일반적으로 이진패턴 변환은 조명 변화에 강인한 특성을 가지므로, 얼굴인식 및 표정인식 분야에 널리 사용되고 있다. 이에, 본 논문에서는 기존의 LDP(Local Directional Pattern)의 텍스처 성분을 개선한 MLDP(Modified LDP) 변환 영상에 2D-PCA(Two-Dimensional Principal Component Analysis) 알고리즘을 결합한 조명변화에 강인한 얼굴인식 방법에 대하여 제안한다. 기존의 LBP(Local Binary Pattern)나 LDP와 같은 이진패턴 변환들이 히스토그램 특징 추출을 위해 주로 사용되는 것과는 다르게, 본 논문에서 제안하는 방법은 MLDP 영상을 2D-PCA 특징추출을 위해 직접 사용한다는 특성을 갖는다. 제안 방법의 성능평가는 PCA(Principal Component Analysis), 2D-PCA 및 가버변환 영상과 LBP를 결합한 알고리즘을 사용하여, 다양한 조명변화 환경에서 구축된 Yale B 및 CMU-PIE 데이터베이스를 이용하여 수행되었다. 실험 결과, MLDP 영상과 2D-PCA를 사용한 제안 방법이 가장 우수한 인식 성능을 보임을 확인하였다.
일반적으로 이진패턴 변환은 조명 변화에 강인한 특성을 가지므로, 얼굴인식 및 표정인식 분야에 널리 사용되고 있다. 이에, 본 논문에서는 기존의 LDP(Local Directional Pattern)의 텍스처 성분을 개선한 MLDP(Modified LDP) 변환 영상에 2D-PCA(Two-Dimensional Principal Component Analysis) 알고리즘을 결합한 조명변화에 강인한 얼굴인식 방법에 대하여 제안한다. 기존의 LBP(Local Binary Pattern)나 LDP와 같은 이진패턴 변환들이 히스토그램 특징 추출을 위해 주로 사용되는 것과는 다르게, 본 논문에서 제안하는 방법은 MLDP 영상을 2D-PCA 특징추출을 위해 직접 사용한다는 특성을 갖는다. 제안 방법의 성능평가는 PCA(Principal Component Analysis), 2D-PCA 및 가버변환 영상과 LBP를 결합한 알고리즘을 사용하여, 다양한 조명변화 환경에서 구축된 Yale B 및 CMU-PIE 데이터베이스를 이용하여 수행되었다. 실험 결과, MLDP 영상과 2D-PCA를 사용한 제안 방법이 가장 우수한 인식 성능을 보임을 확인하였다.
Generally, binary pattern transforms have been used in the field of the face recognition and facial expression, since they are robust to illumination. Thus, this paper proposes an illumination-robust face recognition system combining an MLDP, which improves the texture component of the LDP, and a 2D...
Generally, binary pattern transforms have been used in the field of the face recognition and facial expression, since they are robust to illumination. Thus, this paper proposes an illumination-robust face recognition system combining an MLDP, which improves the texture component of the LDP, and a 2D-PCA algorithm. Unlike that binary pattern transforms such as LBP and LDP were used to extract histogram features, the proposed method directly uses the MLDP image for feature extraction by 2D-PCA. The performance evaluation of proposed method was carried out using various algorithms such as PCA, 2D-PCA and Gabor wavelets-based LBP on Yale B and CMU-PIE databases which were constructed under varying lighting condition. From the experimental results, we confirmed that the proposed method showed the best recognition accuracy.
