[논문]Multiple Active Appearance Model을 이용한 얼굴 특징 추출 기법

박현준; 김광백; 차의영

doi:10.13067/jkiecs.2013.8.8.1201

[국내논문] Multiple Active Appearance Model을 이용한 얼굴 특징 추출 기법
Facial Feature Extraction using Multiple Active Appearance Model 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.8 no.8, 2013년, pp.1201 - 1206

박현준 (부산대학교 컴퓨터공학과학과) , 김광백 (한국멀티미디어학회 국제운영부) , 차의영 (부산대학교 컴퓨터공학과)

초록
AI-Helper

영상에서 얼굴 및 얼굴 특징을 추출하기 위한 기법으로 active appearance model(AAM)이 있다. 본 논문에서는 두 개의 AAM을 이용하여 얼굴 특징을 추출하는 multiple active appearance model(MAAM) 기법을 제안한다. 두 개의 AAM은 학습 데이터에 대한 파라미터를 조절하여 상반되는 장단점을 가지도록 생성하고, 서로의 단점을 보완할 수 있도록 한다. 제안된 방법의 성능을 평가하기 위해 100장의 영상에 대해서 얼굴 특징추출 실험을 하였다. 실험 결과 기존의 AAM 하나만을 사용하는 기법에 비해 적은 횟수의 피팅만으로도 정확도 높은 결과를 얻을 수 있었다.

Abstract ▼ AI-Helper

Active Appearance Model(AAM) is one of the facial feature extraction techniques. In this paper, we propose the Multiple Active Appearance Model(MAAM). Proposed method uses two AAMs. Each AAM trains using different training parameters. It causes that each AAM has different strong points. One AAM complements the weak points in the other AAM. We performed the facial feature extraction on the 100 images to verify the performance of MAAM. Experiment results show that MAAM gives more accurate results than AAM with less fitting iteration.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

AAM은 shape 모델의 p와 appearance 모델의 λ를 반복적으로 추정하여 최소화하는 것을 목적으로 한다.
본 논문에서는 multiple active appearance model (MAAM)을 이용한 얼굴 추출 기법에 대해서 제안한다. 이는 상반되는 장점을 가진 두 개의 AAM을 생성하여 객체의 특징을 추출한다.
본 논문에서는 기존의 AAM의 성능을 향상시키기 위해 상반되는 장단점을 가지는 두 개의 AAM을 생성하여 서로의 단점을 보완할 수 있도록 구성한 multiple active appearance model을 제안하였다.

제안 방법

AAM은 shape 모델과 appearance 모델의 파라미터 결정 방법에 따라 independent AAM과 combined AAM으로 나눌 수 있으며, 본 논문에서는 수행속도를 고려하여 상대적으로 더 빠른 속도를 보이는 independent AAM을 사용하였다[5].
본 논문에서 오차는 수식 4와같이 그라운드 트루스와 특징점의 평균 거리로 계산하였다. (S : 현재 shape)

대상 데이터

본 논문에서 제안한 MAAM 알고리즘의 성능을 비교 분석 해보기 위해 100장의 얼굴 영상에 대해 실험해 보았다.

이론/모형

먼저 AAM의 shape 모델을 생성하기 위해 shape 모델 학습 데이터를 procrustes 알고리즘을 이용하여 정렬한다[9]. 정렬된 학습 데이터에 대해 주성분분석 (principle component analysis : PCA)를 수행하면 평균값과 고유벡터(eigenvector), 고유값(eigenvalue)을 얻을 수 있고, 이를 이용하여 shape 모델을 생성한다[10].

성능/효과

AAM3의 오차는 2.443으로 AAM중 가장 좋은 결과를 보였고, AMM22의 오차는 4.350으로 가장 좋지 않은 결과를 보였다. MAAM6의 오차는 1.
350으로 가장 좋지 않은 결과를 보였다. MAAM6의 오차는 1.817로, AAM의 오차와 비교해보면 74.47%, 41.77%에 해당하는 수치로 상당한 결과 향상을 가져왔다고 판단된다.
각 AAM을 번갈아 가면서 수행할수록 오차가 줄어드는 것을 확인할 수 있었다. MAAM6이 약 1.817의 오차로 가장 좋은 결과를 보였으며, MAAM1은 약 2.580의 오차로 가장 좋지 않은 결과를 보였다.
그림 6은 MAAM과 기존의 AAM들과 성능을 비교해 보았다. MAAM은 기존의 AAM보다 작은 오차를 가진 shape를 생성하였으며, 동등한 오차를 가진 shape를 생성하기까지 걸리는 시간 또한 감소함을 확인할 수 있다. 특히 MAAM6은 기존의 가장 빠른 AAM3보다도 10회 이상의 반복 횟수 감소를 가져옴을 확인할 수 있다.
실험 결과 MAAM의 구성 방법 보다는 피팅 방법에 따라 성능이 차이가 더 컸다. 각 AAM을 번갈아 가면서 수행할수록 오차가 줄어드는 것을 확인할 수 있었다. MAAM6이 약 1.
이는 상반되는 장점을 가진 두 개의 AAM을 생성하여 객체의 특징을 추출한다. 그 결과 하나의 AAM을 이용하는 방법에 비해 속도와 정확도를 향상 시키는 결과를 가져왔다.
실험 결과 MAAM의 구성 방법 보다는 피팅 방법에 따라 성능이 차이가 더 컸다. 각 AAM을 번갈아 가면서 수행할수록 오차가 줄어드는 것을 확인할 수 있었다.
실험 결과 기존의 AAM 하나만을 사용하는 기법에 비해 적은 횟수의 피팅만으로도 정확도 높은 결과를 얻을 수 있음을 확인하였다. 특히 MAAM의 각 AAM들을 번갈아가면서 피팅하면 가장 좋은 성능을 보여주었다.
하나의 AAM만들 사용하게 되면 위의 AAM들의 장점 중 하나만 가질 수 있지만 두 개의 AAM을 사용하여 피팅을 하면 빠르고 세밀한 피팅이라는 두가지 장점을 모두 가질 수 있다. 즉, 이 두 개의 AAM을 이용하여 반복적으로 피팅을 수행하면 기존의 AAM을 하나만 사용하여 특징을 추출하는 기법에 비해 속도와 정확도 모두 향상 시킬 수 있다.
실험 결과 기존의 AAM 하나만을 사용하는 기법에 비해 적은 횟수의 피팅만으로도 정확도 높은 결과를 얻을 수 있음을 확인하였다. 특히 MAAM의 각 AAM들을 번갈아가면서 피팅하면 가장 좋은 성능을 보여주었다. 이는 각 AAM이 번갈아가면서 수행되면서 shape가 지역 최적해(local minima)에 빠지는 것을 방지하여 보다 작은 오차를 가지는 shape를 얻을 수있는 것으로 판단된다.

