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 차량도난 방지 및 보안을 위한 운전자검증 알고리즘을 제안하였다. 기존의 검증 알고리즘에 적용되어 왔던 단순한 GMM 혹은 SVM 방식을 효과적으로 결합한 GMM supervector kernel을 이용한 SVM 방식을 통해 기존의 방식들보다 향상된 실험결과를 획득하였다.
제안 방법
- t개의 약한 분류기의 선형적인 결합을 통해 최종적으로 높은 검출성능을 가지는 강한 분류기를 생성하는 AdaBoosting 기법과 cascade 구조 [3]에 생성된 얼굴 특징 계수를 적용하여 입력된 동영상으로부터 얼굴후보 영역을 검출한다.
- 검출된 얼굴 후보 영역으로부터는 주성분 분석인 Principal Component Analysis(PCA)를 통해 전체 영상의 데이터를 데이터의 분산이 큰 몇 개의 고유얼굴에 대한 축으로 선형 투사시켜 테이터의 타원을 줄임으로써, 얼굴영역 이미지의 특징 파라미터를 추출한다. 고유 얼굴 생성은 얼굴영역집합으로부터 PCA 학습을 수행하여 획득된다.
- 검출된 얼굴영역으로부터 PCA를 통해 추출된 특징들은 얼굴검증을 위해 GMM supervector[4]를 SVM Kerenl에 적용한 GMM supervector kernel을 사용하여 학습과 검증을 수행한다. 상세한 학습 및 검증과정은 GMM supervector kernel를 이용한 SVM에서 설명된다.
- 본 논문에서는 GMM 방식과 SVM 방식을 효과적으로 결합한 GMM supervector kernel 방식을 통해 음성검증과 얼굴검증을 수행한다. 그리고 각 검증결과를 결합하여 자동차 환경에서 운전자를 인식하는 검증향상 알고리즘을 제안한다.
- GMM supervector 학습부에서는 운전자와 그 외의 화자들에 대한 음성집합들로부터 잡음과 에코성분에 강인한 음성특징을 추출한다. 그리고 추출된 음성특징들로부터 GMM기반의 화자 및 비화자 모델을 생성한다. 생성된 화자모델간의 kernel을 SVM기반의 학습을 통해 화자 및 비화자 경계구간을 결정하는 support vector를 검출한다.
- 다음 단계로 이중 버퍼를 이용하여 실시간으로 잡음과 음성이 제거된 음성 데이터를 입력 받으면서 절대 에너지 방식을 이용하여 음성인지 잡음인지를 체크하는 단계를 수행한다. 즉, 각 프레임의 절대 에너지가 설정된 값보다 크면 이 구간을 실제 음성으로 간주한다.
- 본 논문에서 사용한 얼굴인식 알고리즘은 에 나타난 바와 같이 크게 학습단계, 얼굴영역 검출단계와 얼굴검출단계로 나뉜다.
- 본 논문에서 제안된 생체기반 운전자검증 시스템은 일반적인 검증시스템과 마찬가지로 패스워드 검증 구간이 기본적으로 사용되며, 추가적으로 생체기반의 사용자 정보로서 자동차 내의 카메라와 마이크로부터 입력받는 얼굴 영상과 음성 데이터의 특징을 사용한다. 즉, 사용자가 운전좌석에 앉으면 시스템은 패스워드를 요구하고, 패스워드가 일치하면 얼굴 검증 단계와 음성 검증 단계로 들어간다.
- 본 논문에서는 GMM 방식과 SVM 방식을 효과적으로 결합한 GMM supervector kernel 방식을 통해 음성검증과 얼굴검증을 수행한다. 그리고 각 검증결과를 결합하여 자동차 환경에서 운전자를 인식하는 검증향상 알고리즘을 제안한다.
- 본 논문에서는 운전자 얼굴검증 방식과 음성검증방식을 독립적으로 적용한 후에, 각각의 검증결과를 결합하여 최종적으로 운전자인지를 결정하는 실험을 수행하였다.
