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
- 다음 실험은 식별 과정에서 사용되는 임계치 Ts에 대한 최적의 값을 결정하기 위해 수행하였다. 이 실험에서는 임계치 Td을 최적의 값인 0.
- 하지만 얼굴 인식 과정에서 테스트 이미지와 훈련 데이터에 포함된 SIFT 특징점들 간의 반복적인 비교 연산이 수행되기 때문에 많은 계산이 필요하다. 본 논문은 SIFT-Grid에 기반을 둔 얼굴 인식 시스템에서 계산량 감소와 인식율 향상을 목적으로 두 가지를 제시하였다. 첫 번째 제시 사항은 한 얼굴 클래스의 다양한 훈련 이미지로부터 비슷한 SIFT 특징점들은 제거하고, 상이한 특징점들은 병합하는 통합템플릿의 구성 방법이고, 두 번째는 구성된 통합템플릿들로부터 테스트 이미지의 효과적인 식별을 위한 유사도 계산 방법이다.
- 본 논문은 훈련 얼굴 이미지들로부터 특징점들에 대한 통합템플릿의 구성 방법을 SIFT-Grid 기반의 얼굴 인식 시스템에 추가하여 인식 성능의 향상을 목적으로 한다. 제안된 방법은 먼저 SIFT-Grid 방법을 통해 훈련 이미지들의 얼굴영역을 몇 개의 분할영역으로 나누고, 각 분할영역을 구성하는 특징점들 간의 유사성을 비교 분석하여 통합템플릿을 생성하였다.
- 본 실험에서는 제안된 얼굴 인식 시스템의 통합템플릿 구성에 사용된 훈련 얼굴 이미지의 수에 따른 성능을 평가하기위해 수행하였다. 실험은 60×74 픽셀의 ORL 데이터베이스를 대상으로 각 얼굴 클래스에 사용되는 훈련 이미지의 수를 2개부터 5개까지 1씩 증가시키면서 수행하였다.
- 본 장에서는 얼굴 인식의 매칭 과정에서 발생되는 계산량의 감소를 위해 제안된 통합템플릿의 구성 방법과 통합템플릿으로부터 테스트 이미지의 효과적인 식별을 위해 제안된 유사도 계산 방법에 대해 기술하였다.
제안 방법
- 그러나 특징점의 수는 인식을 위한 매칭 과정에서 테스트 이미지의 특징점과의 비교 횟수를 의미하기 때문에 클래스당 특징점의 수가 많을수록 계산량은 증가된다. 그러므로 본 논문에서는 제안된 실험으로부터 인식율과 계산량을 고려하여 Td의 임계값를 0.6으로 결정하였다. 이때 인식율은 평균 96.
- 이와 같은 실험 과정은 각 훈련 이미지의 수에 대해 10회씩 반복 수행하였다. 그리고 SIFT-Grid 기반의 다른 얼굴 인식 시스템인 Bicego[8]와 Cho[9]의 방법들에 대해 동일한 실험 과정을 수행하여 비교 분석 하였다. 이때 Cho의 방법에서 보팅 과정에서 사용되는 임계값은 [9]의 논문을 참조하여 0.
- 제안된 방법은 먼저 인식을 위한 N개의 얼굴 클래스를 대상으로 동일한 해상도를 갖는 얼굴 이미지들을 수집하여 훈련 데이터를 생성하고 모든 이미지의 SIFT 특징점을 검출한다. 그리고 각 훈련 이미지는 가로와 세로를 각각 동일한 비율로 분할한 후 K개의 중첩된 부분영역들을 결정한다. 한 얼굴 클래스의 통합템플릿은 동일 부분영역의 특징점을 대상으로 비슷한 특징점은 제거하고, 상이한 특징점들을 병합함으로써 획득된다.
- 다음은 통합템플릿의 구성을 위한 훈련 이미지의 수에 따른 성능을 평가하였다. 그리고 기존의 다른 방법들과의 얼굴 인식 성능 비교 결과를 기술하였고, 마지막으로 다양한 해상도의 얼굴 이미지를 대상으로 실험 결과를 확인하였다. 실험에서 모든 SIFT-Grid 기반의 얼굴 인식 시스템은 가로와 세로의 분할비율을 1/3로하고, 4개의 부분영역을 사용하였다.
