• 한국정보과학회논문지:소프트웨어및응용
• /
• 제32권8호
• /
• pp.789-794
• /
• 2005

LDA는 데이타를 잘 구분하게 하는 변환을 제공하고, 얼굴 인식에서 우수한 성능를 보였다. 그러나, LDA는 전체 데이타에 대해 단 하나의 변환 행렬만을 주므로 사람 얼굴과 같은 많은 클래스로 구성되어 있는 복잡한 데이타를 구분하기에 충분하지 않다. 이런 약점을 극복하기 위해 우리는 LDA 혼합 모형이라는 새로운 얼굴 인식 방법을 제안한다. LDA 혼합 모형에서는 모든 클래스가 여러 개의 군집으로 분할되고 각 군집에 대해서 하나의 변환 행렬을 얻는다. 이렇게 더 세세히 표현하는 방법은 분류 성능을 크게 향상시킬 것이다 얼굴 인식 실험 결과, LDA 혼합 모형은 PCA, LDA, PCA 혼합 모형보다 더 우수한 분류 성능을 보여주었다.

• 대한전자공학회:학술대회논문집
• /
• 대한전자공학회 2003년도 하계종합학술대회 논문집 Ⅳ
• /
• pp.2024-2027
• /
• 2003

본 논문에서는 얼굴 인식 분야에서 사용되는 PCA/LDA 알고리즘을 대신하기 위해 DCT/LDA 알고리즘을 제안하였다. PCA/LDA를 이용한 얼굴 인식의 경우 PCA 를 이용하여 얼굴 영상을 적은 수의 특징 값으로 표현한 다음 LDA를 수행한다. 그러나 PCA는 트레이닝 과정의 계산량이 많고 트레이닝 셋이 변할 때마다 기저 벡터가 변화한다. PCA/LDA의 단점을 개선하기 위해 계산량이 적고 기저 벡터가 일정한 DCT의 계수를 사용한다. DCT/LDA를 사용할 경우 특징 값을 빠르게 추출하면서 PCP/LDA와 유사한 성능을 얻을 수 있다. 실험을 통하여 포즈 변화와 조명 변화가 있는 얼굴 데이터 셋에서 최고 97.8%의 인식률을 보였다.

• 한국멀티미디어학회논문지
• /
• 제17권12호
• /
• pp.1446-1452
• /
• 2014

Existing LDA uses the transform matrix that maximizes distance between classes. So we have to convert from an image to one-dimensional vector as training vector. However, in 2D-LDA, we can directly use two-dimensional image itself as training matrix, so that the classification performance can be enhanced about 20% comparing LDA, since the training matrix preserves the spatial information of two-dimensional image. However 2D-LDA uses same calculation schema for transformation matrix and therefore both LDA and 2D-LDA has the heteroscedastic problem which means that the class classification cannot obtain beneficial information of spatial distances of class clusters since LDA uses only data correlation-based covariance matrix of the training data without any reference to distances between classes. In this paper, we propose a new method to apply training matrix of 2D-LDA by using WPS-LDA idea that calculates the reciprocal of distance between classes and apply this weight to between class scatter matrix. The experimental result shows that the discriminating power of proposed 2D-LDA with weighted between class scatter has been improved up to 2% than original 2D-LDA. This method has good performance, especially when the distance between two classes is very close and the dimension of projection axis is low.

• 한국지능시스템학회논문지
• /
• 제20권4호
• /
• pp.534-540
• /
• 2010

고차원 특성과 높은 상관성은 하이퍼스펙트럴 데이터의 주요 특징이다. LDA와 그 변형 선형 투사 방법들이 고차원 스펙트럴 정보로부터 저차원의 특징을 추출하는데 사용되었다. LDA는 학습 데이터가 적은 경우 흔히 발생하는 과대적합으로 인해 일반화 성능이 낮아지는 문제가 발생하는데, 이를 완화하기 위하여 LDA 규칙화(regularization) 방법들이 제시되었다. 그 중, 평탄도(smoothness) 제약에 기반한 LDA 규칙화 기법은 높은 상관성을 갖는 하이퍼스펙트럴 데이터의 특성에 적합한 특징 추출 기법이다. 본 논문에서는 하이퍼스펙트럴 데이터 분류에서 평탄도 제약을 갖는 LDA 규칙화 방법을 소개하고 학습 데이터 조건에 따른 성능을 실험적으로 분석한다. 또한, 분류 성능의 향상을 위한 스펙트럴 정보와 공간적 정보의 상관성을 함께 활용하는 이중 평탄도 LDA 규칙화 기법을 제시한다.

