「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。 x (t ),  m t  1,2,...,n  ：基底  1  ＸＸＸＸＸＸＸＸ第一主成分ＸＸＸＸＸＸＸＸＸその１ ICA(独立成分分析）  カクテルパーティーマイク yes wha t O h yes 独立成分分析 wha t O h その２ ICA 互いに統計的に独立 s 1 (t ) s2 (t ) A, W  m   sm (t ) X  AS x1 (t ) x2 (t ) x (t ) Y WX y 1 (t ) y 2 (t ) y m (t ) 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  1 f ( x)  signg ( x)    1 •マージン最大化という基準で学習を行う g ( x)   x  b t マージンマージン最大化認識実験    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。  正と分類された正のデータ TP 全ての正のデータ正と分類された負のデータ FP  全ての負のデータ 1.0 TP + + FP 1.0 認識実験結果 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 TP 線形SVM ２次の多項式カーネル PCA_ICA ICA PCA FP 0 0.5 1 まとめ考察  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。課題  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。 PCA,ICA基底 P(s(1), s(2),..., s(m))  P(s(1))P(s (2))  P(s(m)) Sample 学習用データ {( x , y ); i  1,2,..., N } w x  b  x0 ,w  R b  R y {1,1} f (x )  sign (w x  b ) このWをＳＶＭ（Vapnik他、1992、1995）  1 f ( x)  signg ( x)    1 t g ( x)   x  b 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。  サポートベクトル正負 g(x)=0 正例負例マージン最大化マージン実験の前処理モノクロにし，縮小表情に関係ない、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