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
- 파올 비올라는 4종류의 특징 모형을 사용하여 좋은 결과를 얻었다[7]. 본 논문에서는 파올 비올라의 방법을 확장하여 [그림 1]과 같이 고유한 얼굴의 특징을 추출하는데 이용할 8종류의 웨이블릿을 제안하였다. [그림 1]의 (a), (b)는 에지의 특징, (c), (d), (f), (g)는 라인의 특징, (h)는 포인트의 특징, (e)는 대각선의 특징을 나타낸다.
- 본 논문에서는 한 프레임에 다중의 얼굴이 검출되었을 경우 처음에 얼굴을 추적하기 위하여 영상의 중심과 각각의 얼굴의 중심의 거리에 따라 얼굴 추적의 우선순위를 두었다.
- 본 논문은 계층적 분류기를 제안하여, 계산의 효율성과 검출 성능을 동시에 만족시키며, 얼굴 영역의 다양성을 수용할 수 있는 강인한 검출 및 추적 알고리즘을 구현하고자 한다. 제안한 알고리즘은 분류기 학습, 실시간 얼굴 영역 검출, 추적의 세 단계로 구성된다.
- 본 논문은 실시간 영상 감시를 위한 얼굴 검출 및 추적에 대한 알고리즘을 제안하였다. 얼굴 검출은 8 종류의 간단한 웨이블릿 특징을 이용하였다.
- 여기에서는 계산 시간을 줄이면서도 성공률을 높이기 위해 계층적 분류기를 어떻게 구성하느냐에 대하여 설명한다. 분류기들은 얼굴을 검출하고 비얼굴은 제거하도록 구성된다.
제안 방법
- 얼굴 검출은 8 종류의 간단한 웨이블릿 특징을 이용하였다. 각각의 특징들은 훈련 영상에 맞추어 다양한 초기 특징 집합을 구성하였다. 이렇게 만들어진 초기의 특징 집합과 얼굴과 배경으로 이루어진 훈련 영상은 AdaBoost 알고리즘을 이용하여 얼굴과 비얼굴을 분류할 수 있는 분류기 생성 학습을 하였다.
- 따라서 일정한 기준 에러율을 두고 거기에 맞추어 선택적으로 특징을 구하였다.
- 얼굴 추적은 검출된 얼굴 영역의 중심을 전체 영상의 중심으로 이동하는 것을 기본 방법으로 설정하였다. 또한 얼굴 검출 실패에 따른 얼굴 추적 실패를 방지하기 위해 10프레임 간에 얼굴의 위치와 크기 정보를 저장하였다.
- 원 MIT CBCL 훈련 데이터는 19*19 크기로 구성되어 있다. 본 논문에서는 얼굴 데이터들과 특징들 간에 계산의 효율성을 높이기 위해 20*20 크기로 정규화 하였다. 얼굴 데이터는 2901개를 사용하였고 비얼굴 데이터는 5600개를 사용하였다.
- 많은 시간이 걸린다. 본 논문에서는 이와 같은 계산 시간을 줄이기 위해 학습하기 전에 훈련 영상의 집합을 특징값 누적 영상(Integral Image)으로 변환하였다. 훈련 영상을 특장값 누적 이미지로 변환하는 이유는 방대한 특징 집합과 계산에서 연산량을 줄이기 위해서다.
- 대한 알고리즘을 제안하였다. 얼굴 검출은 8 종류의 간단한 웨이블릿 특징을 이용하였다. 각각의 특징들은 훈련 영상에 맞추어 다양한 초기 특징 집합을 구성하였다.
- 얼굴 추적은 Pan-Tilt 카메라를 통해 동적으로 가시 영역을 확장해가며, 추출된 얼굴 영역의 위치와 크기 정보를 이용하여 실시간으로 추적한다. 추적시, 검출된 얼굴 영역의 중심을 전체 영상의 중심에 두도록 설정하며, 따라서 검출된 영역의 중심 좌표와 전체 영상의 중심 좌표는 pan/tilt 카메라를 제어하는 파라미터로 이용된다.
- AdaBoost 알고리즘을 통하여 계층적 분류기를 얻을 수 있었고 계층적 분류기는 실시간 얼굴 검출에 높은 성능을 보였다. 얼굴 추적은 Pan-Tilt 카메라를 통해 동적으로 가시 영역을 확장해가면서, 검출된 얼굴 영역의 위치와 크기 정보를 이용하여 실시간으로 이루어졌다. 얼굴 추적은 검출된 얼굴 영역의 중심을 전체 영상의 중심으로 이동하는 것을 기본 방법으로 설정하였다.
