KR20060089376A

KR20060089376A - A method of face recognition using pca and back-propagation algorithms

Info

Publication number: KR20060089376A
Application number: KR1020050010388A
Authority: KR
Inventors: 오병주; 양근화
Original assignee: 오병주; 학교법인 대전기독학원 한남대학교
Priority date: 2005-02-04
Filing date: 2005-02-04
Publication date: 2006-08-09
Also published as: KR100729273B1

Abstract

본 발명은 얼굴인식 방법에 있어서, 얼굴 영상들을 표현하는 기초벡터, 즉 고유벡터를 추출하여 각각의 벡터 공간으로 투영시킨 가중치를 통하여 인식을 수행하는 PCA(Principal Component Analysis)와 전 단계에서 얼굴영상에 대한 특징값을 정의하고 추출된 특징값들을 이용하여 학습을 한 후, 인식을 수행하는 역전파(Back-Propagation) 알고리즘을 이용한 얼굴인식 방법에 관한 것이다.In the face recognition method, a basic vector representing face images, that is, eigenvectors are extracted and weighted to each vector space, and the recognition is performed on the principal component analysis (PCA) and the face image in the previous step. The present invention relates to a face recognition method using a back-propagation algorithm that defines a feature value and learns using extracted feature values.

보다 상세하게, 본 발명은 얼굴 이미지를 받아서 조명에 덜 민감할 수 있도록 하는 절차와 인식을 위한 적절한 크기로 변환하는 전처리단계; 일련의 과정을 거친 얼굴 데이터들의 고유얼굴을 추출하여 가중치를 계산하는 PCA처리단계; 이렇게 얻은 각각의 데이터에 대한 가중치를 일정한 에러 범위까지 학습과정을 통해서 갱신해 나가는 역전파처리단계; 그리고 표준편차를 이용한 얼굴인식 단계;를 포함하여 이루어지며, More specifically, the present invention includes a preprocessing step of receiving a face image and converting it into an appropriate size for recognition and a procedure to make it less sensitive to illumination; PCA processing step of calculating the weight by extracting the unique face of the face data after a series of processes; A back propagation step of updating the weight for each data thus obtained through a learning process to a predetermined error range; And a face recognition step using standard deviation;

신경망만을 이용했을 때 BP으로 입력되는 방대한 량의 특징벡터를 줄이기 위하여 PCA로 얼굴영상속의 고유얼굴을 추출한 후 그를 신경망에 입력하는 PCA와 역전파 알고리즘을 이용한 얼굴인식 방법에 관한 것이다.The present invention relates to a face recognition method using a PCA and a back-propagation algorithm that extract a unique face in a face image with a PCA to reduce a large amount of feature vectors input to a BP when only a neural network is used.

본 발명에 의하면, 원래 얼굴영상에 PCA를 적용하여 얻어지는 고유벡터를 사용함으로써 차원을 줄이면서도 본래의 얼굴의 특징을 잘 나타내는 한편, 이를 신경망의 입력으로 사용함으로써 학습하는 시간을 단축시킬 수 있다.According to the present invention, by using the eigenvector obtained by applying the PCA to the original face image, while reducing the dimension well, the original face characteristics can be well represented, and the learning time can be shortened by using it as an input of the neural network.

PCA(Principal Component Analysis), 역전파(Back-Propagation), 얼굴인식Principal Component Analysis (PCA), Back-Propagation, Face Recognition

Description

PCA와 역전파 알고리즘을 이용한 얼굴인식 방법{A METHOD OF FACE RECOGNITION USING PCA AND BACK-PROPAGATION ALGORITHMS}Recognition method using PCA and back propagation algorithm {A METHOD OF FACE RECOGNITION USING PCA AND BACK-PROPAGATION ALGORITHMS}

도 1은 종래기술들중 신경망의 일례에 대한 구조도1 is a structural diagram of an example of a neural network of the prior art;

도 2는 본 발명에 의한 PCA와 역전파 알고리즘을 이용한 얼굴인식 방법 흐름도2 is a flowchart of face recognition using PCA and backpropagation algorithm according to the present invention.

