KR20030051554A - 퍼지 소속도를 갖는 얼굴인식 방법 - Google Patents

Abstract

최근들어 각광받고 있는 생체인식 기법 중 얼굴인식과 관련하여 퍼지 fisherface 방법을 개시하고자 한다. fisherface 방법은 주성분 분석기법(PCA)과 선형판별 분석기법(LDA)을 이용함으로써 조명의 변화, 얼굴의 포즈, 얼굴의 감정과 같은 변동에 대해서 민감한 단점을 가진다. 본 발명의 주된 특징은 PCA에 의해 변환된 특징벡터에 퍼지 소속을 할당하는 것이다. 이 방법에서, 퍼지 소속도는 퍼지 kNN(k-Nearest Neighbor) 초기화로부터 얻어지고, 조명이나 보는 각도로 인해 발생하는 얼굴영상 사이의 유사한 변동에 대하여 민감함을 줄이고 인식률을 개선시킬 수 있다.

Description

퍼지 소속도를 갖는 얼굴인식 방법 {Face Recognition using fuzzy membership value}

얼굴 인식을 위해 잘 알려진 방법들은 eigenface와 fisherface 방법이다. eigenface 방법은 KL(Karhunen-Loeve) 방법으로서 알려진 주성분 분석기법(Principal Component Analysis : PCA)에 의해 변환된 특징벡터를 이용함으로서 수행되어지며, 얼굴영상 공간을 저차의 특징공간으로 선형적으로 투영하는 것을 근거로 하고 있다. 얼굴인식을 위한 eigenface 방법의 주된 문제점은 PCA가조명이나 얼굴감정으로 인해 원하지 않는 변동을 보유하기 때문에 저차 기저로부터 차원축소에는 최적의 방법이지만 분류에 있어서는 그렇지 않다는 것이다. 따라서 분류의 문제에서는 선형판별기법이 우수한 성능을 보이고 있다. 그러나, 이 방법은 얼굴영상에서의 변동을 제대로 반영할 수 없는 단점이 있다.

바이오메트릭스(Biometrics)는 개인의 신원확인 혹은 개인적인 인증을 위해 생리학적이거나 행동학적인 특징들을 획득하여 연구하는 분야로, 얼굴인식은 사람을 식별하기 위해 사용하는 자연스러우면서도 직접적인 생체인식 방법중 하나로, 컴퓨터 비젼, 영상처리, 패턴인식과 같은 다양한 분야에서 연구되어지고 있다. 그러나, 얼굴인식은 조명의 변화, 얼굴의 포즈, 감정과 같은 큰 변동에 의해 매우 어려운 문제점을 가지고 있다. 이에 본 발명에서는 이런한 문제점을 해결하기 위해 퍼지 소속도를 갖는 Fisherface 방법을 이용한 얼굴인식을 제안 한다.

도 1은 본 발명에서 제안한 퍼지 KNN 초기화를 이용한 퍼지 소속도

도 2는 본 발명에서 제안한 인식 결과의 비교 영상

도 3는 본 발명에서 제안한 인식 결과의 비교 영상

도 4은 본 발명에서 제안한 영상에 대한 퍼지 소속도

도 5는 퍼지 fisherface 방법의 순서도

도 6는 ORL 얼굴 데이터베이스로부터 인식률 비교

퍼지 집합은 소속함수에 대한 특성함수의 개념을 일반화함으로서 유도되어지며, PCA에 의해 변환된 특징벡터의 집합이 주어질 때 이 벡터들의 퍼지 분할 행렬은 각각 혹은 c 클래스에서 각 벡터의 소속도를 특성화하고, 그것은의 행렬 U로 표현한다. 여기서,i=1,2, ...,c , j=1,2,...,N 는 클래스 i에서의 소속도 이다. 다음 성질은 퍼지 분할 행렬 U에 있어서 사실이어야만 한다.

(1)

(2)

(3)

c 클래스에서 특징 벡터의 퍼지 소속도의 합은 항상 1이어야하며, 두 개의 클래스의 경우, 0.5 근처의 소속도는 두 클래스에서 높은 소속도를 가짐을 의미한다.

퍼지 소속도의 계산하기 위해 간략히 단계별로 살펴보면 다음과 같다.

[단계1] 학습 집합의 특징벡터들 사이의 유클리디안 거리 행렬(Euclidean distance matrix)을 구한다.

