Age-Invariant Face Recognition to Aid Visually Impaired People

  • Gonçalo Ferreira Neto UFPI
  • Rodrigo Veras UFPI
  • Kelson Aires UFPI
  • Laurindo Britto Neto UFPI

Resumo


Este trabalho propõem uma abordagem para auxiliar pessoas com deficiência visual no reconhecimento de pessoas independente da idade. O objetivo é desenvolver um sistema que utilize uma abordagem de reconhecimento facial, com foco na invariância na idade, que retorne bons resultados comparados aos resultados obtidos na revisão da literatura. A abordagem estudada utiliza Redes Neurais Convolucionais profundas CCNs, pré-treinadas pelo conjunto de dados VGGFace2, para extrair descritores de características de imagens de faces e classificar com o algoritmo de classificação Linear SVM. Como pode ser visto no decorrer do trabalho, a abordagem retornou 89,9% de acurácia, utilizando o conjunto de dados FG-NET, com 1002 imagens. E utilizando o conjunto de dados CACD, que contém 163.446 imagens divididas em quatro subconjuntos diferentes, três conjuntos para treino e um para teste, a abordagem retornou 85,2%, 82,4% e 88,2% de acurácia para cada modelo treinado com um conjunto de treinamento diferente.

Referências

Ali, A. S. O., Sagayan, V., Saeed, A. M., Ameen, H., and Aziz, A. (2015). Age-invariant face recognition system using combined shape and texture features. IET Biometrics, 4(2):98–115.

Babu, K. and Kunju, N. (2017). Cross age face recognition using deep learning model based on center symmetric lps. ICECDS, pages 1897–1900.

Barkan, O., Weill, J., Wolf, L., and Aronowitz, H. (2013). Fast high dimensional vector multiplication face recognition. In IEEE ICCV, pages 1960–1967.

Britto Neto, L., Grijalva, F., Maike, V. R. M. L., Martini, L. C., Florencio, D., Baranauskas, M. C. C., Rocha, A., and Goldenstein, S. (2017). A kinect-based wearable face recognition system to aid visually impaired users. IEEE THMS, 47(1):52–64.

Britto Neto, L., Maike, V. R. M. L., Koch, F. L., Baranauskas, M. C. C., Rocha, A., and Goldenstein, S. (2015). A wearable face recognition system built into a smartwatch and the visually impaired user. In ICEIS, pages 5–12. INSTICC, SciTePress.

Britto Neto, L. S. (2016). Sistemas Wearable baseados em Métodos de Visão Computacional para Auxiliar Pessoas com Deficiência Visual. PhD thesis, UNICAMP, Campinas.

Cao, Q., Shen, L., Xie, W., Parkhi, O. M., and Zisserman, A. (2018). Vggface2: A dataset for recognising faces across pose and age. In IEEE FG, pages 67–74.

Chen, B., Chen, C., and Hsu, W. H. (2015). Face recognition and retrieval using cross-age reference coding with cross-age celebrity dataset. IEEE Trans. Multi., 17(6):804–815.

Chen, B.-C., Chen, C.-S., and Hsu, W. H. (2014). Cross-age reference coding for ageinvariant face recognition and retrieval. ECCV, pages 768–783.

Essa, E. (2016). Sparse random encoder for age invariant face recognition. 2016 11th International Conference on Computer Engineering Systems (ICCES), pages 167–171.

Gong, D., Li, Z., Lin, D., Liu, J., and Tang, X. (2013). Hidden factor analysis for age invariant face recognition. 2013 IEEE ICCV, pages 2872–2879.

Gong, D., Li, Z., Tao, D., Liu, J., and Li, X. (2015). A maximum entropy feature descriptor for age invariant face recognition. IEEE CVPR, pages 5289–5297.

Hou, X., Ding, S., and Ma, L. (2016). Robust feature encoding for age-invariant face recognition. IEEE ICME, pages 1–6.

Joachims, T. (2006). Training linear svms in linear time. In ACM SIGKDD, KDD ’06, pages 217–226, New York, NY, USA. ACM.

Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. IJCAI, pages 1137–1143.

Li, Y., Wang, G., Lin, L., and Chang, H. (2015). A deep joint learning approach for age invariant face verification. In Zha, H., Chen, X., Wang, L., and Miao, Q., editors, Computer Vision, pages 296–305, Berlin, Heidelberg. Springer Berlin Heidelberg.

Li, Z., Park, U., and Jain, A. K. (2011). A discriminative model for age invariant face recognition. IEEE TIFS, 6(3):1028–1037.

Panis, G., Lanitis, A., Tsapatsoulis, N., and Cootes, T. F. (2016). Overview of research on facial ageing using the fg-net ageing database. IET Biometrics, 5(2):37–46.

Park, U., Tong, Y., and Jain, A. K. (2010). Age-invariant face recognition. IEEE TPAMI, 32(5):947–954.

Pirlo, G. and Impedovo, D. (2013). Cosine similarity for analysis and verification of static signatures. IET Biometrics, 2(4):151–158.

Ricanek, K. and Tesafaye, T. (2006). Morph: a longitudinal image database of normal adult age-progression. FGR, pages 341–345.

Somada, Y., Ohyama, W., and Wakabayashi, T. (2017). Segmented face image verification for age-invariant face recognition. ICIEV-ISCMHT, pages 1–4.

Sungatullina, D., Lu, J., Wang, G., and Moulin, P. (2013). Multiview discriminative learning for age-invariant face recognition. IEEE FG, pages 1–6.

Wen, Y., Li, Z., and Qiao, Y. (2016). Latent factor guided convolutional neural networks for age-invariant face recognition. IEEE CVPR, pages 4893–4901.

Yang, H., Huang, D., and Wang, Y. (2014). Age invariant face recognition based on texture embedded discriminative graph model. IEEE IJCB, pages 1–8.

Yi, D., Lei, Z., Liao, S., and Li, S. Z. (2014). Learning face representation from scratch. CoRR, abs/1411.7923.

Yu, J. and Jing, L. (2018). A joint multi-task cnn for cross-age face recognition. In 2018 25th IEEE International Conference on Image Processing (ICIP), pages 2411–2415.

Zhao, J., Cheng, Y., Cheng, Y., Yang, Y., Lan, H., Zhao, F., Xiong, L., Xu, Y., Li, J., Pranata, S., Shen, S., Xing, J., Liu, H., Yan, S., and Feng, J. (2018). Look across elapse: Disentangled representation learning and photorealistic cross-age face synthesis for age-invariant face recognition. CoRR, abs/1809.00338.

Zheng, T., Deng, W., and Hu, J. (2017). Age estimation guided convolutional neural network for age-invariant face recognition. IEEE CVPRW, pages 503–511.
Publicado
29/11/2021
Como Citar

Selecione um Formato
FERREIRA NETO, Gonçalo; VERAS, Rodrigo; AIRES, Kelson; BRITTO NETO, Laurindo. Age-Invariant Face Recognition to Aid Visually Impaired People. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 18. , 2021, Evento Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2021 . p. 95-106. ISSN 2763-9061. DOI: https://doi.org/10.5753/eniac.2021.18244.