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 컨투어렛 변환을 이용한 PCA에 기반을 둔 얼굴인식시스템을 제안하였다. 제안된 시스템은 컨투어렛 다해상도 기법을 이용하여 하나의 얼굴에 대한 대역별, 방향성분별 얼굴특징을 취득하였다.
- 따라서 이러한 특성을 고려하지 않고 모든 대역에 대하여 동일한 거리척도를 적용하는 것은 문제가 있음을 알 수 있다. 이러한 문제점을 해결하기 위하여 본 논문에서는 대역별로 성능이 우수한 거리척도기법을 독립적으로 선택하여 최종 융합함으로서 인식률을 향상시키고자 한다. 즉, 저주파 대역에서 입 력영상과 검증영상의 유사도는 Euclidean 거 리측정 방법을 이용하고, 고주파 내역에서는 Mahananobis 거리측정 방법을 이용하는 선택적 거리측정방법에 의한 유사도 산출 방법을 제안하고 직용하고자 한다.
제안 방법
- 이러한 다해상도 및 다중 방향성 정보로 표현되는 컨투어렛은 2차원 웨이블렛에 비하여 자연영상이 가지는 주요 특징 중에 하나인 윤곽선(smooth contour)을 효과적으로 표현할 수 있는 장점을 갖는다[9][10]. 본 논문에서는 컨투어렛 변환에 의해 영상을 대역별로 분해한 후 각각의 대역에 대해 주성분 분석기법을 적용한 후, 최종적으로 선택적 거리측정기법에 의해 수행되는 얼굴인식 알고리즘을 제안한다. 영상을 대역별로 분해하는 웨이블렛과 달리 컨투어렛은 입력 영상을 대역뿐만 아니라 각각의 대역별 방향성분별로 세분화함으로써 웨이블렛에 비해 보다 많은 영상의 특징 정보를 산출할 수 있다.
- 본 논문에서는 컨투어렛에 의해 얼굴영상을 대역별로 분해 한 후 대 역별로 유사도를 산출한다. 웨이블렛 다해상도 기법을 적용한 기존 연구에서는 대역별로 동일한 거리 척도기법을 적용하여 유사도를 산출하였다[16].
- 또한, 최종인식 단계에서는 각각의 대역에 대하여 산출된 매칭도를 효과적으로 융합할 수 있는 융합기법이 필요하다. 이를 위해 본 논문에서는 가중치합법칙 (sum rule), 우수후보선출법 칙 (best candidate vote rule), 다수선출법칙 (majority vote rule) 등의 융합법 칙을 적용하여 패턴 특성에 맞는 결정법칙을 제안한다.
- 둔 얼굴인식시스템을 제안하였다. 제안된 시스템은 컨투어렛 다해상도 기법을 이용하여 하나의 얼굴에 대한 대역별, 방향성분별 얼굴특징을 취득하였다. 다음으로 고차원의 입력영상을 PCA 기법에 의해 방향성분별로 특징 값을 추출한 후, 대역별로 최적인 선택적 거리척도기법을 적용하였다.
- 이러한 문제점을 해결하기 위하여 본 논문에서는 대역별로 성능이 우수한 거리척도기법을 독립적으로 선택하여 최종 융합함으로서 인식률을 향상시키고자 한다. 즉, 저주파 대역에서 입 력영상과 검증영상의 유사도는 Euclidean 거 리측정 방법을 이용하고, 고주파 내역에서는 Mahananobis 거리측정 방법을 이용하는 선택적 거리측정방법에 의한 유사도 산출 방법을 제안하고 직용하고자 한다.
- 실험에 사용된 ORL 얼굴 영상은 서로 다른 환경에서 40명으로부터 각 개인에 대하여 10장의 얼굴로 구성되어 있으며, 이 영상들은 위치, 회전, 스케일, 얼굴 감정에 변화를 주고 있다. 회전에서 변화는 최대 20도 회전하였고, 스케일에서 변화는 사람과 비디오카메라 사이에 거리를 변화시켰다. 또한 어떤 사람에 대해서는 안경착용에 변화를 주었고, 서로 다른 시간에 영상을 얻었다.
대상 데이터
- CBNU 얼굴 데이터베이스는 20명으로부터 얼굴의 각도와 조명의 변화를 가진 200장의 얼굴 영상으로 구성되어 있다. 각 개인에 대한 전체 영상의 수는 10장이 고원 영상의 크기는 640x480 이며, 얼굴 영상들은 0과 255의 그레이 값을 가진 320x240 화소 배열로 재조정하였다.
