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.
제안 방법
- 299 를 변환 가중치로 선택하였다. 또한 얼굴 색차의 정보의 YCbCr 표본형식은 사용자가 선택할 수 있도록 하였고기 본값은 4:4:4를 기본 표본 형 식 으로 채 택 하였고 사용자의 요구에 따라 조정 할 수 있도록 구현하였다.
- 실시간 얼굴검출을 위하여 전 단계로 감시카메라에서 입력된 RGB영상을 YCbCr 영상으로 변환한 후 연속된 두 영상의 차를 구하고 Glassfire 라벨링을 실시했다. 라벨링 결과 가장 넓은 구역의 면적과 Area 임계치 값을 비교하여 임계값 이상의 면적이면 동작변환으로 인식하고 영상을 추출하였다. 이렇게 추출된 동작변환 영상을 대상으로 얼굴 검출을 실시하였다.
- 실시간 얼굴검출을 위하여 전 단계로 감시카메라에서 입력된 RGB영상을 YCbCr 영상으로 변환한 후 연속된 두 영상의 차를 구하고 Glassfire 라벨링을 실시했다. 라벨링 결과 가장 넓은 구역의 면적과 Area 임계치 값을 비교하여 임계값 이상의 면적이면 동작변환으로 인식하고 영상을 추출하였다. 이렇게 추출된 동작변환 영상을 대상으로 얼굴 검출을 실시하였다.
- 실시간 얼굴검출을 위하여 전 단계로 감시카메라에서 입력된 RGB영상을 YCbCr 영상으로 변환한 후 연속된 두 영상의 차를 구하고 Glassfire 라벨링을 실시했다. 라벨링 결과 가장 넓은 구역의 면적과 Area 임계치 값을 비교하여 임계값 이상의 면적이면 동작변환으로 인식하고 영상을 추출하였다. 이렇게 추출된 동작변환 영상을 대상으로 얼굴 검출을 실시하였다.
- 라벨링 단계는 이진화된 영상을 탐색하다가 밝기가 255인 화소값을 만나면 라벨링을 수행하고 본 논문에서는 이 라벨링을 점을 8-근방 중심으로 이동후다시 인접 화소의 미 방문 255화소값을 라벨링 하는 방식 으로 반복한다. 그림 2의 삼각형 꼭지부분을 라벨링하는 그림 2의 단계로 라벨링이 수행된다.
- 본 논문에서 제안한 얼굴검출 시스템은 실시간 얼굴검출을 위하여 전 단계로 감시카메라에서 입력된 RGB 영상을 YCbCr 영상으로 변환한 후 연속된 두 영상의 차를 구하고 Glassfire 라벨링을 실시 했다. 라벨링 결과 가장 넓은 구역의 면적과 Area 임계치 값을 비교하여 임계 값 이상의 면적 이면 동작변환으로 인식하고 영상을 추출하였다.
- 본 논문에서는 실시간 얼굴검출을 위하여 감시카메라에서 입 력된 영상을 YCbCr 영상으로 변환한 후 연속된 두 영상의 차를 구하고 Glassfire 라벨링을 이용하여 동작 변환 영상을 추출한 후 AdaBoost알고리즘을 사용하여 얼굴 검출에 필요한 특징을 추출하도록 제안하였다.
- 본 논문에서는 실시간 얼굴검출을 위하여 전 단계로 감시카메라에서 입력된 RGB영상을 YCbCr 영상으로 변환한 후 연속된 두 영 상의 차를 구하고 Glassfire 라벨링을 실시했다. 라벨링 결과 가장 넓은 구역의 면적과 Area 임계치 값을 비교하여 임계값 이상의 면적이면 동작 변환으로 인식하고 영상을 추출하였다.
- 본 논문에서는 이러한문제를 다루기 위해서 먼저, 입력된 RGB영상을 YCbCr 영상으로 변환하였다. YCbCr 색상모델을 사용하면 색체정보에서 밝기 값의 영향을 배제한 데이터를 이용할 수 있어 감시영역의 조명의 변화에 의한 얼굴검출의 에러율을 최소화할 수 있다.
- 그림 1과 같이 나타낼 수 있다. 실시간 얼굴검출을 위하여 전 단계로 감시카메라에서 입력된 RGB영상을 YCbCr 영상으로 변환한 후 연속된 두 영상의 차를 구하고 Glassfire 라벨링을 실시했다. 라벨링 결과 가장 넓은 구역의 면적과 Area 임계치 값을 비교하여 임계값 이상의 면적이면 동작변환으로 인식하고 영상을 추출하였다.
- 약한 분류기는 최소의 에러를 갖는 하나의 특징만을 선택하나 본 논문에서는 효율성을 고려하여 에러의 임계치를 주어 한 단계에서 여러 개의 특징을 선택하도록 하였다. 이는 후에 강한 분류기가 계층적으로 분류되는 역 할을 한다.
- 이렇게 제안된 시스템의 성능을 검증하기 위해서 일반 퍼스널 컴퓨터와 웹캠(webcam)을 이용하여 실험을 실시하였다. 본 실험에서는 1 초당 30 프레임을 입력으로 받았다.
- 라벨링 결과 가장 넓은 구역의 면적과 Area 임계치 값을 비교하여 임계값 이상의 면적이면 동작변환으로 인식하고 영상을 추출하였다. 이렇게 추출된 동작변환 영상을 대상으로 얼굴 검출을 실시하였다. 얼굴 검출에 필요한 특징을 추출하기 위해 AdaBoost알고리즘을 사용하였다.
- 이렇게 제안된 시스템의 성능을 검증하기 위해서 일반 퍼스널 컴퓨터와 웹캠(webcam)을 이용하여 실험을 실시하였다. 본 실험에서는 1 초당 30 프레임을 입력으로 받았다.
대상 데이터
- 본 실험을 위해 방문자를 대상으로 얼굴을 검출하였고 검출된 얼굴 영상은 캡쳐를 하였다. 실험 결과는 표 1 과 같다,
이론/모형
- 감시영상에서 움직임을 감지하기 위하여 현재 프레임의 영상 정보와 이전 프레임의 영상 정보와의 차 영상기법을 이용하였다. 차영상 기법을 사용하기 위해서 그레이화 시킨 값을 이용하고 차연산 결과가 실험에서 구한 임 계값을 넘는다면 움직 임 이 발생 했다고 판단하는데 이때 임계값 비교시 속도를 줄이기 위해서 픽셀 기반프로세 싱 (Pixel-based processing) 아닌 블록 기반 프로세싱 (Block-based processing)을 한다.
- 본 논문에서 제안하는 얼굴검출 시스템은 기존의 시스템에서 연산양이 많아 실시간 얼굴검출이 어려운 부분을 개선하기 위해 영상처리 기법인 차영상(Difference Picture) 기 법 [4]을 이용하여 먼저 얼굴검출의 대상이 되는 동작검출 영상을 추출하였다.
- 본 논문에서는 얼굴 검출에 필요한 특징을 추출하기 위 해 AdaBoost알고리즘을 사용하였다. Ada Boost 알고리즘의 기본 개념은 약한 분류기(Weakclassifier)를 선형 적으로 결합하여 최종적으로 높은 검출 성능을 가진 강한 분류기 (Strong classifier)를 생성하는 것이다.
- 이렇게 추출된 동작변환 영상을 대상으로 얼굴 검출을 실시하였다. 얼굴 검출에 필요한 특징을 추출하기 위해 AdaBoost알고리즘을 사용하였다.
- 이렇게 추출된 동작변환 영상을 대상으로 얼굴 검출을 실시하였다. 얼굴 검출에 필요한 특징을 추출하기 위해 AdaBoost알고리즘을 사용하였다.
- 이렇게 추출된 동작변환 영상을 대상으로 얼굴 검출을 실시하였다. 얼굴 검출에 필요한 특징을 추출하기 위해 AdaBoost알고리즘을 사용하였다.
- 이는실시간검출에 있어서 기존의 방법에 비하여 뛰어난 성능을 보인다. 이런 점을 고려하여 실시간으로 얼굴을 검출하고자 본 논문에서는 Ada Boost 알고리즘을 사용하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.