第 5 章 : 結 論 した Ff-NN にリジェクト 機 能 を 付 加 し 3 章 で 提 案 した 顔 部 品 領 域 抽 出 結 果 から 2 次 元 及 び 3 次 元 の 顔 特 徴 を 算 出 し また 音 声 特 徴 を 併 用 した 利 用 した 個 人 認 証 により 入 室 管

第 5 章 : 結 論 第 5 章 結 論 5.1 本 論 文 の 主 な 成 果 セキュリティが 重 要 視 されている 現 代 における 重 要 な 課 題 の 一 つである バイオメト リクス 技 術 による 個 人 認 証 システムに 対 し 実 用 的 な 解 決 を 与 えるため 以 下 の 手 法 を 提 案 した 第 2 章 では 2 個 程 度 の 少 数 サンプルでも 効 果 的 に 識 別 可 能 なように 事 例 学 習 instance-base learning method の 一 つであるファジィ 少 数 近 傍 法 Fuzzy few-nearest Neighbor (Ff-NN) method を 提 案 した この Ff-NN は k-nearest Neighbor 法 (k-nn) を 拡 張 したもので 複 数 のサンプルデータを 一 つの Hyper-Trapezoid 型 のメンバーシ ップ 関 数 に 統 合 して 表 現 し 近 傍 判 定 をこのメンバーシップ 関 数 との 離 れ 具 合 によって 求 める Ff-NN により Iris と WDBC データセットの 2 個 程 度 の 少 数 サンプルによる 識 別 実 験 を 行 った 結 果 識 別 率 は 88.6%, 88.4%で 標 準 偏 差 は 5.19, 6.03 であった Single-NN SVM と 比 べ 識 別 率 はほぼ 同 等 以 上 で 安 定 した 識 別 性 能 が 得 られ 計 算 処 理 量 メ モリ 使 用 量 についても 効 果 的 であることが 確 認 できた 第 3 章 では 顔 カラー 画 像 から ロバスト 性 を 有 し シンプルで 高 性 能 な 顔 部 品 領 域 ( 顔 領 域 及 び 唇 鼻 目 眉 )を 領 域 として 抽 出 する 方 法 を 提 案 した 抽 出 には 各 領 域 の 色 や 形 などの 特 徴 を 利 用 し 主 に 抽 出 対 象 部 品 が 含 まれる 局 所 領 域 に 絞 り 込 んでか ら 判 別 分 析 法 による 二 値 化 処 理 により 抽 出 を 可 能 とした 男 子 正 面 顔 102 枚 ( 画 像 データベース HOIP)の 抽 出 実 験 では 57.8% 66 人 3 方 向 から 複 数 回 撮 影 した 594 枚 の 部 品 領 域 抽 出 実 験 では 77.8%の 精 度 で 抽 出 できた こ れにより 顔 画 像 を 利 用 した 個 人 認 証 への 応 用 可 能 性 が 十 分 あると 考 えられ また 顔 合 成 など 部 品 領 域 に 対 する 操 作 も 期 待 できる 第 4 章 では 登 録 者 の 負 担 の 少 ない 個 人 認 証 システムを 実 現 するために 2 章 で 提 案 83

第 5 章 : 結 論 した Ff-NN にリジェクト 機 能 を 付 加 し 3 章 で 提 案 した 顔 部 品 領 域 抽 出 結 果 から 2 次 元 及 び 3 次 元 の 顔 特 徴 を 算 出 し また 音 声 特 徴 を 併 用 した 利 用 した 個 人 認 証 により 入 室 管 理 セキュリティシステムを 提 案 した リジェクト 用 の 区 別 度 を 分 布 幅 を 元 に 別 途 計 算 することにより リジェクトのしきい 値 を 設 定 しやすい 66 人 による 26 種 の 特 徴 594 個 のデータによる 認 証 実 験 では 約 2 個 程 度 を 学 習 に 用 いた 実 験 (リジェクト 判 定 は 行 わず 識 別 のみ)では 既 存 方 法 である single-nn の 79.2%の 認 識 率 ( 標 準 偏 差 2.83)に 対 し Ff-NN では 87.6%( 標 準 偏 差 1.97)の 結 果 が 得 られ 従 来 方 法 よりも 安 定 して 良 い 認 識 率 が 得 られた また 特 徴 数 を 制 限 した 実 験 では 特 徴 を 増 やすことにより 識 別 率 を 得 ることができ 異 なった 視 点 の 特 徴 を 導 入 することにより 認 識 率 がより 向 上 できる 可 能 性 があることが 示 唆 された そしてリジ ェクト 処 理 を 含 めた 認 証 実 験 では 認 識 率 70.3% 誤 認 識 率 2.32% リジェクト 率 27.3% の 結 果 が 得 られ 低 い 誤 認 識 率 を 保 てることが 確 認 できた また 登 録 者 以 内 のデータ を 認 証 させる 排 斥 実 験 では 非 登 録 者 の 81.1% 正 しく 拒 否 できた これらにより リジェクトを 機 能 付 加 したファジィ 少 数 近 傍 法 Fuzzy few-nearest Neighbor 法 が 処 理 速 度 使 用 メモリ 含 め 認 識 率 及 びその 安 定 性 の 観 点 から 入 室 管 理 システムにおいて 利 