DBPIA-NURIMEDIA

Size: px

Start display at page:

Download "DBPIA-NURIMEDIA"

용수 돈
7 years ago
Views:

1 DOI : /JKCA 가버피쳐기반얼굴그래프를이용한완전자동안면인식알고리즘 Fully Automatic Facial Recognition Algorithm By Using Gabor Feature Based Face Graph 김진호경일대학교전자공학과 Jin-Ho Kim(ho@kiu.ac.kr) 요약가버웨이브릿을이용한얼굴그래프기반안면인식알고리즘들은우수한인식성능을갖고있지만계산양이많고초기그래프위치에따라성능이달라지는등의문제점들이있다. 본연구에서는이를개선하여가버피쳐기반기하학적가변형얼굴그래프매칭방식을이용한완전자동안면인식알고리즘을제안하였다. Adaboost를이용해서얼굴을검출하고얼굴그래프의초기정합위치와크기를결정하였다. 얼굴그래프를기하학적으로가변시켜가면서얼굴모델그래프와유사도가가장높은얼굴그래프를고속으로찾기위해매개변수들을정의하고최적화알고리즘을이용하여최적얼굴그래프를추출하였다. 제안한알고리즘을 FERET 데이터베이스의인식에적용해본결과 96.7% 의인식률로서기존연구들에비해우수한결과를얻을수있었고평균 0.26초의인식속도로서실시간적용이가능함을확인하였다. 중심어 : 안면인식 얼굴그래프 가버제트 완전자동얼굴인식 Abstract The facial recognition algorithms using Gabor wavelet based face graph produce very good performance while they have some weakness such as a large amount of computation and an irregular result depend on initial location. We proposed a fully automatic facial recognition algorithm using a Gabor feature based geometric deformable face graph matching. The initial location and size of a face graph can be selected using Adaboost detection results for speed-up. To find the best face graph with the face model graph by updating the size and location of the graph, the geometric transformable parameters are defined. The best parameters for an optimal face graph are derived using an optimization technique. The simulation results show that the proposed algorithm can produce very good performance with recognition rate 96.7% and recognition speed 0.26 sec for FERET database. keyword : Facial Recognition Face Graph Gabor Jet Fully Automatic Facial Recognition I. 서론 최근컴퓨터비젼기반보안시스템에대한필요성이 매우높아짐에따라얼굴인식에대한연구들이 [1][5][9] 더욱활발하게진행되고있다. 입력영상에서얼굴의표준점들을검출하는과정과 접수번호 : # 접수일자 : 2010 년 12 월 28 일 심사완료일 : 2011 년 02 월 15 일교신저자 : 김진호, ho@kiu.ac.kr

32 한국콘텐츠학회논문지 '11 Vol. 11 No. 2 얼굴을인식하는과정이결합된완전자동안면인식알고리즘인 EBGM(Elastic Bunch Graph Matching)[6] 은 FERET(Face Recognition Technology) 컨테스트에서가장우수한인식결과를도출한모델로발표 [1] 되었다.

