[논문]SoC 하드웨어 설계를 위한 얼굴 인식 알고리즘의 고정 소수점 모델 구현 및 성능 분석

김영진; 정용진

문제 정의

본 논문에서는 부동 소수점 모델로 설계된 얼굴 인식알고리즘을 고정 소수점 모델로 구현하고, 성능을 분석하여 임베디드 시스템에의 구현과 하드웨어 설계에 적용할 수 있도록 하였다. 내용의 구성은 H장에서 얼굴인식 알고리즘에 대하여 설명하고, HI장에서 얼굴 인식알고리즘의 부동 소수점 모델과 고정 소수점 모델의 유사성을 판단하기 위해 FRR(False Rejection Rate)을 선택하여 성능을 분석하고 고정 소수점 모델을 구현하였으며, IV장에서 얼굴 인식 하드웨어를 위한 구조를 제안한다.
부동 소수점 모델과 고정 소수점 모델의 유사성은 포항공과대학교의 IMLAB에서 제공한 얼굴 영상을 기준으로 각 단계별로 고정소수점 사용 비트수에 따른 FRR 비교를 통해 측정하였다. 여기서 사용된 FRRe 본 논문에서 사용된 얼굴 인식 알고리즘의 부동 소수점 모델과 고정 소수점 모델의 성능 차이를 알아보기 위한 지표로 사용하였다.

가설 설정

두 번째, 제곱 안에 있는 '+T의 존재이다. 이것은 없어도 성능의 변화에 미치지 않을 것 같다는 판단 아래 FRR을 측정하였다.

제안 방법

본 논문에서 사용한 얼굴 인식 알고리즘은 영상의 픽셀 값을 누적시키는 인테그럴 이미지(Integral Image), 얼굴 영역을 추정하는 얼굴 검출(Face Detection), 눈 후보 위치를 검출하기 위한 전처리 단계인 이진영상화/ 침식/확장, 커넥티드 컴포넌트(Connected Component) '"와 눈 후보 위치 검출(Eye Detection), 얼굴로 추정된 영상을 정규화된 영상으로 변환시키는 어파인 트랜스폼 (Affine Transform) 과 바이리니어 인터폴래이션 (Bilinear Interpolation), 너무 밝거나 어두운 영상의 조명 특성을 재편성하는 히스토그램 평활화(Histogram Equalization), 추정된 얼굴 영역과 눈 후보 위치로서 얼굴인지 확인 하는 얼굴 검증단계(Face Verification)와 얼굴 등록/인증을 처리하기 위한 전처리 작업인 영상회전/확대/축소, 그래디언트 앵글(Gradient Angle)이 있으며, 얼굴을 등록하고 인증 하는 얼굴 인식단계(Face Recognition)로 구성되어 있다.
m장에서 얻어낸 본 얼굴 인식 알고리즘의 고정 소수점 모델을 바탕으로 얼굴 검출, 얼굴 검증 그리고 얼굴인식의 하드웨어 설계를 위한 구조를 제안 하였다.
삼각함수는 임베디드 시스템이나 하드웨어에 적용시키기 어렵다. 그러므로 테이블 형식으로 메모리에 저장하여 사용하는 방식을 선택하였다.
수 있도록 하였다. 내용의 구성은 H장에서 얼굴인식 알고리즘에 대하여 설명하고, HI장에서 얼굴 인식알고리즘의 부동 소수점 모델과 고정 소수점 모델의 유사성을 판단하기 위해 FRR(False Rejection Rate)을 선택하여 성능을 분석하고 고정 소수점 모델을 구현하였으며, IV장에서 얼굴 인식 하드웨어를 위한 구조를 제안한다. 마지막으로 V장에서 결론을 맺는다.
네 가지의 실험을 통하여 얻어진 결과를 바탕으로 수식 (15)를 수식 (24)로 변환하였다.
눈 검출을 하기 위해서 그레이 영상을 특정한 임계치를 기준으로 이진영상을 만들고, 침식, 확장을 통해 잡음을 없앤 뒤, 커넥티드 컴포넌트를 사용하여 눈 후보위치를 얻어낸다. 임계치를 30에서 110까지 10씩 증가시키며 이진영상화, 침식, 확장과 커넥티드 컴포넌트를 거쳐 눈 후보 위치를 얻고, 이를 이용하여 눈 후보 위치의 쌍을 조합하게 된다.
본 논문에서 사용된 이진영상화/침식/확장은 그레이 영상을 이진 영상으로 변환 한 뒤 침식과 확장을 사용하여 눈 후보 위치 검출을 하기 위한 전처리 과정으로 사용된다. 이진영상화는 특정한 임계치를 기준으로 그 값보다 크면 흰색, 작으면 검정색으로 바꾸는 간단한 방법을 사용하였다.
본 논문에서 사용된 얼굴 인식 알고리즘은 2 차원의 그레이(Gray)영상을 사용하여 학습된 얼굴 특징 데이터로 비교 연산하여 얼굴을 검출하는 알고리즘이며, 하드웨어로 구현하였을 경우 다른 알고리즘보다 구조 및 성능면에서 더 효율적이기 때문에 선택하였다. 본 논문에서 얼굴 인식 단계는 등록자의 수가 가변적이므로 얼굴을 인식하기 위해 사용되는 얼굴의 특징 벡터를 계산하는 부분까지 하드웨어로 수행하기 위해 고정소수점 모델을 구현하고 얼굴 특징 벡터를 비교하는 부분은 소프트웨어로 처리하였다.
있다. 부동 소수점 모델과 고정 소수점 모델의 유사성은 포항공과대학교의 IMLAB에서 제공한 얼굴 영상을 기준으로 각 단계별로 고정소수점 사용 비트수에 따른 FRR 비교를 통해 측정하였다. 여기서 사용된 FRRe 본 논문에서 사용된 얼굴 인식 알고리즘의 부동 소수점 모델과 고정 소수점 모델의 성능 차이를 알아보기 위한 지표로 사용하였다.
얼굴 검증에 필요한 정규화 영상을 얻기 위해서 눈 검출을 통해 나온 눈 좌표를 기준으로 얼굴을 기울어지지 않은 영상으로 정규화 한다. 여기서 그림 6과 같이 검출 되어진 눈 좌표를 통해서 나머지 한 개의 좌표를 수식 (10), (11), (12)을 통해서 계산해 낸다.
얼굴 검증은 SVM 파라메터와 25x20픽셀의 정규화 영상의 행렬 곱에 가중치를 두어 누적 시킨 값이 임계치보다 큰지 비교하여 얼굴이 맞는지 검증하게 된다. 수식 (14)와 수식 (15)는 얼굴 검증에서 영상의 행렬 연산식을 나타낸 것이다.
입력된 25x20픽셀 크기의 8비트 그레이 영상의 밝기를 보정하기 위하여 영상의 각 픽셀 값의 특성을 누적 분포하고 이를 정규화 하여, 정규화 된 값을 참조하여 픽셀 값을 보정한다. 히스토그램 평활화를 수행하기 위해서 다음의 네 가지 단계를 거친다.
지금 까지 했던 실험을 토대로 고정 소수점 모델을 구현하여 FRR을 측정하였다. 그 결과 부동 소수점 모델의 성능과 0.
첫 번째, 하드웨어에서 255로 나누는 것보다 256으로 나누는 것이 구조상 간단해 지기 때문에 255로 나누어 얼굴 검증 한 것과 256으로 나누어 얼굴 검증 한 것의 FRR을 측정하였다. 두 결과가 동일하여 두 모델은 동일한 성능을 갖는다는 것을 알 수 있었다.
크기에 따라 최대 크기는 달라진다. 최소 크기의 윈도우 크기를 기준으로 비교할 Feature의 좌표 정보를 입력하고, 최소 크기를 기준으로 0.09375(3/32)배씩 윈도우 크기를 늘여가며, 최대 크기의 윈도우 크기가 될 때 까지 비교 연산을 수행한다.
라벨을 붙이는 방법에서도 상하좌우로 연결된 픽셀 외에 대각선으로 연결된 픽셀에 대해서 같은 물체인지 서로 다른 물체인지 판단하는 방법이 있다. 후자의 경우 물체를 더욱 잘게 찾을 수 있으므로 눈을 찾을 확률이 더욱 커지기 때문에 본 알고리즘에서는 대각선으로만 연결된 물체는 서로 다른 물체로 간주 하였다.

대상 데이터

또한, 수식 (⑹의 eyeh/eyew, 수식 (17)의 cose, sin。의 소수점 사용 비트수를 그림 15, 16에서 선택할 수 있었으며, 수식 (18)의 나눗셈은 수식 (26), (27)과 같이 구조를 변경하였다. 그래디언트 앵글의 수식 (21)은 G4(z, g)의 변화에 기준을 두고 256개의 데이터로 이루어진 테이블을 사용하였다. 마지막으로 얼굴 인증에 필요한 LFA 파라메터는 그림 17에서 선택할 수 있었다.

이론/모형

따라 발생하는 현상이 다르게 나타난다. 본 얼굴 인식 알고리즘에서는 “침식 -> 확장”을 통하여 영상에 발생된 잡음을 제거하기 위해 사용하였다. 그림 3 의 (b)는 (a)를 침식한 그림이며, (c)는 (b)를 확장한 그림이 다.
얼굴 인식 알고리즘 중 엄굴 검출 알고리즘은 Paul Viola와 Michael가 제안한 Robust Real-Time Object Detection 방법“으로 얼굴 검출단계를 구성하였으며, 눈 검출 알고리즘으로서는 커넥티드 컴포넌트, 얼굴 검증 알고리즘은 SVM(Support Vector Machine)(2), 얼굴인식 알고리즘은 LFA(Local Feature Analysis)®를 사용하였다. 본 논문에서 사용된 얼굴 인식 알고리즘은 2 차원의 그레이(Gray)영상을 사용하여 학습된 얼굴 특징 데이터로 비교 연산하여 얼굴을 검출하는 알고리즘이며, 하드웨어로 구현하였을 경우 다른 알고리즘보다 구조 및 성능면에서 더 효율적이기 때문에 선택하였다.

성능/효과

본 논문에서는 얼굴 인식 알고리즘을 하드웨어로 구현하기 위해 고정 소수점 모델을 구현하여 성능을 분석하였으며, 현재 본 얼굴 인식 알고리즘의 고정 소수점 모델을 사용하여 FPGA로 검증 중에 있으며, 얼굴 검출단계는 FPGA와 ASIC으로 구현, 검증되어 얼굴 검출성능이 고정 소수점 모델과 같음을 확인하였다.
세 번째, %의 소수점 사용 비트수이다. 岛는 얼굴 검증 알고리즘에서 사용되는 파라메터로서 0에서 1 사이의 값이다 .

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

SoC 하드웨어 설계를 위한 얼굴 인식 알고리즘의 고정 소수점 모델 구현 및 성능 분석
Fixed-Point Modeling and Performance Analysis of a Face Recognition Algorithm For Hardware Design 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

SoC 하드웨어 설계를 위한 얼굴 인식 알고리즘의 고정 소수점 모델 구현 및 성능 분석 Fixed-Point Modeling and Performance Analysis of a Face Recognition Algorithm For Hardware Design 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

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

정용진 (47)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

SoC 하드웨어 설계를 위한 얼굴 인식 알고리즘의 고정 소수점 모델 구현 및 성능 분석
Fixed-Point Modeling and Performance Analysis of a Face Recognition Algorithm For Hardware Design 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper