면 공간

얼굴 공간은 인식 가능한 얼굴이 저장되는 다차원 공간이라는 심리학에서 이론적 발상이다.이 공간 내의 얼굴 표현은 얼굴 자체의 불변적인 특징에 따른 것이다.^[1]그러나, 최근에는 얼굴 공간에도 얼굴을 역동적인 특징에 따라 저장할 수 있으며, 이 경우 그 결과 공간은 2중 구조를 보인다는 것이 이론적으로 증명되었다.^[2]

얼굴 공간 프레임워크는 최근 얼굴 처리 이론에 큰 영향을 끼쳤다; 거의 1000개의 과학 기사에서 인용되었고 최근 이 저널의 페이지에 나타난 상위 10가지 아이디어를 다루는 학술지 Quarterly Journal of Experimental Sychology의 특별판에 다시 소개되었다.^[3]

얼굴 공간은 자신의 인종 편향성,^[4] 구별성 및 캐리커처 효과를 포함한 얼굴 인식의 다양한 측면을 회계처리하는 데 유용하다.^[5]이 프레임워크는 또한 안면 합성물과 경찰 라인업과 같은 목격자 확인을 위한 법의학 기법 설계에 유용한 응용 프로그램을 제공했다.^[3]

특성.

얼굴 공간 프레임워크는 (성인) 인간이 어떻게 얼굴 정보를 처리하고 저장하는지 설명하는 심리학적 모델로, 우리가 얼굴 인식을 위해 사용한다.그것은 다차원적이며, 각각의 치수는 특정한 얼굴 특징으로 분류되며, 그 중 일부는 얼굴 모양, 머리카락 색과 길이, 눈 사이의 거리, 나이, 그리고 남성성일 수 있다.^[1][3]그러나 이러한 것들은 명확하게 식별되지 않으며, 얼굴 공간 치수는 이론적으로 어떤 구별되는 얼굴 특징을 포함할 수 있다.^[1]모델은 모든 얼굴이 (차원에 따라) 이 심리적 공간 내에서 특정한 위치로 정신적으로 표현되며, 얼굴의 유사성이 그들 사이의 거리와 일치한다고 가정한다. 유사한 얼굴은 서로 더 가깝고, 다른 얼굴들은 더 멀리 떨어져 있다.^[3]

얼굴 공간의 특징을 설명하기 위해서도 수학적 가정이 필요하다.얼굴 공간의 중심점(즉, 기원)은 얼굴 형상의 모든 치수의 중심 경향을 나타내며,^[1] 저장된 얼굴은 이러한 각 치수에 정규 분포를 갖는 것으로 가정한다.이처럼 얼굴이 가장 촘촘하게 배열되어 있으며, 가장 전형적인 원점 모습을 하고, 원점과의 거리가 넓어 더욱 뾰족해지고 특색이 있다.^[3]

얼굴 공간 내의 특정 위치에 얼굴을 저장하는 것은 프레임워크의 치수에 얼굴 데이터를 인코딩하는 것을 포함한다.그러나, 인코딩은 결코 완벽하지 않다; 얼굴 인식을 방해하는 어떤 요소도 인코딩 오류를 유발할 수 있다.^[3]얼굴을 볼 때 부정적인 색상, 최소 보기 시간 및 반전(위쪽이 보이면)과 같은 요인은 얼굴 인코딩 오류를 실질적으로 증가시킬 수 있다.^[3]인종, 구별성, 캐리커처 효과와 같은 다른 요소들이 상황적으로 인코딩을 더 쉽게 또는 더 어렵게 만들 수 있다.

표준 및 예시 모델

얼굴 공간의 약간 다른 두 가지 모델이 표준이다: 노멀과 예시적인 얼굴 공간.두 모델 모두 다차원 심리적 공간에서 얼굴을 인코딩하고 인종과 역전과 같은 요소를 설명한다.그러나 '정상 얼굴'으로부터의 벡터로서 또는 다른 얼굴과의 거리로서 공간에서의 얼굴 위치에 대한 설명에 있어서는 차이가 있다.^[1]

표준 기반 모델에서 면의 인코딩은 원점에서 중심 면인 '일반 면'^[1]에 상대적이다.얼굴은 이 표준의 벡터를 사용하여 배열되며, 벡터의 길이 매개변수와 얼굴 특성과 특징에 의해 각각 결정된다.^[3]

예시 기반 모델에서 얼굴은 표준면에 상대적인 벡터가 아닌 공간의 개별 점으로 인코딩된다.이 모델에서 다른 면과의 유사성은 면 사이의 상대적 거리에 의해 정의된다.^[1]

