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 실험은 야간상황에서의 나이트비전을 이용한 얼굴인식 실험이다. CCD카메라로는 야간상황에서 얼굴데이터 취득이 어렵다는 문제점이 존재하여 야간장비인 나이트비전을 이용하여 얼굴 데이터를 취득 하고, 취득된 얼굴 데이터를 가지고 주간의 얼굴 데이터와 인식률을 비교 하였다.
제안 방법
- 본 실험은 야간상황에서의 나이트비전을 이용한 얼굴인식 실험이다. CCD카메라로는 야간상황에서 얼굴데이터 취득이 어렵다는 문제점이 존재하여 야간장비인 나이트비전을 이용하여 얼굴 데이터를 취득 하고, 취득된 얼굴 데이터를 가지고 주간의 얼굴 데이터와 인식률을 비교 하였다. 야간 얼굴 데이터는 3가지의 조건으로 구성하였고 주간의 얼굴 데이터는 일반적인 주간 상황의 얼굴 영상으로 실험을 진행 하였다.
- 차분진화에서 사용되는 연산자는 주로 임의로 선택된 개체들 사이의 차이를 사용한다. DE를 이용하여 제안된 모델의 다항식의 차수와 클러스터 수 및 퍼지화 계수를 최적화시킨다.
- pRBFNNs는 기존의 RBFNNs과 달리 결론부의 연결 가중치를 상수항에서 일차식과 이차식, 변형된 이차식으로 확장하여 사용하고, 조건부의 활성함수로 사용되는 가우시안 함수 대신 FCM 클러스터링을 사용하였다. pRBFNNs 패턴분류기는 전처리가 끝난 입력 이미지를 학습하는 과정과 인식 단계에서 사용하게 된다.
- 첫 번째 조건은 빛이 없는 암전상태의 상황으로 조도 값은 0～5Lux 값을 가지는 상황에서 8명 각각 얼굴데이터를 취득 하였다. 그리고 두 번째로 희미한 빛이 존재하는 경우의 조도 값은 5～20Lux 값의 상황을 만들어 데이터를 취득하였고 세 번째 조건으로 첫 번째 암전상황에서 나이트비전을 사용하여 얼굴영상을 취득하였다. 마지막으로는 우리가 일반적으로 주간에 영상을 취득하는 방법과 동일한 방법으로 취득을 하였다.
- 또한 취득된 영상은 고차원의 이미지 데이터로써 인식에 필요한 특징데이터를 추출하기 위하여 차원축소 기법인 PCA (Principal Components Analysis)기법을 사용한다. 그리고 얼굴인식을 위하여 pRBFNNs (Polynomial-based Radial Basis Function Neural Networks) 지능형 패턴분류 모델을 구축한다. 구축된 지능형 모델은 연결가중치가 기존 상수항에서 2차식까지 확장되며 FCM 클러스터링으로 조건부를 구성하여 성능을 개선하였다.
- 본 논문에서 제안된 pRBFNNs는 기존의 RBFNNs와 달리 결론부의 연결가중치를 상수항대신 일차식과 이차식, 변형된 이차식으로 확장하여 사용한다. 그리고 조건부의 활성함수는 기존의 가우시안 함수대신 FCM클러스터링 알고리즘을 사용하여 데이터의 특성을 반영 할 수 있도록 하였고, 이렇게 제안된 패턴분류기는 전처리 과정 이후의 이미지를 학습하는 과정과 인식하는 단계에서 사용된다.
- 이러한 내용을 바탕으로 약한 분류기가 결합하여 높은 검출 성능을 갖는 강한 분류기를 형성한다. 생성된 분류기는 얼굴과 비얼굴 영역을 검출할 수 있는 분류기가 된다.
- 패턴분류기를 이용하여 학습과 인식을 수행하는 경우 고차원의 데이터는 잡음 특성까지 포함되어 데이터를 분류하는데 방해가 될 뿐만 아니라 많은 데이터양으로 인하여 속도가 느려지는 단점이 생긴다. 이러한 문제를 해결하기위해 주성분 분석법을 이용하여 데이터의 차원을 축소하고 얼굴의 특징을 추출한다. Turk와 Pentland는 고유 얼굴을 통한 얼굴인식 방법을 제안하였다.
- 이렇게 축소된 데이터를 이용하여 야간의 상황별 데이터와 주간의 일반 데이터의 인식률을 본 논문에서 제시된 pRBFNNs 패턴분류기를 통하여 인식률을 산출하였다. 인식결과는 표 4와 같다.
