[논문]2차원 PCA 얼굴 고유 식별 특성 부분공간 모델 기반 강인한 얼굴 인식

설태인; 정선태; 김상훈; 장언동; 조성원

2차원 PCA 얼굴 고유 식별 특성 부분공간 모델 기반 강인한 얼굴 인식
Robust Face Recognition based on 2D PCA Face Distinctive Identity Feature Subspace Model 원문보기

電子工學會論文誌. Journal of the Institute of Electronics Engineers of Korea. SP, 신호처리, v.47 no.1=no.331, 2010년, pp.35 - 43

설태인 (숭실대학교 정보통신전자공학부) , 정선태 (숭실대학교 정보통신전자공학부) , 김상훈 (오리엔탈종합전자) , 장언동 (오리엔탈종합전자) , 조성원 (홍익대학교 전자전기공학부)

초록
AI-Helper

고유얼굴 기반 얼굴 인식 방법과 같은 얼굴 형태 기반 얼굴 인식 방법에 사용되는 1차원 PCA는 고차원의 얼굴 형태 데이터 벡터들의 처리로 인하여 부정확한 얼굴 표현과 과도한 계산량을 초래할 수 있다. 이에 개선 방안의 하나로 2차원 PCA 기반 얼굴 인식 방법이 개발되었다. 그러나 단순한 2차원 PCA 적용으로 얻어진 얼굴 표현 모델에는 얼굴 공통 특성 성분과 개인 식별 특성 성분이 모두 포함된다. 얼굴 공통 특성 성분은 오히려 개인 식별 능력을 방해할 수가 있고 또한 인식 처리 시간의 증가를 초래한다. 본 논문에서는 2차원 PCA 적용으로 얻어진 얼굴 특성 공간에서 얼굴 공통 특성 영향이 분리된 얼굴 고유 식별 특성 부분공간 모델을 개발하고 개발된 모델에 기반한 새로운 강인한 얼굴 인식 방법을 제안한다. 제안한 얼굴 고유식별 특성 부분공간 모델 기반 얼굴 인식 방법은 얼굴 고유 식별 특성에만 주로 의존하기 때문에 기존 1차원 PCA 및 2차원 PCA 기반 얼굴 인식 방법보다 얼굴 인식 성능 및 인식 속도에 대해서 더 우수한 성능을 보인다. 이는 다양한 조명 조건하에 다양한 얼굴 자세를 갖는 얼굴 이미지들로 구성된 Yale A 및 IMM 얼굴 데이터베이스를 이용한 실험을 통해 확인하였다.

Abstract ▼ AI-Helper

1D PCA utilized in the face appearance-based face recognition methods such as eigenface-based face recognition method may lead to less face representative power and more computational cost due to the resulting 1D face appearance data vector of high dimensionality. To resolve such problems of 1D PCA, 2D PCA-based face recognition methods had been developed. However, the face representation model obtained by direct application of 2D PCA to a face image set includes both face common features and face distinctive identity features. Face common features not only prevent face recognizability but also cause more computational cost. In this paper, we first develope a model of a face distinctive identity feature subspace separated from the effects of face common features in the face feature space obtained by application of 2D PCA analysis. Then, a novel robust face recognition based on the face distinctive identity feature subspace model is proposed. The proposed face recognition method based on the face distinctive identity feature subspace shows better performance than the conventional PCA-based methods (1D PCA-based one and 2D PCA-based one) with respect to recognition rate and processing time since it depends only on the face distinctive identity features. This is verified through various experiments using Yale A and IMM face database consisting of face images with various face poses under various illumination conditions.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서 얼굴 이미지들에 2차원 PCA를 적용하여 얻어진 얼굴 특성 공간에서 얼굴 공통 특성 영향이 분리되고 가급적 개인 얼굴 고유 식별 특성만을 주로 반영하는 얼굴 고유 식별 특성 부분공간 모델을 개발하고, 얼굴 영상을 모델된 얼굴 고유 식별 특성 부분 공간에 투영하여 얻어진 특징 행렬을 얼굴 고유 식별 특징 벡터로 이용한 얼굴 인식 방법을 제안한다.
본 논문에서는 2차원 PCA를 적용하여 얻어진 얼굴 모델에서 얼굴 공통 특성 성분의 영향이 분리된 얼굴 고유 식별 특성 부분공간을 구성하는 방법을 개발하고 이에 기반한 얼굴 인식 방법을 제안하였다.
본 논문에서는 논의의 일반성을 잃지 않고 행렬의 열벡터들이 전개하는 벡터 공간을 나타내는데 같은 행렬 기호를 사용하기로 한다. 따라서 耳는 행렬을 나타내기도 하고, 6%의 열벡터들이 전개하는 벡터 부분 공간을 나타내기도 한다.
제안한 방법의 인식 수행 속도가 빠른 이유를 설명하기 전에 인식 속도에 영향을 주는 요소를 살펴보자. 첫째는 인식용 이미지를 고유 벡터 부분공간 또는 얼굴

