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
- AdaBoost 방법은 영상 내의 거대한 특징 집합으로부터 중요한 작은 특징 집합을 선택하여 연산량을 줄이는 방법으로 Harr-like 특징과 인테그랄이미지를 적용하여 빠르고 정확한 얼굴 후보 영역을 검출한다. 본 논문에서는 AdaBoost에 의해 검출된 얼굴 영역의 정확성을 향상시키기 위해 SVM을 이용한 얼굴 검증과정을 추가하였다. AdaBoost의해 검출된 얼굴 영역의 특징 벡터에 대해 SVM 기반이 진분류[8, 9]를 수행하여 얼굴 영역의 영상이 얼굴 인지 아닌지를 판별하였다.
- 본 논문에서는 SVM 검증을 이용하여 빠른 실시간 얼굴 검증 시스템을 구현하였다. 얼굴 검출 과정에서 입력 영상이 들어오면, SVM의 특징계수를 이용하여 얼굴 영상과 비 얼굴 영상의 판별을 거친 다.
- 조명 보정은 극단적인 빛(light)의 각도에 따른 격심한 그림자를 줄이기 위해 사용하였다. 히스토그램 평활화는 이미지 내의 명암값의 분포가 특정 값으로 집중되거나 균일하지 못한 영상에 대하여 일정한 명암값의 분포를 갖도록 하여 이미지 내의 조명 밝기의 차이와 카메라의 노출에 따른 웅답곡선을 보정하기 위해 사용하였다. 모션 추적은 동영상 내에서 얼굴의 움직임이 발생한 경우에 얼굴 검출을 수행하기 위해 사용하였다.
제안 방법
- AdaBoost 기반 객체 검출 방법을 이용하여 검출된 얼굴 후보 영역의 특징 벡터에 대해 SVM을 이용하여 검출된 후보영역이 얼굴인지 아닌지를 검증하였다. SVMe 이진 분류기로서 얼굴과 비 얼굴을 각각 얼굴(+1 ) 클래스와 비 얼굴(-1) 클래스 로 분류하여 학습을 수행하였다.
- AdaBoost 분류 방법은 간단한 Harr-like 특징들을 인테그랄 이미지를 이용하여 연산을 빠르게 하였고, 캐스케 이 드 구조는 스테 이 지별로 특징수를 다르게 하여 초기 스테이지에서 많은 배경을 제거하여 계산 속도를 빠르게 하였다. AdaBoost 기법에 의해 검출된 얼굴 영역의 특징계수에 대하여 SVM 기반 이진 분류를 수행하여 얼굴 검출의 정확도를 향상시켰다. 기존 AdaBoost기법만을 이용한 얼굴 검출 방법에서 발생할 수 있는 오검출률을 SVM을 적용함으로써 큰 폭으로 낮출 수 있었다.
- 본 논문에서는 AdaBoost에 의해 검출된 얼굴 영역의 정확성을 향상시키기 위해 SVM을 이용한 얼굴 검증과정을 추가하였다. AdaBoost의해 검출된 얼굴 영역의 특징 벡터에 대해 SVM 기반이 진분류[8, 9]를 수행하여 얼굴 영역의 영상이 얼굴 인지 아닌지를 판별하였다. 본 논문에서 제안하는 다중 얼굴 검출 시스템의 실험은 AdaBoost 방법만을 사용하여 얼굴 후보 영역을 검출한 경우에 발생할 수 있는 오인식된 얼굴 영역을 검증하기 위흐H AdaBoost 방법과 SVM 방법을 함께 적용하여 얼굴검출을 하였다 이 경우, AdaBoost 방법만을 사용했을 때의 얼굴 영역 검출시간은 극히 적은 시간이 증가하였지만 얼굴 검출 인식률에 있어서 AdaBoost 기법만을 사용했을 경우의 오검출률 3.
- AdaBoost 기반 객체 검출 방법을 이용하여 검출된 얼굴 후보 영역의 특징 벡터에 대해 SVM을 이용하여 검출된 후보영역이 얼굴인지 아닌지를 검증하였다. SVMe 이진 분류기로서 얼굴과 비 얼굴을 각각 얼굴(+1 ) 클래스와 비 얼굴(-1) 클래스 로 분류하여 학습을 수행하였다.
