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
- 본 논문에서는 검출된 얼굴 후보 영상에 대하여 피부색을 이용하여 얼굴을 검출하였다. 선정된 영역에 대하여 피부색을 이용하여 유사한 특징을 가진 영역 이 후보 영역으로 검출되는 경우 해당 영역을 제외시켰다.
- 본 논문에서는 실시간 영생에서 얼굴을 검출햄에 있어서 처리 속도와 정확도를 높이기 위해 다음과 같은 알고리즘을 제안하였다. 움직임 검출을 통해 ROI를 선정한 후 Haar-like feature를 이용한 특징 기반으로 얼굴 후보 영역을 선별하고 후보 영역에 대하여 피부색을 가진 픽셀의 비율을 이용하여 얼굴을 검출하였다.
제안 방법
- 실시간으로 들어오는 모든 영상 프레임마다 각 프레임의 전체 영역을 ROI로 선정하면 계산양이 많고 처리 시간이 많이 걸린다. 그래서 각 프레임마다 움직임을 검출하여 검출된 영역을 ROI로 선정하였다. 실시간 영상에서 R0I7I- 선정되지 않은 경우에는 검출된 움직임이 없는 경우 이므로 정지영상으로 판단하여 이전 영상에서 검출된 얼굴 영역의 위치를 기반으로 이전에 검출된 얼굴 영상이 한 명인 경우에는 2배 확대된 범위를 설정하고 두 명 이상인 경우에는 각 위치를 병합하여 ROI로.
- 설정하였다. 만약 사전에 검출된 얼굴 영역이 없는 경우는 이전 영상들이 정지영상이며 어떠한 위치에서도 얼굴이 검출될 가능성이 있기 때문에 전체 프레임에 대하여 검사를 실시하였다. 움직임 영역검출 및 ROI 선정 순서는 (그림2)에 나타내었다.
- 본 제안된 알고리즘을 성능을 측정하고 평가하기 위해 PC카메라에서 획득된 63개의 영상을 사용하여 기존의 방법인 전체 영상의 검출 시간과 ROI의 영역 선정을 통한 처리 속 도를 측정하였다. 측정된 값은 각각 100번의 검출 시간을 측정 후 그 평균값을 나타내었다.
- 실시간 영상에서 연속적인 두 개의 프레임을 입력받아 움직임을 검출하고 이것을 이용하여 검색 영역을 선정한다. 움직임이 검출되지 않는 경우에는 이 전의 프레임들에서 검출된 얼굴 영역의 위치정보를 기반으로 검색 영역을 선정한다.
- F(x,y)는 피부색을 가진 픽셀과 아닌 픽셀로 구성된 이진영상이다. 얼굴 영역으로 판단하는 기준은 사전에 동일한 조명하에서 획득한 3초의 길이를 가진 1000개의 동영상에서 검출 돤 얼굴 영역에 대하여 피부색을 가진 픽셀의 비율을 조사하여 얼굴로 인정하는 임계값을 선정하였다. 실험 결과에 의해 피부색을 가진 픽셀수의 비율이 32% 이상 80% 미만인 경우가 판정 조건으로 선정되었다.
- <표 1>에서 보이는 것처럼 움직임이 검출된 프레임에 대하여 얼굴 검출을 전체 영역에 대하여 시도하는 경우와 ROI 를 이용하여 처리하는 경우의 처리 시간을 비교하였다. 실험을 수행한 결과는 ROI< 적용하지 않은 경우에는 5500ms ~ 6000ms의 시간이 소요되었으며 RONI 대하여 시도하는 경우에는 4050 ~ 4250ms의 시간이 소요됨을 알 수 있다.
- 선정된 영역에 대하여 피부색을 이용하여 유사한 특징을 가진 영역 이 후보 영역으로 검출되는 경우 해당 영역을 제외시켰다. 영역에 포함되는 피부색을 가진 픽셀을 조사하기 위해서 YCbCr 색 공간에서 Cb와 Cr성분을 Chai등이 제안한 피부 색 참조맵을 이용하여 피부색으로 인정되는 경우 1로 설정하고 아닌 경우 0으로 설정하였다〔15〕. 수식(5)은 피부색으로 인정되는 범위를 나타내었다.