2 32 한국콘텐츠학회논문지 '11 Vol. 11 No. 2 얼굴을인식하는과정이결합된완전자동안면인식알고리즘인 EBGM(Elastic Bunch Graph Matching)[6] 은 FERET(Face Recognition Technology) 컨테스트에서가장우수한인식결과를도출한모델로발표 [1] 되었다. EBGM의피쳐추출에사용되고있는가버웨이블릿은인간의시각피질을모델링한것으로다른피쳐들에비해얼굴의분류능력이매우뛰어난것으로알려져있다 [1]. EBGM에서는훈련단계에서표준얼굴그룹을표현할수있는 FBG(Face Bunch Graph) 를생성하고인식단계에서입력된얼굴영상으로부터최적의 FG(Face Graph) 를찾아서미리등록한얼굴영상들의 FG와그래프정합 (Graph Matching) 을시도한다. EBGM은비록성공한모델이기는하지만전체영상을여러단계로탐색하기위해서많은양의계산을필요로한다. 그리고초기얼굴그래프가위치한각노드들에서제한된범위내에있는화소들만탐색함으로써얼굴영상에정합시키는 FBG의초기위치에따라인식성능이달라지는단점을내포하고있다 [9]. 최근에 EBGM의최적화과정을개선하고최적그래프탐색속도를빠르게하기위한연구들이 [8][9] 많이진행되고있으나초기그래프정합이나탐색그래프를가변시키는과정에서여전히많은양의계산을해야된다는어려움이존재하고있다. 본논문에서는가버피쳐기반기하학적가변형얼굴그래프정합방식을이용한완전자동고속안면인식알고리즘을제안하였다. 학습단계에서는훈련얼굴영상집합을대상으로얼굴그래프의각노드별평균위치와평균위치와의편차들의주된변위모드그리고각노드의평균가버제트들을이용해서얼굴모델그래프 FMG(Face Model Graph) 를정의하였다. 인식단계에서는 Adaboost 얼굴검출알고리즘 [5] 을이용해서얼굴의사각형좌표를찾고얼굴그래프의초기정합위치와크기를결정하는데활용하였다. 최적의얼굴그래프를고속으로추정하기위해얼굴그래프를기하학적으로가변시킬수있도록그래프변형매개변수들을정의하고기존최적화에이용되었던 PSO(Particle Swarm Optimization) 알고리즘을이용해서최적화 [7-9] 를시도하였다. 제안한알고리즘을이용하여 FERET 데이터베이스의인식에적용해본결과기존에발표된얼굴인식결과들에비해비교적우수한얼굴인식성능을얻을수있었다. II. 가버피쳐기반얼굴그래프매칭 그래프정합을통한완전자동안면인식알고리즘의구성도를 [ 그림 1] 에도시하였다. 학습단계에서다양한형태의얼굴들을하나의대표적인그래프로표현하기위해얼굴모델그래프 FMG를생성하였다. FMG를생성하기위해서남녀, 성별및인종등을다양하게표현할수있도록훈련얼굴영상집합을선택하였다. 훈련얼굴영상각각에대해여수작업으로특징점들을표시한다음각특징점에서가버웨이블릿을이용해서구한제트 (jet) 의평균과각특징점의평균위치그리고평균위치에대한편차들의주요변형모드들을이용해서 FMG를표현하였다. 그림 1. 가버피쳐기반그래프정합을통한안면인식알고리즘의구성 인식과정에서는 FMG 를이용해서개별얼굴영상의

