[논문]능동적 형태 모델과 가중치 벡터를 이용한 입술 인식

장경식

문제 정의

이 논문은 입술의 형태와 입술 외곽선 부근의 화소값 분포를 이용하여 입술을 효과적으로 인식 하는 방법을 제안하였다. 입술의 형태는 학습 영 상을 통계적으로 분석하는 능동적 형태 모델을 기반으로 표현하였다.
이 논문은 입술의 형태와 입술 외곽선 부근의 화소값 분포를 이용하여 입술을 효과적으로 인식 하는 방법을 제안하였다. 입술의 형태는 학습 영 상을 통계적으로 분석하는 능동적 형태 모델을 기반으로 표현하였다.

가설 설정

1. 각 벡터의 무게중심(3, §)이 원점에 오도록 평행 이동한다.
5. 이 값들이 수렴하면 중지한다. 그렇지 않으면 평균 벡터를 기준 벡터로 정하고 단계 3으로 간다.
화소값만을 사용하는 경우에 조명 등의 밝기 변화에 따른 영향을 많이 받기 때문에 이를 최소화하기 위하여 식(7)에 따라 정규화하고 특징 벡터 (g‘)를 구하였다. 학습에 사용된 입술의 동일 위치에 있는 점들에 대한 특징 벡터들이 정 규분포를 따른다고 가정하고 식(8)을 이용하여 각 점에서의 특징들에 대한 평균벡터(扌)와 공분산 행렬(&)을 구하였다.

