선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 전자의 방법은 얼굴의 밝기와 일치하는 배경까지 추 출될 가능성의 단점을 가지고 있으며, 후자의 방법은 많은 계산량을 요구하여 실시간 얼굴인식에 적합하지 못하다는 단점을 가지고 있다. 따라서 본 논문에서는 이러한 단점을 개선하여 얼굴영역 검출율을 개선하고자 HSI 칼라좌표계 [15T7]에서 인간의 얼굴피부색이 가지는 색상정보를 추출 하여 얼굴피부색에 대한 색상 정보로서 얼굴후보 영역을 검 출한 후 얼굴부분만을 정확히 추출하기 위하여 후보영상으 로부터 얼굴의 명암도 정보와 에지정보를 추출, 얼굴의 명암 도 정보와 에지정보 및 얼굴피부색상으로 추출된 색상 정보 를 동시에 사용, 얼굴영역 추출의 정확도를 개선하였다. 일반적으로 백인종, 흑인종 그리고 황인종 등 동일한 인 종들은 유사한 얼굴의 피부색을 가지며 칼라 공간에서 좁 은 범위에 밀집해 있다[2丄 또한 인간의 얼굴색은 나라마다, .
- 본 논문에서는 파라미터 방법에 기반을 두고 얼굴인식률 을 개선하고자 인간의 시각체계와 비교적 유사한 HSI 칼라 좌표계상에서 얼굴피부색에 대한 정보를 추출하여 얼굴피 부색의 색상정보와 명암도 정보를 동시에 사용하여 얼굴영 역의 검출율을 개선하였고, 또한 추출된 얼굴영역으로부터 얼굴특징자 추출, 특징자간의 상대적 특징벡터 및 4개의 얼 굴 안면각들을 이용하여 얼굴 인식율을 개선하고자 하였으 며 실시간 처리가 가능한 시스템 구현에 목적을 두었다. 제 안한 알고리즘에서는 효율적인 얼굴영역 검출을 위해 인간 의 시각체계와 비교적 유사한 HSI 칼라좌표계에서 색상정 보와, 명암도 정보를 복합적으로 사용하였다.
제안 방법
- 제 안한 알고리즘에서는 효율적인 얼굴영역 검출을 위해 인간 의 시각체계와 비교적 유사한 HSI 칼라좌표계에서 색상정 보와, 명암도 정보를 복합적으로 사용하였다. RGB 칼라영 상을 HSI 공간으로 변환하여 얼굴피부색에 대한 색상 값을 얻어낸 후, 색상(Hue) 성분을 가지고 일정 범위 내에 있는 객체들을 레이블링(Labeling) 연산을 통해 찾아내 객체들 중 가장 큰 객체를 얼굴 후보 영역으로 선정하고 이렇게 찾아진 얼굴 후보영역에서 얼굴영역의 일정한 명암도(In tensity) 성분과 얼굴영역의 에지정보를 추출하여 이를 피 부색상 정보를 사용한 데이터와 복합적으로 적용하여 얼굴 영역 이외의 부분을 제거하여 얼굴영역만을 검출하도록 하 였다. 또한 검출된 얼굴영역에서 소벨, 이진화, 모폴로지, 레이블링 등의 전처리과정을 수행후 눈, 코, 입 등과 같은 특징들을 추출하고, 추출된 각 특징들의 상대적 크기, 위치, 구조적인 관계값들과 같은 얼굴특징벡터를 추출하였고, 또 한 4개의 얼굴 안면각들을 제안, 안면각 정보를 추출하였으 며 특징벡터와 안면각 정보들로 부터 최종적으로 얼굴인식 을 수행하도록 하였다.
- 각 특징점은 얼굴에서 비교적 구별하기 쉽고, 각 개인마 다 다른 형태를 지니고 있다. 각 특징점을 비교하기 위해서 눈, 코, 입 등의 구조적 위치에서 서로의 상관 관계를 비교 한 값과 턱과 입 및 얼굴 영역의 선형적인 관계값을 사용 하였다. (그림 12)는 얼굴의 각 특징점들과 특징점들이 가 질 수 있는 구조적 위치값을 도식화하여 나타내었다.
