다중뷰 얼굴 인식을 위한 KDDA 기반 특징 선택 및 SVM 분류

본 논문은 고차원 얼굴 이미지 데이터를 효과적으로 저차원으로 변환하고, 변환된 특징을 기반으로 정확한 분류를 수행하는 새로운 얼굴 인식 프레임워크를 제안한다. 연구 배경으로는 전통적인 선형 판별 분석(LDA)과 주성분 분석(PCA)이 차원 축소와 특징 추출에 널리 사용되어 왔지만, 특히 얼굴 인식과 같은 고차원·소규모 샘플(SSS) 상황에서는 within‑class scatter matrix가 특이행렬이 되어 역연산이 불가능하고, 선형 모델이 복잡한 비선형 변형을 충분히 포착하지 못한다는 한계가 있다. 이러한 문제를 해결하기 위해 저자들은 두 가지 핵심 기술을 결합한다. 첫 번째 기술은 Kernel Direct Discriminant Analysis(KDDA)이다. KDDA는 Mercer 조건을 만족하는 커널 함수를 이용해 원본 이미지 공간을 암묵적인 고차원 특징 공간으로 비선형 매핑한다. 이 고차원 공간에서는 원래 비선형적인 얼굴 패턴이 선형적으로 분포한다고 가정하고, D‑LDA의 개선된 알고리즘을 적용한다. 기존 D‑LDA는 within‑class scatter matrix의 영공간(null space)을 무시하거나 영고유값을 나누는 과정에서 수치적 불안정을 초래했지만, KDDA는 영고유값을 포함한 전체 고유공간을 활용함으로써 정보 손실을 최소화하고, SSS 문제를 근본적으로 해결한다. 구체적으로, KDDA는 between‑class scatter matrix와 within‑class scatter matrix를 커널 형태로 표현하고, 일반화된 판별 기준 J = tr(S_B S_W^{-1})를 최대화하는 고유벡터를 구한다. 이 과정에서 커널 매트릭스 K의 의사역(pseudoinverse)을 직접 계산하는 대신, 영공간을 포함한 전체 고유값 분해를 이용해 안정적인 해를 얻는다. 두 번째 기술은 Support Vector Machine(SVM)이다. KDDA가 추출한 저차원 특징 벡터는 여전히 비선형적인 클래스 경계를 가질 수 있기 때문에, SVM을 이용해 최대 마진 초평면을 찾는다. 논문에서는 가우시안(RBF) 커널을 사용했으며, C(정규화 파라미터)와 σ(스케일 파라미터)를 교차 검증을 통해 최적화하였다. 다중 클래스 문제는 one‑vs‑rest 전략을 채택하여 각 클래스마다 이진 SVM을 학습하고, 테스트 시 가장 높은 결정 함수 값을 갖는 클래스를 선택한다. 실험은 영국의 UMIST 얼굴 데이터베이스(20명, 575장)를 사용하였다. 각 인물당 10장을 학습, 나머지 10장을 테스트로 하는 기본 설정 외에도, 학습 샘플 수 k를 2~10까지 변화시켜 SSS 상황에서의 성능을 평가하였다. 실험 결과는 다음과 같다. (1) KDDA+SVM 조합은 모든 k 값에서 기존 방법(Eigenfaces, Fisherfaces, D‑LDA, KDDA+Nearest‑Neighbour, KPCA, GDA)보다 높은 인식률을 기록하였다. 특히 k=6 이상에서는 94% 이상의 정확도를 달성했으며, KDDA+NN 대비 약 5%p, KPCA 대비 10%p 이상의 개선을 보였다. (2) Figure 2에서는 KDDA가 추출한 첫 두 판별 특징을 시각화하고, one‑vs‑rest SVM이 학습 데이터에 대해 형성한 결정 경계를 보여준다. (3) Figure 3과 5는 RBF 커널의 σ 파라미터와 특징 차원 M에 따른 오류율 변화를 분석했으며, 최적 σ와 M을 선택했을 때 오류율이 최소화됨을 확인하였다. 논문의 주요 기여는 세 가지로 요약된다. 첫째, KDDA를 통해 SSS 문제를 해결하고, 고차원 공간에서 최적의 판별 서브스페이스를 정확히 추출한다. 둘째, KDDA와 SVM을 결합함으로써 비선형적인 얼굴 변형(다중 뷰, 조명, 표정 등)에 강인한 인식 시스템을 구현한다. 셋째, 실험을 통해 제안 방법이 기존 선형 및 비선형 방법에 비해 일관되게 우수한 성능을 보임을 입증한다. 결론적으로, KDDA 기반 특징 선택과 SVM 분류기의 결합은 고차원·소규모 데이터 상황에서 효과적인 얼굴 인식 솔루션을 제공한다. 향후 연구에서는 (1) 커널 함수와 파라미터 자동 선택을 위한 메타학습, (2) 대규모 실시간 시스템에 적용 가능한 연산 최적화, (3) 다른 비전 과제(예: 표정 인식, 안면 표정 분석)로의 확장 가능성을 탐구할 필요가 있다.