[논문 리뷰] Hybrid Approach to Face Recognition System using Principle component and Independent component with score based fusion process

Trupti M. Kodinariya|arXiv (Cornell University)|2014. 01. 02.

Face and Expression Recognition인용 수 5

한 줄 요약

이 논문은 주성분 분석(PCA)과 독립성 성분 분석(ICA)을 조합하고, 역전파 신경망(BPNN)을 사용한 점수 기반 융합 전략을 적용한 하이브리드 얼굴 인식 시스템을 제안한다. 이 방법은 별도의 PCA 및 ICA 특징 추출기를 동시에 학습시킨 후, BPNN의 출력을 점수 수준에서 융합하여 ORL 및 기타 데이터베이스에서 단일 특징 기반 방법보다 뛰어난 성능을 달성함으로써 인식 정확도를 향상시킨다.

ABSTRACT

Hybrid approach has a special status among Face Recognition Systems as they combine different recognition approaches in an either serial or parallel to overcome the shortcomings of individual methods. This paper explores the area of Hybrid Face Recognition using score based strategy as a combiner/fusion process. In proposed approach, the recognition system operates in two modes: training and classification. Training mode involves normalization of the face images (training set), extracting appropriate features using Principle Component Analysis (PCA) and Independent Component Analysis (ICA). The extracted features are then trained in parallel using Back-propagation neural networks (BPNNs) to partition the feature space in to different face classes. In classification mode, the trained PCA BPNN and ICA BPNN are fed with new face image(s). The score based strategy which works as a combiner is applied to the results of both PCA BPNN and ICA BPNN to classify given new face image(s) according to face classes obtained during the training mode. The proposed approach has been tested on ORL and other face databases; the experimented results show that the proposed system has higher accuracy than face recognition systems using single feature extractor.

연구 동기 및 목표

• 단일 얼굴 인식 방법의 한계를 극복하기 위해 다수의 특징 추출 기법을 융합하고자 한다.
• PCA와 ICA 특징을 통합한 하이브리드 시스템을 통해 인식 정확도를 향상시키고자 한다.
• PCA 및 ICA 기반 분류기의 출력을 융합하는 강력한 융합 전략을 개발하고자 한다.
• 점수 수준 융합 메커니즘을 사용하여 ORL과 같은 표준 얼굴 데이터베이스에서 시스템 성능을 평가하고자 한다.
• PCA와 ICA를 신경망과 융합할 경우, 단독으로 사용할 경우보다 더 높은 정확도를 달성할 수 있음을 입증하고자 한다.

제안 방법

• 시스템은 학습 모드와 분류 모드의 두 가지 방식으로 작동한다.
• 학습 중에는 얼굴 이미지를 정규화하고, PCA 및 ICA를 별도로 적용하여 특징을 추출한다.
• PCA 및 ICA 특징에 대해 각각 별도의 BPNN을 학습시어 얼굴 이미지를 고유한 클래스로 분류한다.
• 분류 모드에서는 새로운 얼굴 이미지를 학습된 PCA-BPNN 및 ICA-BPNN에 모두 처리하여 개별 인식 점수를 생성한다.
• 점수 기반 융합 전략을 통해 두 분류기의 출력을 융합하여 최종 얼굴 클래스를 결정한다.
• 융합 과정은 PCA 및 ICA 경로에서 유도된 점수를 집계하여 결정의 강건성과 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 PCA 및 ICA 특징 추출 기법을 융합할 경우, 단독으로 사용할 경우보다 얼굴 인식 정확도가 향상되는가?
• RQ2 PCA 및 ICA 기반 분류기의 출력을 융합하는 데 있어 점수 수준 융합 전략의 효과는 어떠한가?
• RQ3 이 하이브리드 시스템은 표준 얼굴 데이터베이스에서 단일 특징 기반 인식 시스템보다 뛰어난 성능을 보이는가?
• RQ4 분류에 BPNN를 사용할 경우, 하이브리드 PCA-ICA 프레임워크의 성능에 어떤 영향을 미치는가?
• RQ5 점수 수준에서 융합된 경우, PCA 및 ICA 특징의 상대적 기여도는 얼굴 인식 과제에서 어떻게 나타나는가?

주요 결과

• 제안된 하이브리드 시스템은 단독으로 PCA 또는 ICA를 사용하는 얼굴 인식 시스템보다 더 높은 인식 정확도를 달성한다.
• 점수 기반 융합 전략은 PCA 및 ICA의 장점을 효과적으로 융합하여 분류 성능 향상에 기여한다.
• 시스템은 ORL 얼굴 데이터베이스에서 강건성과 향상된 정확도를 보여준다.
• PCA 및 ICA 특징에 대해 병렬로 학습된 BPNN은 특징 공간을 고유한 얼굴 클래스로 효과적으로 분할한다.
• 실험 결과는 다수의 특징 추출 기법과 융합 메커니즘을 융합할 경우 전체 시스템 성능 향상이 가능하다는 것을 확인한다.
• 하이브리드 접근 방식은 단일 방법 기반 시스템보다 뛰어난 성능을 보이며, 제안된 융합 전략의 효과성을 입증한다.