Kanonik Korelasyon Analizi ile Düşük Çözünürlüklü Görüntülerden Yüz Tanıma

Öz

Yüz tanıma problemi uzun yıllardır üzerinde çalışılan bir problemdir. Buna karşılık tanınmak istenen kişiye ait fotoğraf düşük çözünürlükte olduğunda problem zorlaşmakta ve standart yüz tanıma yöntemleri başarılı sonuçlar vermekten uzaklaşmaktadır. Bu makalede, güvenlik ve kriminal çalışmalarda karşılaşılan; düşük çözünürlükteki fotoğraflardan yüz tanıma için yenilikçi bir yaklaşım sunulmuştur. Kanonik Korelasyon Analizi (CCA) temeline dayanan bu yöntem yüksek çözünürlükteki (HR) ve düşük çözünürlülükteki (LR) fotoğrafların yeni bir ara uzayda birbirleri ile en yüksek korelasyon gösterecek şekilde dönüştürülmesi esasına dayanmaktadır. Her iki çözünürlükteki fotoğrafların Temel Bileşen Analizi (PCA) yapıldıktan sonra; seçilen öznitelikler CCA kullanılarak oluşturulan ara uzayda tanıma için kullanılmıştır.Yöntemin performansı iki farklı uygulama ile gösterilmiştir. Birinci uygulamada 40 kişi ve herbirine ait 10 farklı açıdan çekilmiş 400 HR fotoğraflar ile bunların LR görüntüleri kullanılmıştır. İkinci uygulamada ise 123 kişiye ait HR fotoğraflar ve bunların LR görüntüleri kullanılmıştır. Önerilen yöntem ile yapılan tanıma sonrasında başarılı sonuçlar elde edilmiştir.

Anahtar Kelimeler

• Yüz tanıma, CCA, Video gözleme, Düşük çözünürlüklü görüntü

Face Recognition from Low Resolution Images Using Canonical Correlation Analysis

Öz

In this paper, we present a novel framework for face recognition from low resolution face photos. Our framework is based on Principle Component Analysis (PCA) and Canonical Correlation Analysis (CCA). First, we apply PCA to dataset for dimension reduction and then, apply CCA for reaching maximum correlation between datasets. This approach is tested on two different dataset including 400 and 123 HR-LR photo pairs. The average performance reached 96.5% recognition rate on these experiments.

Anahtar Kelimeler

• face recognition, CCA, video surveillance, low resolution image

Kaynakça

1. [1] W. Zou and P. Yuen, “Very low resolution facerecognition problem,” in Biometrics: Theory Applications and Systems (BTAS), 2010 Fourth IEEE International Conference on, 2010, pp. 1–6.
2. [2] Y. M. Lui, D. Bolme, B. Draper, J. Beveridge,G. Givens, and P. Phillips, “A metaanalysis of face recognition covariates,” in Biometrics: Theory, Applications, and Systems, 2009. BTAS ’09. IEEE 3rd International Conference on, 2009, pp. 1–8
3. [3] B. Li, H. Chang, S. Shan, and X. Chen, “Lowresolution face recognition via coupled locality preserving mappings,” Signal Processing Letters, IEEE, vol. 17, no. 1, pp. 20–23, 2010.
4. [4] W. T. Freeman and E. C. Pasztor, “Learning lowlevel vision,” International Journal of Computer Vision, vol. 40, p. 2000, 2000.
5. [5] M. Elad and A. Feuer, “Super-resolution reconstruction of image sequences,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 21, pp. 817–834, 1999.
6. [6] P. Hennings-Yeomans, S. Baker, and B. Kumar, “Simultaneous super-resolution and feature extraction for recognition of lowresolution faces,” in Computer Vision and Pattern Recognition, 2008. CVPR 2008. IEEE Conference on, 2008, pp. 1–8.
7. [7] S. Biswas, E. Ortiz, and K. Bowyer, “Multidimensional scaling for matching lowresolution face images,”Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 34, no. 10, pp. 2019– 2030, 2012.
8. [8] J. Wright, A. Yang, A. Ganesh, S. Sastry, and Y. Ma, “Robust face recognition via sparse representation,”Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 31, no. 2, pp. 210–227, 2009.

9. [9] Y.-O. Li, T. Adali, W. Wang, and V. D. Calhoun, “Joint blind source separation by multiset canonical correlation analysis,” Trans. Sig. Proc., vol. 57, no. 10, pp. 3918–3929, Oct. 2009.
10. [10] H. Hotelling, “Relations Between Two Sets of Variates,” Biometrika, vol. 28, no. 3/4, pp. 321– 377, 1936.
11. [11] L. Sun, S. Ji, and J. Ye, “A least squares formulation for canonical correlation analysis,” in Proceedings of the 25th international conference on Machine learning, ser. ICML ’08. New York, NY, USA: ACM, 2008, pp. 1024–1031.
12. [12] M. Borga, “Learning Multidimensional Signal Processing,” Linköping Studies in Science and Technology. Dissertations No. 531, Linköping University, Sweden, 1998.
13. [13] M. Turk and A. Pentland, “Eigenfaces for recognition,” J. Cognitive Neuroscience, vol. 3, no. 1, pp. 71–86, Jan. 1991.
14. [14] F. S. Samaria and A. C. Harter, “Parameterisation of a stochastic model for human face identification,” in Applications of Computer Vision, 1994., Proceedings of the Second IEEE Workshop on, 1994, pp. 138– 142.
15. [15] A. Martinez and R. Benavente, “The ar face database,” in CVC Tech. Report #24, 1998.