제안 방법

기존의 1차원 PCA 및 2차원 PCA 기반 얼굴인식 방법과 제안된 얼굴 고유 식별 특성 부분공간 모델 기반 얼굴 인식 방법을 비교 실험하였다.
둘째, 등록용 얼굴 이미지 세트로 사용되는 인물 당 4장의 얼굴 이미지를 등록하고, 나머지 얼굴 이미지에 대해 얼굴 인식률 및 인식 속도를 측정하였다. 이때 사용되는 고유 벡터들은 95%의 에너지가 포함되도록 한 고유 벡터들이다.
본 논문에서 제안한 얼굴 고유 식별 특성 부분 공간 모델에 기반한 얼굴 인식 성능의 우수성은 Yale A 얼굴 데이터베이스® 및 IMM 얼굴 데이터베이스回 이용한 실험에서 확인하였다.
본 논문의 실험에서는 (1차원) PCA 기반 얼굴 인식 방법, 2차원 PCA 기반 얼굴 인식 방법 그리고 본 논문의 제안 얼굴 인식 방법 등 3가지의 얼굴 인식 방법에 대해서 고유 벡터 개수별 얼굴 인식 성능, 인식률, 인식속도 등을 비교 평가하였다.
본 논문의 제안 얼굴 인식 방법이 기반하고 있는 얼굴 고유 식별 특성 부분공간은 얼굴 공통 특성 영향으로부터 독립되어야 하므로 얼굴 공통 특성 부분 공간에 직교하는 부분공간으로 구성되어야 한다.
얼굴 이미지 분석을 위한 1차원 PCA 적용의 이러한 문제점들을 해결하기 위하여, Yang 등囲은 2차원 PCA 기반 기법을 개발하였다. 2차원 PCA 기법은 이미지를 1차원 벡터로 변환하지 않고 얼굴 이미지 행렬 그대로 사용하여 공분산 행렬을 구하기 때문에 1차원 변환 후에 얻어진 1차원 PCA의 공분산 행렬보다 차원이 훨씬 적은 공분산 행렬을 얻는다.
이제 아래에 본 논문에서 제안된 얼굴 고유 식별 특성 부분공간 모델에 기반한 얼굴 인식 방법의 수행 과정들을 정리한다.
제안된 얼굴 인식 방법은 입력 얼굴 영상을 구성된 2차원 PCA 얼굴 고유 식별 특성 부분공간에 투영하여 얻어진 특징 벡터를 이용하여 얼굴 인식을 수행한다. 얻어진 특징 벡터는 얼굴 공통 특성이 분리된 얼굴 고유 식별 특성을 주로 반영하기 때문에 얼굴 식별 능력이 향상된다.
첫째, 고유 벡터 개수별 얼굴 인식 성능 평가에서는 PCA 모델 구성에 사용되는 고유 벡터들 중 높은 고유값에 대응하는 고유 벡터들을 순서대로 일정 개수만큼 선택하여 이를 사용한 모델에 기반한 얼굴 인식의 인식률을 구하였다. 1차원 및 2차원 PCA의 경우, 고유 벡터는 등록용 얼굴 이미지 세트에 1차원 PCA 및 2차 PCA 를 적용 결과에 의해 얻어진 고유벡터를 의미하며, 제안된 방법의 경우 식 (10)의 吳丽诚赤, R의 구성 열벡터들을 의미한다.