用 可 能 な 手 法 であることが 確 認 できた ま た 顔 領 域 及 び 唇 鼻 目 眉 の 顔 部 品 領 域 を 色 や 形 局 所 領 域 に 制 限 して 判 別 分 析 法 による 二 値 化 処 理 により 向 きなどにロバストで 個 人 認 証 の 特 徴 として 利 用 できる 抽 出 精 度 が 得 られることが 確 認 できた また 顔 特 徴 の 他 に 音 声 特 徴 を 用 いることによりユーザが 個 人 情 報 を 気 にする ことなく 登 録 でき また 少 ないサンプルにより 登 録 者 の 手 間 を 軽 減 することができ 入 室 を 求 める 被 験 者 をあまり 待 たせることなくスムーズに 入 室 許 可 を 出 すことができ ま た 非 登 録 者 も 排 除 することが 可 能 であることが 確 認 できた そして 異 なった 視 点 での 特 徴 を 用 いることによって 認 証 性 能 が 向 上 することが 分 かり 本 システムにより 大 規 模 の 登 録 者 数 にも 対 応 できる 個 人 認 証 システムを 構 築 できる 可 能 性 が 期 待 できることが 分 かった 84

第 5 章 : 結 論 5.2 今 後 の 展 望 本 論 文 の 2 章 で 提 案 している Ff-NN は 少 数 サンプルでも 効 果 的 に 学 習 識 別 できる ことを 特 徴 とする これにより 少 数 サンプルしか 観 測 し 難 い 様 々な 実 用 的 な 識 別 シス テムへの 応 用 が 期 待 できる また シンプルであるため バギングやブースティングな どのアンサンブル 学 習 における 弱 識 別 機 に 適 用 することが 期 待 される 機 械 学 習 におい て 少 数 サンプルによる 着 目 した 方 法 は 殆 どなく 今 後 の 発 展 が 期 待 される 本 論 文 の 3 章 で 提 案 している 顔 部 品 抽 出 方 法 を 用 いれば 表 情 認 識 などへの 応 用 が 可 能 と 考 えられる また 抽 出 された 各 部 品 の 再 精 査 抽 出 を 行 うことにより 顔 合 成 や 化 粧 シミュレータなどへの 応 用 が 期 待 される 本 論 文 の 4 章 で 提 案 している 顔 特 徴 音 声 特 徴 を 用 いた 個 人 認 証 システムは 更 に 別 の 生 体 特 徴 や 物 理 的 な 鍵 やカードなどを 併 用 することにより 数 千 人 規 模 における 頑 強 で 堅 固 利 便 性 のよい 実 用 的 セキュリティシステムの 実 現 が 期 待 できる 85

参 考 文 献 [1.1] 小 松 尚 久 バイオメトリック 個 人 認 証 :バイオメトリックシステムセキュリティの 課 題 信 学 技 報, Vol. 107, No. 445, CQ2007-91, pp. 61-66, 2008 [1.2] 矢 野 経 済 研 究 所 バイオメトリクス( 生 体 認 証 ) 市 場 に 関 する 調 査 結 果 2009 - レポートサマリー- http://www.yanoict.com/yzreport/091 [1.3] 小 鶴, 井 尻, 監 視 顔 認 識 センサ, OMRON TECHNICS, Vol. 48, No.1, pp.47-52, 2007 [1.4] Cover, Hart, Nearest neighbor pattern classification, IEEE Transactions on Information Theory, 13(1):21-27, 1967 [1.5] S.A. Dudani, The distance-weighted k-nearest neighbor rule, IEEE trans. on systems, man and cybernetics, Vol. SMC-8, No.4, pp.311-313, 1978 [1.6] J. M. Keller, M. R. Gray and J. A. Givens, Jr. A fuzzy K-Nearest Neighbor Algorithm, IEEE Trans. on SMC, Vol. SMC-15, No.4, pp.580-585, 1985 [1.7] L. I. Kuncheva and J. C. Bezdek, A fuzzy generalized nearest prototype classifier, Proc. Of 7 th IFSA World Congress, Vol. III, pp.217-222, 1997 [1.8] Dubois, Hullermeier, Prade, Fuzzy set-based methods in instance-based reasoning, IEEE Transactions on Fuzzy Systems, Vol. 10, Issue 3, pp.322-332, 2002 [1.9] R. Murata, Y. Endo, S. Miyamoto, Extension of k-nearest neighbor classification using fuzzy relation SCIS&ISIS2004, CD-ROM