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
- 싱글코어에서 클록을 높이는 것보다 멀티코어로 발전함이 다양한 확장성과 시스템 성능향상, 전력 소비의 감소 등의 효과를 얻을 수 있다[2]. 이러한 장점을 기반으로 본 연구에서는 임베디드 시스템에서의 효율적인 얼굴 검출을 목적으로 하고 있다. 멀티코어가 내장된 임베디드 하드웨어 플랫폼을 이해하고 얼굴 검출을 구성하는 알고리즘을 스레드를 활용하여 병렬 처리하였다.
제안 방법
- (1) 멀티코어 H/W : 기존의 싱글코어에서 멀티 스레드를 활용하여 설계하면 일정 시간마다 소프트웨어 스레드를 번갈아 가며 실행하는 방법을 사용하였다. 처리 결과만 보면 병렬처리라 할 수 있지만 그 과정은 완벽한 병렬처리라 할 수 없다.
- 멀티코어가 내장된 임베디드 하드웨어 플랫폼을 이해하고 얼굴 검출을 구성하는 알고리즘을 스레드를 활용하여 병렬 처리하였다. 기존의 Viola-Jones 알고리즘을 멀티코어에 맞게 변형하여 성능을 개선하였으며 그 결과를 ARM Cortex-A9 MPCore에서 측정하였다.
- 기존의 얼굴검출 알고리즘으로 널리 사용되는 Viola-Jones 알고리즘을 멀티코어가 내장된 임베디드 시스템에 맞게 설계하였고 그 결과를 수치로 나타내었다. 그 결과 기존의 알고리즘보다 약 1.
- 관련연구에서는 기존의 얼굴 검출 연구를 알아보고 본 연구에 활용되는 Viola-Jones 알고리즘[3]에 대해 설명하였다. 또한 3절에서는 효율적인 병렬처리를 위해 ARM Cortex-A9 MPCore를 분석하였다. 3장의 제안하는 방법 1절에서는 멀티코어에 맞는 병렬처리 방법에 대해 기술하였고 2절에서는 피부색을 통한 얼굴 후보 추출과 POSIX Thread를 활용하여 얼굴 검출 알고리즘을 병렬 처리하는 방법에 대해 설명한다.
- 이러한 장점을 기반으로 본 연구에서는 임베디드 시스템에서의 효율적인 얼굴 검출을 목적으로 하고 있다. 멀티코어가 내장된 임베디드 하드웨어 플랫폼을 이해하고 얼굴 검출을 구성하는 알고리즘을 스레드를 활용하여 병렬 처리하였다. 기존의 Viola-Jones 알고리즘을 멀티코어에 맞게 변형하여 성능을 개선하였으며 그 결과를 ARM Cortex-A9 MPCore에서 측정하였다.
- 본 연구에서는 기존의 PC기반의 인식 시스템이 아닌 SoC를 이용한 임베디드 시스템에 OS 환경을 구축하고 피부색정보와 병렬처리 방법을 이용하여 얼굴검출 시스템을 구현하였다.
- 본 연구에서는 멀티코어에 효율적인 얼굴검출 알고리즘을 구현한 후 싱글코어와 멀티코어에서 성능을 측정하여 비교하였다. 얼굴검출에 필요한 학습데이터는 OpenCV Library에서 제공하는 “haarcascade_frontalface_alt2.
- Windows의 위치는 데이터의 크기에 따라 개수가 달라지며 상단 좌측부터 하단 우측까지 움직이게 된다. 본 연구에서는 코어 수에 맞게 POSIX Thread를 생성하여 Windows 탐색과정을 병렬처리 하였다.
- 본 연구에서는 효율적인 병렬처리 방법을 위해 그림 5과 같이 4단계로 나누어 시스템을 설계하였다.
- 이러한 과정은 얼굴 위치를 정해두지 않고 탐색하기 위해선 필수적인 단계로 모든 영역을 탐색하다보면 시간이 많이 소요된다. 이러한 문제점을 어느 정도 보완하기 위해 피부색을 통해 얼굴 영역을 검출한다. 입력되는 데이터를 YCbCr 형식으로 맞추고 그 중 Cb, Cr의 컬러영상 픽셀 값을 기준으로 피부색을 판단한다.
