[논문]사상체질 진단을 위한 얼굴인상 분류

장경식

doi:10.6109/jkiice.2008.12.1.196

사상체질 진단을 위한 얼굴인상 분류
Facial Impression Classification for Sasang Constitution Diagnosis 원문보기

한국해양정보통신학회논문지 = The journal of the Korea Institute of Maritime Information & Communication Sciences, v.12 no.1, 2008년, pp.196 - 204

장경식 (동의대학교 멀티미디어공학과)

초록
AI-Helper

이 논문에서는 정면 얼굴 영상을 대상으로 사상체질 판정에 사용되는 얼굴 인상을 효과적으로 판정하는 방법을 제안하였다. 판정을 위하여 눈, 턱 형 태 등에 대한 특징을 정의하고 사용하였다. 주성분 분석법을 이용하여 주어진 특징 데이터의 차원을 축소하여 표현하고, 특징 벡터 사이의 클래스 분리를 최대로 하는 선형 변환인 선형 판별 분석법을 수행한 후 SVM을 이용하여 8가지 종류의 인상을 판정하였다. 여러 얼굴 영상에 대해 실험한 결과, 전문가인 한의사가 판정한 결과를 기준으로 약 85.3% 정확도를 가지는 판정결과를 얻었다.

Abstract ▼ AI-Helper

In this paper, we propose an efficient method to classify human facial impression using frontal face image. The features that represent the shape of eye, jaw and face are used. The proposed method employs PCA, LDA and SVM in series. PCA is used to project the feature space to a low dimensional subspace. LDA produces well separated classes in a low dimensional subspace even under severe variation. This results in good discriminating power for classification. SVM is used to classify the data. Human face has been classified for 8 facial impressions. The experiments have been performed for many face images, and show encouraging result.

주제어

AI 본문요약
AI-Helper

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

문제 정의

이 논문에서는 얼굴 영상을 사용하여 얼굴의 인상을 효과적 으로 판정 하는 방법을 제 안하였다. 주성 분 분석 법과 선형 판별분석법을이용하여 얼굴특징의 판별력을 높이고 SVM을 적용하여 얼굴 영상에 대한 인상을 판정하였다.
이 논문에서는 얼굴 정면 영상을 대상으로 한의학에서 사상체질 진단을 위하여 사용하는 얼굴의 인상을 패턴인식 기법을 이용하여 효과적으로 판정하는 방법을 제안하였다. 얼굴 영상에 108개의 특징점(feature point) 을 지정하고 특징점들의 조합으로 눈, 턱, 얼굴 형태 등에 대한 18개의 특징(feature)을 지정하였다.
이를 위하여 (그림 1)과 같이 108개의 특징점을 지정하였으며, 이러한 특징점을 이용하여 (표 1)의 내용을 기반으로 얼굴 인상 판정을 위하 얼굴 특징을(표2)와같이 정하였다. 이 논문에서는(표 1) 에기술된 인상을 판정하기 위한 얼굴 특징들 중에서 정량화가 용이한 눈과 턱의 형태와 관련된 것들을 특징으로 지정하였다. (표 2)에서 각 숫자는 (그림 1)에서의 특징점을 나타내며 기준선은 점 2와 점 4를 잇는 직선이다.

