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 연구에서는 기존의 얼굴검출시스템이 영상의 명암 변화에 따른 검출률 저하를 보완하기 위하여 웹캠에서 입력된 RGB영상을 YCbCr영상으로 변환하고자 한다. 또한 기존의 얼굴검출 시스템에서 연산양이 많아 실시간 얼굴검출이 어려운 부분을 개선하기 위해 영상처리 기법인 차영상(Difference Picture) 기법을 이용하여 먼저 얼굴검출의 대상이 되는 동작 검출 영상을 추출하고자 한다.
- 또한 기존의 얼굴검출 시스템에서 연산양이 많아 실시간 얼굴검출이 어려운 부분을 개선하기 위해 영상처리 기법인 차영상(Difference Picture) 기법을 이용하여 먼저 얼굴검출의 대상이 되는 동작 검출 영상을 추출하고자 한다. 이 영상을 대상으로 아다부스트알고리즘을 통하여 실시간으로 얼굴영역 검출이 가능한 시스템을 제안하고자 한다.
제안 방법
- 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 결과 가장 넓은 구역의 면적과 Area 임계치 값을 비교하여 임계값 이상의 면적이면 동작변환으로 인식하고 영상을 추출하였다. 이렇게 추출된 동작변환 영상을 대상으로 얼굴 검출을 실시하였다.
- YCbCr영상으로 변환하고자 한다. 또한 기존의 얼굴검출 시스템에서 연산양이 많아 실시간 얼굴검출이 어려운 부분을 개선하기 위해 영상처리 기법인 차영상(Difference Picture) 기법을 이용하여 먼저 얼굴검출의 대상이 되는 동작 검출 영상을 추출하고자 한다. 이 영상을 대상으로 아다부스트알고리즘을 통하여 실시간으로 얼굴영역 검출이 가능한 시스템을 제안하고자 한다.
- YCbCr영상으로 변환하고자 한다. 또한 기존의 얼굴검출 시스템에서 연산양이 많아 실시간 얼굴검출이 어려운 부분을 개선하기 위해 영상처리 기법인 차영상(Difference Picture) 기법을 이용하여 먼저 얼굴검출의 대상이 되는 동작 검출 영상을 추출하고자 한다. 이 영상을 대상으로 아다부스트알고리즘을 통하여 실시간으로 얼굴영역 검출이 가능한 시스템을 제안하고자 한다.
- 되는 동작검출 영상을 추출하고자 한다. 이 영상을 대상으로 아다부스트 알고리즘을 통하여 얼굴영역을 검출한다.
- 299를 변환 가중치로 선택하였다. 또한 얼굴 색차의 정보의 YCbCr 표본형식은 사용자가 선택할 수 있도록 하였고 기본값은 4:4:4를 기본 표본 형식으로 채택하였고 사용자의 요구에 따라 조정할 수 있도록 구현하였다.
- 본 연구에서 제안하는 얼굴검출 시스템은 기존의 시스템에서 연산양이 많아 실시간 얼굴검출이 어려운 부분을 개선하기 위해 영상처리 기법인 차영상(Difference Rcture) 기법을 이용하여 먼저 얼굴검출의 대상이 되는 동작검출 영상을 추출하였다.
- 본 연구에서는 이러한 문제를 다루기 위해서 먼저, 입력된 RGB영상을 YCbCr 영상으로 변환하였다. YCbCr색상모델을 사용하면 색체정보에서 밝기 값의 영향을 배제한 데이터를 이용할 수 있어 감시영역의 조명의 변화에 의한 얼굴검출의 에러율을 최소화할 수 있다.
- 된다. 라벨링 단계는 이진화된 영상을 탐색하다가 밝기가 255인 화소값을 만나면 라벨링을 수행하고 본 연구에서는 이 라벨링을 점을 8-근방 중심으로 이동 후 다시 인접화소의 미방문 255 화소값을 라벨링하는 방식으로 반복한다. 영역 라벨링의 단계는 그림 2와 같이 수행된다.
- 본 연구에서는 입력된 RGB영상을 YCbCr 영상으로 변환한 후 연속된 두 영상의 차를 구하고 Glassfire 라벨링을 실시했다. 라벨링 결과 가장 넓은 구역의 면적과 Area 임계치값을 비교하여 임계값 이상의 면적이면 동작변환으로 인식하도록 하였다.
- 라벨링 결과 가장 넓은 구역의 면적과 Area 임계치값을 비교하여 임계값 이상의 면적이면 동작변환으로 인식하도록 하였다.
- 본 연구에서는 앞서 실시간 얼굴검출을 위한 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.
- 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.
- 3단계는 약한 분류기를 생성하는 단계이다. 약한 분류기는 최소의 에러를 갖는 하나의 특징만을 선택하나 본 연구에서는 효율성을 고려하여 에러의 임계치를 주어 한 단계에서 여러 개의 특징을 선택하도록 하였다. 이는 후에 강한 분류기가 계층적으로 분류되는 역할을 한다.
