[논문]다중 분류기의 판정단계 융합에 의한 얼굴인식

염석원

초록
AI-Helper

얼굴인식 기술은 지능형 보안, 웹에서 콘텐츠 검색, 지능로봇의 시각부분, 머신인터페이스 등, 활용이 광범위 하다. 그러나 일반적으로 대상자의 표정과 포즈 변화, 주변의 조명 환경과 같은 문제가 있으며 이와 더불어 원거리에서 획득한 영상의 경우 저해상도를 비롯하여 블러와 잡음에 의한 영상의 열화 등의 여러 가지 어려움이 발생한다. 본 논문에서는 포톤 카운팅(Photon-counting) 선형판별법(Linear Discriminant Analysis)을 이용한 다중 분류기(Classifier)에 의한 판정을 융합하여 얼굴 영상 인식을 수행한다. Fisher 선형판별법은 집단 간 분산을 최대로 하고 집단 내 분산을 최소로 하는 공간으로 선형 투영하는 방법으로, 학습영상의 수가 적을 경우 특이행렬 문제가 발생하지만 포톤카운팅 선형 판별법은 이러한 문제가 없으므로 차원축소를 위한 전 처리 과정이 필요 없다. 본 논문의 다중 분류기는 포톤 카운팅 선형판별법의 유클리드 거리(Euclidean Distance) 또는 정규화된 상관(Normalized Correlation)을 적용하는 판정규칙에 따라 구성된다. 다중분류기의 판정의 융합은 각 분류기 cost의 정규화(Normalization), 유효화(Validation), 그리고 융합규칙(Fusion Rule)으로 구성된다. 각 분류기에서 도출된 cost는 같은 범위로 정규화된 후 유효화 과정에서 선별되고 Minimum, 또는 Average, 또는 Majority-voting의 융합규칙에 의하여 융합된다. 실험에서는 원거리에서 획득한 효과를 구현하기 위하여 고해상도 데이터베이스 영상을 인위적으로 Unfocusing과 Motion 블러를 이용하여 열화하여 테스트하였다. 실험 결과는 다중분류기 융합결과의 인식률은 단일분류기보다 높다는 것을 보여준다.

Abstract ▼ AI-Helper

Face classification has wide applications in intelligent video surveillance, content retrieval, robot vision, and human-machine interface. Pose and expression changes, and arbitrary illumination are typical problems for face recognition. When the face is captured at a distance, the image quality is ...

Face classification has wide applications in intelligent video surveillance, content retrieval, robot vision, and human-machine interface. Pose and expression changes, and arbitrary illumination are typical problems for face recognition. When the face is captured at a distance, the image quality is often degraded by blurring and noise corruption. This paper investigates the efficacy of multi-classifier decision level fusion for face classification based on the photon-counting linear discriminant analysis with two different cost functions: Euclidean distance and negative normalized correlation. Decision level fusion comprises three stages: cost normalization, cost validation, and fusion rules. First, the costs are normalized into the uniform range and then, candidate costs are selected during validation. Three fusion rules are employed: minimum, average, and majority-voting rules. In the experiments, unfocusing and motion blurs are rendered to simulate the effects of the long distance environments. It will be shown that the decision-level fusion scheme provides better results than the single classifier.

주제어

AI 본문요약
AI-Helper

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

문제 정의

II장에서는 포톤카운팅 선형판별법을 Fisher 선형판별법과 비교하여 설명한다. 또한 다중분류기 판정단계 융합방법을 소개한다. III장에서는 얼굴인식 실험을 수행하고 IV장에서는 결론으로 끝을 맺는다.
본 논문에서는 포톤 카운팅 선형판별의 다른 판정규칙인 유클리드 거리와 정규화 상관에 의한 다중분류기의 융합을 연구한다. 본 논문에서 연구한 다중분류기의 판정단계 융합은 코스트(Cost)의 정규화(Normalization), 유효화(Validation), 그리고 융합규칙 (Fusion Rule)의 세단계로 이루어진다^[15].

가설 설정

, c)으로 다음과 같이 재구성된다. 실험에서는 n_i를 모든 분류기에 대하여 2로 정하였다.

