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
- 다중스케일 가버 특징 벡터는 다중스케일의 개념과 가버 특징 벡터모델을 합친 개념으로 최적의 눈 위치를 찾기 위해 실행한다.
- 본 논문에서는 늘어가는 얼굴 인식 보안을 위한 위조 영상과 변장 영상을 판별하는 시스템을 제안하였다. 위조판별 시스템의 경우 최대값과 최소값의 차이값의 비교와 최소값의 비교 두 가지로 판별함에 따라 신뢰도가 더 높아짐을 확인할 수 있었으며 변장 판별 시스템에서 기존에 템플릿 매칭을 사용하여 눈 검출하는 방식으로부터 아다부스트(Ada boost)를 사용하여 입력되는 영상으로부터 눈을 검출 할 수 있는지 없는지의 여부를 판정하게 됨에 따라서 반투명 선글라스의 경우 정확도를 향상 시킬 수 있게 되었다.
- 본 논문의 목적은 얼굴검출 후, 템플릿 매칭을 통해서 얻은 유사도를 바탕으로 동공의 반사도를 조사하여 위조 영상을 판별하고 눈과 코 검출기를 사용하여 눈과 코를 확인하여 선글라스와 마스크의 착용 여부를 판별한다.
제안 방법
- 넘어간다. 다음 프레임에서 다시 제안하는 알고리즘을 순서대로 실행하여 움직이는 영상에 대하여 눈 위치를 검출한다. 사용하지 않는 눈 위치에 대해서는 위조판별에서 고려하지 않는다.
- 이를 위해 아다부스트를 이용한 눈 검출기를 만들어 얼굴 검출 후 정규화 된 이미지로부터 눈 영역을 검출하고 코 영역을 검출하여 선글라스와 마스트 착용 여부를 판별한다. 또한 변장의 정도가 심하여 얼굴검출에 실패하는 경우를 보완하기 위해 선글라스& 마스크검출기를 만들어 변장 도구를 동시에 착용하였을 경우를 대비한 시스템을 제안한다. 변장 판별을 통해 정상으로 판별 되었을 경우 2단계인 위조 영상 판별 시스템으로 진행 된다.
- 4 이상이면 실제이미지로 분류하는 방법[1]이 사용된다. 또한, 카메라에서 얻어지는 연속된 이미지를 분석하여 이진화된 영상에서 눈 영역을 조사하여 변화폭을 조사함을 통해 눈의 깜박임을 비교하는 방법[2]에 대한 연구도 진행되었다.
- 다음으로 각도에 대한 정규화이다. 벨리(V疝ey)와 엣지(edge) 정보를 이용하여 틸트(业)각도를 얻어서 그림 6과 같이 기울어짐에 관한 정규화를 실행한다. 엣지를 얻기 위해 조명정규화까지 완료된 이미지에 소벨 연산자를 적용하여 엣지를 검출한다.
- 본 논문에서는 EBGM을 기반으로 찾은 눈의 좌표에서 2단계 템플릿 매칭을 사용하여 동공을 조사하는 방법으로 위조 영상을 판별하고 각 부분별 검출기를 사용하여 눈과 코를 검출함을 통해 선글라스와 마스크를 착용하였는지의 여부를 판별하게 되며 얼굴 검출이 되지 않았을 경우를 대비하여 선글라스&마스크 검출기를 만들어 전체영상에서 조사하는 것으로 보완한 변장 판별 시스템을 제안한다.
- 아다부스트 검출기를 사용하여 눈과 코를 찾아 변장을 판별한 후 정상으로 판별 될 경우 2단계인 EBGM 모델링을 통해 만들어진 모델[15]을 눈좌표 검출시스템에서 사용하여 눈의 위치를 찾게 되고 찾은 눈의 위치를 바탕으로 위조 영상을 판별한다. 그림 4는 제안하는 알고리즘에 대한 다이어그램이다.
- 벨리(V疝ey)와 엣지(edge) 정보를 이용하여 틸트(业)각도를 얻어서 그림 6과 같이 기울어짐에 관한 정규화를 실행한다. 엣지를 얻기 위해 조명정규화까지 완료된 이미지에 소벨 연산자를 적용하여 엣지를 검출한다.
- 이용하였다[12]. 여기서 Ada-boost를 효과적으로 사용할 수 있도록 단계적인 방법을 이용하여 얼굴 영역을 검출한다. 단계적 검출의 각 단계에서 사용하는 얼굴 패턴은 (예, 21x21) 저해상도에서 표현되는 얼굴 패턴을 이용하였다.
- 이러한 사실을 이용하여 틸트 각도(분산이 가장 큰 회전 각도)를 구해 얼굴을 똑바로 하였다. 정규화의 결과로 얻은 그림 6의 영상을 기반으로 눈 위치 검출을 실행한다.
