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 얼굴인식 시스템에서의 위장을 판별하기 위하여 템플릿 매칭의 유사도와 아다부스트를 이용한 시스템을 구현하여 새로운 형태의 위장 판별 시스템을 구현하였다.
- 본 논문의 목적은 얼굴검출 후, 템플릿 매칭을 통해서 얻은 유사도를 바탕으로 눈의 유무를 확인하여 선글라스 착용을 판별하고 아다부스트를 코검출기로 활용함으로써 입의 유무를 확인하여 마스크 착용 여부를 판단하는 위장 판별 시스템의 구현이라고 할 수 있다.
제안 방법
- 제안하는 알고리즘은 총 3단계로 나눌수 있으며 이는 각각 EBGM 모델링, 눈좌표 검출 시스템, 위장 판별 시스템으로 나뉜다. 1단계인 EBGM 모델링을 통해 만들어진 모델[15]을 2단계에 실시되는 눈좌표 검출시스템에서 사용하여 눈의 위치를 찾게 되고 찾은 눈의 위치를 바탕으로 3단계인 위장 판별 시스템을 실행한다. 그림 4는 제안하는 알고리즘에 대한 구조도이다.
- 4절에서 설명한 가버특징벡터 모델을 사용하여 대략적인 눈의 위치를 검출한다. 검출한 눈위치를 초기값으로 하여 한 단계 업샘플링한 128 x 128크기의 영상에서 다시 가버특징벡터 모델을 사용하여 더욱 정교한 눈위치를 검출한다. 이와 같은 과정을 한번 더 반복하여 256x256크기 영상에서의 최종 눈의 위치를 검출한다.
- 역시 일정 값 이상의 유사도를 넘는다면 다중 스케일 가버 특징 벡터 모델에서의 눈위치를 최종 눈위치로 결정하고 넘지 못한다면 다중 스케일 가버 특징 벡터 모델에서의 눈위치를 최종 눈위치로 사용하지 않고 다음 프레임으로 넘어간다. 다음 프레임에서 다시 제안하는 알고리즘을 순서대로 실행하여 움직이는 영상에 대하여 눈위치를 검출한다. 사용하지 않는 눈위치에 대해서는 위조판별에서 고려하지 않는다.
- 4이상이면 실제 이미지로 분류하는 방법[1]이 사용된다. 또한, 카메라에서 얻어지는 연속된 이미지를 분석하여 이진화된 영상에서 눈 영역을 조사하여 변화폭을 조사함을 통해 눈의 깜박임을 비교하는 방법[2]에 대한 연구도 진행되었다.
- 마지막으로 각도에 대한 정규화이다. 벨리(valley)와 엣지(edge)정보를 이용하여 틸트(Tilt)각도를 얻어서 그림 7과 같이 기울어짐에 관한 정규화를 실행한다. 엣지를 얻기 위해 조명정규화까지 완료된 이미지에 소벨 연산자를 적용 하여 엣지를 검출한다.
- 하지만 코 검출기 역시 에러율이 존재한다. 보다 신뢰성 높은 마스크 판별 시스템의 구현을 위해 연속적인 프레임에 코검출기를 사용하고 각각의 프레임에 대한 결과를 연속적으로 누적시켜 이를 카운팅하는 방법을 사용한다. 그림 16은 연속적인 프레임에 대한 코검출기를 사용한 결과이다.
- 본 논문에서는 특히 위장 판별을 위해 EBGM을 기반으로 찾은 눈의 좌표를 기반으로 템플릿 매칭을 실시한 결과(유사도)를 가지고 선글라스의 착용여부를 판별하고 아다부스트를 코 검출기를 사용하여 코의 검출 여부를 가지고 마스크의 착용여부를 판단하는 시스템을 다룬다.
- 벨리(valley)와 엣지(edge)정보를 이용하여 틸트(Tilt)각도를 얻어서 그림 7과 같이 기울어짐에 관한 정규화를 실행한다. 엣지를 얻기 위해 조명정규화까지 완료된 이미지에 소벨 연산자를 적용 하여 엣지를 검출한다. 벨리는 이미지 화소의 밝기가 급격히 변하면서 주위 화소 보다 낮은 밝기를 갖는 부분, 즉 주위보다 어두운 부분으로 정의된다.