Generally, binary pattern transforms have been used in the field of the face recognition and facial expression, since they are robust to illumination. Thus, this paper proposes an illumination-robust face recognition system combining an MLDP, which improves the texture component of the LDP, and a 2D-PCA algorithm. Unlike that binary pattern transforms such as LBP and LDP were used to extract histogram features, the proposed method directly uses the MLDP image for feature extraction by 2D-PCA. The performance evaluation of proposed method was carried out using various algorithms such as PCA, 2D-PCA and Gabor wavelets-based LBP on Yale B and CMU-PIE databases which were constructed under varying lighting condition. From the experimental results, we confirmed that the proposed method showed the best recognition accuracy.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 조명에 강인한 얼굴인식을 위하여 MLDP 변환 영상에 2D-PCA를 직접 적용하는 방법에 대하여 제안하였다. 제안 방법의 성능평가는 조명 변화 환경에서 구축된 Yale B 및 CMU-PIE 데이터베이스를 사용하여 수행되었고, 실험결과, MLDP 영상에 2D-PCA를 적용한 제안 방법이 가장 우수한 성능을 보임을 확인하였다.
그러나 이러한 이진패턴 영상의 히스토그램 특징은 일반적으로 벡터의 크기가 커지게 되어, 많은 연산량을 요구한다는 단점을 갖는다. 이에 본 논문에서는 조명변화에 강인한 얼굴인식 시스템을 위하여, MLDP 이진패턴 변환이 수행된 얼굴영상에 직접 2D-PCA를 적용하여 특징벡터를 추출하고, 이를 NN(Nearest Neighbor) 분류기로 인식하는 방법을 제안한다. 제안하는 얼굴인식 접근방법은 기존의 이진패턴 변환이 히스토그램 특징벡터를 추출하는데 이용되는 것과는 달리, 기존의 특징벡터 추출 알고리즘의 입력영상으로 직접 사용된다는 특징을 갖는다.
최근, 조명변화에 강인한 얼굴인식 방법 중에 하나로 가버 영상과 LBP 히스토그램을 이용한 방법이 있으며[2], 표정인식 분야에서는 LDP 변환이 소개되어 LBP보다 더 강인한 이진변환 특징으로 알려져 있다[3]. 이에, 본 논문에서는 기존 LDP의 텍스처 성분을 개선한 MLDP 영상과 2D-PCA[4] 알고리즘을 결합한 얼굴인식 방법에 대하여 제안한다. 더불어, 제안 방법의 MLDP 변환은 기존의 이진 패턴 변환과 같이 히스토그램 특징 추출을 위해 사용되는 것이 아니라, 이진패턴 변환 영상을 2D-PCA의 특징추출을 위한 입력영상으로써 직접 사용한다는 특징을 갖는다.
제안 방법
더불어, 실험을 바탕으로 Table 1과 Table 2에 각 데이터베이스에 대한 성능평가 결과를 요약하였다. 또한, 기존방법과의 성능비교를 위하여, 본 논문에서는 가버영상에 LBP를 적용하고 히스토그램을 특징 벡터로 사용하는 얼굴인식 방법에 대한 실험 결과를 추가적으로 나타내었다. 실험으로부터 제안하는 MLDP와 2D-PCA를 결합한 얼굴인식 방법은 Yale B 데이터베이스의 경우 96.
얼굴인식 성능평가는 원본영상과 히스토그램 평활화, LDP 및 MLDP 영상에 대하여 PCA와 2D-PCA 알고리즘으로 인식 실험을 수행하였고, 특히 원본영상과 히스토그램 평활화 영상은 성능비교를 위하여 가버영상과 LBP를 이용한 얼굴인식 실험에 추가적으로 이용되었다. 실험결과, Yale B 데이터베이스를 이용한 특징차원에 따른 얼굴인식 실험결과를 Fig.
예를 들어, 음의 방향으로 큰 값들을 1로 설정하여 LDP 패턴을 구성한다면, 결과적으로 영상의 두드러진 그레디언트 성분을 약화시키는 효과를 갖기 때문이다. 이에 본 논문에서는 이러한 기존의 LDP을 향상시킨 MLDP를 구성하였으며, 제안하는 MLDP는 Equation (1)로 표현된다.