- 이렇게 취득된 데이터는 인공 및 자연 조명이 포함되어 있어 영상의 식별에 어려움을 주는 경우가 발생할 수 있기 때문에 히스토그램 평활화를 이용하여 인공조명과 자연조명의 왜란을 최소화 하였고 Ada-Boost 알고리즘을 이용하여 배경과 얼굴이미지를 분리하는 전처리 과정을 수행 하였다. 그리고 얼굴 데이터의 데이터 양이 많기 때문에 패턴 분류기를 구동함에 있어서 시간이 오래 걸리는 단점이 발생 할 수 있기 때문에 PCA 알고리즘을 이용하여 고차원의 얼굴 데이터를 축소하는 과정을 거쳤고 인식 성능의 향상을 위하여 차분진화(Differential Evolution: DE)알고리즘을 사용하였다.
- 기존의 2차원의 얼굴인식 시스템은 야간상황에서의 인식이 힘들다는 단점이 존재 한다. 이와 같은 단점을 보안하기 위하여 야간에도 영상을 취득할 수 있는 장비인 나이트비전 장비를 이용하여 얼굴의 영상을 취득함으로써 일반 CCD 카메라를 이용한 얼굴인식에서 발생했던 야간영상의 인식률 저하 문제를 해결한다. 나이트 비전 장비를 통하여 취득한 야간 영상은 히스토그램 평활화를 이용하여 왜곡된 영상의 질을 개선한다.
대상 데이터
- 마지막으로는 우리가 일반적으로 주간에 영상을 취득하는 방법과 동일한 방법으로 취득을 하였다. 각각의 상황에서 인식후보 8명의 데이터는 80장으로 총 320으로 데이터를 구성하였다.
- 본 연구의 실험과정의 데이터 구성으로는 수원대학교 지능제어 및 컴퓨터 지능 연구실(IC &CI Lab.) 연구원으로 전체 8명으로 구성 되어 있다.
- CCD카메라로는 야간상황에서 얼굴데이터 취득이 어렵다는 문제점이 존재하여 야간장비인 나이트비전을 이용하여 얼굴 데이터를 취득 하고, 취득된 얼굴 데이터를 가지고 주간의 얼굴 데이터와 인식률을 비교 하였다. 야간 얼굴 데이터는 3가지의 조건으로 구성하였고 주간의 얼굴 데이터는 일반적인 주간 상황의 얼굴 영상으로 실험을 진행 하였다. 데이터의 전처리 작업을 통하여 특징이 개선됨을 확인 하였고 PCA 알고리즘을 이용하여 고차원의 데이터를 축소하고 차분 진화 알고리즘을 이용하여 파라미터를 최적화하여 인식 시스템의 성능을 향상 시켰다.
- 연구실인원 각각의 영상 데이터는 4가지 조건으로 구성된다. 첫 번째 조건은 빛이 없는 암전상태의 상황으로 조도 값은 0～5Lux 값을 가지는 상황에서 8명 각각 얼굴데이터를 취득 하였다. 그리고 두 번째로 희미한 빛이 존재하는 경우의 조도 값은 5～20Lux 값의 상황을 만들어 데이터를 취득하였고 세 번째 조건으로 첫 번째 암전상황에서 나이트비전을 사용하여 얼굴영상을 취득하였다.
이론/모형
- 히스토그램 평활화는 영상의 화질 개선과 조명으로 인한 왜곡현상을 보완해준다. AdaBoost 알고리즘을 이용하여 얼굴과 배경의 차이를 잘 나타내 주는 특징데이터를 선택하여 얼굴 영역을 검출하였고, 고차원의 야간 얼굴 데이터를 PCA기법으로 저차원으로 축소하여 제안된 모델의 입력으로 사용한다.
- 이렇게 취득된 데이터는 인공 및 자연 조명이 포함되어 있어 영상의 식별에 어려움을 주는 경우가 발생할 수 있기 때문에 히스토그램 평활화를 이용하여 인공조명과 자연조명의 왜란을 최소화 하였고 Ada-Boost 알고리즘을 이용하여 배경과 얼굴이미지를 분리하는 전처리 과정을 수행 하였다. 그리고 얼굴 데이터의 데이터 양이 많기 때문에 패턴 분류기를 구동함에 있어서 시간이 오래 걸리는 단점이 발생 할 수 있기 때문에 PCA 알고리즘을 이용하여 고차원의 얼굴 데이터를 축소하는 과정을 거쳤고 인식 성능의 향상을 위하여 차분진화(Differential Evolution: DE)알고리즘을 사용하였다. 실험에 적용된 파라미터 값음 다음과 같다.