- 본 논문에서는 복잡한 배경에서 다양한 크기와 자세의 얼굴 영역을 실시간으로 정확하게 추출하기 위하여 아다부스트 방법을 이용하였다. 여기서 아다부스트를 효과적으로 사용할 수 있도록 단계적인 방법을 이용하여 얼굴 영역을 검출한다. 단계적 검출의 각 단계에서 사용하는 얼굴 패턴은 MxM(예, 21x21) 저해상도에서 표현되는 얼굴 패턴을 이용하였다.
- 위장 판별에서 선글라스의 경우에는 다중스케일 가버 특징벡터의 결과로 얻은 눈의 위치 주변에 눈을 템플릿으로 하여 템플릿 매칭을 실시한 후 유사도를 비교하여 유사도가 최고인 값이 임계값보다 높은 경우에는 눈이 있다고 판단하여 정상으로, 임계값보다 낮은 경우에는 눈이 없다고 판단하여 선글라스 착용여부를 판단한다. 그림 13과 같이 정상의 경우와 선글라스를 착용한 경우에 눈좌표 주위에 템플릿 매칭을 실시한다.
- 이 논문을 통해 우리는 얼굴 인식 시스템에서 사용할 수 있는 위장 판별 시스템을 템플릿 매칭의 유사도와 아다부스트를 이용하여 구현하였고 우수성을 입증하였다.
- Ma 등은 확률 프레임워크에 기반을 둔 눈의 위치 검출 방법을 제안하였다[6]. 이 방법에서는 먼저 대략적인 눈의 위치 후보 지점들을 아다부스트(Adaboost)[7] 방법으로 찾은 후에 계산량 경감을 위해 서브 샘플링하여 후보 수를 줄이고 왼쪽 눈 및 오른쪽 눈의 모든 가능한 두 눈에 대해 정규화한 후 이들 쌍이 얼마나 진짜 두눈에 가까울 지에 대한 확률을 계산하고 이러한 확률에 기반을 두어 최종적으로 정교한 눈의 좌표를 확정한다. Campadelli 등은 적절히 선택된 하웨이블렛(Haar Wavelet) 계수에 기반을 두어 훈련된 2단계 서포트 벡터 머신을 사용한 눈의 위치 검출 알고리즘을 제안하였다[8].
- 이들을 비교해 보면, 얼굴이 똑바로 되었을 때가 기울어져 있을 때에 비해 에지 및 벨리 수직 히스토그램 분포의 분산(평균에서의 변화 정도)이 큼을 알 수 있다. 이러한 사실을 이용하여 틸트 각도(분산이 가장 큰 회전 각도)를 구해 얼굴을 똑바로 하였다. 정규화의 결과로 얻은 그림 7의 영상을 기반으로 눈위치검출을 실행한다.
- 그림 2는 다운샘플링의 예이다. 이후 추정된 초기점을 상위 스케일의 입력영상 이미지에서의 초기값으로 취하고 상위 스케일 얼굴 이미지에서 같은 방법으로 초기점을 찾으며, 이를 반복적으로 하여 최종적으로 입력영상이미지에서의 최종 초기값을 결정하는 것이다. 그림 3은 각 단계에서의 초기점 변화를 나타내고 있다.
- 정확성을 높이기 위해 3.2절에 기술한 다중 스케일 가버 특징벡터를 사용하여 검출한 눈위치에 대해 각각 다른 템플릿을 사용하는 2단계 템플릿 매칭을 실시한다. 그림 9는 다중 스케일 가버특징 벡터모델을 사용하여 최종 눈위치를 얻어낸 결과이다.
- 제안하는 알고리즘은 총 3단계로 나눌수 있으며 이는 각각 EBGM 모델링, 눈좌표 검출 시스템, 위장 판별 시스템으로 나뉜다. 1단계인 EBGM 모델링을 통해 만들어진 모델[15]을 2단계에 실시되는 눈좌표 검출시스템에서 사용하여 눈의 위치를 찾게 되고 찾은 눈의 위치를 바탕으로 3단계인 위장 판별 시스템을 실행한다.
