[펌]얼굴인식 알고리즘 - PCA, FDA, ICA

PCA(Pricipal Component Analysis) - 주성분 분석법

  백터표현의 통계적 특성을 기반으로 한 방법으로 Karhunen-Loeve 근사법으로 부르기도 하며, 통계적으로 변화가 있는 N차원의 M개의 벡터를 공분산(Convariance) 행렬에 의해 고유 벡터(Eigen Vector)로 표현한다. 이 분석법은 서로 다른 공간의 차원을 줄여서 간단히 표현하는 실용적인 방법으로 널리 알려져 있다.

  PCA의 기본적인 아이디어는 전체 영상공간에서 얼굴을 가장 잘 표현할 수 있는 벡터를 찾는데 있다. 다시 말해서 원래의 얼굴 영상에서 일치하는 공분산 행렬의 고유벡터를 찾는 것이다. 여기서 고유벡터는 얼굴처럼 표현되기 때문에 고유얼굴(Eigen Face)이라는 용어를 사용하며, 주성분은 얼굴의 눈, 코, 입과 같은 세부적인 표현이 아닌 얼굴 전체에 대한 표현이므로 국부적 특징 추출에 있어서는 응용하기 어려운 단점을 갖고 있다(Turk and Pentland, 1991)

 

FDA(Fisher Discriminant Analysis)

  얼굴의 국부적 특징을 다른 얼굴로부터 잘 분리해 표현할 수 있도록 만들어진 방법이 바로 FDA 분석법이다. PCA분석법이 인식에 적용될 경우 가장 큰 단점은 영상의 변화가 객체(Object)의 변화인지 아니면 객체 외의 환경변화 즉, 조명이나 표정의 변화 때문인지를 명확히 구분하지 못하는데 있다. FDA분석법은 바로 객체의 변화와 그 밖에 다른 요인에 의한 변화를 판별할 수 있도록 하자는 것이다. 따라서, 어떤 객체(사람)가 등록할 때와 다른 조명에서 인증을 시도하였을 경우 변화의 요인은 조명의 변화이므로 객체는 동일하다는 사실을 구분 지을 수 있도록 하자는데 그 목적이 있다. 이 때, 분석법의 효율성을 높이기 위해서는 인식을 원하는 객체마다 조명이나 표정 등이 다른 다양한 영상을 되도록 많이 보유하는 것이 중요하다.

 

ICA(Independent Component Analysis)

  ICA분석법은 특징의 차원이 커서 분류하기 어려운 문제를 해결하기 위해 특징분류에 있어 중요한 영향을 미치는 특징만을 고른다는 점에서는 PCA 분석법과 비슷하다고 할 수 있다. 그러나, 기존의 주어진 특징만으로는 전체얼굴이외의 특정영역에 대한 분류가 어렵기 때문에 ICA 분석법에서는 주어진 특징으로부터 새로운 특징을 추출해내는 방식을 취한다. 분류되지 않은 특징들 중 확률적으로 독립(independent) 성분을 충분히 포함하고 있는 새로운 특징을 추출함으로써 PCA 분석법의 단점을 보완할 수 있다.(Swets and Weng, 1996)

출처 : 한국지능정보시스템학회논문지 제9권 3호 2003년 12월 195page

   - 인터넷 뱅킹의 사용자 인증을 위한 얼굴인식 시스템의 설계,  상명대학교 소프트웨어 학부  -  배경율