- (b)에서 j는 특징의 수를 나타내며 j만큼 반복하면서 임계치보다 높은 에러값을 찾는다. 에러값은 positive일 경우와 negative일 경우를 나누어서 계산하였다. 이는 학습 초기에는 positive의 에러율을 줄이는데 집중하고 후반부에는 negative의 에러율을 줄이기 위함이다.
- 본 연구에서 제안한 얼굴검출 시스템은 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 동작 변환으로 인식하고 영상을 추출하였다.
- 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.
- 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.
- 다음으로 감시자수를 4명 이상으로 한정한 경우 얼굴을 검출하였고 검출된 얼굴 영상을 캡쳐하였다. 감시자가 4명 이상인 경우 기존의 아다부스트 기법과 제안한 기법과의 검출율을 비교한 결과 표 4와 같이 제안한 기법이 기존의 기법에 비해 11.
- 본 연구에서는 실시간 얼굴검출을 위하여 전 단계로 감시카메라에서 입력된 RGB영상을 YCbCr 영싱으로 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.
대상 데이터
- 얼굴검출을 위하여 사용된 시스템의 구축 환경은 퍼스널컴퓨터에 부착된 Web Camera(이하 웹캠)를 통하여 연속적으로 입력되는 영상을 대상으로 얼굴을 검출하게 된다. USB 연결 방식의 웹캠으로 입력되는 영상을 직접 화면에 재생한다.
- 본 연구에서는 변환을 위하여 k =0.114와 k =0.299를 변환 가중치로 선택하였다. 또한 얼굴 색차의 정보의 YCbCr 표본형식은 사용자가 선택할 수 있도록 하였고 기본값은 4:4:4를 기본 표본 형식으로 채택하였고 사용자의 요구에 따라 조정할 수 있도록 구현하였다.
이론/모형
- 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.
- 감시영상에서 움직임을 감지하기 위하여 현재 프레임의 영상 정보와 이전 프레임의 영상 정보와의 차영상 기법을 이용하였다. 차영상 기법을 사용하기 위해서 그레이화 시킨 값을 이용하고 차연산 결과가 실험에서 구한 임계값을 넘는다면 움직임이 발생했다고 판단하는데 이때 임계값 비교시 속도를 줄이기 위해서 픽셀 기반 프로세싱 (Pixel-based processing) 이 아닌 블록 기반 프로세싱 (Block-based processing) 을한다.
- 이는 실시간 검출에 있어서 기존의 방법에 비하여 뛰어난 성능을 보인다. 이런 점을 고려하여 실시간으로 얼굴을 검출하고자 본 연구에서는 AdaBoost알고리즘을 사용하였다.
- 이렇게 추출된 동작변환 영상을 대상으로 얼굴 검출을 실시하였다. 얼굴 검출에 필요한 특징을 추출하기 위해 아다부스트 기법을 사용하였다.
성능/효과
- 먼저 감시자가 1명인 경우 기존의 아다부스트 기법과 제안한 기법과의 검출율을 비교한 결과 표 1과 같이 제안한 기법이 기존의 기법에 비해 4.1% 높게 나타났다.
- 감시자가 2명인 경우 기존의 아다부스트 기법과 제안한 기법과의 검출율을 비교한 결과 표 2와 같이 제안한 기법이 기존의 기법에 비해 5% 높게 나타났다.
- 감시자가 3명인 경우 기존의 아다부스트 기법과 제안한 기법과의 검출율을 비교한 결과 표 3과 같이 제안한 기법이 기존의 기법에 비해 5.1% 높게 나타났다.
- 검출된 얼굴 영상을 캡쳐하였다. 감시자가 4명 이상인 경우 기존의 아다부스트 기법과 제안한 기법과의 검출율을 비교한 결과 표 4와 같이 제안한 기법이 기존의 기법에 비해 11.7% 높게 나타났다.
- 본 실험에서는 1 초당 30 프레임을 입력으로 받았다. 사람 수에 따른 얼굴검출 결과는 한 명일 경우 검출되는 확률이 94.3%, 두 명일 경우 검출되는 확률이 92.5%, 세 명일 경우 검출되는 확률이 87.9%, 네 명 이상일 경우 검출되는 확률은 65.9% 이다. 기존의 기법과의 비교 결과를 살펴보면 감시자가 1명인 경우 제안한 기법이 기존의 기법에 비해 4.
- 9% 이다. 기존의 기법과의 비교 결과를 살펴보면 감시자가 1명인 경우 제안한 기법이 기존의 기법에 비해 4.1%, 감시자가 2명인 5%, 감시자가 3명인 경우 5.1%, 감시자가 4 명 이상인 경우 제안한 기법이 기존의 기법에 비해 11.7% 높게 나타났다.
후속연구
- 향후에는 실시간 얼굴검출 시 측면얼굴에 대한 검출율을 보다 향상시키도록 해야 할것이며, 본 시스템을 응용하여 걸어 다니는 사람. 자동차 등 다양한 다른 물체의 검출에도 적용이 가능할 수 있을 것이다.
- 다니는 사람. 자동차 등 다양한 다른 물체의 검출에도 적용이 가능할 수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.