Abstract
Recent research has demonstrated the negative impact of makeup on automated face recognition. In this work, we introduce a patch-based ensemble learning method, which uses multiple subspaces generated by sampling patches from before-makeup and after-makeup face images, to address this problem. In the proposed scheme, each face image is tessellated into patches and each patch is represented by a set of feature descriptors, viz., Local Gradient Gabor Pattern (LGGP), Histogram of Gabor Ordinal Ratio Measures (HGORM) and Densely Sampled Local Binary Pattern (DS-LBP). Then, an improved Random Subspace Linear Discriminant Analysis (SRS-LDA) method is used to perform ensemble learning by sampling patches and constructing multiple common subspaces between before-makeup and after-makeup facial images. Finally, Collaborative-based and Sparse-based Representation Classifiers are used to compare feature vectors in this subspace and the resulting scores are combined via the sum-rule. The proposed face matching algorithm is evaluated on the YMU makeup dataset and is shown to achieve very good results. It outperforms other methods designed specifically for the makeup problem
چکیده
تحقیقات اخیر، تاثیر منفی آرایش بر روی تشخیص چهره خودکار را نشان می دهند. در این کار، ما یک روش یادگیری کلی مبتنی بر patch (تکه) را نشان می دهیم که از زیرفضاهای متعدد تولید شده توسط تکه های نمونه برداری شده از تصاویر چهره قبل از آرایش و بعد از آرایش، برای رسیدگی به این مشکل، استفاده می کند. در طرح پیشنهادی، هر تصویر چهره در تکه هایی به صورت موزاییکی قرار گرقته و هر تکه توسط مجموعه ای از توصیف گرهای ویژگی، یعنی، الگوی گابور گرادیان محلی (LGGP)، هیستوگرام اقدامات نسبت ترتیبی گابور (HGORM) و الگوی دودویی محلی نمونه برداری شده به صورت متراکم (DS-LBP) ارائه شده است. سپس، یک روش تحلیل مشخص خطی فضای تصادفی بهبودیافته (SRS-LDA) برای انجام یادگیری کلی با نمونه برداری تکه ها و ساخت زیرفضاهای مشترک متعدد بین تصاویر چهره قبل از آرایش و بعد از آرایش استفاده شده است. درنهایت، طبقه بندی های مبتنی بر پراکندگی و مبتنی بر همکاری برای مقایسه ی بردارهای ویژگی در این زیرفضا استفاده شده اند و نمرات حاصل از طریق قاعده ی جمع، ترکیب شده اند. الگوریتم تطبیق چهره ی پیشنهادی بر روی مجموعه داده ی آرایش YMU ارزیابی شده است و برای دستیابی به بسیایر از نتایج خوب نشان داده شده است. آن بهتر از سایر روش های طراحی شده برای مشکل آرایش است.
1-مقدمه
تشخیص چهره ی خودکار در یک طیف گسترده ای از برنامه های کاربردی مانند احرازهویت شخصی، نظارت تصویری، برچسب زدن تصویر و تعامل انسان با کامپیوتر، اتخاذ شده است. سیستم های تشخیص چهره ی خودکار، یک فرد را با استخراج مجموعه ی متمایز ویژگی ها از یک تصویر چهره ی ورودی و با مقایسه ی این مجموعه ویژگی با قالب ذخیره شده در یک پایگاه داده، شناسایی می کنند...