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.
가설 설정
- ④ 얼굴의 기울어짐은 최초 학습된 DB의 이미지에 대비하여 좌우로의 기울어짐이 15도 이내로 가정한다.
제안 방법
- 먼저 색상 기반으로 얼굴을 추출한 후 에지, 모폴로지, 히스토그램 등의 다양한 연산을 이용하여 객체를 추출한다. 그리고 눈동자의 크기를 기준으로 해서 다른 객체들 간의 비율적 거리를 계산하고, 추출된 객체와 학습 데이터베이스의 유사도 비교를 통해서 인식을 하였다.
- 눈동자의 형태적 특징을 기준으로 허용치 이내에서 두 눈동자의 크기가 계산되었을 경우 이 두 값의평균을 눈동자의 가로 크기로 계산하고, 허용치를 넘어간 한쪽은 포기하며 각 눈의 X좌표가 다르게 나왔을 때는 두 좌표의 조합을 통해서 눈동자의 크기를 계산하였다. 이차원 평면 좌표계에서 각 객체들의 크기나 거리를 계산하기 위해서 일반적으로 가장 많이 쓰이는 유클리디안 거리 (Euclidean distance)를이 용하였으며 계산식은 (식 12)와 같다.
- 것이다. 먼저 색상 기반으로 얼굴을 추출한 후 에지, 모폴로지, 히스토그램 등의 다양한 연산을 이용하여 객체를 추출한다. 그리고 눈동자의 크기를 기준으로 해서 다른 객체들 간의 비율적 거리를 계산하고, 추출된 객체와 학습 데이터베이스의 유사도 비교를 통해서 인식을 하였다.
- 본 논문에서 제안호)는 방법은 출입통제 시스템과 같은 특정한 도메인이 설정된 상황 하에서 얼굴을 추출한 후 인증된 사용자인지를 판단하는 것이다. 먼저 색상 기반으로 얼굴을 추출한 후 에지, 모폴로지, 히스토그램 등의 다양한 연산을 이용하여 객체를 추출한다.
- 이때 사람마다의 화장, 안경, 조명, 표정, 얼굴의 기울어짐 등의 다양성으로 인해 얼굴 영역분리에 어려움이 많다. 본 논문에서는 사람의 정상적인 얼굴의 정면에 한정하였으며 색상 정보와 밝기 정보에 기반하여 얼굴 영역을 추출한다. 색상 정보에 기반하여 얼굴 영역을 추출하는 경우 색상과 밝기에 민감하게 반응한다는 단점이 있지만 제한된 환경 하에서는 이러한 문제점이 상대적으로 덜 작용되며, 색상이나 밝기에 민감한 RGB 컬러 공간을 색상과 밝기만을 검사하여 사용할 수 있는 HSI 컬러 공간으로 변환한 후 H(hue), S(saturation) 값이 정해진 픽셀 값만을 선택함으로써 얼굴 영역을 추출한다.
- 본 논문에서는 타당한 얼굴 영역이라고 판단이 되었올 경우 얼굴 영역을 분리해서 얼굴의 특징으로 분리한 눈썹, 눈, 입술과 얼굴의 윤곽선을 이용하여 추출된 각 객체들 사이의 크기나 위치 둥의 비율적인 특성을 계산하게 된다. 이렇게 계산된 비율적 톡성은 미리 학습된 객체와의 유사도를 비교하고, 또한 분리된 객체의 유사도를 비교하여 인식율을 높임으로써 시스템의 신뢰성을 높이는 방법에 대해 제안한다.
- 추출한다. 우선 얼굴 영역에서 가장 커다란 특징을 보이는 눈 영역을 찾는데, 눈 영역을 찾기 위해서 에지(edge)를 추출하는 소벨(sobel) 연산자를 사용하였다. 소벨 연산자는 2차 미분 연산자이므로 비교적 연산 속도가 느리기는 하지만 일반적으로 좋은 성능을 보이기 때문에 소벨 연산자를 사용하였으며 검색된 눈의 위치 정보를 기반으로 눈썹과 입술 후보 영역을 검색하게 된다.
- 특성을 계산하게 된다. 이렇게 계산된 비율적 톡성은 미리 학습된 객체와의 유사도를 비교하고, 또한 분리된 객체의 유사도를 비교하여 인식율을 높임으로써 시스템의 신뢰성을 높이는 방법에 대해 제안한다.
