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 논문에서는 중심이동과 히스토그램 평활화의 전처리에 바탕을 둔 히스토그램 거리측정을 이용한 에 의한 표정 인식 기법을 제안하였다. 여기서 중심이동은 1차 모멘트 평형[11]에 기반을 둔 것으로 차원감소에 따른 히스토그램의 크기 감소뿐만 아니라 위치나 크기 변화에 강건한 인식을 위함이고, 히스토그램 평활화는 낮은 명암대비 영상의 강건한 인식을 위함이다.
- 본 논문에서는 중심이동과 히스토그램 평활화의 전처리에 바탕을 둔 히스토그램 거리측정을 이용한 표정인식 기법을 제안하였다. 여기서 중심이동은 차원감소에 따른 히스토그램의 크기 감소뿐만 아니라 위치나 크기 변화에 강건한 인식을 위함이고, 히스토그램 평활화는 조명의 세기에 의한 빈약한 명암대비 영상의 강건한 인식을 위함이다.
제안 방법
- 또한 명암도의 발생빈도에 비례하여 동적영역을 변화시키는 히스토그램 평활화의 전처리를 이용하여 화질의 개선을 얻을 수 있다. 따라서 전처리된 영상을 대상으로 히스토그램 사이 거리를 계산해 표정인식을 수행한다.
- 이는 학습을 위한 24개의 참조 표정 영상과 이들 영상들의 기하학적 변화 및 명암대비를 변화시킨 48개의 시험영상으로 구성하였다. 또한 분류를 위한 척도로 city-block, Euclidean, 그리고 ordinal의 거리를 이용하였으며, 실험은 펜티엄Ⅳ-3.0G 컴퓨터에서 Matlab 7.1로 구현하였다.
- 여기서 중심이동은 차원감소에 따른 히스토그램의 크기 감소뿐만 아니라 위치나 크기 변화에 강건한 인식을 위함이고, 히스토그램 평활화는 조명의 세기에 의한 빈약한 명암대비 영상의 강건한 인식을 위함이다. 또한 표정영상 상호간의 분류를 위한 유사도를 측정하기 위해서 히스토그램 사이의 거리를 이용하였다.
- 하지만 이러한 히스토그램 평활화는 원 영상 내에서 특정 명암도의 발생 빈도수가 지나치게 높거나 낮을 경우 오히려 화질이 떨어지는 결과를 가져온다[3]. 본 연구에서는 시험영상의 명암도 레벨의 대역폭이 학습영상의 그것에 1/4 이하일 때 히스토그램 평활화의 전처리를 수행하였다.
- 여기에서는 1차 모멘트 평형[11]을 이용한 중심을 계산하여 중심이동 시켜 유효영상을 추출한다. 이는 기하학적 정보를 이용한 전처리로 배경을 제거함으로써 차원의 감소를 얻을 수 있다.
- 다음은 저장된 참조표정의 히스토그램과의 거리를 계산하여 비교함으로써 표정을 인식하게 된다. 이때 거리척도로 city-block, Euclidean, ordinal의 거리를 각각 이용하였다.
- 제안된 기법을 320*243 픽셀의 72개(4명*18장) Yale 얼굴표정[12]를 대상으로 city-block, Euclidean, 그리고 ordinal 측정법을 이용하여 실험하고, 그 결과들을 중심이동과 히스토그램 평활화의 전처리를 거치지 않는 기법의 결과들과 각각 비교·고찰하였다.
- 제안된 기법을 320*243 픽셀의 72개(4명*18장) 얼굴표정을 대상으로 city-block, Euclidean, 그리고 ordinal 측정법을 이용하여 실험하였다. 실험결과, 중심이동의 제안된 기법은 비중심이동의 기법에 비해 인식률과 인식시간에서 각각 평균적으로 약 2.
대상 데이터
- 따라서 히스토그램 평활화를 통해 얻어지는 대비가 증가된 표정영상의 히스토그램을 대상으로 거리를 측정한다. 이렇게 하면 입력되는 표정영상의 빈약한 명암대비에 강건한 정합성능을 얻을 수 있다.
