[논문 리뷰] Face Recognition Based on SVM and 2DPCA

Thái Hoàng Lê, Len Bui|arXiv (Cornell University)|2011. 10. 25.

Face and Expression Recognition참고 문헌 15인용 수 34

한 줄 요약

이 논문은 특징 추출에 2DPCA를, 분류에 SVM을 사용하는 얼굴 인식 시스템을 제안하며, FERET 및 AT&T 데이터베이스에서 높은 인식 정확도를 달성한다. 이 방법은 2DPCA를 통해 2차원 이미지 직접 처리를 통해 차원을 감소시키면서도 공간적 구조를 유지하고, 그 다음에 SVM의 강력한 분류 성능을 활용함으로써 기준 방법보다 높은 분류 정확도를 달성한다.

ABSTRACT

The paper will present a novel approach for solving face recognition problem. Our method combines 2D Principal Component Analysis (2DPCA), one of the prominent methods for extracting feature vectors, and Support Vector Machine (SVM), the most powerful discriminative method for classification. Experiments based on proposed method have been conducted on two public data sets FERET and AT&T; the results show that the proposed method could improve the classification rates.

연구 동기 및 목표

• 전통적인 PCA의 한계를 해결하기 위해 공간적 관계를 유지하는 2차원 표현을 사용함으로써 얼굴 인식에서의 성능을 향상시키기 위해.
• SVM의 강력한 분류 능력을 통합하여 2DPCA와 결합함으로써 분류 성능을 향상시키기 위해.
• FERET 및 AT&T와 같은 표준 공개 얼굴 인식 데이터베이스에서 제안된 방법의 유효성을 검증하기 위해.
• 기존 방법보다 2DPCA와 SVM을 조합함으로써 더 높은 인식률을 달성할 수 있음을 보여주기 위해.

제안 방법

• 이 방법은 이미지를 벡터화하지 않고도 얼굴 이미지에 직접 2DPCA를 적용하여 원래의 2차원 구조를 유지하면서 차원 감소를 수행한다.
• 2DPCA는 2차원 이미지 행렬을 사용하여 주성분을 계산하여 특징 공간을 감소시키면서도 공간 정보를 유지한다.
• 2DPCA로 감소된 특징 벡터는 분류를 위해 지지벡터기반기계(SVM)의 입력으로 사용된다.
• SVM은 서로 다른 얼굴 클래스 간의 마진을 최대화하도록 훈련되어 일반화 능력과 정확도를 향상시킨다.
• 기존 1차원 PCA에서 요구되는 행렬 재구성 단계를 회피함으로써 계산 복잡도를 감소시키고 잠재적인 정보 손실을 방지한다.
• 시스템은 FERET 및 AT&T 데이터베이스에서 표준 인식 프rotocol을 사용하여 교차검증을 통해 평가된다.

실험 결과

연구 질문

• RQ1 기존 1차원 PCA와 비교해 2DPCA가 얼굴 인식에서 특징 추출 성능을 향상시킬 수 있는가?
• RQ2 2DPCA와 SVM을 조합하면 개별적으로 사용할 경우보다 더 높은 분류 정확도를 달성할 수 있는가?
• RQ3 제안된 방법은 FERET 및 AT&T와 같은 표준 벤치마크 얼굴 데이터베이스에서 어떻게 성능을 발휘하는가?
• RQ4 2차원 이미지 구조를 유지하는 것이 인식 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 기준 방법보다 FERET 및 AT&T 데이터베이스 양쪽 모두에서 더 높은 분류 정확도를 달성하였다.
• 2DPCA와 SVM의 통합은 얼굴 인식 작업에서 향상된 강인성과 일반화 능력을 보였다.
• 이미지의 벡터화를 피함으로써 계산 오버헤드를 감소시켰고, 특징 추출 전 과정에서 공간적 구조를 유지하였다.
• 실험 결과는 다양한 테스트 조건과 데이터셋에서 일관된 성능 향상을 보였다.