- 이 얼굴 영역 안에서 눈과 눈썹, 입술의 후보 영역을 추출하는 더], 우선 다른 객체에 비해서 특징적인 눈 영역을 추출한 후 이 영역을 참조로 하여 눈썹과 입술을 찾아낸다. 이렇게 찾아진 객체가 있을 때 각 객체의 후보영역을 대웅 객체라고 판단한 후 각 객체의 위치와 크기정보를 계산한다. 계산된 객체의 비율 계산적인 데이터는 미리 학습된 데이터베이스와 비교한다.
- 이와 같은 방법을 이용하여 [그림 6]에 나온 비율계산과 같은 여러 가지 특징을 추출 하였는데, 이때본 연구에서 사용한 특징은 왼쪽 눈동자의 크기, 오른쪽 눈동자의 크기, 눈동자 사이의 거리, 눈에서 입술 수평 라인까지의 거리, 눈에서 코끝라인까지의 거리, 입술 수평라인에서의 얼굴크기, 콧구멍 간 거리 등 총 7개의 특징을 추출하여 비율계산을 하는데 사용하였으며 데이터베이스에 저장된 최초 입력영상의 비율과 새로 들어온 입력영상의 비율 계산 결과는 과 같다.
- 같은 영상끼리 비교한 결과는 50db 로 나타나고, 유사성이 높을수록 50db 에 가까우며, 차이를 보일수록 낮은 db로 나타나게 됨을 알 수 있다. 추출한 객체의 크기는 28x20 픽셀로 정규화 시켰으며 크기가 차이 날 경우 크기를 조정하여 학습된 DB이미지의 크기와 비슷하도록 조정하였다. 이때 추출된 객체영상은 히스토그램 스트레칭 (Histogram Stretching) 연산을 적용하여 명암도를 균등하게 조정해줌으로써 좀 더 좋은 결과를 얻을 수있었다.
- 후보 얼굴 영역이 결정되었을 때 적합한 얼굴인지를 판단하기 위해서 얼굴내의 특징적인 눈과 눈썹, 입술을 추출한다. 우선 얼굴 영역에서 가장 커다란 특징을 보이는 눈 영역을 찾는데, 눈 영역을 찾기 위해서 에지(edge)를 추출하는 소벨(sobel) 연산자를 사용하였다.
이론/모형
- 본 연구에서도 색상 정보를 이용하여 얼굴 후보영역을 추출해내는데, RGB(Red Green Blue)의 삼원색올 이용하면서로 가산될 수 있으며 컬러 분광요소들이 색상 결정에 미치는 효과 변수가 너무 많이 발생하게 된다. 또한 이미지의 밝기 변화에 민감한 단점을 가지고 있기 때문에 밝기 변화에 보다 덜 민감한 HSI 컬러모델을 이용한다. HSI 컬러 모델은 색상(Hue), 채도 (Saturation), 명도(Intensity)의 세 가지 특성을 가지고 컬러 값을 해석하는 모델이므로 색상 값만을 분해하여 보다 쉽게 컬러 영역을 추출해 낼 수 있다.
- 따라서 MSE는 입력 영상과 비교 영상 간에 평균적인 차이 값과 비슷해진다. 이동 물체를 검출하는 알고리즘은 현재의 영상과 다른 영상 간에 유사도를 계산하는 또 다른 방법인 평균자승오차를 이용하여 이동벡터를 구하게 된다. 일반적인 이동벡터의 계산은 블록 매칭 알고리즘을 이용하여 검색한 후, 정규화 된 현재 영상과 이전 영상을 비교하여 가장 일치율이 높은 블록을 찾으며 이때 사용되는 일치율의 척도는 MAD(Mean Absolute Difference) 를 사용한다.
- 이동 물체를 검출하는 알고리즘은 현재의 영상과 다른 영상 간에 유사도를 계산하는 또 다른 방법인 평균자승오차를 이용하여 이동벡터를 구하게 된다. 일반적인 이동벡터의 계산은 블록 매칭 알고리즘을 이용하여 검색한 후, 정규화 된 현재 영상과 이전 영상을 비교하여 가장 일치율이 높은 블록을 찾으며 이때 사용되는 일치율의 척도는 MAD(Mean Absolute Difference) 를 사용한다.