성능평가에 사용한 데이터베이스의 얼굴 영역은 사용자가 관련 얼굴영역을 지정하고, 48 × 42 크기의 정규화 과정을 거처 실험에 사용하였다. 일반적으로, Yale B 얼굴 데이터베이스는 카메라와 조명소스와의 각도에 따라 네 개의 서브셋으로 구분할 수 있으며[5], 본 논문에서는 처음의 서브셋을 학습 영상으로, 나머지 세 개의 서브셋을 테스트 영상으로 사용하여 성능평가를 수행하였다. 또한 CMU-PIE 얼굴 데이터베이스의 경우, 각 개인마다 조명 변화가 거의 없는 한 장의 영상을 학습과정에 사용하였고, 나머지 20개의 영상을 테스트 영상으로 사용하였다.
이에 본 논문에서는 조명변화에 강인한 얼굴인식 시스템을 위하여, MLDP 이진패턴 변환이 수행된 얼굴영상에 직접 2D-PCA를 적용하여 특징벡터를 추출하고, 이를 NN(Nearest Neighbor) 분류기로 인식하는 방법을 제안한다. 제안하는 얼굴인식 접근방법은 기존의 이진패턴 변환이 히스토그램 특징벡터를 추출하는데 이용되는 것과는 달리, 기존의 특징벡터 추출 알고리즘의 입력영상으로 직접 사용된다는 특징을 갖는다.
대상 데이터
제안하는 얼굴인식 방법의 조명 변화에 대한 효용성을 평가하기 위하여, 본 논문에서는 Yale B 얼굴 데이터베이스와 CMU-PIE 얼굴 데이터베이스를 성능평가에 이용하였다. Yale B 얼굴 데이터베이스는 다양한 포즈와 조명 환경에서 구축된 공인 데이터베이스로써, 본 논문에서는 38명에 대한 정면 포즈의 64개 조명변화 환경에서 획득된 2,414장의 영상을 실험에 사용하였다. 더불어, CMU-PIE 얼굴 데이터베이스는 다양한 포즈 및 조명 환경에서 68명에 대하여 구축된 데이터베이스로써, 본 논문에서는 정면 포즈의 21개 조명 변화에 대한 1,425개의 얼굴영상을 성능평가 실험에 사용하였다.
Yale B 얼굴 데이터베이스는 다양한 포즈와 조명 환경에서 구축된 공인 데이터베이스로써, 본 논문에서는 38명에 대한 정면 포즈의 64개 조명변화 환경에서 획득된 2,414장의 영상을 실험에 사용하였다. 더불어, CMU-PIE 얼굴 데이터베이스는 다양한 포즈 및 조명 환경에서 68명에 대하여 구축된 데이터베이스로써, 본 논문에서는 정면 포즈의 21개 조명 변화에 대한 1,425개의 얼굴영상을 성능평가 실험에 사용하였다. 성능평가에 사용한 데이터베이스의 얼굴 영역은 사용자가 관련 얼굴영역을 지정하고, 48 × 42 크기의 정규화 과정을 거처 실험에 사용하였다.
일반적으로, Yale B 얼굴 데이터베이스는 카메라와 조명소스와의 각도에 따라 네 개의 서브셋으로 구분할 수 있으며[5], 본 논문에서는 처음의 서브셋을 학습 영상으로, 나머지 세 개의 서브셋을 테스트 영상으로 사용하여 성능평가를 수행하였다. 또한 CMU-PIE 얼굴 데이터베이스의 경우, 각 개인마다 조명 변화가 거의 없는 한 장의 영상을 학습과정에 사용하였고, 나머지 20개의 영상을 테스트 영상으로 사용하였다.
성능평가에 사용한 데이터베이스의 얼굴 영역은 사용자가 관련 얼굴영역을 지정하고, 48 × 42 크기의 정규화 과정을 거처 실험에 사용하였다.
제안하는 얼굴인식 방법의 조명 변화에 대한 효용성을 평가하기 위하여, 본 논문에서는 Yale B 얼굴 데이터베이스와 CMU-PIE 얼굴 데이터베이스를 성능평가에 이용하였다. Yale B 얼굴 데이터베이스는 다양한 포즈와 조명 환경에서 구축된 공인 데이터베이스로써, 본 논문에서는 38명에 대한 정면 포즈의 64개 조명변화 환경에서 획득된 2,414장의 영상을 실험에 사용하였다.
