정보처리학회논문지B (The KIPS Transactions:PartB)

한국정보처리학회 (Korea Information Processing Society)
권호 표지
DOI QR코드

DOI QR Code

중심이동과 신경망 기반 주요성분분석을 이용한 얼굴인식

Face Recognitions Using Centroid Shift and Neural Network-based Principal Component Analysis

  • 조용현 (대구가톨릭대학교 컴퓨터정보통신공학부)
  • 발행 : 2005.10.01
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

본 논문에서는 영상의 1차 모멘트와 단층신경망에 기반을 둔 주요성분분석을 이용한 얼굴인식 기법을 제안하였다. 여기서 1차 모멘트는 입력되는 얼굴영상의 중심이동을 위한 것으로 차원을 감소시켜 얼굴인식에 불필요한 배경을 배제시키기 위함이다. 또한 단층신경망을 이용한 주요성분분석은 수치적 기법의 대안으로 Foldiak 학습알고리즘을 이용하며, 차원을 감소시켜 얼굴영상의 특징추출을 위한 정규직교기저를 얻기 위함이다. 제안된 기법을 64$\ast$64 픽셀의 48개(12명$\ast$4장) 학습자 얼굴영상을 대상으로 city-block, Euclidean, 그리고 negative angle의 각 거리 척도를 분류척도로 이용하여 실험하였다. 실험결과, 제안된 기법은 우수한 인식성능이 있음을 확인하였다. 특히 negative angle를 이용하는 것이 city-block이나 Euclidean을 이용하는 것보다 상대적으로 정확하게 유사성을 측정할 수 있었다.

This paper presents a hybrid recognition method of first moment of face image and principal component analysis(PCA). First moment is applied to reduce the dimension by shifting to the centroid of image, which is to exclude the needless backgrounds in the face recognitions. PCA is implemented by single layer neural network which has a teaming rule of Foldiak algorithm. It has been used as an alternative method for numerical PCA. PCA is to derive an orthonormal basis which directly leads to dimensionality reduction and possibly to feature extraction of face image. The proposed method has been applied to the problems for recognizing the 48 face images(12 Persons $\ast$ 4 scenes) of 64$\ast$64 pixels. The 3 distances such as city-block, Euclidean, negative angle are used as measures when match the probe images to the nearest gallery images. The experimental results show that the proposed method has a superior recognition performances(speed, rate). The negative angle has been relatively achieved more an accurate similarity than city-block or Euclidean.

키워드

참고문헌

  1. R. Chellappa, C. L. Wilson, and S. Sirohey, 'Human and Machine Recognition of Faces: A Survey,' Proceedings of IEEE., Vol.83, No.5, pp.705-741, May, 1995 https://doi.org/10.1109/5.381842
  2. M. H. Yang, D. Kriegman, and N. Ahuja, 'Detecting Faces in Images: A Survey,' IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol.24, No.1, pp.64-58, Jan., 2002 https://doi.org/10.1109/34.982883
  3. S. H. Jeng, H. Y. M. Liao, C. C. Han, M. Y. Chern, and Y. T. Liu, 'Facial Feature Detection Using Geometrical Face Model: An Efficient Approach,' Pattern Recognition, Vol.31 , No.3, pp.273-282, 1998 https://doi.org/10.1016/S0031-3203(97)00048-4
  4. 이항찬, '기하학적 영상처리를 이용한 얼굴인식 시스템', 멀티미디어학회논문지, 제6권 제7호, pp.1139-1149, 2003년 1월
  5. B. A. Draper, K. Baek, M. S. Barlett, and J. R. Beveridge, 'Recognizing Faces with PCA and ICA,' Computer Vision and Imaging Understanding 91, pp. 115-137, 2003 https://doi.org/10.1016/S1077-3142(03)00077-8
  6. 지형근, 이경희, 정용화, 'SVM을 이용한 얼굴 검출 성능향상 방법', 정보처리학회논문지, 제11-B권 제1호, pp.13-20, 2004년 2월 https://doi.org/10.3745/KIPSTB.2004.11B.1.013
  7. R. Brunelli and T. Poggio, 'Face Recognition : Feature Versus Templates,' IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol.15, No.10, pp.1042-1052, Jan., 1993 https://doi.org/10.1109/34.254061
  8. D. Sanger, 'Optimal Unsupervised Learning in a Single-Layer Linear Feedforward Neural Network,' Neural Networks, Vol.2, No.6, pp.459-473, Nov., 1989 https://doi.org/10.1016/0893-6080(89)90044-0
  9. K. I. Diamantaras and S. Y. Kung, Principal Component Neural Networks: Theory and Applications, Adaptive and Learning Systems for Signal Processing, Communication, and Control, John Wiley & Sons. Inc., New York, 1996
  10. S. Roberts and R. Everson, 'Independent Component Analysis: Principles and Practice,' Cambridge Univ. 2001
  11. 김상철 역, '재료역학', 청문출판사, 1992년 4월