[논문]조명 변화 환경에서 PCA 기반 얼굴인식 알고리즘의 신뢰도에 대한 연구

조현종; 강민구; 문승빈

조명 변화 환경에서 PCA 기반 얼굴인식 알고리즘의 신뢰도에 대한 연구
Study on The Confidence Level of PCA-based Face Recognition Under Variable illumination Condition 원문보기

電子工學會論文誌. Journal of the Institute of Electronics Engineers of Korea. CI, 컴퓨터, v.46 no.2 = no.326, 2009년, pp.19 - 26

조현종 (세종대학교 컴퓨터공학과) , 강민구 (세종대학교 컴퓨터공학과) , 문승빈 (세종대학교 컴퓨터공학과)

초록
AI-Helper

본 논문은 PCA기반 얼굴인식 알고리즘에서 조명 변화에 따른 인식율의 변화 및 Cumulative Match Characteristic을 이용한 누적 식별 값 측정을 통해 알고리즘의 신뢰도를 확인하였다. 이를 위해 본 논문에서는 한 사람당 하나의 학습 영상만을 사용하는 경우뿐만 아니라 조명 조건이 다른 다중 학습 영상을 사용하여 실험하였고, 입력 영상 또한 다양한 조명 조건의 영상을 사용함으로서 학습 영상의 선택과 입력 영상의 조명 변화에 따른 알고리즘의 신뢰도에 관해 연구하였다. 실험 결과, 한사람 당 하나의 정면조명조건 학습 영상을 사용한 방식에 비하여 다중 학습 영상 사용 시 인식율은 떨어졌다. 그러나 학습 영상의 개수와 입력 영상의 조명 변화 범위에 관계없이 상위 유사도군에 들어가는 비율은 높은 양상을 보임으로서 조명 변화 환경에서 PCA 알고리즘의 인식 결과에 대한 신뢰도를 확인 할 수 있었다.

Abstract ▼ AI-Helper

This paper studies on the recognition rate change with respect to illumination variance and the confidence level of PCA(Principal Component Analysis) based face recognition by measuring the cumulative match score of CMC(Cumulative Match Characteristic). We studied on the confidence level of the algorithm under illumination changes and selection of training images not only by testing multiple training images per person with illumination variance and single training image and but also by changing the illumination conditions of testing images. The experiment shows that the recognition rate drops for multiple training image case compared to single training image case. We, however, confirmed the confidence level of the algorithm under illumination variance by the fact that the training image which corresponds to the identity of testing image belongs to upper similarity lists regardless of illumination changes and the number of training images.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 PCA기반 얼굴인식의 결과가 조명이 다양하게 변하는 환경에서 얼마나 신뢰할 수 있는가를 실험을 통해 확인하였다. 여기서 그 신뢰도는 인식율이아니라, CMC를 통한 누적 식별 값으로 측정하였다.
이 논문에서 사용된 Yale Face Database 或”와 Extended Yale Face Database B邸는 38명의 피촬영자 각각에 대해서 9개의 얼굴 포즈 변화와 64개의 조명 변화 상황에서 촬영된 것으로 총 21, 888개의 영상으로 이뤄져 있다. 본 논문에서는 조명 변화가 PCA를 이용한 얼굴인식의 인식율 및 신뢰도에 미치는 영향을 알아보기 위해, 21, 888개의 전체 영상 중 정면.무표정 얼굴이 아닌 영상은 제외하였고, 조명변화는 광원의 위치가 피촬영자를 중심으로 좌우 -35° ~ +35°, 상하 -20° ~ +45°에 해당하는 831개의 영상을 선택하여 학습 영상과 입력 영상으로 사용하되, 학습 영상으로 선택한 영상은 입력영상으로 사용하지 않았다.
식별 시스템의 성능을 측정하기 위해선, 입력 데이터의 신원이 첫 번째 최대 유사도의 학습 데이터의 신원과 일치하는지 여부를 측정하기 보다는, 몇 번째 최대 유사도의 학습 데이터 안에 입력 데이터에 해당하는 신원이 있는지를 나타내는 것이 더 합리적이라고 할 수 있다间 이와같이 유사도의 순서에 따른 식별율의 누적 값을 나타낸 것이 Cumulative Match Characteristic (CMC) 이다的. 본 논문은 CMC를 이용해 조명 변화와 학습 영상의 변화에 따른 PCA기반 얼굴인식의 인식 결과에 대한 신뢰도를 확인하고자 한다.
본 논문은 이전 연구를 확장하여'* MT3 조명 환경 변화와 학습 영상의 선택이 PCA기반 얼굴 인식의 인식율에 미치는 영향과, 인식 결과에 대한 신뢰도의 변화를 확인하고자 한다. 인식율과 신뢰도를 확인하기 위해 Cumulative Match Characteristic (CMC)을 이용해 유사도 순서에 따른 누적 식별율을 사용함으로서 조명 변화 환경에서 PCA를 사용한 인식 결과가 얼마나 신뢰할만한지를 확인하였다’