성능/효과
즉, MLDP는 중심 화소값과 주변 화소값의 그레디언트 성분을 비교하여, 크면 1, 그렇치 않으면 0의 값을 설정하여 패턴을 구성한다. 더불어, 기존의 LDP를 개선한 본 논문의 MLDP는 임펄스 잡음에 강인한 특징을 갖는다. Fig.
이에, 본 논문에서는 기존 LDP의 텍스처 성분을 개선한 MLDP 영상과 2D-PCA[4] 알고리즘을 결합한 얼굴인식 방법에 대하여 제안한다. 더불어, 제안 방법의 MLDP 변환은 기존의 이진 패턴 변환과 같이 히스토그램 특징 추출을 위해 사용되는 것이 아니라, 이진패턴 변환 영상을 2D-PCA의 특징추출을 위한 입력영상으로써 직접 사용한다는 특징을 갖는다. 제안하는 방법의 성능평가는 다양한 조명환경에서 구축한 공인 Yale B 얼굴 데이터베이스와 CMU-PIE 얼굴 데이터베이스를 이용하여 수행되었고, 실험으로부터 제안 방법이 조명 변화에 강인한 얼굴인식 방법임을 확인하였다.
0%의 인식률을 보였다. 반면, LDP 영상과 2D-PCA를 결합한 실험 결과는 기존의 가버영상과 LBP를 이용한 방법보다 더 낮은 성능을 보였으며, 전체적으로 PCA보다 2D-PCA의 경우에 전체적으로 더 나은 성능을 보였다. 실험 결과로부터, 본 논문에서는 제안하는 얼굴인식 방법이 조명변화에 강인한 효과적인 얼굴 인식 방법임을 확인하였다.
반면, LDP 영상과 2D-PCA를 결합한 실험 결과는 기존의 가버영상과 LBP를 이용한 방법보다 더 낮은 성능을 보였으며, 전체적으로 PCA보다 2D-PCA의 경우에 전체적으로 더 나은 성능을 보였다. 실험 결과로부터, 본 논문에서는 제안하는 얼굴인식 방법이 조명변화에 강인한 효과적인 얼굴 인식 방법임을 확인하였다.
또한, 기존방법과의 성능비교를 위하여, 본 논문에서는 가버영상에 LBP를 적용하고 히스토그램을 특징 벡터로 사용하는 얼굴인식 방법에 대한 실험 결과를 추가적으로 나타내었다. 실험으로부터 제안하는 MLDP와 2D-PCA를 결합한 얼굴인식 방법은 Yale B 데이터베이스의 경우 96.14%, CMU-PIE 데이터베이스의 경우에는 100.0%의 인식률을 보였다. 반면, LDP 영상과 2D-PCA를 결합한 실험 결과는 기존의 가버영상과 LBP를 이용한 방법보다 더 낮은 성능을 보였으며, 전체적으로 PCA보다 2D-PCA의 경우에 전체적으로 더 나은 성능을 보였다.
더불어, PCA가 얼굴의 전역 특성을 표현하는 특징임에 반해, 2D-PCA는 행 기반의 로컬 특징이므로 조명변화에 더 강인하다는 특성을 갖는다. 이에 본 논문에서는 얼굴 특징으로써 2D-PCA를 사용하였으며, 2D-PCA가 PCA보다 조명변화에 보다 강인하다는 것을 실험으로부터 확인하였다. 2D-PCA는 2차원 영상을 행렬 형태로 간주하고, 다음과 같은 과정으로 계산된다[4].
본 논문에서는 조명에 강인한 얼굴인식을 위하여 MLDP 변환 영상에 2D-PCA를 직접 적용하는 방법에 대하여 제안하였다. 제안 방법의 성능평가는 조명 변화 환경에서 구축된 Yale B 및 CMU-PIE 데이터베이스를 사용하여 수행되었고, 실험결과, MLDP 영상에 2D-PCA를 적용한 제안 방법이 가장 우수한 성능을 보임을 확인하였다.
