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 안정된 인식률을 얻기 위해 PCA를 이용해 파라메트릭 공간을 생성하여 얼굴의 방향성 문제를 해결하는 방법을 제시한다. 이는 입력 영상의 변화율을 크게하기 위해 각 얼굴 영상에 대해 좌∙우 45°씩 틀어 회전 정보를 갖는 영상을 데이터베이스화함으로써 입력 영상의 방향이 틀어져도 같은 영상으로 인식할 수 있게 된다.
- 본 논문에서는 얼굴 인식을 위한 보다 안정적이며 조명 변화와 회전에 강인하게 얼굴 영역을 검출하며, 계산의 효율성과 검출 성능을 동시에 만족시키는 강인한 인식 알고리즘에 대해 제안한다. 제안하는 시스템은 전처리 과정을 거쳐 영상의 정규화를 진행하였다.
- 본 논문에서는 특이치 분해(SVD)를 이용하여 고유 공간을 구하여 영상 집합 X의 공분산 행렬에 대한 고유 벡터를 얻었다.
제안 방법
- 웹 카메라를 통해 얼굴 영상이 입력되면 높은 전처리 과정을 거쳐 정규화 한 후 정규화된 영상에서 얼굴 영역만을 정확하게 분할 검출하기 위해 서로 다른 밝기 값을 가진 두 영상의 차분연산을 통해 목표 영역에 대한 접근 및 검출 능력을 향상시켰다. 검출된 후보 영역에 대해 주성분분석(PCA)을 적용한 후 특징 벡터를 SVM에 적용하여 최적의 이진분류를 하여 후보가 된 얼굴 영역에 대한 검증을 수행한다. 마지막으로 검증과정을 거친 특징 벡터를 이용하여 최종 얼굴을 인식하였다.
- 셋째, PCA를 이용하여 고차원의 데이터를 저차원의 데이터로 차원을 축소하여 특징 값을 추출한 후 고유공간에 투영시킨다. 넷째, 추출된 특징 값을 SVM에 적용하여 최적의 이진분류가 되도록 초평면상에서 SV를 구함으로써 후보가 된 얼굴 영역에 대한 정확한 검증을 수행하였다. 마지막으로 검증된 특징벡터를 이용하여 최종 얼굴을 인식한다.
- 첫째, 정규화된 영상에서 얼굴 영역만을 정확하게 분할 검출하기 위해 밝고 어두운 두 영상의 차분연산을 통해 배경 영역을 제거함으로써 얼굴 후보 영역을 검출한다. 둘째, 검출된 후보 영역에 대해 주성분분석(PCA)을 적용하여 고차원의 데이터에 대해 차원을 축소하여 저차원의 특징 벡터를 구한 후 특징 벡터를 서포트벡터머신(SVM)에 적용하여 이진 분류를 수행함으로써 얼굴영역 후보에 대한 정확한 검증을 수행한다. 마지막으로 검증과정을 거친 특징벡터를 이용하여 최종 얼굴을 인식한다.
- 둘째, 조명변화에 덜 민감하게 하기 위해 서로 다른 밝기값을 가진 두 영상의 차를 이용하여 임계치를 적용함으로써 목표 영역에 대한 접근 및 검출 능력을 향상시켰다. 셋째, PCA를 이용하여 고차원의 데이터를 저차원의 데이터로 차원을 축소하여 특징 값을 추출한 후 고유공간에 투영시킨다.
- 본 실험에서 SVM의 학습을 위해 마스크를 설정하여 훈련 데이터를 만들었다. 또한 생성된 훈련 데이터에 비선형 SVM을 적용하여 모든 오분류 표본이 최소가 되도록 파라미터C를 설정하여 학습하였다. 또한 특징 계수를 비선형 SVM의 학습데이터로 사용하였다.
- 또한 얼굴의 인식률을 높이기 위해 입력되는 각 얼굴 영상의 방향을 좌∙우 45° 회전 정보를 갖는 영상을 획득한 후 데이터베이스를 생성하여 대표 값을 구하고 PCA를 적용하여 고유공간에 투영시킴으로써 얼굴의 특징 값을 산출한다.