후속연구

특히 얼굴 인식, 얼굴 표정 인식, 의료 영상 분석 등에서 많이 사용이 되고 있다. 본 논문에서 제안한 MAAM을 구성하여 다양한 응용에 사용을 한다면 수행속도와 정확도 향상을 가져올 수 있을 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	AAM은 어떻게 구성되나?	영상에서 얼굴 및 얼굴 특징을 추출하기 위한 기법으로 active appearance model(AAM)이 있다. AAM은 shape 모델과 appearance 모델로 구성된다. shape 모델은 객체의 모양에 대한 정보를 포함하고, appearance 모델은 외형 또는 질감, 즉 shape 내부의 각 픽셀들의 값에 대한 정보를 포함한다.
	shape 모델의 수 n이 큰 경우, 장점은?	n이 큰 경우, 많은 shape들을 조합하여 새로운 shape를 생성하게 되므로 매 회 피팅 수행 시간이 증가하게 된다. 하지만 조합하는 shape가 많으므로 생성된 새로운 shape의 정확도와 세부적인 표현력은 증가하게 된다. 예를 들어 n=2 인 경우에 비해 n=4인 경우는 목표 shape와 비슷한, 오차가 작은 형태를 만들 수 있다.
	shape 모델은 어떤 정보를 포함하나?	AAM은 shape 모델과 appearance 모델로 구성된다. shape 모델은 객체의 모양에 대한 정보를 포함하고, appearance 모델은 외형 또는 질감, 즉 shape 내부의 각 픽셀들의 값에 대한 정보를 포함한다.

참고문헌 (10)

Kim DY, Kim CW, "An Inferencing Segmantics from the Image Objects", The Journal of The Korea Institute of Electronic Communication Sciences, Vol. 8, No. 3, pp. 409-414, 2013.

원문보기 상세보기
Kim KB, "Detection of Flaws in Ceramic Materials Using Non-Destructive Testing", The Journal of The Korea Institute of Electronic Communication Sciences, Vol. 5, No. 3, pp. 321-326, 2010.
Kim KB, "The Lines Extraction and Analysis of The Palm using Morphological Information of The Hand and Contour Tracking Method", The Journal of The Korea Institute of Electronic Communication Sciences, Vol. 6, No. 2, pp. 243-248, 2011.
T.F.Cootes, G.J.Edwards, C.J.Taylor, "Active Appearance Models", IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 23, No. 6, pp. 681-685, 2001.

상세보기
I.Matthews, S.Baker, "Active Appearance Models Revisited", International Journal of Computer Vision, Vol. 60, No. 2, pp. 135-164, 2004.

상세보기
T.F.Cootes, G.J.Edwards, C.J.Taylor, "A comparitive evaluation of active appearance models algorithms", In Proceedings of the British Machine Vision Conference, Vol. 2, pp. 680-689, 1998.
T.F.Cootes, C.J.Taylor, "Statistical Models of Appearance for Computer Vision", Draft report, Wolfson Image Analysis Unit, University of Manchester, 2004.
T.F.Cootes, C.J.Taylor, D.H.Cooper, J.Graham, "Active Shape Models - Their Training and Application", Computer Vision and Image Understanding, Vol. 61, No. 1, pp. 38-59, 1995.

상세보기
J.C.Gower, "Generalized Procrustes Analysis", Psychometrika, Vol. 40, No. 1, pp. 33-51, 1975.

상세보기
J.Shlens, "A Tutorial on Principal Component Analysis," Institute for Nonlinear Science, UCSD, 2005.

저자의 다른 논문 :

원문 URL 링크

DOI : 10.13067/JKIECS.2013.8.8.1201
교보문고 스콜라 : 저널
AccessON : 저널

*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

이 논문과 함께 이용한 콘텐츠

[논문] 디지털 영상 객체의 불투명도 추정을 위한 SOM Matting

저작권 관리 안내

내보내기 메뉴

내보내기 구분

파일저장
인쇄
메일전송

구성항목

기본정보
상세정보

관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관

저장형식

Text(ASCII format)
Excel format
RefWorks Direct Export
RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley

메일정보

받는사람 (필수): @
보내는사람 (선택): @
제목
내용: KISTI 검색결과 이메일 서비스

안내

총 건의 자료가 검색되었습니다.

다운받으실 자료의 인덱스를 입력하세요. (1-10,000)

검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다.

데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요)

다운로드 파일은 UTF-8 형태로 저장됩니다.
파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오.

Text(ASCII format)
Excel format

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

AI-Helper ※ AI-Helper는 을 사용합니다.

AI-Helper

안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

연합인증