- 검출된 얼굴 후보영역에는 얼굴영역 이외의 비슷한 색상 값을 갖는 목 부분등의 정보도 포함되어 있으므로 정확한 얼 굴 영역만을 추출하기 위해서 명암도(Intensity) 정보를 이용 하여 얼굴 후보영역으로 부터 적응적으로 계산된 임계값 이 상의 명암값 분포를 가지고 얼굴영역에 대한 에지정보를 동 시에 이용하여 얼굴영역으로 찾아내고 얼굴영역 이외의 부 분을 제거하여 최종 얼굴영역만을 추출하도록 하였다. (그림
- 검출된 얼굴영역으로부터 눈, 코, 입 등 얼굴을 구성하는 각 특징점을 추출하기 위하여 얼굴 영상의 수직과 수평 중 앙선을 구한 후 수평 소벨연산, 이진화, 팽창(Dilation), 레 이블링(Labeling) 등의 전처리 과정을 거쳐 누 코, 입 등의 각 특징점들을 추출한다. (그림 3)은 얼굴 특징자들을 추출 하기 위한 전처리 과정을 나타내고 있다.
- 그림 14는 4개의 안면각, 즉 们, 02, 火, 们를 도식화하여 나타내는 것으로 们 (ARchinDcheek, Angle of Rchin to Dcheek)은 턱 중심과 입에서 의 양볼 너비 사이의 각도를 나타내며, 02(ARChinDniouth, An gle of Rchin to Dmouth)는 턱 중심과 입 크기 사이의 각도를 의 미 하며 , 9 3( ARnoseDeye, Angle of Rnose to Deye)는 코중심 에 서 양눈중심사이의 각도를 마지막으로 们(ARnxn血Deye, An gle of Rrnouth to Deye)는 입 중심에서 양 눈 중심 사이의 각 도를 나타낸다. 본 논문에서 각각의。는 레이블링으로부터 특징점 추출 알고리즘을 적용한 후 추출된 눈, 코, 입, 턱의 객체에서 얼굴의 특징 벡터로부터 추출하였다.
- RGB 칼라영 상을 HSI 공간으로 변환하여 얼굴피부색에 대한 색상 값을 얻어낸 후, 색상(Hue) 성분을 가지고 일정 범위 내에 있는 객체들을 레이블링(Labeling) 연산을 통해 찾아내 객체들 중 가장 큰 객체를 얼굴 후보 영역으로 선정하고 이렇게 찾아진 얼굴 후보영역에서 얼굴영역의 일정한 명암도(In tensity) 성분과 얼굴영역의 에지정보를 추출하여 이를 피 부색상 정보를 사용한 데이터와 복합적으로 적용하여 얼굴 영역 이외의 부분을 제거하여 얼굴영역만을 검출하도록 하 였다. 또한 검출된 얼굴영역에서 소벨, 이진화, 모폴로지, 레이블링 등의 전처리과정을 수행후 눈, 코, 입 등과 같은 특징들을 추출하고, 추출된 각 특징들의 상대적 크기, 위치, 구조적인 관계값들과 같은 얼굴특징벡터를 추출하였고, 또 한 4개의 얼굴 안면각들을 제안, 안면각 정보를 추출하였으 며 특징벡터와 안면각 정보들로 부터 최종적으로 얼굴인식 을 수행하도록 하였다.
- 얼굴영역을 직접 추출하 는 데 있어서 정확하고 신뢰성 있는 추출을 위해 순차적으 로 알고리즘을 적용하였으며 얼굴 피부색 정보와 에지정보 를 사용하여 얼굴검출의 정확성을 개선하였다. 또한 눈, 코, 입 등과 같은 특징자와 특징자들의 기하학적 관계로 표시 되는 얼굴특징벡터 및 얼굴안면각을 사용하여 얼굴 인식률 을 개선하였다. (그림 17)에 제안한 알고리즘을 사용하여 얼굴을 인식하는 전체 과정을 나타내었다.
- 로방향 윤곽선 중에서 밝은 그레이 영역에서 어두운 그레 이 영역으로 이동하는 부분에 존재하는 윤곽선을 얻어내는 연산으로 얼굴의 특징점을 얻기 위한 전처리를 한다. 윤곽 선 검출 알고리즘으로는 윤곽선이 비교적 균일하고 특징점 이 뚜렷이 구해지는 소벨(Sobel) 연산자를 선택하였다.
- 모폴로지의 팽창 과정을 거친 영상을 레이블링(Labeling) 과정을 통해서 연결 성분끼리 동일 라벨을 붙여 다음 단계 에서 레이블을 이용해 특징점 추출을 용이하게 한다. 본 논 문에서는 전처리 단계의 마지막으로 각 객체를 분리해 내 기 위해서 레이블링 알고리즘을 사용함으로써 약 10〜20개 내외의 각 객체를 분리해 낼 수 있었다. 팽창 연산 적용 결 과 영상에 레이블링 알고리즘을 적용하여 약 10개의 객체 를 얻어 낸 결과 영상을 (그림 6)에 나타내었다.
- 그밖에 눈썹과 눈 사이의 거리, 두 눈썹 간의 거리를 구할 수 있다. 본 논문에서는 눈, 코, 입의 위 치와 그들 상호 간의 최소/최대값의 평균치를 이용해서 비 율의 오차 값을 줄였다. 특징점 사이의 거리 비율은 유클리 디언 거리식으로 계산된다.
- 본 논문에서는 얼굴인식을 위한 파라메터로서 추출된 각 특징점들의 상대적인 관계값과 특징자들의 기하학적 특징벡 터값을 포함시켜서 구성하였다. 특징점들의 비율의 관계값이 란 각 특징점들의 화소 단위의 거리를 비율로 나타낸 것이며 특징자들의 기하학적 특징벡터값이란 얼굴영역에서 눈, 코, 입, 턱의 구조적 위치값과 특징자로부터 추출되는 기하학적 안면각을 이용하는 알고리즘이다.
- 본 논문에서는 파라미터 방법에 기반을 두어 정확하고 신뢰성 있는 얼굴 영역을 추출하는데 있어 칼라 정보와 명 암도 및 에지정보를 이용하였으며, 소벨, 이진화, 팽창, 레 이블링 등의 전처리 알고리즘을 순차적으로 적용하여 얼굴 의 구성 성분을 추출하였다. 제안한 알고리즘에서는 색상과 명암도 및 에지 정보를 동시에 이용함으로써 눈, 코, 입 등 의 특징점 추출에 있어 추출율을 높일 수 있었으며, 추출된 각 얼굴특징들로부터 구조적 얼굴특징벡터 및 4개의 얼굴 안면각들을 이용하여 얼굴을 인식함으로써 최종 인식율을 개선할 수 있었다.
- 본 논문에서 사용된 실험 환경은 복잡하지 않은 배경과 일정한 조명 및 얼굴 특징추출에 심하게 영향을 주지 않는 표본을 사용으로 환경을 제한하였다. 실험 영상은 칼라 CCD 카메라로부터 정면에서 획득한 256 x 256 크기의 약 150개의 정지 영상을 사용하였으며, 얼굴피부색 검출을 위해서는 약 500개 정도의 칼라 얼굴영상에 대해 MCPD(Multi-Channel Photo Detector) 분광측정기를 사용하여 얼굴피부색의 색 상, 색농도, 명도값을 추출하였다. 얼굴영역을 직접 추출하 는 데 있어서 정확하고 신뢰성 있는 추출을 위해 순차적으 로 알고리즘을 적용하였으며 얼굴 피부색 정보와 에지정보 를 사용하여 얼굴검출의 정확성을 개선하였다.
- 실험 영상은 칼라 CCD 카메라로부터 정면에서 획득한 256 x 256 크기의 약 150개의 정지 영상을 사용하였으며, 얼굴피부색 검출을 위해서는 약 500개 정도의 칼라 얼굴영상에 대해 MCPD(Multi-Channel Photo Detector) 분광측정기를 사용하여 얼굴피부색의 색 상, 색농도, 명도값을 추출하였다. 얼굴영역을 직접 추출하 는 데 있어서 정확하고 신뢰성 있는 추출을 위해 순차적으 로 알고리즘을 적용하였으며 얼굴 피부색 정보와 에지정보 를 사용하여 얼굴검출의 정확성을 개선하였다. 또한 눈, 코, 입 등과 같은 특징자와 특징자들의 기하학적 관계로 표시 되는 얼굴특징벡터 및 얼굴안면각을 사용하여 얼굴 인식률 을 개선하였다.
- 얼굴인식을 위해서는 앞서 언급한 특징점들의 거리값, 각 특징점들의 상대적인 비율값과 같은 특징벡터값과 01, 02, 03, 과 같은 4개의 안면각들을 사용하여 얼굴을 각각 분 류 및 인식하도록 하였다.
- 로방향 윤곽선 중에서 밝은 그레이 영역에서 어두운 그레 이 영역으로 이동하는 부분에 존재하는 윤곽선을 얻어내는 연산으로 얼굴의 특징점을 얻기 위한 전처리를 한다. 윤곽 선 검출 알고리즘으로는 윤곽선이 비교적 균일하고 특징점 이 뚜렷이 구해지는 소벨(Sobel) 연산자를 선택하였다. (그 림 4)에 소벨 연산자를 적용한 결과 영상을 나타내었다.
- 전처리 단계의 마지막인 레이블링으로 부터 얼굴 영상에 서 특징점이 되는 눈, 코, 입 등의 특징점 추출 후, 각 특징 점들의 좌표에서 해당 성분의 구조적 위치 값을 구한다. 이 러한 특징점들의 구조적 위치 값을 데이터 베이스화하여 각각의 얼굴 영상의 데이터로 저장하여 특정 얼굴 영상이 다른 얼굴 영상과 구별할 수 있도록 하였다.
- 레이블링 후 영상내의 모든 블록은 얼굴의 구성요소로서 간주되는데 앞에서 언급한 각 특징점들 추출의 제약조건 알고리즘을 적용한 결과 눈, 코, 입 등의 각 특징점들을 추 출할 수 있다. 이상의 방법으로 전처리 단계 과정의 마지막 인 레이블링 결과 영상과 레이블링으로부터 눈, 코, 입 등 의 특징점 추출 알고리즘을 적용하여 얻어낸 결과영상을 (그림 11)에 제시하였다.
- 본 논문에서는 파라미터 방법에 기반을 두고 얼굴인식률 을 개선하고자 인간의 시각체계와 비교적 유사한 HSI 칼라 좌표계상에서 얼굴피부색에 대한 정보를 추출하여 얼굴피 부색의 색상정보와 명암도 정보를 동시에 사용하여 얼굴영 역의 검출율을 개선하였고, 또한 추출된 얼굴영역으로부터 얼굴특징자 추출, 특징자간의 상대적 특징벡터 및 4개의 얼 굴 안면각들을 이용하여 얼굴 인식율을 개선하고자 하였으 며 실시간 처리가 가능한 시스템 구현에 목적을 두었다. 제 안한 알고리즘에서는 효율적인 얼굴영역 검출을 위해 인간 의 시각체계와 비교적 유사한 HSI 칼라좌표계에서 색상정 보와, 명암도 정보를 복합적으로 사용하였다. RGB 칼라영 상을 HSI 공간으로 변환하여 얼굴피부색에 대한 색상 값을 얻어낸 후, 색상(Hue) 성분을 가지고 일정 범위 내에 있는 객체들을 레이블링(Labeling) 연산을 통해 찾아내 객체들 중 가장 큰 객체를 얼굴 후보 영역으로 선정하고 이렇게 찾아진 얼굴 후보영역에서 얼굴영역의 일정한 명암도(In tensity) 성분과 얼굴영역의 에지정보를 추출하여 이를 피 부색상 정보를 사용한 데이터와 복합적으로 적용하여 얼굴 영역 이외의 부분을 제거하여 얼굴영역만을 검출하도록 하 였다.
- 즉, RGB 형태의 입력된 영상을 HSI 좌표계로 변환[15]하 고, 얼굴피부색의 색상 정보를 이용하여 일정 범위 안에서 비 슷한 색상 정보가 밀집해 있는 객체들을 레이블링(Labeling) 연산을 통해 찾아내고, 이 범위에 있는 모든 객체 중 가장 큰 객체를 얼굴 후보 영역으로 추출한다. 식 (1)〜식 (3)은 입력영상의 RGB값을 HSI 값으로 변환하는 식을 나타내었 다.
