선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 최상위 고유얼굴들에 해당되는 가중치들은 조명에 매우 민감하므로 최상위 고유얼굴들을 제외하고 사용하는 얼굴인식 연구도 있다. 본 논문에서는 고유얼굴을 사용하는 얼굴인식 방법에 있어서 상위 고유얼굴들을 차례대로 이용하는 기존 방법과는 달 리, 유전자 알고리즘을 이용하여 개인별로 우수한 성능을 갖는 고유얼굴 공간을 선택하여 이에 따른 특징 벡터를 이용한 얼굴인식 방법을 제안한다. Yale(4), ORL 데이터베이스⑸를 사용하여 다양한 고유얼굴 공간의 특징벡터를 이용한 비교 실험 결과, 제안한 방법이 가장 우수한 성능을 보였다.
- 본 논문에서는 얼굴인식에 널리 사용되는 고유얼굴 들을 이용한 방법에서 상위 고유얼굴들을 차례대로 사용하는 기존의 방식과는 달리, 개인별로 인식에 사 용될 고유얼굴들을 선택하여 인식하는 방법을 제안하였다. YALE, ORL 데이터베이스에 대하여 실험한 결과, 100개의 고유얼굴들을 모두 사용한 경우보다 순차적으로 30개씩을 선택하여 최고 성능을 낸 경우에 TER이 3.
제안 방법
- 또 제안한 방법 의 실험은 상위 100개의 고유얼굴들 중에서, 유전자 알고리즘 과정을 통하여 우수한 성능을 내는 고유얼굴 공간을 선택하게 하였다. 3가지 비교 실험 모두 얼굴 인식기로는 SVM 분류기를 사용하였다.
- 제안한 얼굴인식 방법의 성능을 분석하기 위하여 Yale145, ORL⑸ 데이터베이스를 사용하여 실험하였다. 각 데이터베이스는 염색체로 표현된 선택된 고유 얼굴 공간에 대한 SVM을 생성흐卜는데 사용할 학습데 이터집합, 염색체의 적합도 계산을 위한 SVM을 평가 하는데 사용할 튜닝데이터집합, 학습이 끝난 뒤 생성된 최종 얼굴 인증 시스템의 성능을 평가할 때 사용할 테스트데이터 집합의 3가지로 나누어서 사용하였다. 본 논문에서는 인식률이 좋은 고유얼굴들의 집합을 알아보기 위한 비교 실험으로, 기존의 방식과 같이상 위 100개의 고유얼굴 모두를 이용한 실험과 더불어, 상위 고유얼굴 100개 중에서 다음 식(4)에서 보듯이 차례대로 30개씩을 선택하여 인식 실험을 수행하였다.
- 비선형인 경우 표준 SVM 학습은 전체의 오분류율 를 최소화하기 때문에, 생체인식 시스템의 성능 평가 에 주로 사용되는 EER(Equal Error Rate) 측정 에 적합하지 않다. 따라서 본 논문의 실험에서는 FAR(False Accept Rate)과 FRR(False Reject Rate)의 합인 TER(Total Error Rate)을 이용하여 각 실험 결과들을 비교하였다. 실험 결과는 데이 터베이스 내의 각 사람별로 실험한 결과를 평균하여 나타낸 것이다.
- , 71 ~100번 가중치로 이루어진 30개의 값 각각을 특징벡터로 하여 실험하였다. 또 제안한 방법 의 실험은 상위 100개의 고유얼굴들 중에서, 유전자 알고리즘 과정을 통하여 우수한 성능을 내는 고유얼굴 공간을 선택하게 하였다. 3가지 비교 실험 모두 얼굴 인식기로는 SVM 분류기를 사용하였다.
- 5% 정도 더 감소하였다. 모든 사용자에 대하여 성능이 우수한 고유얼굴 공간을 결 정하기는 어려운 문제이므로, 본 논문에서 제안한 방법을 이용하여 사용자별로 인식률이 우수한 고유얼굴 공간을 생성할 수 있다.
- 본 논문에서는 유전자 알고리즘(GA: Genetic Algorithms) ⑹을 이용하여 개인별로 우수한 인식 성능을 보이는 고유얼굴 공간을 선택하여 이에 따른 특징벡터를 이용하여 얼굴인식을 수행한다. 특징벡터 를 평가하는 분류기로는 Support Vector Mac- hines(SVM)⑺을 이용한다.