대상 데이터

IMM 얼굴 데이터베이스図 (그림 4 참조)는 남자 33 명, 여자 7명씩 40명의 사람에 대해서 각 사람당 각기 다른 얼굴 자세, 다른 조명 환경, 다른 얼굴 표정 등 6 장의 이미지의 총 240장으로 구성되어 있다. 각 이미지는 JPEG포맷으로 해상도는 640x48(2]다.
등록용으로 Yale A 데이터베이스 및 IMM 데이터베이스의 각 인물 당 이미지의 이름 순서대로 4장이 사용하였으며, 테스트(인식)용으로는 등록에 사용된 이미지를 제외한 나머지 얼굴 이미지들을 사용하였다. 등록에 인물당 4장을 이용한 것은 본 논문의 실험에서 비교되는 각 얼굴 인식 방법들이 다양한 자세에 대해 어느 정도 이상의 얼굴 인식률을 보여야만 각 얼굴 인식 방법들을 비교하는 것이 의미가 있기 때문이다.
따라서 적은 등록용 이미지로 제작된 모델은 표현 범위가 좁아 인식용 이미지에서 올바른 인식용 특징을 추출할 수 없다. 따라서 올바른 인식률의 비교를 위하여 본 논문의 실험에서 인물당 4장의 얼굴 이미지를 등록하여 실험하였다.
포맷으로 207x243 해상도를 가진다. 또한 15명의 각기 다른 인물들로 한 인물 당 1)조명 변화가 거의 없는 환경에서 다양한 표정의 얼굴들, 2)표정 변화가 거의 없는 얼굴에서 좌, 우, 정면 조명, 그리고 3)안경을 쓴 얼굴 등의 11장으로 촬영돼, 총 165장으로 구성되었다.
본 논문의 실험에서 사용된 PC 사양은 Intel(R) Core(TM)2 Duo CPU T9300 2.5GHz, 3GB RAM 이며, 실험에는 듀얼 코어중 하나의 코어만을 이용하였다
본 논문의 실험을 위해서 등록용 및 테스트용으로 Yale A 얼굴 데이터베이스와 IMM 얼굴 데이터베이스를 이용하였고, 별도의 얼굴 이미지 세트 (3.1 절 참조) 로는 Yale B 얼굴 데이터베이스®를 사용하였다.
대한 실험결과를 보여준다. 비교 대상은 (1차원) PCA, 2차원 PCA 그리고 제안한 방법이다. 그림 5는 도표에서 가로축은 선택된 고유벡터의 개수를 나타낸 것이며, 세로축은 얼굴 인식률을 나타낸다.
이 중, 각 인물당 정면 조명을 가진 모든 자세 얼굴들을 선정하여 90장의 이미지를 사용하였다. 실험시 각 얼굴 이미지는 공평한 실험을 위해 112x92로 크기를 맞추었다.
10명의 인물에 대해 9개의 자세, 65개의 조명 조건으로 구성되어 있다. 이 중, 각 인물당 정면 조명을 가진 모든 자세 얼굴들을 선정하여 90장의 이미지를 사용하였다. 실험시 각 얼굴 이미지는 공평한 실험을 위해 112x92로 크기를 맞추었다.

