[논문]얼굴 인식 성능 향상을 위한 재분류 방법

배경률

얼굴 인식 성능 향상을 위한 재분류 방법
Re-classifying Method for Face Recognition 원문보기

최근 생체인식에 대한 관심이 증가하면서 출입 통제나 사용자 인증과 같은 보안 분야에 적용이 활발히 진행되고 있다. 특히 얼굴인식은 생체인식 기술 중 사용자 편의성과 접촉 거부감이 적어 활용성이 증대되고 있으나 타 인식기술에 비해 인식 결과의 정확성과 재시도율(Re-attempt Rate)에 취약한 단점이 있다. 본 논문에서는 이러한 단점을 보완하기 위해 데이터 분류 방법(Data Classification Algorithm)으로 인식 결과를 재분류(Re-Classification)하는 접근법에 대해서 제안하고자 한다. 본 실험을 위해서 대표적인 형상 기반(Appearance-based) 알고리즘인 PCA를 사용하였고, 200명(총 얼굴 영상 200장)을 대상으로 제안한 재분류 접근법을 적용한 결과 재인식의 경우 성능이 향상되었음을 확인하였다.

In the past year, the increasing concern about the biometric recognition makes the great activities on the security fields, such as the entrance control or user authentication. In particular, although the features of face recognition, such as user friendly and non-contact made it to be used widely, unhappily it has some disadvantages of low accuracy or low Re-attempts Rates. For this reason, I suggest the new approach to re-classify the classified data of recognition result data to solve the problems. For this study, I will use the typical appearance-based, PCA(Principal Component Analysis) algorithm and verify the performance improvement by adopting the re-classification approach using 200 peoples (10 pictures per one person).

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서 제안하는 데이터 재분류 방법을 적용한 시스템의 테스트를 위해서 총 200명(1인당 10장씩의 얼굴 영상)을 등록시켜 두고, 임의의 참여자를 선발해서 각 10회씩 기존 시스템과 제안한 시스템을 이용해서 테스트해 보았다. 연구의 목표는 두 시스템 간 성능 측정 기준이 되는 FAR 과 FRR의 비교로써 속도 및 재시도 비율의 차이를 평가를 분석해 제안한 시스템이 어느 정도의 성능 향상을 가져오는가를 확인하였다. 그림 5(a) 는 두 시스템간의 FAR(타인 수락율)의 도수 값을 나타낸 그래프이며, 그림 5(b)는 FRR(본인 거부율)에 대한 도수 값을 나타낸 것이다.

제안 방법

임계값 내에 속하는 벡터 집단은 1~3개 사이의 집단으로 축소되기 때문에 학습 얼굴의 수가 증가할수록 축소되는 효율은 비례적으로 증가한다. 또한 이미 축소된 벡터집단은 후보로 지정되어 있어서 정렬 없이 읽어 들여 정렬에 필요한 처리량을 줄이는 방법을 이용하였다. 다음 그림 3은 후보거리 측정이 추가된 처리 구조를 표현한 것이다.
따라서, 일반적인 얼굴인식 분류기를 이용하되 가능한 재시도율을 최소화하는 후처리 기법(Post-processing)을 이용해서 정확성을 높이는 방법을 선택하였다. 또한 현재의 결과만 가지고 진위 여부를 결정하기에는 다소 무리가 있기 때문에 본 논문에서 제안하는 데이터 재분류 방법에서는 결과의 수준에 따라 그룹을 만들고 다음 인식 시도에서 얻어진 결과 그룹과 이전 결과 그룹 간의 유사성을 비교함으로써 인식의 확률을 높일 수 있도록 하였다.
연구에 대한 실험은 전처리보다는 후처리 기법을 통한 성능 향상에 초점을 두고 있으므로 전처리 과정 중 얼굴을 탐지 및 정규화하는 과정은 생략하고 128 X 128 크기에 양쪽 눈의 위치를 동일하게 정규화한 200명의 얼굴 영상(총 2000장의 얼굴 영상)을 활용하였으며, 얼굴인식을 위해서는 대표적인 형상기반 얼굴인식 알고리즘인 PCA (Principal Component A* nalysis) 사용하여 시스템을 구현하였다. 본 논문의 2장에서는 기존의 얼굴 결과를 도출하는 얼굴인식 분류기에 대한 개념과 방법에 대한 소개 및 취약성에 대해서 분석해보고, 3장에서 기존 얼굴인식 분류기의 취약점을 개선하기 위해 사용될 데이터 분류 방법과 얼굴인식 결과 재분류 방법을 제안한다.

대상 데이터

본 논문에서 제안하는 데이터 재분류 방법을 적용한 시스템의 테스트를 위해서 총 200명(1인당 10장씩의 얼굴 영상)을 등록시켜 두고, 임의의 참여자를 선발해서 각 10회씩 기존 시스템과 제안한 시스템을 이용해서 테스트해 보았다. 연구의 목표는 두 시스템 간 성능 측정 기준이 되는 FAR 과 FRR의 비교로써 속도 및 재시도 비율의 차이를 평가를 분석해 제안한 시스템이 어느 정도의 성능 향상을 가져오는가를 확인하였다.
이들 얼굴 분류기는 앞서 살펴본 인식 단계 중 3, 4단계(특징추출 및 매칭)에 있어 간단하면서도 효율적인 전처리 분류 방법으로 알려져 있다. 본 논문에서는 후처리 분류 방법의 제안에 중점을 두고 있으므로 가장 일반적인 전처리 분류기인 PCA 방식만을 대상으로 시스템을 구현하였다.