도 3은 본 발명의 일실시예에 의한 PCA와 역전파 알고리즘을 이용한 얼굴인식 방법에서의 고유얼굴 참고도3 is a unique face reference diagram in the face recognition method using the PCA and backpropagation algorithm according to an embodiment of the present invention

도 4는 본 발명의 일실시예에 의한 PCA와 역전파 알고리즘을 이용한 얼굴인식 방법에서의 얼굴이미지들의 평균이미지 참고도4 is a reference diagram of the average image of the face images in the face recognition method using the PCA and backpropagation algorithm according to an embodiment of the present invention

* 도면의 주요 부분에 대한 부호 설명 *Explanation of symbols on the main parts of the drawings

S100 : 전처리단계S100: pretreatment step

S200 : PCA처리단계S200: PCA processing step

S300 : 역전파처리단계S300: Backpropagation step

S400 : 얼굴인식 단계S400: Face recognition step

본 발명은 얼굴인식 방법에 있어서, 얼굴 영상들을 표현하는 기초벡터, 즉 고유벡터를 추출하여 각각의 벡터 공간으로 투영시킨 가중치를 통하여 인식을 수행하는 PCA(Principal Component Analysis)와 전 단계에서 얼굴영상에 대한 특징 값을 정의하고 추출된 특징 값들을 이용하여 학습을 한 후, 인식을 수행하는 역전파(Back-Propagation) 알고리즘을 이용한 얼굴인식 방법에 관한 것이다.In the face recognition method, a basic vector representing face images, that is, eigenvectors are extracted and weighted to each vector space, and the recognition is performed on the principal component analysis (PCA) and the face image in the previous step. The present invention relates to a face recognition method using a back-propagation algorithm that defines a feature value, learns using extracted feature values, and performs recognition.

컴퓨터를 이용한 개인의 정보 보호 및 신분확인을 위한 기술이 많이 연구되고 있는 가운데, 얼굴인식방법은 사용자에게 거부감을 주지 않고 자연스럽게 인식할 수 있다는 장점을 가지고 있다. 그러나 같은 사람의 얼굴이라도 여러 가지 왜곡 요인에 의하여 얼굴 영상의 정보가 크게 변할 수 있는 단점이 있다. 지금까지 얼굴인식을 위하여 많은 방법들이 시도되어 왔지만, 그 중 대표적인 것들의 예를 든다면 PCA 방법, 신경망을 이용한 방법, SVM(Support Vector Machines)방법, 아다부스트(Adaboost)방법 등이 있다. While a lot of technologies for personal information protection and identification are being researched using a computer, the face recognition method has an advantage of being able to recognize a user naturally without any objection. However, even in the face of the same person, there is a disadvantage that the information of the face image can be changed greatly by various distortion factors. Many methods have been tried for face recognition, but the representative ones are PCA method, neural network method, SVM (Support Vector Machines) method, Adaboost method.

PCA방법은 1991년 M.A, Turk와 A.P. Pentland가 제안한 방식으로 얼굴 영상들을 표현하는 기초벡터, 즉 고유벡터를 추출하여 각각의 벡터 공간으로 투영시킨 가중치를 통하여 인식을 수행하는 기법이며, 추출된 고유벡터가 얼굴 영상의 형태를 가지기 때문에 흔히 고유얼굴(Eigenface)방식으로 불린다. 고유얼굴(Eigenface)을 이용한 PCA방식은 가장 효율적인 방법의 하나이지만, 조명의 변화에 의해 인식 률이 변할 수 있으며 속도에 문제가 있다. The PCA method was described in 1991 by M.A, Turk and A.P. Pentland's proposed method extracts the base vector representing the face images, that is, the eigenvectors, and performs the recognition through the weights that are projected into each vector space. The extracted eigenvectors are often unique because they have the shape of the face image. It's called the Eigenface method. The PCA method using the eigenface is one of the most efficient methods, but the recognition rate may change due to the change of lighting and there is a problem in speed.

한편. 최근에 많이 이용되는 방법으로 신경망을 이용한 방법으로는 대부분 역전파 즉 오류역전파(back error propagation) 학습방법을 사용한다. 참고로, 도 1은 신경망의 일례에 대한 구조도이다. 그러나, 역전파 학습방법은 학습하는 시간이 오래 걸리는 단점이 있다. Meanwhile. Recently, the neural network is a widely used method, which uses a back propagation learning method. 1 is a structural diagram of an example of a neural network. However, the backpropagation learning method has a disadvantage in that it takes a long time to learn.

