초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

얼굴인식은 우리일상의 많은 곳에 적용되고 있으며 앞으로의 응용 분야는 무궁무진하다. 신분증, 여권, 자격증 등을 대체하는 신원확인 용으로 쓰일 수 있고 출입관리, 출퇴근 관리, 보안카드 대체 등의 보안용으로도 사용 할 수 있다. 또한 지능형 CCTV를 이용한 우범지대 감시, 용의자 검색 등의 치안용으로도 활용 될 수 있다. 실제로 노트북, 스마트폰 등의 일부 IT기기에서는 비밀번호를 대체하는 기능으로 얼굴인식을 사용하는 제품들이 판매되고 있으며 얼굴인식과 관련된 어플리케이션도 많이 나와 있는 상태이다. 하지만 제품에 적용되고 있고 어플리케이션에 적용된 얼굴인식의 신뢰성이 완벽하다고 할 수 없다. 조명이 조금만 바뀌어도 주인을 제대로 인식하지 못하거나, 얼굴이 조금만 기울여져도 인식하지 못하는 경우가 있다. 또한 어두운 곳에서 얼굴인식을 했을 때 감지 영역이 자신의 얼굴이 아닌 다른 물체를 인식하는 경우가 많기 때문이다. 아무래도 아직은 정확도 면에서는 지문인식이나 ...

얼굴인식은 우리일상의 많은 곳에 적용되고 있으며 앞으로의 응용 분야는 무궁무진하다. 신분증, 여권, 자격증 등을 대체하는 신원확인 용으로 쓰일 수 있고 출입관리, 출퇴근 관리, 보안카드 대체 등의 보안용으로도 사용 할 수 있다. 또한 지능형 CCTV를 이용한 우범지대 감시, 용의자 검색 등의 치안용으로도 활용 될 수 있다. 실제로 노트북, 스마트폰 등의 일부 IT기기에서는 비밀번호를 대체하는 기능으로 얼굴인식을 사용하는 제품들이 판매되고 있으며 얼굴인식과 관련된 어플리케이션도 많이 나와 있는 상태이다. 하지만 제품에 적용되고 있고 어플리케이션에 적용된 얼굴인식의 신뢰성이 완벽하다고 할 수 없다. 조명이 조금만 바뀌어도 주인을 제대로 인식하지 못하거나, 얼굴이 조금만 기울여져도 인식하지 못하는 경우가 있다. 또한 어두운 곳에서 얼굴인식을 했을 때 감지 영역이 자신의 얼굴이 아닌 다른 물체를 인식하는 경우가 많기 때문이다. 아무래도 아직은 정확도 면에서는 지문인식이나 홍채인식에 비해 떨어질 수밖에 없다. 이러한 문제점을 개선하고 보완하기 위해 본 논문에서는 다음과 같은 방법을 제시한다. 첫 번째 전처리 단계로 얼굴의 특징을 추출하기 위해 LBP(Local Binary Pattern)보다 정확도가 더 개선된 LGP(Local Gradient Pattern)을 사용하고 제안하는 SU-LGP(Symmetry Uniform LGP)를 사용하여 빠르고 정확하게 얼굴특징을 추출한다. 두 번째 단계로 다량의 얼굴 사진으로부터 특징을 추출하여 데이터 베이스를 만든다. 세 번째 Deep learning알고리즘인 CNN(Convolution Neural Network)를 사용하여 학습 한다. 네 번째 단계로 학습된 특징정보를 이용하여 얼굴을 검출한다. 본 논문은 Visual Studio 2012을 이용하여 제안하는 방법을 구현하였으며 얼굴검출 학습을 위해 Yale face Data base를 사용했다. 사용한 Data의 종류로는 다양한 인종, 조명, 표정 등이 포함되어 있으며 회전변화에 강인하게 만들기 위해 얼굴영상을 좌우 15도씩 회전시킨 Data도 추가 하였다. 다양한 조명과 얼굴 각도의 얼굴인식이 기존의 방법보다 나아진 것을 실험을 통해 증명 하였다.

주제어