MLP는 뛰어난 학습능력으로 인하여 많은 분야에 성공적으로 적용되고 있다. 그러나, 학습 방법으로서 최급경사법에 근거한 오차역전파 알고리즘을 적용하기 때문에 학습시간이 오래 걸리는 단점이 있다. 또한 입력차원의 크기가 크거나 클래스간 학습데이터의 유사성이 클 경우 최적의 파라미터를 구하는데는 한계가 있다. 이러한 문제점을 해결하기 위해 본 논문에서는 LDA와 local MLP을 이용한 새로운 얼굴인식시스템을 제안하고자 한다. 제안된 방법은 우선 LDA 기법에 의해 차원이 축소된 얼굴의 특징벡터를 계산한다. 다음 단계로서 전체 학습영상을 사용하기 보다는 그룹별로 분할된 얼굴영상에 대해 MLP를 수행하므로서 그룹별로 최적인 파라미터를 결정한다. 마지막 단계로 그룹별로 수행된 local MLP를 결합함으로써 전체 얼굴인식 시스템을 구성한다. 제안된 방법의 타당성을 보이기 위해 ORL 얼굴영상을 대상으로 실험한 결과 기존 방법인 PCA나 LDA에 비해 향상된 결과를 보임을 확인할 수 있었다.
MLP는 뛰어난 학습능력으로 인하여 많은 분야에 성공적으로 적용되고 있다. 그러나, 학습 방법으로서 최급경사법에 근거한 오차역전파 알고리즘을 적용하기 때문에 학습시간이 오래 걸리는 단점이 있다. 또한 입력차원의 크기가 크거나 클래스간 학습데이터의 유사성이 클 경우 최적의 파라미터를 구하는데는 한계가 있다. 이러한 문제점을 해결하기 위해 본 논문에서는 LDA와 local MLP을 이용한 새로운 얼굴인식시스템을 제안하고자 한다. 제안된 방법은 우선 LDA 기법에 의해 차원이 축소된 얼굴의 특징벡터를 계산한다. 다음 단계로서 전체 학습영상을 사용하기 보다는 그룹별로 분할된 얼굴영상에 대해 MLP를 수행하므로서 그룹별로 최적인 파라미터를 결정한다. 마지막 단계로 그룹별로 수행된 local MLP를 결합함으로써 전체 얼굴인식 시스템을 구성한다. 제안된 방법의 타당성을 보이기 위해 ORL 얼굴영상을 대상으로 실험한 결과 기존 방법인 PCA나 LDA에 비해 향상된 결과를 보임을 확인할 수 있었다.
Multilayer percepteon has the advantage of learning their optimal parameters and efficiency. However, MLP shows some drawbacks when dealing with high dimensional data within the input space. Also, it Is very difficult to find the optimal parameters when the input data are highly correlated such as l...
Multilayer percepteon has the advantage of learning their optimal parameters and efficiency. However, MLP shows some drawbacks when dealing with high dimensional data within the input space. Also, it Is very difficult to find the optimal parameters when the input data are highly correlated such as large scale face dataset. In this paper, we propose a novel technique for face recognition based on LDA and local MLP. To resolve the main drawback of MLP, we calculate the reduced features by LDA in advance. And then, we construct a local MLP per group consisting of subset of facedatabase to find its optimal learning parameters rather than using whole faces. Finally, we designed the face recognition system combined with the local MLPs. From various experiments, we obtained better classification performance in comparison with the results produced by conventional methods such as PCA and LDA.
Multilayer percepteon has the advantage of learning their optimal parameters and efficiency. However, MLP shows some drawbacks when dealing with high dimensional data within the input space. Also, it Is very difficult to find the optimal parameters when the input data are highly correlated such as large scale face dataset. In this paper, we propose a novel technique for face recognition based on LDA and local MLP. To resolve the main drawback of MLP, we calculate the reduced features by LDA in advance. And then, we construct a local MLP per group consisting of subset of facedatabase to find its optimal learning parameters rather than using whole faces. Finally, we designed the face recognition system combined with the local MLPs. From various experiments, we obtained better classification performance in comparison with the results produced by conventional methods such as PCA and LDA.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 LDA와 local MLP을 이용한 새로운 얼굴 인식시스템을 제안하였다. 제안된 방법은 우선 LDA 기법에 의해 차원이 축소된 얼굴의 특징벡터를 계산한 후 다음 단계로서 전체 학습 영상을 사용하기보다는 그룹별로 분할된 얼굴 영상에 대해 MLP를 수행하는 local MLP 기법을 적용하였다.
또한 입력차원의 크기가 크거나 클래스간 학습데이터의 유사성이 클 경우 최적의 파라미터를 구하는데는 한계가 있다. 이러한 문제점을 해결하기 위해 본 논문에서는 LDA와 local MLP을 이용한 새로운 얼굴 인식시스템을 제안하고자 한다. 제안된 방법은 우선 LDA 기법에 의해 차원이 축소된 얼굴의 특징벡터를 계산한다.
k-NN 분류기의 경우 동일한 클래스 내의 특징벡터가 선형성을 갖는 경우 우수한 인식성능을 보이지만 비선형 특성을 갖는 경우에는 k-NN 분류기와 같은 분류기는 효과적이지 못하다. 이러한 문제점을 해결하기 위해 본 논문에서는 최종얼굴인식을 위한 분류기로서 k-NN 대신 신경회로망 구조를 갖는 Local MLP을 제안하고자 한다. 그림 3에서는 Local M仏P을 이용한 얼굴 인식시스템의 인식 과정을 나타냈다.
