5. 1 まとめ
本研究では,正面顔画像 を用いた顔画像 の照合,認識 において,顔 の見かけを濃度 こ う 配特徴で表現す る手法 を提案 し,その有効性 を検証 した.また,学習デー タに含 まれ る1 人あた りの画像数 と照合性能 との関係 を調べた.評価用画像の人物 は学習デー タには含 ま れてお らず,別 の人物 を用いて学習を行 った.その結果,学習デー タにおける1人あた り の画像数 を増加 させ た とき,特徴量に濃度 こ う配特徴 を用い,次元削減 に
PCA
とLDA
を 組み合わせ て適用 した場合 にEERが低下 してい くことがわかった.学習 に1人 あた り平 均4枚 の画像 を用いた場合,1人 あた り1枚 の画像 を用いた場合 と比較す ると,EERが 28.64%か ら15.93%まで低下 した.また,学習 に 1人 あた り平均4枚 の画像 を用いた場 合 に,次元削減 にLDA
を適用 し,濃淡特徴 を用いた場合 と濃度 こ う配特徴 を用いた場合 との照合性能 を比較 した.TotalではEERが27.88%か ら15.93%まで低 下 した.表情変 化では21.08%か ら10.36%まで,光源変化 では29.44%か ら18.75%まで,経年変化では 34.76%か ら26.02%までEERがそれぞれ低下 した.次 に,学習デー タに含 まれ る1人 あた りの画像数 と認識性能 との関係 を調べた.学習 デー タにお ける1人 あた りの画像数 を増加 させ た とき,全ての場合 で認識 エ ラー率の低 下が確認 できた.特 に,濃度 こ う配特徴 を用いて特徴ベ ク トルの次元削減 に
LDA
を適用 した場合 は,認識エ ラー率の低下が大 きい ことが示 された.学習 に 1人 あた り平均4枚 の画像 を用いた場合,1人 あた り1枚 の画像 を用いた場合 と比較す る と,認識エ ラー率 が48.11%か ら20.27%まで低下 した.また,学習に1人 あた り平均4枚 の画像 を用いた 場合 に,特徴ベ ク トル の次元削減 にLDA
を適用 し,濃淡特徴 を用いた場合 と濃度 こう配 特徴 を用いた場合 との認識性能 を比較 した.濃度 こ う配特徴 を用いた方がTbtalの認識5.2 今後 の課題 27 下 した.
これ らの実験結果 よ り,以下の ことがわか った.
1.顔画像 の照合 ,認識 において,特徴 量 に濃度 こ う配特徴 を使用 し,次元削減 にPCA とLDAを組 み合 わせ て適用 した場合 ,学習デー タの1人 あた りの画像数 を増加 さ せ る と照合 ,認識 の性能が向上す る.
2.評価 用画像 の人物 とは別 の人物 の顔 画像 を学習 に使用 して も,顔 の見か けの変動 を 吸収 で き,照合,認識 の性能 に良い影響 を与 える.
5. 2 今後の課題
今後 の課題 としては,実環境 下での顔 の照合 ,認識 を全 自動で安定 して行 うた めに,顔 の照合 ,認識 の性 能 の さらなる改善が必要 であ る.学習デー タにお ける 1人 あた りの画像 数 を更 に増加 させ て実験 を行 うことや ,今 回使用 したユー ク リッ ド距離以外 の距離 関数 を 検討す るこ とな どが必要であると考 え られ る. またHOG特徴,SIFr,SURFな どの他 の 濃度 こ う配 を用いた特徴量 との性能 を比較す るこ とも必要である.
本研 究で は,入 力画像 の人物 を識別す るた めのID番 号や名前 な どの ラベル は付 与 され ていない.そのた め,入力画像 と,事前 に登録 され てい る複数個人の全ての参照用テ ンプ レー トとを比較 す る1対Nの照合 を行 う.入 力画像 に ラベル を付与 し,同一 の ラベル が 付与 された参照用テ ンプ レー トとを比較す る1対 1の照合 の評価 を行 いたい.
