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
- 시선 식별을 위하여 전처리 과정에서 얻는 동공과 글린트를 가지고 동공-글린트 벡터를 구성하고, 동공-글린트 벡터를 모니터 상에 매핑하는 기능을 수행토록 하였다. 동공과 글린트에 관한매개변수가 충분히 주어진다면 시선에 따라 유일한 기능을 갖는 동공과 글린트 매개변수를 찾고자 GRNN 을 이용하여 교정을 일반화 하고자 하였다. GRNN에 사용할 입력 벡터는 식(15)와 같다.
- 이는 동공으로부터 얼굴 방향을 추정하기 위한 기초로 사용하여, 좌우동공크기, 좌우동공간 거리 및 좌우 동공 모양과 같은 좌우 동공 명암을 이용하여 얼굴 방향을 분석하여 이와 같은 특징들이 일관성을 가질 수 있도록 이 매개변수들을 얼굴 전면에서의 측정 값으로 나누어줌으로써 표준화하였다. 본 논문에 제안된 방법의 문제점은 동공이 눈꺼풀로 가려질 때 동공의 식별이 이루어지지 않을 수 있다는 것이다. 이러한 문제를 해결하기 위해서, 특정 시점에 대한 얼굴 방향을 그 전후 프레임들에 대한 얼굴 방향 측정치들을 포함한 평균치로 계산하여야 한다.
- 본 논문에서는 동공영상을 획득하기 위하여 Hutchinson의 방법에 근거하여 880nm파장의 적외선 LED를 두개의 고리 모양으로 구성한 능동적 적외선 조명기를 제작하여 40nm파장에서 32mW의 강도로 적외선을 조사하였다. 안경을 쓴 사용자의 경우 빛의 반사에 따른 오인식이 있을 수 있으므로 안경을 착용 하지 않은 경우로 가정하였고 카메라와 사용자의 거리는 사용자가 컴퓨터 앞에 자연스럽게 앉아 있을 경우인 0.
- Hallinan[11,12]도 영상에서 눈을 검출하기 위해 템플릿 매칭을 사용하였다. 본 논문에서는 머리 영역 검출 후 적절한 상태가 판단되면 추출된 후보 영역이 얼굴인지의 여부를 판단하게 된다. 얼굴의 진위 여부를 판단하기 위해서 얼굴의 특징 요소인 양쪽 눈, 양쪽 콧구멍 및 입의 양끝을 사용하여, 구조적 정보와 비교적 처리 시간이 빠른 수평, 수직 히스토그램 분석법을 이용하여 얼굴의 요소를 검출하였다.
- 본 연구는 지도학습법의 GRNN알고리즘으로 얼굴 인식을 연구한다. GRNN(generalized regression neural network)은 Specht에 의해 처음 사용된 것으로 관측된 데이터의 확률 밀도 함수에 기본[13]을 두고 있다.
- 시선 식별을 위하여 1차적인 매개변수만을 이용할 경우 움직임이 있는 경우에 대한 시선 식별이 잘 이루어지지 않는 경향이 있기에 본 논문에서는 얼굴 움직임에 대비한 얼굴 방향에 대한 매개변수를 추출하고자 하였다. 얼굴방향에 대한 동공 특성은 다음과 같다.
가설 설정
- 이때 같은 동작으로 모든 단계부주의, 하품, 잠듬에 대하여 상향식 분류에 사전 확률을 설정한다. 실험을 위해 눈 검출 영역, 머리 방향 추정, 머리 움직임추정, 얼굴추적 등을 조합하여 a,b,c,d,e,f 로 동작을 가정하고 각 동작으로 모든 단계에 부주의, 하품, 잠듬에 대해 사전 확률을 측정한다. Ia, Yw, Fa는 각각 부주의, 하품, 잠듬을 나타낸다.
- 본 논문에서는 동공영상을 획득하기 위하여 Hutchinson의 방법에 근거하여 880nm파장의 적외선 LED를 두개의 고리 모양으로 구성한 능동적 적외선 조명기를 제작하여 40nm파장에서 32mW의 강도로 적외선을 조사하였다. 안경을 쓴 사용자의 경우 빛의 반사에 따른 오인식이 있을 수 있으므로 안경을 착용 하지 않은 경우로 가정하였고 카메라와 사용자의 거리는 사용자가 컴퓨터 앞에 자연스럽게 앉아 있을 경우인 0.5~1m로 하였다. 광원을 교차 조사함에 따라 안쪽 고리의 적외선 LED들이 켜졌을 때는 동공에서 반사된 적외선이 검출되어 밝은 동공영상이 생성되었고, 바깥 쪽 고리의 적외선 LED들이 켜졌을 때는 동공에 반사된 적외선이 검출되지 않으므로 어두운 동공이 생성되었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.