초록
고유얼굴 방법에 의한 얼굴인식은 얼굴 표정의 변화에 둔감한 유용한 인식기법이나 인식률이 낮아 지속적인 연구가 필요한 실정이다. 본 논문에서는 고유얼굴 특징을 이용한 얼굴인식에 있어서 인식률 개선을 위한 효과적인 방안을 제시한다. 이를 위해 본 연구에서는 고유얼굴 특징에 대해 세 종류의 분류기-단일원형 분류기, 최소거리 분류기, 신경회로망 분류기-를 사용하여 그 성능을 평가하고 분석함으로써 고유얼굴 특징의 분포 특성을 고찰하고, 분류기 및 학습용 샘플 영상의 선정이 인식률 제고에 큰 영향을 미침을 보인다. ORL 얼굴영상 데이터베이스를 사용하여 실험한 결과 최소거리 분류기가 가장 좋은 인식률을 나타내었으며, 학습용 샘플영상의 선정과 최소거리 분류기에 의해 91.0%의 인식률을 달성하였다.
Eigenface method in face recognition is useful due to its insensitivity to large variations in facial expression and facial details. However its low recognition rate necessitates additional researches. In this paper, we present an efficient method for improving the recognition rate in face recognition using eigenface feature. For this, we performs a comparative study of three different classifiers which are i) a single prototype (SP) classifier, ii) a nearest neighbor (NN) classifier, and iii) a standard feedforward neural network (FNN) classifier. By evaluating and analyzing the performance of these three classifiers, we shows that the distribution of eigenface features of face image is not compact and that selections of classifier and sample training data are important for obtaining higher recognition rate. Our experiments with the ORL face database show that 1-NN classifier outperforms the SP and FNN classifiers. We have achieved a recognition rate of 91.0% by selecting sample trainging data properly and using 1-NN classifier.
