얼굴 검출은 입력 영상에 존재하는 얼굴의 위치를 찾는 과정을 의미한다. 얼굴 검출은 HCI(Human Computer Interaction), ATR(Automatic Target Recognition), model-based video coding 등 다양한 응용 영역에서 활용되고 있는 중요한 연구 분야이다. Viola와 Jones의 얼굴 검출기에서 직렬 식별 구조는 강식별기(strong ...
얼굴 검출은 입력 영상에 존재하는 얼굴의 위치를 찾는 과정을 의미한다. 얼굴 검출은 HCI(Human Computer Interaction), ATR(Automatic Target Recognition), model-based video coding 등 다양한 응용 영역에서 활용되고 있는 중요한 연구 분야이다. Viola와 Jones의 얼굴 검출기에서 직렬 식별 구조는 강식별기(strong classifier)라 불리는 여러 개의 식별기로 구성되어 있다. 하나의 강식별기는 몇몇의 약식별기(weak classifier)의 결합으로 이루어져 있으며, 이를 학습하기 위해 주어진 모든 비얼굴 훈련 영상을 한번에 사용한다. 그러나 모든 훈련 영상을 한번에 고려하는 것은 사용 특징 개수 대비 검출 성능의 비효율성을 발생시킨다. 한편, Viola와 Jones의 얼굴 검출기에서 하나의 직렬 식별 구조는 특정 자세의 얼굴만을 검출하고자 시도한다. 일반적으로 회전된 얼굴을 검출하기 위해서 널리 활용되는 방법은 입력 영상을 단계별 회전 변환 한 후, 각 회전된 영상마다 독립적인 검출 과정을 실행하는 것이다. 그러나 이 방법은 각 회전 변환 단계마다 별도의 적분영상을 생성 하여야 하므로 많은 계산량 및 저장 공간이 요구된다. 본 논문에서는 첫 번째로, 전자의 문제를 해결하고 검출 성능을 향상시키기 위하여 직렬 식별 구조 구성 기법을 제안한다. 제안 방법에서는 비얼굴 훈련 영상을 몇 개의 군집으로 나누고, 하나의 강식별기는 하나의 군집에 속하는 비얼굴 훈련 영상만을 얼굴 영상으로부터 구분해 내도록 한다. 또한 비얼굴 훈련 영상 군집화 방법을 제안한다. 제안 방법에서는 얼굴 분포로부터 특정 방향에 위치하며, 소수개의 특징만을 사용하여 얼굴 영상들로부터 잘 구분될 수 있는 비얼굴 훈련 영상들을 하나의 군집으로 모은다. 두 번째로, 살색 영역 대응 적분 영상 생성 방법을 제안한다. 제안 방법을 통해 검출 정확도의 감소 없이 저장 공간을 최소화 할 수 있다. 실험을 통해 제안 방법이 사용 특징 개수 대비 높은 검출 성능을 확보하고, 적은 저장 공간을 사용함을 보인다.
얼굴 검출은 입력 영상에 존재하는 얼굴의 위치를 찾는 과정을 의미한다. 얼굴 검출은 HCI(Human Computer Interaction), ATR(Automatic Target Recognition), model-based video coding 등 다양한 응용 영역에서 활용되고 있는 중요한 연구 분야이다. Viola와 Jones의 얼굴 검출기에서 직렬 식별 구조는 강식별기(strong classifier)라 불리는 여러 개의 식별기로 구성되어 있다. 하나의 강식별기는 몇몇의 약식별기(weak classifier)의 결합으로 이루어져 있으며, 이를 학습하기 위해 주어진 모든 비얼굴 훈련 영상을 한번에 사용한다. 그러나 모든 훈련 영상을 한번에 고려하는 것은 사용 특징 개수 대비 검출 성능의 비효율성을 발생시킨다. 한편, Viola와 Jones의 얼굴 검출기에서 하나의 직렬 식별 구조는 특정 자세의 얼굴만을 검출하고자 시도한다. 일반적으로 회전된 얼굴을 검출하기 위해서 널리 활용되는 방법은 입력 영상을 단계별 회전 변환 한 후, 각 회전된 영상마다 독립적인 검출 과정을 실행하는 것이다. 그러나 이 방법은 각 회전 변환 단계마다 별도의 적분영상을 생성 하여야 하므로 많은 계산량 및 저장 공간이 요구된다. 본 논문에서는 첫 번째로, 전자의 문제를 해결하고 검출 성능을 향상시키기 위하여 직렬 식별 구조 구성 기법을 제안한다. 제안 방법에서는 비얼굴 훈련 영상을 몇 개의 군집으로 나누고, 하나의 강식별기는 하나의 군집에 속하는 비얼굴 훈련 영상만을 얼굴 영상으로부터 구분해 내도록 한다. 또한 비얼굴 훈련 영상 군집화 방법을 제안한다. 제안 방법에서는 얼굴 분포로부터 특정 방향에 위치하며, 소수개의 특징만을 사용하여 얼굴 영상들로부터 잘 구분될 수 있는 비얼굴 훈련 영상들을 하나의 군집으로 모은다. 두 번째로, 살색 영역 대응 적분 영상 생성 방법을 제안한다. 제안 방법을 통해 검출 정확도의 감소 없이 저장 공간을 최소화 할 수 있다. 실험을 통해 제안 방법이 사용 특징 개수 대비 높은 검출 성능을 확보하고, 적은 저장 공간을 사용함을 보인다.
Face detection is the process to locate human faces in an image. Since face detection is appreciated by its versatility in many applications such as HCI(Human Computer Interaction), ATR(Automatic Target Recognition), and model-based video coding, it is one of the important research topic in the fiel...
Face detection is the process to locate human faces in an image. Since face detection is appreciated by its versatility in many applications such as HCI(Human Computer Interaction), ATR(Automatic Target Recognition), and model-based video coding, it is one of the important research topic in the field of visual signal processing. In Viola and Jones face detector, a cascaded classification structure is organized by multiple classifiers called strong classifiers. A strong classifier is a combination of several weak classifiers and it is generally trained using all the given non-face examples together. However, using all non-face examples together shows inefficiency on the number of features versus detection performance. Meanwhile, in Viola and Jones face detector, we expect that a face image can be separated from non-faces by a cascaded structure if the pose of the face agrees with the predefined. In general, to detect rotated faces, it is widely used to rotate input images repeatedly, and perform independent detection processes for every image rotation. However, this way requires a lot of storage spaces and computations since we have to generate an additional integral image for every image rotation. In this thesis, first, to solve the former problem and improve the detection performance, a novel scheme to construct a cascaded classification structure is proposed. In the scheme, non-face examples are divided into several clusters and a strong classifier is constructed to separate only the non-face examples within a cluster from face examples. We also propose a non-face clustering method. In a cluster generated by the proposed clustering method, non-face images which are located in the same direction of the face distribution are gathered and they can be easily separated from face images with a small number of features. Second, a method to generate skin-region corresponding integral images is proposed. Using the method we can minimize storage spaces without any degradation of detection accuracy. In experiments, the proposed method showed high efficiency on the number of features versus detection performance with less storage spaces.
Face detection is the process to locate human faces in an image. Since face detection is appreciated by its versatility in many applications such as HCI(Human Computer Interaction), ATR(Automatic Target Recognition), and model-based video coding, it is one of the important research topic in the field of visual signal processing. In Viola and Jones face detector, a cascaded classification structure is organized by multiple classifiers called strong classifiers. A strong classifier is a combination of several weak classifiers and it is generally trained using all the given non-face examples together. However, using all non-face examples together shows inefficiency on the number of features versus detection performance. Meanwhile, in Viola and Jones face detector, we expect that a face image can be separated from non-faces by a cascaded structure if the pose of the face agrees with the predefined. In general, to detect rotated faces, it is widely used to rotate input images repeatedly, and perform independent detection processes for every image rotation. However, this way requires a lot of storage spaces and computations since we have to generate an additional integral image for every image rotation. In this thesis, first, to solve the former problem and improve the detection performance, a novel scheme to construct a cascaded classification structure is proposed. In the scheme, non-face examples are divided into several clusters and a strong classifier is constructed to separate only the non-face examples within a cluster from face examples. We also propose a non-face clustering method. In a cluster generated by the proposed clustering method, non-face images which are located in the same direction of the face distribution are gathered and they can be easily separated from face images with a small number of features. Second, a method to generate skin-region corresponding integral images is proposed. Using the method we can minimize storage spaces without any degradation of detection accuracy. In experiments, the proposed method showed high efficiency on the number of features versus detection performance with less storage spaces.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.