[논문]PCA를 이용한 얼굴인식 기법의 신뢰도에 관한 분석

조현종; 강민구; 문승빈

PCA를 이용한 얼굴인식 기법의 신뢰도에 관한 분석
Analysis on the reliability of PCA-based face recognition 원문보기

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

얼굴인식 분야에서 PCA(Principal Component Analysis) 기반 알고리즘은 비교적 간단한 구조와 높은 인식률로 인해 많이 사용되고 있지만 조명이나 얼굴 포즈 변화에 민감하다는 단점이 있다[1]. 이런 단점을 해결하기 위한 노력으로 PCA를 다른 얼굴인식 알고리즘과 결합함으로서 조명과 포즈 변화에 강인한 얼굴인식을 위만 연구가 현재 활발히 진행되고 있다. 본 논문은 PCA기반 얼굴인식에서 조명이 다양하게 변할 때 이에 따른 인식률의 변화와, 인식이 실패했을 경우에 인식 대상이 유사도 상위후보군에 들어가는지를 조사함으로서 PCA기반 알고리즘의 신뢰도를 확인하고자 한다. 이를 위해 Yale Face Database H와 Extended Yale Face Database B를 이용하여 실험한 결과 약 93%의 인식 성공률을 확인했으며, 7%의 인식 실패한 영상의 경우 그 인식하고자 했던 얼굴이 유사도를 기준으로 정렬된 학습 영상에서 상위 후보군에 속한다는 실험 결과를 얻음으로서 PCA기반 얼굴 인식 알고리즘의 신뢰성을 확인할 수 있었다.

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

문제 정의

수 있다. 11러나 본 논문에서는 PCA기반 얼굴인식 알고리즘의 인식률 보다는 신뢰도를 확인하는 것에 중점을 두고자 한다. 여기서 신뢰도 확인은 그림 2와 같이 이루어진다.
본 논문에서는 PCA기반 얼굴인식에서 조명의 변화로 인한 인식률의 변화와, 인식이 실패 했을 경우 입력 영상과의 거리를 오름차순으로 정렬했을 때 거리가 작은 상위 몇 개의 학습 영상 안에 인식하고자 하는 사람의 영상이 있는지를 확인함으로서 를 이용한 얼굴인식이 조명이 변하는 환경에서 어느 정도의 신뢰도를 갖는지 확인하고자 한다.
본 논문에서는 PCA기반 얼굴인식의 결과가 조명이 다양하게 변하는 환경에서 얼마나 신뢰할 수 있는가를 알아보았다. 여기서 신뢰도는 인식률이 아닌, 인식이 실패한 경우 그 인식하고자 했던 사람의 학습 영상 이유 사도 상위 몇 번째에 존재하는가로 측정되었다.

대상 데이터

총 4개의 실험이 수행되었고, 831개의 영상 중 각 사람당 1개씩 38개의 동일한 조명 조건을 갖는 영상이 학습 영상으로 선택되었으며 이 38개의 영상은 4개의 실험에서 동일하게 쓰였다. 831개어서 학습 영상을 제외한 793개가 입력 영상으로 사용되었다 각 실험에서 사용된 입력 영상의 조명 범위는 21과 같고 푠 2에는 이 입력 영상을 이용한 실험 결과가 나와 있다.
본 실험에서는 Yale Face Database B와 Extended Yale Face Database B 의 38명의 얼굴 촬영자에 대한 총 21, 80개의 영상 중 831개를 선택해서 실험을 진행하였다. 총 4개의 실험이 수행되었고, 831개의 영상 중 각 사람당 1개씩 38개의 동일한 조명 조건을 갖는 영상이 학습 영상으로 선택되었으며 이 38개의 영상은 4개의 실험에서 동일하게 쓰였다.
이 논문에서 사용된 Yale Face Database B⑻와 Extended Yale Face Database B[9]는 38명의 촬영자 각각에 대해서 9개의 얼굴 포즈 변화와 64개의 조명 변화 상황에서 촬영된 것으로 총 21, 888개의 영상으로 이뤄져 있다. 본 실험에서는 조명변화에 따른 인식률과 PCA의 신뢰도를 알아보기 위해 전체 영상 중 정면얼굴을 제외한 다른 포즈의 얼굴 영상은 제외하였고, 조명 변화는 광원의 위치가 촬영자를 중심으로 좌우 -35° ~ +35°, 상하 -20° ~ +45°에 해당하는 왜곡 없는 831개의 영상을 선택하여 실험을 진행하였다. 그림 1은 이렇게 선택된 영상들 중 학습과 입력을 위해 선택된 영상과 그 전처리 후 모숩을 보여준다.
이 논문에서 사용된 Yale Face Database B⑻와 Extended Yale Face Database B[9]는 38명의 촬영자 각각에 대해서 9개의 얼굴 포즈 변화와 64개의 조명 변화 상황에서 촬영된 것으로 총 21, 888개의 영상으로 이뤄져 있다. 본 실험에서는 조명변화에 따른 인식률과 PCA의 신뢰도를 알아보기 위해 전체 영상 중 정면얼굴을 제외한 다른 포즈의 얼굴 영상은 제외하였고, 조명 변화는 광원의 위치가 촬영자를 중심으로 좌우 -35° ~ +35°, 상하 -20° ~ +45°에 해당하는 왜곡 없는 831개의 영상을 선택하여 실험을 진행하였다.
진행하였다. 총 4개의 실험이 수행되었고, 831개의 영상 중 각 사람당 1개씩 38개의 동일한 조명 조건을 갖는 영상이 학습 영상으로 선택되었으며 이 38개의 영상은 4개의 실험에서 동일하게 쓰였다. 831개어서 학습 영상을 제외한 793개가 입력 영상으로 사용되었다 각 실험에서 사용된 입력 영상의 조명 범위는 21과 같고 푠 2에는 이 입력 영상을 이용한 실험 결과가 나와 있다.