제안 방법

전문가가 인상을 판정 할 때 사용한특징은눈과턱 부분 외에도코와관골 형태 등을 종합적으로 사용하여 판정 한다. 그러나 이 논문에서는 정 량화가 용이한 눈과 턱 부분만의 형 태를 특징으로 사용하였기 때문에 그 부분의 형태를 기준으로 결과를 분석하였다.
데이터의 수가적기 때문에 한 데이터를 실험 영상으로 하고 나머지 데이터를 학습영상으로 사용하는 방법으로 모든 데이터에 대한 얼굴 인상 판정을 수행하였다. (표 4)~(표 11)은각각 인상 1~8에 대하여 전문가가 판정한 결과와 제안한 방법 이 판정 한 결과를 나타낸 것 이 다.
두 클래스의 데이터들이 상호 겹치며 분포하고 있어 구분이 매우 어렵기 때문에 이 논문에서는 입력 데이터에 LDA를 적용하여 구분력을 높인 후 SVM을 적용하였다.
SVM을 적용하여 얼굴 인상을 판정하였다. 두 클래스의 데이터들이 상호 겹치며 분포하고 있어 입력 데이터에 직접 SVM을 적용하면 구분이 매우 어렵기 때문에 입력 데 이 터를 LDA 변환한 후에 SVM을 적용하였다. LDA 방법에서 클래스내 분산 행렬 S妒은 일반적으로 비 정칙행렬(singularmatrix)인 경우가 많다.
선형 판별분석 법(LDA , Linear Discriminant Analysis)을 이 용하여 특징 벡터 사이의 클래스 분리를 최대로 한 후에 SVM(Support Vector Machine)을 이용하여 사상체 질 판정에 사용되는 8가지 얼굴 인상을 판정하였다. 선형 판별 분석법을 적용하기 위하여 주성분 분석법을 통해 주어진 데이터의 차원을 축소하여 표현한 후에 선형 판별분석법을 수행함으로써 특징 벡터들의 분리성을 최대로 하여 인상 판정을 용이하게 하였다.
얼굴 영상에 108개의 특징점(feature point) 을 지정하고 특징점들의 조합으로 눈, 턱, 얼굴 형태 등에 대한 18개의 특징(feature)을 지정하였다. 선형 판별분석 법(LDA , Linear Discriminant Analysis)을 이 용하여 특징 벡터 사이의 클래스 분리를 최대로 한 후에 SVM(Support Vector Machine)을 이용하여 사상체 질 판정에 사용되는 8가지 얼굴 인상을 판정하였다. 선형 판별 분석법을 적용하기 위하여 주성분 분석법을 통해 주어진 데이터의 차원을 축소하여 표현한 후에 선형 판별분석법을 수행함으로써 특징 벡터들의 분리성을 최대로 하여 인상 판정을 용이하게 하였다.
얼굴 영상에 108개의 특징점(feature point) 을 지정하고 특징점들의 조합으로 눈, 턱, 얼굴 형태 등에 대한 18개의 특징(feature)을 지정하였다. 선형 판별분석 법(LDA , Linear Discriminant Analysis)을 이 용하여 특징 벡터 사이의 클래스 분리를 최대로 한 후에 SVM(Support Vector Machine)을 이용하여 사상체 질 판정에 사용되는 8가지 얼굴 인상을 판정하였다.
이 논문에서는 얼굴의 특징을 나타내는 입력 데이터에 SVM을 적용하여 얼굴 인상을 판정하였다. 두 클래스의 데이터들이 상호 겹치며 분포하고 있어 입력 데이터에 직접 SVM을 적용하면 구분이 매우 어렵기 때문에 입력 데 이 터를 LDA 변환한 후에 SVM을 적용하였다.
특히, 특징 벡터의 수가 각 클래스의 데이터 수보다 매우 많은 경우 클래스 내 분산 행렬, 讨은 비정칙행렬이 되 기 때문에 (식 8) 에서변환행 렬을 구할 수 없게 되 어 LDA를 사용할 수 없다. 이 논문에서는 이 러 한 상황을 방지 하기 위 하여 PCA를 적 용하여 특징 벡터의 차원을 줄인 후 LDA를 적용하고 SVM 을 적용하였다. 즉, 학습 데이터와 실험 데이터를 (식 21) 을 이 용하여 PCA 변환한 후, (식 22)를 이 용하여 LDA 변환 후, SVM을 적용하였다.
이는 한의학 용어로 사상체질이라 부르며, 사람은 태양인, 태음인, 소양인, 소음인인 4가지 체질로 구분된다. 이 원리를 바탕으로 한의사는 사람의 체질을 먼저 판별하고 병을 진단하며 각 체질에 따른 처방을 한다.
인상은 개별 구성요소의 크기나 방향에 대응될 수도 있고 구성요소들 간의 간격과 같은 관계구조에 대응될 수도 있으며 여 러 구성요소와 관계구조들의 선형조합에 대응될 수도 있다. 이를 위하여 (그림 1)과 같이 108개의 특징점을 지정하였으며, 이러한 특징점을 이용하여 (표 1)의 내용을 기반으로 얼굴 인상 판정을 위하 얼굴 특징을(표2)와같이 정하였다. 이 논문에서는(표 1) 에기술된 인상을 판정하기 위한 얼굴 특징들 중에서 정량화가 용이한 눈과 턱의 형태와 관련된 것들을 특징으로 지정하였다.
인상 2의 경 우에 눈빛 이 강하다는 특징 이 있으나 제안한 방법에서 사용한특징인 눈의 형태를 기준으로 분석을 하였다. 전문가는 "아니다''로 판정 하였으나 제안한 방법에서는 “그렇다”로 판정하는 경우는 눈끝이 올라가거나 눈이 옆으로 찢어진 얼굴에서 발생하였다.
(표 12)는 전체 판정결과이다. 전문가가 인상을 판정 할 때 사용한특징은눈과턱 부분 외에도코와관골 형태 등을 종합적으로 사용하여 판정 한다. 그러나 이 논문에서는 정 량화가 용이한 눈과 턱 부분만의 형 태를 특징으로 사용하였기 때문에 그 부분의 형태를 기준으로 결과를 분석하였다.
으로 판정 하는 방법을 제 안하였다. 주성 분 분석 법과 선형 판별분석법을이용하여 얼굴특징의 판별력을 높이고 SVM을 적용하여 얼굴 영상에 대한 인상을 판정하였다. 주성분 분석법을 통해 특징 데이터의 차원을 축소하고 클래스내의 데이터 분산을 나타내는 행렬과 클래스 간 분산을 나타내는 행 렬을 이용하여 선형 판별 분석 법을 수행하였다.
데이터를 분류한다. 즉, 입력 데이터 공간을 커 널함수를 이 용하여 보다 차원 이 높은 특징 공간으로 사상하여 보다 높은 차원의 공간으로 데이터를 투영한다. 일반적으로 사용하는 커 널함수는 (식 19)에 나타냈으며 이 경우 (식 15)은 (식 20)과 같이 표현될 수 있다.
이 논문에서는 이 러 한 상황을 방지 하기 위 하여 PCA를 적 용하여 특징 벡터의 차원을 줄인 후 LDA를 적용하고 SVM 을 적용하였다. 즉, 학습 데이터와 실험 데이터를 (식 21) 을 이 용하여 PCA 변환한 후, (식 22)를 이 용하여 LDA 변환 후, SVM을 적용하였다.