제안 방법

입술 모델을 구성하는 각 점이 입술의 외곽선에 정확히 존재 하지 않고 입술 외곽선 부근에 다양한 에지가 존 재하여 에지 정보를 사용하기 어렵기 때문에 각 점에 인접한 영역의 화소값 분포를 이용하여 입 술 외곽선에 대한 특징을 설정하였다.<그림 3> 과 같이 학습 영상에서 입술을 구성하는 각 점을 지나며 입술 외곽선에 수직인 방향으로 점의 양 쪽으로 n 개씩과 자신을 합하여 (2n+l) 개 점을 선택하고 그 점들의 화소값들로 구성되는 벡터 g 를 구하였다. 화소값만을 사용하는 경우에 조명 등의 밝기 변화에 따른 영향을 많이 받기 때문에 이를 최소화하기 위하여 식(7)에 따라 정규화하고 특징 벡터 (g‘)를 구하였다.
입술의 형태는 학습 영 상을 통계적으로 분석하는 능동적 형태 모델을 기반으로 표현하였다. 능동적 형태 모델은 탐색시 초기 위치의 설정에 따라 잘못된 결과를 얻을 수 있기 때문에 이 논문에서는 입술의 형태에 기반 한 가중치 벡터를 이용하여 두 입술 사이의 경계 선을 찾고 탐색의 초기 위치로 사용하였다. 입술 을 인식하는 많은 방법들이 에지 및 색 정보를 기반으로 영상을 탐색하는 반면에 이 논문에서는 입술 외곽선 주위의 화소분포를 특징으로 정하고 이를 이용하여 영상을 탐색하였으며, 이 과정에서 특징의 정규화 과정을 거쳐 조명변화의 영향을 최소화시켰다.
두 입술 사이의 경계선 위치가 정해지면 입술 모델을 그 위치로 평행 이동한 후 입술의 외곽선 을 찾는 과정을 수행하였다. 이 과정은 모델을 구성하는 각 점의 특징을 이용하여 입술 경계선 을 탐색하는 과정과 점들의 전체적인 모양을 허 용범위 내로 조정하는 과정의 두 단계로 구성된다.
입술의 외곽선에 위치하는 점들의 좌표로 입술의 형태 (shape)를 표현하였으며, 모든 학습 영상에 걸쳐 이들 점의 좌표들에 대한 평균 (mean)과 공분산 행 렬 (covariance matrix)을 구하고 주성분 분석법 (principal component analysis) 을 사용하여 평균과 고유 벡터의 선형 함수로 입 술 모델을 표현하였다. 또한 입술 모델을 구성하는 각 점에 인접한 영역의 화소값 분포를 이용하여 입술의 외곽선에 대한 특징을 설정하였다. 입 술의 형태에 기반한 가중치 벡터를 이용하여 두 입술 사이의 경계선을 찾아 탐색의 초기 위치로 정하고 입술 모델을 구성하는 각 점에서의 특징을 이용하여 입술을 찾았다.
입술의 형태에 기반한 가중치 벡터를 이용하여 두 입술 사이의 경계선을 찾고 탐색의 초기 위치로 사용함으로써 능동적 형태 모델에서 초기 위치에 따라 잘못된 결과가 나올 수 있는 문제를 보완하였다. 또한, 에지 및 색 정보를 사용하지 않고 입술 외곽선 주위의 화소 분포를 특징으로 정하고 이를 이용하여 영상을 탐색하였으며, 이 과정에서 특징의 정규화 과정을 거쳐 조명 변화의 영향을 최소화시켰다. 실험 결과 학습 시 사용된 입술의 형태와 환경 등이 다른 경우에 오인식이 발생하였으나 보다 다양한 학습 영상을 사용하면 개선될 수 있을 것이라 생각된다.
모든 경우에서 인식 결과의 위치가 입술의 실제 위치와 전혀 다른 결과는 없었으며, 오류인 경우는 실제 입술 외곽선 에서 조금씩 떨어진 경우가 발생하였다. 실험결과를 분석하기 위하여 인식한 입술의 외곽선이 실제 위치와 일정 거리 이상 떨어진 경우를 오인식으로 판정하였고 일정 거리 이내에 있는 경우를 인식한 것으로 판정하였다. 이때 거리의 기준으로 윗 입 술 높이의 1/3을 사용하였다.
능동적 형태 모델을 이용하여 탐색하는 경우에 초기 위치의 선정에 따라 잘못된 결과가 나올 수 있다. 이 논문에서는 입술을 인식하는 첫 단계로 서 두 입술 사이의 경계선을 찾고 그 위치를 중심으로 입술 외곽선을 탐색하였다. 영상의 각 열에서 식(9)를 이용하여 가장 어두운 화소들을 찾고 식(10)을 이용하여 입술 영상의 높이에 해당하는 크기를 갖는 벡터인 L(y)를 구하면 가장 큰 값을 갖는 위치에서 두 입술 사이의 경계선을 얻는다.
또한 입술 모델을 구성하는 각 점에 인접한 영역의 화소값 분포를 이용하여 입술의 외곽선에 대한 특징을 설정하였다. 입 술의 형태에 기반한 가중치 벡터를 이용하여 두 입술 사이의 경계선을 찾아 탐색의 초기 위치로 정하고 입술 모델을 구성하는 각 점에서의 특징을 이용하여 입술을 찾았다. 이 과정에서 평가함수로 서 마할라노비 스 거리 (mahalanobis distance) 척 도를 이용하였다.
입술과 피부와의 경계선에 대한 특징을 설정하고 이전 과정에서 구성한 입술 모델과 함께 이용하여 입력 영상에서 입술을 찾는다. 입술 모델을 구성하는 각 점이 입술의 외곽선에 정확히 존재 하지 않고 입술 외곽선 부근에 다양한 에지가 존 재하여 에지 정보를 사용하기 어렵기 때문에 각 점에 인접한 영역의 화소값 분포를 이용하여 입 술 외곽선에 대한 특징을 설정하였다.<그림 3> 과 같이 학습 영상에서 입술을 구성하는 각 점을 지나며 입술 외곽선에 수직인 방향으로 점의 양 쪽으로 n 개씩과 자신을 합하여 (2n+l) 개 점을 선택하고 그 점들의 화소값들로 구성되는 벡터 g 를 구하였다.
능동적 형태 모델은 탐색시 초기 위치의 설정에 따라 잘못된 결과를 얻을 수 있기 때문에 이 논문에서는 입술의 형태에 기반 한 가중치 벡터를 이용하여 두 입술 사이의 경계 선을 찾고 탐색의 초기 위치로 사용하였다. 입술 을 인식하는 많은 방법들이 에지 및 색 정보를 기반으로 영상을 탐색하는 반면에 이 논문에서는 입술 외곽선 주위의 화소분포를 특징으로 정하고 이를 이용하여 영상을 탐색하였으며, 이 과정에서 특징의 정규화 과정을 거쳐 조명변화의 영향을 최소화시켰다. 다양한 입술 영상들을 대상으로 실 험하여 좋은 결과를 얻었다.
입술과 피부와의 경계선에 대한 특징을 설정하고 이전 과정에서 구성한 입술 모델과 함께 이용하여 입력 영상에서 입술을 찾는다. 입술 모델을 구성하는 각 점이 입술의 외곽선에 정확히 존재 하지 않고 입술 외곽선 부근에 다양한 에지가 존 재하여 에지 정보를 사용하기 어렵기 때문에 각 점에 인접한 영역의 화소값 분포를 이용하여 입 술 외곽선에 대한 특징을 설정하였다.
이 논문에서 입술을 인식하는 과정은 입술 모델을 구성하는 단계와 입술을 인식하는 단계로 구 성된다. 입술의 외곽선에 위치하는 점들의 좌표로 입술의 형태 (shape)를 표현하였으며, 모든 학습 영상에 걸쳐 이들 점의 좌표들에 대한 평균 (mean)과 공분산 행 렬 (covariance matrix)을 구하고 주성분 분석법 (principal component analysis) 을 사용하여 평균과 고유 벡터의 선형 함수로 입 술 모델을 표현하였다. 또한 입술 모델을 구성하는 각 점에 인접한 영역의 화소값 분포를 이용하여 입술의 외곽선에 대한 특징을 설정하였다.
이 논문은 입술의 형태와 입술 외곽선 부근의 화소값 분포를 이용하여 입술을 효과적으로 인식하는 방법을 제안하였다. 입술의 형태에 기반한 가중치 벡터를 이용하여 두 입술 사이의 경계선을 찾고 탐색의 초기 위치로 사용함으로써 능동적 형태 모델에서 초기 위치에 따라 잘못된 결과가 나올 수 있는 문제를 보완하였다. 또한, 에지 및 색 정보를 사용하지 않고 입술 외곽선 주위의 화소 분포를 특징으로 정하고 이를 이용하여 영상을 탐색하였으며, 이 과정에서 특징의 정규화 과정을 거쳐 조명 변화의 영향을 최소화시켰다.