- 한편 그림 4는 그림 3의 참조 및 시험영상 각각을 대상으로 논리 필터링한 후, 1차 모멘트에 의해 계산된 중심좌표로 영상을 중심이동 시킨 다음, 77760(320*243) 픽셀의원 영상을 34240(214*160) 픽셀로 축소시킨 유효영상이다. 여기서 얻어진 유효영상은 원 영상에 비해 약 2.3배 정도 차원이 감소된 것으로 실험에서는 이 영상을 이용한다. 이는 입력된 원 영상에서 인식에 불필요한 배경을 제거하여 크기를 감소시킴으로써 인식성능을 개선하기 위함이다.
- 중심이동과 히스토그램 평활화의 전처리와 히스토그램 사이의 거리를 이용한 제안된 표정인식 방법의 성능을 평가하기 위해 320*243 픽셀의 72개(4명*18장) Yale 얼굴표정[12]를 대상으로 실험하였다. 이는 학습을 위한 24개의 참조 표정 영상과 이들 영상들의 기하학적 변화 및 명암대비를 변화시킨 48개의 시험영상으로 구성하였다. 또한 분류를 위한 척도로 city-block, Euclidean, 그리고 ordinal의 거리를 이용하였으며, 실험은 펜티엄Ⅳ-3.
- 중심이동과 히스토그램 평활화의 전처리와 히스토그램 사이의 거리를 이용한 제안된 표정인식 방법의 성능을 평가하기 위해 320*243 픽셀의 72개(4명*18장) Yale 얼굴표정[12]를 대상으로 실험하였다. 이는 학습을 위한 24개의 참조 표정 영상과 이들 영상들의 기하학적 변화 및 명암대비를 변화시킨 48개의 시험영상으로 구성하였다.
성능/효과
- 그림 5(a)의 시험영상을 보면 얼굴영역의 입, 코, 눈과 머리카락 영역의 명암대비가 빈약함으로써 표정을 나타내는 특징의 인식이 다소 떨어짐을 알 수 있다. 하지만 그림 5(b)의 평활화된 시험영상은 이들 영역의 명암대비가 증가되어 화질이 개선되었으며, 이로 인해 표정특징들도 더욱 더 잘 나타남을 알 수 있다.
- 이는 Euclidean 거리가 단편적인 기하학적 거리만을 나타내는데 비해 city-block 거리는 히스토그램의 차원정보를 고려한 거리를 나타내기 때문이다. 따라서 제안된 중심이동의 전처리와 ordinal의 히스토그램 사이 거리측정을 이용하면 표정 인식의 성능을 개선시킬 수 있다.
- 또한 표 2의 결과에서도 전처리의 수행여부에 무관하게 city-block 거리가 Euclidean 거리보다 우수한 인식성능을 보임을 알 수 있다. 따라서 제안된 히스토그램 평활화와 중심이동의 전처리를 수행한 표정영상을 대상으로 히스토그램 사이 유사성을 측정하기 위해 ordinal 거리를 이용하는 것이 가장 우수한 인식성능이 있음을 알 수 있다.
- 3배 정도 인식률이 개선됨을 확인하였다. 또한 거리척도로 ordinal이 city-block이나 Euclidean을 이용하는 것보다 높은 인식률의 우수한 성능이 있음도 알 수 있었다.
- 따라서 표정영상의 인식은 두 히스토그램 사이의 일치하지 않는 레벨수를 고려하는 것보다는 정합을 위한 움직임 수를 고려하는 것이 보다 효과적임을 알 수 있다. 또한 전처리나 비전처리 영상 모두에서 city-block 거리 이용은 Euclidean 거리의 이용 때보다 우수한 인식성능을 보인다. 이는 Euclidean 거리가 단편적인 기하학적 거리만을 나타내는데 비해 city-block 거리는 히스토그램의 차원정보를 고려한 거리를 나타내기 때문이다.
- 이렇게 추출된 유효영상의 히스토그램을 이용하면 보다 빠르고 정확하게 인식이 가능하다. 또한 조명의 세기에 따라 얻어진 명암대비가 낮은 표정영상도 명암도 영역을 재조정하여 개선된 화질의 히스토그램을 이용하면 보다 우수한 정합능률을 얻을 수 있다.
- 이는 히스토그램 평활화의 적용으로 시험영상의 화질이 개선되어 표정속성이 히스토그램 내에 더욱 더 잘 반영되기 때문이다. 또한 평활화와 중심이동의 전처리를 동시에 수행하면, 단순히 평활화만을 수행할 때보다 인식률과 평균거리에서 둘 다 평균적으로 약 1.1배정도 개선되었다. 이 역시 표 1의 실험 결과에서처럼 중심이동의 전처리에 따른 시험영상의 크기 감소로 기학하적 변화나 배경 등에 의한 성능저하 요인이 배제되었기 때문이며, 이로 인해 인식 시간의 감소효과도 함께 얻을 수 있다.