- 얼굴 추적은 Pan-Tilt 카메라를 통해 동적으로 가시 영역을 확장해가면서, 검출된 얼굴 영역의 위치와 크기 정보를 이용하여 실시간으로 이루어졌다. 얼굴 추적은 검출된 얼굴 영역의 중심을 전체 영상의 중심으로 이동하는 것을 기본 방법으로 설정하였다. 또한 얼굴 검출 실패에 따른 얼굴 추적 실패를 방지하기 위해 10프레임 간에 얼굴의 위치와 크기 정보를 저장하였다.
- 얼굴 추적은 얼굴 검출율이 매우 높다는 것을 기본 전제로 하여 검출된 얼굴의 크기정보와 위치정보를 이용하여 추적한다.
- 하면서 이루어진다. 영상의 중심과 얼굴의 중심의 위치 정보를 이용하여 Pan-Tilt를 구동하기 위한 파라미터를 결정한다. 이때 얼굴의 움직임을 부드럽게 하기 위하여 얼굴의 중심과 영상의 중심의 거리에 따라 가우시안 분포 가중치를 적용한다.
- 분류기는 3,000여개의 얼굴 영상과 5,600여개의 비얼굴 영상으로 구성된 훈련 영상 집합과 57,761개의 특징 집합으로 AdaBoost 알고리즘을 적용하여 학습된다. 이때의 특징 집합은 제안된 8개의 웨이블릿 특징 모형을 기반으로 하여 다양한 특징을 생성한다. 생성된 계층적 분류기는 높은 정확도를 가진 분류기들이 단계적으로 결합됨으로써 우수한 검출 성능을 가진다.
- 제안된 알고리즘은 계산의 효율성과 검출 성능을 동시에 만족시키는 강인한 검출 및 추적 알고리즘이다. 알고리즘은 제안된 8종류의 특징 모형을 이용하여, 얼굴 패턴에 대한 중요한 구조적 특징을 성공적으로 추출한 것으로 평가된다.
- 구현하고자 한다. 제안한 알고리즘은 분류기 학습, 실시간 얼굴 영역 검출, 추적의 세 단계로 구성된다.
- 초기 특징 집합과 얼굴, 비얼굴 훈련 영상을 이용하여 학습을 한다. AdaBoost알고리즘은 초기 특징 집합에서 얼굴을 가장 잘 검출할 수 있는 특징의 선택과 분류기(classifier) 학습을 동시에 한다.
- 특징 모형의 선택은 이후에 전체 얼굴 검출의 연산 속도에 결정적인 영향을 미치게 되기 때문에 매우 중요하다. 파올 비올라는 4종류의 특징 모형을 사용하여 좋은 결과를 얻었다[7]. 본 논문에서는 파올 비올라의 방법을 확장하여 [그림 1]과 같이 고유한 얼굴의 특징을 추출하는데 이용할 8종류의 웨이블릿을 제안하였다.
대상 데이터
- 본 논문에서는 AdaBoost알고리즘을 이용하여 얼굴 검출하기 위해 MIT CBCL 얼굴 데이터를 이용하였다. 원 MIT CBCL 훈련 데이터는 19*19 크기로 구성되어 있다.
- 본 논문은 총 5장으로 구성된다. 1장은 서론으로 얼굴 검출 및 추적 시스템에 대한 전반적인 소개와 본 논문에서 제시하고자하는 방법을 요약하고 있다.
- 본 논문에서는 얼굴 데이터들과 특징들 간에 계산의 효율성을 높이기 위해 20*20 크기로 정규화 하였다. 얼굴 데이터는 2901개를 사용하였고 비얼굴 데이터는 5600개를 사용하였다. 본 논문에서는 학습을 위한 파라미터를 몇 가지로 정하였다.
- 후에 초기 특징 집합들은 다시 학습을 통하여 얼굴을 가장 잘 구별할 수 있는 특징들로 선택될 가능성이 있기 때문에 매우 중요하다. 제안된 8종류의 특징 모형을 사용하여 생성된 초기 특징 집합의 전체 수는 57,761개이다.
- 이용하였다. 총 130개의 영상에는 507개의 얼굴이 포함되었다. 표 1은 제안된 알고리즘과 기존의 얼굴검출 기법간의 검출율을 비교한 것이다.
