第六章 系統實驗與分析
6.4 實驗結果與分析
Banca 的人臉資料庫每個人有多張影像，而且男女比例也非常平均，背景變 化也非常多，使用此資料庫可以驗證演算法對於背景複雜的場景，是否有相當的 容忍性。而 Yale 人臉資料庫雖然人數較少，但是每人多張的影像當中，包含了 不同光影變化、表情以及有無戴眼鏡等不同條件所拍攝的影像，可以驗證演算法 對於同一個人在不同光影環境或是外觀表情的變化下是否有相當的容忍性。Feret 人臉資料庫的人數相當龐大，每個人也有相當多的影像張數。它是這三個資料庫 當中最常被拿來實驗的人臉資料庫，其中的原因除了人數眾多以外，Feret 資料 庫中還包含了不同角度和不同時間所拍攝的人臉影像，因此相當具有代表性。由 於本論文提出的人臉辨識演算法包含了兩個階段，其中第一階段採用 WLVP 模 組從所有註冊的人當中來篩選出 M 個相似候選者，而第二階段以雙向辨識模組 從 M 個相似候選者當中來產生最終的辨識結果。為了驗證所提人臉辨識演算法 的有效性，本論文執行了四項實驗。
39
6.4.1 實驗一
在文獻[10]中有提到在人臉辨識上二階 LVP 特徵轉換效果優於一階 LVP 特 徵轉換，因此本實驗是採用二階 LVP 特徵轉換來進行實驗測試。實驗一是針對 LVP 特徵擷取演算法進行的效能比較，希望可以透過此實驗驗證 LVP 特徵轉換 方法透過權重的輔助(即 WLVP)可以有效的提升辨識率。在本實驗中我們將分別 使用 LVP、WLVP、LVP+GDA 以及 WLVP+GDA 等特徵進行辨識，並比較它們 的辨識結果。在此 LVP+GDA 代表針對 LVP 特徵進行 GDA 降維運算，再以降維 後的特徵來進行辨識;而 WLVP+GDA 也是進行相同的運算。本實驗選用 GDA 特 徵降維演算法的理由是因為它比起其它特徵降維演算法(例如 PCA 和 LDA)具有 更好的辨識效果。本實驗的結果顯示於表格 6-1，根據其中的數據可以發現兩項 結論。第一項是因為 LVP+GDA、WLVP 和 WLVP+GDA 的辨識效果都比 LVP 好，所以表示使用額外的輔助演算法(如 GDA 降維運算與權重式機制)可以提升 LVP 特徵的辨識能力。第二項是因為在 LVP+GDA、WLVP 和 WLVP+GDA 當中 WLVP 得到最高的辨識結果，這表示本論文所設計的權重機制對於人臉辨識相當 有效。WLVP+GDA 的辨識結果竟然不如 WLVP，這可能是因為 GDA 需要有較 多的訓練樣本來統計各類別內的差異，但本實驗所使用的 Banca 和 Yale 資料庫 中每個人只使用兩張影像當作訓練樣本，而 Feret 資料庫中每個人只使用一張影 像當作訓練樣本，因此並沒有辦法有效地計算出這三套資料庫的類別內差異統計 量所致。
40
表格 6-1、LVP 使用權重與 GDA 之辨識實驗結果 Banca Feret Yale
Fb Dup1
LVP 87.78 88.23 84.46 87.88 LVP+GDA 89.12 90.29 86.99 90.00 WLVP
90.99 91.26 87.66 91.23
WLVP+GDA 89.69 90.44 86.73 90.646.4.2 實驗二
實驗二的目的有三個，第一個是要驗證兩階段的辨識是否比只使用單一階段 的辨識效果更好;第二個是要針對雙向辨識模組使用不同的幾何模型和未使用幾 何模型的辨識結果進行比較，以得到哪一種幾何模型在人臉辨識上具有最好的辨 識效果。第三個是驗證雙向辨識比起使用單方辨識，是否能夠擁有更佳的辨識能 力。為了達到這些目的，在本實驗中我們會比較好幾種測試，包含(1)WLVP、
(2)WLVP+BR( 未 使 用 幾 何 模 型 ) 、 (3)WLVP+BR( 使 用 索 引 幾 何 ) 、 (4)WLVP+BR( 使 用 最 長 幾 何 ) 、 (5)WLVP+BR( 使 用 全 域 性 幾 何 ) 、 (6)WLVP+BR( 使 用 全 域 的 順 向 ) 以 及 (7)WLVP+BR( 使 用 全 域 的 逆 向 ) 。 在 此 WLVP+BR(使用索引/最長/全域性幾何模型)代表使用 WLVP 特徵來篩選相似 候選人後，再使用具有幾何模型的 BR(雙向辨識模組)進行辨識，而其辨識分數 S 的計算方式如下
𝑆 = 𝐴𝑀𝐷 × 𝐺𝐷
