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
- 이 논문에서는 hybrid projection 함수와 rank order 필터를 이용하여 강인하게 눈동자를 찾는 방법을 제안한다. 눈동자를 찾는 많은 연구에서 발생하는 눈썹을 눈동자로 오검출 하는 오류를 줄이기 위하여 hybrid projection 함수를 사용 하여 얼굴 영역에서 눈썹을 찾아 눈썹이 포함되지 않도록 눈 영역을 설정한다.
- 이 논문에서는 투영함수와 rank order 필터를 사용하여 눈동자를 찾는 방법을 제안하였다. 눈이나 눈동자 추출시 오류가 많이 발생하는 눈썹을 찾고 제거하기 위하여 투영함수를 사용하였다.
제안 방법
- BioID 얼굴 데이터는 23명의 정면 영상 1521개이며 384*286 크기의 명암도 영상(gray image)이다. OpenCV에서 제공하는 AdaBoost 라이브러리를 이용하여 입력 영상에서 얼굴 영역을 검출하고, 제안한 방법으로 눈동자를 검출하였다. 이 논문에서 제안한 방법은 눈동자를 찾는 것이기 때문에 눈을 감은 영상들과 입력 영상에서 얼굴을 찾지 못하는 영상들은 제외하였다.
- 눈이나 눈동자 추출시 오류가 많이 발생하는 눈썹을 찾고 제거하기 위하여 투영함수를 사용하였다. rank order 필터를 사용하여 눈동자 후보점을 찾고 정합을 이용하여 최종 눈동자를 결정하였다. BioID 얼굴 데이터베이스에 있는 얼굴 영상 700개에 대한 실험 결과 기존 방법보다 많이 개선된 결과를 얻었다.
- 검출 성공과 실패의 판단 기준으로 실제 눈동자 위치와 검출된 눈동자 위치의 거리 차이가 임계치 이내인 경우에는 검출 성공으로 판정하였으며, 한 얼굴의 두 눈동자 중에 하나라도 오류로 판정되면 오류로 판정하였다. (표 1)은 임계치를 변화하며 두 방법의 검출 성공율을 비교한 결과이다.
- 이 논문에서는 hybrid projection 함수와 rank order 필터를 이용하여 강인하게 눈동자를 찾는 방법을 제안한다. 눈동자를 찾는 많은 연구에서 발생하는 눈썹을 눈동자로 오검출 하는 오류를 줄이기 위하여 hybrid projection 함수를 사용 하여 얼굴 영역에서 눈썹을 찾아 눈썹이 포함되지 않도록 눈 영역을 설정한다. 눈 영역에서 rank order 필터를 이용하여 눈동자 후보점을 찾고 눈동자 위치를 보정한다.
- (그림 4)는 기존 방법으로 눈동자 검출에 실패한 경우이다. 눈썹부분이나 눈가의 검은 부분을 눈동자로 오검출하였다. (그림 5)는 제안한 방법으로 (그림 4)의 영상에서 눈동자를 찾은 결과이다.
- Yuile[3]는 가변 형판 정합(deformable template matching)을 사용하여 눈 모양 및 위치를 검출하는 방법을 제안하였다. 눈의 형태에 관한 여러 가지 에너지 함수를 정의하고 최적화 방법을 사용하여 눈동자를 검출하였다. 이러한 Yuile의 가변 형판 정합 방법은 이후 많은 연구에서 사용되었다[4].
- 이 논문에서는 투영함수와 rank order 필터를 사용하여 눈동자를 찾는 방법을 제안하였다. 눈이나 눈동자 추출시 오류가 많이 발생하는 눈썹을 찾고 제거하기 위하여 투영함수를 사용하였다. rank order 필터를 사용하여 눈동자 후보점을 찾고 정합을 이용하여 최종 눈동자를 결정하였다.
- 눈 영역에서 rank order 필터를 이용하여 눈동자 후보점을 찾고 눈동자 위치를 보정한다. 두 눈동자 후보점을 기하학적인 제약조건을 기반으로 쌍으로 묶고 정합을 이용하여 각 쌍의 두 눈 영역에 대한 유사도를 측정하여 가장 작은 값을 갖는 쌍을 최종 눈동자로 결정한다. 실험 결과 높은 눈동자 검출율을 보였으며 특히, 눈썹을 눈동자로 오검출 하는 것을 많이 줄일 수 있었다.
- 이 알고리즘은 분류 성능이 약한 분류기를 조합하여 분류 성능이 좋은 분류기를 만들어 가는 알고리즘이다. 얼굴을 검출하기 위하여 영상 전체를 스캔하면서 Harr-like feature 매스크(mask)를 이용 하여 백색 영역과 흑색 영역의 평균 밝기를 구한다. 그 차이가 미리 정의된 임계치보다 크면 그 마스크에 대한 영역을 특징으로 추출한다.
- Jianfeng[9]은 rank order 필터(filter)를 사용하여 눈동자를 검출하였다. 원형의 눈 형판(eye template)으로 구성된 rank order 필터를 적용하여 눈동자 후보점들을 검출하고 기하학적 제약조건을 이용하여 눈동자를 찾았다. Susan[10]는 컬러정보를 이용하여 얼굴을 찾고 얼굴 영역안의 고립 영역들 쌍에 대한 8가지 특징과 이들과 연관된 9가지퍼지 멤버쉽 함수를 도입하여 눈을 인식하였다.
- 이 논문에서는 HPFh (y)를 사용하여 눈썹을 검출하였다. 눈 영역에서 HPFh (y)를 구하면 이상적인 경우에는 눈썹과 눈 부분에서만 두 개의 피크(peak)가 발생하지만 안경을 착용한 경우, 눈썹이 기울어진 경우, 눈동자가 작은 경우 등 많은 요인에 의하여 HPFh (y)에는 여러 개의 지엽적 피크 (local peak)가 나타난다.
- 이 논문에서는 눈썹, 눈과 연관 없는 지엽적 피크를 제거하기 위하여 두 피크 Pi, Pi +1사이에서 HPFh (y)의 최소값 Vi를 구하고 식 (9)를 만족하는 경우, Pi ≻ Pi+1이면 Pi +1을 제거하고 Pi ≤ Pi +1이면 Pi 를 제거한다.
- 정합을 이용하여 유사도를 측정하는 경우 일반적으로 학습눈 영역들을 정규화하고 평균 모양을 구성하여 참조 영상 (reference image)으로 사용하지만 눈동자 및 눈의 형태가 사람에 따라 다르고 같은 사람인 경우에도 눈 뜬 정도에 따라 모양이 다르기 때문에 좋은 결과를 얻기 어렵다. 이 논문에서는 입력 영상에서 얻은 각 쌍의 좌우 두 눈 영역의 유사성을 식 (21)으로 측정하고 가장 작은 값을 갖는 쌍의 눈동자 후보 점을 최종적인 것으로 판정하였다.
- (그림 1)은 OpenCV에서 제공되는 AdaBoost 라이브러리를 사용하여 입력 영상에서 얼굴을 검출한 예이다. 이 논문에서는 크기의 기준으로 눈동자 반지름을 지정하여 사용한다. 눈동자 반지름은 얼굴 크기에 따라 다르기 때문에 식 (1)과 같이 입력 영상의 검출된 얼굴 폭 WF 를 기준으로 정하였으며, λ = 0.
대상 데이터
- 제안한 방법의 성능을 평가하기 위하여 BioID 얼굴 데이터베이스[15]에 있는 얼굴 영상 중에서 무작위로 선택한 영상 700개를 사용하였다. BioID 얼굴 데이터는 23명의 정면 영상 1521개이며 384*286 크기의 명암도 영상(gray image)이다. OpenCV에서 제공하는 AdaBoost 라이브러리를 이용하여 입력 영상에서 얼굴 영역을 검출하고, 제안한 방법으로 눈동자를 검출하였다.
- 이 연구에서 사용한 700개의 실험 영상 중에서 안경을 착용한 영상은 232개이고 이들 영상에 대한 실험 결과는 (표 2)와 같다. 눈동자 반지름 길이의 1배를(k=1.
- 눈동자를 검출하는 기존 방법과 성능을 비교하기 위하여 동일한 영상을 입력으로 OpenCV의 AdaBoost 라이브러리를 이용하여 눈을 검출하는 방법과 이 논문에서 제안한 방법의 검출 결과를 비교하였다. 이때, AdaBoost 라이브러리에서 눈을 찾기 위하여 사용하는 3가지 학습 데이터 중에서 가장 결과가 좋게 나오는 학습 데이타를 사용하였다. Intel(R) Core i5 CPU 3.
- 제안한 방법의 성능을 평가하기 위하여 BioID 얼굴 데이터베이스[15]에 있는 얼굴 영상 중에서 무작위로 선택한 영상 700개를 사용하였다. BioID 얼굴 데이터는 23명의 정면 영상 1521개이며 384*286 크기의 명암도 영상(gray image)이다.