본 발명은 상기 종래의 얼굴인식 방법의 문제점을 해결하기 위하여 안출된 것으로, The present invention has been made to solve the problems of the conventional face recognition method,

얼굴 이미지를 받아서 조명에 덜 민감할 수 있도록 하는 절차와 인식을 위한 적절한 크기로 변환하는 전처리단계; 일련의 과정을 거친 얼굴 데이터들의 고유얼굴을 추출하여 가중치를 계산하는 PCA처리단계; 이렇게 얻은 각각의 데이터에 대한 가중치를 일정한 에러 범위까지 학습과정을 통해서 갱신해 나가는 역전파처리단계; 그리고 표준편차를 이용한 얼굴인식 단계;를 포함하여 이루어지며, A preprocessing step of taking a face image and converting it into an appropriate size for recognition and a procedure to make it less sensitive to illumination; PCA processing step of calculating the weight by extracting the unique face of the face data after a series of processes; A back propagation step of updating the weight for each data thus obtained through a learning process to a predetermined error range; And a face recognition step using standard deviation;

신경망만을 이용했을 때 역전파(BP)로 입력되는 방대한 량의 특징벡터를 줄이기 위하여 PCA로 얼굴영상속의 고유얼굴을 추출한 후 그를 신경망에 입력하는 PCA와 역전파 알고리즘을 이용한 얼굴인식 방법을 제안하는데 그 목적이 있다.We propose a face recognition method using PCA and backpropagation algorithm which extracts the unique face in face image with PCA and reduces it in order to reduce the huge amount of feature vectors input to backpropagation when using neural network. There is a purpose.

보다 상세하게, 본 발명은 얼굴 이미지를 받아서 조명에 덜 민감할 수 있도록 하는 절차와 인식을 위한 적절한 크기로 변환하는 전처리단계; 일련의 과정을 거친 얼굴 데이터들의 고유얼굴을 추출하여 가중치를 계산하는 PCA처리단계; 이렇게 얻은 각각의 데이터에 대한 가중치를 일정한 에러 범위까지 학습과정을 통해서 갱신해 나가는 역전파처리단계; 그리고 표준편차를 이용한 얼굴인식 단계;를 포함하여 이루어지며, 신경망만을 이용했을 때 역전파(BP)로 입력되는 방대한 량의 특징벡터를 줄이기 위하여 PCA로 얼굴영상속의 고유얼굴을 추출한 후 그를 신경망에 입력하는 PCA와 역전파 알고리즘을 이용한 얼굴인식 방법에 관한 것이다.More specifically, the present invention includes a preprocessing step of receiving a face image and converting it into an appropriate size for recognition and a procedure to make it less sensitive to illumination; PCA processing step of calculating the weight by extracting the unique face of the face data after a series of processes; A back propagation step of updating the weight for each data thus obtained through a learning process to a predetermined error range; And a face recognition step using standard deviation; and extracting the unique face in the face image with the PCA to reduce the vast amount of feature vectors input to the backpropagation (BP) when only the neural network is used. The present invention relates to a face recognition method using a PCA and a backpropagation algorithm.

이하, 첨부된 도면을 참조하여 본 발명에 의한 PCA와 역전파 알고리즘을 이용한 얼굴인식 방법의 바람직한 실시예를 상세하게 설명한다.Hereinafter, with reference to the accompanying drawings will be described in detail a preferred embodiment of the face recognition method using the PCA and the back-propagation algorithm according to the present invention.

