[논문 리뷰] A comparative study on face recognition techniques and neural network

Meftah Ur Rahman|arXiv (Cornell University)|2012. 10. 06.

Face and Expression Recognition참고 문헌 7인용 수 14

한 줄 요약

이 논문은 정적 이미지 또는 영상 프레임에서 개인을 식별하는 데 있어 전통적인 얼굴 인식 기법과 신경망 기반 접근법을 비교 분석한다. 특징 추출, 분류, 신경망 통합을 검토하며, 다양한 조건에서 신경망이 전통적 방법에 비해 정확성과 강인성 면에서 뛰어나다는 결론을 도출한다.

ABSTRACT

In modern times, face recognition has become one of the key aspects of computer vision. There are at least two reasons for this trend; the first is the commercial and law enforcement applications, and the second is the availability of feasible technologies after years of research. Due to the very nature of the problem, computer scientists, neuro-scientists and psychologists all share a keen interest in this field. In plain words, it is a computer application for automatically identifying a person from a still image or video frame. One of the ways to accomplish this is by comparing selected features from the image and a facial database. There are hundreds if not thousand factors associated with this. In this paper some of the most common techniques available including applications of neural network in facial recognition are studied and compared with respect to their performance.

연구 동기 및 목표

• 전통적인 얼굴 인식 기법과 신경망 기반 방법의 효과성을 평가하고 비교하는 것.
• 신경망이 얼굴 인식에서 특징 추출 및 분류에 어떻게 기여하는지 분석하는 것.
• 다양한 조명, 자세, 표정 조건에서의 성능 차이를 규명하는 것.
• 실세계 인식 시나리오에서 신경망의 실용적 적용 가능성을 평가하는 것.

제안 방법

• 논문은 주요 얼굴 인식 기법을 검토하고 분류하며, 이는 얼굴 특징, 피셔 얼굴, 국소 이진 패턴을 포함한다.
• 전방 신경망과 컨볼루션 신경망과 같은 신경망 아키텍처가 특징 학습 및 분류에서 수행하는 역할을 분석한다.
• 정확도, 처리 시간, 노이즈에 대한 강인성과 같은 성능 지표를 사용하여 방법 간 비교를 수행한다.
• 전통적인 특징 추출 기법과 신경망의 통합이 정확도 향상에 어떻게 기여하는지 평가한다.
• 통제된 조건에서 인식 성능를 테스트하기 위해 벤치마크 데이터셋을 활용한 비교 프레임워크를 수립한다.

실험 결과

연구 질문

• RQ1 전통적인 얼굴 인식 기법은 신경망 기반 접근법에 비해 정확성과 효율성 면에서 어떻게 비교되는가?
• RQ2 신경망은 얼굴 인식을 위한 특징 표현 향상에 어떤 역할을 하는가?
• RQ3 신경망 모델은 조도, 자세, 표정 변화에 대해 얼마나 강인한가?
• RQ4 기존 방법과 신경망을 융합함으로써 인식 성능는 어떤 방식으로 향상되는가?

주요 결과

• 신경망 기반 방법은 얼굴 특징, 피셔 얼굴 등 전통적 기법에 비해 더 높은 인식 정확도를 보였다.
• 컨볼루션 신경망은 조도 및 표정 변화에 대한 처리에서 뛰어난 성능을 보였다.
• 기존 특징 추출 기법과 신경망의 통합은 전체 시스템의 강인성을 향상시키고 오류율을 감소시켰다.
• 신경망 모델은 더 많은 계산 자원을 요구하지만 다양한 데이터셋에 대한 일반화 능력이 뛰어났다.