빅데이터의 축적으로 도움을 받는 분야 중 하나가 얼굴인식분야이다. 본 연구에서는 face recognition분야의 높은 성능을 자랑하는 FaceNet논문을 기반으로 한 Library 2개를 예로 들어 FaceNet이론에서 보완할 점을 연구하였다. 본 연구에서 사용한 Library 2개는 학습되지 않는 데이터 전부를 학습된 데이터와 비교하여 학습된 데이터의 label로 처리하는 방식의 위험성을 확인 후 얼굴인식의 원리를 분석하였다. Face Detect단계에서 쓰인 HOG(Histogram of Oriented Gradients)...
빅데이터의 축적으로 도움을 받는 분야 중 하나가 얼굴인식분야이다. 본 연구에서는 face recognition분야의 높은 성능을 자랑하는 FaceNet논문을 기반으로 한 Library 2개를 예로 들어 FaceNet이론에서 보완할 점을 연구하였다. 본 연구에서 사용한 Library 2개는 학습되지 않는 데이터 전부를 학습된 데이터와 비교하여 학습된 데이터의 label로 처리하는 방식의 위험성을 확인 후 얼굴인식의 원리를 분석하였다. Face Detect단계에서 쓰인 HOG(Histogram of Oriented Gradients)알고리즘에서 사용한 Gradients를 계산하는 방식과, 그로인한 명암처리 방식에서 나온 feature extraction방식이 내놓은 feature들은 얼굴의 표정을 드러내는 부분과 상당수 일치함을 알 수 있다. 또한 affine transform 알고리즘에서 사용한 Dlib face pose 추정 알고리즘도 얼굴의 표정변화에 기반 하여 인식한다는 것을 알아보았다. 먼저 davidsandiverg Library를 참조한 FaceNet Library에서 학습되지 않은 데이터를 가지고 테스트한 결과 시시각각 변하는 표정에 학습된 데이터의 표정을 비교하여 학습되지 않은 데이터에 label처리 하는 것을 확인하였다. 더 나아가 OpenFace Library를 활용하여 한사람을 3가지 표정(Happy, Sardonic, Gloomy)으로 나누어서 각기 다르게 label처리 후 나이, 성별, 인종이 완전히 다른 학습되지 않은 데이터를 가지고 label이 표정에 따라서 어떻게 바뀌는 지를 관찰하였다. 관찰결과 학습되지 않은 데이터에 대해서 얼굴을 인식하는 것이 표정에 상당히 의존한다는 것을 확인할 수 있었다. 물론 본 연구에서 사용한 얼굴인식기법에 정확도 70%이상의 기준을 세우는 방식으로 개선할 수도 있다. 하지만 얼굴인식과 표정인식을 접목시켜 감지하는 방법을 차후 더 연구하여 얼굴인식기법의 정밀도를 높이고자 하는데 본 연구의 의의를 두고자 한다.
주제어(키워드, 핵심어) : 딥러닝, 오픈페이스, 페이스 넷, 합성곱 신경망, 라이브러리, 인공지능, 얼굴 인식
빅데이터의 축적으로 도움을 받는 분야 중 하나가 얼굴인식분야이다. 본 연구에서는 face recognition분야의 높은 성능을 자랑하는 FaceNet논문을 기반으로 한 Library 2개를 예로 들어 FaceNet이론에서 보완할 점을 연구하였다. 본 연구에서 사용한 Library 2개는 학습되지 않는 데이터 전부를 학습된 데이터와 비교하여 학습된 데이터의 label로 처리하는 방식의 위험성을 확인 후 얼굴인식의 원리를 분석하였다. Face Detect단계에서 쓰인 HOG(Histogram of Oriented Gradients)알고리즘에서 사용한 Gradients를 계산하는 방식과, 그로인한 명암처리 방식에서 나온 feature extraction방식이 내놓은 feature들은 얼굴의 표정을 드러내는 부분과 상당수 일치함을 알 수 있다. 또한 affine transform 알고리즘에서 사용한 Dlib face pose 추정 알고리즘도 얼굴의 표정변화에 기반 하여 인식한다는 것을 알아보았다. 먼저 davidsandiverg Library를 참조한 FaceNet Library에서 학습되지 않은 데이터를 가지고 테스트한 결과 시시각각 변하는 표정에 학습된 데이터의 표정을 비교하여 학습되지 않은 데이터에 label처리 하는 것을 확인하였다. 더 나아가 OpenFace Library를 활용하여 한사람을 3가지 표정(Happy, Sardonic, Gloomy)으로 나누어서 각기 다르게 label처리 후 나이, 성별, 인종이 완전히 다른 학습되지 않은 데이터를 가지고 label이 표정에 따라서 어떻게 바뀌는 지를 관찰하였다. 관찰결과 학습되지 않은 데이터에 대해서 얼굴을 인식하는 것이 표정에 상당히 의존한다는 것을 확인할 수 있었다. 물론 본 연구에서 사용한 얼굴인식기법에 정확도 70%이상의 기준을 세우는 방식으로 개선할 수도 있다. 하지만 얼굴인식과 표정인식을 접목시켜 감지하는 방법을 차후 더 연구하여 얼굴인식기법의 정밀도를 높이고자 하는데 본 연구의 의의를 두고자 한다.