- 학습 기반 알고리즘은 학습과정에서 사용자가 직접 학습 샘플 데이터, 매개변수(Parameter)값, 커널함수를 미리 결정해야 한다. 그러므로 気적의 성능을 구현하기 위해 다양한 데이터를 학습 알고리즘에 적용하여 실험에 의한 최적의 값을 선택하였다. AdaBoost 분류 방법은 간단한 Harr-like 특징들을 인테그랄 이미지를 이용하여 연산을 빠르게 하였고, 캐스케 이 드 구조는 스테 이 지별로 특징수를 다르게 하여 초기 스테이지에서 많은 배경을 제거하여 계산 속도를 빠르게 하였다.
- 그러나 비디오 영상 또는 카메라를 이용한 시스템은 낮은 해상도에서 빠른 시간 내에 변하는 이미지의 정보를 이용하여 얼굴 검출 정확성과 함께 빠른 응답을 요구하게 된다. 따라서 본 논문에서는 낮은 해상도의 저가형 웹 카메라에서 실시간 다중 얼굴 검출을 위해 이미지 내의 픽셀들의 정보에서 특징 (feature) 정보를 생성하고 이를 이용하는 방법을 사용하였다. 이러한 특징 정보를 이용하여 얼굴 영역을 검출하는 과정의 가장 큰 문제점은 주어진 이 미지 내에 존재하는 다양한 크기의 얼굴을 찾기 위해 멀티스케일의 검색 윈도우를 이용하여 주어진 이미지상에서 쉬프트 하면서 스캔 과정을 수행하는데 이는 많은 연산을 필요로 한다.
- 히스토그램 평활화는 이미지 내의 명암값의 분포가 특정 값으로 집중되거나 균일하지 못한 영상에 대하여 일정한 명암값의 분포를 갖도록 하여 이미지 내의 조명 밝기의 차이와 카메라의 노출에 따른 웅답곡선을 보정하기 위해 사용하였다. 모션 추적은 동영상 내에서 얼굴의 움직임이 발생한 경우에 얼굴 검출을 수행하기 위해 사용하였다. 모션 추적을 계산하기 위해서는 이전 프레임과 현재 프레임의 차이를 이용하였고, 움직임이 발생한 경우에 대하여 얼굴 후보 영역 검출을 수행하였다.
- 모션 추적은 동영상 내에서 얼굴의 움직임이 발생한 경우에 얼굴 검출을 수행하기 위해 사용하였다. 모션 추적을 계산하기 위해서는 이전 프레임과 현재 프레임의 차이를 이용하였고, 움직임이 발생한 경우에 대하여 얼굴 후보 영역 검출을 수행하였다.
- 얼굴 후보 영역이 얼굴 인지 아닌지를 판단하기 위해서 비선형 SVM 분류기를 이용하였고, 2차 다항식 커널과 페널티를 C=200으로 설정하였다. 본 논문에서 적용한 AdaBoost기법과 SVM의 복합 알고리즘의 성능을 테스트하기 위해 순수 SVM의 학습과 검증도 함께 실험하였다. 그림 11은 AdaBoost 알고리즘을 단독으로 사용하여 얼굴 영역을 검출할 경우의 오검출된 얼굴 영역의 예이다.
- 본 논문에서 제안한 AdaBoost오+ SVM을 이용한 얼굴 검증을 실험하기 위해 순수 AdaBoost 방법과 AdaBoost-SVM 복합 알고리즘 방법을 구축하였다. 첫 번째, 식(12) 와 같이 SVM의 학습을 위해 훈련 이미지를 19x19=361 크기로 정규화하고 마스크를 적용하여 훈련데이터를 만들었다.
- 본 논문에서는 SVM을 이용하여 AdaBoost 기법을 이용한 얼굴 검출에서 발생할 수 있는 오검출율을 낮추었다. 본 논문에서 사용된 AdaBoost와 SVMe 모두 통계적 학습 기반 알고리즘이다.