성능/효과
- <표 5>와 같다. 같은 영상끼리 비교한 결과는 50db 로 나타나고, 유사성이 높을수록 50db 에 가까우며, 차이를 보일수록 낮은 db로 나타나게 됨을 알 수 있다. 추출한 객체의 크기는 28x20 픽셀로 정규화 시켰으며 크기가 차이 날 경우 크기를 조정하여 학습된 DB이미지의 크기와 비슷하도록 조정하였다.
- 계산된 객체의 비율 계산적인 데이터는 미리 학습된 데이터베이스와 비교한다. 그 결과 비율의 유사성이 있다고 판단되었을 경우 얼굴의 전체 영역이 아닌 추출된 얼굴의 각 요소별로 데이터베이스에 저장된 내용과 유사도 검색을 하여 비율계산적으로 나온 결과와 유사도 검색을 통한 결과를 종합하여 최종적으로 인증된 사용자 인지 아닌지를 판단하게 된다.
- 본 연구에서는 HSI 컬러 공간을 이용하였지만 실험중에 Y1Q나 YUV 컬러 공간에 대한 변환에서도 거의 같은 결과를 얻을 수 있었다. (식 4)는 YIQ(Luminosity, Inphase, Qurdrature) 컬러 공간변환에 대한 행렬식인데, Y성분은 흑백 이진영상으로 나타내고, I성분은 오렌지색과 청록색 색상정보를 포함하며, Q성분은 녹색과 자홍색을 포함한다.
- 본 연구에서는 H성분만이 아닌 S성분까지 고려하여 얼굴을 추출함으로써 H성분만으로 추출할 때보다 약간 향상된 결과를 얻을 수 있었다. 다음의 (식 1)과 (식 2)는 RGB 컬러 공간에서 HSI의 H성분과 S성분을 얻기 위한 식이다.
- 본 연구에서는 명암도 보정을 위해 히스토그램 연산에 기초한 스트레칭(stretching)과 이퀄라이제이션(equalization)을 이용하였는데, 본 실험환경 하에서는 이퀄라이제이션 보다는 스트레칭 연산이 더 적합함을 알 수 있었다. 이퀄라이제이션은 영상의 전체적인 콘트라스트(contrast) 비율을 좋게 개선시키며 일정한 분포도를 가진 히스토그램을 생성한다.
- 결과는 [그림 3]과 같다. 이때 H와 S의 기준치 (threshold)값은 피부색의 분산에 의해 결정되는데 실험 결과 기준치 값이 10에서 20사이 일 때 가장 잘 검출됨을 알 수 있었다.
- 추출한 객체의 크기는 28x20 픽셀로 정규화 시켰으며 크기가 차이 날 경우 크기를 조정하여 학습된 DB이미지의 크기와 비슷하도록 조정하였다. 이때 추출된 객체영상은 히스토그램 스트레칭 (Histogram Stretching) 연산을 적용하여 명암도를 균등하게 조정해줌으로써 좀 더 좋은 결과를 얻을 수있었다.
- 제안 방법의 실험에서 7명의 사용자들을 대상으로 각각 20번씩 테스트해 본 결과 83%의 인식률을나타내었다.
- 않다. 하지만 색상성분 영역에서 프로젝션을 수행 하게 되면 눈썹과 입술 영역에서도 강한 특성을 나타냄을 실험적인 결과로 알 수 있었다. 소벨 연산자와 색상성분의 영역에서 프로젝션을 수행하여 각 객체들의 후보 위치를 찾아낸 결과는 [그림 4]와 같다.
후속연구
- 예를 들면 눈동자의 방향이 마우스를 대신할 수 도 있으며 암호가 아닌 사람의 얼굴 자체가 암호가 되어 특정 사용자만이 시스템을 사용할 수 있도록 할 수 있올 것이다. 또한 가정이나 사무실의 개인용 컴퓨터에 장착된 화상카메라를 이용하여 낮은 가격으로 편리하고 신뢰성 있는 영상보안시스템 구축이 가능하며, 이를 모바일과 접목하면 기존의 시스템보다도 더 적극적인 보안시스템으로의 발전이 가능할 것이다.
- 현재 특징으로서 계산되는 특징 벡터가 적으므로 향후에는 각도, 방향 등의 특징 성분과 다른 특징요소들에 대한 연구를 수행하여 정확성을 향상시킬필요가 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.