[논문 리뷰] Principal Component Analysis-Linear Discriminant Analysis Feature Extractor for Pattern Recognition

Aamir Khan, Hasan Farooq|arXiv (Cornell University)|2012. 04. 05.

Biometric Identification and Security참고 문헌 11인용 수 54

한 줄 요약

이 논문은 주성분 분석(PCA)과 선형 판별 분석(LDA)을 융합한 하이브리드 특징 추출 방법을 제안하여 생체 인식 시스템에서 패턴 인식 성능을 향상시킨다. 차원 축소와 클래스 간 분離도 최대화를 통해 PCA-LDA 융합 기법은 특히 고차원, 소표본 상황에서 정확도와 일반화 능력을 향상시킨다. K-Nearest Neighbor 및 SignalWAVE를 통한 실시간 구현을 통해 검증된다.

ABSTRACT

Robustness of embedded biometric systems is of prime importance with the emergence of fourth generation communication devices and advancement in security systems This paper presents the realization of such technologies which demands reliable and error-free biometric identity verification systems. High dimensional patterns are not permitted due to eigen-decomposition in high dimensional image space and degeneration of scattering matrices in small size sample. Generalization, dimensionality reduction and maximizing the margins are controlled by minimizing weight vectors. Results show good pattern by multimodal biometric system proposed in this paper. This paper is aimed at investigating a biometric identity system using Principal Component Analysis and Lindear Discriminant Analysis with K-Nearest Neighbor and implementing such system in real-time using SignalWAVE.

연구 동기 및 목표

• 고차원 생체 데이터에서 고유값 분해와 산산이 흩어지는 행렬의 문제점을 해결하기 위해.
• 차원 축소와 클래스 간 분리도 향상을 통해 생체 신원 확인 시스템의 일반화 능력과 강인성을 향상시키기 위해.
• 4세대 통신 장치 및 고급 보안 응용 분야에 적합한 실시간, 신뢰할 수 있는 생체 인식 시스템을 개발하기 위해.
• 다중 모odal 생체 인식에서 최적의 특징 추출을 위해 PCA와 LDA를 통합하기 위해.
• K-Nearest Neighbor 분류 및 SignalWAVE를 통한 실시간 배포를 통해 시스템 성능을 검증하기 위해.

제안 방법

• 고차원 생체 영상 데이터의 차원을 줄이기 위해 주성분 분석(PCA)을 적용한다.
• PCA로 차원이 축소된 데이터에 대해 선형 판별 분석(LDA)을 사용하여 클래스 간 분離도를 최대화하고 클래스 내 분산을 최소화한다.
• PCA와 LDA를 순차적 파이프라인으로 통합: 먼저 노이즈 제거와 차원 축소를 위한 PCA를 수행한 후, 클래스 구분 능력을 향상시키기 위해 LDA를 적용한다.
• 추출된 특징의 분류를 위해 K-가까운 이웃(K-NN)을 활용한다.
• 실시간으로 작동하는 시스템을 SignalWAVE 플랫폼을 사용해 구현하여 임베디드 생체 인식 응용 분야에 적합하게 한다.
• 가중치 벡터 최소화를 통해 마진 최대화와 일반화 능력을 향상시키기 위해 시스템을 최적화한다.

실험 결과

연구 질문

• RQ1 PCA와 LDA는 고차원 생체 데이터에서 특징 추출을 향상시키기 위해 어떻게 효과적으로 융합될 수 있는가?
• RQ2 차원 축소와 클래스 간 분리도는 소표본 생체 인식 시스템에서 정확도에 어떤 영향을 미치는가?
• RQ3 PCA-LDA 융합 기법은 임베디드 생체 인식 시스템에 적합한 실시간 성능을 달성할 수 있는가?
• RQ4 소표본 크기에서 고유값 분해의 불안정성과 산산이 흩어지는 행렬의 문제를 제안된 방법은 어떻게 완화하는가?
• RQ5 PCA-LDA를 사용한 다중 모달 생체 인식 시스템은 기존 방법 대비 성능 향상이 얼마나 이루어지는가?

주요 결과

• PCA-LDA 하이브리드 접근법은 차원 축소를 효과적으로 수행하면서도 분류에 유용한 정보를 유지하여 시스템의 강인성을 향상시킨다.
• PCA 사전 처리를 통해 소표본 크기에서 산산이 흩어지는 행렬의 열화를 완화시킨다.
• 최적화된 가중치 벡터 최소화를 통해 일반화 능력과 마진 최대화가 향상된다.
• K-가까운 이웃과의 통합으로 시험된 생체 패턴 인식 작업에서 높은 정확도를 달성한다.
• SignalWAVE를 통한 실시간 구현은 시스템을 임베디드 및 모바일 생체 인식 응용 분야에 구현할 수 있음을 확인한다.
• 다중 모달 생체 인식 시스템은 뛰어난 성능을 보이며, PCA-LDA 특징 추출기의 효과성을 입증한다.