성능/효과
- 따라서 이러한 얼굴피부색에 대한 특성을 이용하여 본 논 문에서는 얼굴 영역을 정확히 검출하고자 HSI 칼라공간[15] 에서의 얼굴피부색에 대한 색상 정보와 에지정보를 동시에 얼굴영역 추출에 이용하였다. 본 논문에서는 황인종을 기준 으로 얼굴 영역을 검출하는데 사용하였으나 제시한 인종별 칼라 정보를 사용하면 인종별 피부색 검출도 적응적으로 가능함을 알 수 있다.
- 3%의 인식율을 나타내었다. 실험결과 머 리카락, 화장 등 특징들이 얼굴 특징벡터 추출시 오류들을 발생시킬 수 있으며 또한 얼굴표정 변화가 있을 경우 얼굴 안면각들의 변화가 발생되며 이는 인식율 저하로 나타남을 알 수 있었다.<표 6>에 제안한 알고리즘을 순차적으로 적 용한 결과 인식율을 나타내고 있다.
- 실험에서는 총 150개의 Sample 영상에서 알고리즘 적용 결과 얼굴 영역을 검출한 영상은 147개로서 98.0%의 검출 율을 나타내었으며, 특징벡터를 사용하였을 경우 143개의 영 상으로 95.3%, 특징벡터와 특징각을 사용한 경우에는 146 개의 영상으로 97.3%의 인식율을 나타내었다. 실험결과 머 리카락, 화장 등 특징들이 얼굴 특징벡터 추출시 오류들을 발생시킬 수 있으며 또한 얼굴표정 변화가 있을 경우 얼굴 안면각들의 변화가 발생되며 이는 인식율 저하로 나타남을 알 수 있었다.
- 각。의 분류 결과 A형 구조는 얼굴이 작고 양 뺨의 거 리가 작은, 좁은 형태의 얼굴로서 대부분 여성의 얼굴이 이 에 속하였으며, B형 구조는 일반적인 평범한 얼굴로 둥근 형태의 얼굴들이 이 구조에 속하며, C형 구조는 양 뺨 사이 의 거리가 긴, 넓은 형태의 얼굴로서 대부분 남성들이 이에 속하였다. 시뮬레이션 결과 각 구조별로 세분화하여 나타낸 。결과 영상을 (그림 16)에 제시하였다.
- 본 논문에서는 파라미터 방법에 기반을 두어 정확하고 신뢰성 있는 얼굴 영역을 추출하는데 있어 칼라 정보와 명 암도 및 에지정보를 이용하였으며, 소벨, 이진화, 팽창, 레 이블링 등의 전처리 알고리즘을 순차적으로 적용하여 얼굴 의 구성 성분을 추출하였다. 제안한 알고리즘에서는 색상과 명암도 및 에지 정보를 동시에 이용함으로써 눈, 코, 입 등 의 특징점 추출에 있어 추출율을 높일 수 있었으며, 추출된 각 얼굴특징들로부터 구조적 얼굴특징벡터 및 4개의 얼굴 안면각들을 이용하여 얼굴을 인식함으로써 최종 인식율을 개선할 수 있었다. 향후 다양한 입력 얼굴영상을 대상으로 얼굴 특징벡터에 대한 추가적인 연구와 다양한 외부조명 환경 및 다양한 안경착용 영상에서의 적응적인 얼굴 인식 에 대한 연구를 추가함으로써 얼굴 인식율을 개선시킬 수 있을 것이다.
후속연구
- 제안한 알고리즘에서는 색상과 명암도 및 에지 정보를 동시에 이용함으로써 눈, 코, 입 등 의 특징점 추출에 있어 추출율을 높일 수 있었으며, 추출된 각 얼굴특징들로부터 구조적 얼굴특징벡터 및 4개의 얼굴 안면각들을 이용하여 얼굴을 인식함으로써 최종 인식율을 개선할 수 있었다. 향후 다양한 입력 얼굴영상을 대상으로 얼굴 특징벡터에 대한 추가적인 연구와 다양한 외부조명 환경 및 다양한 안경착용 영상에서의 적응적인 얼굴 인식 에 대한 연구를 추가함으로써 얼굴 인식율을 개선시킬 수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.