[논문]Haar-like 특징과 템플릿을 이용한 귀 검출

한상일; 차형태

doi:10.5909/jbe.2008.13.6.875

Haar-like 특징과 템플릿을 이용한 귀 검출
Ear Detection using Haar-like Feature and Template 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.13 no.6, 2008년, pp.875 - 882

초록
AI-Helper

영상으로부터 사람의 귀를 검출하는 것은 생체 인식 분야에 있어서 매우 중요한 분야이다. 따라서 본 논문에서는 측면 얼굴 영상으로부터 귀를 검출하는 알고리즘을 제안한다. 제안하는 알고리즘은 먼저 피부색을 이용하여 얼굴 영역을 검출하고 검출된 얼굴 영역으로부터 Haar-like 특징을 이용하여 귀를 검출한다. 그리고 검출된 귀를 검증하기 위해 표준 템플릿을 이용하여 검출된 귀를 검증한다. 실험 결과 본 논문에서 제안된 방법은 기존의 연구에 비해 60%의 처리 속도 향상과 92%의 검출 성공률을 보였다.

Abstract ▼ AI-Helper

Ear detection in an image processing is the one of the important area in biometrics. In this paper we propose a human ear detection algorithm with side face images. First, we search a face candidate area in an input image by using skin-color model and try to find an ear area based on Haar-like feature. Then, to verity whether it is the ear area or not, we use the template which is excellent object classification compare to recognize the characters in the plate. In this experiment, the proposed method showed that the processing speed is improved by 60% than previous works and the detection success rate is 92%.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

따라서 본 논문에서 제안하는 방법은 귀 인식 이전에 귀의 검출에 목표를 두었으며 기존의 검출 알고리즘의 단점을 보완하는 알고리즘에 목표를 두었다.
즉, 색 정보처리 채널과 모양 정보 처리 채널만으로 인식이 가능하다. 따라서 본 논문에서는 이러한 사람의 시각 정보 처리 과정을 응용 즉, 카메라에 입력된 색 정보와 모양 정보를 이용하여 귀의 인식 이전에 반드시 선행되어야 할 사람의 귀에 관한 검출을 하고자 한다.
이는 촬영하는 환경의 조명이라던가, 사람마다 다른 피부색이 존재하기 때문에 나타나게 된다. 따라서 본 논문에서는 이러한 작은 잡음들을 하나의 영역으로 통합하기 위해 침식(erosion) 연산을 수행한다. 침식 연산을 사용하게 되면 랜덤(random)하게 분포된 스파크(spark) 잡음을 제거하거나 배경 확장에 따라 객체를 축소할 수 있다.
본 논문에서는 쉽게 구현할 수 있고 실시간이 가능한 귀 검출을 위한 알고리즘 개발을 목표로 하며, 기존에 제안된 방법들에 비해 성능이 우수함을 실험을 통해 입증하였다. 제안된 방법은 얼굴 영역을 검출하기 위해 입력된 영상으로부터 피부색 정보 및 침식 연산을 이용하여 얼굴 후보군을 추출하고 학습 객체와 배경을 Haar-like 특징을 이용하여 귀 영역을 얼굴 후보로부터 분리하였다.

