[논문 리뷰] Sample-Relaxed Two-Dimensional Color Principal Component Analysis for Face Recognition and Image Reconstruction

Meixiang Zhao, Zhigang Jia외 1명|arXiv (Cornell University)|2018. 03. 10.

Remote-Sensing Image Classification참고 문헌 1인용 수 6

한 줄 요약

이 논문은 표본 이완을 고려한 2차원 색상 주성분 분석(SR-2DCPCA)을 제안한다. 이는 레이블별 분산 정보를 자동으로 생성된 이완 벡터를 통해 통합함으로써 성능을 향상시키는 새로운 퀼리니언 기반 방법으로, 표본 이완을 고려한 저차원 공분산 행렬을 구성하고, r개의 최대 고유값에 대응하는 고유벡터로 투영함으로써 실재의 얼굴 데이터베이스에서 최신 기술보다 높은 인식 정확도와 효율적인 재구성 성능을 달성한다.

ABSTRACT

A sample-relaxed two-dimensional color principal component analysis (SR-2DCPCA) approach is presented for face recognition and image reconstruction based on quaternion models. A relaxation vector is automatically generated according to the variances of training color face images with the same label. A sample-relaxed, low-dimensional covariance matrix is constructed based on all the training samples relaxed by a relaxation vector, and its eigenvectors corresponding to the $r$ largest eigenvalues are defined as the optimal projection. The SR-2DCPCA aims to enlarge the global variance rather than to maximize the variance of the projected training samples. The numerical results based on real face data sets validate that SR-2DCPCA has a higher recognition rate than state-of-the-art methods and is efficient in image reconstruction.

연구 동기 및 목표

• 동일한 신원을 가진 학습 샘플 간의 레이블별 분산을 忽시하는 기존 2DCPCA 방법의 한계를 해결한다.
• 공분산 행렬 구성 시 내부 클래스 분산 정보를 활용하여 얼굴 인식 정확도를 향상시킨다.
• 학습 샘플 분산만 최대화하는 것 외에, 투영된 이미지의 전반적 분산을 향상시키는 방법을 개발한다.
• 이완된 공분산 행렬 기반 저차원 투영을 이용해 효율적이고 정확한 색상 이미지 재구성을 가능하게 한다.
• 얼굴 이미지의 공간적 및 색상 구조를 완전히 활용하기 위해 퀄리니언 표현을 통합하여 강력한 성능을 달성한다.

제안 방법

• 같은 레이블을 가진 학습 샘플의 분산에서 유도된 이완 벡터를 적용하여 표본 이완을 고려한 저차원 공분산 행렬을 구성한다.
• 동일한 레이블을 가진 색상 얼굴 이미지의 내부 클래스 분산을 기반으로 이완 벡터를 자동으로 생성한다.
• 최적의 투영을 이완된 공분산 행렬의 r개 최대 고유값에 대응하는 고유벡터로 정의한다.
• 쿼터니언 행렬 표현을 사용하여 색상 이미지를 모델링함으로써 단일 수학적 프레임워크 내에서 공간적 및 색채적 구조를 유지한다.
• 유도된 투영 행렬을 사용해 학습 및 테스트 이미지를 모두 저차원 부분공간으로 투영하여 인식 및 재구성에 활용한다.
• 동일한 고유벡터 기저를 사용해 역으로 투영하여 원본 색상 이미지를 재구성한다.

실험 결과

연구 질문

• RQ1 레이블이 동일한 학습 샘플의 내부 클래스 분산을 2차원 색상 PCA 프레임워크에 통합하면 얼굴 인식 성능 향상이 가능한가?
• RQ2 레이블별 분산을 기반으로 한 이완 벡터는 표준 2DCPCA보다 더 나은 일반화 및 더 높은 인식 정확도를 제공하는가?
• RQ3 인식률과 계산 효율성 측면에서 SR-2DCPCA는 PCA, CPCA, 2DPCA 및 2DCPCA와 어떻게 비교되는가?
• RQ4 SR-2DCPCA는 저차원 투영에서 원본 색상 얼굴 이미지를 어느 정도 재구성할 수 있는가?
• RQ5 쿼터니언 기반 모델링을 사용하면 색상 얼굴 분석에서 인식 및 재구성 성능 향상에 기여하는가?

주요 결과

• 13장의 이미지가 개인당 사용된 경우 SR-2DCPCA는 지아지 테크 얼굴 데이터베이스에서 최대 95.0%의 인식률을 기록하여 CPCA(87.0%), 2DPCA(88.0%), 2DCPCA(92.0%)를 모두 능가했다.
• 동일한 데이터베이스에서 개인당 10장의 학습 이미지를 사용한 경우 SR-2DCPCA는 85.2%의 인식률을 기록하여 2DCPCA(84.8%)와 2DPCA(83.2%)를 초월했다.
• SR-2DCPCA는 한 장의 얼굴 이미지를 인식하는 데 평균 2.16밀리초가 소요되었으며, CPCA(23.80ms)보다 훨씬 빠르고 2DPCA(0.06ms)와 유사한 수준이었다.
• 색상 FERET 데이터베이스에서 SR-2DCPCA는 모든 고유얼스(1~128) 수준에서 2DCPCA보다 일관되게 높은 재구성 비율을 보였다.
• 고유얼스 수가 많아질수록 SR-2DCPCA와 2DCPCA 간의 재구성 비율 격차가 커졌으며, 이는 SR-2DCPCA가 부분공간 내에서 더 많은 이미지 에너지를 유지할 수 있음을 시사한다.