3 가버피쳐기반얼굴그래프를이용한완전자동안면인식알고리즘 33 얼굴그래프 FG(Face Graph) 를추정하고 FG 각노드에서의제트를구해서템플릿으로활용하였다. FG 추정단계에서는얼굴검출알고리즘인 Adaboost를이용하여찾은얼굴의사각형좌표를기준으로 FG의초기정합위치및크기를정한다. FG를기하학적으로가변시켜가면서 PSO 최적화알고리즘을이용하여얼굴모델그래프 FMG와유사도가가장높은얼굴그래프 FG를찾아가는과정을수행한다. 그래프유사도를계산하기위해각노드에서구한가버제트를이용해서조명변화나잡음에강한그래프정합이되도록하였다. 인식단계에서는 Probe 영상의 FG를찾아템플릿을추출하고 Gallery로저장된얼굴영상들의템플릿과비교해서유사도가가장높은 Gallery 영상을인식결과로선택한다. 1. 표준얼굴그래프생성 FERET 데이터베이스 [1] 에서남녀, 나이및인종등을대표할수있는 α개의훈련영상들선정하고각영상으로부터수작업으로특징점들을 [9] 구한다음이들을이용하여얼굴모델그래프 FMG를생성하였다. 각얼굴영상에서그래프의노드를구하기위해서 [ 그림 2] 와같이특징점들을선정하였다. 먼저 30개의특징점들을수작업으로선택하고특징점들사이에보간법으로 10개의점들을추가시켜전체 40개의얼굴특징점들을선정하였다. 및얼굴그래프유사도계산에서일관성을유지하면서보다정확한결과를얻기위해서는영상들의크기를정규화할필요가있다. 먼저훈련얼굴영상들의얼굴크기를정규화시키기위해서수작업으로설정한두눈 ( 특징점 1, 2) 사이의거리가 30 화소가되도록전체영상의크기를정규화하였다. 그래프각특징점에서가버웨이블릿을이용한국소영역피쳐를추출한다. 가버웨이블릿은일종의콘볼루션커널이며하나의중심화소에서방향과주파수가각각다른커널들에대한콘볼루션상수들의집합을제트라부른다. 제트는영상 에서주어진화소 주위의작은영역에포함된화소들의명암도분포특징을표현하게된다. 이것은웨이블릿변환을기반으로한콘볼루션으로다음과같이정의된다. (1) 여기서가버커널 들의가족 (family) 은다음과같이정의된다. (2) 식 (2) 의가버커널에서파형벡터 를갖는파형의모양은가우시안함수에의해제한된다. 가우시안창의크기는파의길이에해당하며 이다. 5개의주파수, 와 8개의방향성분, 들의조합에의해 로색인되는 40개의파형벡터 를다음과같이구하였다. 그림 2. 얼굴그래프특징점들의예 (3) where, 표준얼굴영상집합의각얼굴영상의크기는서로다르게분포되고얼굴인식단계에서입력되는얼굴영상도임의의크기를갖게된다. 얼굴모델그래프생성 식 (3) 에따라하나의특징점인특정화소를중심으로 40개의파형벡터를구할수있다. 얼굴영상에서하나

4 34 한국콘텐츠학회논문지 '11 Vol. 11 No. 2 의특징점을기준으로얻은 40개의복소계수 (complex coefficient) 들의집합 를이용해서제트 를구성하며 가된다. 제트의요소는 로표현된다. 진폭 (amplitude) 는화소위치에따라천천히변하고위상 (phase) 는커널의파형벡터 에의해서개략적으로정의되는비율로회전된다. 각훈련영상에서수작업으로만든 FG들중에서 번 째 FG의 번째특징점에서계산된제트를 라고하면 FMG에서상응하는 번째특징점의제트 는전체 개의 FG들의 번째특징점의평균제트로다음과같이계산된다. (4) 하는고유벡터는전체특징점들의평균좌표로부터편차들에대한가장중요한변화모드즉, 유형을표현하게된다. (7) 식 (7) 에서 는평균좌표로부터의편차변화에대한주요유형들을표현하는고유벡터들이다. 그리고 는각변화유형에할당하는가중치들의벡터로서좌표변화주요유형별로위치에미세하게변화를줄수있다. 2. 얼굴그래프 FG 정합얼굴모델그래프 FMG와얼굴그래프 FG 사이의정합유사도를구하기위해먼저특징점 에서의유사도 를구한다. 식 (4) 와같이훈련영상각각으로부터수작업으로구한 FG들의각특징점에서의제트들을평균해서 FMG 의각특징점들의제트를구할수있다. 훈련영상들중에서 번째 FG의 개의특징점들을나타내는벡터를 라고한다. FMG의특징점들은 개의 FG들에대한특징점들의평균위치 로표현할수있다. 가버제트결과에서위상은무시하고진폭 및 (8) 를이용해서두특징점의유사도를계산하였다. 두얼굴그래프의전체유사도 는특징점들의유사도를더해서구할수있다. (5) (9) 훈련영상들의각 FG에대해서특징점들평균위치에대한편차 는 로구할수있다. 개의특징점들평균위치편차의 공분산행렬 는다음과같이계산된다. (6) 공분산행렬 를대상으로주성분분석 (Principal Component Analysis) 한결과가장큰고유치에해당 식 (9) 에서 는훈련영상을평균해서구한얼굴모델그래프 FMG의특징점 에서의제트이고 는입력얼굴영상의얼굴그래프 FG 의특징점 에서의제트이다. 는얼굴그래프각특징점들이그래프유사도에기여하는가중치이다. III. 가변그래프정합을통한완전자동얼굴인식 1. Adaboost 를이용한 FG의초기위치결정