- 본 논문에서는 실시간 영생에서 얼굴을 검출햄에 있어서 처리 속도와 정확도를 높이기 위해 다음과 같은 알고리즘을 제안하였다. 움직임 검출을 통해 ROI를 선정한 후 Haar-like feature를 이용한 특징 기반으로 얼굴 후보 영역을 선별하고 후보 영역에 대하여 피부색을 가진 픽셀의 비율을 이용하여 얼굴을 검출하였다. 움직임 검출을 이용하여 ROI를 선정하는 것은 검색할 영역의 축소로 인해 처리 속도를 크게 향상시킨다.
- 입력된 영상에서 다수의 사람이 존재하는 경우에는 한 사 람만이 움직일 수도 있고 나머지 사람들의 움직임은 검출되지 않을 수도 있다. 이런 문제를 해결하기 위해서 이전에 검출된 얼굴 위치를 검색하여 검색된 영역이 움직임 영역 안에 포함되지 않는다면 해당 영역의 좌상변 좌표와 움직임 영역으로 검출된 우하변 좌표로 이루어지는 영역을 ROI로 선정하였다.
- (그림 14)은 실시간 얼굴 영역 검출을 위해 구현된 시뮬레이션 화면이다. 입력받은 영상에서 움직임을 추출하고 ROI영역을 선정하며, 얼굴 후보 영역을 검출하며 피부색을 이용하여 얼굴을 검출한 결과를 나타내었다.
- 제안된 방법에서는 영상 내에 사용된 특징값들을 추출하고 다양한 비율에 대하여 신속하게 처리를 하기 위해서 Integral image를 도입하였다. 입력된 영상의 좌표값이 (x, y)인 경우의 Integral image는 (x,y)좌표의 좌상변의 모든 픽셀들의 합을 포함한다.
- 제안된 알고리즘은 선정된 후보 영역에 대하여 얼굴 검출을 위해 피부색을 이용함으로서 유사한 특징을 가진 '배경이나 물체가 얼굴로 검출되는 오류를 방지하였다.
- 분류기의 학습에 사용된 AdaBoost 알고리즘은 다수의 특징 집합으로부터 작은 수의 핵심적인 특징을 선택하는 알고리즘으로서 성능이 월등한 분류기를 만들어내며 연속적인 영상에서 적용하기에 적합한 장점들을 가지고 있다〔12H13〕. 최종 생성되는 분류기는 계층적인 구조를 가지고 있으며 사전의 초기화 작업을 통해 동일한 사이즈인 20개의 얼굴 이 미지와 얼굴이 아닌 이미지 20개를 선정한 후 분류기에게 1000번의 학습을 수행하도록 하였다. 학습을 위해 사용된 사진을 ORL 얼굴 데이터베이스에서 임의로 선택하여 사용 하였다〔14〕.
대상 데이터
- 우로 돌리는 문제 등은 고려하지 않았고 입력 영상이 정면 얼굴 영상일 경우만 고려하였다. 본 논문에서 제안하는 방법을 구현하기 위해 소프트웨어로는 VC++6.0을 이용하였으며 실험에 사용된 하드웨어로는 펜티엄 4 1.7GHz 및 512MB의 RRM을 가진 PC와 저가형 PC카메라를 사용하였다. 획득한 영상의 크기는 3*22400의 24비트 컬러영상 이며 PC카메라의 초당 처리 속도FPS .
- 본 논문에서는 실시간 입력되는 영상에서 검색 영역을 선정하기 위해 프레임마다 가변적으로 R01 를 선정하였다. 실시간으로 들어오는 모든 영상 프레임마다 각 프레임의 전체 영역을 ROI로 선정하면 계산양이 많고 처리 시간이 많이 걸린다.
