PCA알고리즘을 이용한 최적 pRBFNNs 기반 나이트비전 얼굴인식 시스템 설계

국문 초록 (Abstract)

본 연구에서는 PCA알고리즘을 이용한 최적 pRBFNNs 기반 나이트비전 얼굴인식 시스템을 설계 하고자 한다. 조명이 없는 주위 상태 하에서 조도가 낮기 때문에 CCD 카메라를 이용하여 영상을 획득하는 것이 어렵다. 본 논문에서는 낮은 조도에 의해 왜곡된 이미지의 품질을 나이트 비전 카메라와 히스토그램 평활화를 사용하여 향상시킨다. 그리고 얼굴과 비얼굴 이미지 영역 사이에서 얼굴 이미지를 검출하기 위하여 Ada-Boost 알고리즘을 사용한다. 추출된 고차원 특징 데이터를 저차원의 특징 데이터로 변환하기 위하여 데이터 차원축소 기법인 주성분 분석법(Principal Components Analysis; PCA)을 사용한다. 또한 인식 모듈로서 pRBFNNs(Polynomial- based Radial Basis Function Neural Networks) 패턴분류기를 소개한다. 제안된 다항식 기반 RBFNNs은 조건부, 결론부, 추론부 세 가지의 기능적 모듈로 구성되어 있다. 조건부는 FCM (Fuzzy C-means) 클러스터링을 사용하여 입력 공간을 분할하고, 결론부는 분할된 로컬 영역을 다항식 함수로 표현한다. 그리고 차분진화 (Differential Evolution; DE) 알고리즘을 사용하여 모델의 파라미터를 최적화 한다.

다국어 초록 (Multilingual Abstract)

In this study, we propose the design of optimized pRBFNNs-based night vision face recognition system using PCA algorithm. It is difficalt to obtain images using CCD camera due to low brightness under surround condition without lighting. The quality of the images distorted by low illuminance is improved by using night vision camera and histogram equalization. Ada-Boost algorithm also is used for the detection of face image between face and non-face image area. The dimension of the obtained image data is reduced to low dimension using PCA method. Also we introduce the pRBFNNs as recognition module. The proposed pRBFNNs consists of three functional modules such as the condition part, the conclusion part, and the inference part. In the condition part of fuzzy rules, input space is partitioned by using Fuzzy C-Means clustering. In the conclusion part of rules, the connection weights of pRBFNNs is represented as three kinds of polynomials such as linear, quadratic, and modified quadratic. The essential design parameters of the networks are optimized by means of Differential Evolution.

목차 (Table of Contents)

• 요약
• Abstract
• Ⅰ. 서론
• Ⅱ. 본론
• Ⅲ. 실험
• Ⅳ. 결론
• 참고문헌

참고문헌 (Reference)

1 K. Mali, "Symbolic classification, clustering and function network" 152 : 553-564, 2005

2 S. K. Oh, "Polynomial based radial basis function neural networks(P-RBF NNs) realized with the aid of particle swarm optimization" 163 (163): 54-77, 2011

3 J. C. Bezdek, "Pattern Recognition with fuzzy Objective Function Algorithms" Plenum Press 1981

4 A. Aiver, "Lloyd clustering of Gauss mixture models for image compression and classification" 20 (20): 459-485, 2005

5 M.J. Er, "Face recognition with radial basis function (RBF) neural networks" 13 (13): 697-710, 2002

6 E. Gumus, "Evaluation of face recognition technique using PCA, wavelets and SVM" 37 : 6404-6408, 2010

7 M. Turk, "Eigenfaces for Recognition" 3 (3): 71-86, 1991

8 R. Storn, "Differential Evolution-a fast and efficient heuristic for global optimization over continuous spaces" 11 : 341-359, 1997

9 R. Storn, "Differential Evolution, A Simple and Efficient Heuristic Strategy for Global Optimization over Continuous Spaces" 11 : 341-359, 1997

10 Byoung-Jun Park, "Design of Polynomial Neural Network Classifier for Pattern Classification with Two Classes" 대한전기학회 3 (3): 108-114, 2008

11 W. Pedrycz, "Conditional fuzzy clustering in the design of radial basis function neural networks" 9 : 601-612, 1998

12 K. Dervis, "A Simple and Global Optimization Algorithm for Engineering Problems: Differential Evolution Algorithm" 12 : 53-60, 2004