- 각 데이터베이스는 염색체로 표현된 선택된 고유 얼굴 공간에 대한 SVM을 생성흐卜는데 사용할 학습데 이터집합, 염색체의 적합도 계산을 위한 SVM을 평가 하는데 사용할 튜닝데이터집합, 학습이 끝난 뒤 생성된 최종 얼굴 인증 시스템의 성능을 평가할 때 사용할 테스트데이터 집합의 3가지로 나누어서 사용하였다. 본 논문에서는 인식률이 좋은 고유얼굴들의 집합을 알아보기 위한 비교 실험으로, 기존의 방식과 같이상 위 100개의 고유얼굴 모두를 이용한 실험과 더불어, 상위 고유얼굴 100개 중에서 다음 식(4)에서 보듯이 차례대로 30개씩을 선택하여 인식 실험을 수행하였다. 즉 최상위 고유얼굴에 해당하는 가중치로부터 시 작하여 가중치 각각을 1번, 2번, 3번 등으로 정의하 였을 때, 1~30번 가중치, 2~31번 가중礼 3~32번 가중치, .
- 유전자 알고리즘은 해결되어야할 최적화 문제의 후보 해를 표현하는 개체들로 이루어진 일정수의 집단을 유지하면서, 적합도에 의존한 선택 과정과 유전자 연 산자를 적용하여 각 개체들의 다음 세대를 생성하면 서 만족할만한 해가 발견될 때까지 반복한다. 제안하는 알고리즘에서는 각 사람에 대하여 유전자 알고리즘을 통하여 고유얼굴 공간의 특징벡터의 모든 부분 집합들을 탐색하도록 한다. 유전자 알고리즘 과정이 진행되는 동안 우수한 인식 능력과 작은 크기의 부분 집합에 더 높은 선호도를 준다.
- 본 논문에서는 인식률이 좋은 고유얼굴들의 집합을 알아보기 위한 비교 실험으로, 기존의 방식과 같이상 위 100개의 고유얼굴 모두를 이용한 실험과 더불어, 상위 고유얼굴 100개 중에서 다음 식(4)에서 보듯이 차례대로 30개씩을 선택하여 인식 실험을 수행하였다. 즉 최상위 고유얼굴에 해당하는 가중치로부터 시 작하여 가중치 각각을 1번, 2번, 3번 등으로 정의하 였을 때, 1~30번 가중치, 2~31번 가중礼 3~32번 가중치, ..., 71 ~100번 가중치로 이루어진 30개의 값 각각을 특징벡터로 하여 실험하였다. 또 제안한 방법 의 실험은 상위 100개의 고유얼굴들 중에서, 유전자 알고리즘 과정을 통하여 우수한 성능을 내는 고유얼굴 공간을 선택하게 하였다.
대상 데이터
- 제안한 얼굴인식 방법의 성능을 분석하기 위하여 Yale145, ORL⑸ 데이터베이스를 사용하여 실험하였다. 각 데이터베이스는 염색체로 표현된 선택된 고유 얼굴 공간에 대한 SVM을 생성흐卜는데 사용할 학습데 이터집합, 염색체의 적합도 계산을 위한 SVM을 평가 하는데 사용할 튜닝데이터집합, 학습이 끝난 뒤 생성된 최종 얼굴 인증 시스템의 성능을 평가할 때 사용할 테스트데이터 집합의 3가지로 나누어서 사용하였다.
데이터처리
- 따라서 본 논문의 실험에서는 FAR(False Accept Rate)과 FRR(False Reject Rate)의 합인 TER(Total Error Rate)을 이용하여 각 실험 결과들을 비교하였다. 실험 결과는 데이 터베이스 내의 각 사람별로 실험한 결과를 평균하여 나타낸 것이다.
이론/모형
- 본 논문에서는 유전자 알고리즘(GA: Genetic Algorithms) ⑹을 이용하여 개인별로 우수한 인식 성능을 보이는 고유얼굴 공간을 선택하여 이에 따른 특징벡터를 이용하여 얼굴인식을 수행한다. 특징벡터 를 평가하는 분류기로는 Support Vector Mac- hines(SVM)⑺을 이용한다.
성능/효과
- 즉 최상위 10개의 고유얼굴들을 제외한 30개의 고유얼굴들에 대한 특징벡터가 가장 인식률이 좋았다. ORL 데이터베이스인 경우는 평균 적으로 최상위 4개를 제외한 5번~34번 고유얼굴들 을 사용하였을 경우 최고의 성능을 보였다.