가설 설정

정렬한다. 이 때, 유사도가 클수록 입력 영상과 동일한 신원일 확률이 높다고 가정한다. 또한 id(i) 는 입력영상 口의 신원에 해당하는 학습영상의 인덱스를 반환하는 함수로서, 만약 어떤 0의 gkeG에 대한 Si[id(i)]7} 유사도 상위 n번째에 존재한다면 이 입력 영상 Pi를 Tn으로 표현하며, Rne Tl~Tn에 해당하는 입력 영상의 개수를 나타낸다.

제안 방법

P = {pi, …, Pi미}와 G=(gi, g0 를 각각 입력 영상과 학습 영상의 집합이라 하고 IPI를 입력 영상의 개수라 할 때, pjCP의 gtf CH 대한 유사도 s«k)를 모두 구한 후 각각의 입력 영상 PiEP 에 해당하는 臨・)을 오름차순으로 정렬한다. 이 때, 유사도가 클수록 입력 영상과 동일한 신원일 확률이 높다고 가정한다.
ii) eigenvector 2 제거, ⅲ) eigenvector 1과 2 동시 제거의 세 가지 경우로 나누어 실험 하였고 유사도 측정 방법에서는 angle + Mahalanobis 외에 Euclidean distance, Mahalanobis distance를 이용하여 실험하였다. 그 결과 위와 같은 설정을 했을 때 가장 높은 인식율을 얻게 된다는 것을 알 수 있었다.
이 경우 시스템의 성능은 인증율(verification rate)로 측정할 수 있다. 두 번째의 경우는 사용자가 주장하는 신원이 입력 데이터와 일치하지 않는 경우로서 시스템의 성능은 False Acceptance Rate (FAR)로 측정 된다. 그러므로 인증시스템의 성능은 FAR에 따른 인증율의 변화를 나타내는 Receiver Operator Characteristic (R(X》으로 표현한
얼굴 인증 시스템에서는 먼저 사용자가 자신의 신원 및 그 신원을 증명할 수 있는 얼굴 정보를 입력 데이터로 인식 시스템에 제공한다. 시스템은 DB에 미리 저장되어 있던 데이터 중사 용자가 스스로 주장한 신원자에 해당하는 학습 데이터를 사용자가 제시한 입력 데이터와 일대일 비교를 통해서 신원의 일치 여부를 결정한다. 이와 같은 인증 시스템의 성능을 측정하기 위해선 두 가지 경우에 대해서 고려해야 한다.
통해 확인하였다. 여기서 그 신뢰도는 인식율이아니라, CMC를 통한 누적 식별 값으로 측정하였다. V장의 실험결과를 통해, 학습 영상 선택 시 정면 조명조건 영상을 선택해야하는 이유와, 입력 영상의 큰 조명 변화에도 PCA기반 얼굴 인식 결과의 신뢰도가 높다는 것을 확인할 수 있었다.
이렇게 선택된 입력영상을 이용해 각각 5 번의 실험을 동일하게 수행하였으며 각 실험에서 사용되는 입력영상의 선택 기준은 set 1과 마찬가지로 이전단계의 실험에서 사용된 입력 영상 중 일부를 선택해서 현재 단계의 실험에서 사용하였다. 다만 set 2, 3에서 선택한 학습 영상들은 set 1의 학습영상과는 다르게 정면 조명 조건 이외에 측면 조명이 적용된 학습 영상도 사용하였다.
다만 set 2, 3에서 선택한 학습 영상들은 set 1의 학습영상과는 다르게 정면 조명 조건 이외에 측면 조명이 적용된 학습 영상도 사용하였다. 이렇게 학습 영상의 개수와 입력 영상의 조명 범위가 서로 다른 15번의 실험을 통해서 학습 영상의 선택과 조명 변화에 따른 PCA 기반 얼굴인식의인식율 및 신뢰도를 확인하였다. 각 실험에서 사용된 학습 영상과 입력 영상의 조명 범위는 표 2, 3과 같다.
한다. 인식율과 신뢰도를 확인하기 위해 Cumulative Match Characteristic (CMC)을 이용해 유사도 순서에 따른 누적 식별율을 사용함으로서 조명 변화 환경에서 PCA를 사용한 인식 결과가 얼마나 신뢰할만한지를 확인하였다’