제안 방법

Unfocusing 블러를 생성하기 위하여 반지름(radius)의 크기가 8 화소인 가우시안 필터를 적용하였고 Motion 블러는 20화소의 선형 움직임과 반시계방향으로 45° 회전하는 방법을 이용하였다[18].
융합단계에서는 Minimum, Average, 또는 Majority-voting의 융합규칙을 사용하여 코스트를 융합한다. 개발된 알고리즘은 다양한 환경에서 실험되었고 원거리에서 획득 한 영상의 효과를 구현하기 위하여 고해상도 얼굴 데이터베이스 영상을 인위적으로 열화하여 입력영상으로 실험하였다. 실험 결과는 다중분류기의 융합은 단일분류기보다 인식률이 높다는 것을 보여준다.
본 논문에서는 포톤 카운팅 선형판별의 다른 판정규칙인 유클리드 거리와 정규화 상관에 의한 다중분류기의 융합을 연구한다. 본 논문에서 연구한 다중분류기의 판정단계 융합은 코스트(Cost)의 정규화(Normalization), 유효화(Validation), 그리고 융합규칙 (Fusion Rule)의 세단계로 이루어진다^[15]. 코스트 정규화는 서로 다른 분류기의 코스트 간의 상이함을 최소로 하고 유효화 과정에서는 후보 코스트를 선별하여 후보 코스트 집합을 구성한다.
실험은 총 4개의 case로 나누어 수행되었으며 case 1은 1부터 10까지의 10개의 클래스를, case 2, 3, 4는 20, 30, 40개의 클래스를 이용하였다.
원거리 환경에서의 영상의 열화를 구현하기 위하여 데이터베이스 영상에 Unfocusing과 Motion 블러를 랜더링하였다. Unfocusing 블러를 생성하기 위하여 반지름(radius)의 크기가 8 화소인 가우시안 필터를 적용하였고 Motion 블러는 20화소의 선형 움직임과 반시계방향으로 45° 회전하는 방법을 이용하였다^[18].
판정 단계 융합은 코스트의 정규화, 유효화, 그리고 융합법칙의 세 단계로 구성된다. 유클리드 거리에 의한 판정과 정규상관에 의한 판정규칙으로 산출된 코스트를 융합하여 얼굴인식을 수행하였다. 클래스 검출율은 유클리드 거리 보다 정규상관을 이용할 경우 다소 높았으며 영상의 열화가 있을 경우 융합법칙을 적용한 다중분류기의 융합결과가 단일분류기보다 향상되었다는 것을 확인하였다.
. 포톤카운팅 선형판별법과 Fisher face, 그리고 Eigen face에 대한 인식결과를 구하였다. 그림 4와 5에 보이듯이 포톤카운팅 선형판별법으로 정규화된 상관에 의하여 판정하였을 때 가장 높은 검출률과 낮은 오보율을 구할 수 있었다.

대상 데이터

를 사용하였다. ATT-ORL 데이터베이스는 총 40개의 인물(클래스)로 구성되어 있으며 각 클래스는 10개의 표정과 포즈가 다른 영상으로 구성되어 있다. 영상의 크기는 각각 92×112 화소이다.
실험을 위하여 온라인상에서 공개된 ATT-ORL face 데이터베이스^[17]를 사용하였다. ATT-ORL 데이터베이스는 총 40개의 인물(클래스)로 구성되어 있으며 각 클래스는 10개의 표정과 포즈가 다른 영상으로 구성되어 있다.
영상의 크기는 각각 92×112 화소이다.
실험은 총 4개의 case로 나누어 수행되었으며 case 1은 1부터 10까지의 10개의 클래스를, case 2, 3, 4는 20, 30, 40개의 클래스를 이용하였다. 학습과정에서 각 클래스의 0-2번의 3개의 영상을 이용하였고 학습된 영상이외의 각 클래스의 7개 영상으로 인식률을 테스트하였다. 그림 3은 ORL 얼굴 데이터베이스의 샘플영상이다.