WP-3-2, 2004 [1.10] Cortes, Vapnik, Support-Vector Networks, Machine Learning, Vol. 20, pp.273-297, 1995 [1.11] Schapire, The strength of weak learnability, Machine Learning, Vol. 5, No. 2, pp.197 227,1990 [1.12] Freund, Schapire, A decision-theoretic generalization of on-line learning and an application to boosting, Computational Learning Theory: Eurocolt 95, pp.23 37. Springer-Verlag, 1995. [1.13] Paul Viola, Michael J. Jones, "Rapid Object Detection using a Boosted Cascade of Simple Features", IEEE CVPR, Vol.1, pp. I-511- I-518, 2001 [1.14] A. Blum, S. Chawla, Learning from Labeled and Unlabeled Data using Graph 86

Mincuts, 18th Int. Conf. on Machine Learning, pp.19-26, 2001 [1.15] Jinyan, Guozhu, Kotagiri, Limsoon, DeEPs: A New Instance-Based Lazy Discovery and Classification System, Machine Learning, Vol. 54, No. 2, pp.99-124, 2004 [2.1] Duda, Hart, Stork, Pattern Classification (2nd Ed.), Wiley-Interscience, 2000 [2.2] Cover, Hart, Nearest neighbor pattern classification, IEEE Transactions on Information Theory, 13(1):21-27, 1967 [2.3] Cortes, Vapnik, Support-Vector Networks, Machine Learning, Vol. 20, pp.273-297, 1995 [2.4] Schapire, The strength of weak learnability, Machine Learning, Vol. 5, No. 2, pp.197 227,1990 [2.5] Freund, Schapire, A decision-theoretic generalization of on-line learning and an application to boosting, Computational Learning Theory: Eurocolt 95, pp.23 37. Springer-Verlag, 1995. [2.6] Paul Viola, Michael J. Jones, "Rapid Object Detection using a Boosted Cascade of Simple Features", IEEE CVPR, Vol.1, pp. I-511- I-518, 2001 [2.7] A. Blum, S. Chawla, Learning from Labeled and Unlabeled Data using Graph Mincuts, 18th Int. Conf. on Machine Learning, pp.19-26, 2001 [2.8] Jinyan, Guozhu, Kotagiri, Limsoon, DeEPs: A New Instance-Based Lazy Discovery and Classification System, Machine Learning, Vol. 54, No. 2, pp.99-124, 2004 [2.9] S.A. Dudani, The distance-weighted k-nearest neighbor rule, IEEE trans. on systems, man and cybernetics, Vol. SMC-8, No.4, pp.311-313, 1978 [2.10] J. M. Keller, M. R. Gray, J. A. Givens, Jr. A fuzzy K-Nearest Neighbor Algorithm, IEEE Trans. on SMC, Vol. SMC-15, No.4, pp.580-585, 1985 [2.11] L. I. Kuncheva, J. C. Bezdek, A fuzzy generalized nearest prototype classifier, Proc. Of 7 th IFSA World Congress, Vol. III, pp.217-222, 1997 [2.12] Dubois, Hullermeier, Prade, Fuzzy set-based methods in instance-based reasoning, IEEE Transactions on Fuzzy Systems, Vol. 10, Issue 3, pp.322-332, 2002 [2.13] R. Murata, Y. Endo, S. Miyamoto, Extension of k-nearest neighbor classifica- 87

tion using fuzzy relation SCIS&ISIS2004, CD-ROM WP-3-2, 2004 [2.14] S. Salzberg. A nearest hyperrectangle learning method, Machine Learning, Vol.6, No.3, pp.251-276, 1991 [2.15] Dietterich, Sutton, An experimental comparison of the nearest-neighbor and nearest-hyperrectangle algorithms, Machine Learning, 19:5-28, 1995 [2.16] Fisher, The use of multiple measurements in taxonomic problems, in Contributions to Mathematical Statistics, John Wiley, NY, 1950 [2.17] Street, Wolberg and Mangasarian, Nuclear feature extraction for breast tumor diagnosis, IS&T/SPIE1993, Science and Technology, 1905:861-870, 1993 [2.18] WEKA Data Mining with Open Source Machine Learning Software in Java, http://www.cs.waikato.ac.nz/ml/weka/, The University of Waikato [3.1] 平 山 高 嗣, 岩 井 儀 雄, 谷 内 田 正 彦, 顔 画 像 認 識 を 用 いた 施 錠 セキュリティシステム FACELOCK の 開 発, 電 学 論 C, Vol.124, No.3, pp.784-797, 2004 [3.2] 井 尻 善 久, 櫻 木 美 春, 細 井 聖, コンパクト 高 精 度 な 顔 認 識 技 術, OMRON TECHNICS, Vol. 45, No.1, pp.2-5, 2005 [3.3] X. Tan, S. Chen, Z. Zhou, F. Zhang, Face recognition from a single image per person: A survey, Pattern Recognition, Vol.39, pp.1725-1745, 2006 [3.4] 小 鶴 俊 幸, 井 尻 善 久, 監 視 顔 認 識 センサ, OMRON TECHNICS, Vol. 48, No.1, pp.47-52, 2007 [3.5] B. Duc, E. S. Bigun, J. Bigun, G. Maitre, S. Fischer, Fusion of audio and video information for multi modal person authentication, Pattern Recognition Letters, Vol.18, No.9, pp.835-843, 1997 [3.6] 広 瀬 智 治, 音 声 と 顔 画 像 を 用 いたマルチモーダル 話 者 照 合, 日 本 音 響 学 会 講 演 論 文 集, Vol.1, pp.107-108, 2003 [3.7] 岩 野 公 司, 広 瀬 智 治, 上 林 英 悟, 古 井 貞 煕, 声 と 耳 介 画 像 を 用 いたマルチモーダル 個 人 認 証, 信 学 技 法 SP2003-30, Vol.103, No.94, pp.25-30, 2003 [3.8] A. Ross, A. K. Jain, MULTIMODAL BIOMETRICS: AN OVERVIEW, Proc. of 12th European Signal Processing Conference (EUSIPCO), pp.1221-1224, Sept 2004. [3.9] Paul Viola, Michael J. Jones, "Rapid Object Detection using a Boosted Cascade of Simple Features", IEEE CVPR, Vol.1, pp. I-511- I-518, 2001 88

[3.10] Rainer Lienhart and Jochen Maydt, "An Extended Set of Haar-like Features for Rapid Object Detection", IEEE ICIP 2002, Vol. 1, pp. 900-903, 2002 [3.11] 赤 松 茂, コンピュータによる 顔 の 認 識 : サーベイ, 電 子 情 報 通 信 学 会 論 文 誌 (D-II), Vol.J80-D-2, No.8, pp.2031-204, 1997 [3.12] 本 郷 仁 志, 山 本 和 彦, 動 領 域 内 の 肌 色 推 定 による 顔 領 域 および 顔 部 品 抽 出, 映 像 情 報 メディア 学 会 誌, Vol.52, No.12, pp.1840-1847, 1998 [3.13] R. Brunelli, T. Poggio, Face recognition: features versus templates, Pattern Analysis and Machine Intelligence, IEEE Trans. on, Vol.15, Issue 10, pp.1042-1052, 1993 [3.14] 森 島 繁 生, 八 木 康 史, 金 子 正 秀, 原 島 博, 谷 内 田 正 彦, 原 文 雄, 顔 認 識 合 成 のた めの 標 準 ソフトウェアの 開 発, 信 学 技 法, PRMU97-282, pp.129-136, 1998 [3.15] 宋 欣 光, 李 七 雨, 徐 剛, 辻 三 郎, 部 分 特 徴 テンプレートとグローバル 制 約 による 顔 器 官 特 徴 の 抽 出, 電 子 情 報 通 信 学 会 誌, Vol.J77-D-II, No.8, pp.1601-1609, 1997 [3.16] 横 山 太 郎, 田 中 克 明, 久 富 健 介, 八 木 康 史, 谷 内 田 正 彦, 原 文 雄, 橋 本 周 司, 顔 認 識 のための 顔 特 徴 抽 出 手 法, 情 報 処 理 学 会 研 究 会 報 告 CVIM, Vol.1999 No.3, pp.121-128, 1999 [3.17] 福 井 和 広, 山 口 修, 形 状 抽 出 とパターン 照 合 の 組 合 せによる 顔 特 徴 点 抽 出, 電 子 情 報 通 信 学 会 誌, Vol.J80-D-II, No.8, pp.2170-2177, 1997 [3.18] N. Otsu, A threshold selection method from gray-level histograms, IEEE Trans. on System, Man, and Cybernetics, Vol.SMC-9, No.1, pp.62-66, 1979. [3.19] 大 津 展 之, 判 別 および 最 小 2 乗 基 準 に 基 づく 自 動 しきい 値 選 定 法, 電 子 通 信 学 会 論 文 誌, Vol.J63-D, No.4, pp.349-356, 1980. [3.20] Wikipedia 色 相 http://ja.wikipedia.org/wiki/ 色 相 [4.1] 井 尻 善 久, 櫻 木 美 春, 細 井 聖, コンパクト 高 精 度 な 顔 認 識 技 術, OMRON TECHNICS, Vol. 45, No.1, pp.2-5, 2005 [4.2] 小 鶴 俊 幸, 井 尻 善 久, 監 視 顔 認 識 センサ, OMRON TECHNICS, Vol. 48, No.1, pp.47-52, 2007 [4.3] 相 原 恒 博, 竹 田 伸 幸, 小 椋 圭 介, 正 面 顔 認 識 における KLT および DCT の 認 識 率 の 比 較 実 験, 電 子 情 報 通 信 学 会 論 文 誌 (D-Ⅱ), Vol.J78-D-Ⅱ, No.5, pp.870-873, May 1995 [4.4] 平 山 高 嗣, 岩 井 儀 雄, 谷 内 田 正 彦, 顔 画 像 認 識 を 用 いた 施 錠 セキュリティシステム 89

FACELOCK の 開 発, 電 学 論 C, Vol.124, No.3, pp.784-797, 2004 [4.5] X. Tan, S. Chen, Z. Zhou, F. Zhang, Face recognition from a single image per person: A survey, Pattern Recognition, Vol.39, pp.1725-1745, 2006 [4.6] 石 山 塁, 濱 中 雅 彦, 坂 本 静 生, 顔 の 三 次 元 見 えモデルを 用 いた 任 意 姿 勢 照 明 変 動 下 の 顔 画 像 認 識, 電 子 情 報 通 信 学 会 論 文 誌 (D- Ⅱ ), Vol.J88-D- Ⅱ, No.10, pp.2069-2080, Oct 2005 [4.7] 今 岡 仁, 坂 本 静 生, 顔 の 向 きに 依 らない 顔 画 像 照 合 方 法, 電 子 情 報 通 信 学 会 技 法 研 究 報 告, PRUM99-26, pp51-58, Jun 1999 [4.8] S. Malassiotis, M. G. Strintzis Robust Face Recognition using 2D and 3D Data: Pose and Illumination Compensation, Pattern Recognition, Vol.39, Issue 4, pp. 2537-2548, Apr 