- Lowe가 제안한 이미지 매칭 방법[4]은 두 이미지의 특징점들의 기술자간의 유클리드 거리를 계산하고, 한 특징점에 대응되는 첫 번째와 두 번째로 가까운 특징점들의 거리에 대한 비율을 확인하여 매칭된 특징점 쌍을 결정한다. 그리고 특징점 쌍들 간의 기하학적 일치성을 확인한 후 두 이미지간의 유사도를 계산한다. 그림 1은 두 개의 얼굴 이미지를 대상으로 Lowe의 매칭 방법을 수행한 결과를 나타내고 있다.
- 훈련 과정은 10개의 인덱스 중 5개의 번호를 랜덤하게 선택하여각 얼굴 클래스의 훈련 이미지로 사용하여 통합템플릿들을 구성하였다. 그리고 훈련 이미지로 포함되지 않은 200개의 얼굴 이미지들을 대상으로 구성된 통합템플릿에 대한 얼굴 인식의 성능을 평가하였다. 이와 같은 통합템플릿의 구성과 얼굴 인식의 성능 평가를 각기 다른 랜덤 번호를 대상으로 10회 수행하였다.
- 다음 실험에서는 얼굴 이미지의 해상도에 따른 제안된 방법의 성능을 평가하기 위해 20×25부터 80×98픽셀까지 1.5%씩 증가된 7가지의 해상도와 ORL 데이터베이스의 원 해상도인 92×112픽셀에 대한 성능 비교를 수행하였다.
- 제안된 방법은 먼저 SIFT-Grid 방법을 통해 훈련 이미지들의 얼굴영역을 몇 개의 분할영역으로 나누고, 각 분할영역을 구성하는 특징점들 간의 유사성을 비교 분석하여 통합템플릿을 생성하였다. 또한 통합템플릿으로부터 테스트 이미지의 효과적인 식별을 위한 유사도 계산 방법을 제안한다. SIFT-Grid 기반의 제안된 얼굴 인식 시스템의 유효성을 확인하기 위해 다양한 실험을 수행한 결과 성능 향상을 확인할 수 있었다.
- 의 최적화된 값을 결정하기 위해 다음과 같은 실험을 수행하였다. 먼저 식별 과정에서 사용되는 임계치 Ts을 특정 값으로 고정하고, 통합템플릿 구성에 사용되는 임계치 Td 0.1부터 1까지 0.1씩 증가시키면서 템플릿의 구성에 사용된 특징점의 수와 인식율의 변화를 확인하여 최적의 Td값을 결정하였다. 이후 최적의 Td값을 기준으로 임계치 Ts에 다양한 값을 적용하여 인식율의 변화를 획인하였다.
- SIFT는 4단계를 통해 특징점들의 특징을 정의한다[4]. 먼저 크기와 회전 변화에 강인한 특징점의 위치를 검출하기위해 입력 이미지의 다양한 해상도를 대상으로 DoG (Difference-of- Gaussian) 이미지들을 생성한다. 이때 DoG 이미지는 식 (1)과 같이 각 해상도에 해당하는 가우시안 함수를 이미지와 컨볼루션한 것의 차로 표현되며, 가우시안 함수는 식 (2)와 같다.
- 본 논문에서는 각 클래스의 통합된 템플릿과 테스트 이미지를 일대일로 비교 분석하여 유사도 점수와 보팅 점수를 계산한다. 테스트 이미지의 k부분영역에 존재하는 p번째 특징점 #와 n번째 클래스의 통합템플릿 Tn의 k부분영역간의 유사도 점수#은 식 (10)과 같이 유클리드 거리의 계산 결과들로부터 최소값을 선택하여 결정한다.
- 본 연구의 첫 번째 실험은 제안된 얼굴 인식 시스템에서 최적의 성능을 획득하기 위한 것으로 통합템플릿의 구성을 위한 임계치 Td와 테스트 이미지의 식별을 위한 임계치 Ts의 값을 결정하기위해 수행하였다. 다음은 통합템플릿의 구성을 위한 훈련 이미지의 수에 따른 성능을 평가하였다.
- 본 절에서는 SIFT-Grid 기반의 특징, PCA, LDA 또는 PCA/LDA의 변형된 알고리즘을 통해 추출된 특징들이 얼굴 인식의 정확도에 미치는 영향을 비교하였다. 비교 방법은 얼굴 인식의 실험에서 ORL 데이터베이스를 대상으로 각 클래스 당 5개의 이미지가 훈련 데이터로 사용된 [14]과 [15] 논문의 실험 결과를 참조 표 2에 정리하였다.