- 각 개인에 대한 전체 영상의 수는 10장이 고원 영상의 크기는 640x480 이며, 얼굴 영상들은 0과 255의 그레이 값을 가진 320x240 화소 배열로 재조정하였다. CBNU 얼굴 데이터베이스의 일부를 그림 9에 나타냈으며, 학습(training)과 검증(testing) 영상의 집합은 각각 개인당 5장으로 임의로 선택하였다.
- 각 영상들은 디지털화되고 0에서 255까지의 그레이 값을 갖는 112×92 크기의 영상으로 나타내어진다. ORL 얼굴 데이터베이스의 일부를 그림 7에 나타냈으며, 학습(training)과 검증(testing) 영상의 집합은 각각 개인당 5장으로 임의로 선택하였다.
- 있다. 각 개인에 대한 전체 영상의 수는 10장이 고원 영상의 크기는 640x480 이며, 얼굴 영상들은 0과 255의 그레이 값을 가진 320x240 화소 배열로 재조정하였다. CBNU 얼굴 데이터베이스의 일부를 그림 9에 나타냈으며, 학습(training)과 검증(testing) 영상의 집합은 각각 개인당 5장으로 임의로 선택하였다.
- 일반적으로 사용된다. 실험에 사용된 ORL 얼굴 영상은 서로 다른 환경에서 40명으로부터 각 개인에 대하여 10장의 얼굴로 구성되어 있으며, 이 영상들은 위치, 회전, 스케일, 얼굴 감정에 변화를 주고 있다. 회전에서 변화는 최대 20도 회전하였고, 스케일에서 변화는 사람과 비디오카메라 사이에 거리를 변화시켰다.
이론/모형
- 제안된 시스템은 컨투어렛 다해상도 기법을 이용하여 하나의 얼굴에 대한 대역별, 방향성분별 얼굴특징을 취득하였다. 다음으로 고차원의 입력영상을 PCA 기법에 의해 방향성분별로 특징 값을 추출한 후, 대역별로 최적인 선택적 거리척도기법을 적용하였다. 최종 인식단계에서는 제안된 선택적 거 리척도기법에 의해 대역별로 산출된 유사도를 가중치합 융합방법에 의해 최종 인식하도록 하였다.
- 요구된다. 본 논둔는 융합방법으로 가중치합기법(sum rule), 우수후보선츨기 법 (best candidate vote rule), 다수선출 기법(majority vote rule)을 적용하였다. 즉, 세 가지 융합기법들을 적용하여 가장 우수한 성능을 보이 는 융합기법을 선택함으로써 얼굴을 인식 하게 된다.
- 나타냈다. 융합방법으로는 ORL 영상에서 가장 우수한 것으로 나타난 가중치합 융합방법을 적용하였다. 표 2에서 보는 바와 같이 기존의 Euclidean 거리 척도에 기반을 둔 융합방식의 경우 PCA, 웨이블렛+PCA 및 컨투어렛+PCA 모두 91%의 인식률을 보였다.
성능/효과
- 특징의 값에 따른 인식률은 나타냈다. 그림 8에서 알 수 있는 바와 같이 기존의 Euclidean 거리 척도에 기반을 둔 PCA에 의한 인식률은 특징벡터의 수가 50일 때 93.5%로 나타났으며, 기존 연구에서 사용된 Euclidean 거리척도에 기반을 둔 웨이블렛 다해상도 분석 기법을 적용한 경우는 특징벡터의 수가 30, 40, 45, 50일 때 95.0%를 나타냈다. 또한 기존의 거리척도인 Euclidean 거리 척도에 기반을 둔 컨투어렛 다해상도 분석기법을 적용한 경우는 특징벡터의 수가 50일 때 95.
- 제안된 기법을 국외 영상인 ORL 데이터베이스와 국내 영상인 CBNU 얼굴 데이터베이스에 적용하여 실험한 결과, 컨투어렛을 이용한 방법이 웨이블렛을 이용한 방법 보다 높은 인식률을 보였다. 따라서 본 논문에서 제안된 컨투어 렛과 PCA에 기반을 둔 융합기법에 의한 얼굴인식 알고리즘은 다해상도 다방향성 정보를 동시에 효율적으로 이용할 수 있을 뿐만 아니라, 사용된 특징벡터의 동일 클래스 내와 다른 클래스간의 분포에 따라 저주파수 대역에서는 Euclidean 거리, 고주파수 대역에서는 Mahananobis 거리에 대하여 충분히 떨어져 있어 제안한 선택적 거리 방법이 개인 식별이나 인증에 적합한 얼굴인식 방법임을 확인할 수 있었다.