- 이 또한 표정인식에서 ordinal 측정법의 속성이 nominal 측정법의 속성에 비해 더욱 더 잘 반영되기 때문이다. 또한 표 2의 결과에서도 전처리의 수행여부에 무관하게 city-block 거리가 Euclidean 거리보다 우수한 인식성능을 보임을 알 수 있다. 따라서 제안된 히스토그램 평활화와 중심이동의 전처리를 수행한 표정영상을 대상으로 히스토그램 사이 유사성을 측정하기 위해 ordinal 거리를 이용하는 것이 가장 우수한 인식성능이 있음을 알 수 있다.
- 제안된 기법을 320*243 픽셀의 72개(4명*18장) 얼굴표정을 대상으로 city-block, Euclidean, 그리고 ordinal 측정법을 이용하여 실험하였다. 실험결과, 중심이동의 제안된 기법은 비중심이동의 기법에 비해 인식률과 인식시간에서 각각 평균적으로 약 2.1배와 약 1.1배 정도, 히스토그램 평활화와 중심이동의 함께 수행하는 제안된 기법은 그렇지 않은 기법에 비해 평균적으로 약 1.3배 정도 인식률이 개선됨을 확인하였다. 또한 거리척도로 ordinal이 city-block이나 Euclidean을 이용하는 것보다 높은 인식률의 우수한 성능이 있음도 알 수 있었다.
- 이상의 표 1과 표 2의 실험결과들에서 히스토그램 평활화와 중심이동의 전처리 과정을 수행하면, 명암대비가 낮은 영상의 화질을 개선시킬 뿐만 아니라 인식에 불필요한 정보를 제거할 수 있어 인식성능이 개선됨을 확인할 수 있다. 특히 분류를 위한 참조영상과 시험영상의 유사성을 측정하기 위해서는 히스토그램 사이의 ordinal 거리를 이용하는 것이 가장 효과적임을 알 수 있다.
- 이 역시 표 1의 실험 결과에서처럼 중심이동의 전처리에 따른 시험영상의 크기 감소로 기학하적 변화나 배경 등에 의한 성능저하 요인이 배제되었기 때문이며, 이로 인해 인식 시간의 감소효과도 함께 얻을 수 있다. 평활화와 중심이동의 전처리를 함께 수행한 경우는 그렇지 않은 경우에 비해 인식률과 평균거리에서 각각 평균적으로 약 1.3배와 약 1.2배 정도 개선되었다. 한편 표 1에서의 결과처럼 표 2에서도 ordinal이 city-block이나 Euclidean의 다른 히스토그램의 사이 거리척도에 비해 평활화 및 중심이동의 수행여부에 무관하게 우수한 인식률과 평균거리를 가짐을 알 수 있다.
- 여기서는 성공적으로 인식된 결과의 평균값을 나타낸 것이다. 표 1에서 보면 중심이동의 전처리 과정을 수행했을 때, 인식률과 인식시간에서 전처리 과정을 수행하지 않을 때보다 각각 평균적으로 약 2.1배와 약 1.1배정도 개선되었다. 인식률의 경우는 전처리를 수행하면 위치나 크기 등이 변한 시험영상의 중심을 찾아 재배치하여 학습된 참조영상과 히스토그램 거리를 비교․측정하기 때문이다.
- 여기서도 성공적으로 인식된 결과의 평균값을 나타낸 것이다. 표 2에서 평활화에 의한 결과를 보면, 평활화를 수행할 때의 인식률과 평균거리가 그렇지 않을 때보다 각각 평균적으로 약 1.2배와 약 1.1배 정도 개선되었다. 이는 히스토그램 평활화의 적용으로 시험영상의 화질이 개선되어 표정속성이 히스토그램 내에 더욱 더 잘 반영되기 때문이다.
후속연구
- 향후 제안된 방법을 좀 더 큰 규모의 인식문제와 다양한 분야에 적용하는 연구와 조명 등의 변화에도 견실한 인식성능을 가지는 히스토그램 평활화 기법에 대한 연구가 지속적으로 이루어져야 할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.