- 다음 단계에서는 각 해상도의 DoG 이미지에서 모든 픽셀의 값을 이웃하는 8 픽셀 그리고 이전 및 이후 해상도에서 이웃하는 각 9 픽셀과 비교하여 지역적으로 최소 또는 최대값인 경우 특징점의 후보로 선택한다. 세 번째 단계에서는 명암 대비가 낮은 후보 특징점과 모서리가 아닌 에지(edge) 위치의 특징점을 제거하기 위해 각각 DoG 값의 임계치와 Hessian 행렬 기반의 비율을 사용한다. 마지막 단계에서는 gradient 벡터의 크기(magnitude)와 방향(orientation)을 계산한 후 특징점의 기술자를 정의한다.
- 수행된 임계치 결정 실험에서는 제안된 얼굴 인식 시스템의 인식율과 계산량을 고려하여 두 임계치 Td와 Ts의 값을 각각 0.6과 0.5로 결정하였으며, 이후의 모든 실험들은 결정된 임계치를 바탕으로 수행된다.
- 5%씩 증가된 7가지의 해상도와 ORL 데이터베이스의 원 해상도인 92×112픽셀에 대한 성능 비교를 수행하였다. 실험 결과는 랜덤하게 선택한 5개의 이미지를 훈련 데이터로 사용하고, 해상도별로 10회 반복 수행한 결과로부터 평균 특징점수, 평균 인식율, 최대 인식율 그리고 최소 인식율을 획득하여 표 3에 정리하였다. 실험 결과로부터 해상도가 증가됨에 따른 평균, 최대 그리고 최소 인식율의 변화를 살펴보면, 20×25부터 60×74픽셀의 해상도까지 인식율들이 증가됨을 볼 수 있으며, 60×74픽셀 이후의 해상도의 증가에 따른 인식율은 거의 변화가 없음을 볼 수 있다.
- 그리고 기존의 다른 방법들과의 얼굴 인식 성능 비교 결과를 기술하였고, 마지막으로 다양한 해상도의 얼굴 이미지를 대상으로 실험 결과를 확인하였다. 실험에서 모든 SIFT-Grid 기반의 얼굴 인식 시스템은 가로와 세로의 분할비율을 1/3로하고, 4개의 부분영역을 사용하였다.
- 실험은 60×74 픽셀의 ORL 데이터베이스를 대상으로 각 얼굴 클래스에 사용되는 훈련 이미지의 수를 2개부터 5개까지 1씩 증가시키면서 수행하였다.
- 그리고 훈련 이미지로 포함되지 않은 200개의 얼굴 이미지들을 대상으로 구성된 통합템플릿에 대한 얼굴 인식의 성능을 평가하였다. 이와 같은 통합템플릿의 구성과 얼굴 인식의 성능 평가를 각기 다른 랜덤 번호를 대상으로 10회 수행하였다.
- 1씩 증가시키면서 템플릿의 구성에 사용된 특징점의 수와 인식율의 변화를 확인하여 최적의 Td값을 결정하였다. 이후 최적의 Td값을 기준으로 임계치 Ts에 다양한 값을 적용하여 인식율의 변화를 획인하였다. 실험은 ORL 데이터베이스의 얼굴 이미지를 60×74 픽셀로 축소하여 사용하였다.
- 본 논문은 훈련 얼굴 이미지들로부터 특징점들에 대한 통합템플릿의 구성 방법을 SIFT-Grid 기반의 얼굴 인식 시스템에 추가하여 인식 성능의 향상을 목적으로 한다. 제안된 방법은 먼저 SIFT-Grid 방법을 통해 훈련 이미지들의 얼굴영역을 몇 개의 분할영역으로 나누고, 각 분할영역을 구성하는 특징점들 간의 유사성을 비교 분석하여 통합템플릿을 생성하였다. 또한 통합템플릿으로부터 테스트 이미지의 효과적인 식별을 위한 유사도 계산 방법을 제안한다.
- 제안된 방법은 먼저 인식을 위한 N개의 얼굴 클래스를 대상으로 동일한 해상도를 갖는 얼굴 이미지들을 수집하여 훈련 데이터를 생성하고 모든 이미지의 SIFT 특징점을 검출한다. 그리고 각 훈련 이미지는 가로와 세로를 각각 동일한 비율로 분할한 후 K개의 중첩된 부분영역들을 결정한다.