• 대한전자공학회논문지SP
• /
• 제42권6호
• /
• pp.55-62
• /
• 2005

본 논문에서는 입력된 얼굴 영상으로부터 구한 DCT 계수에 대해 LDA를 적용하는 DCT/LDA를 이용한 얼굴 인식 방법을 제안한다. 제안된 방법은 적은 수의 DCT 계수를 이용하여 입력 영상을 저차원으로 표현함으로써 특징 공간의 차수보다 트레이닝 데이터의 수가 적은 경우 발생하는 LDA의 SSS 문제를 해결한다. DCT는 기저 벡터가 일정하며 PCA와 유사한 에너지 압축 효율을 가지기 때문에 제안된 방법은 기존의 PCA/LDA 방법보다 학습 속도는 빠르면서 실제 얼굴인식 시스템에 적용이 가능한 정도의 얼굴 인식율을 기대할 수 있다. 실험을 통해 제안된 방법이 PCA/LDA 방법과 유사한 얼굴 인식 성능을 보이면서 약 13,000배 빠르게 학습되는 것을 확인하였고, 기존의 Block-DCT/LDA 방법과 유사하거나 향상된 인식 결과를 확인하였다.

• 전자공학회논문지CI
• /
• 제44권3호
• /
• pp.98-107
• /
• 2007

얼굴인식 등과 같은 고차원 패턴인식에서 학습패턴의 수가 패턴 차원에 비해 매우 적을 경우 희소성 문제(the Small Sample Size problem)가 발생한다. 최근 이 문제를 해결하기 위하여 LDA, PCA+LDA, Direct-LDA 등을 비롯한 다양한 LDA-확장 법이 제안되었다. 본 논문에서는 LDA-확장 법으로 차원을 축소하기 전에 학습 패턴을 사전 클러스터링하여 서브 클래스 수를 증가시키는 방법으로 LDA-확장에 기반을 둔 식별기의 성능을 향상시키는 방법을 제안한다. LDA (또는 Direct-LDA)에서 축소된 특징공간의 차원은 학습패턴의 클래스 수로 제한되기 때문에 LDA의 식별 성능을 향상시킬 수 있도록 학습패턴을 사전에 클러스터링하여 서브 클래스의 수를 증가시키는 방법이다. 즉, 학습패턴의 특성공간(the eigen space)은 레인지 공간(the range space)과 널 공간(the null space)으로 구성되며, 레인지 공간의 차원은 클래스 수의 증가에 따라 증가한다. 따라서 변환 행렬을 구성할 때 클래스의 수를 늘려 널 공간을 최소화하게 되면 이 공간에 기인한 정보의 손실을 최소화 할 수 있다. 제안 방법을 X-OR 형태의 인공데이터와 AT&T와 Yale 벤취마크 얼굴영상 데이터베이스를 대상으로 실험한 결과 본 방법의 효용성을 확인하였다.

• 한국산학기술학회논문지
• /
• 제6권3호
• /
• pp.249-254
• /
• 2005

본 논문은 얼굴인식에서 사용되고 있는 PCA/LDA 방식의 유사도 측정 방식에 따른 인식 성능을 비교 분석하였다. 총 14가지의 거리 척도를 ORL 얼굴 데이터베이스에 적용하였으며, PCA와 PCA/LDA로 나누어 성능 비교를 하였다. PCA의 경우에는 맨하튼 거리, Weighted SSE 거리의 인식률이 좋지만, PCA/LDA인 경우에는 Angle-based 거리, Modified SSE거리에 대한 인식률이 좋음이 확인되었다. 또한 PCA보다 PCA/LDA의 경우 유사도 비교 차원의 수를 줄이면서 높은 인식률을 유지할 수 있어, PCA/LDA와 Angle-based 거리 척도를 적용하여 얼굴인식을 할 경우 계산의 경제성과 인식률에서 높은 경쟁력을 갖출 수 있다.