- 이는 데이터베이스의 얼굴 영상이 주파수 대역별로 분해되었을 때 저주파수 대역은 Euclidean 거리척도에 의해 잘 표현되는 원형의 분포 형태를 가지며, 고주파수 대역은 Mahananobis 거리척도에 의해 잘 표현되는 타원의 형태를 갖는다. 따라서 저주파 대역에는 Euclidean 거리척도, 고주파 대역에는 Mahananobis 거리척도를 사용하여 최종 융합한 결과 인식률 향상을 보인 것으로 분석된다.
- 이러한 이유는 컨투어렛의 특징 중 하나인 이방성 (anisotropy]으로 인해 컨투어렛에 의해 분해된 고주파수 대역이 웨이블렛에 의해 분해된 고주파수 대역 보다 더 많은 얼굴 특징을 표현할 뿐만 아니라, 고주파통과 필터링함으로써 조명의 변화에 둔감하여 인식률을 높이는데 영향을 준 것으로 분석된다. 또 다른 특징인 다방향성 얼굴영상으로 분해함으로써 얼굴의 위치 또는 회전의 변화에 잘 적응한 결과로 인식률을 향상시킨 것으로 분석된다.
- 0%를 나타냈다. 또한 기존의 거리척도인 Euclidean 거리 척도에 기반을 둔 컨투어렛 다해상도 분석기법을 적용한 경우는 특징벡터의 수가 50일 때 95.5%로 나타나 기존 방식에 비해 우수한 결과를 보였다. 마지막으로, 본 논문에서 제안한 대역별로 최적인 거리 척도별, 즉 선택적 거리척도를 적용한 결과 웨이블렛을 사용한 경우 특징벡터 의 수가 30, 35, 40일 때 95.
- 또한, 유사도를 선택적 거리척도방법에 의해 적용한 결과 기존의 Euclidean 거리척도에 비해 우수한 결과를 나타냈다. 이는 데이터베이스의 얼굴 영상이 주파수 대역별로 분해되었을 때 저주파수 대역은 Euclidean 거리척도에 의해 잘 표현되는 원형의 분포 형태를 가지며, 고주파수 대역은 Mahananobis 거리척도에 의해 잘 표현되는 타원의 형태를 갖는다.
- 5%로 나타나 기존 방식에 비해 우수한 결과를 보였다. 마지막으로, 본 논문에서 제안한 대역별로 최적인 거리 척도별, 즉 선택적 거리척도를 적용한 결과 웨이블렛을 사용한 경우 특징벡터 의 수가 30, 35, 40일 때 95.0%, 컨투어렛을 사용한 경우 특징벡터의 수가 35일 때 97.5%를 나타내 가장 좋은 인식률을 나타냈다. 이상의 결과로부터 본 논문에서 제안한 선택적 거리척도 기법과 컨투어렛 변환에 의한 얼굴인식 기법의 유용성을 확인 할 수 있었다.
- 표 1에서 보는 바와 같이 웨 이 블렛과 컨투어렛 모두 가중치 합 융합방법이 우수 후보 방법과 다수결방법에 비해 우수한 결과를 보이는 것으로 나타났다. 웨이블렛에 대해서 가중치합 융합 방법과 거리척도별로 분석해 보면, Euclidean 거리척도를 적용한 경우 95.0%, Mahananobis 거리척도를 적용한 경우 92.5%, 제안된 선택적 거리척도방법을 적용한 경우 95%의 인식률을 나타났다. 이 결과로부터 웨이블렛을 적용한 경우 Euclidean 방법과 제안된 선택적 거리 척도 방법 간의 인식률 차이는 나타나지 않았다.
- 5%, 제안된 선택적 거리척도방법을 적용한 경우 95%의 인식률을 나타났다. 이 결과로부터 웨이블렛을 적용한 경우 Euclidean 방법과 제안된 선택적 거리 척도 방법 간의 인식률 차이는 나타나지 않았다. 컨투어렛에 대해서 가중치합 융합방법과 거리척도별로 분석해 보면, Euclidean 거리척도를 적용한 경우 95.
- 5%를 나타내 가장 좋은 인식률을 나타냈다. 이상의 결과로부터 본 논문에서 제안한 선택적 거리척도 기법과 컨투어렛 변환에 의한 얼굴인식 기법의 유용성을 확인 할 수 있었다.
