Comparative analysis of classifiers for face recognition on image fragments identified by the FaceNet neural network

Abstract

As a result of the analysis of the literature, the based methods of face recognition on fragments of color images were identified. These are flexible comparison in graphs, hidden Markov models, principal component analysis, and neural network methods. The analyzed methods of face recognition are mainly characterized by significant computational costs and low recognition performance. An exception is the neural network methods of face recognition, which, after completing the training, make it possible to obtain a high recognition performance at low computational costs. However, when changing the prototype images of faces, it often becomes necessary to redefine the network architecture and retrain the network. The specificity of neural network methods is also the complexity of selecting the network architecture and its training. Such papers are devoted to the use of neural networks only for extraction of feature vectors of face images. The classification of the obtained feature vectors is then performed by known methods, namely, thresholding, a linear support vector machine, nearest neighbors, random forest. It has been observed that the lighting conditions in which the images were obtained and the turning of the head affect the shape of the separating surface and can decrease the feature vector classification performance for face images. Therefore, to improve the classification performance, it was decided to use correlation for prototype matching, a non-linear support vector machine and logistic regression. The performed experiment showed that correlation for prototype matching of low-light face images is characterized by higher classification performance compared to the thresholding. Moreover, the use of the Pearson and Spearman correlation coefficients showed similar results, and when using the Kendall correlation coefficient, the worst classification performance was obtained compared to the Pearson and Spearman coefficients. The research of the classification performance of images of faces that differ in head turn using correlation for prototype matching, a non-linear support vector machine and logistic regression showed the following. Correlation for prototype matching is more appropriate to use with small amounts of data due to the high classification performance and low computational complexity, since a small amount of data does not require a significant number of comparisons. However, on large amounts of data, the non-linear support vector machine requires less computation and shows similar classification performance. Using the results of the experiment, the researcher can select classification methods for a specific set of face images, preliminarily representing them with feature vectors using the network FaceNet.

В результаті аналізу літератури були виділені основні методи розпізнавання обличь на фрагментах кольорових зображень: гнучке порівняння на графах, приховані марківські моделі, аналіз головних компонентів, нейромережеві методи. Проаналізовані методи розпізнавання обличь, відомі з літератури, в основному характеризуються значними обчислювальними витратами та невисокою якістю розпізнавання. Винятком є нейромережеві методи розпізнавання обличь, які після завершення навчання дозволяють отримати високу якість розпізнавання при малих обчислювальних витратах. Однак при зміні еталонних зображень обличь часто виникає необхідність довизначення архітектури мережі та перенавчання мережі. Особливостями нейромережевих методів є складність вибору архітектури мережі та її навчання. Ряд робіт присвячено використанню нейронних мереж лише для побудови векторів ознак зображень обличь. Класифікація отриманих векторів ознак виконується відомими методами: порівнянням з порогом, лінійною машиною опорних векторів, найближчих сусідів, випадковим лісом. Було помічено, що умови освітлення, в яких отримані зображення, і поворот голови впливають на форму поверхні, що розділяє, і можуть погіршити якість класифікації векторів ознак для зображень обличь. Тому для підвищення якості класифікації вирішено використовувати кореляційне зіставлення з еталоном, нелінійну машину опорних векторів і логістичну регресію. Проведений експеримент показав, що кореляційне зіставлення з еталоном в умовах поганого освітлення зображень осіб відрізняється вищими значеннями показників якості класифікації порівняно з пороговим класифікатором. Причому застосування коефіцієнтів кореляції Пірсона та Спірмена показало подібні результати, а при використанні коефіцієнта кореляції Кенделла було отримано гірші значення показників якості класифікації порівняно з коефіцієнтами Пірсона та Спірмена. Дослідження якості класифікації зображень обличь, що відрізняються поворотом голови, із застосуванням кореляційного зіставлення з еталоном, нелінійної машини опорних векторів та логістичної регресії показало наступне. Кореляційне зіставлення з еталоном більш доцільно використовувати при малих обсягах даних завдяки високій якості класифікації та невеликій обчислювальній складності, оскільки малий обсяг даних вимагає великої кількості порівнянь. Однак на великих обсягах даних нелінійна машина опорних векторів вимагає меншої кількості обчислень і показує схожу якість класифікації. Використовуючи результати проведеного експерименту, дослідник може вибрати методи класифікації для конкретного набору зображень обличь, попередньо представивши їх векторами ознак за допомогою мережі FaceNet.