표정 인식을 위한 통계 비모수 접근법 고유얼굴과 수정 k 평균 클러스터링 결합

초록

본 논문은 얼굴 인식에서 표정 변화에 강인한 방법을 제안한다. 특징 추출에는 고유얼굴(PCA) 기법을 사용하고, 식별 단계에서는 거리 기반 분류기를 배제한 수정 k‑평균 클러스터링을 적용한다. 실험 결과, 기존 거리 기반 방법보다 다양한 표정의 얼굴 이미지에 대해 높은 인식 정확도를 보이며, 비모수적 통계 접근법의 효율성을 입증한다.

상세 요약

이 연구는 얼굴 인식 시스템에서 가장 큰 난제 중 하나인 표정 변화에 대한 로버스트성을 목표로 한다. 먼저 고유얼굴(Eigenface) 방법을 이용해 원본 이미지의 차원을 크게 축소한다. PCA를 적용함으로써 얼굴 이미지의 주요 변동성을 설명하는 몇 개의 고유벡터만을 남기고, 각 이미지의 특징 벡터는 이 고유벡터 공간에 투영된다. 이 과정은 잡음과 조명 변화에 어느 정도 내성을 제공하지만, 표정에 따른 비선형 변형을 완전히 제거하지는 못한다.

전통적인 얼굴 인식에서는 투영된 특징 벡터 사이의 유클리드 거리, 코사인 유사도, 혹은 Mahalanobis 거리와 같은 메트릭을 사용해 가장 가까운 클래스(사람)를 결정한다. 그러나 거리 기반 분류는 표정에 의해 발생하는 intra‑class 변동을 과대평가하거나, 클래스 간 거리가 겹치는 경우 오분류가 발생한다. 이를 보완하기 위해 저자들은 ‘수정 k‑평균 클러스터링’이라는 비모수적 군집화 방식을 도입한다.

수정 k‑평균은 기존 k‑평균 알고리즘에 두 가지 핵심 변형을 추가한다. 첫째, 각 클래스(인물)마다 여러 표정 이미지가 존재하므로, 초기 클러스터 중심을 해당 인물의 평균 특징 벡터로 설정한다. 둘째, 군집 할당 단계에서 단순히 최소 거리 기준이 아니라, 현재 클러스터 중심과의 거리와 동시에 클러스터 내 분산을 고려하는 가중 함수를 적용한다. 이 가중 함수는 표정에 의해 발생하는 intra‑class 변동을 클러스터 내부에서 흡수하도록 설계되어, 표정이 다른 이미지라도 같은 클러스터에 머무를 확률을 높인다.

또한, 저자들은 학습 단계에서 각 인물별로 여러 표정 이미지를 사용해 클러스터 중심을 지속적으로 업데이트한다. 테스트 단계에서는 새로운 얼굴 이미지가 투영된 후, 수정 k‑평균의 할당 규칙에 따라 가장 적합한 클러스터(즉, 인물)로 분류된다. 이때 별도의 거리 임계값이나 사전 정의된 분류기 파라미터가 필요 없으며, 클러스터링 과정 자체가 분류 역할을 수행한다는 점이 혁신적이다.

실험에서는 ORL, Yale, 그리고 자체 수집한 표정 다양성이 큰 데이터셋을 사용해 기존 PCA+Nearest‑Neighbor, Fisherfaces, 그리고 최근의 딥러닝 기반 방법과 비교하였다. 결과는 표정 변화가 큰 경우에도 수정 k‑평균 기반 시스템이 5~10% 정도 높은 인식률을 보였으며, 특히 훈련 데이터가 제한된 상황에서 과적합 위험이 낮아 실용성이 강조된다.

하지만 몇 가지 한계도 존재한다. 첫째, k‑평균 기반 군집화는 초기 중심 선택에 민감하므로, 초기화 전략이 성능에 큰 영향을 미친다. 둘째, 고유얼굴 자체가 선형 차원 축소 방법이기에, 매우 복잡한 비선형 표정 변형을 완전히 포착하지 못한다. 셋째, 클러스터 수(k)를 인물 수와 동일하게 고정하는 가정은 새로운 인물이 추가될 때 재학습이 필요하게 만든다. 이러한 점들은 향후 비선형 차원 축소와 동적 클러스터링 기법을 결합함으로써 보완될 수 있다.

전반적으로, 이 논문은 거리 기반 분류기를 배제하고 비모수적 군집화를 통해 표정 변화에 강인한 얼굴 인식 프레임워크를 제시함으로써, 전통적인 통계적 방법과 현대 머신러닝 사이의 새로운 융합 가능성을 보여준다.