성능/효과

Yale A 데이터베이스나 IMM 데이터베이스의 2가지 데이터베이스에서, 본 논문이 제안한 방법이 기존의 1 차원 PCA 나 2차원 PCA 방법에 비해 높은 성능을 보임을 표 1에서 알 수 있다.
그림 5는 실험 결과에서 제안한 방법의 고유 벡터 개수 별 얼굴 인식 성능이 기존 (1차원) PCA 및 2차원 PCA 기반 얼굴 인식 방법보다, 성능이 개선되었음을 알 수 있다. 이는 Yale A 데이터베이스 각각에 대해 제작된 모델에서 얼굴 공통 성분에서 성공적으로 분리되었음을 확인할 수 있다.
이는 제안 방법이 얼굴 인식을 방해하는 얼굴 공통 특성은 사용하지 않고 얼굴 고유 식별 특성만을 이용하기 때문이다. 둘째, 얼굴 인식 속도가 빨라진다. 얼굴 공통 특성 성분이 제거되어 선택되는 고유 벡터의 개수가 줄고, 그 결과 계산량도 적어지기 때문이다.
벡터의 개수가 11개 이었다. 따라서 2차원 PCA 고유 벡터 부분공간 모델은 92x23 크기의 행렬로 표현되고, 제안한 방법의 얼굴 고유 식별 특성 부분 공간 모델은 92x11 크기의 행렬로 표현된다.
따라서 부분공간에 투영하는 연산이나 등록용 얼굴 특징 행렬들과 비교하는 연산 모두 제안 방법이 빨라 제안 방법이 1차원 PCA 기반 방법이나 2차원 PCA 기반 방법보다 얼굴 인식속도가 빠르게 된다.
또한, 표 1의 실험 결과로부터 얼굴 인식 속도도 제안 방법이 기존의 방법들에 비해 더 개선되었음을 확인할 수 있다. 이것은 제안한 방법의 계산 량이 기존의 방법들에 비해 적다는 것을 의미한다.
적은 것은 다음의 이유이다. 제안한 방법의 모델에서는 2차원 PCA 방법에서와 달리 얼굴 공통 특성 성분이 분리되어 95% 에너지에 해당하는 고유 벡터들의 개수가 줄어, 2차원 PCA 보다 더 적은 개수의 고유 벡터들로 모델이 구성되어 인식에 사용되었기 때문이다.
첫째, 얼굴 식별 능력이 향상된다. 이는 제안 방법이 얼굴 인식을 방해하는 얼굴 공통 특성은 사용하지 않고 얼굴 고유 식별 특성만을 이용하기 때문이다.
한편, 2차원 PCA 방법의 경우는 실험에서 계산된 고유 벡터의 개수는 23개 이었으며 제안한 방법의 경우는 고유 벡터의 개수가 11개 이었다. 따라서 2차원 PCA 고유 벡터 부분공간 모델은 92x23 크기의 행렬로 표현되고, 제안한 방법의 얼굴 고유 식별 특성 부분 공간 모델은 92x11 크기의 행렬로 표현된다.
한편, 실험에서 PCA, 2차원 PCA 및 제안한 방법 모두 등록으로 사용된 이미지 수가 적을 때보다 많을 때 더 좋은 인식 결과를 보였음을 관찰하였다. 등록용 이미지 수가 적으면 모델 제작에 사용되는 이미지 수 역시 적다.

참고문헌 (10)

S. Z. Li and A. K. Jain, "Handbook of Face Recognition," 2004.
M. Kirby and L. Sirovich, "Application of the Karhunen-Loeve procedure for the characterization of human faces," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 12, pp. 103？108, 1990.

상세보기
A. Pentland and M. Turk, "Eigenfaces for recognition," Journal of Cognitive Neuroscience, Vol. 3, pp. 71-86, 1993.
J. Yang, D. Zhang, A. F. Frangi and J. Yang, "Two-dimensional PCA: a new approach to appearance-based face representation and recognition," IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 26, no. 1, pp. 131-137, 2004.

상세보기
J. Yang, J.Y. Yang, "From Image Vector to Matrix: A Straightforward Image Projection Technique-IMPCA vs. PCA," Pattern Recognition, Vol. 35, no. 9, pp. 1997-1999, 2002.

상세보기
D. Zhang and Z.-H. Zhou., "(2D)2PCA: 2-directional 2-dimensional PCA for efficient face representation and recognition." Neurocomputing69, pp. 224-231, May 2005.

상세보기
V. D. M. Nhat and S. Y Lee, "Kernel-based 2DPCA for Face Recognition," 2007 IEEE Int'l Symp. Signal Processing and Information Technology, Dec. 2007.
Yale face Database A http://cvc.yale.edu/projects/yalefaces/yalefaces.html
IMM face Database http://www2.imm.dtu.dk/-aam/datasets/datasets.html
Yale face Database B http://cvc.yale.edu/projects/yalefacesB/yalefacesB.html

저자의 다른 논문 :

LOADING...

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