[10] 패턴인식 개요

패턴인식 (Pattern Recognition)

---

• 주어진 알고리즘에 의해 입력값(object, patter)에 대해 출력값(category, class)을 할당하는 과정

☞ 각각의 과일을 구분하는 것과 텍스트를 분류하는 것을 패턴인식이라고 한다.

 

 

패턴인식 시스템 설계 절차

---

1. 패턴인식에 필요한 데이터베이스 구축을 한다.

☞ ex) 자동차 번호판을 인식하는 것을 할 때, 충분한 자동차 번호판에 해당하는 데이터를 확보해야한다.

☞ ex) 숫자 인식을 할 때, 다양한 사람들의 글씨체를 확보해야한다.

 

2. 패턴들을 구분을 할 수 있는 가장 적절한 특징을 찾아서 특징으로 표현하는 작업을 수행해야한다.

☞ 특징 설계

 

3. 특징들을 가지고 입력 Pattern들을 분류하기 위해서 분류기 모델을 선택하는 작업을 수행한다.

☞ 선형분류기 or 비선형분류기로 나눌 수 있다.

☞ 선형분류기    : 직선을 이용하여 적적하게 패턴을 나누는 작업 수행

☞ 비선형분류기 : 곡선의 형태로 패턴들을 나누는 작업 수행

 

4. 분류기 모델이 선정되었으면 분류기를 학습시켜야한다.

☞ ex) 직선의 분류기를 사용하기로 선정했으면 직선의 방정식을 알아야한다.  (기울기, y절편)

☞ ex) 곡선을 사용하는 분류기라면 다항식 상태로 나타날 것인데 각각의 항들의 계수가 얼마인지 알아야한다.

 

5. 마지막으로 해야할 것은 이 분류기가 얼마만큼의 성능을 나타내는지의 평가이다.

 

 

☞ 패턴인식과 컴퓨터비전을 구분하는 것 중 하나가 '자동화' 이다. 컴퓨터비전은 모든 처리가 자동적으로 이루어져야 하지만, 패턴인식은 설계할 때 자동화를 요구하지 않는다.

 

 

데이터베이스 구축

---

• Sample : 인식 시스템을 만들기 위해 수잡한 Data를 Pattern이라고 부른다.

     □ 훈련집합(training set), 테스트집합(test set), 검증집합(validation set)

(training set : 분류기를 학습하기위해 사용하는 sample, test set : 이미 분류된 분류기의 성능을 평가하기 위해서 사용)

 

• 고성능 인식 시스템을 만들기 위해서는 고품질 데이터베이스 필수

     □ 양적 우수성과 질적 우수성

 

 

예제) 필기체 숫자 인식

☞ 0 ~ 9 사이의 10가지 패턴 발생 → 부류(class)

☞ M : 부류의 개수 → ω1, ω2, ···, ω10

☞ 오른쪽 이미지에서 숫자에 해당되는 값은 1, 그렇지 않은 부분은 0으로 나타내었다.

 

 

특징 설계

---

• feature : 패턴을 상호 구분할 수 있는 특성(characteristic)이나 측면(aspect) - 넓이, 이심률, 색 등

     □ 분별력(discriminating power) : 서로 다른 패턴을 쉽게 구분할 수 있는 능력

     □ 차원의 저주(curse of dimensionality)

     ☞ 사용하는 차원이 높아 질수록 보통 분별력이 높아진다.

• feature vector : 특징이 다수의 수치 값을 갖는 경우

     ☞ X = 차원이 d인 행 벡터 , T : transpose   행벡터를 열백터로 바꾸어준다.

• feature space : feature vector가 정의되는 공간

     □ scatter plot : feature space에 feature vector를 표현한 그림

 

 

사과와 배를 분류

 

분류 기준 : 이심률(=둥근정도), 평균 밝기

 

예제 : 필기체 숫자 인식 (1)

1. 개별 픽셀을 특징으로 사용

예제 : 필기체 숫자 인식 (2)

2. 검은 픽셀 비율을 특징으로 사용

feature들을 각각의 점으로 표시함(scatter plot)

 

 

분류기 모델 선택

---

• Classifier

     □ 입력 pattern을 부류(class) 중의 하나로 할당하는 기능을 담당하는 프로그램이다.

 

• Pattern Classification

     □ 패턴인식의 대표적인 문제 유형

     □ 특징 공간을 부류간의 결정 영역으로 분할(partition)하는 과정이다.

       ▶결정 경계(deciion boundary) : 결정 영역의 경계

     □ 패턴인식 문제의 다른 유형

       ▶회귀(regression), 군집화(clustering), 서술(description)

 

 

다항식을 사용한 분류 방법

linear classifier(선형 분류기) 및 nonlinear classifier(비선형 분류기)

2차원 : 결정 직선(decision line), 결정 곡선(decision curve)

3차원 : 결정 평면(decision plane), 결정 곡면(decision surface)

4차원이상 : 결정 초평면(decsion hyperplane), 결정 초곡면(decision hypersurface)

 

 

조금 더 복잡한 결정 경계를 만들 수 있는 방법

 

 

뷴류기 학습

---

• 훈련 집합을 사용하여 분류기의 파라미터 결정 단계

• Learning = Traning

• Supervised, Unsupervise, Rainforcement learning

 

 

성능 평가

---

     □ c : 맞춘 샘플 수, r : 기각한 샘플 수, e : 틀린 샘플 수, N : 전체 샘플 수

• 정인식률(correct recognition rate) : c / N

• 기각률(rejection rate) : r / N

• 오류률(error rate) : e / N

• 혼동 행렬(confusion matrix) : 오류 경향 분석

False Detection(FD), False Alarm(FA)

☞ TP : 진짜를 진짜로 분류

☞TN : 진짜를 가짜로 분류

☞ FP : 가짜를 진짜로 분류

☞ FN : 가짜를 가짜로 분류 

 

 

검출에서의 기준 : 거짓 긍정률과 거짓 부정률

검색에서의 기준 : 정확률과 재현률

 

 

일반화(generalization) 능력이 중요하다. ← 새로운 샘플 집합(test set)에 대한 성능

과적합(overfitting)을 피해야한다.

 

Occam의 칼날 "쓸데 없이 복잡하게 만들지 마라." "단순한 것이 좋다."

 

검증 집합 - 재샘플링(resampling) 기법 사용 가능

 

 

 

패턴인식 시스템 처리 과정

---

완전 자동화 필요

후처리 : /패(파)/?/인(임)/시(식)/  후처리를 해준다  → /패/턴인/식/

 

☞ 분류된 결과가 잘못되었을 경우 적절한 후처리 과정이 필요하다.

 

 

 

 

• Reference

영상처리 및 패턴 인식 - 금오공과대학교 김성영