- 판별한다. 이를 위해 아다부스트를 이용한 눈 검출기를 만들어 얼굴 검출 후 정규화 된 이미지로부터 눈 영역을 검출하고 코 영역을 검출하여 선글라스와 마스트 착용 여부를 판별한다. 또한 변장의 정도가 심하여 얼굴검출에 실패하는 경우를 보완하기 위해 선글라스& 마스크검출기를 만들어 변장 도구를 동시에 착용하였을 경우를 대비한 시스템을 제안한다.
- 되며 최소값은 바로 윗부분이다. 이를 이용하여 최대값의 위치를 이용한 판별을 시도하였으나 눈 좌표의 4~5 픽셀차이의 오검출에도 상당히 민감한 특성임을 실험으로 판단하였기 때문에 차이값과 최소값만으로 판별하였다. 표 3은 실험에서 사용된 임계값이다.
- 그림 2는 다운샘플링의 예이다. 이후 추정된 초기 점을 상위 스케일의 입력영상 이미지에서의 초기값으로 취하고 상위 스케일 얼굴 이미지에서 같은 방법으로 초기점을 찾으며, 이를 반복적으로 하여 최종적으로 입력 영상 이미지에서의 최종 초기값을 결정하는 것이다. 그림 3은 각 단계에서의 초기점 변화를 나타낸다.
- 정확성을 높이기 위해 다중 스케일 가버 특징 벡터를 사용하여 검출한 눈 위치에 대해 각각 다른 템플릿을 사용하는 2단계 템플릿 매칭을 실시한다. 그림 9에서 표시된 눈 위치는 좌측과 달리 우측 눈 좌표가 약간 벗어난 것을 알 수 있다.
- 제안하는 알고리즘은 변장 판별 후 위조 영상을 판별하는 단계로 나눌 수 있으며 이는 각각 아다부스트 검출기 시스템, EBGM 모델링, 눈좌표 검출 시스템으로 나뉜다. 아다부스트 검출기를 사용하여 눈과 코를 찾아 변장을 판별한 후 정상으로 판별 될 경우 2단계인 EBGM 모델링을 통해 만들어진 모델[15]을 눈좌표 검출시스템에서 사용하여 눈의 위치를 찾게 되고 찾은 눈의 위치를 바탕으로 위조 영상을 판별한다.
대상 데이터
- 본 논문의 실험에 사용된 PC의 사양은 인텔코어2듀어콘로 E6600(4MB L2 캐쉬 2.4GHz@3.25GHz), 메인 메모리는 2GB이다. 사용된 카메라는 시중에 판매되는 Ⅳ.
- I databas e(44)를 사용하여 총 744회 실시하였고 위조 판별은 850회 실시하였다. 사용된 A.I. 데이터의 얼굴영상들은 각도 변화가 -5도에서 +5도사이의 정면사진(A.I database 44장)이며 카메라와의 거리는 얼굴검출 및 코 검출이 가능한 최대 거리인 1.2m로 제한하였고 실험자는 총 7명으로 안경의 착용 여부는 제한하지 않았다.
- 실험 데이터는 변장 판별의 경우 700회와 A.I databas e(44)를 사용하여 총 744회 실시하였고 위조 판별은 850회 실시하였다. 사용된 A.
이론/모형
- 가버특징 벡터를 이용한 눈의 위치 검출 방법은 EBGM(Elasti c Bunch Graph Matching)[10, ll] 등의 얼굴 인식 알고리즘에서 눈의 위치 및 얼굴의 다른 특징점들을 추출하는데 사용되었다. 가버 특징 벡터는 왜곡, 회전, 조명 등에 대해 비교적 강인한 것으로 잘 알려져 있다[12].
- 본 논문에서는 복잡한 배경에서 다양한 크기와 자세의 얼굴 영역을 실시간으로 정확하게 추출하기 위하여 Adaboost방법을 이용하였다[12]. 여기서 Ada-boost를 효과적으로 사용할 수 있도록 단계적인 방법을 이용하여 얼굴 영역을 검출한다.
성능/효과
- 즉 반투명하여 눈이 보이는 선글라스의 경우 정상적인 위치에 눈이 검출이 되기 때문에 이를 안경으로 판정하여 정상 얼굴로 판정하게 되는데 이 부분이 특히 가버 특징 벡터 모델의 유사도와 템플릿 매칭을 실시한 전 시스템에 비해 성능이 개선되었다. 기존 시스템과 달리 제안된 시스템에서는 여러가지 선글라스의 종류를 생각하는 것이 아닌 눈이 보이는지 보이지 않는지의 판정이 되었기 때문에 눈 검출을 못함에 따른 시스템 상의 극단적인 오류가 줄어든 결과가 되었다. 한편 마스크의 경우 기존의 시스템에서 입 영역의 에지를 조사하는 방법을 제안하여 다양한 마스크의 착용 방법과 마스크 종류에 대응할 수 있도록 보완하였으나 코가 가려지는 선글라스를 착용하였을 경우 마스크로 판정되는 경우가 보기 드물게 존재함에 따라 향후 보완이 필요하다고 판단된다.