- 제안된 얼굴 인식 시스템에 영향을 주는 두 개의 임계치 Td와 Ts의 최적화된 값을 결정하기 위해 다음과 같은 실험을 수행하였다. 먼저 식별 과정에서 사용되는 임계치 Ts을 특정 값으로 고정하고, 통합템플릿 구성에 사용되는 임계치 Td 0.
- 실험은 ORL 데이터베이스의 얼굴 이미지를 60×74 픽셀로 축소하여 사용하였다. 훈련 과정은 10개의 인덱스 중 5개의 번호를 랜덤하게 선택하여각 얼굴 클래스의 훈련 이미지로 사용하여 통합템플릿들을 구성하였다. 그리고 훈련 이미지로 포함되지 않은 200개의 얼굴 이미지들을 대상으로 구성된 통합템플릿에 대한 얼굴 인식의 성능을 평가하였다.
대상 데이터
- 실험은 40명의 사람을 대상으로 총 400개의 이미지로 구성된 ORL 얼굴 데이터베이스[16]을 사용하였다. 그리고 각 사람 클래스는 1부터 10까지의 인덱스를 가진 92×112 픽셀의 다른 이미지들로 구성되어있다.
- 실험은 ORL 데이터베이스의 얼굴 이미지를 60×74 픽셀로 축소하여 사용하였다.
데이터처리
- 이는 제안된 템플릿 구성 방법이 훈련 데이터의 구성을 위한 이미지 종류의 차이가 인식율의 변화에 미치는 영향이 기존 방법보다 적음을 의미한다. 마지막으로 클래스 당 구성된 특징점의 평균수들을 살펴보면 제안된 방법이 기존의 방법보다 적은수가 사용됨을 알 수 있으며, 이를 기반으로 SIFT-Grid 기반의 얼굴 인식 시스템에서 식별을 위해 수행되는 비교 횟수 계산하였다. 비교 횟수는 식 (12)과 같으며, #와 #는 각각 테스트 이미지와 n번째 얼굴 클래스의 k번째 부분영역의 특징점수를 의미한다.
- 실험 결과는 표 1과 같이 2, 3, 4 그리고 5개의 훈련 이미지 수에 대해 10회의 반복 실험에 따른 평균 인식율, 훈련 집합에 따른 인식율의 표준편차 그리고 하나의 얼굴 클래스 당 사용된 특징점 수의 평균으로 평가하였다. 실험 결과 제안된 방법이 비교 방법들보다 모든 훈련 이미지 수에 대해 높은 인식율을 보이고 있으며, 훈련 이미지 수가 5인 경우에 대해 살펴보면 Bicego와 Cho의 방법보다 각각 4%와 1.
성능/효과
- 그림 3 (a)는 한 클래스의 통합템플릿 구성에 필요한 평균 특징점의 수를 나타내고 있으며, 그림 3 (b)는 10회 반복 실험에 따른 평균 인식율의 변화를 나타내고 있다. 그림 3 (a)을 살펴보면 Td가 0.1에서 0.6으로 변경되는 동안 특징점의 수는 평균 35개씩 감소된 반면 0.6에서 0.8사이에서는 평균 103개씩 급격하게 감소됨을 볼 수 있다. 평균 인식율의 변화인 그림 3 (b)을 보면, 특징점 수의 변화가 적은 Td의 0.
- 또한 통합템플릿으로부터 테스트 이미지의 효과적인 식별을 위한 유사도 계산 방법을 제안한다. SIFT-Grid 기반의 제안된 얼굴 인식 시스템의 유효성을 확인하기 위해 다양한 실험을 수행한 결과 성능 향상을 확인할 수 있었다.
- 05씩 변경하여 실험을 수행하였으며 실험 결과는 그림 4와 같다. 결과를 살펴보면 Ts의 임계값이 0.35에서 0.7의 범위에 존재할 때 평균 91.95%와 96.1%의 인식율을 획득할 수 있음을 알 수 있다. 따라서 제안된 실험 결과를 바탕으로 최고의 인식율이 획득된 0.
- 5, 그리고 얼굴 이미지의 해상도는 60×74픽셀일 때 인식율과 계산량 두 측면에서 가장 효과적임을 확인하였다. 그리고 기존의 SIFT- Grid 기반의 얼굴 인식 방법과의 비교 실험 결과, 5개의 훈련 이미지가 사용된 경우 제안된 방법이 기존의 방법보다 43.37% 적은 특징점의 비교 연산이 수행되며, 최대 인식율은 98%로 2%향상됨을 확인하였다.
