[논문 리뷰] Classification of Log-Polar-Visual Eigenfaces using Multilayer Perceptron

Mrinal Kanti Bhowmik, Debotosh Bhattacharjee외 3명|arXiv (Cornell University)|2010. 07. 05.

Advanced Vision and Imaging참고 문헌 26인용 수 5

한 줄 요약

이 논문은 시각적 얼굴 영상에 로그-극좌표 변환을 적용하여 크기와 회전에 대한 강건성을 향상시키고, 변환된 영상을 고유공간에 투영한 후 개선된 다층 퍼셉트론을 사용하여 분류하는 새로운 얼굴 인식 방법을 제안한다. ORL 데이터베이스에서 정확도는 시각적 영상의 89.5%에서 로그-극좌표-시각적 영상의 97.5%로 향상되었고, OTCBVS 데이터베이스에서는 87.84%에서 96.36%로 향상되었다.

ABSTRACT

In this paper we present a simple novel approach to tackle the challenges of scaling and rotation of face images in face recognition. The proposed approach registers the training and testing visual face images by log-polar transformation, which is capable to handle complicacies introduced by scaling and rotation. Log-polar images are projected into eigenspace and finally classified using an improved multi-layer perceptron. In the experiments we have used ORL face database and Object Tracking and Classification Beyond Visible Spectrum (OTCBVS) database for visual face images. Experimental results show that the proposed approach significantly improves the recognition performances from visual to log-polar-visual face images. In case of ORL face database, recognition rate for visual face images is 89.5% and that is increased to 97.5% for log-polar-visual face images whereas for OTCBVS face database recognition rate for visual images is 87.84% and 96.36% for log-polar-visual face images.

연구 동기 및 목표

• 시각적 영상에서 다양한 크기와 회전에 대한 얼굴 인식 과제를 해결한다.
• 기하학적 변형을 다룰 때 전통적인 이겐페이스 방법의 한계를 극복한다.
• 크기와 회전 하에서 분류 가능한 얼굴 특징를 유지하는 데에 로그-극좌표 변환이 얼마나 효과적인지 탐색한다.
• 로그-극좌표 변환과 고유공간 투영 및 다층 퍼셉트론을 조합하여 분류 정확도를 향상시킨다.
• 표준 얼굴 데이터베이스에서 제안된 방법을 검증하여 강건성과 성능 향상을 입증한다.

제안 방법

• 크기와 회전 불변성을 모델링하기 위해 훈련 및 테스트 얼굴 영상에 로그-극좌표 변환을 적용한다.
• 주성분 분석(PCA)을 사용하여 로그-극좌표 변환된 얼굴 영상에서 고유얼굴을 추출한다.
• 로그-극좌표-시각적 얼굴 영상을 고유공간에 투영하여 차원을 감소시키고 핵심 특징을 유지한다.
• 개선된 분류 성능를 위해 고유공간 표현 특징에 기반한 다층 퍼셉트론(MLP) 분류기를 훈련시킨다.
• 수렴성과 분류 정확도를 향상시키기 위해 개선된 MLP 아키텍처를 사용한다.
• 훈련된 MLP를 통해 변환 및 투영된 얼굴 특징를 정체성 클래스로 매핑하여 분류를 수행한다.

실험 결과

연구 질문

• RQ1 로그-극좌표 변환이 얼굴 인식에서 크기와 회전의 영향을 효과적으로 완화할 수 있는가?
• RQ2 로그-극좌표 변환과 고유공간 투영의 조합이 인식 성능를 어떻게 향상시키는가?
• RQ3 변환된 얼굴 영상에 대해 전통적 방법에 비해 다층 퍼셉트론이 분류 정확도를 얼마나 향상시키는가?
• RQ4 기준 데이터베이스에서 표준 시각적 얼굴 인식과 비교했을 때 제안된 방법은 인식률에서 어떤가?
• RQ5 기하학적 왜곡에도 불구하고 변환 과정이 정확한 분류를 위해 충분한 분류 가능한 정보를 유지하는가?

주요 결과

• ORL 얼굴 데이터베이스에서 표준 시각적 얼굴 영상의 정확도 89.5%에서 로그-극좌표-시각적 얼굴 영상의 97.5%로 향상되었다.
• OTCBVS 데이터베이스에서 시각적 영상의 정확도 87.84%에서 로그-극좌표-시각적 영상의 96.36%로 향상되었다.
• 로그-극좌표 변환은 얼굴 인식 성능에 대한 크기와 회전 변형의 영향을 효과적으로 감소시켰다.
• 고유공간 투영과 다층 퍼셉트론의 통합은 분류 정확도를 크게 향상시켰다.
• 제안된 방법은 ORL 및 OTCBVS 데이터베이스 전반에서 일관된 성능 향상을 보였다.
• 결과는 기하학적 변형 하에서도 로그-극좌표-시각적 고유얼굴이 더 강건한 표현 방식임을 시사한다.