도 2는 본 발명에 의한 PCA와 역전파 알고리즘을 이용한 얼굴인식 방법 흐름 도이다. 도 2에 도시된 바와 같이, 본 발명에 의한 PCA와 역전파 알고리즘을 이용한 얼굴인식 방법은,2 is a flowchart illustrating a face recognition method using a PCA and a backpropagation algorithm according to the present invention. As shown in Figure 2, the face recognition method using the PCA and the back-propagation algorithm according to the present invention,

얼굴 이미지를 받아서 조명에 덜 민감할 수 있도록 하는 절차와 인식을 위한 적절한 크기로 변환하는 전처리단계(S100); 상기 전처리단계(S100)를 거친 얼굴 데이터들의 고유얼굴을 추출하여 가중치를 계산하는 PCA처리단계(S200); 상기 PCA처리단계(S200)에서 얻은 각각의 데이터에 대한 가중치를 일정한 에러 범위까지 학습과정을 통해서 갱신해 나가는 역전파처리단계(S300); 그리고 표준편차를 이용한 얼굴인식 단계(S400);를 포함하여 이루어지는 것을 특징으로 한다.A preprocessing step (S100) of receiving a face image and converting the image into an appropriate size for recognition and a procedure to be less sensitive to illumination; PCA processing step (S200) of calculating the weight by extracting the unique face of the face data passed through the pre-processing step (S100); A back propagation step (S300) of updating the weight for each data obtained in the PCA processing step (S200) through a learning process to a predetermined error range; And a face recognition step using the standard deviation (S400).

한편, 상기 전처리단계(S100)에서는, 얼굴 이미지들이 각각 크기나 밝기정보, 회전각에 대한 정보가 각기 다른데, 이러한 차이들은 얼굴인식에서 커다란 왜곡현상이나 오류인식의 확률을 높이는데 히스토그램 평활화를 통해서 빛에 대한 요인을 보상해준다. 얼굴이미지의 크기는 얼굴에 대한 데이터 손실을 적게 줄이면서 각각의 데이터 특징값을 유지하고, 인식속도를 높일 수 있어야 하므로 소정의 크기로 변환한다. 상기 변환하는 소정의 크기는 45×45픽셀의 크기인 것이 바람직하다.On the other hand, in the pre-processing step (S100), the face images are each different in size, brightness information, and information about the rotation angle, these differences increase the probability of a large distortion phenomenon or error recognition in the face recognition light through histogram smoothing Compensate for factors. The size of the face image is converted to a predetermined size because it is necessary to maintain each data feature value and increase the recognition speed while reducing data loss for the face. The predetermined size to be converted is preferably a size of 45 x 45 pixels.

또한, 상기 PCA처리단계(S200)에서는, 데이터들 사이에서 서로 다른 변수들을 유지하면서 서로 연관된 변수의 차원을 줄여나가서 새로운 주성분 집합을 구성하는 것이다. 즉, PCA는 학습하는 벡터들에 의해서 표현되어진 공간의 기저들을 계산하는 것이다. PCA에 의해 계산되어진 기저 벡터는 학습하는 벡터의 변위를 가장 크게 하는 방향이 된다. 이들 기저 벡터가 고유벡터이며 영상으로 보여 질 수 있다. 그리고 이것들은 얼굴과 비슷해서 고유얼굴이라 한다. 본 발명에서 일실시예로 사용한 얼굴영상 데이터베이스는 ORL데이터베이스이다. In addition, in the PCA processing step (S200), while maintaining the different variables between the data to reduce the dimensions of the associated variables to form a new set of principal components. In other words, PCA computes the basis of the space represented by the learning vectors. The basis vector calculated by the PCA is the direction that maximizes the displacement of the learning vector. These basis vectors are eigenvectors and can be seen as images. And these are similar to faces and are called unique faces. The face image database used in one embodiment of the present invention is an ORL database.

참고로, 도 3은 본 발명의 일실시예에 의한 PCA와 역전파 알고리즘을 이용한 얼굴인식 방법에서의 고유얼굴 영상이다. For reference, FIG. 3 is a unique face image in the face recognition method using the PCA and the back propagation algorithm according to an embodiment of the present invention.

또한, 상기 역전파처리단계(S300)에서는, 일실시예로 다층퍼셉트론에 2개의 은닉층, 입력과 출력층으로 이루어진 네 개 층의 구조로 이루어진 신경망을 사용하고, 가중치의 학습은 역전파 오류 알고리즘(BP)을 사용한다. 가중치학습에 이용된 데이터는 원래의 얼굴영상에 PCA를 적용하여 얻어진 저차원의 고유벡터들이다. 즉, 고유벡터를 신경망의 입력으로 받아들여서 가중치들을 일정한 에러 범위까지 학습시켜 나간다. In addition, in the back propagation step (S300), as an embodiment, a neural network having a structure of four layers including two hidden layers, an input and an output layer, is used for the multilayer perceptron, and the learning of weights is performed by the back propagation error algorithm (BP). ). The data used for weight learning are low-dimensional eigenvectors obtained by applying PCA to the original face image. That is, the eigenvector is taken as the input of the neural network, and the weights are trained to a certain error range.

