본 논문에서는 고유얼굴을 이용한 얼굴인식 시스템의 성능을 분석한다. 개인의 신분을 확인하는 시스템의 단점을 보완하기 위하여 최근 생체인식 기술이 활발하게 연구되어오고 있으며, 그 중에서도 얼굴인식은 직관적인 이해가 가능하기 때문에 컴퓨터 비전과 패턴인식 분야에서 폭 넓게 연구되고 있다. 고유얼굴을 이용한 얼굴인식 방법은 훈련집합의 얼굴 이미지의 중요한 변화를 효율적으로 표현하는 특징 공간으로 투영시키면서 이루어진다. 여기서 특징 공간에 투영된 얼굴 이미지의 특징을 고유얼굴이라 한다. 개개의 얼굴 이미지는 고유얼굴의 가중함으로 근사화 되므로, 입력 얼굴의 인식은 훈련집합의 가중치와 입력 영상의 가중치를 비교하면서 이루어진다. 본 논문에서는 고유얼굴을 이용한 얼굴인식 방법의 성능을 검증하기 위해서 Harvard 데이터베이스를 이용하였으며, 시스템의 성능 분석을 위하여 조명에 대한 인식성능의 변화, 사용한 고유얼굴의 수에 대한 인식률의 변화, 전처리를 통하여 얻을 수 있는 인식률의 변화, 인식 거부 곡선을 통하여 시스템의 실제 적용 가능성에 대한 실험을 수행하고 결과를 분석한다.
본 논문에서는 고유얼굴을 이용한 얼굴인식 시스템의 성능을 분석한다. 개인의 신분을 확인하는 시스템의 단점을 보완하기 위하여 최근 생체인식 기술이 활발하게 연구되어오고 있으며, 그 중에서도 얼굴인식은 직관적인 이해가 가능하기 때문에 컴퓨터 비전과 패턴인식 분야에서 폭 넓게 연구되고 있다. 고유얼굴을 이용한 얼굴인식 방법은 훈련집합의 얼굴 이미지의 중요한 변화를 효율적으로 표현하는 특징 공간으로 투영시키면서 이루어진다. 여기서 특징 공간에 투영된 얼굴 이미지의 특징을 고유얼굴이라 한다. 개개의 얼굴 이미지는 고유얼굴의 가중함으로 근사화 되므로, 입력 얼굴의 인식은 훈련집합의 가중치와 입력 영상의 가중치를 비교하면서 이루어진다. 본 논문에서는 고유얼굴을 이용한 얼굴인식 방법의 성능을 검증하기 위해서 Harvard 데이터베이스를 이용하였으며, 시스템의 성능 분석을 위하여 조명에 대한 인식성능의 변화, 사용한 고유얼굴의 수에 대한 인식률의 변화, 전처리를 통하여 얻을 수 있는 인식률의 변화, 인식 거부 곡선을 통하여 시스템의 실제 적용 가능성에 대한 실험을 수행하고 결과를 분석한다.
This paper analyzes the performance of a face recognition algorithm using the eigenfaces method. In the absence of robust personal recognition schemes, a biometric recognition system has essentially researched to improve their shortcomings. A face recognition system in biometries is widely researche...
This paper analyzes the performance of a face recognition algorithm using the eigenfaces method. In the absence of robust personal recognition schemes, a biometric recognition system has essentially researched to improve their shortcomings. A face recognition system in biometries is widely researched in the field of computer vision and pattern recognition, since it is possible to comprehend intuitively our faces. The proposed system projects facial images onto a feature space that effectively expresses the significant variations among known facial images. The significant features are known as 'eigenfaces', because they are the eigenvectors(principal components) of the set of faces. The projection operation characterizes an individual face by a weighted sum of the eigenface features, and to recognize a particular face it is necessary only to compare these weights to those of known individuals. In order to analyze the performance of the system, we develop a face recognition system by using Harvard database in Harvard Robotics Laboratory. We present the recognition rate according to variations on the lighting condition, numbers of the employed eigenfaces, and existence of a pre-processing step. Finally, we construct a rejection curve in order to investigate the practicability of the recognition method using the eigenfaces.
This paper analyzes the performance of a face recognition algorithm using the eigenfaces method. In the absence of robust personal recognition schemes, a biometric recognition system has essentially researched to improve their shortcomings. A face recognition system in biometries is widely researched in the field of computer vision and pattern recognition, since it is possible to comprehend intuitively our faces. The proposed system projects facial images onto a feature space that effectively expresses the significant variations among known facial images. The significant features are known as 'eigenfaces', because they are the eigenvectors(principal components) of the set of faces. The projection operation characterizes an individual face by a weighted sum of the eigenface features, and to recognize a particular face it is necessary only to compare these weights to those of known individuals. In order to analyze the performance of the system, we develop a face recognition system by using Harvard database in Harvard Robotics Laboratory. We present the recognition rate according to variations on the lighting condition, numbers of the employed eigenfaces, and existence of a pre-processing step. Finally, we construct a rejection curve in order to investigate the practicability of the recognition method using the eigenfaces.
A. K. Jain, A. Ross, S. Prabhakar, 'An Introduction to Biometric Recognition,' IEEE Transactions on Circuits and Systems for Video Technology, vol. 14, No. 1, January 2004
A. Samal and P. Iyengar, 'Automatic Recognition and Analysis of Human Faces and Facial Expressions: A Survey,' Pattern Recognition, vol. 25, pp. 65-77, 1992
T. Kanade, Computer Recognition of Human Faces, Basel and Stuttgart: Birkhauser, 1997
M. Kirby and L. Sirovich, 'Application of the Karhenen-Loeve Procedure for the characterization of human faces,' IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 12, 1990
M. Turk and A. Pentland, 'Eigenfaces for Recognition,' J. Cognitive Neuroscience, vol. 3, no. 1, 1991
M. Turk and A. Pentland, 'Face Recognition Using Eigenfaces,' Proc. IEEE Conf. on Computer Vision and Pattern Recognition, pp. 586-591, 1991
Peter N. Belhumeur, J. P. Hespanha, D. J. Kriegman, 'Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection,' IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 19, No.7, July 1997
Thomas Heseltine, Nick Pears and Jim Austin, 'Evaluation of image pre-processing techniques for eigenface based face recognition,' The Preceedings of the Second International Conference on Image and Graphics, SPIE, vol. 4875, pp. 677-685, 2002
R. Brunelli and T. Poggio, 'Face Recognition: Features versus Templates,' IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 15, no. 10, pp. 1,042-1,053, Oct. 1993
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.