[단계2] i=j 경우에 영의 값을 가지기 때문에 거리 행렬에서 대각요소의 값을 무한대(큰 값)으로 정한다.

[단계3] 거리 값이 작은 순서로 거리 행렬을 분류한다. 고려하는 패턴의 가장 가까운

이웃에 위치한 패턴의 클래스 레벨을 선택한다. 즉, 1에서 k번째 근접 포인트까지 대응하는 클래스를 선택한다.

[단계4] Keller에 의해 제안된 다음 식을 이용하여 j번째 패턴에 대한 i번째 클래

스의 퍼지 소속도를 계산한다.

여기서의 값은 j번째 데이터에서 i번째 클래스에 속하는 이웃들의 수이다.

이 방법을 설명하기 위해 [도 1]과 같이 우리는 세 개의 클래스를 갖는 9개의 2차원 데이터를 고려해 볼 수 있다. 예를 들어 5번째 샘플 포인트(클래스 2)의 퍼지 소속도가 (0 0.6733 0.3267)이라 할 때, 퍼지 소속도는 식(4)를 이용하여 다음과 같이 계산되어진다.

(1) 클래스 1할당된 클래스 2,

(2) 클래스 2 = 할당된 클래스 2,

(3) 클래스 3할당된 클래스 2,

각 클래스평균 값은 다음 식과 같이 특징벡터와 퍼지 소속도를 이용함으로서 계산되어질 수 있다.

여기서j번째 레벨된 샘플 집합의 i번째 클래스의 소속도이다. FBCS(Fuzzy Between-Class Scatter) 행렬와 FWCS(Fuzzy Within-Class Scatter) 행렬은 각각 다음과 같이 정의된다.

최적의 퍼지 투영행렬와 퍼지 기반 fisherface 방법에 의해 투영된 특징벡터는 각각 다음과 같이 계산되어진다.

다음 예제는 발명된 방법이 얼굴인식 분야에서 어떻게 개선시킬 수 있는지를 보여준다. [도 2]는 Yale 얼굴 데이터베이스에서 eigenface, fisherface, 제안된 방법을 이용한 시뮬레이션 결과를 보여주고 있다. 도에서 알 수 있듯이 [도 2] (a)와 (b)는 조명 변화와 같은 큰 변동으로 인해 오분류의 결과를 보여준다. 그러나 [도 3] (c)는 퍼지 소속도를 PCA에 의해 변환된 특징벡터에 부여함으로서 더 좋은 인식 성능을 보여주고 있다. [도 3] (c)의 퍼지 소속도는 [도 4]에 나타내고 있다.

ORL 얼굴 데이터베이스는 서로 다른 환경에서 40명으로부터 400개의 얼굴영상을 포함하고 있다. 각 개인에 대해서 얼굴 영상의 수는 10이며, 이 영상들은 위치, 회전, 스케일, 얼굴 감정에서 변화를 주고 있다. 회전에서 변화는 최대 20도 회전하였고, 스케일에서 변화는 사람과 비디오 카메라 사이에 거리를 변화하였다. 또한 어떤 사람에 대해서는 안경 착용에 변화를 주었고, 서로 다른 시간에 영상을 얻었다. 각 영상들은 디지털화되고 0에서 255까지 그레이 값을 가진 112 X 92 영상 크기에 의해 나타내어지며, 학습과 검증 영상 집합은 개인당 학습 영상의 수 5장, 검증 영상의 수 5장으로 선택하였다.

이 절차는 각 경우에 있어 임의의 선택된 영상에 대해서 10번 동안 반복적으로 수행되어진다. 먼저, PCA에 의해 얻어진 200개의 고유치에 대해 10번 실험에서 가장 좋은 성능을 나타내는 60개의 고유치에 대응하는 고유벡터를 결정하였다. 또한, LDA에서 C-1 개 가장 큰 일반화된 고유치에 대응하는 판별 벡터(discriminant vectors)의 수는 39이다. 각 경우에 대한 얼굴인식률의 실험결과는 [도 6]에 나타내었다.

Claims (1)

1. 퍼지 소속도를 갖는 Fisherface 방법을 이용한 얼굴인식을 함에 있어서,

   (1) 얼굴영상에 대한 클래스 소속 정보를 이용함으로서 얼굴인식을 위한 fisherface 방법의 일반화된 형태인 퍼지 fisherface방법.