5 가버피쳐기반얼굴그래프를이용한완전자동안면인식알고리즘 35 Adaboost 얼굴검출알고리즘을이용하여얼굴영상으로부터찾은얼굴의위치를이용해서얼굴그래프 FG의초기위치와크기를추정하였다. 얼굴검출을위해서기존의 Viola-Jones의 Adaboost 알고리즘 [2] 을개선한 MCT(Modified Census Transform)[4] 방식으로 Adaboost 얼굴검출기를구현하였다. [ 그림 3] 과같이얼굴샘플과비얼굴샘플들을이용해서 Cascade Adaboost 얼굴검출기를학습시킨다음검출과정에서추출된다수의얼굴영역후보사각형영역들을평균해서최종얼굴영역을검출하도록하였다. 정한다. 본논문에서는사각형의위쪽경계 Ys에눈썹의위쪽특징점, 아래쪽경계 Ye에턱에위치한특징점그리고왼쪽경계 Xs에특징점 22번과 33번의중간, 오른쪽경계에특징점 23번과 34번중간이되도록 FMG 의크기를조정해서올려놓고이를초기얼굴그래프 FG로추정하였다. 2. 최적 FG추출을위한그래프정합알고리즘 FG의위치와크기를기하학적으로가변시켜가면서식 (9) 로주어지는그래프정합목적함수가최대가되도록 FMG와 FG를정합시키는과정을반복하면서얼굴을가장잘표현할수있는최적의 FG를찾는다. 그래프정합과정에서 FG를기하학적으로변형시키기위해서다음과같이 8개차원의매개변수들을정의하였다. 그림 3. Adaboost 검출기를이용한얼굴사각형추출훈련얼굴영상들을대상으로 FMG를생성하면서두눈사이의거리가 30화소가되도록크기를정규화시키고 Adaboost 얼굴검출을수행했을때검출된얼굴영역의평균사각형위치와특징점들사이의상관관계를구하였다. Adaboost로검출한얼굴들의평균사각형영역정보와 FMG의특징점들사이의관계를이용하면얼굴영상에정합시킬초기 FG의위치와크기를추정할수있다. 얼굴모델그래프 FMG와 Adaboost 얼굴검출결과와의상관관계를 [ 그림 4] 에도시하였다. 그림 4. 얼굴모델그래프와 Adaboost 얼굴검출결과 Adaboost 얼굴검출결과들의평균사각형위치정보를이용해서얼굴그래프 FG의초기정합위치를결 1 FG의두눈사이의중심위치, 2 FG의전체크기조정변수, 3 FG의두눈위쪽특징점들의수직방향크기조정변수, 4 FG의두눈아래쪽특징점들의수직방향크기조정변수, 5 특징점의변형유형조정변수, PSO 최적화알고리즘 [7] 을이용하여 8차원의매개변수들의값을조정하면서초기 FG를기하학적으로가변시켜가면서 FMG와유사도가가장높은 FG를구하였다. 특징점들의탐색공간은 FG의가변매개변수들로구성되는 8차원벡터가되며 번째벡터는 로표시된다. PSO는 Particle과 Swarm 사이에정보를서로교환하면서최적화를수행한다. 여기서 Particle은하나의 FG를결정하는 8차원벡터이고 Swarm은초기에설정한여러개의 8차원벡터들의집합을의미한다. 각 Particle은자신의과거최적위치 (Personal Best) 방향으로이동경로를조정하며동시에다른 Particle들을포함한전체에서최적위치 (Global Best) 방향으로도이동경로를조정한다. 각 Particle의현재위치와다음위치사이의위치변화량즉, Particle의이동속도도 8 차원의벡터 로표현할수있다. 각 Particle의최적

