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
- 피부색은 색상 공간에서 일정 영역에 분포하는 특성을 지니며, 입력되는 컬러 영상에 대하여 가장 빠르고 쉽게 얻을 수 있는 정보로서 어떤 사물을 판단하는데 있어 적은 계산량으로, 가장 효율적으로 적용할 수 있는 방법 중의 하나이다. 본 논문에서는 동양인 피부색 검출에 우수한 성능을 보이는 것으로 알려진 YCbCr 컬러 모델을 이용하여 얼굴 후보영상을 검출한다[15].
- 본 연구에서는 성능이 향상된 얼굴영역 검출을 위해서 영상에서 YCbCr 피부색 색상 정보를 이용하여 배경을 제거하고, 상태 기반 방법의 하나인 Haarlike Feature 방법을 순차적으로 적용하는 방법을 제시하였다. 그 결과 Haar-like Feature 방법만을 이용한 얼굴 검출의 성공률 보다 피부색을 기반으로 배경을 제거하고 Haar-like Feature를 이용한 방법이 더 높은 얼굴 검출률을 보였다.
제안 방법
- 본 논문에서는 얼굴영역을 검출하기 위해서 먼저 얼굴의 특징정보인 색상정보를 이용해서 RGB 컬러 모델의 입력영상에 대해 얼굴과 관련 없는 정보를 포함한 배경을 제거하게 된다. 피부색은 색상 공간에서 일정 영역에 분포하는 특성을 지니며, 입력되는 컬러 영상에 대하여 가장 빠르고 쉽게 얻을 수 있는 정보로서 어떤 사물을 판단하는데 있어 적은 계산량으로, 가장 효율적으로 적용할 수 있는 방법 중의 하나이다.
- 입력영상에서 얼굴의 특징정보인 피부색을 포함한 영역을 검출하기 위하여 RGB 컬러 영상을 YCbCr 컬러 공간으로 변환하고, 각 픽셀이 피부인지 아닌지를 판별하게 된다. 24비트 RGB신호에서 YCbCr로의 변환 공식은 식(1)과 같으며 여기서 128은 8비트에서 0～255 범위를 갖기 위해 더해주는 요소 값이며, 그 역변환 공식은 식(2)와 같다.
- YCbCr 컬러 모델을 이용하여 피부 영역을 간단한 수식을 통하여 모델링 하면 식 (3)과 같다. YCbCr컬러 공간에서 Y값을 제거하고 Cb와 Cr 값에 대해 Chai 등이[16] 제안한 피부색 참조 맵을 이용하여본 논문에서의 실험환경에 맞게 재조정하여 임계 값을 적용함으로써 피부색 픽셀 영역을 검출하게 된다.
- 본 논문에서는 빠르게 얼굴을 검출하기 위해서 단계적으로 접근하는 방식으로 Cascade 구조를 사용하게 된다[14]. Cascade 구조는 여러 개의 스테이지로 나누고 상위에 높은 확률을 적용하고, 순차적으로 낮은 확률을 갖는 Haar-like Feature를 적용하여 전체 Cascade를 다 통과한 경우에만 찾고자 하는 객체로 검출한다.
- 본 논문에서는 빠르게 얼굴을 검출하기 위해서 단계적으로 접근하는 방식으로 Cascade 구조를 사용하게 된다[14]. Cascade 구조는 여러 개의 스테이지로 나누고 상위에 높은 확률을 적용하고, 순차적으로 낮은 확률을 갖는 Haar-like Feature를 적용하여 전체 Cascade를 다 통과한 경우에만 찾고자 하는 객체로 검출한다. 물체가 포함되어 있지 않은 영역은 각각의 Sub-windows가 적용되고 단계를 거치는 도중 즉시 거절하기 때문에 나머지 Cascade를 처리할 필요가 없어지게 된다.
- 그림3은 본 논문에서 제안하는 얼굴영역 검출과정을 보여 주고 있다. 얼굴을 인식하기 위한 과정에서 입력된 영상에 대하여 YCbCr컬러공간을 이용하여 피부색영역을 우선 검출하여 배경을 제거한다. 그 후 Haar-like Feature를 이용하여 얼굴영역을 최종적으로 검출하게 된다.
