A Study on Face Image Recognition Using Feature Vectors

특징벡터를 사용한 얼굴 영상 인식 연구

  • Published : 2005.07.01

Abstract

Face Recognition has been an active research area because it is not difficult to acquire face image data and it is applicable in wide range area in real world. Due to the high dimensionality of a face image space, however, it is not easy to process the face images. In this paper, we propose a method to reduce the dimension of the facial data and extract the features from them. It will be solved using the method which extracts the features from holistic face images. The proposed algorithm consists of two parts. The first is the using of principal component analysis (PCA) to transform three dimensional color facial images to one dimensional gray facial images. The second is integrated linear discriminant analusis (PCA+LDA) to prevent the loss of informations in case of performing separated steps. Integrated LDA is integrated algorithm of PCA for reduction of dimension and LDA for discrimination of facial vectors. First, in case of transformation from color image to gray image, PCA(Principal Component Analysis) is performed to enhance the image contrast to raise the recognition rate. Second, integrated LDA(Linear Discriminant Analysis) combines the two steps, namely PCA for dimensionality reduction and LDA for discrimination. It makes possible to describe concise algorithm expression and to prevent the information loss in separate steps. To validate the proposed method, the algorithm is implemented and tested on well controlled face databases.

영상 인식은 영상획득이 용이하다는 것과 실생활에서 광범위하게 사용될 수 있다는 것으로 인해 활발하게 연구되고 있는 분야이다. 그러나 얼굴영상은 높은 차원의 영상공간으로 인해 이미지 처리가 쉽지 않다. 본 논문은 얼굴 영상 데이터의 차원을 특징적인 벡터로 표현하고 이러한 특징벡터를 통해 얼굴 영상을 인식하는 방법은 제안한다. 제안되는 알고리즘은 두 부분으로 나뉜다. 첫째로는 칼라 영상을 그레이 영상으로 변환할 때 RGB 세 개의 플레인의 평균이 아닌 세 플레인의 주성분을 사용하는 PCA(Principal Component Analysis)를 적용한다. PCA는 칼라 영상을 그레이 영상으로 변환하는 과정과 인식률을 높이기 위한 영상 대비 개선 과정이 동시에 수행한다. 두 번째로는 PCA와 LDA(Linear Discriminant Analysis) 방식을 하나의 과정으로 통합하는 개선된 통합 LDA 방법이다. 두 과정을 통합함으로서 간결한 알고리즘 표현이 가능하며 분리된 단계에서 있을 수 있는 정보 손실을 방지할 수 있다. 제안된 알고리즘은 잘 제어된 대용량 얼굴 데이터베이스에서 개인을 확인하는 분야에 적용되어 성능을 향상시키고 있음을 보여주었고, 추후에는 실시간 상황에서 특정 개인을 확인하는 분야의 기초 알고리즘으로 적용될 수 있다.

Keywords

References

  1. Fromherz T., Stucki P., Bichsel M., 'A Survey of Face Recognition,' MML Technical Report, No 97.01, Dept. of Computer Science, University of Zurich, 1997
  2. Chellappa R., Wilson C., Sirohey S., 'Human and Machine Recognition of Faces: A Survey,' Proc. IEEE, Vol.83, no.5, pp.705-740, 1995
  3. Zhao W., Chellappa R., Rosefeld A., P.J. Phillips, 'Face recognition: A literature survey,' Technical report CAR-TR-948, Computer Vision Lab, University of Maryland, 2000
  4. Turk M., Pentland A., 'Eigenfaces for recognition,' Journal of Cognitive Neuroscience, vol. 3, pp. 71-86, 1991 https://doi.org/10.1162/jocn.1991.3.1.71
  5. Belhumeur P.N., Hespanha J.P. and Kriegman D.J., 'Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection,' IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol.19, pp.711-720, 1997 https://doi.org/10.1109/34.598228
  6. Martinez A. M., Kak A. C., 'PCA versus LDA,' IEEE Trans. on Pattern Analysis and Machine Intelligence, 23(2), pp.228-232, 2001 https://doi.org/10.1109/34.908974
  7. Hua Yu, Jie Yang, 'A Direct LDA Algorithm for High-Dimensional Data - with Application to Face Recognition,' Pattern Recognition 34(10), pp.2067-2070, 2001 https://doi.org/10.1016/S0031-3203(00)00162-X
  8. B. Moghaddam, C. Naster, A. Pentland, 'Bayesian Face Recognition Using Deformable Intensity Surfaces,' IEEE Conf. on Computer Vision & Pattern Recognition, June 1996
  9. L. Sirovich, M. Kirby, 'Low-dimensional procedure for the characterization of human faces,' Journal of the Optical Society of America, 519-554, 1987