6 36 한국콘텐츠학회논문지 '11 Vol. 11 No. 2 위치와전체 Particle들에서의최적위치를식 (9) 로주어지는최적화목적함수에따라계산하고다음식을이용해서개별 Particle 의속도와위치를갱신한다. (10) (11) 같이계산된다. (12) Probe 영상의얼굴그래프 PFG와 번째 Gallery 영상의얼굴그래프 GFG 사이의모델유사도 는다음과같다. 는 Particle의최적과거방문위치이고 는모든 Particle들중에서최적방문위치이다. 는초기가중치이고 는가속화계수로서상수이다. 는 [0, 1] 사이에서균등분포를갖는난수이다. 얼굴모델그래프 FMG와유사도가가장높은 FG를찾기위한 PSO 최적화알고리즘은다음과같다. [1단계] Adaboost를이용해서얼굴사각형영역을추정한다. [2단계] Particle과 Swarm의수를결정하고벡터들의위치와속도를초기화한다. 이때 Adaboost 얼굴검출결과를이용해서 FG의초기위치와크기를추정하고 8차원벡터들을초기화한다. [3단계] 각 Particle에대해식 (9) 로표현되는목적함수에따라두그래프의유사도를계산한다. [4단계] 각 Particle에대해서이전최고유사도와비교한다. 만약현재유사도가이전최고유사도보다우수하다면현재유사도를 Particle의최고유사도로설정하고현재의위치 를 로한다. [5단계] 모든 Particle에대해서지금까지가장우수한유사도를갖는것을찾아서 로한다. [6단계] Particle의위치와속도를식 (10) 및 (11) 에따라서갱신한다. [7단계] 종료조건을만족할때까지 3-6단계를반복한다. 3. 그래프정합을통한얼굴인식 Probe 영상의얼굴그래프 PFG와 Gallery 영상의얼굴그래프 GFG의특징점 에대한유사도는다음과 (13) 은 번째특징점의가중치이며직관과반복실험결과에따라결정하였다. 가장높은유사도를갖는 Probe 영상에대한인식결과로 Gallery 영상 을다음과같이선택한다. (14) 전체인식실험을위해 Gallery 각얼굴영상의 FG 에서 40개특징점들로부터각 40개의제트를구해서전체 1,600개의제트를해당얼굴영상의템플릿으로저장하였다. 인식단계에서는 Probe 영상에대해서도같은방식으로제트를구해서갤러리템플릿들과유사도를비교함으로써최종인식결과를얻을수있다. IV. 시뮬레이션결과본논문에서는 FERET 얼굴영상데이터베이스에서제공하는두눈좌표를이용하지않고 Adaboost 얼굴검출결과를이용해서두눈을포함한전체특징점들을찾아서얼굴을인식하는완전자동안면인식알고리즘을구현하였다. 제안한완전자동얼굴인식알고리즘의성능을평가하기위해서 [ 표 1] 과같이 FERET 얼굴영상데이터베이스를이용하여표정변화, 조명변화그리고다양한시간의흐름에따른얼굴들의인식성능을평가하였다.

가버피쳐기반얼굴그래프를이용한완전자동안면인식알고리즘 37 FERET 데이터베이스에는다양한조건에서획득한얼굴영상들이포함되어있어서얼굴인식시스템의성능비교에많이사용 [6][9] 되고있다. 인식성능을보였다. 기존연구에서는 fc 및 dup2에대한완전자동인식성능을보이지않아서직접비교는어려웠다. 표 1.