대상 데이터

본 논문에서는 Yale Face Database B"21 와 Extended Yale Face Database B®의 38명의 피촬영자에 대한 총 21, 888개의 영상 중 831개를 선택해서 실험을 진행하였다. set 1에서는 831개의 전체 영상 중 38명의 사람 각각에 대해 상하 좌우 ±0。의 정면 조명을 갖는 1장씩을 학습 영상으로 선택하고 나머지 793장을 입력 영상으로 사용했으며, 이 입력 영상을 이용해 총 5번의 실험을 수행하였다.
이렇게 선택된 입력영상을 이용해 각각 5 번의 실험을 동일하게 수행하였으며 각 실험에서 사용되는 입력영상의 선택 기준은 set 1과 마찬가지로 이전단계의 실험에서 사용된 입력 영상 중 일부를 선택해서 현재 단계의 실험에서 사용하였다. 다만 set 2, 3에서 선택한 학습 영상들은 set 1의 학습영상과는 다르게 정면 조명 조건 이외에 측면 조명이 적용된 학습 영상도 사용하였다. 이렇게 학습 영상의 개수와 입력 영상의 조명 범위가 서로 다른 15번의 실험을 통해서 학습 영상의 선택과 조명 변화에 따른 PCA 기반 얼굴인식의인식율 및 신뢰도를 확인하였다.
또한 set 2는 각 사람당 2장, set 3에서는 3장의 학습 영상을 선택하였으며, 입력 영상의 경우 set 1과 마찬가지로 전체 영상 중 학습영상으로 선택되지 않은 영상을 사용하였다. 이렇게 선택된 입력영상을 이용해 각각 5 번의 실험을 동일하게 수행하였으며 각 실험에서 사용되는 입력영상의 선택 기준은 set 1과 마찬가지로 이전단계의 실험에서 사용된 입력 영상 중 일부를 선택해서 현재 단계의 실험에서 사용하였다.
본 논문에서는 조명 변화가 PCA를 이용한 얼굴인식의 인식율 및 신뢰도에 미치는 영향을 알아보기 위해, 21, 888개의 전체 영상 중 정면.무표정 얼굴이 아닌 영상은 제외하였고, 조명변화는 광원의 위치가 피촬영자를 중심으로 좌우 -35° ~ +35°, 상하 -20° ~ +45°에 해당하는 831개의 영상을 선택하여 학습 영상과 입력 영상으로 사용하되, 학습 영상으로 선택한 영상은 입력영상으로 사용하지 않았다. 선택된 모든 영상들에 대해 다음과 같은 전처리 작업이 수행되었다顼
set 1에서는 831개의 전체 영상 중 38명의 사람 각각에 대해 상하 좌우 ±0。의 정면 조명을 갖는 1장씩을 학습 영상으로 선택하고 나머지 793장을 입력 영상으로 사용했으며, 이 입력 영상을 이용해 총 5번의 실험을 수행하였다. 실험 1은 793장의 입력 영상을 모두 사용하였고 실험 2는 실험 1에서 사용된 입력 영상 중 조명변화 범위가 큰 영상을 제외한 나머지 영상을 사용하였으며, 실험 3, 4, 5도 마찬가지로 이전 단계의 실험에서 사용되었던 입력 영상 중 조명 변화 범위가 큰 영상을 제외한 나머지 영상을 사용하였다. 즉 실험 1에서 5로 진행될수록 사용되는 입력영상의 조명 변화 범위가 작아짐으로서 조명 조건에 따른 인식율의 변화를 알 수 있다.
대해 상하 좌우 ±0。의 정면 조명을 갖는 1장씩을 학습 영상으로 선택하고 나머지 793장을 입력 영상으로 사용했으며, 이 입력 영상을 이용해 총 5번의 실험을 수행하였다. 실험 1은 793장의 입력 영상을 모두 사용하였고 실험 2는 실험 1에서 사용된 입력 영상 중 조명변화 범위가 큰 영상을 제외한 나머지 영상을 사용하였으며, 실험 3, 4, 5도 마찬가지로 이전 단계의 실험에서 사용되었던 입력 영상 중 조명 변화 범위가 큰 영상을 제외한 나머지 영상을 사용하였다.
결과에 큰 영향을 미친다. 이 논문에서 사용된 Yale Face Database 或”와 Extended Yale Face Database B邸는 38명의 피촬영자 각각에 대해서 9개의 얼굴 포즈 변화와 64개의 조명 변화 상황에서 촬영된 것으로 총 21, 888개의 영상으로 이뤄져 있다. 본 논문에서는 조명 변화가 PCA를 이용한 얼굴인식의 인식율 및 신뢰도에 미치는 영향을 알아보기 위해, 21, 888개의 전체 영상 중 정면.