성능/효과

2를 i) eigenvector 1 제거, ii) eigenvector 2 제거, ⅲ) eigenvector 1 과 2 동시 제거의 세 가지 경우로 나누어 실험 하였고 유사도 측정 방법에서는 angle + Mahalanobis 외에 Euclidean distance, Mahalanobis distance 를 이용하여 실험하였다, 그 결과 위와 같은 설정을 했을 때 가장 높은 인식률을 얻게 된다는 것을 알 수 있었다.
즉 실험4에서 인식이 실패한 17개의 입력 영상 중 12개의 입력 영상은, 그 인식하고자 했던 사람의 학습 영상이 유사도 상위 2번째에 존재했고, 나머지 5개의 입력 영상에 해당하는 학습 영상은 3번째에 존재함으로서, 상위 3번 이내의 유사도에 17개의 인식이 실패한 입력 영상에 해당하는 학습 영상이 모두 존재했다. 실험 2, 3의 경우 인식이 실패한 97개와 82개의 입력 영상에 해당하는 학습 영상은 거리순서 8번째 이내에 모두 존재한다는 것을 알 수 있다. 즉 실험 1처럼 조명 변화가 아주 큰 경우가 아니라면 실험 2, 3, 4의 결과에서 보이듯이, PCA기반 얼굴인식 알고리즘이 인식에 실패했어도 인식하고자 하는 입력 영상에 해당하는 학습 영상이 유사도 상위 2~3번째 혹은 2~8번째 안에는 존재한다고 해석 할 수 있으므로 그림 2의 마지막 단계처럼 이 범위 내에 해당하는 영상에 대해서만 다른 얼굴 인식 알고리즘을 이용해 다시 인식함으로서 전체적인 인식률을 높일 수 있다는 것을 나타낸다.
실험 2, 3의 경우 인식이 실패한 97개와 82개의 입력 영상에 해당하는 학습 영상은 거리순서 8번째 이내에 모두 존재한다는 것을 알 수 있다. 즉 실험 1처럼 조명 변화가 아주 큰 경우가 아니라면 실험 2, 3, 4의 결과에서 보이듯이, PCA기반 얼굴인식 알고리즘이 인식에 실패했어도 인식하고자 하는 입력 영상에 해당하는 학습 영상이 유사도 상위 2~3번째 혹은 2~8번째 안에는 존재한다고 해석 할 수 있으므로 그림 2의 마지막 단계처럼 이 범위 내에 해당하는 영상에 대해서만 다른 얼굴 인식 알고리즘을 이용해 다시 인식함으로서 전체적인 인식률을 높일 수 있다는 것을 나타낸다.
즉 실험4에서 인식이 실패한 17개의 입력 영상 중 12개의 입력 영상은, 그 인식하고자 했던 사람의 학습 영상이 유사도 상위 2번째에 존재했고, 나머지 5개의 입력 영상에 해당하는 학습 영상은 3번째에 존재함으로서, 상위 3번 이내의 유사도에 17개의 인식이 실패한 입력 영상에 해당하는 학습 영상이 모두 존재했다. 실험 2, 3의 경우 인식이 실패한 97개와 82개의 입력 영상에 해당하는 학습 영상은 거리순서 8번째 이내에 모두 존재한다는 것을 알 수 있다.

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

PCA를 이용한 얼굴인식 기법의 신뢰도에 관한 분석
Analysis on the reliability of PCA-based face recognition 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

대상 데이터

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

PCA를 이용한 얼굴인식 기법의 신뢰도에 관한 분석 Analysis on the reliability of PCA-based face recognition 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

대상 데이터

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

PCA를 이용한 얼굴인식 기법의 신뢰도에 관한 분석
Analysis on the reliability of PCA-based face recognition 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper