Journal of the Korea Society for Simulation (한국시뮬레이션학회논문지)

The Korea Society for Simulation (한국시뮬레이션학회)
권호 표지
DOI QR코드

DOI QR Code

Face Feature Selection and Face Recognition using GroupMutual-Boost

GroupMutual-Boost를 이용한 얼굴특징 선택 및 얼굴 인식

  • 최학진 (인하대학교 정보공학과) ;
  • 이종식 (인하대학교 정보공학과)
  • Received : 2010.10.19
  • Accepted : 2011.12.08
  • Published : 2011.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

The face recognition has been used in a variety fields, such as identification and security. The procedure of the face recognition is as follows; extracting face features of face images, learning the extracted face features, and selecting some features among all extracted face features. The selected features have discrimination and are used for face recognition. However, there are numerous face features extracted from face images. If a face recognition system uses all extracted features, a high computing time is required for learning face features and the efficiency of computing resources decreases. To solve this problem, many researchers have proposed various Boosting methods, which improve the performance of learning algorithms. Mutual-Boost is the typical Boosting method and efficiently selects face features by using mutual information between two features. In this paper, we propose a GroupMutual-Boost method for improving Mutual-Boost. Our proposed method can shorten the time required for learning and recognizing face features and use computing resources more effectively since the method does not learn individual features but a feature group.

현재 일상생활에서 얼굴 인식은 신원확인, 보안 등의 목적으로 사용되고 있다. 얼굴인식의 과정은 첫 번째로 얼굴이미지의 특징을 추출해야 한다. 다음으로 추출된 특징을 학습하고 그 중 학습이 잘된 식별력 있는 특징을 선택하게 된다. 그 이후 식별력 있는 특징을 이용하여 얼굴이미지를 인식하게 된다. 얼굴인식을 위해 사용하는 얼굴이미지의 특징의 수는 매우 많다. 이 많은 특징을 학습 및 인식에 다 사용할 경우 학습 시간과 컴퓨팅 자원의 효율성이 떨어지는 문제점을 가지고 있다. 이러한 문제를 해결하기 위해서 최근 여러가지의 Boosting 기법이 소개되어왔다. Boosting 기법은 특징을 효율적으로 선택하여 학습 알고리즘의 성능을 좋게해주는 기법이다. 그 중 MutualBoost라는 기법이 있는데 이 기법은 특징간의 상호정보를 이용하여 특징을 효율적으로 선택하게 하는 기법이다. 본 논문에서는 MutualBoost의 효과를 더 증대시키기 위해서 개별적인 특징학습이 아니라 특징들을 Group화하여 특징학습을 하는 GroupMutual-Boost기법을 제안한다. 특징들을 Group화 함으로써 특징의 학습 및 선택 시간이 줄어들게 되고 컴퓨팅 자원을 보다 효율적으로 사용할 수 있다.

Keywords

References

  1. J. P. W. Pluim, J. B. A. Maintz, and M. A. Viergever (2003), "Mutual-information-based registration of medical images: A survey," IEEE Trans. Med. Imag., Vol. 22, No. 8, pp. 986-1004. https://doi.org/10.1109/TMI.2003.815867
  2. John G. Daugman (1988), "Complete discrete 2D Gabor transforms by neural networks for image analysis and compression," IEEE Trans. Acoust., Speech, Sinal Processing, Vol. 36, No. 7, pp. 1169-1179. https://doi.org/10.1109/29.1644
  3. L. Shen and L. Bai (2004), "Adaboost gabor feature selection for classification," Proc.of Image and Vision Computing, New Zealand, pp. 77-83.
  4. L. Shen and L. Bai (2006), "MutualBoost Learning for Selection Gabor Features for Face Recognition", Pattern Recognition Letters, Vol. 27, pp. 1758-0767. https://doi.org/10.1016/j.patrec.2006.02.005
  5. P. Burrascano (1991), "Learning vector quantization for the probabilistic neural network," IEEE Trans. Neural Networks, Vol. 2, pp. 458-461. https://doi.org/10.1109/72.88165
  6. P. N. Bellhumer, J. Hespanha and D. Kriegman (1997), "Eigenfaces vs Fisherfaces: Recognition using class specific linear projection", IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 17, pp. 711-720.
  7. P. Somol, P. Pudil, J. Novovicova, and P. Paclik (1999), "Adaptive floating search methods in feature selection," Pattern Recogn. Lett., Vol. 20, No. 11-13, pp. 1157-1163. https://doi.org/10.1016/S0167-8655(99)00083-5
  8. P. Viola and M. Jones (2001), "Rapid Object Detection Using a Boosted Cascade of Simple Features," In Proc. Of IEEE Conference on Computer Vision and Pattern Recognition, pp. 511-518.
  9. P. Yang, S. Shan, W. Gao, S. Li, and D.Zhang (2004), "Face recognition using Ada-boosted Gabor features," In Proc. Conference on Automatic Face and Gesture Recognition, pp. 356-361.
  10. S. Z. Li and Z. Q. Zhang (2004), "FloatBoost Learning for Selection Gabor Features for Face Recognition", Pattern Recognition Letters, Vol. 27, pp. 1758-1767.
  11. S. Z. Li, Z. Zhang, H. Shum (2002), and H. Zhang, "FloatBoost Learning for Classification", In Proc. NIPS, pp. 993-1000.
  12. Y. Freund. and R. Schapire (1999), "A short introduction to boosting," J. Japanese Soci. Artific. Intell. Vol. 14, pp. 771-780.