[논문]자기조직형 얼굴 인식에 의한 학생 출결 관리 시스템

이우범

doi:10.5392/jkca.2010.10.3.072

자기조직형 얼굴 인식에 의한 학생 출결 관리 시스템
A Attendance-Absence Checking System using the Self-organizing Face Recognition 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.10 no.3, 2010년, pp.72 - 79

초록
AI-Helper

전자 출결 시스템(Electronic attendance-absence recording system)은 오프라인의 교실 수업 방식에 있어서 혼합 학습(Blended learning)을 위한 중요한 강의 지원 시스템 가운데 하나이다. 그러나 기존의 스마트카드 기반의 전자 출결 시스템은 카드 소유자의 실제 본인 유무를 파악하는 것은 불가능하다. 따라서 본 논문에서는 개인의 얼굴 정보를 자기조직화 신경회로망으로 인식하여 자동으로 해당 교과목의 출석상황을 관리하는 클라이언트-서버 시스템을 개발한다. 클라이언트 시스템은 얼굴 특징추출에 의한 식별파일을 생성하고, 서버 시스템에서는 클라이언트 시스템에서 전송된 식별 파일(ID file)을 분석하여 데이터베이스에 저장된 해당 교과목의 인식 가중치 파일(Recognized weight file)를 이용하여 학생 식별을 수행한다. 본 논문에서 제안하는 얼굴 인식 기반의 출결 관리 시스템은 실제 학급의 다양한 얼굴 영상을 이용하여 CS 환경에서 실험한 결과 92% 이상의 유효성을 보였다.

Abstract ▼ AI-Helper

A EAARS(Electronic Attendance-Absence Recording System) is the important LSS(Learning Support System) for blending a on-line learning in the face-to-face classroom. However, the EAARS based on the smart card can not identify a real owner of the checked card. Therefore, we develop the CS(Client-Sever) system that manages the attendance-absence checking automatically, which is used the self-organizing neural network for the face recognition. A client system creates the ID file by extracting the face feature, a server system analyzes the ID file sent from client system, and performs a student identification by using the Recognized weight file saved in Database. As a result, The proposed CS EAARS shows the 92% efficiency in the CS environment that includes the various face image database of the real classroom.

주제어

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 논문에서는 대여 및 도용의 문제가 없으며, 비접촉식 입력 방식에 의해서 손실률이 적은 인식 패턴의 획득이 가능한 얼굴인식 방법을 적용하여 본인 유무의 개인 식별에 의해서 자동으로 해당 교과목의 출석상황을 관리하는 얼굴인식 기반의 전자 출결 시스템을 개발한다.
특히 본 논문의 자기조직화 신경회로망과 같은 비교사 학습의 경우에는 하나의 분류(class) 당 하나의 노드를 생성하고 있기 때문에 소수의 데이터에 대해서는 선험적 지식이 없이 훈련을 완성할 수 있다는 장점은 있으나, 대량의 데이터 특히 동일한 부류에 대해서 여러 개의 다른 다양한 입력 패턴을 가지는 경우에는 인식기로서 인식률에 한계가 있다. 따라서 본 논문에서는 이러한 초기 데이터양의 문제를 해결하기 위해서 한 학급 또는 대학의 경우에는 교과목 별로 인식을 위한 개별 인식 파일을 생성하여, 각 학급 코드 또는 제한된 수강인원의 과목 코드를 1차 선험적 분류 코드로 사용하여 인식을 수행함으로서 이 문제를 해결한다.
본 논문에서는 오프라인의 교실 수업에 있어서 학섕출석을 정확하고 신속하게 점검하여 관리할 수 있는 전자 출석 관리 시스템을 혼합학습 환경의 강의 지원 시스템으로 제안하였다. 제안한 시스템은 수업에 참여하는 학생의 개인 얼굴 영상을 기반으로 한 생체인식 방법을 도입하여 출석을 원하는 학섕에 대한 실제 본인 유무의 파악이 가능하다.

