[논문 리뷰] Face Recognition Machine Vision System Using Eigenfaces

Fares Jalled|arXiv (Cornell University)|2017. 05. 08.

Face and Expression Recognition참고 문헌 8인용 수 7

한 줄 요약

이 논문은 기존 PCA에 비해 조명 및 밝기 변화에 민감도를 낮추기 위해 입력 데이터를 정규화하는 방법을 도입한 보완된 특징 추출 기법인 정규화된 주성분 분석(N-PCA)을 제안한다. ORL 및 인도 얼굴 데이터베이스에서의 실험 결과, N-PCA는 PCA보다 높은 정확도(ORL 기준 93.75%, IFD 기준 80/20 분할 시 76.67%)를 달성하여 실제 세계의 변동성 조건에서의 효과성을 입증한다.

ABSTRACT

Face Recognition is a common problem in Machine Learning. This technology has already been widely used in our lives. For example, Facebook can automatically tag people's faces in images, and also some mobile devices use face recognition to protect private security. Face images comes with different background, variant illumination, different facial expression and occlusion. There are a large number of approaches for the face recognition. Different approaches for face recognition have been experimented with specific databases which consist of single type, format and composition of image. Doing so, these approaches don't suit with different face databases. One of the basic face recognition techniques is eigenface which is quite simple, efficient, and yields generally good results in controlled circumstances. So, this paper presents an experimental performance comparison of face recognition using Principal Component Analysis (PCA) and Normalized Principal Component Analysis (NPCA). The experiments are carried out on the ORL (ATT) and Indian face database (IFD) which contain variability in expression, pose, and facial details. The results obtained for the two methods have been compared by varying the number of training images. MATLAB is used for implementing algorithms also.

연구 동기 및 목표

• 실제 환경에서의 조명, 표정, 자세 차이와 같은 변동성 조건 하에서의 얼굴 인식 성능 향상.
• 기본 주성분 분석(PCA)과 비교하여 정규화된 주성분 분석(N-PCA)의 얼굴 인식 성능에 대한 효과성 평가.
• 다양한 얼굴 데이터베이스에서 훈련 및 테스트 데이터 세트 비율 변화에 따른 정확도 평가.
• N-PCA가 망막, 배경 잡음, 밝기 변화와 같은 영상 변동성을 다룰 수 있는 강건성 검증.

제안 방법

• 시스템은 다섯 단계 파이프라인을 사용한다: 이미지 수집, 사전 처리(크기 정규화, 배경 제거, 이동/회전 정규화, 조도 보정), N-PCA를 통한 특징 추출, 유클리드 거리 기반 분류, 데이터베이스 매칭.
• 얼굴 영상은 2차원 행렬에서 1차원 특징 벡터(N² 크기)로 변환되어 PCA 및 N-PCA 알고리즘에 입력된다.
• N-PCA는 PCA 적용 전에 각 얼굴 영상 벡터에서 평균을 빼고 L2 노름으로 나누어 밝기 변화에 대한 민감도를 감소시킨다.
• 이 방법은 정규화된 훈련 세트의 공분산 행렬을 사용하여 고유 얼굴를 계산하며, 분산을 최대한 유지하는 주성분을 유지한다.
• 분류 작업은 테스트 이미지 투영과 훈련 이미지 투영 간 유클리드 거리 기반으로 가장 가까운 이웃 규칙을 적용하여 수행된다.
• 실험은 ORL(ATT) 및 인도 얼굴 데이터베이스(IFD)에서 MATLAB을 사용하여 수행되었으며, 훈련 비율은 40/60에서 80/20까지 다양하게 설정되었다.

실험 결과

연구 질문

• RQ1 N-PCA는 다양한 조도 및 자세 조건 하에서 표준 PCA에 비해 얼굴 인식 정확도를 향상시키는가?
• RQ2 실제 환경의 얼굴 데이터베이스에서 훈련 대 테스트 데이터 세트 비율 변화에 따라 N-PCA의 인식 성능는 어떻게 변화하는가?
• RQ3 N-PCA는 PCA보다 표정, 가림, 조도 변화와 같은 얼굴 변동성을 더 효과적으로 다룰 수 있는가?
• RQ4 다양한 실험 설정 하에서 ORL 및 인도 얼굴 데이터베이스에서 N-PCA와 PCA의 비교 정확도는 어떠한가?

주요 결과

• ORL 데이터베이스에서 80/20 훈련/테스트 분할 시 N-PCA는 93.75%의 정확도를 기록했으며, 이는 PCA의 92.50%보다 높은 성능이다.
• 인도 얼굴 데이터베이스(IFD)에서 N-PCA는 80/20 비율에서 76.67%의 정확도를 달성했고, 이는 PCA의 74.17%보다 높은 성능이다.
• 훈련 데이터가 증가함에 따라 두 방법 모두 정확도가 향상되었으며, 모든 테스트 비율에서 N-PCA가 항상 PCA를 앞서는 성능를 보였다.
• 40/60 비율에서 N-PCA는 ORL에서 85.83%의 정확도, IFD에서 72.53%의 정확도를 기록했고, 이는 각각 PCA의 85.42% 및 71.98%보다 높은 성능였다.
• 결과는 N-PCA가 정규화 단계 덕분에 조도 및 밝기 변화에 더 강건함을 보여준다.
• 연구는 N-PCA가 이론적 얼굴 방법에 대한 유망한 개선 사항이며, 다른 인식 기법과 조합될 경우 더욱 향상될 수 있음을 결론으로 내린다.