이론/모형

통계적 얼굴인식 기술의 대표적인 방법으로 Eigen face와 Fisher face가 있다. Eigen face는 주성분 분석법(PCA: Principal Component Analysis)을 이용하고 Fisher face는 주성분 분석법 후 Fisher 선형판별법(LDA: Linear Discriminant Analysis)을 이용한다^[2～6]. Fisher 선형판별법은 서로 다른 클래스 간의 분산을 최대로 하며 동일 클래스의 분산의 합을 최소로 하는 공간으로 입력영상을 투영하여 판정하는 방법이다^[7～8].
그러나 포톤카운팅 검출기는 보편적으로 고가이며 코히런트 조명이 요구되고 주변 환경의 영향에 민감한 여러 가지 제약이 따른다^[16]. 그러므로 본 논문에서는 일반 가시영상으로부터 포톤카운팅 벡터를 MMSE (Minimum Mean Squared Error) 추정법(Estimation)으로 추정한다. 즉, y의 Bayesian 추정, ŷ는 x에 대한 조건평균이므로 다음과 같다.
코스트 정규화는 서로 다른 분류기의 코스트 간의 상이함을 최소로 하고 유효화 과정에서는 후보 코스트를 선별하여 후보 코스트 집합을 구성한다. 융합단계에서는 Minimum, Average, 또는 Majority-voting의 융합규칙을 사용하여 코스트를 융합한다. 개발된 알고리즘은 다양한 환경에서 실험되었고 원거리에서 획득 한 영상의 효과를 구현하기 위하여 고해상도 얼굴 데이터베이스 영상을 인위적으로 열화하여 입력영상으로 실험하였다.
그러나 포톤 카운팅(Photon-counting) 선형판별법은 Fisher의 최적화 기준을 고차원 공간에서 구현할 수 있다^[9～10]. 클래스의 판정은 유클리드 거리(Euclidean Distance) 또는 정규화된 상관(Normalized Correlation)을 이용한다. 즉, 미지의 영상정보는 학습된 클래스 평균들 중 최소 유클리드 거리 또는 최대 상관을 가지는 클래스로 판단한다.

성능/효과

본 논문에서는 다중분류기에 의한 융합방법을 연구하고 얼굴인식 실험을 통하여 단일분류기보다 효과적임을 보였다. 판정 단계 융합은 코스트의 정규화, 유효화, 그리고 융합법칙의 세 단계로 구성된다.
개발된 알고리즘은 다양한 환경에서 실험되었고 원거리에서 획득 한 영상의 효과를 구현하기 위하여 고해상도 얼굴 데이터베이스 영상을 인위적으로 열화하여 입력영상으로 실험하였다. 실험 결과는 다중분류기의 융합은 단일분류기보다 인식률이 높다는 것을 보여준다.
유클리드 거리에 의한 판정과 정규상관에 의한 판정규칙으로 산출된 코스트를 융합하여 얼굴인식을 수행하였다. 클래스 검출율은 유클리드 거리 보다 정규상관을 이용할 경우 다소 높았으며 영상의 열화가 있을 경우 융합법칙을 적용한 다중분류기의 융합결과가 단일분류기보다 향상되었다는 것을 확인하였다. 향후 다중 프레임 융합을 통한 얼굴인식 기술의 개발을 계획하고 있다.

후속연구

클래스 검출율은 유클리드 거리 보다 정규상관을 이용할 경우 다소 높았으며 영상의 열화가 있을 경우 융합법칙을 적용한 다중분류기의 융합결과가 단일분류기보다 향상되었다는 것을 확인하였다. 향후 다중 프레임 융합을 통한 얼굴인식 기술의 개발을 계획하고 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	얼굴인식 기술 활용 범위는 어떠한가?	얼굴인식 기술은 지능형 보안, 웹에서 콘텐츠 검색, 지능로봇의 시각부분, 머신인터페이스 등, 활용이 광범위 하다. 그러나 일반적으로 대상자의 표정과 포즈 변화, 주변의 조명 환경과 같은 문제가 있으며 이와 더불어 원거리에서 획득한 영상의 경우 저해상도를 비롯하여 블러와 잡음에 의한 영상의 열화 등의 여러 가지 어려움이 발생한다.
	얼굴인식 기술의 문제점은 무엇인가?	얼굴인식 기술은 지능형 보안, 웹에서 콘텐츠 검색, 지능로봇의 시각부분, 머신인터페이스 등, 활용이 광범위 하다. 그러나 일반적으로 대상자의 표정과 포즈 변화, 주변의 조명 환경과 같은 문제가 있으며 이와 더불어 원거리에서 획득한 영상의 경우 저해상도를 비롯하여 블러와 잡음에 의한 영상의 열화 등의 여러 가지 어려움이 발생한다. 본 논문에서는 포톤 카운팅(Photon-counting) 선형판별법(Linear Discriminant Analysis)을 이용한 다중 분류기(Classifier)에 의한 판정을 융합하여 얼굴 영상 인식을 수행한다.
	Fisher 선형판별법이란 무엇인가?	본 논문에서는 포톤 카운팅(Photon-counting) 선형판별법(Linear Discriminant Analysis)을 이용한 다중 분류기(Classifier)에 의한 판정을 융합하여 얼굴 영상 인식을 수행한다. Fisher 선형판별법은 집단 간 분산을 최대로 하고 집단 내 분산을 최소로 하는 공간으로 선형 투영하는 방법으로, 학습영상의 수가 적을 경우 특이행렬 문제가 발생하지만 포톤카운팅 선형 판별법은 이러한 문제가 없으므로 차원축소를 위한 전 처리 과정이 필요 없다. 본 논문의 다중 분류기는 포톤 카운팅 선형판별법의 유클리드 거리(Euclidean Distance) 또는 정규화된 상관(Normalized Correlation)을 적용하는 판정규칙에 따라 구성된다.