데이터처리
- 눈동자를 검출하는 기존 방법과 성능을 비교하기 위하여 동일한 영상을 입력으로 OpenCV의 AdaBoost 라이브러리를 이용하여 눈을 검출하는 방법과 이 논문에서 제안한 방법의 검출 결과를 비교하였다. 이때, AdaBoost 라이브러리에서 눈을 찾기 위하여 사용하는 3가지 학습 데이터 중에서 가장 결과가 좋게 나오는 학습 데이타를 사용하였다.
이론/모형
- 이 논문에서 제안한 방법은 눈동자를 찾는 것이기 때문에 눈을 감은 영상들과 입력 영상에서 얼굴을 찾지 못하는 영상들은 제외하였다. AdaBoost를 이용하여 구한 얼굴 폭을 식 (1)의 눈동자 반지름 크기의 기준으로 사용하였다.
- 이 논문에서는 입력 영상에서 얼굴을 검출하기 위하여 AdaBoost 알고리즘[12]을 사용하였다. 이 알고리즘은 분류 성능이 약한 분류기를 조합하여 분류 성능이 좋은 분류기를 만들어 가는 알고리즘이다.
- 그 차이가 미리 정의된 임계치보다 크면 그 마스크에 대한 영역을 특징으로 추출한다. 평균밝기를 구하는 과정에서 빠른 연산을 위하여 입력 영상에 대한 적분 이미지(integral image)를 사용한다.
성능/효과
- rank order 필터를 사용하여 눈동자 후보점을 찾고 정합을 이용하여 최종 눈동자를 결정하였다. BioID 얼굴 데이터베이스에 있는 얼굴 영상 700개에 대한 실험 결과 기존 방법보다 많이 개선된 결과를 얻었다. 향후 연구로는 검출율 향상을 위하여 이 논문의 죄종 단계인 눈동자 후보점이 실제 눈동자에 해당하는지를 정합이외의 방법으로 더 정확하게 찾는 방법에 대한 연구가 필요하다, 또한, 안경 착용 영상에 대한 눈동자 검출율을 높이는 방법에 대한 연구가 필요하다.
- 0) 임계치로 사용한 결과이다. 기존 방법은 58.2%의 검출 성공률, 제안한 방법은 89.7%의 검출 성공률을 보였다.
- 실험 영상 700개 중에서 안경 미착용 영상 468개에 대한 실험 결과는 (표 3)과 같다. 기존 방법은 77.1%의 검출 성공률, 제안한 방법은 93.8%의 검출 성공률을 보였다. 또한, 기존 방법은 검출 실패 영상 204개 중 53개에서 눈썹을 눈동자로 오검출하였고, 제안 방법은 검출 실패 영상 53개 중 2개에서 눈썹을 눈동자로 오검출하였다.
- 5씩 증가하며변화시켰다. 눈동자 반지름의 1배를 임계치로 사용한 경우 (k=1)에는 기존 방법에서는 70.0 %, 제안한 방법에서는 92.4 %의 검출율을 보였다. 조명이 다른 경우, 얼굴이 크거나 작은 경우, 옆을 보는 경우 및 기울어진 얼굴에서도 높은 검출율을 확인하였으며, 실제 눈동자 위치와 거의 정확하게 눈동자 위치를 검출하였다.
- 8%의 검출 성공률을 보였다. 또한, 기존 방법은 검출 실패 영상 204개 중 53개에서 눈썹을 눈동자로 오검출하였고, 제안 방법은 검출 실패 영상 53개 중 2개에서 눈썹을 눈동자로 오검출하였다.
- 두 눈동자 후보점을 기하학적인 제약조건을 기반으로 쌍으로 묶고 정합을 이용하여 각 쌍의 두 눈 영역에 대한 유사도를 측정하여 가장 작은 값을 갖는 쌍을 최종 눈동자로 결정한다. 실험 결과 높은 눈동자 검출율을 보였으며 특히, 눈썹을 눈동자로 오검출 하는 것을 많이 줄일 수 있었다.
- 4 %의 검출율을 보였다. 조명이 다른 경우, 얼굴이 크거나 작은 경우, 옆을 보는 경우 및 기울어진 얼굴에서도 높은 검출율을 확인하였으며, 실제 눈동자 위치와 거의 정확하게 눈동자 위치를 검출하였다.
후속연구
- BioID 얼굴 데이터베이스에 있는 얼굴 영상 700개에 대한 실험 결과 기존 방법보다 많이 개선된 결과를 얻었다. 향후 연구로는 검출율 향상을 위하여 이 논문의 죄종 단계인 눈동자 후보점이 실제 눈동자에 해당하는지를 정합이외의 방법으로 더 정확하게 찾는 방법에 대한 연구가 필요하다, 또한, 안경 착용 영상에 대한 눈동자 검출율을 높이는 방법에 대한 연구가 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.