제안 방법

Shoji 등은 데이터베이스에 저장된 학생들의 접근 시간, 접근 횟수, 로깅 타임 등의 학습 내역을 교사가학생들의 이름과 얼굴의 기억이 없어도 착용한 카메라로 부터 입 력받은 얼굴 영상을 인식하여 해당 학생에 대한 학습 내역을 교사의 HMD(Head Mounted Display) 에 제시하는 연구를 수행하였다. 따라서 본 논문에서는얼굴 인식 기술을 혼합 학습 환경에서 활용도와 응용성이 매우 큰 전자 출결 시스템에 적용한다.
요소의 후보 영역이 된다. 먼저 각 후보 영역의 면적, 둘레, 원형도circularity), 종횡비 (aspect ratio) 값을 이용한 유사도 함수(Similarity function)에 의해서 모든후보 영역 간의 유사도를 측정한다. 이 후보 영역들 중에서 일정 범위 내에서 유사도가 가장 큰 영역을 눈 영역으로 추출한다.
본 논문에서 이진 영상의 생성은 배경과 물체 부류에 속하는 화소들의 평균값을 기준으로 비교 방법에 의해서 반복적으로 임계값을 추정 향상시키는 반복(Iterative) 이진화를 사용한다.
본 논문에서 제안하는 얼굴 인식 기반의 출결 관리시스템의 클라이언트 시스템은 [그림 1]과 같이 출결 관리를 위해서 서버 시스템으로 연결을 요청하고, 승인된 학생의 얼굴 영상을 PC 카메라로부터 입력받아 본인 식별을 위한 특징 추출을 수행하고 서버 시스템으로 전송할 식별 파일을 생성한다.
본 논문의 얼굴 인식을 이용한 출결 관리 시스템은 클라이언트-서버 구조를 기반으로 구현한다. 실험 환경으로 클라이언트 시스템은 인텔 펜티움D 3.
본 논문의 출결 관리 시스템의 서버 시스템은 클라이언트 시스템에서 전송된 식별 파일을 분석하여 해당 교과목 데이터베이스에 사전에 자기조직화 신경회로망에 의해서 학습되어 저장되어 있는 인식 가중치 파일(RW. File: Recognized weight file)을 색 인하여 전송된 식 별파일의 얼굴 특징 인수를 입력으로 수업에 참여하는 학생의 본인 식별 작업을 수행한다[5].
구조를 기반으로 구현한다. 실험 환경으로 클라이언트 시스템은 인텔 펜티움D 3.4GHz, 1GB RAM 환경에서 C++ 언어로 구현하였으며, 서버 시스템은 Sun4u Sparc SUNW Ultra-Enterprise, 1G 메모리 환경에서 C 언어를 기반으로 신경회로망 인식 모듈을 설계하였다. 그리고 파일전송과 파일색인을 위해서는 PHP 서버 스크립트 언어와 관계형 데이터베이스 관리 시스템으로 MySQL을 사용하였다.
실험에서 CS 출결 관리 시스템의 얼굴 영상 데이터는 수강학생이 각각 67명과 33명으로 총 100명의 학생을 대상으로 두 학급으로 나누어 학생 당 3개의 얼굴영상을 이용하여 자기조직화 신경회로망의 군집화 테스트를 실시하여 얼굴 인식 출결 관리 시스템으로서의 유효성을 검증하였다.
얼굴 영상에 대한 기하학적 특징 요소를 추출하기 위해서 먼저 이진영상을 생성하고 화소 라벨링에 의해서 영상 속에 내재된 각각의 고립 영역(Isolated region)을분리한다. 본 논문에서 이진 영상의 생성은 배경과 물체 부류에 속하는 화소들의 평균값을 기준으로 비교 방법에 의해서 반복적으로 임계값을 추정 향상시키는 반복(Iterative) 이진화를 사용한다.
제안하는 시스템은 기존의 학교에서 운용되고 있는클라이언트-서버 (CS: Client-Server) 구조를 기반으로하고 있다. 클라이언트 시스템은 학생의 책상에 설치된 PC 카메라로부터 얼굴영상을 획득하여 얼굴 특징을 추출하고 추출된 특징 정보를 식별 파일(ID file)에 저장한 후 서버 시스템에 식별 파일로 전송한다.
제안하였다. 제안한 시스템은 수업에 참여하는 학생의 개인 얼굴 영상을 기반으로 한 생체인식 방법을 도입하여 출석을 원하는 학섕에 대한 실제 본인 유무의 파악이 가능하다. 그리고 얼굴 인식에 적용한 자기 조직화 신경회로망의 인식 방법은 새로운 분류에 대한 적응력이 크다.

이론/모형

클라이언트 시스템에서의 얼굴 특징 추출은 우리의기존 연구 가운데 하나인 연결 요소 화소 라벨링 (Connected component pixel labeling) 에 의한 기하학적 얼굴 특징 인수 추출 방법을 이용한다[3][4].