- 즉, 각 프레임의 절대 에너지가 설정된 값보다 크면 이 구간을 실제 음성으로 간주한다. 본 논문에서는 음성 프레임의 길이를 100으로 설정하고, 데이터의 손실을 방지하기 위해서 프레임을 중복시키는 방식인 프레임 블록킹을 30으로 적용하였으며, 음성구간 추출은 절대 에너지가 설정된 값보다 큰 프레임이 6개 이상이 되면 그 부분은 유성음 구간으로 간주하여 메모리에 저장한다. 반면에, 절대 에너지가 설정된 값보다 작은 프레임이 20개 이상이 되면 무성음 구간까지 음성의 끝점을 검출하여 저장한다.
- 그리고 추출된 음성특징들로부터 GMM기반의 화자 및 비화자 모델을 생성한다. 생성된 화자모델간의 kernel을 SVM기반의 학습을 통해 화자 및 비화자 경계구간을 결정하는 support vector를 검출한다.
- 음성데이터는 마이크를 통해 8kHz/8 비트의 PCM 방식으로 녹음하였으며 끝점검출과 전처리 과정을 거친 후, 20 ms의 프레임 크기와 10ms의 프레임 간격을 사용하여 13차 MFCC 계수, 13차 delta-cepstral 계수를 포함하여 총 26차의 음성특징을 추출하였다. 운전자 및 비운전자 화자모델링은 GMM-UBM 방식에서는 가우시안 믹쳐의 개수를 2048 개로 고정하여 사용하였으며, SVM 배경은 2325 GMM suoervector를 추출함으로써 획득하였다.
- 본 논문에서는 [5]에서 사용한 음성향상 알고리즘을 사용하여 잡음과 에코를 제거하는 방식을 사용한다. 즉, 첫 단계로 크로스 스펙트럼 추정에 기반한 적응필터를 통해 에코를 제거하고, 두 번째 단계로 Generalized Gamma 분포기반의 Log Spectral Amplitude 음성추정 방식 추정을 통해 외부 배경잡음을 제거하여 음성의 음질을 향상시킨다.
- 즉, 사용자가 운전좌석에 앉으면 시스템은 패스워드를 요구하고, 패스워드가 일치하면 얼굴 검증 단계와 음성 검증 단계로 들어간다. 최종적으로 얼굴 검증 결과와 음성 검증 결과를 결합하여 설정된 운전자 검증 임계값과 비교해서 운전자의 검증을 수락할 것인지, 거절할 것인지를 결정한다.
- 운전자 및 비운전자 화자모델링은 GMM-UBM 방식에서는 가우시안 믹쳐의 개수를 2048 개로 고정하여 사용하였으며, SVM 배경은 2325 GMM suoervector를 추출함으로써 획득하였다. 추출된 GMM supervector와 SVM 배경을 사용하여 SVM 학습을 수행하였다.
- 추출된 음성특징들은 화자 음성 검증을 위해 GMM supervector kernel을 통해 학습과 검증을 수행한다.
- 화자검증과 얼굴검증의 방식이 동일하기 때문에 본 소단원에서는 화자검증의 경우를 통해 GMM supervector kernel을 이용한 SVM 알고리즘을 설명한다. 음성 DB는 운전자 음성 DB와 비운전자 음성 DB로 구성되며, 다양한 잡음 환경 하에서 녹음된 음성정보를 사용하여 GMM 학습을 통해 운전자 GMM-Universal Background Model(GMM-UBM)과 비운전자 GMM-UBM을 각각 생성한다.
대상 데이터
- 얼굴검증을 위해서는 다양한 실내/외 환경과 주차장에서 자동차 운전석에 앉은 20명의 얼굴을 녹화한 얼굴 DB와 20명이 각각 10문장을 발성한 음성 DB를 구성하여 실험에 사용하였다.
- 학습이미지의 크기는 24×24로 정규화 하였고 24개의 캐스케이트 구조를 통해 최종 전체 특징계수 6050개를 사용하였다.
데이터처리
- 표 1은 본 논문에서 제안한 얼굴검증 방식인 GMM supervector kernel을 이용한 SVM (GMM SK) 방식을 기존의 단순한 GMM, SVM 방식과 성능을 비교하였다.
이론/모형
- 검출된 음성프레임은 특징 추출 알고리즘인 MFCC 방식을 통해 음성의 특징 정보를 추출한다. 이 절차는 pre-emphasis 처리, 해밍 윈도우 처리, fast Fourier transform을 각각 수행하여 주파 수영역으로 변환한다.