제안 방법

귀 검출을 위해 먼저 인간의 시간 정보 처리 중에서 색 정보 처리 채널을 응용한다. 입력되는 영상은 RGB 컬러 모델이며, 이 RGB 3가지 컬러 공간을 모두 사용하게 되면 많은 처리량뿐만 아니라 각 채널마다 피부색의 분포 또한 넓어 피부색 검출로는 적합하지 않다.
템플릿은 다수의 측면 얼굴로부터 귀 영역을 잘라낸 후 평균을 구하여 평균 귀를 구성한다. 그리고 검출된 귀와 평균 귀를 매칭하여 유사도를 계산하고, 계산된 유사도에 따라 귀를 검증한다.
이진 영상으로 변환하기 위해선 적절한 임계값이 필요하게 되는데, 고정된 임계값의 사용은 조명등의 환경 등에 의하여 이진 영상이 매우 달라진다. 따라서 본 논문에서는 주어진 영상의 밝기 정보를 분석하여 픽셀의 최대값와 최소값의 평균을 이용한 임계값을 가변적으로 적용하는 알고리즘을 적용하였으며 그 결과는 그림 9와 같다.
제안된 방법은 얼굴 영역을 검출하기 위해 입력된 영상으로부터 피부색 정보 및 침식 연산을 이용하여 얼굴 후보군을 추출하고 학습 객체와 배경을 Haar-like 특징을 이용하여 귀 영역을 얼굴 후보로부터 분리하였다. 마지막으로 추출된 귀 영역이 귀인지 아닌지를 판단하기 위하여 검출된 귀 영역 영상을 이진화 후 귀에 대한 표준 템플릿을 이용하여 검출된 귀 영역을 검증하였다.
본 논문에서는 Haar-like 특징(feature)과 그림 7의 AdaBoost 학습 알고리즘을 이용하여 오른쪽 측면에서 촬영된 380개의 귀에 대한 학습을 수행하였으며 학습된 데이터를 이용하여 얼굴 측면 영상으로부터 귀를 검출한다. 학습의 단계는 24단계를 사용하였으며, 귀 검출 결과를 그림 8에 도시한다.
식 (1)은 여러 가지 RGB to YCbCr 변환방법 중에서 ITU-R(International Telecommunication Union-Radio communication Sector)의 권고안 601-1이며 JPEG, MPEG 등의 영상압축 등에 사용되는 전형적인 방법이다. 본 논문에서는 귀를 포함한 얼굴 후보를 제외한 나머지 잡음들을 제거하기 위해 RGB 컬러 모델을 YCbCr 컬러 모델로 변환 후 식 (3)에 제안된 피부색 범위만을 검출하여 얼굴 후보를 추출한다.
본 논문에서는 근거리에서 촬영된 얼굴 측면 영상에 대해 제안한 귀 검출 알고리즘을 적용하여, 알고리즘의 성능을 평가하였다. 입력 영상은 20대 연령층의 남성과 여성으로 구성되어 있으며 안경과 귀걸이 등의 부가요소는 실험에서 제외하였다.
본 논문에서는 쉽게 구현할 수 있고 실시간이 가능한 귀 검출을 위한 알고리즘 개발을 목표로 하며, 기존에 제안된 방법들에 비해 성능이 우수함을 실험을 통해 입증하였다. 제안된 방법은 얼굴 영역을 검출하기 위해 입력된 영상으로부터 피부색 정보 및 침식 연산을 이용하여 얼굴 후보군을 추출하고 학습 객체와 배경을 Haar-like 특징을 이용하여 귀 영역을 얼굴 후보로부터 분리하였다. 마지막으로 추출된 귀 영역이 귀인지 아닌지를 판단하기 위하여 검출된 귀 영역 영상을 이진화 후 귀에 대한 표준 템플릿을 이용하여 검출된 귀 영역을 검증하였다.

대상 데이터

근거리 촬영을 전제로 하여 실험을 하였으므로, 입력된 영상은 영상 내에 측면 얼굴이 존재한다. 또한 실험에 사용된 데이터의 수는 155명으로부터 촬영된 영상을 대상으로 실험하였다. 촬영은 일반 CCD 방식의 카메라(320x240)를 이용하였으며, 실험은 MS Windows XP 환경, Intel 3.
또한 실험에 사용된 데이터의 수는 155명으로부터 촬영된 영상을 대상으로 실험하였다. 촬영은 일반 CCD 방식의 카메라(320x240)를 이용하였으며, 실험은 MS Windows XP 환경, Intel 3.0GHz CPU의 PC에서 Visual Studio 2005, OpenCV Library 1.0을 이용하여 구현하였다.

이론/모형

입력되는 영상은 RGB 컬러 모델이며, 이 RGB 3가지 컬러 공간을 모두 사용하게 되면 많은 처리량뿐만 아니라 각 채널마다 피부색의 분포 또한 넓어 피부색 검출로는 적합하지 않다. 따라서 피부색 검출에 적합한 컬러 모델인 YCbCr, HSI, YIQ 등의 컬러 모델로의 변환이 제안되어 왔으며 본 논문에서는 외부 조명의 변화에 강인한 YCbCr 컬러 모델을 사용하였다^[11-13].

성능/효과

38초의 검출속도를 보여 실시간이 가능함을 알 수 있었다. 따라서 본 논문에서 제시한 알고리즘의 우수함을 실험을 통해 알수 있었다.
본 논문에서 제시한 방법은 92%의 우수한 검출률을 보 였다. 실패한 8%는 피부색과 유사한 객체들로 인한 오인식과 귀가 기울어지거나 염색과 머리모양이 귀와 비슷한 경우 귀를 검출하지 못한 이유에 있다.
본 논문에서 제안한 귀 검출 알고리즘의 실험 결과를 그림 10에 도시하였다. 본 논문에서 제안하는 알고리즘의 실험 결과 92%의 귀에 대한 검출률을 보이며 평균 0.38초의 검출속도를 보여 실시간이 가능함을 알 수 있었다. 따라서 본 논문에서 제시한 알고리즘의 우수함을 실험을 통해 알수 있었다.

후속연구

실패한 8%는 피부색과 유사한 객체들로 인한 오인식과 귀가 기울어지거나 염색과 머리모양이 귀와 비슷한 경우 귀를 검출하지 못한 이유에 있다. 따라서 다양한 귀 모델의 확장 및 알고리즘 개선을 한다면 더 좋은 결과를 얻을수 있을 것이다. 또한 향후에는 90° 측면에서의 귀 검출이 아닌 다른 각도에서도 촬영된 영상에서의 귀 검출에 관한 연구를 수행 및 귀 위치에 따른 소리의 이동에 관한 연구를 할 계획이다.
따라서 다양한 귀 모델의 확장 및 알고리즘 개선을 한다면 더 좋은 결과를 얻을수 있을 것이다. 또한 향후에는 90° 측면에서의 귀 검출이 아닌 다른 각도에서도 촬영된 영상에서의 귀 검출에 관한 연구를 수행 및 귀 위치에 따른 소리의 이동에 관한 연구를 할 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	본 논문에서 제안한 귀 검출을 위한 알고리즘은 어떤 과정을 통해 귀를 검출하는가?	본 논문에서는 쉽게 구현할 수 있고 실시간이 가능한 귀 검출을 위한 알고리즘 개발을 목표로 하며, 기존에 제안된 방법들에 비해 성능이 우수함을 실험을 통해 입증하였다. 제안된 방법은 얼굴 영역을 검출하기 위해 입력된 영상으로부터 피부색 정보 및 침식 연산을 이용하여 얼굴 후보군을 추출하고 학습 객체와 배경을 Haar-like 특징을 이용하여 귀 영역을 얼굴 후보로부터 분리하였다. 마지막으로 추출된 귀 영역이 귀인지 아닌지를 판단하기 위하여 검출된 귀 영역 영상을 이진화 후 귀에 대한 표준 템플릿을 이용하여 검출된 귀 영역을 검증하였다.
	Boost는 어떤 알고리즘인가?	Boost란 데이터들로부터 결과를 도출할 경우 약한 선택 기준들을 합쳐서 정확도가 높은 선택 기준을 만들어주는 알고리즘이다. Boost의 장점은 가정에 의해서 결과가 잘못 도출될 확률을 줄여주고 판단하기 어려운 문제를 정확하게 옳고 그름으로 판단할 수 있는 확률을 높여준다는 것이다.
	귀의 인식을 위해 어떤 방법들이 연구되어 왔는가?	지금까지 연구된 귀에 관한 연구는 크게 귀의 검출과 귀의 인식으로 구분되어 진다. 귀의 인식은 개인이 가진 고유한 귀를 여러 방법들을 통해 분류하는 연구이며 얼굴 인식 등에 많이 사용되는 PCA, Neural Network 방법 외에 귀의 독특한 구조를 응용한 Force Field Transform, Adjacency Graph Matching, Genetic Local Search 방법들이 연구되어 왔다. 또한 귀의 검출은 귀 인식 이전에 귀 검출이 반드시 선행되어야 하며 귀의 인식과는 다르게 연구가 미비하였으며 연구되어진 방법들은 고가의 3D 카메라를 필요로 하거나 수동적인 임계값 조절을 해야 하는 단점이 존재한다.

참고문헌 (15)

반성범, 정용화, 정교일, 김재희, "생체인식 기술동향", 전자공학회논문지, Vol. 29, No. 5, pp. 529-537, 2002
"위대한 예술가는 타고난 신경생리학자" http://www.lgscience.co.kr /inform/sciencenews/view.asp?id123&page_num9
K. H. Pun, Y. S. Moon, "Recent Advances in Ear Biometrics", IEEE Conference Proceeding on Automatic Face and Gesture Recognition, pp. 164-169, 2004
K. Chang, K. Bowyer, S. Sarkar and B. Victor, "Comparison and combination of ear and face images in appearance-based biometrics," IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 25, No. 9, pp. 1160-1165, 2003

상세보기
A. Iannarelli, "Ear Identification, Forensic Identification Series," Paramont Publishing Company, 1989
Hurley, D. J. "Force Field Feature Extraction for Ear Biometrics," PhD thesis, Electronics and Computer Science, University of Southampton, 2001
M. Burge and W. Burger, "Ear Biometrics for Computer Vision," 15th International Conference on Pattern Recognition, Vol. 2, pp. 2822-2825, 2000
H. Chen and B. Bhanu, "Human Ear Detection from Side Face Range Images," Proc. Int'l Conf. Pattern Recognition, Vol. 3, pp. 136-139, 2004
A. Jain, "BIOMETRICS: Personal Indentificaion in Network Society." Kluwer Academic, 1999
김영백, 이상용, "생체인식을 위한 귀 영역 검출", 한국퍼지및지능시스템학회논문지, Vol. 15, No. 7, pp. 813-816, 2005

원문보기 상세보기
한상일, 차형태, "크로스토크 제거를 위한 얼굴 방위각 검출 기법", 한국퍼지및지능시스템학회논문지, Vol. 17, No. 1, pp. 58-65, 2007

원문보기 상세보기
M. Yang, D. J. Kriegman, N. Ahuha, "Detecting faces in Images: A Survey", IEEE Trans. on Pattern Analysis and Machine Intelligence, pp. 34-58, VOL. 24, No. 1, January 2002

상세보기
김수현, 한영준, 차형태, 한헌수, "다양한 조명 환경에 강인한 실시간 얼굴확인 기법", 한국퍼지및지능시스템학회논문지, Vol. 14, No. 7, pp. 821-829, 2004

원문보기 상세보기
Phung, S.L., Bouzerdoum A., Chai, D., "Skin Segmentation Using Color Pixel Classification: Analysis and Comparstoin", IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 27, No. 1, pp. 148-154, 2005

상세보기
P. Viola and M.J. Jones, "Robust real-time object detection", Rechnical Report Series, Compaq Cambridge research Laboratory, CTL 2001

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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