7 가버피쳐기반얼굴그래프를이용한완전자동안면인식알고리즘 37 FERET 데이터베이스에는다양한조건에서획득한얼굴영상들이포함되어있어서얼굴인식시스템의성능비교에많이사용 [6][9] 되고있다. 인식성능을보였다. 기존연구에서는 fc 및 dup2에대한완전자동인식성능을보이지않아서직접비교는어려웠다. 표 1. FERET 얼굴영상데이터베이스 집합용도영상개수비고 fa 갤러리 1,196 - fb 표정변화 1,195 - fc 조명변화 dup1 시간경과 722 3년이내촬영 dup2 시간경과 개월간촬영얼굴모델그래프 FMG는 FERET 얼굴영상데이터베이스집합 fa로부터선택한 α=60개의훈련영상들을이용해서생성하였다. Adaboost 훈련을위해얼굴영상과비얼굴영상으로인터넷으로부터수집한자료에서각각 4,500개및 15,000개를추출하였다. 얼굴영상은 [ 그림 4] 에보인사각형형태로추출하고 24x24크기로정규화한다음얼굴검출기를구현하였다. 그래프정합을위한 PSO 알고리즘에서식 (10) 및 (11) 로표현된각 Particle의매개변수를갱신할때가속화계수 로하고초기가중치는 로하였다. 두그래프의유사도를계산할때각특징점들의분류능력에미치는식 (13) 의가중치 는눈, 코그리고입주위특징점들의경우 1.0으로하고바깥쪽으로갈수록값을줄여서얼굴테두리의특징점들에대해서는 0.2가되도록설정하였다. 얼굴영상으로부터제트를추출하기위해 [ 그림 5] 와같이 FERET 원본영상에서제트를구하는방법과배경영향을제거하기위해얼굴영역을타원형마스크로 Cropping하고제트를구하는방법에대해서별도로인식성능을분석하였다. [ 그림 6] 에시뮬레이션과정에서 FMG와최적정합된얼굴그래프 FG를찾은예를도시하였다. 시뮬레이션결과 [ 표 2] 에서제안한얼굴인식알고리즘이표정변화가있는 fb 집합과시간이지난얼굴 dup1 집합에대해각각 96.7%, 61.2% 의인식성능을얻을수있어서기존의완전자동인식방법에비해비교적우수한 (a) 원본얼굴영상 (b) 타원형얼굴영상그림 5. FERET 데이터베이스에서 (a) 원본얼굴영상과 (b) 타원형마스크를이용하여 Cropping 한영상의예 그림 6. 그래프정합방식으로추출한 FG 의특징점들 표 2. 완전자동얼굴인식알고리즘들의 FERET 데이터베이스얼굴인식성능비교 알고리즘종류 fb fc dup1 dup2 제안한 원본얼굴 96.7% 85.9% 55.1% 51.2% 알고리즘 타원얼굴 91.6% 86.1% 61.2% 58.2% EBGM[1] 86.3% % - LMMjets[9] 92.1% % - LMMjets&glbp[9] 93.4% % - 제안한방법에서원본얼굴영상을이용한것과타원형 Cropping 얼굴영상을이용한결과에서인식성능의차이를보인것은배경영향때문인것으로판단된다. 즉, 집합 fb는같은배경으로촬영해서원본얼굴영상을그대로이용할경우동일한배경까지포함해서유사도를계산하기때문에인식성능이높게나온것이다. 시간이지난후에촬영한집합 dup1 및 dup2의경우배경이다르기때문에배경을제거하기위해타원형으로 Cropping했을때더욱높은인식률을나타내었다. 제안한얼굴인식알고리즘을이용하여하나의 Probe