이론/모형

2001). 따라서, 일반적인 얼굴인식 분류기를 이용하되 가능한 재시도율을 최소화하는 후처리 기법(Post-processing)을 이용해서 정확성을 높이는 방법을 선택하였다. 또한 현재의 결과만 가지고 진위 여부를 결정하기에는 다소 무리가 있기 때문에 본 논문에서 제안하는 데이터 재분류 방법에서는 결과의 수준에 따라 그룹을 만들고 다음 인식 시도에서 얻어진 결과 그룹과 이전 결과 그룹 간의 유사성을 비교함으로써 인식의 확률을 높일 수 있도록 하였다.
2001). 이런 기존 방법에 대한 보상기법으로서 본 논문에서는 후보 거리 측정 (Candidate Distance Measure)을 이용하였고, 기존 인식 시스템에서도입하지 않았던 후처리 분류 방법으로 1대1 분류기 (One-fo-One Matching ClassiSer)를 이용하는 방법, 그리고 재시도의 경우 전체 얼굴을 검색해야 하는 비효율적인 부분을 보상하는 후보 기반 영역 재검색 방법(Candidate Regiai-based Re-Searching Scheme)을 적용 하였다.

성능/효과

기존 시스템의 경우는 1회 타인의 얼굴이 Acceptance를 기록하고 나머지 4회는 임계 범위 내 진입이 이루어져 출입통제나 사용자 인증과 같은 보안의 긴밀성을 요하는 시스템에 있어서 치명적인 오류를 드러냈다. 그림 5(b)에 대한 테스트 결과는 본인에 대한 거부로 재시도가 일어나는 비율로 기존 시스템의 평균 거부율이 제안시스템의 평균 거부율보다 전반적으로 높은 수치를 보였다. 이로 인한 인식 속도의 차이는 최대 1325m/s까지 차이를 보였다.
1995). 따라서 단순 재시도 방법보다는 후보 거리 측정에 의해 선택된 후보벡터집단을 순차적으로 일대일 매칭함으로써 1회 시도에서 실패하더라도 2회 시도 대상이 후보벡터집단으로 축소되며, 재시도 처리 시간을 줄일 수 있었다. 그림 4(a)에서는 후보 거리 측정에 의한 인식 처리 구조 내 일대일 분류기를 세부적으로 표현하였다.
5차 시도와 7차 시도는 임계 범위에 근접하지 못해서 시도 횟수가 증가한 Worst Case이다. 따라서 일반적인 데이터 분류 방식으로는 본인 거부 횟수가 10회 인식에 평균 4회 시도하였으며, 1번 시도에 평균 53Qm/s를 기록해서 10회 인식에 평균 2120m/s의 인식처리 시간을 소비하였다.
일대일 분류기로 분류된 후보벡터집단은 여러 번 시도가 일어나는 경우에 매칭해야 하는 얼굴벡터의 수를 줄일 수 있었다. 이전에 시도한 인식 참가자가 인식에 성공하지 못하고 재시도에 다시 참여한 경우 새로 입력된 얼굴벡터는 기존의 학습 벡터 집단이 아닌 임계 범위 내에서 가장 근사한 1~3개로 압축된 후보벡터집단과 매칭된다.
전반적으로 본 연구에서 제안한 기법이 기존 시스템보다 성능 면에서 우월함을 보여 보안 시 스템과 같은 보다 강인한 얼굴인식 시스템을 구축할 수 있다. 그러나 초기 시도시 강제재시도가 일어나는 점은 차후 다양한 인종과 환경, 학습집 단의 크기를 테스트하여 최적화된 학습집단을 선정하고, 좀 더 효율적인 분류기 알고리즘을 도입한다면 얼굴인식 시스템의 성능을 높일 수 있을 것으로 기대한다.
특히, 학습 얼굴 집단의 크기가 더 클 경우에는 후보 기반 영역 재검색 방법이 인식 속도 면에서 월등히 높은 성능을 보여주었고, 전처리 과정과 주변 환경이 유리할 경우 기존 시스템 이 후처리 시간에서 약간의 우위를 보이기도 했다.

후속연구

전반적으로 본 연구에서 제안한 기법이 기존 시스템보다 성능 면에서 우월함을 보여 보안 시 스템과 같은 보다 강인한 얼굴인식 시스템을 구축할 수 있다. 그러나 초기 시도시 강제재시도가 일어나는 점은 차후 다양한 인종과 환경, 학습집 단의 크기를 테스트하여 최적화된 학습집단을 선정하고, 좀 더 효율적인 분류기 알고리즘을 도입한다면 얼굴인식 시스템의 성능을 높일 수 있을 것으로 기대한다.

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

얼굴 인식 성능 향상을 위한 재분류 방법
Re-classifying Method for Face Recognition 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

얼굴 인식 성능 향상을 위한 재분류 방법 Re-classifying Method for Face Recognition 원문보기

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

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

배경율 (14)

관련 콘텐츠

원문 보기

원문 URL 링크

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

얼굴 인식 성능 향상을 위한 재분류 방법
Re-classifying Method for Face Recognition 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper