확장 2차원 주성분 분석(E2DPCA)을 통한 효율적인 얼굴 표현 및 인식

이 논문은 얼굴 인식을 위한 새로운 기법인 확장 2차원 주성분 분석(E2DPCA)을 제안한다. E2DPCA는 PCA와 2DPCA의 장점을 결합한 방법으로, 이미지 표현과 특징 추출에서 중요한 역할을 하는 공분산 정보를 보다 효과적으로 활용한다. 기존의 PCA는 이미지를 벡터로 변환하고 고차원 공간에서 공분산 행렬을 계산하는 과정이 필요하다. 이 과정은 시간 소모가 많고 정확도에 영향을 미칠 수 있다. 2DPCA는 이러한 문제를 해결하기 위해 이미지의 2차원 구조를 유지한 채로 공분산 행렬을 계산한다. 그러나, 2DPCA는 주 대각선 외의 공분산 정보를 무시하는 문제가 있어 인식 정확도에 영향을 미칠 수 있다. E2DPCA는 이러한 문제점을 해결하기 위해 r이라는 파라미터를 도입하여, 주 대각선 외에도 r개의 대각선까지 고려한다. 이를 통해 더 많은 지역 구조 정보를 유지할 수 있으며, r 값을 조절함으로써 인식 정확도와 에너지 압축 사이의 균형을 맞출 수 있다. 실험은 ORL 얼굴 데이터베이스를 사용하여 수행되었으며, E2DPCA가 기존 2DPCA보다 더 높은 인식 정확도와 짧은 인식 시간을 보여준다. 이는 E2DPCA가 이미지를 표현하는 데 필요한 계수를 줄여서 연산 효율성을 향상시켰기 때문으로 해석된다.