참고문헌 (18)

조재수, 강현수, 김흥수, 김성득, "멀티미디어 신호 처리: 이론 및 실습," 사이텍 미디어, 2006.
D. L. Swets and J. Weng, "Using discriminant eigenfeatures for image retrieval," IEEE Trans. Pattern Analysis and Machine Intelligence. Vol. 18, pp. 831-836, 1996.

상세보기
P. N. Belhumer, J. P. Hespanha, and D. J. Kriegman, "Eigenfaces vs. Fisherfaces: recognition using class specific linear projection," IEEE Trans. Pattern Analysis and Machine Intelligence. Vol. 19, No. 7, pp. 711-720, 1997.

상세보기
김현철, 김대진, 방승양, "LDA 혼합 모형을 이용한 얼굴인식," 정보과학회논문지, 제32권 소프트웨어 및 응용, 제8호, 789 -794쪽, 2005년 8월.
홍은혜, 고병철, 변혜란, "PCA와 LDA를 이용한 실시간 얼굴 검출 및 검증 기법," 정보과학회논문지:소프트웨어 및 응용 제31권 제2호, 2004년 2월.
장혜경, 오선문, 강대성, "PCA 기반 LDA 혼합 알고리즘을 이용한 실시간 얼굴인식 시스템 구현," 전자공학회논문지, 제41권 SP편, 제4호, 473-478쪽, 2004년 7월.
R. O. Duda, P. E. Hart, and D. G. Stork, Pattern Classification 2nd ed., Wiley Interscience, New York, 2001.
K. Fukunaga, Introduction to Statistical Pattern Recognition 2nd ed., Academic Press, Boston, 1990.
S. Yeom, B. Javidi, and E. Watson, "Threedimensional distortion-tolerant object recognition using photon-counting integral imaging," Optics Express, Vol. 15, pp. 1513-1533, 2007.

상세보기
염석원, "포톤 카운팅 선형판별법을 이용한 저해상도 얼굴 영상 인식," 대한전자공학회지, 제45권 SP편 제6호, pp. 597-602, 2008.
L. O. Jimenez, A. Morales-Morell, and A. Creus, "Classification of Hyperdimensional Data Based on Feature and Decision Fusion Approaches Using Projection Pursuit, Majority Voting, and Neural Networks," IEEE Trans. on Geoscience and Remote Sensing, Vol. 37, No. 3, pp. 1360-1366, 1999.

상세보기
M. T. Sadeghi, M. Samiei, and J. Kittler, "Fusion of PCA-Based and LDA-Based Similarity Measures for Face Verification," EURASIP Journal on Advances in Signal Processing, Vol. 2010.
Y. Pang, N. Yu, R. Zhang, J. Rong, and Z. Liu, "Fusion of SVD and LDA for Face Recognition," 2004 International Conference on Image Processing (ICIP), pp. 1417-1420, 2004.
D. D. Freedman, "Overview of Decision Level Fusion Techniques for Identification and Their Application," Proceedings of the American Control Conference, Baltimore, Maryland. (June 1994).
S. Yeom, "Multi-frame decision level fusion for face classification based on a photon-counting linear discriminant analysis," IS&T/SPIE Electronic Imaging, Vol. 7877, 2011.
S. Yeom, "Photon-counting linear discriminant analysis for face recognition at a distance," International Journal of Fuzzy Logic and Intelligent Systems, Under review.
http://www.cl.cam.ac.uk/research/dtg/attarchive /facedatabase.html.
MATLAB function reference, MathWorks.

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

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

다중 분류기의 판정단계 융합에 의한 얼굴인식
Multi-classifier Decision-level Fusion for Face Recognition 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (18)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

다중 분류기의 판정단계 융합에 의한 얼굴인식 Multi-classifier Decision-level Fusion for Face Recognition 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (18)

이 논문을 인용한 문헌

저자의 다른 논문 :

염석원 (22)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

다중 분류기의 판정단계 융합에 의한 얼굴인식
Multi-classifier Decision-level Fusion for Face Recognition 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper