[논문]환경변화에 강인한 눈 검출 알고리즘 성능향상 연구

하진관; 문현준

doi:10.14400/jdc.2016.14.10.271

[국내논문] 환경변화에 강인한 눈 검출 알고리즘 성능향상 연구
Performance Improvement for Robust Eye Detection Algorithm under Environmental Changes 원문보기

디지털융복합연구 = Journal of digital convergence, v.14 no.10, 2016년, pp.271 - 276

초록
AI-Helper

본 논문에서는 조명 및 Pose 등의 다양한 환경변화에 강인한 얼굴 및 눈 검출 알고리즘을 제안한다. 일반적으로 눈 검출은 얼굴검출과 동시에 수행되며 조명 및 Pose의 변화에 따라 검출 성능에 영향을 준다. 본 논문에서는 Modified Census Transform 알고리즘 사용하여 환경변화에 강인한 얼굴검출을 수행한다. 눈은 얼굴영역의 중요한 특징으로 주변의 조명 변화 및 안경 등의 다양한 요인으로 검출 성능의 저하 요인이 된다. 이러한 문제점의 해결을 위하여 Gabor transformation과 Feature from Accelerated Segment Test 알고리즘 기반의 눈 검출 알고리즘을 제안한다. 제안된 얼굴검출 알고리즘은 27.4ms의 검출속도와 98.4%의 검출율을 보이며, 눈 검출 알고리즘의 경우 36.3ms의 검출속도와 96.4%의 검출율을 보이는 것을 확인하였다.

Abstract ▼ AI-Helper

In this paper, we propose robust face and eye detection algorithm under changing environmental condition such as lighting and pose variations. Generally, the eye detection process is performed followed by face detection and variations in pose and lighting affects the detection performance. Therefore, we have explored face detection based on Modified Census Transform algorithm. The eye has dominant features in face area and is sensitive to lighting condition and eye glasses, etc. To address these issues, we propose a robust eye detection method based on Gabor transformation and Features from Accelerated Segment Test algorithms. Proposed algorithm presents 27.4ms in detection speed with 98.4% correct detection rate, and 36.3ms face detection speed with 96.4% correct detection rate for eye detection performance.

주제어

AI 본문요약
AI-Helper

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

문제 정의

7ms이내에 검출에 성공하므로 전체적인 성능저하는 미미하다. 따라서 본 논문에서는 기존 눈 검출 방법의 성능을 향상시킨 Hybrid method 기반 눈 검출 방법에 대해 제안하며, 실시간 얼굴 및 눈 검출을 수행하여 평가하였다.
이 분야의 다양한 시도는 최근 출시되는 다양한 IT 및 가전제품 등 다양한 분야에 적용되어 주목할 만한 결과를 보이고 있다. 본 논문에서는 기계학습을 기반으로 한 얼굴검출과 Gabor Transformation 기반 눈 검출 알고리즘[8]을 보안하기 위한 알고리즘을 제안하고, 성능평가를 진행한다.
본 논문에서는 환경변화에 강인한 얼굴검출 및 눈 검출 알고리즘을 구현하여 성능을 향상하였다. Web-cam 기반 실시간 입력 영상에서 MCT 알고리즘을 이용한 얼굴검출을, Hybrid method를 통해 눈 검출을 수행하였다.

제안 방법

본 논문에서는 환경변화에 강인한 얼굴검출 및 눈 검출 알고리즘을 구현하여 성능을 향상하였다. Web-cam 기반 실시간 입력 영상에서 MCT 알고리즘을 이용한 얼굴검출을, Hybrid method를 통해 눈 검출을 수행하였다.
기계학습 기반의 얼굴 및 눈 검출 알고리즘을 학습하기 위해 FERET[1,2], XM2VTS[3], BioID[4] database와 인터넷에서 무작위로 수집한 얼굴 이미지로 구성한 학습 셋(positive)을 구성하고, 얼굴과 유사한 특징을 보이는 이미지를 무작위로 수집하여 배경 이미지(Negative)로 사용하였다. 실험은 17,275(positive)장, 51,820(negative)장을 사용하여 학습하였으며 눈 검출의 결과를 확인하기 위해 1,000장의 FERET database를 사용하였다.
또한, convolution(회선) 처리를 수행하기 때문에 눈 검출에 많은 시간이 소요되며, 빛의 난반사에 민감하다. 따라서 본 논문에서는 Gabor filter 이외에 Features From Accelerated Test(FAST)[9,10,11] 알고리즘을 통해 눈영역의 특징을 추출하여 보완하였다.
FAST 알고리즘의 단점은, Gabor filter 기반 검출과 달리 해당 영역의 모든 특징을 추출하므로 검출하려는 특징에 영향을 주는 요소가 적거나 많은 경우 Gabor filter 기반의 눈 검출보다 검출율이 저하된다는 점이다. 따라서 본 논문에서는 Gabor filter와 FAST 기반 눈 검출 알고리즘을 모두 적용하여 다양한 환경에 강인한 눈 검출 성능을 보장하는 hybrid method를 적용하여 눈을 검출한다. Hybrid method는 Gabor filter 알고리즘을 기반으로 얼굴의 Pose가 변화할 시 FAST 알고리즘을 통해 눈 영역의 특징을 추출하여 보완하는 방법으로서 Gabor filter에 높은 가중치를 두어 연산을 수행한다.
눈은 얼굴에서 픽셀의 화소 값이 가장 급격히 변화하는 영역으로서 이를 기준으로 회전 및 크기변화와 같은 얼굴의 다양한 기하학적 변화를 쉽고 효율적으로 감지할 수 있도록 해주는 특징이다. 따라서 얼굴 영역에서 눈의 정보는 얼굴의 변화를 측정하는 데 있어서 가장 중요한 특징 중의 한 가지이며, 본 논문에서는 Qian과 Xu가 제안한 Gabor filter[8] 기반 눈 검출을 통해 눈의 위치를 검출한다.
얼굴검출은 입력 데이터에서 얼굴의 특징을 기계학습 알고리즘을 기반으로, 학습된 가중치를 통해 얼굴임을 판단할 수 있도록 하는 일련의 과정을 일컫는다. 본 논문에서는 P. Viola의 Adaptive Boosting(Adaboost)[5] 학습 방법을 기반으로 얼굴 데이터의 특징을 511가지로 분류하여 학습하는 Modified Census Transform(MCT)[6] 알고리즘을 통해 얼굴검출을 수행한다.
본 논문에서는 다음 [Table 2]와 같은 조건(실내조명, 1280×720 해상도)의 실시간 영상에 대해 머리와 얼굴 (MCT) 및 눈(hybrid method)을 검출하였다.
눈 영역은 수평방향의 신호가 지배적으로 분포하는 특징을 보이므로 추출된 40개의 Gabor parameter중 v={2, 3, 4}, μ=0을 사용하여 reference image를 생성한다. 생성된 reference image에 k-means clustering을 수행하여 image patch를 생성하고, 동공을 선택하여 눈을 검출한다. Gabor filter 기반 알고리즘의 특징은 정면 얼굴의 눈 영역에 대해 매우 높은 검출율을 보이지만[Fig.
본 논문에서는 [Table 1]의 과정을 통해 눈 검출을 수행한다. 얼굴의 히스토그램을 분석하고, 얼굴 중앙에서 31:13 비율의 사각형 영역을 선택하여 평균 픽셀값을 구하여 명암도를 그룹화 한다. 이를 기준으로 명암대비를 향상하고 다음의 수식을 기반으로 2차원 Gabor wavelet을 추출한다.
입력 얼굴이 나타낼 수 있는 3방향의 각도변화[15] 중 web-cam환 경을 고려하여 얼굴 및 눈 검출에 평균 13fps의 성능으로 각각 roll ±30º, pitch ±20º의 범위에 대해 검출 성공하였다.
첫 stage는 복잡도가 가장 낮은 20개의 특징을 사용하여 99%의 얼굴이 아닌 영역을 분류하여 연산 속도가 빠르다는 장점이 있으며, 1∼3 stage에서 Adaboost 알고리즘 기반 분류를 수행한다.

대상 데이터

4 stage는 Winnov Update Rule(WUR)을 기반으로 얼굴검출을 수행하며, 수행시간이 많이 소요된다. MCT는 1 stage에서 99%의 얼굴 분류가 가능하므로 본 논문에서는 4 stage를 생략하여 실험하였다. 그 결과 얼굴 검출 속도(평균 27.
기계학습 기반의 얼굴 및 눈 검출 알고리즘을 학습하기 위해 FERET[1,2], XM2VTS[3], BioID[4] database와 인터넷에서 무작위로 수집한 얼굴 이미지로 구성한 학습 셋(positive)을 구성하고, 얼굴과 유사한 특징을 보이는 이미지를 무작위로 수집하여 배경 이미지(Negative)로 사용하였다. 실험은 17,275(positive)장, 51,820(negative)장을 사용하여 학습하였으며 눈 검출의 결과를 확인하기 위해 1,000장의 FERET database를 사용하였다.

데이터처리

위 수식의 결과와 이미지 명도 값의 convolution을 통해 눈의 Gabor parameter를 추출한다. 눈 영역은 수평방향의 신호가 지배적으로 분포하는 특징을 보이므로 추출된 40개의 Gabor parameter중 v={2, 3, 4}, μ=0을 사용하여 reference image를 생성한다.

이론/모형

일반적으로 눈은 얼굴에서 거의 고정된 위치에 존재하며 가장 급격한 명암도 변화를 갖는 특징을 보인다. 이와 같은 특징을 기반으로, 눈의 중앙(동공)으로 예상되는 지점으로부터 외곽 방향으로 Gabor filter 기준의 가중치를 [Fig. 5]와 같은 형태로 적용하여 눈을 검출한다. 눈 영역에 대한 Gabor filter 기반 눈 검출은 높은 정확도를 보이지만, 눈 주변의 음영변화(눈 주변의 색소침착, 두꺼운 안경테, 및 그림자 등)에 의해 검출 성능이 저하되는 단점을 지닌다.

성능/효과

MCT는 1 stage에서 99%의 얼굴 분류가 가능하므로 본 논문에서는 4 stage를 생략하여 실험하였다. 그 결과 얼굴 검출 속도(평균 27.4ms)와 검출율(98.4%)이 향상됨을 실험을 통해 확인하였다.

질의응답

핵심어	질문	논문에서 추출한 답변
	하드웨어 및 소프트웨어의 개념이 변화한 이유는 무엇인가?	일반적으로 하드웨어 환경은 변경이 불가능한 고정적인 것으로 인지 되어왔으며, 소프트웨어는 하드웨어를 최대 성능으로 운용하기 위한 것으로 인식되어왔다. 그러나 최근 다양한 기능을 제공하는 개인용 모바일 기기가 널리 보급됨에 따라 하드웨어 및 소프트웨어의 개념이 변화하고 있다. 최근 하드웨어 기술 발전에 따라 응용 소프트웨어에 대한 요구 또한 증가하는 추세이다.
	최근 주목받고 있는 응용 소프트웨어 기술은 무엇인가?	응용 소프트웨어 기술은 이용자들의 다양한 요구에 따라 발전하였다. 최근 각광을 받고있는 연구 분야는 Machine learning(기계학습)을 기반으로 사람이 직접 제어하지 않고도 정해진 규칙에 따라 사람과 같은 판단을 내릴 수 있는 인공지능 관련기술이다. 이 분야의 다양한 시도는 최근 출시되는 다양한 IT 및 가전제품 등 다양한 분야에 적용되어 주목할 만한 결과를 보이고 있다.
	하드웨어 및 소프트웨어 환경에 대한 일반적인 인식은 어떠했는가?	IT 기술의 발전과 더불어 관련분야의 하드웨어 및 소프트웨어 환경이 급속도로 발전하고 있다. 일반적으로 하드웨어 환경은 변경이 불가능한 고정적인 것으로 인지 되어왔으며, 소프트웨어는 하드웨어를 최대 성능으로 운용하기 위한 것으로 인식되어왔다. 그러나 최근 다양한 기능을 제공하는 개인용 모바일 기기가 널리 보급됨에 따라 하드웨어 및 소프트웨어의 개념이 변화하고 있다.