- 피부색을 이용한 얼굴검출의 경우 피부색과 유사한 색을 가진 다른 물체가 있을 경우 잘못 판단하는 경우가 발생하며 피부색 영역 내에 잡음들이 포함되기도 한다. 따라서 잡음을 제거하기 위해 모폴로지 연산을 적용하고, 피부색영역에 대해 모폴로지 결과 영상과 원래의 입력영상과의 AND연산을 통하여 피부색영역이 검출된 영상을 획득한다.
- 따라서 본 논문에서는 배경에 강건한 얼굴 검출을 위해서 YCbCr컬러 모델을 이용하여 얼굴 이외의 배경을 먼저 제거한다. 이 제거된 얼굴 영역 후보 영상에 Haar-like Feature를 이용하여 얼굴영역을 검출한다.
- 따라서 본 논문에서는 배경에 강건한 얼굴 검출을 위해서 YCbCr컬러 모델을 이용하여 얼굴 이외의 배경을 먼저 제거한다. 이 제거된 얼굴 영역 후보 영상에 Haar-like Feature를 이용하여 얼굴영역을 검출한다. 그림 5는 그 결과 영상이다.
- 본 논문에서는 의료로봇[18-20]에 장착된 카메라로 부터 컬러 이미지가 들어오면 피부색을 검출하고 그레이 이미지로 변환 후 이진화, 모폴로지, 컨투어, 사이즈필터링 알고리즘을 사용하여 얼굴의 색상정보를 포함하지 않는 배경을 제거한 영상을 획득한다. 이렇게 피부색이 검출된 영상에 대하여 사각특징인 Haar-like Feature를 이용하여 얼굴영역을 검출한다.
- 먼저 비교 실험에 앞서 얼굴 영역 검출이 잘 이루어지는지 확인하기 위하여 YCbCr컬러 모델을 이용하여 얼굴 이외의 배경이 제거된 얼굴 영역 후보 영상에 대하여 실험을 하였다. 실험은 8명의 피실험자를 대상으로 수행되었으며 입력영상에 대한 피부색이 검출된 출력영상은 그림 6과 같다.
- 본 연구에서 제안한 방법에 대한 우수성을 검증하기 위하여 Haar-like Feature 방법만을 이용한 얼굴 검출 실험과 본 논문에서 제안한 피부색을 이용한 배경제거 영상에 Haar-like Feature를 적용하여 얼굴을 검출하는 실험(SC-HLF)을 각각 수행하여 얼굴 검출률과 처리속도를 비교하였다. 표 1은 실험의 수행 결과이다.
- 그림 7은 표1에서 제시된 두 가지 방법에 대한 얼굴검출 처리속도를 비교한 결과이다. 처리속도의 측정은 카메라로부터 얼굴검출을 위한 영상이 입력되기 시작하여 컴퓨터의 화면에 얼굴 위치와 얼굴이 검출이 되는 순간까지의 시간을 컴퓨터 프로그램을 이용하여 측정하였다. 실험결과 “SC-HLF”가 “Only Haar-like Feature”을 사용한 얼굴검출 시간보다 약 3배 정도 더 빠른 처리 속도를 보였다.
대상 데이터
- 먼저 비교 실험에 앞서 얼굴 영역 검출이 잘 이루어지는지 확인하기 위하여 YCbCr컬러 모델을 이용하여 얼굴 이외의 배경이 제거된 얼굴 영역 후보 영상에 대하여 실험을 하였다. 실험은 8명의 피실험자를 대상으로 수행되었으며 입력영상에 대한 피부색이 검출된 출력영상은 그림 6과 같다. 모든 결과의 영상에 피부색을 포함한 얼굴영역만 잘 검출하고 있음을 확인 알 수 있다.
- 표 1은 실험의 수행 결과이다. 실험결과는 5명을 대상으로 각 사람마다 10회의 실험을 통하여 얻어진 것이다.
이론/모형
- 본 논문에서는 성능이 향상된 얼굴영역 검출을 위해서 먼저 영상에서 YCbCr 피부색 색상 정보를 이용하여 배경을 제거하고 상태 기반 방법 중 Haar-like Feature 방법을 이용한다. 이후 본 연구에서는 이 방법을 ‘SC-HLF’ 방법이라 표현한다.
- Haar-like Feature는 단순 Integral Image를 이용하여 특징 값을 표현하는 것으로 빠른 속도로 연산하며, AdaBoost 알고리즘[17]을 이용하여 얼굴을 검출하는 방법이다. 본 논문에서는 OpenCV기반으로 Haar-like Feature를 이용하여 얼굴 검출을 구현한다.
- 본 논문에서는 의료로봇[18-20]에 장착된 카메라로 부터 컬러 이미지가 들어오면 피부색을 검출하고 그레이 이미지로 변환 후 이진화, 모폴로지, 컨투어, 사이즈필터링 알고리즘을 사용하여 얼굴의 색상정보를 포함하지 않는 배경을 제거한 영상을 획득한다. 이렇게 피부색이 검출된 영상에 대하여 사각특징인 Haar-like Feature를 이용하여 얼굴영역을 검출한다.
성능/효과
- 이후 본 연구에서는 이 방법을 ‘SC-HLF’ 방법이라 표현한다. 그 결과 얼굴영역 검출 전 단계에서 입력영상에 대하여 얼굴과 관계없는 배경을 제거함으로써 처리속도와 향상된 강건한 얼굴검출 결과를 얻을 수 있었다.
- 실험은 8명의 피실험자를 대상으로 수행되었으며 입력영상에 대한 피부색이 검출된 출력영상은 그림 6과 같다. 모든 결과의 영상에 피부색을 포함한 얼굴영역만 잘 검출하고 있음을 확인 알 수 있다.
- 실험결과 “SC-HLF”가 “Only Haar-like Feature”을 사용한 얼굴검출 시간보다 약 3배 정도 더 빠른 처리 속도를 보였다.
- 실험 결과 Haar-like Feature 방법만을 이용한 얼굴 검출의 성공률보다 피부색을 기반으로 배경을 제거한 후 Haar-like Feature를 이용한 방법(SC-HLF)이 더 높은 얼굴 검출률을 보였다. 이 결과는 앞에서도 언급된 것과 같이 피부색 이외의 배경을 모두 제거한 후 얼굴부분만을 인식하기 위한 처리 과정을 수행하기 때문에 나타난 결과로 분석 된다.
- 본 연구에서는 성능이 향상된 얼굴영역 검출을 위해서 영상에서 YCbCr 피부색 색상 정보를 이용하여 배경을 제거하고, 상태 기반 방법의 하나인 Haarlike Feature 방법을 순차적으로 적용하는 방법을 제시하였다. 그 결과 Haar-like Feature 방법만을 이용한 얼굴 검출의 성공률 보다 피부색을 기반으로 배경을 제거하고 Haar-like Feature를 이용한 방법이 더 높은 얼굴 검출률을 보였다. 또한 제안된 방법은 입력영상에 대하여 배경을 제거함으로써 얼굴영역검출 처리속도가 향상된 배경에 강건한 얼굴검출을 할 수 있었다.
- 그 결과 Haar-like Feature 방법만을 이용한 얼굴 검출의 성공률 보다 피부색을 기반으로 배경을 제거하고 Haar-like Feature를 이용한 방법이 더 높은 얼굴 검출률을 보였다. 또한 제안된 방법은 입력영상에 대하여 배경을 제거함으로써 얼굴영역검출 처리속도가 향상된 배경에 강건한 얼굴검출을 할 수 있었다.
후속연구
- 본 연구의 결과는 제안된 방법이 얼굴영역 검출 처리속도와 검출율 향상을 통해 심리로봇의 비전기술에 적용될 수 있는 가능성을 보여 주고 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.