- 위조판별 시스템의 경우 최대값과 최소값의 차이값의 비교와 최소값의 비교 두 가지로 판별함에 따라 신뢰도가 더 높아짐을 확인할 수 있었으며 변장 판별 시스템에서 기존에 템플릿 매칭을 사용하여 눈 검출하는 방식으로부터 아다부스트(Ada boost)를 사용하여 입력되는 영상으로부터 눈을 검출 할 수 있는지 없는지의 여부를 판정하게 됨에 따라서 반투명 선글라스의 경우 정확도를 향상 시킬 수 있게 되었다. 또한, 얼굴 하단을 전부 감싸는 마스크와 입 부분만을 감싸는 마스크, 캐릭터가 그려진 마스크의 경우도 판정할 수 있게 되었으며 특히 선글라스와 마스크를 동시에 착용하였을 경우 전체 입력 영상에서 해당 검출기를 사용하여 선글라스와 마스크 동시 착용 영상을 검출하게 되어 정확도와 속도 측면에서 매우 개선된 실험결과를 얻을 수 있었다.
- 실험 결과에서 보이듯 95~98%의 높은 성공률을 보인다. 그림 14는 실험에 사용한 데이터로 정상과 선글라스 착용, 마스크 착용에 따른 데이터 셋으로 구성되어 있다.
- 위조판별 시스템의 경우 최대값과 최소값의 차이값의 비교와 최소값의 비교 두 가지로 판별함에 따라 신뢰도가 더 높아짐을 확인할 수 있었으며 변장 판별 시스템에서 기존에 템플릿 매칭을 사용하여 눈 검출하는 방식으로부터 아다부스트(Ada boost)를 사용하여 입력되는 영상으로부터 눈을 검출 할 수 있는지 없는지의 여부를 판정하게 됨에 따라서 반투명 선글라스의 경우 정확도를 향상 시킬 수 있게 되었다. 또한, 얼굴 하단을 전부 감싸는 마스크와 입 부분만을 감싸는 마스크, 캐릭터가 그려진 마스크의 경우도 판정할 수 있게 되었으며 특히 선글라스와 마스크를 동시에 착용하였을 경우 전체 입력 영상에서 해당 검출기를 사용하여 선글라스와 마스크 동시 착용 영상을 검출하게 되어 정확도와 속도 측면에서 매우 개선된 실험결과를 얻을 수 있었다.
후속연구
- 본 위조 판별 시스템은 전적으로 눈 영역의 검출과 영역 내의 밝기 값의 조사에 판정이 달려 있으므로 눈을 검출하지 못하거나 동공의 반사 특징을 사용할 수 없는 경우에 대한 추가적인 시스템의 구성이 필요하다. 덧붙여 본 논문에서 진행한 실험은 적외선 조명을 얼굴 정면에서 60cm정도 이격을 두어 사용하였으나 해당 적외선 조명이 안구에 미치는 영향에 대한 조사는 진행한 바가 없기 때문에 이를 대체할 수 있는 신뢰성 있는 장치에 대한 조사가 필요하다고 생각한다.
- 근접한다. 변장 판별의 경우 적게는 4 프레임에서 많게는 20 프레임 내에 판정이 완료되고 위조 판별의 경우에는 정상 영상은 1~2초, 위조 영상은 카메라에 입력되는 영상이 반사도가 심해 얼굴이 잘 검출 되지 않아 지체되는 시간을 제외하면 2~3초으로 사용성이 보장되지만 이를 향후 IP Camera 등의 임베디드 시스템에 연동하기 위해서는 속도 측면의 퍼포먼스를 개선해야 할 것이다. 본 위조 판별 시스템은 전적으로 눈 영역의 검출과 영역 내의 밝기 값의 조사에 판정이 달려 있으므로 눈을 검출하지 못하거나 동공의 반사 특징을 사용할 수 없는 경우에 대한 추가적인 시스템의 구성이 필요하다.
- 기존 시스템과 달리 제안된 시스템에서는 여러가지 선글라스의 종류를 생각하는 것이 아닌 눈이 보이는지 보이지 않는지의 판정이 되었기 때문에 눈 검출을 못함에 따른 시스템 상의 극단적인 오류가 줄어든 결과가 되었다. 한편 마스크의 경우 기존의 시스템에서 입 영역의 에지를 조사하는 방법을 제안하여 다양한 마스크의 착용 방법과 마스크 종류에 대응할 수 있도록 보완하였으나 코가 가려지는 선글라스를 착용하였을 경우 마스크로 판정되는 경우가 보기 드물게 존재함에 따라 향후 보완이 필요하다고 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.