더불어, 제안 방법의 MLDP 변환은 기존의 이진 패턴 변환과 같이 히스토그램 특징 추출을 위해 사용되는 것이 아니라, 이진패턴 변환 영상을 2D-PCA의 특징추출을 위한 입력영상으로써 직접 사용한다는 특징을 갖는다. 제안하는 방법의 성능평가는 다양한 조명환경에서 구축한 공인 Yale B 얼굴 데이터베이스와 CMU-PIE 얼굴 데이터베이스를 이용하여 수행되었고, 실험으로부터 제안 방법이 조명 변화에 강인한 얼굴인식 방법임을 확인하였다.
질의응답
핵심어
질문
논문에서 추출한 답변
일반적으로 이진패턴 변환은 어떤 특성을 가지는가?
일반적으로 이진패턴 변환은 조명 변화에 강인한 특성을 가지므로, 얼굴인식 및 표정인식 분야에 널리 사용되고 있다. 이에, 본 논문에서는 기존의 LDP(Local Directional Pattern)의 텍스처 성분을 개선한 MLDP(Modified LDP) 변환 영상에 2D-PCA(Two-Dimensional Principal Component Analysis) 알고리즘을 결합한 조명변화에 강인한 얼굴인식 방법에 대하여 제안한다.
얼굴의 이진패턴 변환을 위한 기존의 LDP 과정은?
얼굴의 이진패턴 변환을 위한 기존의 LDP는 다음과 같은 과정으로 계산된다[3]. 처음으로, 얼굴영상은 3×3 블록으로 나누어지고, 각 블록마다 Kirsch 마스크가 적용되어 에지 성분을 표현하는 그레디언트 값 mi (i = 0, 1, ⋯, 7)가 계산된다. 다음으로 8개의 각 그레디언트 성분 mi에 절대값을 취하고, 가장 큰 에지 응답을 갖는 k개의 성분을 선택한다. 최종적으로, k개의 선택된 위치와 관련한 비트값 bi는 1로, 그렇지 않으면 0의 값으로 설정하여 Fig. 1의 방향에 따라 8비트의 LDPk 코드값을 생성한다. Fig.
이진패턴 변환이 얼굴인식 및 표정인식 분야에 널리 사용되는 이유는?
일반적으로 이진패턴 변환은 조명 변화에 강인한 특성을 가지므로, 얼굴인식 및 표정인식 분야에 널리 사용되고 있다. 이에, 본 논문에서는 기존의 LDP(Local Directional Pattern)의 텍스처 성분을 개선한 MLDP(Modified LDP) 변환 영상에 2D-PCA(Two-Dimensional Principal Component Analysis) 알고리즘을 결합한 조명변화에 강인한 얼굴인식 방법에 대하여 제안한다.
참고문헌 (5)
N.B. Kachare and V.S. Inamdar, "Survey of face recognition techniques," Int. Conf. Computer Applications, Vol.1, No.1, pp.29-33, 2010.
H. Di, S. Caifeng, M. Ardabilian, W. Yunhong, C. Liming, Local Binary Patterns and Its Application to Facial Image Analysis: A Survey, IEEE Transactions on Systems, Man, and Cybernetics, Part C, Vol.41, No.6, pp.765-781, 2011.
Y. Jian, Z. David, F. Alejandro, and J. Y. Yang, "Twodimensional PCA: A new approach to appearance-based face representation and recognition," IEEE Trans. Pattern Anal. Mach. Intell., Vol.26, No.1, pp.131-137, 2004.
A. Georghiades, P. Belhumeur, and D. Kriegman, "From few to many: Illumination Cone Models for Face Recognition under Variable Lighting and Pose," IEEE Trans. Pattern Anal. Mach. Intell., Vol.23, No.6, pp.643-660, 2001.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.