주제어(키워드, 핵심어) : 딥러닝, 오픈페이스, 페이스 넷, 합성곱 신경망, 라이브러리, 인공지능, 얼굴 인식
One of the areas benefiting from the accumulation of big data is face recognition. This study set out to investigate what should be supplemented in the FaceNet theory using the example of two libraries based on papers about FaceNet, which boasts incredible performance in the field of face recognitio...
One of the areas benefiting from the accumulation of big data is face recognition. This study set out to investigate what should be supplemented in the FaceNet theory using the example of two libraries based on papers about FaceNet, which boasts incredible performance in the field of face recognition. The two libraries used in this study checked the risk involved in the method of comparing all the untrained data with the trained data, treated the trained data with a label, and analyzed the principle of face recognition. The features derived from the calculation of gradients used in the HOG (Histogram of Oriented Gradients) algorithm used in the Face Detect stage and the feature extraction method of treating the resulting light and shade matched the parts showing facial expressions to a great degree. The Dlib face pose estimation algorithm used by the affine transformation algorithm recognized a face based on changing facial expressions. The investigator tested the data that had not been trained in the FaceNet Library which consulted the davidsandiverg Library and compared the constant changing facial expressions with those of the trained data, confirming that the untrained data was treated with a label. Furthermore, the investigator divided the facial expressions of a person into three groups (happy, sardonic, and gloomy) by using the OpenFace Library, treated them differently with different labels, and observed how the labels would change according to facial expressions with the untrained data of completely different ages, genders, and races. The observation results show that there was much dependence on facial expressions during face recognition with non-trained data. The face recognition technique used in the present study could be improved with an increased accuracy level of 70% or higher. The significance of the study, however, lies in its attempt at a higher precision of the face recognition technique in a follow-up study on the recognition method of incorporating face recognition into facial expression recognition.
Key word(Guide word): deep learning, CNN, FaceNet, OpenFace, library, OpenCV, face recognition
One of the areas benefiting from the accumulation of big data is face recognition. This study set out to investigate what should be supplemented in the FaceNet theory using the example of two libraries based on papers about FaceNet, which boasts incredible performance in the field of face recognition. The two libraries used in this study checked the risk involved in the method of comparing all the untrained data with the trained data, treated the trained data with a label, and analyzed the principle of face recognition. The features derived from the calculation of gradients used in the HOG (Histogram of Oriented Gradients) algorithm used in the Face Detect stage and the feature extraction method of treating the resulting light and shade matched the parts showing facial expressions to a great degree. The Dlib face pose estimation algorithm used by the affine transformation algorithm recognized a face based on changing facial expressions. The investigator tested the data that had not been trained in the FaceNet Library which consulted the davidsandiverg Library and compared the constant changing facial expressions with those of the trained data, confirming that the untrained data was treated with a label. Furthermore, the investigator divided the facial expressions of a person into three groups (happy, sardonic, and gloomy) by using the OpenFace Library, treated them differently with different labels, and observed how the labels would change according to facial expressions with the untrained data of completely different ages, genders, and races. The observation results show that there was much dependence on facial expressions during face recognition with non-trained data. The face recognition technique used in the present study could be improved with an increased accuracy level of 70% or higher. The significance of the study, however, lies in its attempt at a higher precision of the face recognition technique in a follow-up study on the recognition method of incorporating face recognition into facial expression recognition.
Key word(Guide word): deep learning, CNN, FaceNet, OpenFace, library, OpenCV, face recognition
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.