- 050보다 커지면 다음 단계로 전이된다. 최종적인 학습 계층은 20계층으로 선택하였고 얼굴 검출율이 90%이상이 될 때까지 학습하였다.
이론/모형
- 본 논문에서는 얼굴 검출에 필요한 특징을 추출하기 위해 AdaBoost(Adaptive Boosting)알고리즘을 사용하였다. AdaBoost알고리즘의 기본 개념은 약한 분류기(Weak classifier)를 선형적으로 결합하여 최종적으로 높은 검출 성능을 가진 강한 분류기(Strong classifier)를 생성하는 것이다[11-12].
- 분류기는 3,000여개의 얼굴 영상과 5,600여개의 비얼굴 영상으로 구성된 훈련 영상 집합과 57,761개의 특징 집합으로 AdaBoost 알고리즘을 적용하여 학습된다. 이때의 특징 집합은 제안된 8개의 웨이블릿 특징 모형을 기반으로 하여 다양한 특징을 생성한다.
- 얼굴 추적 단계는 이전 단계에서 검출된 얼굴 영역의 위치와 크기 정보를 이용하며, Pan-Tilt 카메라를 통해 실시간으로 수행된다.
- 제안된 얼굴 검출 알고리즘 다양한 조명 변화와 복잡한 환경, 얼굴 영역에 겹침 현상이 발생하였을 때도 강인함을 보였다. 얼굴 추적은 Pan-Tilt카메라를 이용하여 실험하였다. 실험결과 평균 12프레임의 속도로 얼굴 추적이 가능하였다.
- 이는 실시간검출에 있어서 기존의 방법에 비하여 뛰어난 성능을 보인다. 이런 점을 고려하여 실시간으로 얼굴을 검출하고자 본 논문에서는 AdaBoost알고리즘을 사용하였다.
- 각각의 특징들은 훈련 영상에 맞추어 다양한 초기 특징 집합을 구성하였다. 이렇게 만들어진 초기의 특징 집합과 얼굴과 배경으로 이루어진 훈련 영상은 AdaBoost 알고리즘을 이용하여 얼굴과 비얼굴을 분류할 수 있는 분류기 생성 학습을 하였다. AdaBoost 알고리즘을 통하여 계층적 분류기를 얻을 수 있었고 계층적 분류기는 실시간 얼굴 검출에 높은 성능을 보였다.
- 제안한 얼굴 검출 알고리즘의 성능 평가는 MIT CMU 테스트 집합을 이용하였으며, 총 130개의 영상을 이용하였다. 총 130개의 영상에는 507개의 얼굴이 포함되었다.
- 훈련 영상을 특장값 누적 이미지로 변환하는 이유는 방대한 특징 집합과 계산에서 연산량을 줄이기 위해서다. 특징값 누적 영상을 생성하기 위해 [그림 2]와 같이 영역의 합 테이블(Summed Area Table)을 이용하였다[10]. SAT는 영상 내에 존재하는 특정한 좌표 영역(X, y)의 값은 입력 영상의 원점(0, 0)에서부터 좌표 영역(X, y)를 포함하는 사각형 영역 내에 존재하는 모든 픽셀 값을 더한 것이며, 식(1)과 같이 정의 된다.
성능/효과
- AdaBoost 알고리즘을 이용하여 실험한 결과 계층적 분류기의 계층은 20계층이 생성되었다. 특징 선택에 있어서는 초기 특징 집합 57761개 중 총 1630개가 얼굴 검출에 강인한 특징으로 선택되었다.
- 이렇게 만들어진 초기의 특징 집합과 얼굴과 배경으로 이루어진 훈련 영상은 AdaBoost 알고리즘을 이용하여 얼굴과 비얼굴을 분류할 수 있는 분류기 생성 학습을 하였다. AdaBoost 알고리즘을 통하여 계층적 분류기를 얻을 수 있었고 계층적 분류기는 실시간 얼굴 검출에 높은 성능을 보였다. 얼굴 추적은 Pan-Tilt 카메라를 통해 동적으로 가시 영역을 확장해가면서, 검출된 얼굴 영역의 위치와 크기 정보를 이용하여 실시간으로 이루어졌다.
- 각각의 기법에 따라 검출율을 계산하는 방식이 차이가 있어 대략적으로 평균 검출율을 기준으로 비교한 것이다. [표 1]에서와 같이 제안된 얼굴 검출 알고리즘은 Viola-Jones[7], Rowley[2], Sheiderman-Kanade[15] 에 비해 우수함을 나타내었다. 특징 모델의 수에 따른 결과 비교는 [표 2]와 같다.
