Smart Media Journal (스마트미디어저널)

THE KOREAN INSTITUTE OF SMART MEDIA (한국스마트미디어학회)
권호 표지

Performance Analysis of Face Recognition by Face Image resolutions using CNN without Backpropergation and LDA

역전파가 제거된 CNN과 LDA를 이용한 얼굴 영상 해상도별 얼굴 인식률 분석

  • 문해민 (조선대학교 제어계측로봇공학과) ;
  • 박진원 (홍익대학교 게임학부) ;
  • 반성범 (조선대학교 전자공학과)
  • Received : 2015.11.23
  • Accepted : 2016.03.29
  • Published : 2016.03.31
Download PDF
⟨ Previous Next ⟩

Abstract

To satisfy the needs of high-level intelligent surveillance system, it shall be able to extract objects and classify to identify precise information on the object. The representative method to identify one's identity is face recognition that is caused a change in the recognition rate according to environmental factors such as illumination, background and angle of camera. In this paper, we analyze the robust face recognition of face image by changing the distance through a variety of experiments. The experiment was conducted by real face images of 1m to 5m. The method of face recognition based on Linear Discriminant Analysis show the best performance in average 75.4% when a large number of face images per one person is used for training. However, face recognition based on Convolution Neural Network show the best performance in average 69.8% when the number of face images per one person is less than five. In addition, rate of low resolution face recognition decrease rapidly when the size of the face image is smaller than $15{\times}15$.

높은 수준의 지능형 영상 감시 시스템을 만족하기 위해서는 단순히 객체를 검출해서 분류하는 것뿐만 아니라 대상에 대한 정확한 신원 정보까지 확인할 수 있어야 한다. 사람을 구별하는 대표적인 얼굴 인식은 얼굴 자체의 가변성뿐만 아니라 조명, 배경, 카메라의 각도와 같은 외적요인에 따라 인식률의 변화가 발생한다. 본 논문에서는 다양한 실험을 통해 거리 변화에 의한 얼굴 영상의 크기 변화에 강인한 얼굴 인식 방법을 분석한다. 얼굴 인식 실험은 1m~5m에서 추출한 실제 거리별 얼굴 영상으로 이루어졌다. 실험결과, 1인당 학습 영상의 수가 많을 경우는 얼굴 특징 추출 방법으로 LDA를 사용한 방법이 전체 평균 75.4%로 가장 우수한 성능을 나타냈다. 하지만 1인당 학습 영상의 수가 5장 이하가 될 때는 CNN을 사용한 방법이 69.8%로 가장 우수한 성능을 나타냈다. 또한, 저해상도 얼굴 인식의 경우 얼굴 영상의 크기가 $15{\times}15$보다 작아지면 인식률이 급격히 감소함을 확인했다.

Keywords

References

  1. 전범종, "국내외 지능형 CCTV 영상감시 산업동향," 정보통신표준픽셀식, 제142권, 50-55쪽, 2012년 8월
  2. 정치윤, 한종욱, "지능형 영상 분석 이벤트 탐지 기술동향," 전자통신동향분석, 제27권, 제4호, 66-73쪽, 2012년 8월
  3. 문현찬, "지능형 CCTV 기술 및 시장 동향," 정보통신연구진흥원 주간기술동향, 통권1361호, 13-27쪽, 2008년 8월
  4. L. Wiskott, J.M. Fellous, N. Krueuger, and C. von der Malsburg, "Face recognition by elastic bunch graph matching," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 19, no. 7, pp. 776-779, July 1997.
  5. M.A. Turk and A.P. 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
  6. P.N. Belhumeur, J.P Hespanha, and D.J. Kriegman, "Eigenfaces vs. Fisherfaces : Recognition using class specific linear projection," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 19, no. 7, pp. 711-720, July 1997. https://doi.org/10.1109/34.598228
  7. X.X. Niu and C.Y. Suen, "A novel hybrid CNN-SVM classifier for recognizing handwritten digits," Pattern Recognition, vol. 45, No. 4, pp. 1318-1325, 2012. https://doi.org/10.1016/j.patcog.2011.09.021
  8. G. Lv, "Recognition of multi-fontstyle characters based on convolutional neural network," International Symposium on Computation Intelligence and Design, vol. 2, pp. 223-225, 2011.
  9. Z. Wang, Z. Miao, Q.M.J. Wu, Y. Wan, and Z. Tang, "Low-resolution face recognition: a review," The Visual Computer, vol. 30 no. 4, pp.359-386. Aug. 2014. https://doi.org/10.1007/s00371-013-0861-x
  10. R.C. Gonzalez and R.E. Woods, Digital image processing, Prentice Hall, 2008.
  11. M. Abdullah-Al-Wadud, M.H. Kabir, M.A.A. Dewan, and O. Chae, "A dynamic histogram equalization for image contrast enhancement," IEEE Transactions on Consumer Electronics, vol. 53, vol. 2, pp. 593-600, 2007. https://doi.org/10.1109/TCE.2007.381734
  12. 문해민, 반성범, "역전파가 제거된 CNN을 이용한 저해상도 얼굴 인식에 관한 연구," 한국스마트미디어학회 2015 추계학술대회, pp. 361-362, 2015.
  13. R.O. Duda, P.E. Hart and D.G. Stork, Pattern Classification, Second Edition, Wiley-interscience, 2001.
  14. A.S. Georghiades, P.N. Belhumeur, and D.J. Kriegman, "From few to many: illumination cone models for face recognition under variable lighting and pose," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 23, no. 6, pp. 643-660, June 2001. https://doi.org/10.1109/34.927464
  15. B. Weyrauch, B. Heisele, J. Huang, and V. Blanz, "Component-based face recognition with 3D morphable models," Proc of IEEE Conf. on Computer Vision and Pattern Recognition Workshop, pp. 85-89, June 2004.
  16. P.J. Phillips, H. Moon, P.J. Rauss, and S. Rizvi, "The FERET evaluation methodology for face recognition algorithms," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 22, no. 10, Oct. 2000.