また,顔 の照合 ,認識 を全 自動 で行 うには前処理 として顔検 出を行 う必要が あ る.本研 究 では, この顔 検 出の処理 は正 しく行 われ た と仮 定 して照合 ,認識 の評価 を してい るの で,顔検 出部 と統合 した全 自動の顔 の照合 ,認識 の評価 も行いたい.
28
付録 A
一般化固有値 問題か ら標準固有値 問 題への変換
LDAを適用す るには以下に示す一般化 固有値 問題 を解 き,固有ベ ク トル行列 中を求 め る必要がある.
Sb申 ‑Sw申A. (A.1) しか し, このアプ ローチは常に効果的で頑健 な方法 とはいえない.そのため,式 (A.1) の一般化 固有値問題 を以下の形式で表 され る標 準固有値 問題‑ と変化 し,式 (A.1)の固 有ベ ク トル行列 中を求 める.一般化 固有値 問題 を標 準 固有値 問題‑ と変換す る方法 を説 明す る.
標準固有値問題
Sw 申W‑ 申wAw
Awl ･･･ ･･･ 0 Aw‑ ･･
･0
Au.A̲)
●●
●
●● ●●
●●● ●●●
∵ Awn
を解 く. ここで,
である.また,
(A.2)
(A.3)
付録 29
A/W
1
入
孟 1
･‑
･･･ 0. A
.: A i 2
'･●
●
●● ● ●
● ● ●
1 0 ･･･ ‑･ 人言n
とす ると,
S
wは次式で表す ことができる.sw‑申wA/WAL,申三･
す ると,式 (A.1)は次式で表せ る.
sb
申 ‑申wA'wAL,中三申A.AL,d?Twを両辺にかけると次式 に変形できる.
AL中三sb申 ‑AL,申wT申A.
1
入wi2 ･･･
A7 "
.1
･1,,､i‑'
‑ ･ 0
●●
●
■
●
■
1
0 ･･･ ･‑ 入
u , 諾
ここで,
である.
V ‑Aw中三｡とおき,次式に恒等変換す る.
Atw中三sb｡wALwAw中三｡ ‑VA.
a ‑Atw弔 ,GT‑申wAL,とお き,次式に変形す る･
GSb GTv
‑v
A.N ‑
GSb GT
とおき,以下の対称 固有値問題 を解 く.(A.4)
(A.5)
(A.6)
(A.7)
(A.8)
(A.9)
(A.10)
付録 30
NV
=
VA.次式 に よ り,式 (A.1)の固有ベ ク トル行列中を求める.
申 ‑ 申wAiwv
(A.ll)
(A.12)
31
付録 B
研 究 デー タ
研究 に使用 したデータはdeneb (IPア ドレス :133.67.33.ll)の ローカル home/komaki/Thesis/csuFaceldEval.5.0.arg/
に存在す る.ただ し,濃度 こ う配特徴 を抽 出す るプログラム ソースファイルは以下のデ ィ レク トリに存在す る.
home化omaki/Thesis/MieUFaceRecog/
csuFaceldEval.5.0.arg/以下のデ ィ レク トリを次 に示す.またそれ ぞれ のデ ィ レク トリ について概説す る.詳細は,各デ ィレク トリにあるREADMEを参照 されたい.
csuFaceldEval.5.0.ar°/
ト ーb土n/
l
､一一x86 64/ト ー1土b/
I
､一一x86‑64/ト ーd土stances/
♯研究に関するデータが存在す るデ ィレク トリ.
♯ソース ファイルのコンパイルや プログラムの実行
♯な どは ここで行 う.
#実行 ファイル を保存す るデ ィ レク トリ.
#オ ブジェク トファイル を保存す るディレク トリ.
‡d土stanceファイルが存在す るデ ィレク トリ.
l一一data/
l
､一一FERET/I
L‑一gradient̲sfi/ #濃度 こう配特徴 を抽出 して生成 した研究デー タ 32 井原特徴 ベク トルが存在す るデ ィ レク トリ.