2006 [4.9] 趙 國, 一 丸 太 一 郎, 山 下 洋 一, 話 者 空 間 モデルに 基 づいた 音 素 間 相 関 を 用 いた 音 声 認 識, 電 子 情 報 通 信 学 会 論 文 誌 (D-Ⅱ), Vol.J87-D-Ⅱ, No.7, pp.1402-1408, Jul 2004 [4.10] T. Cover, P. Hart, Nearest neighbor pattern classification, IEEE Trans. on Information Theory, Vol.13, No., pp.21-27, 1967 [4.11] S. Salzberg. A nearest hyperrectangle learning method, Machine Learning, Vol.6, No.3, pp.251-276, 1991 [4.12] D. Wettschereck, T. G. Dietterich, R. Sutton, An experimental comparison of the nearest-neighbor and nearest-hyperrectangle algorithms, Machine Learning, Vol. 9, pp.5-28, 1995 [4.13] 嶺 竜 治, 関 峰 伸, 池 田 尚 司, 渡 辺 成, 酒 匂 裕, 距 離 に 基 づく 確 信 度 を 利 用 した 文 字 識 別 手 法, 信 学 技 法 PRMU2004-39, Vol.104, No.125, pp.37-42, 2004 [4.14] B. Duc, E. S. Bigun, J. Bigun, G. Maitre, S. Fischer, Fusion of audio and video information for multi modal person authentication, Pattern Recognition Letters, Vol.18, No.9, pp.835-843, 1997 [4.15] 広 瀬 智 治, 音 声 と 顔 画 像 を 用 いたマルチモーダル 話 者 照 合, 日 本 音 響 学 会 講 演 論 文 集, Vol.1, pp.107-108, 2003 [4.16] 岩 野 公 司, 広 瀬 智 治, 上 林 英 悟, 古 井 貞 煕, 声 と 耳 介 画 像 を 用 いたマルチモーダル 個 人 認 証, 信 学 技 法 SP2003-30, Vol.103, No.94, pp.25-30, 2003 [4.17] A. Ross, A. K. Jain, MULTIMODAL BIOMETRICS: AN OVERVIEW, Proc. of 12th European Signal Processing Conference (EUSIPCO), pp.1221-1224, Sept 2004. 90

[4.18] J. Won, K. Morooka, H. Nagahashi, Distance Measurement of a Real-World Environment Using an Active Camera System, International Workshop on Advanced Image Technology, pp.163-168, 2006 [4.19] K. Hirota, The bounded variation quantity (B.V.Q.) and its application to feature extraction, Pattern Recognition, Vol.15, No.2, pp.93-101, 1982 [4.20] L. T. H. Nguyen, Y. Arai, F. Dong, K. Hirota A Speaker Identification Method based on Trapezoid Fuzzy Similarity, 信 学 技 法 SIS, SIS2007-82 (2008-3), pp.7/10, 2008( 日 本 知 能 情 報 ファジィ 学 会 ヒューマンインタフェース 研 究 部 会 共 催 ) [4.21] L. T. H. Nguyen, Y. Arai, H. Sato, T. Hayashi, F. Dong, K. Hirota, A Speaker Recognition Method based on Personal Identification Voice and Trapezoid Fuzzy Similarity, SCIS&ISIS2008, pp.1596-1601 (SA-D4-4), 2008 [4.22] L. T. H. Nguyen, F. Dong, Y. Arai, K. Hirota, H. Sato, T. Hayashi, A Speaker Recognition Method Based on Personal Identification Voice and Trapezoidal Fuzzy Similarity, Cybernetics and Information Technologies, Vol.8, No.4, pp.40-56, Sofia, 2008 91