또한, 상기 얼굴인식 단계(S400)에서는, 역전파처리단계(S300)를 거친 학습 데이터베이스(DB)의 가충치와 테스트 데이터베이스(DB)의 가중치의 차를 구하고, 그 결과 값의 표준편차를 구한 후, 표준편차의 최소값을 이용해서 얼굴인식을 수행한다.In addition, in the face recognition step (S400), the difference between the weights of the test database (DB) and the weight of the training database (DB) that has undergone the back-propagation processing step (S300) is obtained, and then the standard deviation of the result value is obtained. The face recognition is then performed using the minimum value of the standard deviation.

참고로, 본 발명에서의 개략적인 PCA알고리즘의 전개는 다음과 같다. For reference, the development of the schematic PCA algorithm in the present invention is as follows.

얼굴이미지들의 평균이미지를 구하고, 구한 평균이미지와 얼굴영상의 차영상 을 통해서 공분산 행렬을 얻고, 얻은 공분산 행렬을 통해서 고유치와 고유벡터를 구하고, PCA의 가중치를 구한다. 여기서 PCA알고리즘에 대한 구체적인 내용은 당업자에게 자명한 사항이므로 생략한다.The average image of the face images is obtained, the covariance matrix is obtained from the obtained difference image of the average image and the face image, the eigenvalues and the eigenvectors are obtained from the obtained covariance matrix, and the weight of the PCA is obtained. The detailed description of the PCA algorithm is omitted here since it is obvious to those skilled in the art.

참고로, 도 4는 본 발명의 일실시예에 의한 PCA와 역전파 알고리즘을 이용한 얼굴인식 방법에서의 얼굴이미지들의 평균이미지이다.For reference, FIG. 4 is an average image of face images in the face recognition method using the PCA and the backpropagation algorithm according to an embodiment of the present invention.

또한, 본 발명에서의 개략적인 역전파알고리즘의 전개는 다음과 같다. In addition, the development of the schematic backpropagation algorithm in the present invention is as follows.

가중치학습에 이용된 데이터는 원래의 얼굴영상에 PCA를 적용하여 얻어진 저차원의 고유벡터들이다. 즉, 고유벡터를 신경망의 입력으로 받아들여서 가중치들을 일정한 에러 범위까지 학습시켜 나간다. 여기에서 유도하는데 사용되는 연쇄규칙은 전달함수의 미분 전개를 필요로 하는데 로지스틱함수 등을 사용한다. 역전파알고리즘 즉 BP알고리즘은 목적함수의 최소화를 위해 고안된 최적화 기법으로 보편적인 목적함수는 뉴런출력값과 목표출력값의 제곱 오차합이다. 출력층의 가중치들을 구하고, 출력에서의 가중치를 갱신하고, 은닉층에서의 가중치 변화와 오차를 구하고, 가중치를 갱신한다. 여기서 역전파 알고리즘에 대한 구체적인 내용은 PCA알고리즘과 마찬가지로 당업자에게 자명한 사항이므로 생략한다.The data used for weight learning are low-dimensional eigenvectors obtained by applying PCA to the original face image. That is, the eigenvector is taken as the input of the neural network, and the weights are trained to a certain error range. The chain rule used to derive here requires the differential expansion of the transfer function, which uses logistic functions. The backpropagation algorithm, or BP algorithm, is an optimization technique designed to minimize the objective function. The common objective function is the sum of squared error of neuron output and target output. The weights of the output layer are obtained, the weights in the output are updated, the weight change and the error in the hidden layer are obtained, and the weights are updated. Here, the details of the backpropagation algorithm will be omitted since it is obvious to those skilled in the art as in the PCA algorithm.

한편, PCA만을 이용한 인식률과 본 발명의 일실시예에 의한 인식률 비교결과는 아래 표1과 같았다.On the other hand, the recognition rate using the PCA only and the recognition rate comparison results according to an embodiment of the present invention are shown in Table 1 below.