- 제안된 선택적 거리척도 기법을 적용한 결과 웨이블렛 +PCA인 경우 인식률이 93%, 컨투어렛+PCA인 경우 인식률이 97% 보여 기존의 PCA만을 사용한 경우보다 6%의 인식률 향상을 나타냈다. 이상의 결과로부터 제안된 컨투어렛의 유용성과 선택적 거리척도 기법의 타당성을 실험을 통하여 확인할 수 있었다.
- 제안된 기법을 국외 영상인 ORL 데이터베이스와 국내 영상인 CBNU 얼굴 데이터베이스에 적용하여 실험한 결과, 컨투어렛 방법이 웨이블렛을 적용한 것보다 높은 인식 률을 보였다. 이러한 이유는 컨투어렛의 특징 중 하나인 이방성 (anisotropy]으로 인해 컨투어렛에 의해 분해된 고주파수 대역이 웨이블렛에 의해 분해된 고주파수 대역 보다 더 많은 얼굴 특징을 표현할 뿐만 아니라, 고주파통과 필터링함으로써 조명의 변화에 둔감하여 인식률을 높이는데 영향을 준 것으로 분석된다.
- 최종 인식단계에서는 제안된 선택적 거 리척도기법에 의해 대역별로 산출된 유사도를 가중치합 융합방법에 의해 최종 인식하도록 하였다. 제안된 기법을 국외 영상인 ORL 데이터베이스와 국내 영상인 CBNU 얼굴 데이터베이스에 적용하여 실험한 결과, 컨투어렛을 이용한 방법이 웨이블렛을 이용한 방법 보다 높은 인식률을 보였다. 따라서 본 논문에서 제안된 컨투어 렛과 PCA에 기반을 둔 융합기법에 의한 얼굴인식 알고리즘은 다해상도 다방향성 정보를 동시에 효율적으로 이용할 수 있을 뿐만 아니라, 사용된 특징벡터의 동일 클래스 내와 다른 클래스간의 분포에 따라 저주파수 대역에서는 Euclidean 거리, 고주파수 대역에서는 Mahananobis 거리에 대하여 충분히 떨어져 있어 제안한 선택적 거리 방법이 개인 식별이나 인증에 적합한 얼굴인식 방법임을 확인할 수 있었다.
- 그러나 본 연구에서는 제안된 거리척도 방식의 객관적 타당성을 비교하기 위해 특정대역에 가중치를 부여하지는 않았다. 제안된 선택적 거리척도 기법을 적용한 결과 웨이블렛 +PCA인 경우 인식률이 93%, 컨투어렛+PCA인 경우 인식률이 97% 보여 기존의 PCA만을 사용한 경우보다 6%의 인식률 향상을 나타냈다. 이상의 결과로부터 제안된 컨투어렛의 유용성과 선택적 거리척도 기법의 타당성을 실험을 통하여 확인할 수 있었다.
- 이 결과로부터 웨이블렛을 적용한 경우 Euclidean 방법과 제안된 선택적 거리 척도 방법 간의 인식률 차이는 나타나지 않았다. 컨투어렛에 대해서 가중치합 융합방법과 거리척도별로 분석해 보면, Euclidean 거리척도를 적용한 경우 95.5%, Mahananobis 거리척도를 적용한 경우 94.5%, 제안된 선택적 거리 척도 방법을 적용한 경우 97.5%의 인식률을 나타났다.
- 인식결과를 나타냈다. 표 1에서 보는 바와 같이 웨 이 블렛과 컨투어렛 모두 가중치 합 융합방법이 우수 후보 방법과 다수결방법에 비해 우수한 결과를 보이는 것으로 나타났다. 웨이블렛에 대해서 가중치합 융합 방법과 거리척도별로 분석해 보면, Euclidean 거리척도를 적용한 경우 95.
- 융합방법으로는 ORL 영상에서 가장 우수한 것으로 나타난 가중치합 융합방법을 적용하였다. 표 2에서 보는 바와 같이 기존의 Euclidean 거리 척도에 기반을 둔 융합방식의 경우 PCA, 웨이블렛+PCA 및 컨투어렛+PCA 모두 91%의 인식률을 보였다. 웨이블렛에 의해 다중 분해된 영상을 융합하는 기존 연구에서는 다중 대역 중 인식률이 높게 나타나는 저주파 대역에 가중치를 부여하여 인식률을 높이게 하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.