[논문]아이겐공간에서 벡터 양자기를 이용한 얼굴인식

임동철; 이행세; 최태영

아이겐공간에서 벡터 양자기를 이용한 얼굴인식
Face Recognition using Vector Quantizer in Eigenspace 원문보기

電子工學會論文誌. Journal of the Institute of Electronics Engineers of Korea. SP, 신호처리, v.41 no.5 = no.299, 2004년, pp.185 - 192

임동철 (아주대학교 전자공학부) , 이행세 (아주대학교 전자공학부) , 최태영 (아주대학교 전자공학부)

초록
AI-Helper

본 논문은 얼굴의 아이겐공간에서 벡터 양자화 기법을 이용한 얼굴 인식을 제안한다. 아이겐페이스 방법의 문제점은 하나의 아이겐페이스로 얼굴의 다양한 변이를 표현하기에 부족하다는데 있다. 이러한 약점을 극복하기위해 제안된 방법은 아이겐페이스 공간에서 얼굴의 변이를 벡터 양자화 기법으로 군집화한다. 벡터 양자기는 학습과정을 통해 각 사람의 아이겐 페이스 집합을 양자화된 대표점들로 표현한다. 그리고 인식 과정을 통해 벡터 양자기는 얼굴 데이터 베이스에 저장된 대표점들과 입력된 얼굴 특징벡터와의 양자화 오차를 최소로 하는 대표점을 찾는다. 실험은 Faces94 데이터베이스에서 600장의 얼굴을 가지고 수행하였다. 실험 결과 기존의 아이겐페이스 방법은 최소 64개의 오인식을 하였고 제안된 방법은 코드북의 크기를 4개로 하였을 때 최소 20개의 오인식을 보였다. 결론적으로 제안된 방법은 얼굴의 변이를 수용하여 인식률을 향상시키는 효과적인 방법으로 사료된다.

Abstract ▼ AI-Helper

This paper presents face recognition using vector quantization in the eigenspace of the faces. The existing eigenface method is not enough for representing the variations of faces. For making up for its defects, the proposed method use a clustering of feature vectors by vector quantization in eigenspace of the faces. In the trainning stage, the face images are transformed the points in the eigenspace by eigeface(eigenvetor) and we represent a set of points for each people as the centroids of vector quantizer. In the recognition stage, the vector quantizer finds the centroid having the minimum quantization error between feature vector of input image and centriods of database. The experiments are performed by 600 faces in Faces94 database. The existing eigenface method has minimum 64 miss-recognition and the proposed method has minimum 20 miss-recognition when we use 4 codevectors. In conclusion, the proposed method is a effective method that improves recognition rate through overcoming the variation of faces.

주제어

참고문헌 (16)

J. Zang, Y. Yan, and M. Lades, 'Face recognition: Eigenface, elastic matching, and neural nets,' Proc. IEEE, vol. 85, no. 9, pp. 1423-1435, 1997

상세보기
R. Chellappa, C.Wilson, and S.Sirohey, 'Human and machine recognition of faces: A survey.'Proc. IEEE, Vo1. 83, pp. 705-740, May 1995

상세보기
M. A. Turk and A. P. Pentland, 'Face recognition using eigenfaces,' IEEE Computer Society Conference on Computer Vision and Pattern Recognition 1991, pp. 586-591, Jun. 1991
N. Kambhatla and T. K. Leen, 'Dimension reduction by local principal component analysis,' Neural Computation, vol. 11, no. 2, pp. 1493-1516, 1997

상세보기
Tipping, M., Bishop, C., 1999. Mixtures of probabilistic principal component analyzers. Neural Computation, 11, 443-482

상세보기
H. C. Kim, D. Kim, S. Y. Bang, 'Face recognition using the mixture-of-eigenface method,' Pattern Recognition Letters, Vol.23, pp.1549-1558, 2002

상세보기
D. S. Turaga and R. Chen, 'Face recognition using mixtures of principal components,' Proceedings. 2002 International Conference on Image Processing., vol. 2, pp. 101-104, Sept. 2002
R. M. Gray and D. L. Neuhoff, 'Quantization,' IEEE Trans. on Information Theory, vol. 44, no. 6, pp. 2325-2383, Oct. 1998

상세보기
Y. Linde, A.Buzo, and R.M.Gray, 'An algorithm for vector quantizer design, ' IEEE Trans. Commun, Vol. COM-28, pp. 84-95, January 1980

상세보기
K. Etemad and R. Chellappa, 'Discriminant Analysis for Recognition of Human Face Images,' J. Optical Soc. Am. A, vol. 14, pp. 1,724-1,733, 1997

상세보기
E. Oja, 'Neural networks, principal components and subspaces,' International Journal of Neural Systems, vol. 1, pp. 61-68, 1989

상세보기
S. Y. Kung and K. I. Diamantaras, 'A neural network learning algorithm for adaptive principal component extraction (APEX),' Proc. of the IEEE ICASSP, pp. 861-864, 1990
T. Cox and M. Cox, Multidimensional Scaling, Chapman and Hall, London 1994
S. T. Roweis and L. K. Saul, 'Nonlinear dimensionality reduction by locally linear embedding,' Science, vol. 290, pp. 2323-2326, Dec. 2000

상세보기
T. Hastie and W. Stuetzle, 'Principal curves,' Journal of the American Statistical Association, vol. 84, pp. 502-516, 1989

상세보기
A.Martinez and A.Kak: 'PCA versus LDA', IEEE Trans. On PAMI, 23(2):228-233, 2001

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

아이겐공간에서 벡터 양자기를 이용한 얼굴인식
Face Recognition using Vector Quantizer in Eigenspace 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

아이겐공간에서 벡터 양자기를 이용한 얼굴인식 Face Recognition using Vector Quantizer in Eigenspace 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

임동철 (4) 이행세 (28) 최태영 (25)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

아이겐공간에서 벡터 양자기를 이용한 얼굴인식
Face Recognition using Vector Quantizer in Eigenspace 원문보기

초록
AI-Helper