- 본 논문에서는 얼굴인식에 널리 사용되는 고유얼굴 들을 이용한 방법에서 상위 고유얼굴들을 차례대로 사용하는 기존의 방식과는 달리, 개인별로 인식에 사 용될 고유얼굴들을 선택하여 인식하는 방법을 제안하였다. YALE, ORL 데이터베이스에 대하여 실험한 결과, 100개의 고유얼굴들을 모두 사용한 경우보다 순차적으로 30개씩을 선택하여 최고 성능을 낸 경우에 TER이 3.7~3.9% 감소하였고, 제안한 방법에 의하여 선택된 31.6~32.0개의 고유얼굴을 사용한 경우에는 TER이 0.5% 정도 더 감소하였다. 모든 사용자에 대하여 성능이 우수한 고유얼굴 공간을 결 정하기는 어려운 문제이므로, 본 논문에서 제안한 방법을 이용하여 사용자별로 인식률이 우수한 고유얼굴 공간을 생성할 수 있다.
- 제안한 방법에 따른 선택된 고유얼굴에 해당하는 특징벡 터를 사용한 인식 결과를 표 L 표 2에 기술하였다. Yale 데이터베이스에 대한 실험 결과는 표 1에서 보 듯이, 상위 100개의 고유얼굴들 모두를 사용한 경우 보다, 11번~40번 고유얼굴들 30개를 사용한 경우에 TER이 3.9% 감소하였고, 제안한 방법에 의한 선택 된 고유얼굴들에 대한 특징 31.6개를 사용한 경우에는 TER이 4.4% 감소하여 더 좋은 결과를 보였다. 이와 유사하게 표 2의 ORL 데이터베이스에 대한 실험 결과에서도 상위 100개의 고유얼굴들을 모두 사용한 경우보다, 5번~34번 고유얼굴들 30개를 사용한 경우에 TER이 3.
- 그러나, 모든 사용자에 대하여 어떠한 고유얼 굴 공간이 좋은 인식 성능을 내는지에 대한 결정은 매우 힘든 문제이다. 따라서 본 논문에서 제안한 방 법인 유전자 알고리즘을 통하여, 사용자별로 인식률 이 우수한 고유얼굴 공간을 생성할 수 있음을 보였다. 또한 유전자 알고리즘을 통한 개인별 학습시간은 펜티엄급 PC에서 수초 이내이며, 인증은 실시간으로 가능하므로 제안한 시스템은 실제 응용분야에 적용할 수 있음을 확인하였다.
- 따라서 본 논문에서 제안한 방 법인 유전자 알고리즘을 통하여, 사용자별로 인식률 이 우수한 고유얼굴 공간을 생성할 수 있음을 보였다. 또한 유전자 알고리즘을 통한 개인별 학습시간은 펜티엄급 PC에서 수초 이내이며, 인증은 실시간으로 가능하므로 제안한 시스템은 실제 응용분야에 적용할 수 있음을 확인하였다.
- 2% 감소하여 더 좋은 결과를 얻 었다. 이러한 실험결과를 통하여 적절한 고유얼굴 공간의 선택이 인식에 큰 영향을 미치는 것을 알 수 있었다. 그러나, 모든 사용자에 대하여 어떠한 고유얼 굴 공간이 좋은 인식 성능을 내는지에 대한 결정은 매우 힘든 문제이다.
- 4% 감소하여 더 좋은 결과를 보였다. 이와 유사하게 표 2의 ORL 데이터베이스에 대한 실험 결과에서도 상위 100개의 고유얼굴들을 모두 사용한 경우보다, 5번~34번 고유얼굴들 30개를 사용한 경우에 TER이 3.7% 감소하였고. 제안한 방법에 의한 선택된 고유얼굴들에 대한 특징 32.
- 7% 감소하였고. 제안한 방법에 의한 선택된 고유얼굴들에 대한 특징 32.0개를 사용한 경우에는 TER이 4.2% 감소하여 더 좋은 결과를 얻 었다. 이러한 실험결과를 통하여 적절한 고유얼굴 공간의 선택이 인식에 큰 영향을 미치는 것을 알 수 있었다.
- Yale 데이터베이스의 경우에는 평균적으 로 11번~40번 고유얼굴들을 사용하였을 때 가장 우수한 성능을 보였다. 즉 최상위 10개의 고유얼굴들을 제외한 30개의 고유얼굴들에 대한 특징벡터가 가장 인식률이 좋았다. ORL 데이터베이스인 경우는 평균 적으로 최상위 4개를 제외한 5번~34번 고유얼굴들 을 사용하였을 경우 최고의 성능을 보였다.
- 결과에서 보듯이. 최상위의 몇 개의 고유얼굴들을 제외하여 감에 따라 한동안 TER이 낮아지다가 다시 높아짐을 확인하였다 . Yale 데이터베이스의 경우에는 평균적으 로 11번~40번 고유얼굴들을 사용하였을 때 가장 우수한 성능을 보였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.