Journal of the Korea Institute of Information and Communication Engineering (한국정보통신학회논문지)

The Korea Institute of Information and Commucation Engineering (한국정보통신학회)
권호 표지

Face Recognition By Combining PCA and ICA

주 요소와 독립 요소 분석의 통합에 의한 얼굴 인식

  • 류재흥 (전남대학교 공학대학 컴퓨터공학과) ;
  • 김강철 (전남대학교 공학대학 컴퓨터공학과) ;
  • 임창균 (전남대학교 공학대학 컴퓨터공학과)
  • Published : 2006.04.01
Download PDF
⟨ Previous Next ⟩

Abstract

In a conventional ICA(Independent Component Analysis) based face recognition method, PCA(Principal Component Analysis) first is used for feature extraction, ICA learning method then is applied for feature enhancement in the reduced dimension. It is not considered that a necessary component can be located in the discarded feature space. In the new ICA(NICA), learning extracts features using the magnitude of kurtosis (4-th order central moment or cumulant). But, the pure ICA method can not discard noise effectively. The synergy effect of PCA and ICA can be achieved if PCA is used for noise reduction filter. Namely, PCA does whitening and noise filtering. ICA performs feature extraction. Experiment results show the effectiveness of the new ICA method compared to the conventional ICA approach.

기존의 독립 요소 방법에 의한 얼굴인식에서는 주 요소 해석법으로 고유치 크기에 의해 특징을 추출하고 감소된 차원에서 특징 개선을 위한 독립 요소 해석법의 학습을 수행한다. 제거된 특징 공간 내에 필요한 요소가 있는 경우를 고려하지 못한 것이다. 새로운 방법은 독립 요소 해석에 의한 학습을 먼저 시행하고 분리된 데이터를 4차 중심 모멘트에 의한 축적 계수(cumulant)인 커토시스(kurtosis)의 절대값 크기에 의하여 특징을 추출한다. 하지만 독립 요소 방법은 효과적으로 노이즈를 제거하지 못한다. 두 방법의 결합효과는 주 요소 해석법을 노이즈 필터로 사용 할 때 극대화 될 수 있다. 즉 주 요소 해석법을 백색화와 노이즈 필터로 하고 독립 요소 해석법을 특징 추출 방법으로 사용하는 것이다. 실험 결과는 새로운 방법론이 기존의 방법론보다 우수함을 보여준다.

Keywords

References

  1. M. Turk and A. Pentland, 'Eigenfaces for recognition,' Journal of Cognitive Neuroscience, Vol. 3, No.1, pp. 71-86,1991 https://doi.org/10.1162/jocn.1991.3.1.71
  2. A. Bell and T. J. Sejnowski, 'An infomation-maximization approach to blind separation and blind deconvolution,' Neural Computation, Vol. 7, No.6, pp. 1129-1159, 1995 https://doi.org/10.1162/neco.1995.7.6.1129
  3. A. Bell, T. J. Sejnowski, 'Independent Components of Natural Scenes are edge filters,' Vision Research, Vol. 37, No. 23,pp. 3327-3338, 1997 https://doi.org/10.1016/S0042-6989(97)00121-1
  4. J. Hurri, A. Hyvarinen, J. Karhuunen, and E. Oja, 'Image Feature Extraction Using Independent Component Analysis,' Proc. of IEEE NORSIG'96, 1996
  5. M. S. Bartlett, H. M. Lades, and T. J. Sejnowski, 'Independent Component Representations for Face Recognition,' Proc. of SPIE on Human Vision and Electronic Imaging III, Vol. 3299, pp. 528-539, 1998
  6. 류재흥,고재흥, '새로운독립 요소해석법,' 한국 퍼지 및 지능 시스템학회, 2000년도 추계학술대회 학술 발표 논문집 , Vol. 10. No.2, pp. 305-309,2001
  7. J. Sarela and R. Vigario, 'Overlearning in marginal distribution-based ICA: analysis and solutions,' Journal of machine learning research, Vol. 4. pp. 1447-1469, 2003 https://doi.org/10.1162/jmlr.2003.4.7-8.1447
  8. S. Amari, 'Natural Gradient Learning for Over-and Under-Complete Bases in ICA,' Neural Computation, Vol. 11, No.8, pp. 1875-1883,1999 https://doi.org/10.1162/089976699300015990
  9. M. Joho, H. Mathis, and R. H. Lambert, 'Overdetermined Blind Source Separation: Using More Sensors Than Source Signals In A Noisy Mixture,' Proc. Int. Conf. on Independent Component Analysis and Blind Signal Separation ICA 2000, pp. 81-86,2000