- 본 논문에서는 [5]에서 사용한 음성향상 알고리즘을 사용하여 잡음과 에코를 제거하는 방식을 사용한다. 즉, 첫 단계로 크로스 스펙트럼 추정에 기반한 적응필터를 통해 에코를 제거하고, 두 번째 단계로 Generalized Gamma 분포기반의 Log Spectral Amplitude 음성추정 방식 추정을 통해 외부 배경잡음을 제거하여 음성의 음질을 향상시킨다.
- 본 논문에서는 얼굴검증 및 화자검증의 정확도를 향상시키기 위해 GMM 방식과 SVM 방식을 결합한 GMM supervector kernel을 사용하며, 그에 대한 알고리즘 구조 와 같다.
- 이렇게 형성된 운전자 GMM supervector와 비운전자 GMM supervector는 SVM 학습에 적용되어 운전자와 비운전자를 식별하는 support vector를 생성한다. 생성된 support vector는 입력된 음성에 대해 화자 음성 검증을 결정하는 SVM기반 검증방식에 적용된다.
- 얼굴영역 검출을 위한 AdaBoost 학습을 위해서는 MIT 얼굴 DB를 이용하였다. 학습이미지의 크기는 24×24로 정규화 하였고 24개의 캐스케이트 구조를 통해 최종 전체 특징계수 6050개를 사용하였다.
- 음성데이터는 마이크를 통해 8kHz/8 비트의 PCM 방식으로 녹음하였으며 끝점검출과 전처리 과정을 거친 후, 20 ms의 프레임 크기와 10ms의 프레임 간격을 사용하여 13차 MFCC 계수, 13차 delta-cepstral 계수를 포함하여 총 26차의 음성특징을 추출하였다. 운전자 및 비운전자 화자모델링은 GMM-UBM 방식에서는 가우시안 믹쳐의 개수를 2048 개로 고정하여 사용하였으며, SVM 배경은 2325 GMM suoervector를 추출함으로써 획득하였다. 추출된 GMM supervector와 SVM 배경을 사용하여 SVM 학습을 수행하였다.
성능/효과
- 본 논문에서는 차량도난 방지 및 보안을 위한 운전자검증 알고리즘을 제안하였다. 기존의 검증 알고리즘에 적용되어 왔던 단순한 GMM 혹은 SVM 방식을 효과적으로 결합한 GMM supervector kernel을 이용한 SVM 방식을 통해 기존의 방식들보다 향상된 실험결과를 획득하였다. 제안된 방식의 강인성은 실제 자동차 보안환경에서 매우 유용하게 사용될 수 있으리라 생각된다.
- 음성검증에 있어서도 제안된 음성검증 알고리즘 GMM SK 방식이 기존의 방식인 GMM, SVM에 비해 보다 향상된 정확률 개선을 보여주었다. 최종적으로 제안된 GMM SK 방식을 얼굴검증 결과와 음성검증결과를 결합하여 운전자검증에 적용한 결과 98.
- 음성검증에 있어서도 제안된 음성검증 알고리즘 GMM SK 방식이 기존의 방식인 GMM, SVM에 비해 보다 향상된 정확률 개선을 보여주었다. 최종적으로 제안된 GMM SK 방식을 얼굴검증 결과와 음성검증결과를 결합하여 운전자검증에 적용한 결과 98.5%의 높은 검출 정확률을 보였으며, 이는 GMM 방식보다는 5.9% 개선되었고, SVM 방식보다는 3.1%가 개선되었음을 알 수 있었다.
- 표 1의 결과를 고찰해 보면 제안된 방식의 얼굴검증 알고리즘이 기존의 방식인 GMM, SVM에 비해 보다 향상된 정확률 개선을 보여줌을 알 수 있다.
후속연구
- 기존의 검증 알고리즘에 적용되어 왔던 단순한 GMM 혹은 SVM 방식을 효과적으로 결합한 GMM supervector kernel을 이용한 SVM 방식을 통해 기존의 방식들보다 향상된 실험결과를 획득하였다. 제안된 방식의 강인성은 실제 자동차 보안환경에서 매우 유용하게 사용될 수 있으리라 생각된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.