- 본 논문에서는 얼굴 검출의 연산 속도를 향상 시 키기 위해 그림 3과 같이 AdaBoost 분류를 캐스케이드 구조로 만들어 적용하였다. 캐스케이드 구 조는 여러 개의 스테이지를 나누고 스테이지별 약 한 분류기의 수를 다르게 하여 수행하는 방법이다.
- 본 논문에서는 얼굴 후보 영역을 검출하기 위해 입력 영상에 대한 전처리 단계로 조명 보정, 히스토그램 평활화, 모션 추척 과정을 적용하였다. 조명 보정은 극단적인 빛(light)의 각도에 따른 격심한 그림자를 줄이기 위해 사용하였다.
- 비선형 SVMe 선형 분리가 불가능한 경우에 입력 공간을 분리하는 비선형 최적 결정면을 이용하기 위해 두 벡터의 내적을 나타내기 위한 커널 함 수로 입력 공간의 내적을 특징 공간의 내적으로 변 형 시켜 고차원으로 투영하여 계산을 용이하게 한다.
- 얼굴 검출 단계에서 입력 이미지에 대하여 얼굴 검색 윈도우를 일정 크기로 멀티스케일 하면서 일 정 간격으로 입력 영상 위에서 쉬프트 하면서 스캔을 수행하였고, 모든 서브 윈도우에 대해 스테이지 분류기를 통해 얼굴 영역을 분류하였다. 초기 스테이 지에서 많은 수의 배경영상이 제 거되 었고, 다음 스테이지는 이전 스테이지에서 제거되지 않은 배경영상을 제거하여 고려해야 하는 영상의 개수를 감소시켰다.
- 각 얼굴, 비 얼굴 이미지들은 SVM의 학습용 훈련데이터로 이용하였다. 얼굴 후보 영역이 얼굴 인지 아닌지를 판단하기 위해서 비선형 SVM 분류기를 이용하였고, 2차 다항식 커널과 페널티를 C=200으로 설정하였다. 본 논문에서 적용한 AdaBoost기법과 SVM의 복합 알고리즘의 성능을 테스트하기 위해 순수 SVM의 학습과 검증도 함께 실험하였다.
- 이와 같이 생성된 훈련 데이터는 식(13)과 같이 나타낼 수 있다. 이러한 훈련데이 터에 비선형 SVM을 적용하였고, 오류 허용 매개 변수 C는 200으로 설정하여 학습을 수행하였다.
- 본 논문에서는 얼굴 후보 영역을 검출하기 위해 입력 영상에 대한 전처리 단계로 조명 보정, 히스토그램 평활화, 모션 추척 과정을 적용하였다. 조명 보정은 극단적인 빛(light)의 각도에 따른 격심한 그림자를 줄이기 위해 사용하였다. 히스토그램 평활화는 이미지 내의 명암값의 분포가 특정 값으로 집중되거나 균일하지 못한 영상에 대하여 일정한 명암값의 분포를 갖도록 하여 이미지 내의 조명 밝기의 차이와 카메라의 노출에 따른 웅답곡선을 보정하기 위해 사용하였다.
대상 데이터
- AdaBoost얼굴 검출에 필요한 학습을 위해 MIT 얼굴 데이터베이스μ2]를 이용하였다’ 그림 9의 MIT 얼굴 DB는 훈련용 데이터로 총 6, 977개 이미 지(얼굴 :2, 429개 비 얼굴 : 4, 548개)로 구성되고, 시험용 데이터로 총 24, 045개 이미지(얼굴 : 472개, 비 얼굴 : 23, 573개)로 구성되어 있다.
- SVM 학습 단계에서는 BioID 얼굴 정규화 데이터와 MIT CBCL의 훈련용 얼굴, 비 얼굴 데이터베이스를 이용하였다. 각 얼굴, 비 얼굴 이미지들은 SVM의 학습용 훈련데이터로 이용하였다.
- SVM 학습 단계에서는 BioID 얼굴 정규화 데이터와 MIT CBCL의 훈련용 얼굴, 비 얼굴 데이터베이스를 이용하였다. 각 얼굴, 비 얼굴 이미지들은 SVM의 학습용 훈련데이터로 이용하였다. 얼굴 후보 영역이 얼굴 인지 아닌지를 판단하기 위해서 비선형 SVM 분류기를 이용하였고, 2차 다항식 커널과 페널티를 C=200으로 설정하였다.