성능/효과

여기서 그 신뢰도는 인식율이아니라, CMC를 통한 누적 식별 값으로 측정하였다. V장의 실험결과를 통해, 학습 영상 선택 시 정면 조명조건 영상을 선택해야하는 이유와, 입력 영상의 큰 조명 변화에도 PCA기반 얼굴 인식 결과의 신뢰도가 높다는 것을 확인할 수 있었다. 앞서 언급되었듯이, PCA는 조명변화에 민감하기 때문에 다른 얼굴인식 알고리즘과의 결합을 통해 조명변화에 강건한 시스템을 만들고자 하는 노력이 계속되고 있다.
또한 PCA는 입력 영상의 조명 변화에 의한 식별율의 변화가 크지만, 실험 1의 입력 영상처럼 조명 변화가 커서 식별이 힘든 경우라도 유사도로 정렬된 학습 영상의 상위 13.2% 이내에 인식 대상이 존재할 확률이 95% 이상으로, PCA를 이용한 식별 결과에 대한 신뢰도가 높다는 것을 알 수 있다.
위의 실험결과를 종합해보면, PCA를 이용한 얼굴인식 알고리즘은 학습 영상 선택시 정면 조명 조건의 영상을 선택하는 것이 식별율을 높이는 중요한 방법이 된다. 또한 PCA는 입력 영상의 조명 변화에 의한 식별율의 변화가 크지만, 실험 1의 입력 영상처럼 조명 변화가 커서 식별이 힘든 경우라도 유사도로 정렬된 학습 영상의 상위 13.
이것은 set 3에 좌우 ±0°, 상하 +20。의 정면 조명에 가까운 학습 영상이 사용되었기 때문이다. 이와 같은 결과를 통해, PCA를 이용한 얼굴인식에서 학습 영상은 최대한 조명 변화가 적용되지 않은 영상을 선택하는 것이 식별율을 높일 수 있는 방법이 되며, 한 사람당 다중 학습 영상을 사용하더라도 그 학습 영상에 조명 변화가 적용되어 있다면 오히려식별율이 감소된다는 것을 알 수 있다.

참고문헌 (16)

Samir Nanavat, Michael Thieme and Raj Nanavati. 'Biometrics', Wiley, pp.63-75, 2002
Kuang-Chih Lee, Jeffrey Ho, David Kriegman, 'Acquiring linear subspaces for face recognition under variable lighting', IEEE Trans. Pattern Anal. Mach. Intell., vol. 27, pp. 1-15, 2005

상세보기
A.S. Georghiades and P.N. Belhumeur, and D.J. Kriegman, 'From few to many: Illumination cone models for face recognition under variable lighting and pose,' IEEE Trans. Trans. Pattern Anal. Mach. Intell., vol. 23, 2001

상세보기
T. hong, H. Kim, H. Moon, Y. Kim, J. Lee, and S. Moon, 'Face representation method using Pixel-to-Vertex Map(PVM) for 3D model based face recognition,'in lecture notes in Computer Science 3979, pp. 21-28, 2006
Stan Li, RuFeng Chu, ShengCai Liao, Lun Zhang, 'Illumination invariant face recognition using near-infrared images', IEEE Trans. Pattern Anal. Mach. Intell., vol. 29, pp. 627-639, 2007

상세보기
M. Turk and A. Pentland, 'Eigenfaces for recognition', J. Cong. Neurosic., vol. 3, no. 1, pp. 71-86, 1991

상세보기
A. M. Martinez and A. C. Kak, 'PCA versus LDA', IEEE Trans. Pattern Anal. Mach. Intell., vol. 23, no. 2, pp. 228-233, Feb. 2001

상세보기
Duane M. Blackburn, Mike Bone and P. Jonathon Phillips, 'Face Recognition Vendor Test 2000 evaluation report', NIST, http://face.nist.gov/frvt/ frvt2000, Feb. 2001
P.J. Phillips, P. Grother, R. J. Micheals, D. M. Blackburn, E. Tabassi, and M. Bone. 'Face Recognition Vendor Test 2002 Evaluation Report, NIST, http://face.nist.gov/frvt/frvt2002, March. 2003
Hyeonjoon Moon, P Jonathon Phillips, 'Computational and performance aspects of PCA-based face-recognition algorithms', Perception, vol. 30, pp. 303-321, 2001

상세보기
Javier Ruiz-del-Solar, Pable Navarrete, 'Eigenspace-based face recognition: A comparative study of different approaches', IEEE Trans. Systems, Man, And Cybernetics, vol. 35, pp. 315-325, 2005

상세보기
Yale Face Database B: http://cvc.yale.edu/ projects/yalefacesB/ yalefacesB.html
Extended Yale Face Database B: http://vision. ucsd.edu/-leekc/ExtYaleDatabase/ExtYaleB.htm
Johnson, A.Y., Sun, J., Bobick, A.F., June 2003a. 'Predicting large population data cumulative match characteristic performance from small population data'. In: Proc. Audio- and Video- based Biometric Person Authentication, Guildford, UK, pp. 821-829
조현종, 강민구, 문승빈, 'PCA를 이용한 얼굴인식 기법의 신뢰도에 관한 분석', 대한전자공학회 정보 및 제어 심포지엄, pp. 101-102, 건국대학교, 대한민국, 2008
조현종, 강민구, 문승빈,, '다중 학습 영상을 이용한 PCA 기반 얼굴인식 알고리즘의 신뢰도에 대한 연구', 대한전자공학회 추계학술대회, pp. 853-854, 연세대학교, 대한민국, 2008

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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