상기 결과는 ORL데이터베이스 40명의 얼굴을 이용했으며, 한 사람에 대한 10개의 이미지 중에서 5개는 train-set(200개)으로 5개는 test-set(200개)으로 사용했으며, 은닉층 2개에서 모두 초기 학습율은 0.001로, 오차 허용한계는 0.005, 최대학습 반복횟수는 1000번으로 설정했다. 표준편차에서 최소값의 문턱값은 반복실험을 통한 평균값을 반올림한 후 정수값으로 결정하였다. 실험에 사용된 시스템은 펜티엄4 2.4GHz컴퓨터이고, MATLAB 6.5V에서 실험하였다.The results used 40 faces of ORL database, 5 of 10 images of one person were train-set (200), 5 of which were test-set (200), and two of the hidden layers. The initial learning rate was set to 0.001, the error tolerance was set to 0.005, and the maximum number of learning repetitions was set to 1000 times. The threshold value of the minimum value in the standard deviation was determined as an integer value after rounding the mean value through repeated experiments. The system used for the experiment was a Pentium 4 2.4GHz computer, which was tested on MATLAB 6.5V.

결과적으로, 본 발명은 얼굴 이미지들은 히스토그램 평활화를 통한 전처리 과정을 거치며, PCA기법을 통해서 고유벡터와 가중치를 구하고 가중치를 BP학습 과정을 통해 안정적인 가중치를 결정하게 되고, 이 결과 값의 표준편차를 이용해서 얼굴을 인식하는 PCA와 역전파를 이용한 얼굴인식 방법에 관한 것으로, 원래 얼굴영상에 PCA를 적용하여 얻어지는 고유벡터를 사용함으로써 차원을 줄이면서도 본래의 얼굴의 특징을 잘 나타내는 한편, 이를 신경망의 입력으로 사용함으로써 인식률을 높이고 학습하는 시간을 단축시킬 수 있다.As a result, the present invention undergoes a preprocessing process through histogram smoothing, and obtains eigenvectors and weights through the PCA method, and determines the stable weights through the BP learning process, and uses the standard deviation of the result values. The present invention relates to a face recognition method using a PCA for recognizing a face and back propagation, and by using an eigenvector obtained by applying a PCA to an original face image, the original face features are well represented while reducing dimensions, and the neural network input is performed. By using it, the recognition rate can be increased and the learning time can be shortened.

상기한 바와 같은 구성 및 작용은 실시예로서 본 발명의 청구범위를 제한하는 것은 아니며, 본 발명의 기술적 사상을 변경하지 아니하는 범위 내에서 다양한 변경과 수정이 가능함은 본 발명이 속하는 분야에 종사하는 자에게는 자명한 것이다.The configuration and operation as described above are not limited to the claims of the present invention as an embodiment, and various changes and modifications are possible within the scope of not changing the technical spirit of the present invention. It is obvious to one.

이상의 구성 및 작용을 지니는 본 발명에 따른 PCA와 역전파 알고리즘을 이용한 얼굴인식 방법은, 원래 얼굴영상에 PCA를 적용하여 얻어지는 고유벡터를 사용함으로써 차원을 줄이면서도 본래의 얼굴의 특징을 잘 나타내는 한편, 이를 신경망의 입력으로 사용함으로써 인식률을 높이고 학습하는 시간을 단축시킬 수 있다.The face recognition method using the PCA and the back-propagation algorithm according to the present invention having the above-described configuration and operation, by using the eigenvector obtained by applying the PCA to the original face image, while showing the original features of the face well while reducing dimensions By using this as the input of the neural network, the recognition rate can be increased and the learning time can be shortened.