- Harr-like 특징계수를 이용해서 얼굴 영역을 검출하면, 유동적인 얼굴의 특성에도 강인한 검출 성능을 보인다. 이미지 내에서 Han-like 사각형의 픽셀 합계 계산을 빠르게 수행하기 위해 인테그랄 이미지를 사용하였다.
- 학습 이미지의 크기는 24x24로 정규화 하였고 24개의 스테이지 캐스케이드 구조로서 처음 5개의 스테이지의 특징계수의 수는 1, 10, 25, 25, 50로 각각 설정하였고 나머지 스테이지는 점점 증가 시켜 최종 전체 특징계수는 6061개를 사용하였다.
이론/모형
- Harr-like 특징 추출 단계에서 생성된 얼굴 특징 계수를 이용하여 얼굴을 분류하기 위해서 본 논문에서는 Adaptive Boosting(AdaBoost) 기법과 캐스케이드(cascade) 구조를 이용하였다
- 본 논문에서 AdaBoost 학습을 위해 총 24개의 스테이지를 이용하였고, AdaBoost 알고리즘을 이용한 얼굴 검출 학습의 결과로 그림 4의 첫 번째 특징(약한 분류기)과 두 번째 특징(약한 분류기)의 예가 표시되어 있다. 첫 번째 특징은 눈 영역과 뺨 영역의 다른 명도가 측정되어 선택되었고, 두 번째 특징은 두 눈 사이의 다른 명도로 측정되어 선택되었다.
- 본 논문에서 얼굴 검출을 위한 특징으로 Papa georiou et al[5, 6]에 의해 제안된 간단하면서도 연산이 빠른 Harr-like 특징을 얼굴 검출을 위한 특징 집합으로 사용하였다. Harr-like 특징은 인테그랄 이미지를 이용하여 빠르게 연산 할 수 있다.
성능/효과
- AdaBoost 기법에 의해 검출된 얼굴 영역의 특징계수에 대하여 SVM 기반 이진 분류를 수행하여 얼굴 검출의 정확도를 향상시켰다. 기존 AdaBoost기법만을 이용한 얼굴 검출 방법에서 발생할 수 있는 오검출률을 SVM을 적용함으로써 큰 폭으로 낮출 수 있었다.
- 본 논문에서는 SVM을 이용하여 AdaBoost 기법을 이용한 얼굴 검출에서 발생할 수 있는 오검출율을 낮추었다. 본 논문에서 사용된 AdaBoost와 SVMe 모두 통계적 학습 기반 알고리즘이다. 학습 기반 알고리즘은 학습과정에서 사용자가 직접 학습 샘플 데이터, 매개변수(Parameter)값, 커널함수를 미리 결정해야 한다.
- 본 논문에서 제안하는 SVM 얼굴 검출 방법은 표 2의 실험결과와 같이 AdaBoost 기법만을 사용하여 오인식된 얼굴 영역을 SVM과 AdaBoost 기법을 함께 적용하여 얼굴 영역을 검증함으로써 검출률과 검출시간의 큰 변동 없이 오검출률을 낮출 수 있었다.
- AdaBoost의해 검출된 얼굴 영역의 특징 벡터에 대해 SVM 기반이 진분류[8, 9]를 수행하여 얼굴 영역의 영상이 얼굴 인지 아닌지를 판별하였다. 본 논문에서 제안하는 다중 얼굴 검출 시스템의 실험은 AdaBoost 방법만을 사용하여 얼굴 후보 영역을 검출한 경우에 발생할 수 있는 오인식된 얼굴 영역을 검증하기 위흐H AdaBoost 방법과 SVM 방법을 함께 적용하여 얼굴검출을 하였다 이 경우, AdaBoost 방법만을 사용했을 때의 얼굴 영역 검출시간은 극히 적은 시간이 증가하였지만 얼굴 검출 인식률에 있어서 AdaBoost 기법만을 사용했을 경우의 오검출률 3.80%에서 SVM 기법을 병행했을 경우의 0.22%로 정확도가 향상되었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.