- 알고리즘은 제안된 8종류의 특징 모형을 이용하여, 얼굴 패턴에 대한 중요한 구조적 특징을 성공적으로 추출한 것으로 평가된다. 따라서 얼굴 영상에서 발생하는 다양성을 수용할 수 있었으며, 기존의 특징 기반 얼굴 검출 방법보다 간단하면서도 효율적으로 얼굴을 검출을 수행할 수 있는 새로운 특징 추출 방법을 제공한다.
- 다중 얼굴 검출이 가능하였다. 또한 다양한 조명 변화와 복잡한 환경, 얼굴 영역에 겹침 현상이 발생하였을 때도 강인함을 보였다. [그림 12]부터 [그림 16]은 다양한 조건하에서 실시간 얼굴검출 결과를 나타낸 것이다.
- 또한 특징 모델수를 4개나 5개를 사용했던 기존의 AdaBoost알고리즘보다 초기 특징 집합수에 따른 선택된 특징수도 적고 계층수도 적어 목표 검출율에도 빠르게 도달할 수 있었으며, 최종적으로 제안된 알고리즘은 평균 92.5%의 얼굴 검출율을 보였다. 제안된 얼굴 검출 알고리즘 다양한 조명 변화와 복잡한 환경, 얼굴 영역에 겹침 현상이 발생하였을 때도 강인함을 보였다.
- 실험 결과 본 논문에서 제안한 AdoBoost 알고리즘을 이용한 얼굴 검출이 다른 얼굴 검출 알고리즘과의 성능 평가에서 우수한 성능을 나타내었다. 또한 특징 모델수를 4개나 5개를 사용했던 기존의 AdaBoost알고리즘보다 초기 특징 집합수에 따른 선택된 특징수도 적고 계층수도 적어 목표 검출율에도 빠르게 도달할 수 있었으며, 최종적으로 제안된 알고리즘은 평균 92.
- 반면에 모델의 수가 많을수록 초기 특징 집합수에 따른 선택된 특징 수는 적고 계층수 역시 적다. 실험 결과 특징 모델의 수가 많을수록 얼굴의 복잡한 특징들을 잘 구별할 수 있고 목표 검출율에도 빠르게 도달하는 것으로 나타났다. 그러나 특징 모델의 수가 많을수록 학습에 필요한 시간은 증가하게 된다.
- 얼굴 추적은 Pan-Tilt카메라를 이용하여 실험하였다. 실험결과 평균 12프레임의 속도로 얼굴 추적이 가능하였다.
- 알고리즘은 제안된 8종류의 특징 모형을 이용하여, 얼굴 패턴에 대한 중요한 구조적 특징을 성공적으로 추출한 것으로 평가된다. 따라서 얼굴 영상에서 발생하는 다양성을 수용할 수 있었으며, 기존의 특징 기반 얼굴 검출 방법보다 간단하면서도 효율적으로 얼굴을 검출을 수행할 수 있는 새로운 특징 추출 방법을 제공한다.
- 5%의 얼굴 검출율을 보였다. 제안된 얼굴 검출 알고리즘 다양한 조명 변화와 복잡한 환경, 얼굴 영역에 겹침 현상이 발생하였을 때도 강인함을 보였다. 얼굴 추적은 Pan-Tilt카메라를 이용하여 실험하였다.
- 제안된 얼굴 검출 알고리즘은 다양한 크기의 얼굴과 다중 얼굴 검출이 가능하였다. 또한 다양한 조명 변화와 복잡한 환경, 얼굴 영역에 겹침 현상이 발생하였을 때도 강인함을 보였다.
- 계층별 얼굴 검출율은 [그림 11]과 같다. 최종 검출율은 92.5%을 나타내었다.
후속연구
- 또한 기존에 얼굴 추적 방법은 프레임간의 차를, 이용하여 움직임을 추적하는 방법이 사용되어 왔으나 대부분이 실시간을 고려하고 있지 않은 수학적 접근법을 사용하거나 알고리즘이 지나치게 복잡하여 실시간 구현에 용이하지 않는다[14]. 복잡한 얼굴 검출과 함께 얼굴 추적이 동시에 실시간으로 이루어지기 위해서는 보다 간단하면서도 실용적인 기법이 연구되어져야 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.