差是否能提升人脸识别性能？
• RQ2 基于标签特定方差的松弛向量是否能带来比标准 2DCPCA 更好的泛化能力与更高识别准确率？
• RQ3 SR-2DCPCA 在识别率与计算效率方面与 PCA、CPCA、2DPCA 和 2DCPCA 相比如何？
• RQ4 SR-2DCPCA 能在多大程度上从低维投影中重建原始彩色人脸图像？
• RQ5 使用基于四元数的建模是否能同时提升彩色人脸分析中的识别与重建性能？

主要发现

• 在 Georgia Tech 人脸数据库上，当每人使用 13 张图像进行训练时，SR-2DCPCA 达到最高 95.0% 的识别率，优于 CPCA（87.0%）、2DPCA（88.0%）和 2DCPCA（92.0%）。
• 在同一数据库上，当每人使用 10 张训练图像时，SR-2DCPCA 的识别率为 85.2%，超过 2DCPCA（84.8%）和 2DPCA（83.2%）。
• SR-2DCPCA 平均仅需 2.16 毫秒识别单张人脸图像，显著快于 CPCA（23.80 毫秒），且与 2DPCA（0.06 毫秒）相当。
• 在彩色 FERET 数据库上，SR-2DCPCA 展现出更优的图像重建质量，其重建比率在所有特征脸数量（1 至 128）下均持续高于 2DCPCA。
• 随着特征脸数量的增加，SR-2DCPCA 与 2DCPCA 之间的重建比率差距也增大，表明 SR-2DCPCA 在子空间中能更好地保留图像能量。