- 표 2의 결과를 살펴보면 SIFT-Grid 기반의 특징을 이용한 얼굴 인식 시스템이 PCA, LDA 또는 PCA/ LDA의 변형된 알고리즘에 기반을 둔 특징을 이용한 것보다 높은 인식율이 획득됨을 볼 수 있다. 그리고 제안된 SIFT-Grid 기반의 얼굴 인식 시스템이 다른 방법들보다 우수한 인식 성능을 가짐을 알 수 있다.
- 실험 결과는 표 1과 같이 2, 3, 4 그리고 5개의 훈련 이미지 수에 대해 10회의 반복 실험에 따른 평균 인식율, 훈련 집합에 따른 인식율의 표준편차 그리고 하나의 얼굴 클래스 당 사용된 특징점 수의 평균으로 평가하였다. 실험 결과 제안된 방법이 비교 방법들보다 모든 훈련 이미지 수에 대해 높은 인식율을 보이고 있으며, 훈련 이미지 수가 5인 경우에 대해 살펴보면 Bicego와 Cho의 방법보다 각각 4%와 1.7%로 향상된 96.10%를 획득하였다. 그리고 표준 편차의 평가에서 제안된 방법이 다른 방법 보다 낮음을 알 수 있다.
- 이때 테스트 이미지의 부분영역에 대한 특징점수는 실험에 사용된 모든 얼굴 이미지의 부분 영역들의 평균인 22를 사용하였으며, 부분 영역은 4개이고, 전체 얼굴 클래스의 수는 40이다. 실험 결과 훈련 이미지의 수가 5인 경우 제안된 방법이 기존의 방법보다 비교횟수가 43.37% 적음을 볼 수 있고, 그 결과로써 제안된 템플릿 구성 방법이 인식 과정에서 계산량을 효과적으로 감소시킬 수 있음을 알 수 있다.
- 실험 결과로부터 해상도가 증가됨에 따른 평균, 최대 그리고 최소 인식율의 변화를 살펴보면, 20×25부터 60×74픽셀의 해상도까지 인식율들이 증가됨을 볼 수 있으며, 60×74픽셀 이후의 해상도의 증가에 따른 인식율은 거의 변화가 없음을 볼 수 있다.
- 이 결과로부터 제안된 시스템은 얼굴 이미지의 해상도가 60×74픽셀일 때 인식율과 계산량 측면에서 최적의 성능이 획득됨을 알 수 있다.
- 그리고 표준 편차의 평가에서 제안된 방법이 다른 방법 보다 낮음을 알 수 있다. 이는 제안된 템플릿 구성 방법이 훈련 데이터의 구성을 위한 이미지 종류의 차이가 인식율의 변화에 미치는 영향이 기존 방법보다 적음을 의미한다. 마지막으로 클래스 당 구성된 특징점의 평균수들을 살펴보면 제안된 방법이 기존의 방법보다 적은수가 사용됨을 알 수 있으며, 이를 기반으로 SIFT-Grid 기반의 얼굴 인식 시스템에서 식별을 위해 수행되는 비교 횟수 계산하였다.
- 제안된 얼굴 인식 시스템에서 최대의 성능을 획득하기 위한 다양한 실험들의 수행 결과 통합템플릿 구성을 위한 임계치 Td는 0.6, 유사도 계산 과정의 임계치 Ts는 0.5, 그리고 얼굴 이미지의 해상도는 60×74픽셀일 때 인식율과 계산량 두 측면에서 가장 효과적임을 확인하였다.
- 표 2의 결과를 살펴보면 SIFT-Grid 기반의 특징을 이용한 얼굴 인식 시스템이 PCA, LDA 또는 PCA/ LDA의 변형된 알고리즘에 기반을 둔 특징을 이용한 것보다 높은 인식율이 획득됨을 볼 수 있다. 그리고 제안된 SIFT-Grid 기반의 얼굴 인식 시스템이 다른 방법들보다 우수한 인식 성능을 가짐을 알 수 있다.
후속연구
- 본 절에서 살펴본 매칭 방법들은 테스트 이미지의 모든 훈련 이미지에 포함된 특징점들 간의 유사연산이 반복적으로 수행되기 때문에 많은 계산량이 요구된다. 그러므로 훈련 데이터에 포함된 특징점의 수는 감소시키면서 얼굴 인식율은 향상될 수 있는 방법이 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.