ト ーnormSep2002sf土/♯濃淡特徴 を抽出 して生成 した
l ‡原特徴 ベク トルが存在す るデ ィ レク トリ.
トーnormSep2002pgm/#前処理後の画像が存在す るデ ィ レク トリ.
､一一source/
ト ーSrC/
トーSCr土pts/
ト ーgalleryVectors/
I‑‑imagelists/
トーResults/
l一一tra土ningParam/
I
‑‑GradientImage/#原画像が存在す るデ ィ レク トリ.
♯Cの ソース ファイルが存在す るデ ィ レク トリ.
#シ ェルスク リプ トが存在す るデ ィ レク トリ.
♯次元削減後の特徴ベク トルが存在 す る
♯デ ィ レク トリ.
‡参照用デー タ,学習デー タ,テス トデー タの
♯リス トファイルが存在す るデ ィ レク トリ.
♯実験結果が保存 され たデ ィ レク トリ.
♯学習デー タの特徴ベク トル を用 いて算 出 した,
‡次元削減 に必要 となるパ ラメー タを保存 した
♯デ ィ レク トリ.
#カ ラーの濃度 こう配画像 を生成す るプログラムが
♯存在す るデ ィ レク トリ.
プ ログラム ソースファイル の コンパイル はデ ィ レク トリcsuFaceldEval.5.0.∬g/でmake コマ ン ドでで きる.
プ ログラムの実行 はデ ィ レク トリcsuFaceldEval.5.0.∬g/で以 下の よ うに してス ク リプ トを実行す る.
./scr●lPtS/identification̲gradientJ'CA̲LDAJ王D.sh
33
謝辞
本研究に関 し,数多 くのア ドバイスを下 さり,指導 していただいた木村文隆教授,若林 哲史准教授 ,大 山航助教,三宅康二名誉教授 に深 く感謝いた します.また 日頃い ろいろ と お世話 になった 田中み ゆき事務官に感謝 します.
また,楽 しい雰 囲気 を作 って下 さった ヒューマ ンイ ンター フェー ス研 究室 の皆 さん,4 年間の大学生活 を共 に過 ごしてきた皆 さんに感謝 します.
最後 にな りま したが,私の大学生活 を支 えて くれ た両親 に今一度 の感謝 を表 して,本論 文の結び といた します.
Ac k n o w一 e d g e me n t s
PortionsoftheresearchinthispaperusetheFERETdatabaseoffacialimagescollected undertheFERETprogram,SponsoredbytheDOD CounterdrugTechnologyDevelopment ProgramO托ce.
34
参考 文献
ll]W.Zhao,R.Chellappa,P.J.PhillipandA.Rosenfeld:FaceRecognition:A Literature Survey,ACM ComputinSurveys,Ⅵ)I.35,No.4,pp.399‑458,2003.
[2]Ross Beveridge, David Bolme, Marcio Teixeira and Bruce Draper 2003 : The CSU Face Identification Evaluation System Version 5.0 http://www.cs.colostate.edu/evalfacerec/algorithms5.html
l3]P.J.Phillips,H.Wechsler,J.HuangandP.Rauss:TheFERETdatabaseandevaluation
●● ●
procedureforfacerecognlt10nalgorithms,ImageandVisionComputlngJ,Vol.16,No.5, pp.‑295‑306,1998.
[4]KirbyM.andSirovichL.:ApplicationoftheKarhunen‑Loeveprocedurefわrthechar‑ acterizationofhumanfaces.IEEETrams.Patt.Anal.Mach.Intell.12.1990.
[5]SirovichL.andKirbyM.:Low‑dimensionalprocedurefわrthecharacterizationofhu一 manface.J.Opt.Soc.Am.4,519‑524.1987.
[6]RudermanD.L.:Thestatisticsofnaturalimages.Netw.Comput.NeuralSyst.5,598‑ 605.1994.