• 대한전자공학회논문지SP
• /
• 제41권4호
• /
• pp.45-50
• /
• 2004

본 논문에서는 실시간 얼굴인식 시스템을 위한 새로운 PCA 기반 LDA 혼합 알고리즘을 제안한다. 크게 얼굴추출 부분과 얼굴인식 부분으로 구성되어 있으며, 얼굴추출 부분에는 차영상, color filtering, 눈과 입의 영역 검출 그리고 정규화 방법을 사용하였고, 얼굴인식 부분에는 추출된 얼굴 후보 영역 영상에 PCA와 LDA를 혼합하여 적용하였다. 기존의 PCA만을 사용한 인식시스템은 낮은 인식률을 보였으며, LDA만을 사용한 인식시스템에서는 학습데이터의 수에 비하여 영상의 화소 개수가 많은 경우 LDA를 입력 영상에 그대로 적용하기 곤란하였다. 이러한 단점을 극복하기 위하여, 정규화 된 영상에 PCA를 적용하여 차원을 축소한 후 LDA를 사용하여 실시간 인식을 가능하게 하였으며, 인식률 또한 향상시킬 수 있었다. 제안한 시스템의 성능을 평가하기 위하여 자체 제작한 DAUface의 데이터베이스를 가지고 실험을 하였다. 실험 결과, 제안된 방법이 PCA 방법과 LDA 방법, 그리고 ICA 방법에 비해 인식률이 상당히 우수함을 알 수 있었다.

• 한국지능시스템학회논문지
• /
• 제16권6호
• /
• pp.759-765
• /
• 2006

본 논문에서는 퍼지 소속 함수와 웨이브렛 기저를 이용한 효과적인 얼굴 표정 인식 LDA 융합모델을 제안하였다. 제안된 알고리즘은 최적의 영상을 얻기 위해 퍼지 웨이브렛 알고리즘을 수행하고, 표정 검출은 얼굴 특징 추출단계와 얼굴표절인식 단계로 구성된다. 본 논문에서 얼굴 표정이 담긴 영상을 PCA를 적용하여 고차원에서 저차원의 공간으로 변환 후, LDA 특성을 이용하여 클래스 별호 특징벡터를 분류한다. LDA 융합 모델은 얼굴 표정인식단계는 제안된 LDA융합모델의 특징 벡터에 NNPC를 적응함으로서 얼굴 표정을 인식한다. 제안된 알고리즘은 6가지 기본 감정(기쁨, 화남, 놀람, 공포, 슬픔, 혐오)으로 구성된 데이터베이스를 이용해 실험한 결과, 기존알고리즘에 비해 향상된 인식률과 특정 표정에 관계없이 고른 인식률을 보임을 확인하였다.

• 한국멀티미디어학회논문지
• /
• 제13권6호
• /
• pp.817-824
• /
• 2010

Linear Discriminant Analysis (LDA) has been successfully applied for dimension reduction in face recognition. However, LDA requires the transformation of a face image to a one-dimensional vector and this process can cause the correlation information among neighboring pixels to be disregarded. On the other hand, 2D-LDA uses 2D images directly without a transformation process and it has been shown to be superior to the traditional LDA. Nevertheless, there are some problems in 2D-LDA. First, it is difficult to determine the optimal number of feature vectors in a reduced dimensional space. Second, the size of rectangular windows used in 2D-LDA makes strong impacts on classification accuracies but there is no reliable way to determine an optimal window size. In this paper, we propose a new algorithm to overcome those problems in 2D-LDA. We adopt an ensemble approach which combines several classifiers obtained by utilizing various window sizes. And a practical method to determine the number of feature vectors is also presented. Experimental results demonstrate that the proposed method can overcome the difficulties with choosing an optimal window size and the number of feature vectors.