- 이러한 동작은 서로 독립적이고 의존성이 없다. 이러한 사실에 기반을 두어 탐색의 범위를 지정하는 Windows를 병렬 처리하도록 설계하였다.
대상 데이터
- xml"를 사용하였고 입력영상은 얼굴 정면이 보이는 이미지 파일을 100장을 사용하였고 대표적인 5개의 이미지 파일의 결과를 표에 나타내었다. 실험에 사용되는 SoC는 Cortex-A8 Single-Core가 내장된 S5PV210와 Cortex-A9 Dual-Core가 내장된 Exynos4210[6]를 사용하였다. SoC에 리눅스 커널 4.
- 본 연구에서는 멀티코어에 효율적인 얼굴검출 알고리즘을 구현한 후 싱글코어와 멀티코어에서 성능을 측정하여 비교하였다. 얼굴검출에 필요한 학습데이터는 OpenCV Library에서 제공하는 “haarcascade_frontalface_alt2.xml"를 사용하였고 입력영상은 얼굴 정면이 보이는 이미지 파일을 100장을 사용하였고 대표적인 5개의 이미지 파일의 결과를 표에 나타내었다. 실험에 사용되는 SoC는 Cortex-A8 Single-Core가 내장된 S5PV210와 Cortex-A9 Dual-Core가 내장된 Exynos4210[6]를 사용하였다.
데이터처리
- 실험에 사용되는 SoC는 Cortex-A8 Single-Core가 내장된 S5PV210와 Cortex-A9 Dual-Core가 내장된 Exynos4210[6]를 사용하였다. SoC에 리눅스 커널 4.6버전을 설치하고 Arm-linux-g++ 4.4.1 컴파일러를 사용하여 성능을 측정하였다.
이론/모형
- Viola-Jones의 전체 알고리즘 순서는 2.2절에서 언급한 것과 마찬가지로 다양한 Haar-like feature가 모여서 Adaboost 알고리즘을 구성한다. Adaboost 알고리즘을 통해 높은 검출 성공률을 얻기 위해서는 매우 많은 수의 약분류기를 사용해야 한다.
- Cascade는 많은 약분류기를 단계별로 구분하여 빠르게 얼굴을 검출한다[2]. 위 방법을 토대로 Viola-Jones 알고리즘은 실시간으로 물체를 검출할 수 있게 하였으며 Adaboost 알고리즘은 하나의 특징만을 이용하여 단일 약분류기 여러 개를 중요도에 따라 가중치를 두어 조합한 강분류기를 만들어냄으로써 Viola-Jones 알고리즘이 물체를 더욱 정확하게 검출할 수 있도록 하였다.
성능/효과
- 기존의 얼굴검출 알고리즘으로 널리 사용되는 Viola-Jones 알고리즘을 멀티코어가 내장된 임베디드 시스템에 맞게 설계하였고 그 결과를 수치로 나타내었다. 그 결과 기존의 알고리즘보다 약 1.8배 빠른 검출 속도를 나타내었다. 이 결과는 코어의 클록과 FPU의 성능개선도 영향을 미쳤지만 병렬처리 방법이 가장 큰 영향을 미쳤다고 할 수 있다.
- 표 1과 같이 싱글코어에서는 제안한 병렬처리 얼굴 검출보다 기존의 Viola-Jones 알고리즘이 미세하게 더 빠른 성능을 보였다. 그 이유는 제안하는 방법은 POSIX Thread를 사용하여 병렬처리 연산을 하기 때문에 Single-Core에서는 의미가 없고 또한 POSIX Thread를 생성하고 관리하는데 시간이 소요되어 효과가 없다. 하지만 표2의 수치와 같이 Dual-Core를 가진 Exynos4210 SoC칩에서 성능을 측정하면 기존의 Viola-Jones 알고리즘에 비해 평균 1.
