3D face registration using multiple average models

Abstract

Sıkça kullanılan biyometrik yöntemlerden biri olan 3B yüz tanımanınbaşarımı, büyük ölçüde kayıtlamanın doğruluğuna bağlıdır. Buçalışmada kayıtlama yöntemlerini inceledik. Kayıtlama, yüzyüzeylerinin hizalanmasını sa?layarak karşılaştırma yapmayı mümkünkılar. Literatürde en iyi sonuçlar, bir test yüzünün tüm galeriyüzleriyle ayrı ayrı hizalanmasına dayanan birden-tüme kayıtlamayaklaşımıyla elde edilmektedir. Ancak bu yöntemin zaman karmaşıklığıçok yüksektir. Bu sorunu aşmak için, ortalama yüz modeline dayalıkayıtlama yöntemlerini inceledik. Ortalama yüz modeli oluşturmakiçin daha başarılı bir yöntem önerdik. Ortalama yüz modeli tabanlıkayıtlamayı geliştirmek için, yüzleri gruplayarak kategoriye aitortalama modeller ile kayıtlama yapmayı önerdik. şekil uzayındatopaklama sonucu oluşan gruplarla, morfoloji ve cinsiyet bilgisinedayanan grupları karşılaştırdık. Topaklama sonucu, morfoloji vecinsiyete dayalı grupla?manın da varolduğunu gördük. Ortalama yüzmodeline dayalı kayıtlama sayesinde, kayıtlama sonrasında derinlikdeğerlerinin eşit aralıklı örneklenmesi mümkün oldu. Bu yöntem, hemtanıma başarımında hem de karşılaştırma hızında artış sağladı. Yüzuzayında çeşitliliğe neden olan diğer bir etken olarak ifadeyiinceledik. Kayıtlama ve tanıma başarımlarında düşüşe neden olanifadenin etkisini azaltmak için, bölgesel modellerle kayıtlamayapmayı önerdik. Bu nedenle yüzü anlamlı bölgelere bölerek, her birbölge için ayrı bir ortalama bölge modeli elde ettik. Her bir bölgemodeliyle ayrı ayrı kayıtlama yaparak, bölgesel tanıma sonuçlarınıinceledik. İfade değişimlerinden daha az etkilenmesine rağmen, burunya da göz çevresi bölgesinin tek başına yeterli olmadığını ve tümbölgelerin kullanımının tanıma başarımını arttırdığını gördük. Bunedenle bölgesel kayıtlama sonuçlarını tümleştirme yöntemleriylebirleştirerek, tanıma performansını arttırdık.

Three dimensional (3D) face recognition is a frequently usedbiometric method and its performance is substantially dependent onthe accuracy of registration. In this work, we explore registrationtechniques. Registration aligns two faces and make a comparisonpossible between the two surfaces. In the literature, best resultshave been achieved by a one-to-all approach, where a test face isaligned to each of the gallery faces separately. Unfortunately, thecomputational cost of this approach is high. To overcome thecomputational bottleneck, we examine registration based on anAverage Face Model (AFM). We propose a better method for theconstruction of an AFM. To improve the registration, we propose togroup faces and register with category-specific AFMs. We compare thegroups formed by clustering in the face space with the groups basedon morphology and gender. We see that gender and morphology classesexist, when faces are categorized with the clustering approach. As aresult of registering via an AFM, it is possible to apply regularre-sampling on the depth values. With regular re-sampling,improvements in recognition performance and comparison time wereobtained. As another factor causing diversity in the face space, weexplore expression variations. To reduce the negative effect ofexpression in registration and recognition, we propose aregion-based registration method. We divide the facial surface intoseveral logical segments, and for each segment we create an AverageRegion Model (ARM). Registering via each ARM separately, we examineregional recognition performance. We see that even though someregions such as nose or eye area are less affected by expressionvariations, no single region is sufficient by itself and the use ofall regions is beneficial in recognition. We experiment with severalfusion techniques to combine results from individual regions andobtain performance increase.