「ＩＣＡによる顔画像特徴量抽出とＳＶＭを用いた表情認識」 理学部 数理情報科学科 本田研究室 B003G002X 荒木 貴光
発表内容 研究の動機 研究の目的 手法 ICA、PCA、SVM 実験結果 まとめ
研究の動機 ICA(独立成分分析)は新しい多変量解析の手法 であり、様々な分野で盛んに応用がなされていおり、 優れた成果を収めている 顔画像解析においても、近年個人認証など 従来使用されていたＰＣＡ(主成分分析)より ＩＣＡの方が有効であるという研究報告がある。[二村 直広 岡田 和典 赤松 茂 森 建策 末永 康仁] 表情認識(解析)においてもＩＣＡは有効ではないのだろうか？
研究の目的 ICA、PCAによる特徴量を用いてSVM (Support Vector Machine)により表情認識を行う。 それぞれの特徴量を使った場合の認識精度を比較して、PCA,ICAの表情解析における有効性を評価する。
PCA(主成分分析） 主成分分析（PCA)とは高次元のデータを、情報をでき るだけ失うことなくより少ない次元へ要約する方法。 ：基底 Ｘ Ｘ Ｘ Ｘ Ｘ Ｘ Ｘ Ｘ Ｘ Ｘ Ｘ Ｘ Ｘ Ｘ Ｘ Ｘ Ｘ 第一主成分
ICA(独立成分分析） その１ カクテルパーティー マイク Oh yes what 独立成分分析 yes Oh what
ICA その２ 互いに統計的に独立 最適化 互いに統計的に独立 観測信号ｘを統計的に独立な信号ｓが行列Aにより線形に混合されたものとします。 ｘにAの逆行列のを推定した行列Wをかけてｓを復元する。Wはｓの復元信号ｙが互いに統計的に独立となるように逐次更新して最適化します。 最適化 互いに統計的に独立
ＳＶＭ ２クラスのパターン認識アルゴリズム マージン最大化という基準で学習を行う マージン マージン最大化 マージンとはこのような識別境界線に最も近いデータとの 距離であり、 マージン最大化とはこのようにそのマージンが最も大きくなるような 識別境界線をもとめることです。
認識実験 実験の流れ 喜びの表情だけを認識するSVMを構築する。 それぞれのデータに「喜び」の表情、それ以外の表情というようにラベルを付け学習 を行った。 ９８個の顔画像データのうち半分をトレーニングデータ、残りの半分をテストデータとした。 実験の流れ PCA、ICAを使って顔画像の特徴抽出を行う その特徴量にラベルを付け、学習データとす る。そのデータを用いてSVMの学習を行う テストデータに対して学習を行ったSVMを使って表情認識を行い認識精度を評価する。
ROC解析 識別結果をＲＯＣグラフで表示する 今回の実験では「喜びの表情」のデータを正、「それ以外の表情」のデータは負である。 TP FP 1.0 + + 1.0
認識実験結果 TP 線形SVM ２次の多項式 カーネル FP
まとめ 考察 ニューラルネットワークなど他の認識アルゴリズムを使ってみる。 課題 トレイニングデータにそのままICAに使った場合はPCAに少し劣っていたが、基底数を制限したICAは同等以上の性能を示した。 ICAがうまくいったのかどうか、独立信号に分解できたのかどうか、定量的に調べる。 ニューラルネットワークなど他の認識アルゴリズムを使ってみる。 課題
PCA,ICA基底
Sample 学習用データ このWを
ＳＶＭ（Vapnik他、1992、1995） ＳＶＭとは… パターン認識の一つ。 2クラスパターン識別器を構成する方法。 正 負 サポートベクトル 正 負 g(x)=0 負例 マージン マージン最大化 正例
実験の前処理 98枚 グレースケール256階調 アフィン変換 １０個の特徴点を取り，最も標準的 な画像に合わせ，修正する 表情に関係ない、髪などを ３０ｘ３０ピクセルに切り取る アフィン変換で，傾き， 大きさを修正 モノクロにし，縮小 アフィン変換 １０個の特徴点を取り，最も標準的 な画像に合わせ，修正する 98枚 グレースケール256階調