8 38 한국콘텐츠학회논문지 '11 Vol. 11 No. 2 영상에대해서 N개의 Gallery 얼굴영상을대상으로한얼굴인식속도 Trec는 Probe 영상의템플릿추출시간 Tp와 N개의템플릿과유사도비교시간 Tm의합으로표현할수있다. 인텔 i7 CPU, 4GB 메모리로구성된컴퓨터에서하나의템플릿을추출하는데 Tp = 0.25초가소요되었고 1,196개의 Gallery 템플릿들과유사도를비교하는데 Tm=0.01초가소요되었다. 하나의 Probe 영상에대해서 1,196개의 Gallery 영상을대상으로한평균인식시간이 Trec=0.26초로서실시간안면인식에도활용할수있음을확인하였다. V. 결론본논문에서는가버피쳐기반기하학적가변형얼굴그래프정합방식을이용한완전자동고속안면인식알고리즘을제안하였다. 제안한알고리즘을이용하여 FERET 얼굴영상데이터베이스를대상으로인식실험을해본결과집합 fb에대해서 96.7% 의인식률을얻을수있어서다른완전자동인식알고리즘들에비해서비교적우수한인식성능을얻을수있었다. 타원형태로 Cropping 한얼굴영상을이용한경우배경영역의간섭을적게받아서인식성능이높아지기때문에실환경안면인식시스템에효율적으로이용할수있음을확인할수있었다. 1,196개의 Gallery 영상을대상으로한 Probe 영상의인식시간이평균 0.26초가소요되어실시간얼굴인식에도활용할수있음을보였다. 참고문헌 [1] P. J. Phillips, H. Moon, P. J. Rauss, and S. A. Rizvi, "The FERET Evaluation Methodology for Face Recognition Algorithms," IEEE Trans. on PAMI. Vol.22, pp , [2] P. Viola and M. Jones, "Robust Real-Time Face Detection," International Journal of Computer Vision, Vol.57, No.2, pp , [3] W. Lee, J. Kim, and B. Lee, "Real-Time Face Detection and Tracking Using the Adaboost Algorithm," Journal of Korea Multimedia Society, Vol.9, No.10, pp , 2006(10). [4] 조광신, 박수경, 심동규, 이수연, 조명변화에강인한 MCT와프레임연관성기반실시간얼굴인식시스템, 전자공학회논문지, 제45권 C1편, 제3호, pp , 2008(5). [5] Matthew Turk and Alex Pentland, Eigenfaces for Recognition," Journal of Cognitive Neuroscience, Vol.3, No.1, [6] L. Wiskott, J. Fellous, N. Kruger, and C. Malsburg, "Face Recognition by Elastic Bunch Graph Matching," Intelligent Biometric Techniques in Fingerprint and Face Recognition, CRC Press, ISBN , Chapter 11, pp , [7] J. Kennedy and R. Eberhart, "Particle Swarm Optimization," Proceedings of IEEE International Conference on Neural Networks, Piscataway, NJ. pp , [8] R. Ramadan and R. Abdel-kader, "Face Recognition Using Particle Swarm Optimization-Based Selected Features," International Journal of Signal Processing, Image Processing and Pattern Recognition, Vol.2, No.2, pp.51-65, 2009(6). [9] R. Senaratne, S. Halgamuge, and A. Hsu, "Face Recognition by Extending Elastic Bunch Graph Matching with Particle Swarm Optimization," Journal of Multimedia, Vol.4, No.4, pp , 2009(8).

9 가버피쳐기반얼굴그래프를이용한완전자동안면인식알고리즘 39 저자소개김진호 (Jin-Ho Kim) 정회원 1986년 2월 : 경북대학교전자공학과 ( 공학사 ) 1988년 2월 : 경북대학교전자공학과 ( 공학석사 ) 1992년 2월 : 경북대학교전자공학과 ( 공학박사 ) 1992년 3월 ~ 현재 : 경일대학교전자공학과교수 < 관심분야 > : 패턴인식, 영상처리, 컴퓨터비젼

지능정보연구제 16 권제 1 호 2010 년 3 월 (pp.71~92),.,.,., Support Vector Machines,,., KOSPI200.,. * 지능정보연구제 16 권제 1 호 2010 년 3 월

지능정보연구제 16 권제 1 호 2010 년 3 월 (pp.71~92),.,.,., Support Vector Machines,,., 2004 5 2009 12 KOSPI200.,. * 2009. 지능정보연구제 16 권제 1 호 2010 년 3 월 김선웅 안현철 社 1), 28 1, 2009, 4. 1. 지능정보연구제 16 권제 1 호 2010 년 3 월 Support