지역 조명 정규화와 판별 특징점 선택을 이용한 강인한 얼굴 인식

초록

본 논문은 Gabor 웨이브릿 기반 얼굴 특징을 추출할 때, 지역적인 조명 변동에 강인하도록 정규화하는 방법과, 클래스 구분 능력이 높은 특징점을 자동으로 선택하는 절차를 제안한다. 정규화된 Gabor 피처와 선택된 특징점 집합을 이용해 실험을 수행한 결과, 조명 변화가 큰 환경에서도 기존 방법보다 높은 인식 정확도를 달성하였다.

상세 분석

이 연구는 얼굴 인식 시스템이 직면하는 가장 난제 중 하나인 조명 변화에 초점을 맞추었다. 기존 Gabor 웨이브릿은 인간 시각 시스템을 모방해 주파수·방향 정보를 풍부하게 제공하지만, 픽셀 강도에 직접 의존하기 때문에 전역적인 밝기 변화에 민감했다. 저자들은 이러한 약점을 보완하기 위해 ‘지역 조명 정규화’를 도입하였다. 구체적으로, 각 Gabor 필터의 수용 영역을 작은 정사각형 블록으로 나누고, 해당 블록 내 픽셀 강도를 선형 모델 I(x)=α·I₀(x)+β 로 가정한다. 여기서 α는 대비(contrast) 변동, β는 평균 밝기 변동을 의미한다. Gabor 응답 G_j(x) 를 위 모델에 대입하면 G_j(x)=α·G_{j0}(x)+β·∑k w_k·Ψ_j(k) 형태가 된다. α와 β 를 블록 내 평균·표준편차로 추정한 뒤, G{j0}(x) = (G_j(x)−β·c_j)/α 로 정규화함으로써 조명에 의해 발생하는 스케일·시프트를 제거한다. 이 과정은 복잡한 전역 조명 보정 없이도 각 지역마다 독립적으로 수행될 수 있어 계산 효율성이 높다.

정규화된 Gabor 피처가 얻어지면, 다음 단계는 ‘판별 특징점 선택’이다. 저자들은 각 후보 점 p_i 에 대해 클래스 간 분산과 클래스 내 분산을 비교하는 Fisher’s separability J(p_i)=tr(S_W⁻¹S_B) 를 계산한다. 여기서 S_W와 S_B는 각각 해당 점의 Gabor 벡터 집합에 대한 클래스 내·외 공분산 행렬이다. J 값이 큰 점은 서로 다른 사람 사이의 차이가 크고, 같은 사람 내 변동은 작아 얼굴 구분에 유리하므로 후보군에 포함된다. 그러나 고차원 Gabor 벡터는 서로 높은 상관관계를 가질 수 있어, 선택된 점들 간의 상관계수 ρ(p_i,p_j) 를 평가한다. ρ가 임계값 ε 이하인 경우에만 새로운 점을 추가함으로써 특징점 집합의 독립성을 유지한다. 최종적으로 N개의 특징점이 선정되고, 각 점마다 5개의 스케일·8개의 방향을 갖는 40차원 Gabor 벡터가 추출된다.

분류 단계에서는 간단히 L2 거리 기반 최근접 이웃(NN) 혹은 서포트 벡터 머신(SVM)을 적용한다. 실험에서는 FERET와 Yale B 데이터셋을 사용했으며, 특히 조명 변화가 심한 Yale B의 ‘illumination’ 서브셋에서 기존 Gabor+LDA, LBP, 그리고 최근의 딥러닝 기반 방법들과 비교했을 때 인식률이 47%p 상승하였다. 또한, 특징점 수를 3080 사이로 변동시켜도 정규화된 피처는 안정적인 성능을 유지했으며, 연산량도 기존 전체 Gabor 피처(전체 얼굴 영역) 대비 60% 이상 감소하였다.

이 논문의 핵심 기여는 (1) 지역 조명 정규화를 통해 Gabor 응답을 조명 불변으로 변환한 점, (2) Fisher separability와 상관 억제를 결합한 자동 특징점 선택 프레임워크를 제시한 점, (3) 실험을 통해 제안 방법이 조명 변동에 강인하면서도 계산 효율성을 확보함을 입증한 점이다. 다만, 정규화 과정이 블록 크기에 민감하고, 매우 급격한 비선형 조명(예: 그림자 경계)에서는 완전한 보정이 어려울 수 있다는 제한점이 남아 있다. 향후 연구에서는 비선형 조명 모델링과 딥러닝 기반 특징점 학습을 결합해 더욱 일반화된 시스템을 구축할 여지가 있다.