대상 데이터
- 본 논문의 실험에 사용된 PC의 사양은 인텔코어2듀어 콘로 E6600(4MB L2 캐쉬 2.4GHz@3.25GHz), 메인 메모리는 2GB이다. 사용된 카메라는 시중에 판매되는 IVT-30IR 를 사용하였다.
- I database를 사용하였다. 사용된 데이터의 얼굴영상들은 각도변화가 -5도에서 +5도사이의 정면사진(A.I database 44장)이며 카메라와의 거리는 얼굴검출 및 코 검출이 가능한 최대 거리인 1.2m 로 제한하였다. 그림 17은 A.
- 25GHz), 메인 메모리는 2GB이다. 사용된 카메라는 시중에 판매되는 IVT-30IR 를 사용하였다. 코 검출기를 구현하기 위해 Nariz_nuevo_20stages.
- 위장 탐지에 사용된 실험 데이터는 A.I database를 사용하였다. 사용된 데이터의 얼굴영상들은 각도변화가 -5도에서 +5도사이의 정면사진(A.
이론/모형
- 가버 특징 벡터를 이용한 눈의 위치 검출 방법은 EBGM(Elastic Bunch Graph Matching)[10,11] 등의 얼굴 인식 알고리즘에서 눈의 위치 및 얼굴의 다른 특징점들을 추출하는데 사용되었다. 가버 특징 벡터는 왜곡, 회전, 조명 등에 대해 비교적 강인한 것으로 잘 알려져 있다[12].
- 본 논문에서는 복잡한 배경에서 다양한 크기와 자세의 얼굴 영역을 실시간으로 정확하게 추출하기 위하여 아다부스트 방법을 이용하였다. 여기서 아다부스트를 효과적으로 사용할 수 있도록 단계적인 방법을 이용하여 얼굴 영역을 검출한다.
- 다음은 조명의 정규화이다. 인간의 시각이 반사부분에는 민감한 반면 조명 부분에는 민감하지 못하다는 것과 전체적인 명도값의 변화보다는 명도값의 지역적 대비에 더 민감하기 때문에 비등방성 확산방법[16]을 이용하여 조명의 정규화를 실행한다. 그림 6은 실행후의 영상이다.
성능/효과
- Kim과 Chung [12]은 다중 해상도 가버 특징 벡터를 이용한 강인한 눈검출의 방법을 제안하였다. 기존 EBGM에 다중 해상도라는 기법을 도입하여 그 성능을 향상 시켰다.
- 제안된 방법으로 구현한 시스템은 기존의 다중 스케일 가버 특징 벡터 모델 기반 눈위치 검출만으로는 정확하지 않은 눈검출 부분의 에러를 2단계 템플릿 매칭으로 보완하여 이후의 보다 정확한 위장 판별이 가능하다. 하지만 각도와 거리에 대한 제한조건으로 인해 보편적이지 못한 실험환경과 조명변화에 민감한 부분, 템플릿에 따라 변할 수 있는 실험 결과, 다양한 종류의 선글라스(렌즈의 투명도)에 대한 실험, 보다 넓은 의미에서의 위장(모자, 붕대, 악세사리)에 대해서는 앞으로 보완해 나가야 하는 점이다.
- 표 1과 표 2를 표 3과 비교할 때 제안된 방법으로 구현한 시스템이 기존의 색정보를 이용한 위장 판별 시스템에 비해 정확한 위장 판별이 가능하다는 것을 알 수 있다.
후속연구
- 제안된 방법으로 구현한 시스템은 기존의 다중 스케일 가버 특징 벡터 모델 기반 눈위치 검출만으로는 정확하지 않은 눈검출 부분의 에러를 2단계 템플릿 매칭으로 보완하여 이후의 보다 정확한 위장 판별이 가능하다. 하지만 각도와 거리에 대한 제한조건으로 인해 보편적이지 못한 실험환경과 조명변화에 민감한 부분, 템플릿에 따라 변할 수 있는 실험 결과, 다양한 종류의 선글라스(렌즈의 투명도)에 대한 실험, 보다 넓은 의미에서의 위장(모자, 붕대, 악세사리)에 대해서는 앞으로 보완해 나가야 하는 점이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.