- 멀티코어와 SCU(Snoop Control Unit)를 사용하면 멀티코어 애플리케이션 프로그래밍에 매우 효과적이다. 또한 NEON 미디어 처리 엔진을 통해 애플리케이션 성능을 개선하고 소프트웨어 개발의 편리성을 제공한다. 얼굴검출 알고리즘을 설계하다보면 부동소수점 연산은 필연적으로 사용할 수밖에 없다.
- 향후 Core의 개수가 증가하고 병렬 처리량이 많아지면 현재 제안한 얼굴검출 방법은 더욱 빠른 속도가 측정될 것으로 생각된다. 얼굴검출 성공률의 경우는 모두 동일한 학습데이터 파일을 사용하였고 개발환경 또한 동일하여 기존의 소스와 동일한 검출 성공률을 보였다. 영상 데이터의 얼굴 방향이 정면을 향하고 일정수준 이상의 크기와 화질을 가진 데이터는 99%의 얼굴검출 성공률을 보이지만 그 외의 얼굴의 각도가 달라진 사진 또는 배경화면에 따라 성공률은 많이 달라진다.
- 얼굴검출 성공률의 경우는 모두 동일한 학습데이터 파일을 사용하였고 개발환경 또한 동일하여 기존의 소스와 동일한 검출 성공률을 보였다. 영상 데이터의 얼굴 방향이 정면을 향하고 일정수준 이상의 크기와 화질을 가진 데이터는 99%의 얼굴검출 성공률을 보이지만 그 외의 얼굴의 각도가 달라진 사진 또는 배경화면에 따라 성공률은 많이 달라진다. 앞으로 스레드를 활용한 병렬처리 외에도 SIMD 명령어를 통한 연구도 진행할 것이며 다양한 알고리즘을 멀티코어에 맞게 구현하는 연구도 진행할 것이다.
- 표 1과 같이 싱글코어에서는 제안한 병렬처리 얼굴 검출보다 기존의 Viola-Jones 알고리즘이 미세하게 더 빠른 성능을 보였다. 그 이유는 제안하는 방법은 POSIX Thread를 사용하여 병렬처리 연산을 하기 때문에 Single-Core에서는 의미가 없고 또한 POSIX Thread를 생성하고 관리하는데 시간이 소요되어 효과가 없다.
- 그 이유는 제안하는 방법은 POSIX Thread를 사용하여 병렬처리 연산을 하기 때문에 Single-Core에서는 의미가 없고 또한 POSIX Thread를 생성하고 관리하는데 시간이 소요되어 효과가 없다. 하지만 표2의 수치와 같이 Dual-Core를 가진 Exynos4210 SoC칩에서 성능을 측정하면 기존의 Viola-Jones 알고리즘에 비해 평균 1.8배 증가하는 결과를 보였다. 인식률의 경우 동일한 학습데이터 파일을 사용하여 기존의 인식률과 변함이 없었다.
후속연구
- (4) 공유 데이터 : 멀티프로그램 방법으로 알고리즘을 구현하였다면 병렬 처리되는 모듈간의 의존성을 확인해야 한다. 하나의 결과를 위해 동작하는 과정들은 다양한 모듈로 구성되어 있고 각각의 모듈은 병렬처리로 병렬처리 되고 있다.
- 영상 데이터의 얼굴 방향이 정면을 향하고 일정수준 이상의 크기와 화질을 가진 데이터는 99%의 얼굴검출 성공률을 보이지만 그 외의 얼굴의 각도가 달라진 사진 또는 배경화면에 따라 성공률은 많이 달라진다. 앞으로 스레드를 활용한 병렬처리 외에도 SIMD 명령어를 통한 연구도 진행할 것이며 다양한 알고리즘을 멀티코어에 맞게 구현하는 연구도 진행할 것이다.
- 향후 Core의 개수가 증가하고 병렬 처리량이 많아지면 현재 제안한 얼굴검출 방법은 더욱 빠른 속도가 측정될 것으로 생각된다. 얼굴검출 성공률의 경우는 모두 동일한 학습데이터 파일을 사용하였고 개발환경 또한 동일하여 기존의 소스와 동일한 검출 성공률을 보였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.