얼굴 인식 설명

특성 및 캐리커처 효과

여러 연구에서 특징적인 특징을 가진 얼굴이 일반적인 얼굴보다 더 쉽게 인식된다는 것을 발견했다.^[6]얼굴 공간 프레임워크는 얼굴이 치수에 걸쳐 정상적으로 분포된다고 가정할 때 이 발견을 설명할 수 있다.따라서 모델 원점에서 수많은 전형적인 얼굴들이 발견되는데, 그 얼굴들은 점점 더 독특하지만 드물게 멀리서도 발견된다.^[7]따라서 특징적인 얼굴은 안면 공간(낮은 예시밀도)에서 다른 얼굴들과 더 멀리 떨어져 있기 때문에 이러한 다른 얼굴들과의 혼동이 덜 발생하여 인지도가 더 좋아지게 된다.^[7]

캐리커처 효과는 캐리커처된 얼굴이 진부한 얼굴보다 더 쉽게 인식된다는 것을 의미한다.^[6]캐리커쳐는 개별 얼굴을 '평균' 얼굴(원형의 단순화 버전)과 비교하고, 발견된 얼굴 차이를 과장해 원면의 특징을 더 돋보이게 한다.^[6]캐리커쳐에 의해 유도된 두드러진 증가는 캐리커처 효과를 설명하는데,^[6] 원래 얼굴은 캐리커처보다 더 전형적이어서 얼굴 공간이 더 붐비는 반면, 더 독특한 캐리커처는 더 멀리 떨어져 있어서 혼동할 여지가 적다.

자기 레이스 편향

자기 인종 편향은 다른 인종에 비해 자신과 같은 인종의 사람들의 얼굴을 더 쉽게 인식하는 경향이다.수많은 연구들이 이 현상에 대한 증거를 제공했고,^[8] 얼굴 공간은 여러 가지 설명을 제시한다.

다차원적 스케일링을 사용하여 얼굴 공간 내의 얼굴 위치를 해석하면, 다른 레이스 면은 얼굴 공간의 더 먼 영역 내에 빽빽하게 채워져 있는 반면, 자기 레이스 면은 원점을 중심으로 더 편중되지 않게 분포되어 있음을 알 수 있다.^[8]이는 자신의 얼굴과 다른 레이스 면 사이의 예시 밀도 차이(다른 면에 얼마나 가까운 면의 위치)로 설명된다.다른 인종 얼굴들은 얼굴 생김새의 구별에 대한 강조가 적고 인종(자신의 인종 얼굴과는 반대)에 대한 강조가 적어 인코딩되기 때문에 가깝게 그룹화되기는 하지만 얼굴 공간의 중심점과는 거리가 멀다.그러나 이 경우 거리는 다른 레이스 면의 예시 밀도(많은 얼굴이 서로 가까이 있음)가 높기 때문에 얼굴 인식을 용이하게 하지 못한다.^[8][1]

반면에 노르말 기반 얼굴 공간은 '정상 얼굴'으로부터의 거리의 결과로서 자기 레이스 편향을 설명한다.^[1]자기 레이스 면은 표준에 더 가까운 곳에 위치하는 반면, 다른 레이스 면은 그것으로부터 더 멀리 그룹화하여 자신의 레이스 면을 더 빨리 처리하고 인식하도록 한다.^[1]

법의학 응용 프로그램

얼굴 공간 프레임워크는 현대 목격자 식별 기법의 개발에 큰 영향을 끼쳤다.특히 4세대 안면복합시스템은^[9] 물론 뚜렷한 특징을 가진 용의자를 위한 더 공정한 경찰 라인업도 함께 이뤄진다.^[10]

얼굴 합성물

안면공간은 개별적인 얼굴형상보다는 얼굴 전체 간의 유사성이나 차이점에 따라 얼굴식별에 중점을 둔다.^[9]따라서 주성분 분석은 샘플 면으로부터 특정 치수 또는 '유전체'를 도출하는 데 사용되며, 이 치수는 결합하고 인코딩하여 새 면 전체를 구성할 수 있다.^[9]이것은 더 정확한 얼굴 합성 시스템을 만드는 데 사용될 수 있다. 전체적인 얼굴 표현이 오래된 얼굴 합성 시스템이 사용하는 것과 ^[11]같은 개별 특징을 사용하는 표현보다 더 잘 인식되기 때문이다.^[9]

경찰 라인업 디자인

경찰 라인업에서 그 특징만을 근거로 목격자가 설명한 뚜렷한 특징(예: 피어싱)을 가진 유일한 용의자를 선택하는 것은 그 잠재적으로 무고한 용의자에게 공평하지 않다.^[3]이러한 편파성을 수정하기 위해 개인의 특징을 은폐하거나 모든 용의자의 특징을 복제할 수 있다.^[10]복합 유사성 모델에 따르면, 여러 면에 복제된 독특한 형상은 얼굴 공간이 더 가깝다는 것을 의미하며, 따라서 하이브리드 유사성 모델에 따르면 더 유사한 것으로 인식된다.^[10]결과적으로, 이 모델은 라인업 내의 분산을 덜 통해 유도된 더 어려운 결정의 결과로서 은폐보다 대상 개인의 정확한 식별을 위한 더 효과적인 절차로서 복제를 정확하게 예측한다.^[10]

참고 항목

개념공간

참조