Claims

얼굴인식 방법에 있어서, In the face recognition method,

얼굴 이미지를 받아서 조명에 덜 민감할 수 있도록 하는 절차와 인식을 위한 적절한 크기로 변환하는 전처리단계(S100); 상기 전처리단계(S100)를 거친 얼굴 데이터들의 고유얼굴을 추출하여 가중치를 계산하는 PCA처리단계(S200); 상기 PCA처리단계(S200)에서 얻은 각각의 데이터에 대한 가중치를 일정한 에러 범위까지 학습과정을 통해서 갱신해 나가는 역전파처리단계(S300); 그리고 표준편차를 이용한 얼굴인식 단계(S400);를 포함하여 이루어지는 것을 특징으로 하는 PCA와 역전파 알고리즘을 이용한 얼굴인식 방법A preprocessing step (S100) of receiving a face image and converting the image into an appropriate size for recognition and a procedure to be less sensitive to illumination; PCA processing step (S200) of calculating the weight by extracting the unique face of the face data passed through the pre-processing step (S100); A back propagation step (S300) of updating the weight for each data obtained in the PCA processing step (S200) through a learning process to a predetermined error range; And a face recognition step using the standard deviation (S400);

제 1 항에 있어서,The method of claim 1,

상기 전처리단계(S100)에서는, 얼굴 이미지들의 크기, 밝기정보, 회전각에 대한 정보의 차이들을 히스토그램 평활화를 통해서 빛에 대한 요인을 보상해주고, 얼굴이미지의 크기는 얼굴에 대한 데이터 손실을 적게 줄이면서 각각의 데이터 특징값을 유지하고, 인식속도를 높일 수 있도록 소정의 크기로 변환하는 것을 특징으로 하는 PCA와 역전파 알고리즘을 이용한 얼굴인식 방법In the pre-processing step (S100), the difference in the information on the size, brightness information, and rotation angle of the face images is compensated for the light factor through histogram smoothing, and the size of the face image reduces the data loss for the face while Face recognition method using PCA and backpropagation algorithm, characterized by maintaining each data feature value and converting it into a predetermined size to increase recognition speed

제 2 항에 있어서,The method of claim 2,

상기 소정의 크기로 변환하는 얼굴이미지의 크기는 45×45픽셀인 것을 특징 으로 하는 PCA와 역전파 알고리즘을 이용한 얼굴인식 방법The face recognition method using the PCA and the backpropagation algorithm, characterized in that the size of the face image converted to the predetermined size is 45 × 45 pixels.

제 1 항에 있어서,The method of claim 1,

상기 PCA처리단계(S200)에서는, 데이터들 사이에서 서로 다른 변수들을 유지하면서 서로 연관된 변수의 차원을 줄여나가서 새로운 주성분 집합을 구성하는 것을 특징으로 하는 PCA와 역전파 알고리즘을 이용한 얼굴인식 방법In the PCA processing step (S200), the face recognition method using the PCA and the back-propagation algorithm, characterized in that to configure a new set of principal components by reducing the dimensions of the variables associated with each other while maintaining different variables between the data

제 1 항에 있어서,The method of claim 1,

상기 역전파처리단계(S300)에서는, 다층퍼셉트론에 2개의 은닉층, 입력과 출력층으로 이루어진 네 개 층의 구조로 이루어진 신경망을 사용하고, 가중치의 학습은 역전파 오류 알고리즘(BP)을 사용하며 가중치학습에 이용된 데이터는 원래의 얼굴영상에 PCA를 적용하여 얻어진 저차원의 고유벡터들인 것을 특징으로 하는 PCA와 역전파 알고리즘을 이용한 얼굴인식 방법In the backpropagation step (S300), a neural network having a structure of four layers including two hidden layers, an input and an output layer, is used for the multilayer perceptron, and weight learning is performed using a backpropagation error algorithm (BP). The data used for the face recognition method using PCA and backpropagation algorithm is characterized by low eigenvectors obtained by applying PCA to the original face image.

제 1 항에 있어서,The method of claim 1,

상기 얼굴인식 단계(S400)에서는, 역전파처리단계(S300)를 거친 학습 데이터베이스의 가충치와 테스트 데이터베이스의 가중치의 차를 구하고, 그 결과 값의 표준편차를 구한 후, 표준편차의 최소값을 이용해서 얼굴인식을 수행하는 것을 특징으로 하는 PCA와 역전파 알고리즘을 이용한 얼굴인식 방법In the face recognition step (S400), the difference between the weights of the test database and the weight of the test database passed through the back-propagation processing step (S300) is obtained, and the standard deviation of the resultant value is obtained. Face Recognition Method using PCA and Backpropagation Algorithm for Performing Face Recognition