ポーズの変動による顔認識と直交のプロクラスト回帰を介したミスアライメント

線形回帰ベースの方法は、顔認識コミュニティのホットトピックです。最近、顔認識のためのまばらな表現と共同表現ベースの分類器が提案され、大きな注目を集めています。ただし、既存の回帰分析ベースの方法のほとんどは、ポーズバリエーションに敏感です。この論文では、2Dフェイス画像にポーズバリエーションが存在するモデルとして、直交のプロクラスト問題（OPP）を紹介します。OPPは、変換された画像をもう1つに最適にするために、異なるポーズを持つ2つの画像間の最適な線形変換を求めています。OPPを回帰モデルに統合し、直交プロセスの回帰（OPR）モデルを提案します。線形変換が非常に非線形のポーズバリエーションを処理するのに適していないという問題に対処するために、さらに進歩的な戦略を採用し、積み重ねられたOPRを提案します。実用的なフレームワークとして、OPRは顔のアライメント、補正を加え、顔の表現を同時に処理できます。効率的な交互の繰り返しアルゴリズムを介して提案されたモデルを最適化し、CMU PIEデータベース、CMUマルチパイデータベース、LFWデータベースなどの3つの一般的なフェイスデータベースの実験結果は、提案された方法の有効性を示しています。

A linear regression-based method is a hot topic in face recognition community. Recently, sparse representation and collaborative representation-based classifiers for face recognition have been proposed and attracted great attention. However, most of the existing regression analysis-based methods are sensitive to pose variations. In this paper, we introduce the orthogonal Procrustes problem (OPP) as a model to handle pose variations existed in 2D face images. OPP seeks an optimal linear transformation between two images with different poses so as to make the transformed image best fits the other one. We integrate OPP into the regression model and propose the orthogonal Procrustes regression (OPR) model. To address the problem that the linear transformation is not suitable for handling highly non-linear pose variation, we further adopt a progressive strategy and propose the stacked OPR. As a practical framework, OPR can handle face alignment, pose correction, and face representation simultaneously. We optimize the proposed model via an efficient alternating iterative algorithm, and experimental results on three popular face databases, such as CMU PIE database, CMU Multi-PIE database, and LFW database, demonstrate the effectiveness of our proposed method.