[7]PenevP.andAtickJ.:Localfeatureanalysis:A generalstatisticaltheoryforobject representation.Netw.Comput.NeuralSyst･7,477‑500,1996.
[8]ZhaoW.RobustImageBased3DFaceRecognition,Ph.D.dissertation.Universityof Maryland,CollegePark,MD.1999.
[9]TurkM.andPentlandA.:Eigenfacesforrecognition.J.Cogn.Neurosci.3,72‑86.
1991.
[
10]Moghaddam B.NastarC.andPentlandA.:A Bayesiansimilaritymeasurefordi‑ rectimagematching.InProceedings,InternationalConferenceonPatternRecognl●●tlOn,1997.
[11]FisherR.A.:Thestatisticalutilizationofmultiplemeasurements.Ann.Eugen.8,376‑
386,1938.
参 考文献 35
nitionusl●ngClassspecificlinearproj●ection.IEEETrams.Patt.Anal.Mach.Intell･19, 711‑720,1997.
[13]EtemadK.andChellappaR.:Discriminantanalysisforrecognitionofhumanface images.∫.Opt.Soc.Am.A 14,1724‑1733,1997.
[14]SwetsD.L.andWengJ.:Usingdiscriminanteigenfeaturesforimageretrieval.IEEE Trans.Patt.Anal.Mach.Intell.20,39‑51,1996.
【15]ZhaoW.,ChellappaR.andKrishnaswamyA.:Discriminantanalysisofprincipalcom‑
ponentsforfacerecognl●●tlOn･InProceedings,InternationalConferenceonAutomatic FaceandGestureRecognl●●tlOn.336‑341,1998.
[16]FukunagaK.:StatisticalPatternRecognition,AcademicPress,NewYわrk,NY,1989･
[17]LiuC.andWechslerH.:Evolutionarypursuitanditsapplicationtofacerecognition.
IEEETrams.Patt.Anal.Mach.Intell.22,570‑582,2000.
[18]VapnikV.N.:TheNatureofStatisticalLearningTheory･Springer‑Verlag,NewYork, NY,1995.
【19]BartlettM.S.,LadesH.M.andS亘inowskiT.:Independentcomponentrepresentation forfacerecognl●●tlOn.InProceedings,SPIESymposiumonElectronicImagl■ng:Science andTechnology.528‑539,1998･
[20]LinS.H.,RungS.Y andLinL.∫.:Facerecognition/detectionbyprobabilisticdecision‑
basedneuralnetwork.IEEETrams.NeuralNetw.8,114‑132,1997
[21]KungS.Y.andTaurJ.S.:Decision‑basedneuralnetworkswithsignal/imageclassifica‑ tionapplications.IEEETrans･NeuralNetw･6,170‑181,1995･
[22]LiS.Z.andLuJ.:Facerecognitionusingthenearestfeaturelinemethod.IEEETrams. NeuralNetw.10,439‑443,1999.
[23]PhillipsP.J.:Supportvectormachinesappliedtofacerecognition･Adv･NeuralInform･
Process.Syst.11,803‑809,1998.
[24]KanadeT.:Computerrecognitionofhumanfaces.Birkhauser,Basel,Switzerland,and Stuttgart,Germany,1973･
[25]KellyM.D.:VisualidentiBcationofpeoplebycomputer･Tech･rep･AI‑130,Stanford AIProj●ect,Stanford,CA,1970･
[26]SamariaF.andYoungS.:HMM basedarchitectureforfaceidentiBcation.ImageVis. Comput.12,537‑583,1994
【27]SamariaF.:Facerecognitionusinghiddenmarkovmodels.Ph.D.dissertation.Univer‑ sl●tyOfCambridge,Cambridge,U.K.,1994.
[28]OkadaK.,Ste肋 ns∫.,MaurerT.,HongH.,ElaginE.NevenH.andMalsburgC.VD.
:TheBochum/USCFaceRecognitionSystem andhowitEaredintheFERETPhaseI