참고문헌 (15)

P. Jonathon, H. Moon, S. Rizvi, and P. J. Rauss. "The FERET evaluation methodology for face-recognition algorithms." Pattern Analysis and Machine Intelligence, IEEE Transactions Vol 22, No. 10 (2000): 1090-1104.

상세보기
FERET database http://www.nist.gov/itl/iad/ig/feret.cfm
XM2VTS face database. http://www.ee.surrey.ac.uk/CVSSP/xm2vtsdb/
BioID face database. https://www.bioid.com/About/BioID-Face-Database
P. Viola, and M. Jones. "Rapid object detection using a boosted cascade of simple features." In Computer Vision and Pattern Recognition, 2001. Proceedings of the 2001 IEEE Computer Society Conference on, vol. 1, pp. I-511. IEEE, 2001.
Froba, Bernhard, and Andreas Ernst. "Face detection with the modified census transform." In Automatic Face and Gesture Recognition, 2004. Proceedings. Sixth IEEE International Conference on, pp. 91-96. IEEE, 2004.
R. Valenti, N. Sebe, and T. Gevers. "Combining head pose and eye location information for gaze estimation." Image Processing, IEEE Transactions Vol 21, No. 2 (2012): 802-815.

상세보기
Z. Qian and D. Xu. "Automatic eye detection using intensity filtering and K-means clustering." Pattern Recognition Letters 31, No. 12 (2010): 1633-1640.

상세보기
K. Jeong and H. Moon. "Object detection using FAST corner detector based on smartphone platforms." In Computers, Networks, Systems and Industrial Engineering(CNSI), 2011 First ACIS/JNU International Conference on, pp. 111-115. IEEE, 2011.
E. Rosten and T. Drummond. "Machine learning for high-speed corner detection." In Computer Vision-ECCV 2006, pp. 430-443. Springer Berlin Heidelberg, 2006.
E. Mair, G.D. Hager, D. Burschka, M. Suppa, and G. Hirzinger. "Adaptive and generic corner detection based on the accelerated segment test." In Computer Vision-ECCV 2010, pp. 183-196. Springer Berlin Heidelberg, 2010.
D. G. Lowe, "Object recognition from local scale-invariant features." In Computer vision, 1999. The proceedings of the seventh IEEE international conference on, Vol. 2, pp. 1150-1157. Ieee, 1999.
C. Liu, J. Yuen, A. Torralba, J. Sivic, and W. T. Freeman. "Sift flow: Dense correspondence across different scenes." In Computer Vision-ECCV 2008, pp. 28-42. Springer Berlin Heidelberg, 2008.
H. Bay, A. Ess, T. Tuytelaars, and L. V. Gool. "Speeded-up robust features (SURF)." Computer vision and image understanding 110, No. 3 (2008): 346-359.

상세보기
E. Murphy-Chutorian, and M. M. Trivedi. "Head pose estimation in computer vision: A survey." Pattern Analysis and Machine Intelligence, IEEE Transactions Vol 31, No. 4 (2009): 607-626.

상세보기

저자의 다른 논문 :

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].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
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

연합인증