특징추출에 사용한 주성분분석기 법과 선형판별분석기 법을 이용한 얼굴의 특징추출 과정를 살펴보고자 한다. 주성분 분석 기법(PCA)은 다변수 선형 데이터 분석에서 잘 알려진 기법이며 주된 개념은 데이터의 최대 분산 방향을 나타내는 상호직교 기저 벡터의 집합을 찾는 것을 목적으로 하며, 이때, PCA를 이용한 eigenface 방법은 다음과 같이 간략히 기술되어진다.
가설 설정
주성분 분석 기법(PCA)은 다변수 선형 데이터 분석에서 잘 알려진 기법이며 주된 개념은 데이터의 최대 분산 방향을 나타내는 상호직교 기저 벡터의 집합을 찾는 것을 목적으로 하며, 이때, PCA를 이용한 eigenface 방법은 다음과 같이 간략히 기술되어진다. 하나의 얼굴 영상이 각각의 화소 값을 갖는 2차원 배열( nxn)이라고 가정하]. 자.
제안 방법
각각의 그룹별로 분할된 부영상을 대상으로 오차 역전 파 알고리즘에 의해 NELP의 파라미터를 결정한다. 마지막 인식단계에서는 그룹별로 수행된 local MLP를 결합한 후 식 (10)에 의해서 출력값 중에서 가장 높은 값을 갖는 클래스를 선택함으로써 이루어진다.
MLP는 입력층과 은닉층, 출력층으로 3개의 층으로 구성하였다. 뉴런의 전달함수로서는 sigmoid 함수를 적용하였고, 은닉층의 뉴런의 개수는 40개로 설정하였다. MLP의 학습을 위해 사용되는 학습률은 많은 실험을 통하여 우수한 성능을 보이는 값인 0008로 설정하였다.
이러한 문제점을 해결하기 위해 최종 얼굴인식을 위한 분류기로서 k-NN 대신 신경회로망 구조를 갖는 MLP를 적용하고자 한다. MLP는 뛰어난 학습능력으로 인하여 많은 분야에 성공적으로 적용되고 있다.
인식 실험은 각 경우에 있어 임의의 선택된 영상에 대해서 10번 동안 반복적으로 수행하였다. 개인별 영상 10개 중 학습을 위하여 5장을 이용하였고 나머지 5장을 이용하여 제안된 방법의 성능을 검증하였다.
제안하였다. 제안된 방법은 우선 LDA 기법에 의해 차원이 축소된 얼굴의 특징벡터를 계산한 후 다음 단계로서 전체 학습 영상을 사용하기보다는 그룹별로 분할된 얼굴 영상에 대해 MLP를 수행하는 local MLP 기법을 적용하였다. 제안된 방법의 유용성을 보이기 위해 ORL 얼굴 영상을 대상으로 실험한 결과 기존의 PCA+kNN 방법에 비해 제안된 방법이 3%, LDA눠NN 방법에 비해 1.
이러한 문제점을 해결하기 위해 본 논문에서는 LDA와 local MLP을 이용한 새로운 얼굴 인식시스템을 제안하고자 한다. 제안된 방법은 우선 LDA 기법에 의해 차원이 축소된 얼굴의 특징벡터를 계산한다. 다음 단계로서 전체 학습 영상을 사용하기 보다는 그룹별로 분할된 얼굴 영상에 대해 M亿P를 수행하므로서 그룹별로 최적인 파라미터를 결정한다.
각 개인에 대해서 얼굴 영상의 수는 10이며, 이 영상들은 위치, 회전, 스케일, 얼굴 감정에서 변화를 주고 있다. 회전에서 변화는 최대 20도 회전하였고, 스케일에서 변화는 사람과 비디오 카메라 사이에 거리를 변화하였다. 또한 어떤 사람에 대해서는 안경 착용에 변화를 주었고, 서로 다른 시간에 영상을 얻었다.
대상 데이터
사용하였다. ORL 영상은 서로 다른 환경에서 40명으로부터 400개의 얼굴 영상을 포함하고 있다. 각 개인에 대해서 얼굴 영상의 수는 10이며, 이 영상들은 위치, 회전, 스케일, 얼굴 감정에서 변화를 주고 있다.
10번 동안 반복적으로 수행하였다. 개인별 영상 10개 중 학습을 위하여 5장을 이용하였고 나머지 5장을 이용하여 제안된 방법의 성능을 검증하였다. 특징추출을 위해 주성분 분석기법에 의해 45개의 eigenvector와 선형판별분석기법에 의해 30개의 discriminant 특징 벡터를 선정하였다.
