Automatic face recognition (FR) has long been established as one of the most active research areas in computer vision and image understanding. In well-controlled condition, FR technologies have been extensive-ly studied and are relatively matured. However, accurate FR in unconstrained condition is still a tough task due to faces images containing severe variations in appearance. Of variations, the varying resolution problem by a distance taking a picture is serious problem. For example, in surveillance system with resolution con-straints, a critical and practical issue is that the distance from subject to the camera during enrollment is dif-ferent from that utilized for verification or identification. Another example is smart camera that has a function of automatic power-saving contingent upon the importance of event controls the camera resolution. From the above examples, we can consider a FR scenario at which probe face images have lower resolution compared to that of enrolled face image in training data. Such a FR scenario may lead to significant degradation in recognition performance because of lacking discrimination information in probe face images and mismatch problem. However, the previous work has focused on solving low resolution problem. These approaches are mainly computationally intensive method due to the optimization problem even if there has been the require-ment of low computing power in practical FR. In this thesis, we proposed the new face recognition (FR) algo-rithm feasible for use of practical FR applications. Specifically, the proposed FR aims to be effective in the challenges of varying face resolution while satisfying low computing power which is often addressed in low-powered devices. By introducing the “feature scalability”, we flexibly take a feature that corresponds to lower face resolution for the purpose of sufficiently high resolution of training face given a feature of training face image of sufficiently high resolution. Because we do not need to unnecessarily up-sample the probe face im-age to larger size as training face images for feature extraction, we can attain huge gain in terms of computa-tional complexity. Experimental results demonstrated that the proposed method achieved the reliable FR per-formance compared with the up-sampling method. In addition, the proposed method could have a gain for operation time. Furthermore, by providing an in-depth analysis of popular FR algorithm in computational complexity regarding the algorithm type, FR condition, and FR performance, this analysis will be valuable guideline for researcher and practitioners to make effective use widely used algorithms for the purpose of FR.
자동적인 얼굴인식은 컴퓨터 비전 및 영상 이해 분야에서 가장 활발한 연구 주제 중의 하나로서 많은 연구가 진행되어 왔다. 잘 통제된 얼굴인식 환경 (예: 정렬된 얼굴, 일정한 조명 조건 등) 에서는 얼굴인식 문제는 광범위하게 연구되었으며 상대적으로 성숙한 기술이라고 알려져 있다. 하지만 제약되지 않은 환경에서의 (예: 조명변화, 포즈변화, 저해상도 등) 정확한 얼굴인식은 극심한 얼굴 영상의 변화 때문에 여전히 어려운 문제이다. 이러한 변화 중에서 카메라 촬영 거리에 따른 얼굴 영상의 해상도 문제가 가장 극심한 것으로 알려져 있다. 예를 들면, 해상도 제약이 있는 감시 시스템에서의 중요하고 실용적인 이슈는 등록되어 있는 얼굴 영상의 해상도가 객체와 카메라의 거리의 차이 때문에 얼굴 인식 또는 검증에 이용되는 얼굴 영상의 해상도가 다를 수 있다. 다른 예로서 최근에는 카메라의 저전력화에 의해 이벤트의 중요 유무에 따라 영상의 해상도를 조절하는 기능을 갖는 카메라가 개발되고 있는데, 마찬가지로 다양한 해상도에 대한 문제가 있다. 이러한 예제로부터 얼굴인식 시스템에서 등록된 얼굴과 비교했을 때 테스트를 위해 들어오는 얼굴 영상의 해상도가 상대적으로 작게 되는 시나리오를 고려할 수 있다. 이러한 시나리오에서는 테스트 영상의 부족한 분별 정보와 등록된 영상과의 불일치 문제 때문에 인식 성능을 상당히 열화 시킬 수 있다. 하지만 기존의 연구는 다양하게 변하는 해상도 문제보다는 저해상도 문제에 초점을 맞추고 있었고, 이러한 접근은 실제적인 얼굴인식 응용에서는 적은 계산 량 (적은 전력 소모)을 요구함에도 불구하고 최적화 문제로서 상당히 계산적으로 무거운 것으로 알려져 있다. 본 논문에서는 실질적인 얼굴인식 응용을 위한 새로운 얼굴인식 알고리즘이 제안된다. 특징 추출의 확장성이라는 개념을 도입함으로써 충분히 높은 해상도를 갖는 등록된 얼굴 영상으로부터 얻은 특징이 주어졌을 때, 다양하게 변하는 테스트 영상의 해상도에 따라 유연하게 등록된 얼굴 영상의 특징의 값을 취할 수 있다. 여기에서 테스트 영상의 특징을 추출할 때 등록된 얼굴에 대한 특징과 해상도를 맞추기 위한 불필요한 업샘플링이 필요 없기 때문에 계산 복잡도 측면에서 높은 이득을 얻을 수 있다. 실험으로부터 제안하는 방법은 업샘플링 방법과 비교했을 때 거의 동등한 얼굴인식 성능을 얻을 수 있었으며, 결국 계산 복잡도 측면에서의 이득을 얻을 수 있었다. 뿐만 아니라, 본 논문은 얼굴인식을 위한 알고리즘의 종류, 얼굴인식 환경, 그리고 얼굴인식 성능과 관련하여 기존 얼굴인식 알고리즘의 계산 복잡도 측면에서의 면밀한 분석을 함으로써 얼굴인식을 위하여 널리 사용되는 얼굴인식 알고리즘을 선택하여 사용하는 데에 있어서 가이드라인을 제공할 수 있다.
