「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

X
X
X
X
X
X
X
X
第一主成分
X
X
X
X
X
X
X
X
X
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
ダウンロード

「ICAによる顔画像特徴量抽出とSVMを用いた表情認識」