개선된 ICA 기저영상을 이용한 국부적 왜곡에 강인한 얼굴인식 = Face Recognition Robust to Local Distortion using Modified ICA Basis Images

국문 초록 (Abstract)

부공간 투영기술(subspace projection)을 이용한 얼굴인식기술의 성능은 이들 기저영상들(basis images)의 특징과 밀접한 관련이 있다. 특히 표정변화와 같은 국부적 왜곡이나 오클루전이 있는 경우의 인식성능은 기저영상들의 특징에 의해 영향을 받게 된다. 부공간 투영기반의 얼굴인식 방법이 오클루전이나 표정변화와 같은 국부적인 왜곡발생에 강인하려면 부분국부적 표현(part-based local representation)의 기저벡터를 갖는 것이 중요하다. 본 연구에서는 국부적 왜곡과 오클루전에 강인한 효과적인 부분국부적 표현방법을 제안한다. 제안한 방법을 LS-ICA(locally salient ICA) 방법이라고 명명하였다. LS-ICA방법은 ICA 구조Ⅰ의 기저영상을 구하는 과정에서 공간적인 국부성(locality)의 제약조건을 부과함으로써 부분국부적 기저영상(part-based local basis images)을 얻는 방법이다. 결과적으로 공간적으로 현저한 특징만을 포함하는 기저영상을 사용하게 되며, 이는 “Recognition by Parts”의 방법론과 유사하다. LS-ICA방법과 LNMF(Localized Non-negative Matrix Factorization)와 LFA(Local Feature Analysis)와 같은 기존의 부분 표현방법(part-based representation)들에 대해 다양한 얼굴영상 데이타베이스를 사용하여 실험한 결과, LS-ICA방법이 기존의 방법에 비하여 높은 인식성능을 보였으며, 특히 오클루전이나 국부적인 변형이 포함된 얼굴영상에서 뛰어난 인식성능을 보였다.

다국어 초록 (Multilingual Abstract)

The performance of face recognition methods using subspace projection is directly related to the characteristics of their basis images, especially in the cases of local distortion or partial occlusion. In order for a subspace projection method to be robust to local distortion and partial occlusion, the basis images generated by the method should exhibit a part-based local representation. We propose an effective part-based local representation method named locally salient ICA (LS-ICA) method for face recognition that is robust to local distortion and partial occlusion. The LS-ICA method only employs locally salient information from important facial parts in order to maximize the benefit of applying the idea of “recognition by parts.” It creates part-based local basis images by imposing additional localization constraint in the process of computing ICA architecture I basis images. We have contrasted the LS-ICA method with other part-based representations such as LNMF (Localized Non-negative Matrix Factorization) and LFA (Local Feature Analysis). Experimental results show that the LS-ICA method performs better than PCA, ICA architectureⅠ, ICA architectureⅡ, LFA, and LNMF methods, especially in the cases of partial occlusions and local distortions.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. 기존의 연구 방법
• 3. LS-ICA 방법
• 4. 실험결과
• 5. 결론
• 참고문헌
• 저자소개

참고문헌 (Reference)

1 "http://www.uk.research.att.com/facedatabase.html"

2 "The Independent Components of Natural Scenes are Edge Filters" 37 (37): 3327 -3338, 1997

3 "The Fixed-point Algorithm and Maximum Likelihood Estimation for Independent Component Analysis" 10 : 1-5, 1999.

4 "The FERET Evaluation Methodology for Face Recognition Algorithms" 22 (22): 1090-1104, 2000.

5 "The AR face database" 1998.

6 "Recognizing faces with PCA and ICA" 91 (91): 115-137, 2003.

7 "Recognition by parts" 612-620, 1987.

8 "Motivating Non-Negative Matrix Factorizations" 2003

9 "Local Feature Analysis: A general statistical theory for object representation" 7 (7): 477-500, 1996.

10 "Learning the parts of objects by non-negative matrix factorization" 401 : 788-791, 1999.

11 "Learning Spatially Localized, Parts-Based Representation" 1 : 207-212, 2001.

12 "Independent component analysis: a tutorial" 1999.

13 "ICA Based Face Recognition Robust to Partial Occlusion and Local Distortions" LNCS 3072 : 147-154, 2004.

14 "Face Recognition by Independent Component Analysis" 13 (13): 1450-1464, 2002.

15 "Face Image Analysis by Unsupervised Learning" Kluwer Academic Publishers 2001.

16 "Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection" 19 (19): 711-720, 1999.

17 "Eigenfaces for recognition" 3 (3): 71 -86, 1991