MLP의 학습을 위해 사용되는 학습률은 많은 실험을 통하여 우수한 성능을 보이는 값인 0008로 설정하였다. 또한 local MLP는 두 개로 구성하였으며, 각각 독립적인 MLP 모듈은 20명의 얼굴영상을 이용하여 구축하였다.
제안된 방법의 타당성을 검토하기 위해 ORL [7] 얼굴 데이터베이스를 사용하였다. ORL 영상은 서로 다른 환경에서 40명으로부터 400개의 얼굴 영상을 포함하고 있다.
이론/모형
개인별 영상 10개 중 학습을 위하여 5장을 이용하였고 나머지 5장을 이용하여 제안된 방법의 성능을 검증하였다. 특징추출을 위해 주성분 분석기법에 의해 45개의 eigenvector와 선형판별분석기법에 의해 30개의 discriminant 특징 벡터를 선정하였다. MLP는 입력층과 은닉층, 출력층으로 3개의 층으로 구성하였다.
한편, Fisherface 방법은 주성분 분석 기법과 선형판별 분석 법 (LDA:Linear Discriminant Analysis)을 이용하며, 조명 방향이나 얼굴 포즈 및 감정과 같은 큰 변화에도 민감하지 않은 장점을 가지고 있다. 여기서 선형판별 분석법은 클래스 간 분산 행렬 (Between-Class Scatter Matrix) 과 클래스내 분산행렬(Within-Class Scatter Matrix) 의 비가 최대화하는 통계적 방법으로, 선형판별 분석법과 관련된 다양한 얼굴인식 방법들이 있다[5-6].
성능/효과
그림 5 및 표 1에서는 실험 결과를 나타냈다. 그림 5 및 표 1에서 알 수 있는 바와 같이 본 논문에서 제안된 LDA뉘ocal MLP 를 적용한 결과 기존의 PCA+kNN 방법에 비해 3%, LDA+kNN 방법에 비해 1.7% 향상된 결과를 보였다. 또한 LDA뉘ocal MLP 기법이 PCA뉘ocal MLP 방법에 비해 0.
7% 향상된 결과를 보였다. 또한 LDA+local MLP 기법이 PCA뉘ocal MLP 방법에 비해 0.8% 향상된 결과를 나타냈다. 위 결과로부터 제안된 local MLP 기법의 유용성을 확인할 수 있다.
7% 향상된 결과를 보였다. 또한 LDA뉘ocal MLP 기법이 PCA뉘ocal MLP 방법에 비해 0.8% 향상된 결과를 나타냈다. 위 결과로부터 제안된 local MLP 기법의 유용성을 확인할 수 있다.
8% 향상된 결과를 나타냈다. 위 결과로부터 제안된 local MLP 기법의 유용성을 확인할 수 있다.
제안된 방법은 우선 LDA 기법에 의해 차원이 축소된 얼굴의 특징벡터를 계산한 후 다음 단계로서 전체 학습 영상을 사용하기보다는 그룹별로 분할된 얼굴 영상에 대해 MLP를 수행하는 local MLP 기법을 적용하였다. 제안된 방법의 유용성을 보이기 위해 ORL 얼굴 영상을 대상으로 실험한 결과 기존의 PCA+kNN 방법에 비해 제안된 방법이 3%, LDA눠NN 방법에 비해 1.7% 향상된 결과를 보였다. 또한 LDA+local MLP 기법이 PCA뉘ocal MLP 방법에 비해 0.
마지막 단계로 그룹별로 수행된 local MLP를 결합함으로써 전체 얼굴인식 시스템을 구성한다. 제안된 방법의 타당성을 보이기 위해 ORL 얼굴 영상을 대상으로 실험한 결과 기존 방법인 PCA나 LDA에 비해 향상된 결과를 보임을 확인할 수 있었다.
분류에서는 최적이 아님을 알 수 있다. 즉, PCA는 투영된 공간에서 선형적으로 분리하기 어렵지만, LDA는 데이터 분류를 위한 최적의 투영임을 확인할 수 있다.
참고문헌 (7)
M. Turk, A. Pentland, 'Face recognition using eigenfaces', Proc. IEEE Conf. On Computer Vision and Pattern Recognition, pp. 586-591, 1991
P. N. Belhumeur, J. P. Hespanha, D. J. Kriegman, 'Eigenfaces vs. Fisherfaces: recognition using class specific Linear Projection', IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 19, No.7, pp. 711-720, 1997
A. Pujol, J. Vitria, F. Lumbreras, J. J. Villanueva, 'Topological principal component analysis for face encoding and recognition', Pattern Recognition Letters, Vol. 22, pp. 769-776, 2001
C. Liu, H. Wechsler, Gabor feature based classification using the enhanced fisher linear discriminant model for face recognition, IEEE Trans. on Image Processing, Vol. 11, No.4, pp. 467-476, 2002
H. Yu, J. Yang, A direct LDA algorithm for high-dimensional data-with application to face recognition, Pattern Recognition, Vol. 34, pp. 2067-2070, 2001
※ AI-Helper는 부적절한 답변을 할 수 있습니다.