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 가시광선 영상과 적외선 영상을 융합하여 조명변화에 강인한 얼굴인식 방법을 제안하였다. 제안된 방법은 영상을 웨이블릿 변환 후 각각의 서브밴드에서 Fuzzy LDA 방법을 이용하여 특징을 추출하여 학습영상과 테스트 영상과의 유클리디안 거리가 최소값을 기준으로 판정하는 것이다.
제안 방법
- 표 2에서는 특징개수 40개를 기준으로 하였을 때 PCA, LDA, Fuzzy LDA의 인식률을 비교하였다. Fuzzy LDA를 이용한 특징추출이 가장 인식률이 좋으므로 이 방법을 이용하여 가시광선 영상과 적외선 영상의 특징을 추출하였다
- 본 논문에서는 제안된 방법은 가시광선 얼굴영상 및 적외선 얼굴영상에 대하여 웨이블릿 변환을 수행한 후 각각의 대역에서 Fuzzy LDA를 이용하여 얼굴의 특징을 추출한다. 최종 인식단계에서는 각각의 대역에서 계산된 인식률을 고려한 가중치를 이용하여 얼굴인식을 수행한다.
- 제안된 방법은 영상을 웨이블릿 변환 후 각각의 서브밴드에서 Fuzzy LDA 방법을 이용하여 특징을 추출하여 학습영상과 테스트 영상과의 유클리디안 거리가 최소값을 기준으로 판정하는 것이다. 서브밴드 대역에 대해 각각 인식실험을 수행하였고 Approximation, Horizontal, Vertical, Diagonal 순으로 높은 인식률을 확인하였다. 인식률이 높을수록 큰 가중치를 부여하였으며, 융합결과 92.
- 웨이브릿 변환에 의해 분해된 얼굴영상은 각 스펙트럼에 대해서 얼굴특징을 잘 나타낼 수 있는 선택적 융합기법[13]을 이용하여, 얼굴인식률을 극대화하는 방법을 제안한다. 우선 원본 영상에서 분해된 4개의 서브밴드 이미지의 특징을 추출하기 위해 퍼지 선형판별 분석법을 이용하였다.
- 융합 전 가시광선 영상과 열 영상 각각에 대하여 PCA, LDA, Fuzzy LDA를 이용하여 특징을 추출하였고 특징 개수에 따른 인식결과는 그림 5와 같다. 특징개수에 따른 차이는 있지만 전반적으로 Fuzzy LDA가 인식률이 가장 좋은 것을 확인 할 수 있다.
- 본 논문에서는 가시광선 영상과 적외선 영상을 융합하여 조명변화에 강인한 얼굴인식 방법을 제안하였다. 제안된 방법은 영상을 웨이블릿 변환 후 각각의 서브밴드에서 Fuzzy LDA 방법을 이용하여 특징을 추출하여 학습영상과 테스트 영상과의 유클리디안 거리가 최소값을 기준으로 판정하는 것이다. 서브밴드 대역에 대해 각각 인식실험을 수행하였고 Approximation, Horizontal, Vertical, Diagonal 순으로 높은 인식률을 확인하였다.
- 우선 원본 영상에서 분해된 4개의 서브밴드 이미지의 특징을 추출하기 위해 퍼지 선형판별 분석법을 이용하였다. 추출된 특징을 기반으로 각 대역의 학습영상과 테스영상의 유클리디안 거리를 구해서 인식실험을 하였다. 4개의 대역의 인식률을 고려하여 인식률이 높은 대역은 가장 높은 가중치를 부여하였고, 인식률이 낮은 대역은 가장 낮은 가중치를 부여하여 각 대역에 선택적으로 가중치를 부여하였다.
- 표 2에서는 특징개수 40개를 기준으로 하였을 때 PCA, LDA, Fuzzy LDA의 인식률을 비교하였다. Fuzzy LDA를 이용한 특징추출이 가장 인식률이 좋으므로 이 방법을 이용하여 가시광선 영상과 적외선 영상의 특징을 추출하였다
- 융합된 이미지로 인식 실험을 수행한 결과는 표 5 같다. 표 5에서 전체인식률과 모든 세트의 촬영환경에서의 인식률을 융합 전과 융합 후를 비교하였다. 융합전보다 인식률이 가시광선 영상보다 17.
대상 데이터
- 1번 세트는 조명이 가장 밝은 영상으로 1인당 10장, 총 400장의 영상을 학습영상으로 한다. 2번~6번 세트 영상들은 전체 조명변화와 안경착용, 측면 부분 조명 영상들이다.
- 2번~6번 세트 영상들은 전체 조명변화와 안경착용, 측면 부분 조명 영상들이다. 1인당 10장씩 총 2000장의 영상들을 테스트 영상으로 실험을 수행하였다.
- 본 논문에서는 40명의 얼굴 영상 데이터를 바탕으로 실험을 수행하였다. 데이터베이스의 구성은 표 1과 같다.
이론/모형
- 본 논문에서 퍼지-LDA을 이용하여 얼굴인식을 구현하였다[9][10]. 퍼지-LDA는 학습단계에서 학습 얼굴영상에 대해 주성분분석기법(PCA)을 이용하여 차원축소를 하고, 퍼지 k-NN 초기화 과정에서 특징벡터에 대한 퍼지 소속도를 계산한 후, 선형판별분석법에 의해 얼굴의 특징벡터를 추출한다.
- 웨이브릿 변환에 의해 분해된 얼굴영상은 각 스펙트럼에 대해서 얼굴특징을 잘 나타낼 수 있는 선택적 융합기법[13]을 이용하여, 얼굴인식률을 극대화하는 방법을 제안한다. 우선 원본 영상에서 분해된 4개의 서브밴드 이미지의 특징을 추출하기 위해 퍼지 선형판별 분석법을 이용하였다. 추출된 특징을 기반으로 각 대역의 학습영상과 테스영상의 유클리디안 거리를 구해서 인식실험을 하였다.
성능/효과
- 추출된 특징을 기반으로 각 대역의 학습영상과 테스영상의 유클리디안 거리를 구해서 인식실험을 하였다. 4개의 대역의 인식률을 고려하여 인식률이 높은 대역은 가장 높은 가중치를 부여하였고, 인식률이 낮은 대역은 가장 낮은 가중치를 부여하여 각 대역에 선택적으로 가중치를 부여하였다. 마지막으로 부여된 가중치와 유클리디안 거리와의 선형결합으로 융합하였고 이는 식 (15)과 같다.
- 가시광선 영상과 적외선 영상을 각각 웨이블릿 변환하였고 4개 대역에서의 인식률은 Approximation, Vertical, Horizontal, Diagonal 순으로 인식률이 높은 것을 표 4에서 확인할 수 있다. 대역별로 분할된 영상은 식 (15)와 같은 선택적 융합기법을 이용하여 융합하였다.
- 각 세트별 인식률을 비교한 표 3을 보면, 학습영상과 가장 비슷한 환경에서 촬영한 중간밝기의 2번 세트영상들이 인식률이 가장 높은 것을 확인할 수 있다. 그리고 가시광선 영상은 전체 조명세기의 변화나 측면 조명환경에서 인식률이 저조한 것을 확인한 반면, 적외선 영상은 조명변화에 따른 인식률의 변화는 거의 없었지만 안경을 착용한 영상들의 인식률이 저조한 것을 확인 할 수 있었다.
- 각 세트별 인식률을 비교한 표 3을 보면, 학습영상과 가장 비슷한 환경에서 촬영한 중간밝기의 2번 세트영상들이 인식률이 가장 높은 것을 확인할 수 있다. 그리고 가시광선 영상은 전체 조명세기의 변화나 측면 조명환경에서 인식률이 저조한 것을 확인한 반면, 적외선 영상은 조명변화에 따른 인식률의 변화는 거의 없었지만 안경을 착용한 영상들의 인식률이 저조한 것을 확인 할 수 있었다. 이는 앞서 그림 1과 같이 안경착용 부분의 열이 제대로 전달되지 않아 안구 부분의 이미지가 모두 검게 나타났기 때문이다.
- 4개의 블록 LL, LH, HL, HH는 각각 Approximation, Horizontal, Vertical, Diagonal 디테일 계수들이다. 본 논문에서 사용된 가시광선 영상과 적외선 영상을 각각 Wavelet변환을 하면 그림 3와 같이 분해되는 것을 확인할 수 있다.
- 표 5에서 전체인식률과 모든 세트의 촬영환경에서의 인식률을 융합 전과 융합 후를 비교하였다. 융합전보다 인식률이 가시광선 영상보다 17.8%, 열 영상보다 6.4% 향상된 것을 확인 할 수 있다.
- 서브밴드 대역에 대해 각각 인식실험을 수행하였고 Approximation, Horizontal, Vertical, Diagonal 순으로 높은 인식률을 확인하였다. 인식률이 높을수록 큰 가중치를 부여하였으며, 융합결과 92.9%의 인식률을 확인하였다. 이는 융합 전(가시광선: 75.
후속연구
- 5%)보다 향상된 결과를 보였다. 향후에는 지능형 알고리즘등을 이용하여 각 대역별 가중치에 최적의 값을 할당하는 연구를 진행할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.