- 본 논문에서 제안된 pRBFNNs는 기존의 RBFNNs와 달리 결론부의 연결가중치를 상수항대신 일차식과 이차식, 변형된 이차식으로 확장하여 사용한다. 그리고 조건부의 활성함수는 기존의 가우시안 함수대신 FCM클러스터링 알고리즘을 사용하여 데이터의 특성을 반영 할 수 있도록 하였고, 이렇게 제안된 패턴분류기는 전처리 과정 이후의 이미지를 학습하는 과정과 인식하는 단계에서 사용된다.
- 나이트 비전 장비를 통하여 취득한 야간 영상은 히스토그램 평활화를 이용하여 왜곡된 영상의 질을 개선한다. 또한 취득된 영상은 고차원의 이미지 데이터로써 인식에 필요한 특징데이터를 추출하기 위하여 차원축소 기법인 PCA (Principal Components Analysis)기법을 사용한다. 그리고 얼굴인식을 위하여 pRBFNNs (Polynomial-based Radial Basis Function Neural Networks) 지능형 패턴분류 모델을 구축한다.
- 구축된 지능형 모델은 연결가중치가 기존 상수항에서 2차식까지 확장되며 FCM 클러스터링으로 조건부를 구성하여 성능을 개선하였다. 또한 파라미터를 최적화 하기위하여 차분진화 알고리즘을 사용한다.
- 클러스터링(Clustering)알고리즘이란 데이터의 분류에서 사용되는 알고리즘으로 데이터 안의 유사한 패턴, 형태 등의 기준을 통하여 데이터를 분류하여 개체의 소속집단을 정의해주는 알고리즘이다. 본 논문에서는 클러스터에 대한 각 데이터의 거리를 기준으로 소속정도를 측정하여 데이터들의 특성을 분류하는 FCM 클러스터링[7～9] 알고리즘을 사용하였다. 다음은 FCM 클러스터링의 과정이다.
- 따라서 영상을 이용하는 얼굴 인식에 있어서 자연광과 인공조명의 변화에 따른 영상의 화질 변화는 조명광에 포함된 왜란으로 인하여 인식률이 저하된다. 이러한 인식률의 저하를 최소화하기 위해 히스토그램 평활화를 사용하였다.
- 기본적인 신경회로망은 구조적으로 입력층과 은닉층, 출력층으로 구성되어 있고, 기능적으로는 조건부와 결론부 그리고 추론부의 세 가지 모듈로 분리되어 동작한다. 조건부의 활성함수로는 가우시안 함수를 사용하고 결론부에는 상수항을 사용한다. 모델의 최종출력은 조건부와 결론부의 상수항으로 표현된다.
성능/효과
- 그리고 얼굴인식을 위하여 pRBFNNs (Polynomial-based Radial Basis Function Neural Networks) 지능형 패턴분류 모델을 구축한다. 구축된 지능형 모델은 연결가중치가 기존 상수항에서 2차식까지 확장되며 FCM 클러스터링으로 조건부를 구성하여 성능을 개선하였다. 또한 파라미터를 최적화 하기위하여 차분진화 알고리즘을 사용한다.
- 야간 얼굴 데이터는 3가지의 조건으로 구성하였고 주간의 얼굴 데이터는 일반적인 주간 상황의 얼굴 영상으로 실험을 진행 하였다. 데이터의 전처리 작업을 통하여 특징이 개선됨을 확인 하였고 PCA 알고리즘을 이용하여 고차원의 데이터를 축소하고 차분 진화 알고리즘을 이용하여 파라미터를 최적화하여 인식 시스템의 성능을 향상 시켰다. 제안된 pRBFNNs 패턴 분류기를 통하여 야간상황에서도 활용할 수 있는 야간 얼굴 인식 시스템의 구현 가능성을 확인 하였다.
- 데이터의 전처리 작업을 통하여 특징이 개선됨을 확인 하였고 PCA 알고리즘을 이용하여 고차원의 데이터를 축소하고 차분 진화 알고리즘을 이용하여 파라미터를 최적화하여 인식 시스템의 성능을 향상 시켰다. 제안된 pRBFNNs 패턴 분류기를 통하여 야간상황에서도 활용할 수 있는 야간 얼굴 인식 시스템의 구현 가능성을 확인 하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.