- 본 실험은 카메라의 움직임이고정되어있고 조명의 변화가 크지 않은 환경을 가진 일반 사무실에서 녹화한 63개의 동영상을 이용하였다. 실험 영상은 영상에 포함된 사람의 수가 1인인 경우 30개와 2인인 경우 30개 그리고 3인 이상인 경우의 동영상 3개로 구성시켰다.
- 본 실험은 카메라의 움직임이고정되어있고 조명의 변화가 크지 않은 환경을 가진 일반 사무실에서 녹화한 63개의 동영상을 이용하였다. 실험 영상은 영상에 포함된 사람의 수가 1인인 경우 30개와 2인인 경우 30개 그리고 3인 이상인 경우의 동영상 3개로 구성시켰다. 실시간 얼굴을 검출하는 것을 목적으로 실험이 이루어지기 때문에 고개를 좌 .
- 최종 생성되는 분류기는 계층적인 구조를 가지고 있으며 사전의 초기화 작업을 통해 동일한 사이즈인 20개의 얼굴 이 미지와 얼굴이 아닌 이미지 20개를 선정한 후 분류기에게 1000번의 학습을 수행하도록 하였다. 학습을 위해 사용된 사진을 ORL 얼굴 데이터베이스에서 임의로 선택하여 사용 하였다〔14〕. (그림6)은 학습에 사용된 얼굴이미지들을 나타내었다.
- 7GHz 및 512MB의 RRM을 가진 PC와 저가형 PC카메라를 사용하였다. 획득한 영상의 크기는 3*22400의 24비트 컬러영상 이며 PC카메라의 초당 처리 속도FPS . Frame Per Second )는 30이었다.
데이터처리
- 동영상 내 ROI의 크기는 가변적으로 변하며 처리 시간은 크기에 비례하게 된다.<표 2>에서는 64개의 프레임을 가진 63개의 동영상에 대하여 ROI를 선정하여 적용한 영상과 적용하지 않은 영상 간의 각 프레임의 평균 처리 시간을 비교하였다. 실험 결과는 ROI를 사용하면 평균적으로 각 프레임의 처리 시간이 감소함을 나타내었다.
- 피부색만을 이용한 검출은 유사한 색상이 검출되는 문제점을 가지고 있으며 형태정보를 이용한 비슷한 모양이 검출되는 문제점을 가지고 있다.<표4>은 기존 연구에서 사용하던 피부색과 에지정보를 이용한 방법, 특징정보만을 이 용 한 방법과 제안된 방법의 평균 오류율을 비교하였다. 실험결과 제안된 알고리즘이 기존의 방법에 비해 낮은 오류율을 나타내어서 정확도가 향상되었음을 알 수 있다.
- 본 제안된 알고리즘을 성능을 측정하고 평가하기 위해 PC카메라에서 획득된 63개의 영상을 사용하여 기존의 방법인 전체 영상의 검출 시간과 ROI의 영역 선정을 통한 처리 속 도를 측정하였다. 측정된 값은 각각 100번의 검출 시간을 측정 후 그 평균값을 나타내었다.
이론/모형
- 본 논문에서는 얼굴 후보 영역을 위하여 이전 단계에서 선정된 ROI에 대하여 사전에 선정된 얼굴 영상에 대하여 Haar-like feature를 사용하여 특징값을 추출한 후 AdaBoost 학습 알고리즘을 적용하여 생성된 계층적 구조를 가진 분류기를 사용하였다〔10〕〔11〕.
- 따라서 <표 3>에 나타난 검출 성공률은 각 동영상에 대한 평균을 나타내었다. 실험에 사용된 얼굴 검출 방법은 피부색을 이용한 방법을 적용하지 않고 HaaHike feature에 의한 방법만을 사용하여 측정하였다.
- 움직임을 탐지하기 위한 방법은 상관 기반기법, 광류기반 기법, 움직임 기반기법, 차영상 방법 등이 있는데 본 논문에서는 구현이 쉬우며 겨] 산이 적다고 알려진 차 영상 방법을 사용하였다〔8〕. 입력된 영상은 YCbCr 색공간으로 변환시키고 연속되는 두 영상을 가지고 Y값을 이용하여 차 영상을 구한다.
