3D face recognition with geometrically localized surface shape indexes

Abstract

[한글]본 논문에서는 얼굴 표면곡률지수(surface shape indexes)를 이용한 3차원 얼굴인식 기술을 제안한다. 눈, 코, 입과 같은 얼굴 구성요소의 구조적 위치 정보와 추출된 구성요소의 위치에서 얻어진 표면곡률지수를 이용하여 얼굴의 구조적 정보와 구성요소의 형태 정보를 동시에 포함하는 고정된 차원의 특징벡터(feature vectors)를 제공함으로써 개선된 분류성능과 정합의 편리성을 제공하는 3차원 얼굴인식 기술을 제안한다.입력단과 DB단에서는 각각 획득된 얼굴 데이터의 전처리를 위하여 특징점을 추출하며, 추출된 특징점을 이용하여 머리 부분을 제거하고 입력과 DB얼굴 데이터가 같은 공간 상에 놓이도록 얼굴포즈보정 및 정규화 과정을 수행한다.특징 추출단계에서는 얼굴의 기하학적 정보를 바탕으로 하여 깊이 정보가 가장 큰 값을 갖는 코끝점을 중심으로 3개의 얼굴 윤곽 곡선들과 10개의 특징점들을 추출하게 된다. 또한, 추출된 10개의 특징점들간의 거리와 각도, 비율 등을 이용한 18개의 상관 특징들을 얻게 된다. 마지막으로 추출된 10개의 특징점 영역에서 얼굴표면곡률지수를 계산하여 얼굴인식을 위한 특징벡터(feature vector)를 구성한다.본 논문에서는 얼굴인식 방법으로 가중치벡터거리정합 방법을 제안한다. 제안하는 방법의 결과는 기존의 방법인 SVM (Support Vector Machine)과 ICA (Independent Component Analysis)를 이용한 결과와 비교한다.본 실험에서는 BERC(Biometrics Engineering Research Center)에서 제공하는 300명의 얼굴 데이터를 사용하였다. 가중치벡터거리정합 알고리즘 기반의 얼굴 인식의 경우 정합을 수행한 결과 97.6%의 인식률을 보였다. SVM 기반 얼굴 인식의 경우에는 98.6%의 인식률을 보였다. 또한 ICA의 경우는 96.3%의 인식률을 보였다. SVM방식이 가장 좋은 인식률을 보이지만 가중치벡터거리정합 방식은 훈련과정이 없고, SVM이나 ICA보다 등록과정이 간단한 장점이 있다.또한 가중치벡터거리정합 방법을 사용하여 데이터를 표면곡률지수만으로 구성된 특징벡터와 얼굴 구성요소의 위치와 상대적 정보만으로 이루어진 특징벡터로 나누어 인식을 수행한 결과 각각 83% 와 89%의 인식률을 나타냈다. 그러나 모든 특징을 다 사용하여 인식을 수행한 결과 97.6%의 인식률을 나타냈다. 실험을 통해 얼굴구성요소의 위치뿐만 아니라 형태 정보도 중요한 얼굴의 특징이라는 것을 보여준다.

[영문]In this dissertation, we propose a pose invariant three-dimensional (3D) face recognition method using distinctive facial features. A face has its structural components like the eyes, nose and mouth. The positions and the shapes of the facial components are very important characteristics of a face. We extract invariant facial feature points on those components using the facial geometry from a normalized face data and calculate relative features using these feature points. We also calculate a shape index on each facial feature point to represent curvature characteristics of facial components. When facial shape index and facial feature points with relative features are used separately, face recognition rates are 83% and 89% at first top rank by the weighted distance matching on average for seven different poses for 300 different people, respectively. However, the recognition rate goes up to 96.7% when they are used together.Proposed feature vector can be applied to various conventional classifiers because it has a fixed dimension. We propose weighted vector distance matching. We also applied proposed feature vector to support vector machine (SVM) and independent component analysis (ICA). We have 97.6% recognition rate from our proposed weighted distance matching, 98.6% at first top rank by the SVM and 97.3% by the ICA on average for seven different poses for 300 different people. Although SVM shows the highest recognition rate, the weighted vector distance matching shows a satisfactory recognition rate without any training process. Moreover, the proposed method can be used with incomplete feature vector. When some features are failed to be extracted, the proposed recognition algorithm can still process the incomplete information. But it is still valid for the proposed recognition algorithm. From the experimental results, we have effectively utilized facial shape indexes, geometrical feature points and its relational features for pose invariant face recognition.