대상 데이터

실험을 위하여 Tulip 1 데이터베이스 [MoveUan, 1995] 에 있는 입술 영상들을 사용하였다. 이 들은 다양한 조명상태에서 12명이 4개의 숫자를 발음할 때 입력된 연속적인 명암 영상 (grey image)으로서 입술 영역만을 포함하고 있으며 다양한 입술 형태를 가지고 1*705 0 크기를 갖는다.
t는 (tx, ty) 로서 평행 이동량을 나타내고。는 회전각, s는 스케일 비를 나타낸다. 이 논문에서는 ty는 이 전 단계에서 구한 두 입술 사이의 경계선의 y 좌표를 사용하였으며, tx는 영상 폭의 1/2을 사용하였다. 또한。는 0을 사용하였으며, s는 임 의의 값을 사용하였다.
이들 영상에서 입술의 위치는 대부분 중 앙에 있으나 고정된 위치는 아니다. 이 논문에서는 이들 영상에서 학습 영상으로 27개의 입술 영 상을 사용하였으며 실험 영상으로 150개의 영상 을 사용하였다. 펜티엄 (Pentium) II PC(350 Mhz) 에서 실험하였으며 matlab으로 구현하였다.
이 논문에서는 이들 영상에서 학습 영상으로 27개의 입술 영 상을 사용하였으며 실험 영상으로 150개의 영상 을 사용하였다. 펜티엄 (Pentium) II PC(350 Mhz) 에서 실험하였으며 matlab으로 구현하였다.

이론/모형

능동적 형태 모델 (active shape model)[Cootes et al., 1994; Luettin et al, 1996]을 이용하여 점들 의 집합으로 입술의 형태를 표현하였다. 이 방법은 학습 영상들을 통계적으로 분석하고 이용하는 방법으로 사용자가 경험적 지식을 토대로 부여하는 여러가지 제약의 사용을 배제할 수 있다.
입 술의 형태에 기반한 가중치 벡터를 이용하여 두 입술 사이의 경계선을 찾아 탐색의 초기 위치로 정하고 입술 모델을 구성하는 각 점에서의 특징을 이용하여 입술을 찾았다. 이 과정에서 평가함수로 서 마할라노비 스 거리 (mahalanobis distance) 척 도를 이용하였다.

후속연구

또한, 에지 및 색 정보를 사용하지 않고 입술 외곽선 주위의 화소 분포를 특징으로 정하고 이를 이용하여 영상을 탐색하였으며, 이 과정에서 특징의 정규화 과정을 거쳐 조명 변화의 영향을 최소화시켰다. 실험 결과 학습 시 사용된 입술의 형태와 환경 등이 다른 경우에 오인식이 발생하였으나 보다 다양한 학습 영상을 사용하면 개선될 수 있을 것이라 생각된다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

능동적 형태 모델과 가중치 벡터를 이용한 입술 인식
Lip Recognition Using Active Shape Model and Shape-Based Weighted Vector 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

능동적 형태 모델과 가중치 벡터를 이용한 입술 인식 Lip Recognition Using Active Shape Model and Shape-Based Weighted Vector 원문보기

초록 AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

능동적 형태 모델과 가중치 벡터를 이용한 입술 인식
Lip Recognition Using Active Shape Model and Shape-Based Weighted Vector 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper