최근 보안시스템에 대한 관심이 대두되고 있으며, 이에 따라 생체 인식 기술도 연구가 활발하게 진행되고 있다. 얼굴 인식은 일반 환경에서 사람의 얼굴을 찾아내고 인식하는 시스템으로 장비에 대한 물리적인 접촉이 필요 없어 거부감이 없고 가장 자연스러운 환경에서의 생체인식 기술로써 크게 얼굴 추출과 얼굴 인식 부분으로 나눌 수 있다. 본 논문에서는 AdaBoost 학습 알고리즘으로 얼굴 영역을 추출하였다. ...
최근 보안시스템에 대한 관심이 대두되고 있으며, 이에 따라 생체 인식 기술도 연구가 활발하게 진행되고 있다. 얼굴 인식은 일반 환경에서 사람의 얼굴을 찾아내고 인식하는 시스템으로 장비에 대한 물리적인 접촉이 필요 없어 거부감이 없고 가장 자연스러운 환경에서의 생체인식 기술로써 크게 얼굴 추출과 얼굴 인식 부분으로 나눌 수 있다. 본 논문에서는 AdaBoost 학습 알고리즘으로 얼굴 영역을 추출하였다. AdaBoost 알고리즘은 복잡한 영상을 간단한 패턴으로 간주하여 연산량을 줄이므로 실시간 처리에 적합하고, 기존의 검출기가 복잡한 패턴 분류기를 사용하여 연산량이 많고 시간이 많이 걸리는 것과 달리, 간단하고 수행시간이 짧다는 장점이 있다. 실험을 위한 데이터베이스로는 IMM과 BioID의 데이터베이스를 이용하였고, 얼굴인식 전 히스토그램 평활화를 수행함으로 명암도의 범위를 늘림으로써 원 영상의 명암도의 영역이 재조정되어 화질을 개선하였다. PCA기법을 이용한 얼굴인식은 2차원 영상을 이용하여 평균이미지를 출력한 후에 공분산 행렬을 구하고 고유이미지를 만들기 위해 고유벡터를 추출하였다. 입력영상의 크기를 조절함으로 수행시간이 단축됨을 확인하였고, 얼굴영역 추출과 얼굴인식 실험결과 BioID와 자체제작한 데이터베이스에서 우수한 성능을 나타내었다.
최근 보안시스템에 대한 관심이 대두되고 있으며, 이에 따라 생체 인식 기술도 연구가 활발하게 진행되고 있다. 얼굴 인식은 일반 환경에서 사람의 얼굴을 찾아내고 인식하는 시스템으로 장비에 대한 물리적인 접촉이 필요 없어 거부감이 없고 가장 자연스러운 환경에서의 생체인식 기술로써 크게 얼굴 추출과 얼굴 인식 부분으로 나눌 수 있다. 본 논문에서는 AdaBoost 학습 알고리즘으로 얼굴 영역을 추출하였다. AdaBoost 알고리즘은 복잡한 영상을 간단한 패턴으로 간주하여 연산량을 줄이므로 실시간 처리에 적합하고, 기존의 검출기가 복잡한 패턴 분류기를 사용하여 연산량이 많고 시간이 많이 걸리는 것과 달리, 간단하고 수행시간이 짧다는 장점이 있다. 실험을 위한 데이터베이스로는 IMM과 BioID의 데이터베이스를 이용하였고, 얼굴인식 전 히스토그램 평활화를 수행함으로 명암도의 범위를 늘림으로써 원 영상의 명암도의 영역이 재조정되어 화질을 개선하였다. PCA기법을 이용한 얼굴인식은 2차원 영상을 이용하여 평균이미지를 출력한 후에 공분산 행렬을 구하고 고유이미지를 만들기 위해 고유벡터를 추출하였다. 입력영상의 크기를 조절함으로 수행시간이 단축됨을 확인하였고, 얼굴영역 추출과 얼굴인식 실험결과 BioID와 자체제작한 데이터베이스에서 우수한 성능을 나타내었다.
As part of the emerging attention devoted to security technology system, recent research activities on biometric recognition technologies are very active. Especially, the face recognition system is a biometric recognition system that ensures personal identification without any need of physical conta...
As part of the emerging attention devoted to security technology system, recent research activities on biometric recognition technologies are very active. Especially, the face recognition system is a biometric recognition system that ensures personal identification without any need of physical contact with devices. This natural, in the sense of giving the least of a feeling of resistance among users, technology can be divided into two parts: face extraction and face recognition. The present study implemented the AdaBoost training algorithm on face region extraction. The AdaBoost algorithm has a merit of a low calculation complexity on account of recognizing complex visual images as a simple pattern, because of which the running time is so fast that it can meet the real-time demands. This is compared to other existing detectors based on complex pattern classifiers with too much calculation loads and time consumption. Experiments, using data from the IMM and BioID databases, were designed to enhance the visual quality of a raw image by expanding and adjusting the range of the grey level of the image through conducting a histogram smoothing before face recognition. With respect to face recognition using the PCA method, the predicted covariance matrix was obtained from the mean value of the images in a second dimension. Also, eigenvectors were extracted to bring out basis images. It was confirmed that the run time can be reduced by adjusting the size of input images, and the experiments on face region extraction and face recognition showed significantly good performances in both BioID and custom-made data sets.
As part of the emerging attention devoted to security technology system, recent research activities on biometric recognition technologies are very active. Especially, the face recognition system is a biometric recognition system that ensures personal identification without any need of physical contact with devices. This natural, in the sense of giving the least of a feeling of resistance among users, technology can be divided into two parts: face extraction and face recognition. The present study implemented the AdaBoost training algorithm on face region extraction. The AdaBoost algorithm has a merit of a low calculation complexity on account of recognizing complex visual images as a simple pattern, because of which the running time is so fast that it can meet the real-time demands. This is compared to other existing detectors based on complex pattern classifiers with too much calculation loads and time consumption. Experiments, using data from the IMM and BioID databases, were designed to enhance the visual quality of a raw image by expanding and adjusting the range of the grey level of the image through conducting a histogram smoothing before face recognition. With respect to face recognition using the PCA method, the predicted covariance matrix was obtained from the mean value of the images in a second dimension. Also, eigenvectors were extracted to bring out basis images. It was confirmed that the run time can be reduced by adjusting the size of input images, and the experiments on face region extraction and face recognition showed significantly good performances in both BioID and custom-made data sets.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.