대상 데이터

얼굴의 특징점 108개는 데이터 영상에 수동으로 입력하였다.
제안한 인상 판정 기법을 검증하기 위하여 사용한 피험자들의 얼굴 사진은 블루 스크린을 배경으로 동일한 거리에 카메라를 두고 획득한 정면 사진 영상이다. 얼굴의 특징점 108개는 데이터 영상에 수동으로 입력하였다.

데이터처리

주성 분 분석 법과 선형 판별분석법을이용하여 얼굴특징의 판별력을 높이고 SVM을 적용하여 얼굴 영상에 대한 인상을 판정하였다. 주성분 분석법을 통해 특징 데이터의 차원을 축소하고 클래스내의 데이터 분산을 나타내는 행렬과 클래스 간 분산을 나타내는 행 렬을 이용하여 선형 판별 분석 법을 수행하였다. 여러 얼굴 영상에 대해 실험한 결과 한의사가 판정 한 결과의 약 85.

이론/모형

이 논문에서는 사상체 질의 감별에 사용되는 용모 사기설문지 문항의 감성 적 표현과 얼굴의 물리적 특징 요소와의 관계를 분석 하기 위 해 다차원 얼굴 공간 모형을 사용하였다[11]. 다차원 얼굴 공간은 하나의 얼굴에 특징점을 찍고 이 점들 간의 거리나 방향으로 얼굴의 생김새나 인상을 표현한다.