성능/효과

것을 의미한다. [표 4]에서 얼굴 특징 추출 실패에 의해서 얼굴 분류에 실패한 오인식율은 실험 I과실험 II가 각각 6.5%(13/201)와 8%(&99)이고, 제안한출결 관리 시스템의 인식 성공률은 실험 I이 93.5%(188/201), 실험 H가 91.9%(91/99)로서 평균 927%의 효율성을 보였다.
또한 본 논문에서 구현한 CS 출결 관리 시스템은 해당 학생의 출석 체크뿐만 아니라 본인이 아닌 학생에 대한 출석 인증 거부에 있어서도 그 유효성을 보였다.
본 논문에서 이용한 얼굴 영역 특징 추출 방법은 입력 얼굴 영상 내의 모든 고립 영역 간의 상대적인 거리와 각도를 특징값으로 사용하기 때문에 입력 영상 내의 얼굴 영상의 위치와 회전에 대한 불변 특징의 추출이 가능하다. 또한 이때 사용하는 거리는 두 눈 사이의 거리에 의한 정규화된 상대 거리가 계산되기 때문에 얼굴 영상의 크기에 불변한 특징을 구할 수 있다.
본 논문에서 제안하는 얼굴 인식 기반의 출결 시스템의 성능은 실제 학급을 대상으로 CS 환경 하에서 실험하여 그 유효성을 보인다.
이 결과는 두 실험에서 얼굴 특징 추출에 실패하여오인식되어 다른 부류로 인식된 경우(실험 1: 13개, 실험 H : 8개)를 제외하면 정확한 얼굴 영상의 분류가 가능하다는 것을 의미한다. [표 4]에서 얼굴 특징 추출 실패에 의해서 얼굴 분류에 실패한 오인식율은 실험 I과실험 II가 각각 6.

후속연구

그러나 본 논문에서 제안하는 자기조직화 얼굴 인식을 이용한 CS 출결 관리 시스템은 혼합 학습 환경에서 얼굴 인식 기술을 적용한 시스템으로 그 편의성과 유효성 때문에 활용도가 상당히 클 것으로 기대된다.
그러나 제안한 시스템에서 얼굴 특징 요소 추출을 위한 이진화, 얼굴 요소의 기하학적 특징 정의 방법 등의 각 단계별 처리 과정에 대한 성능 향상 방안이 요구된다. 그리고 실제 여러 교과목이 저장되어 있는 큰 규모의 데이터베이스 환경이나 모바일 환경에서의 실험이 필요하다.
그리고 얼굴 인식에 적용한 자기 조직화 신경회로망의 인식 방법은 새로운 분류에 대한 적응력이 크다. 또한 기존의 학교에서 운용되고 있는 CS 구조를 기반으로 하고 있기 때문에 개발한 시스템의 이식이 용이할 뿐 아니라 비용 절감의 효과도 기대할 수 있다.

참고문헌 (11)

J. Whitehill, M. Bartlett, and J. Movellan, "Measuring the Perceived Difficulty of a Lecture Using Automatic Facial Expression Recognition," LNCS 5091, pp.668-670, 2008.
T. Shoji, Y. Kawaguchi, K. Kakusho, and M. Minoh, "Lecture Support System Using Face Recognition and Learning History on LMS," The 4th AEARU Workshop on Network Education, pp.139-147, 2006.
김승업, 이우범, 김욱현, 강병욱, “화소 라벨링에 의한 얼굴 특징 인수 추출”, 한국신호처리시스템학회, 제2권, 제2호, 2001(4).
D. Riccio and J. Dugelay, "Geometric invariants for 2D/3D face recognition," Pattern Recognition Lettters 28, pp.1907-1914, 2007.

상세보기
이우범, 서정, 김욱현, “얼굴 인식을 이용한 클라이언트-서버 구조의 출결 관리 시스템”, 한국컴퓨터교육학회 동계 학술발표논문집, 제12권, 제2호, pp.129-132, 2008.
J. R. Parker, Algorithms for Image Processing and Computer Vision, John Wiley&Sons Inc., 1997.
Asou Hidekki, ニュラルネットワ一ク情報處理, 産業圖書, 1988.
J. C. Russ, The Image Processing Handbook: Third Edition, CRC Press, pp.371-430, 1999.
T. Kohonen, "The Self-organizing Map," Proc. IEEE, Vol.78, No.9, pp.93-99, 1990.
J. M. Zurada, Introduction to Artificial Neural Systems, Info Access Distribution Pte Ltd., 1992.
L. Fausett, Fundamentals of Neural Networks : Architecture, Algorithms, and Applications, Prentice-Hall Inc., 1994.

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