부분공간 기반 특징추출기의 조명 변인에 대한 얼굴인식 성능 분석 = Face recognition evaluation of an illumination property of subspace based feature extractor

국문 초록 (Abstract)

오늘날 개인의 정보 보호 및 신분 확인을 위하여 고유한 생체 특징을 분석하고 인식하는 생체 인식 분야의 여러 대상 중에서 사람의 얼굴 인식은 특히 "인간에게 가장 친숙한 기술"로서 발전을 이루고 있다. 그러나 얼굴 검출과 특징 추출의 과정을 거쳐 인식까지 매 과정마다 조명, 자세 그리고 표정 변화 등의 제약 점들로 인해 시스템 구현이 매우 어렵다. 인식기가 성능을 최대화하기 위해 중간 단계로 중요한 역할을 하는 특징 추출에 매우 의존적인 것은 당연한 일이다.
가장 일반적으로 쓰이는 부분 공간을 이용하는 두 가지의 특징 추출 기법 중 하나인 PCA는 이미지 표현을 가장 잘 나타내는 공간을 찾는 반면, LDA는 인식의 영향을 주는 최적의 판별 공간을 찾는 장점이 있음에도 불구하고, 실제 얼굴 인식 시스템에서는 PCA가 더 좋은 성능을 보이게 된다. 얼굴에 대해 각 대상을 표현하는 이미지 데이터의 부족으로 발생하는 LDA의 근본적인 문제를 효과적으로 해결하며 LDA의 이론적 장점을 살리기 위한 방법으로 D-LDA와 kernel D-LDA가 있다. D-LDA는 쓸모없는 정보를 가진 클래스 간 분산 행렬의 영공간을 버리는 동시에 가장 분류 정보가 많은 클래스 내 분산 행렬의 영공간 이용으로 탁월할 성능 향상을 보이며, kernel D-LDA는 복잡한 패턴을 이루는 얼굴 문제를 선형적으로 해결하는 D-LDA의 한계를 보완하기 위해 비선형 특징 공간을 이용한다.
따라서 본 논문에서는 얼굴 인식 결과에 큰 영향을 주는 요소인 조명 변화에 초점을 맞춰 D-LDA가 다른 기법들에 비해 덜 민감하게 수행할 수 있는 성질을 지녔음을 밝히고자 한다. 측명광과 역광등의 조명 변화와 농도의 변화를 고려하여 조명 변화를 갖는 테스트를 갖는 ORL 데이터베이스, Yale 데이터베이스, 그리고 포항공대 데이터베이스를 여러 특징 추출 알고리즘에 적용함으로써 클래스, 학습 데이터 그리고 테스트 데이터 수가 각기 다른 세 종류의 데이터 베이스에서 모두 D-LDA가 적은 학습 데이터에서도 조명 변인에 가장 덜 민감하게 반응하는 좋은 인식 성능을 갖는 성질을 지녔음을 보여준다.

다국어 초록 (Multilingual Abstract)

Face recognition of biometrics fields that analyzes and recognizes unique features is achieving development as technique "which is the most familiar to" man for a personal information security and user identification in recent years. However, the face recognition system is very hard to be implemented due to the difficulty where the change in illumination pose have every process passing through the processes of the face detection, feature extraction, and recognition. It is natural work that there is dependence between the face detection and feature extraction so that the recognition systems maximize performance, therfore, the feature extraction process that is the middle process of a recognition system is becoming the important study subject as an essential step.
The PCA of general feature extraction techniques looks for the space that represents an image the best , whereas, the LDA looks for the most suitable discriminant space for face recognition affects. In spite of this merit of LDA, it is shown that PCA performs better in practice face recognition system. D-LDA and kernel D-LDA are the alternatives to solve this basic problem of LDA generating shortage of image data to express an each class effectively, preserving a theoretical merit of LDA. D-LDA has an excellent performance enhancement for this between null space of within-class scatter matrix which had a lot of discriminant information at the same time to throw away null space of between-class scatter matrix which had useless information. Kernel D-LDA uses nonlinear feature space for compensating for the limit of D-LDA which solves the face problem in linear space in order to classify such complicated patterns.
Therefore, considering an illumination change causing the variety of face appearance, virtual image data is generated and added to the D-LDA which was selected as the most suitable feature extractor. A less sensitive recognition system in illumination is represented in this paper. This way that consider nature of several illumination directions generate the virtual training image data that considered an illumination effect of the directions and the change of illumination density. As result of experiences, D-LDA has a less sensitive property in an illumination through ORL, Yale Univirsity and Pohang Univirsity face database.

목차 (Table of Contents)

• 목차 = i
• 그림 차례 = iii
• 표 차례 = iv
• 국문요약 = v
• 제1장 서론 = 1
• 제2장 특징 추출 기법 = 4
• 2.1 고차원 입력공간과 저차원 부분공간 = 4
• 2.2 PCA에서의 고유공간(eigen space) = 7
• 2.3 LDA에서의 판별 공간(discriminant space) = 11
• 2.3.1 일반 LDA 문제 및 해결 방법들 = 14
• 2.3.2 PCA+LDA : 고유 공간에서의 선형 판별 분석 = 16
• 제3장 Direct LDA = 19
• 3.1 클래스 내 분산 행렬의 영공간을 이용한 D-LDA = 20
• 3.2 선 클래스 간 분산 행렬의 대각화 D-LDA = 23
• 제4장 커널 특징 추출 기법 = 24
• 4.1 커널을 통한 비선형 특징 공간 = 24
• 4.2 커널 direct LDA = 26
• 제5장 실험 및 결과 고찰 = 27
• 5.1 실험 환경 = 27
• 5.2 전처리 = 28
• 5.3 실험 구성 = 30
• 5.4 조명 변화를 지닌 가상 학습 이미지 결합을 통한 얼굴 인식 성능 = 30
• 5.4.1 얼굴 이미지의 조명 변화 = 30
• 5.4.2 조명 성분을 입힌 가상 데이터(virtual data) 생성 = 32
• 5.4.3 데이터 구성 및 실험 결과 분석 = 35
• 5.4.4 최적 기저 수 결정 = 35
• 5.4.5 인식 성능 결과 = 37
• 5.5 다양한 조명 변화에 대한 특징 추출 알고리즘들의 얼굴 인식 성능 = 39
• 5.5.1 데이터 구성 및 실험 결과 분석 = 39
• 5.5.2 인식 성능 결과 = 40
• 5.5.3 세 데이터베이스 실험을 통한 통계적 분석 = 43
• 제6장 결론 및 향후 연구 과제 = 46
• 참고문헌 = 48
• APPENDIX A = 52
• APPENDIX B = 54
• APPENDIX C = 57
• Abstract = 59