其 中 AMD 為 特 徵 點 的 平 均 匹 配 差 異 ， GD 為 幾 何 模 型 的 變 化 量 。 至 於 WLVP+BR(未使用幾何模型)，則是在 BR 中不採用幾何模型而只採用特徵點的 平均匹配差異來進行辨識，其辨識分數𝑆′的計算方式為
𝑆′ = 𝐴𝑀𝐷
41
實驗結果如表格 6-2 所示，與 WLVP 相比，可以看出無論有無使用幾何模型 的 WLVP+BR 均能得到更好的辨識結果，也就是說，本論文所設計的兩階段人 臉辨識確實比只使用單一階段的辨識效果更好。另外，我們也很清楚地看出幾何 模型資訊能夠提升人臉辨識率，特別是全域性幾何模型可達到非常優異的辨識正 確率。因此本論文後續實驗的雙向辨識模組(BR)皆採用全域性幾何模型，來計算 幾何結構差異。接著可以觀察到 WLVP+BR(使用全域的順向/逆向)所得到的單向 辨識率均低於使用雙向辨識機制 WLVP+BR(全域性幾何模型)的辨識率，這驗證 了雙向辨識的機制比起單向辨識，在人臉辨識的應用上可以擁有更好的辨識效 能。
表格 6-2、雙向辨識模組中分別使用三種幾何模型結構的辨識率實驗結果 Banca Feret Yale
Fb Dup1
WLVP 辨識模組 90.99 91.26 87.66 91.23 WLVP+BR(沒使用幾何模型) 91.59 92.39 88.11 92.93 WLVP+BR(索引幾何模型) 92.34 93.13 89.47 94.14 WLVP+BR(最長幾何模型) 95.35 96.23 92.43 97.76 WLVP+BR(全域性幾何模型)
99.98 99.59 95.12 100
WLVP+BR(使用全域的順向) 94.91 94.76 91.21 97.15 WLVP+BR(使用全域的逆向) 94.23 94.11 90.99 96.896.4.3 實驗三
實驗三的主要目的是藉由比較本論文所提出的人臉辨識方法與其它具有優異辨 識效能的方法(EBGM 和 POEM)，以進一步了解本論文方法在人臉辨識領域的 辨識水準。由於 EBGM 並不包含 Banca 和 Yale 資料庫的實驗，因此本實驗僅採 用 Feret 當作效能比較的資料庫，但是 EBGM 並未包含 Dup1 類別的實驗數據，
所以數據欄位將顯示空白。另外，本實驗也會以常用的 LBP 特徵來進行雙向辨
42
識，並將其辨識結果當作比較參考。根據表格 6-3 可以發現兩項結論，第一項是 WLVP+BR 比 EBGM 和 POEM 有更好的辨識效果，因為在 Fb 的測試上，
WLVP+BR 的辨識率大約有 1.5%的領先幅度，而在 Dup1 的測試上，WLVP+BR 的辨識率更是大幅領先 POEM，有超過 15%的領先幅度。第二項是 WLVP+BR 比 WLBP+BR 具有更好的人臉辨識能力，因為在 Fb 或 Dup1 的測試上，WLVP+BR 的辨識率分別有 5.11%與 4.71%的領先幅度，這表示 LVP 特徵比 LBP 特徵擁有 更多具有鑑別性的臉部紋理之詳細特徵。
表格 6-3、WLVP+BR 與其他方法的實驗結果 Feret
Fb Dup1 WLBP+BR 94.48 90.41 WLVP+BR
99.59 95.12
POEM 98.1 79.6 EBGM 986.4.4 實驗四
上述實驗的雙向辨識都只參考區域差異性分數作為最後的辨識判斷依據，並 未參考整體性的差異性分數。因此本實驗將會在雙向辨識中參考第一階段的整體 差異性分數，我們期盼這樣的綜合結果可以除了考慮區域特徵差異性之外，能夠 再綜合整體性的特徵差異性，透過綜合這兩個特徵差異性的分數，能夠讓辨識率 有效的提升。原來只參考區域特徵差異性分數的判斷式子如下
𝑖∗ = 𝑎𝑟𝑔 𝑚𝑖𝑛
𝑖=1,⋯𝑀𝐿𝑖
綜合第一階段第 i 個相似候選人整體性的特徵差異性分數𝑓𝑖之後，接著選取擁有 最小差異分數的候選人來作為最後的辨識結果，即
𝑖∗= 𝑎𝑟𝑔 𝑚𝑖𝑛
𝑖=1,⋯𝑀(𝐿𝑖× 𝑓𝑖)
43
此時，𝑖∗即代表測試影像的辨識結果。根據表格 6-4 的實驗結果可以得到一項結 論，就是在雙向辨識中除了參考區域特徵的差異分數外，綜合第一階段辨識的整 體性特徵的差異分數，確實可以有效的提升辨識系統的鑑別能力。這正是我們所 預期的結果，因為整體性特徵所表現的特徵差異性，未必會出現在區域性的特徵 差異上，因此綜合整體與區域特徵差異性的分數，確實可以得到更全面的特徵差 異細節與資訊。
表格 6-4、整體分數與區域分數的實驗結果
Banca Feret Yale Fb Dup1
WLVP+BR(整體分數+區域分數)