성능/효과
- 구현된 시뮬레이션 결과는 입력된 영상 내에서 검색 영역을 가변적으로 적용함으로서 얼굴 검출을 위해 필요한 연산의 양을 최소화하여 효율성이 향상이 된다는 것을 보여주었으며, Haar-like feature를 이용하여 얼굴 형태의 특징값을 이용하여 얼굴을 검출함으로서 유사한 색상이 얼굴로 검출하는 것을 방지하였다. 또한.
- ROI를 선정하면 입력 영상에서 필요 없는 배경을 제외함으로서 수행할 검사 영역을 줄임으로서 검출 성공률이 증가된다.<표3>는 구현된 시뮬레이션 프로그램을 이용하여 ROI을 선정한 경우와 미선정의 경우에 있어서 검출 성공률을 비교하여 제안된 방법이 검출 성공률이 증가됨을 보였다. 실험에 사용된 동영상에 따라 성공률은 차이를 보인다.
- <표 2>에서는 64개의 프레임을 가진 63개의 동영상에 대하여 ROI를 선정하여 적용한 영상과 적용하지 않은 영상 간의 각 프레임의 평균 처리 시간을 비교하였다. 실험 결과는 ROI를 사용하면 평균적으로 각 프레임의 처리 시간이 감소함을 나타내었다.
- <표4>은 기존 연구에서 사용하던 피부색과 에지정보를 이용한 방법, 특징정보만을 이 용 한 방법과 제안된 방법의 평균 오류율을 비교하였다. 실험결과 제안된 알고리즘이 기존의 방법에 비해 낮은 오류율을 나타내어서 정확도가 향상되었음을 알 수 있다. 위에서 언급한 4가지의 실험을 통해서 본 논문에서 제시한 알고리즘이 실시간 영상에서 얼굴 검출에 있어서 약 30%의 처리 속도의 향상과 96.
- <표 1>에서 보이는 것처럼 움직임이 검출된 프레임에 대하여 얼굴 검출을 전체 영역에 대하여 시도하는 경우와 ROI 를 이용하여 처리하는 경우의 처리 시간을 비교하였다. 실험을 수행한 결과는 ROI< 적용하지 않은 경우에는 5500ms ~ 6000ms의 시간이 소요되었으며 RONI 대하여 시도하는 경우에는 4050 ~ 4250ms의 시간이 소요됨을 알 수 있다.
- 실험결과 제안된 알고리즘이 기존의 방법에 비해 낮은 오류율을 나타내어서 정확도가 향상되었음을 알 수 있다. 위에서 언급한 4가지의 실험을 통해서 본 논문에서 제시한 알고리즘이 실시간 영상에서 얼굴 검출에 있어서 약 30%의 처리 속도의 향상과 96.8%의 정확도를 보였다.
- 선정된 영역에 대하여. 조 명에 비교적 강인한 YCbCr 색 공간에서 피부색 정보를 사용하여 얼굴을 검출하여 비슷한 모양의 특징들을 가진 영상이 얼굴로 선택되는 것을 방지하여 얼굴 검출의 정확성이 향상됨을 보여주었다.
후속연구
- 제안된 알고리즘은 실시간 얼굴 검색 시스템이나 얼굴인식을 위한 전처리 과정으로 사용될 수 있으며 검출된 얼굴의 특성을 이용하여 실시간 감정 인식 등에 활용될 수 있다. 향후 연구에서는 보다 정밀한 얼굴 검출을 위해 외부 환경적 요인에 강인하며 고개를 좌.
- 제안된 알고리즘은 실시간 얼굴 검색 시스템이나 얼굴인식을 위한 전처리 과정으로 사용될 수 있으며 검출된 얼굴의 특성을 이용하여 실시간 감정 인식 등에 활용될 수 있다. 향후 연구에서는 보다 정밀한 얼굴 검출을 위해 외부 환경적 요인에 강인하며 고개를 좌. 우로 돌리는 경우에 있어서의 효율적인 얼굴 검출 방법에 대한 연구가 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.