성능/효과

전문가는 "아니다''로 판정 하였으나 제안한 방법에서는 “그렇다”로 판정하는 경우는 눈끝이 올라가거나 눈이 옆으로 찢어진 얼굴에서 발생하였다. 인상3의 경우 얼굴이 각진형이고 눈끝이 올라간다는특징이 있으며, 전문가는 “아니 다”로 판정 하였으나 제 안한 방법 에 서 는 “그렇다”로 판정하는 경우가 얼굴형이 각진형이나 눈 끝이 내려간 얼굴에서 발생하였다.
주성분 분석법을 통해 특징 데이터의 차원을 축소하고 클래스내의 데이터 분산을 나타내는 행렬과 클래스 간 분산을 나타내는 행 렬을 이용하여 선형 판별 분석 법을 수행하였다. 여러 얼굴 영상에 대해 실험한 결과 한의사가 판정 한 결과의 약 85.3%의 정확도를 가지는 판정 결과를 얻었다.

후속연구

향후 연구과제 로는 현 재 특징 으로 사용하는 눈과 턱 의 형태 외에 다른 얼굴 구성요소들의 특징을추가는 방법과 얼굴 인상을2가지로 판정하는 현재 방법을 개선하여 한의사가 실제 판정하는 3가지 인상으로 판정하는 방법 에대 한 연구가 필요하다.

참고문헌 (18)

김종원, 전수형, 설유경, 김규곤, 이의주, '신체계측법을 이용한 사상체질별 성별 체형연구, 사상체질의학회지, 18(1), pp. 54-61, 2006

원문보기 상세보기
이의주, 편용범, 곽창규, 유정희, 김종원, 김규곤, 고병희, '사상인 용모분석을 위한 얼굴표준 및 얼굴유형에 대한 연구현황,' 사상체질의학회지, 18(1), pp. 25-33, 2006

원문보기 상세보기
김종원, 고병희, 송일병, 'EAV의 측정치와 사상체질유형 및 중풍과의 상관성에 관한 연구,' 사상체질의학회지, 7(2), pp. 59-88, 1995
김선호, 고병희, 송일병, '사상체질별분류검사(QSCC)의 타당화 연구,' 사상체질의학회지, 5(1), pp. 61-80, 1993
김선호, 고병희, 송일병, '사상체질별분류검사지(QSCCII)의 표준화 연구, 사상체질의학회지, 8(1), pp. 187-246, 1996
곽창규, 조용범, 손은혜, 유정희, 고병희, 김종원, 김규곤, 이의주, '3차원 안면자동인식기의 Positioning 오차분석,' 사상체질의학회지, 18(1), pp. 34-40, 2006

원문보기 상세보기
Biederma, I. 'Recognition-by-component: a theory of human understanding,' Psychological Review, pp. 115-147, 1994
Rosch, E. H. On the internal structure of perceptual and semantic categories, Cognitive Development and the Acquisition of Language, New York Academic Press, 1976
Rhodes, G. Superportraits : Caricatures and recognition, Hove : The Psychology Press, 1999
Haig, N. D. 'Exploring recognition with interchanged facial features,' Perception, 15, pp. 235-247, 1986

상세보기
박수진, 한재현, 정찬섭 '얼굴의 물리적 특징 분석 및 얼굴 관련 감성 어휘 분석,' 한국인지과학회논문지, 제13권 제3호, pp. 1-10, 2002
김효선, 한재현, '얼굴 인상과 물리적 특징의 관계구조 분석,' 한국인지과학회논문지, 제14권 제4호, pp. 53-63, 2003
권영준, 퍼지로직에 기반한 사상체질 분류기에 관한 연구, 한국 과학기술원 석사학위 논문, 2006
Turk, M. and Pentland, A., 'Eigenfaces for recognition,' Journal of Cognitive Neuroscience, Vol. 3, No. 1, pp. 71-86, 1991

상세보기
Martinez, A. M. and Kak, A. C., 'PCA versus LDA,' IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 23, No. 2, pp. 228-233, 2001

상세보기
Etemad, K. and Chellappa, R., 'Discriminant Analysis for Recognition of Human Faces Image, Journal of Optical Society of America, Vol. 14, No. 8, pp. 1724-1733, 1997

상세보기
V. Vapnik, 'Statistical Learning Theory,' John Wiley & Sons, New York, 1998
E. Osuna, R. Freund, F. Girosi, 'Training Support Vector Machine : An Application to Face Detection,' Proceeding IEEE CVPR, pp 130-136, 1997

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