DOI QR코드

DOI QR Code

Clustering Technique Using Relevance of Data and Applied Algorithms

데이터와 적용되는 알고리즘의 연관성을 이용한 클러스터링 기법

  • 한우연 (인하대학교 컴퓨터 정보공학과) ;
  • 남미영 (인하대학교 컴퓨터 정보공학과) ;
  • 이필규 (인하대학교 컴퓨터 정보공학과)
  • Published : 2005.10.01

Abstract

Many algorithms have been proposed for (ace recognition that is one of the most successful applications in image processing, pattern recognition and computer vision fields. Research for what kind of attribute of face that make harder or easier recognizing the target is going on recently. In flus paper, we propose method to improve recognition performance using relevance of face data and applied algorithms, because recognition performance of each algorithm according to facial attribute(illumination and expression) is change. In the experiment, we use n-tuple classifier, PCA and Gabor wavelet as recognition algorithm. And we propose three vectorization methods. First of all, we estimate the fitnesses of three recognition algorithms about each cluster after clustering the test data using k-means algorithm then we compose new clusters by integrating clusters that select same algorithm. We estimate similarity about a new cluster of test data and then we recognize the target using the nearest cluster. As a result, we can observe that the recognition performance has improved than the performance by a single algorithm without clustering.

영상 처리와 패턴 인식 그리고 컴퓨터 비젼 분야의 가장 성공적인 응용들 중 하나인 얼굴 인식을 위해 많은 알고리즘이 제안되었고, 최근에는 얼굴의 어떤 속성이 대상을 인식하는 것을 더 쉽거나 어렵게 만드는지에 대한 연구가 진행되고 있다. 본 논문에서는 얼굴의 속성(조명, 표정)에 따라 각각의 알고리즘의 인식 성능이 달라지는 점에 착안해서, 얼굴 데이터와 적용된 알고리즘과의 연관성을 이용하여 인식 성능을 높이는 클러스터링 방법을 제안하였다. 실험에서는 인식 알고리즘으로 n-tuple, PCA 그리고 가보 웨이블릿이 사용되었고, 세 가지 벡터화 방법이 제안되었다. 우선 학습 데이터를 k-means 알고리즘을 이용하여 클러스터링하고 각각의 클러스터에 대한 세 가지 인식 알고리즘의 적합도를 평가한 후, 같은 알고리즘을 선택한 클러스터들을 통합하여 새로운 클러스터를 구성한다. 그리고 테스트 데이터에서 새로운 클러스터에 대한 유사도를 평가하여 가장 가까운 클러스터가 선택한 알고리즘으로 인식을 수행한다. 그 결과 클러스터링 과정을 거치지 않고 단일 알고리즘을 사용하여 인식했을 때보다 인식 성능이 향상된 것을 관찰할 수 있다.

Keywords

References

  1. R. Chellappa et. al., 'Human and Machine Recognition of Faces: a Survey,' Proceedings of the IEEE, Vol.83, No.5, pp.705-740, 1995 https://doi.org/10.1109/5.381842
  2. 송근원, '얼굴 인식 기술 및 동향,' 한국멀티미디어학회지, Vol.7, No.2, Jun., 2003
  3. Intelligent Multimedia Lab., 'Asian Face Image Database DF01,' Technical Report, 2001
  4. G. Givens et. al., 'How Features of the Human Face Affect Recognition: a Statistical Comparison of three Face Recognition Algorithms,' IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2004 https://doi.org/10.1109/CVPR.2004.126
  5. Henry A. RowLey et. al. 'Neural Network-Based Face Detection,' IEEE Transaction on Pattern Analysis and Machine Intelligence, Vol.20, No.1, Jan., 1998 https://doi.org/10.1109/34.655647
  6. S.M Lucas, 'Real-time face recognition with the continuous n-tuple classifier,' Vision, Image and Signal Processing, lEE Proceedings, Vol.145, Oct., 1998
  7. M. A. Turk, A. P. Pentland, 'Face Recognition Using Eigen faces,' Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp.586-591, 1991
  8. C. Liu, H. Wechsler, 'Gabor Feature Based Classification Using the Enhanced Fisher Linear Discriminant Model for Face Recognition,' IEEE Transactions on Image Processing, Vol. 11 , No.4, 2002 https://doi.org/10.1109/TIP.2002.999679
  9. Baker, 'Adaptive Selection Methods for Genetic Algorithms,' Proceedings First ICGA, pp.101-111, Jul., 1987
  10. Holland, 'Adaptation in Natural and Artificial Systems,' University of Michigan Press, Ann Arbor, 1975
  11. N. M. Allinson, A. Kolcz, 'A Principled Approach to n-tuple Recognition Systems,' the Institution of Electrical Engineers, 1997
  12. 문병로, '유전 알고리즘', 다성출판사, 2001
  13. S. Romdhani, 'A Generic Face Appearance Model of Shape and Texture Under Vary Large Pose Variations from Profile Views,' Proceedings 15th International Conference on, Vol,1 pp.1060-1063, 2000
  14. M. Lades et. al., 'Distortion Invariant Object Recognition in the Dynamic Link Architecture,' IEEE Transaction Computer, Vol.42, pp.300-311, 1993 https://doi.org/10.1109/12.210173
  15. D. Field, 'Relations Between the Statistics of Natural Images and the Response Properties of Cortical Cells,' J. Opt. Soc. Amer. A, 1987 https://doi.org/10.1364/JOSAA.4.002379
  16. C. Liu, H. Wechsler, 'Gabor Feature Classifier for Face Recognition,' Computer Vision 8th IEEE International Conference on, pp.270-275, 2001 https://doi.org/10.1109/ICCV.2001.937635
  17. R. Kohavi, D. Sommerfield, 'Feature Subset Selection Using the Wrapper Method: Overfitting and Dynamic search Space Topology,' Proceedings of the First International Conference on Knowledge Discovery and Data Mining, 1995
  18. H. Liu, H. Motoda, 'Feature Extraction, Construction and Selection: A Data Mining Perspective,' Kluwer Academic Publishers, 1998
  19. 박종수, 김도형, '고차원 데이터를 부분차원 클러스터링하는 효과적인 알고리즘,' 정보처리학회논문지, 제10-D권, 2003
  20. R. Ng, J. Han, 'Efficient and Effective Clustering Methods for Spatial Data Mining,' Proceedings of the 20th VLDB Conference, pp.144-155, 1994