- 검출된 후보 영역에 대해 주성분분석(PCA)을 적용한 후 특징 벡터를 SVM에 적용하여 최적의 이진분류를 하여 후보가 된 얼굴 영역에 대한 검증을 수행한다. 마지막으로 검증과정을 거친 특징 벡터를 이용하여 최종 얼굴을 인식하였다.
- 본 논문에서는 고유공간에서 겹침으로 인한 인식 오류를 없애기 위해 PCA에서 추출한 특징 값들을 SVM에 적용하여 최적의 이진분류를 하기 위해 초평면에서의 마진을 이용해 Support Vector(SV)를 구함으로써 서로 다른 얼굴에 대한 검증을 한다.
- 본 논문에서는 얼굴 영상을 정확히 분석하고 인식하기 위해 PCA를 적용하여 각각의 얼굴 영상을 고유 공간에 투영시킨 후 추출된 특징 값을 대상으로 SVM에 적용한 후 SV를 구하여 이진분류를 수행함으로써 얼굴에 대한 검증을 수행한다. 그림 1은 본 논문에서 제안하는 전체 시스템 구성도이다.
- 본 논문에서는 조명 변화로 인한 배경의 밝기 변화를 측정하여 시간 요소(t)를 고려해서 일정 시간 Ti동안 배경 영상 It를 취득한 다음 영상 영역 R내에 있는 각 픽셀 (x)들을 분석하여 조명이 가장 밝았을 때의 화소 값 Pmax(x)와 가장 어두울 때의 화소 Pmin(x)을 얻는다. 이 두 화소 값의 차이 D(x)는 조명의 변화로 나타날 수 있는 밝기의 임계치이다.
- 본 실험에서 SVM의 학습을 위해 마스크를 설정하여 훈련 데이터를 만들었다. 또한 생성된 훈련 데이터에 비선형 SVM을 적용하여 모든 오분류 표본이 최소가 되도록 파라미터C를 설정하여 학습하였다.
- 둘째, 조명변화에 덜 민감하게 하기 위해 서로 다른 밝기값을 가진 두 영상의 차를 이용하여 임계치를 적용함으로써 목표 영역에 대한 접근 및 검출 능력을 향상시켰다. 셋째, PCA를 이용하여 고차원의 데이터를 저차원의 데이터로 차원을 축소하여 특징 값을 추출한 후 고유공간에 투영시킨다. 넷째, 추출된 특징 값을 SVM에 적용하여 최적의 이진분류가 되도록 초평면상에서 SV를 구함으로써 후보가 된 얼굴 영역에 대한 정확한 검증을 수행하였다.
- 얼굴 인식 과정은 첫째, 카메라로부터 촬영된 640*480의 입력 영상을 전처리과정으로 100*100으로 정규화 하였으며, 연산속도를 줄이기 위해 모델 영상을 Gray Level로 변환하였다. 그림 8은 정규화 과정을 거쳐 최적의 모델을 생성하기 위한 전처리과정을 보여준다.
- 본 논문에서는 얼굴 인식을 위한 보다 안정적이며 조명 변화와 회전에 강인하게 얼굴 영역을 검출하며, 계산의 효율성과 검출 성능을 동시에 만족시키는 강인한 인식 알고리즘에 대해 제안한다. 웹 카메라를 통해 얼굴 영상이 입력되면 높은 전처리 과정을 거쳐 정규화 한 후 정규화된 영상에서 얼굴 영역만을 정확하게 분할 검출하기 위해 서로 다른 밝기 값을 가진 두 영상의 차분연산을 통해 목표 영역에 대한 접근 및 검출 능력을 향상시켰다. 검출된 후보 영역에 대해 주성분분석(PCA)을 적용한 후 특징 벡터를 SVM에 적용하여 최적의 이진분류를 하여 후보가 된 얼굴 영역에 대한 검증을 수행한다.
- 본 논문에서는 얼굴 인식을 위한 보다 안정적이며 조명 변화와 회전에 강인하게 얼굴 영역을 검출하며, 계산의 효율성과 검출 성능을 동시에 만족시키는 강인한 인식 알고리즘에 대해 제안한다. 제안하는 시스템은 전처리 과정을 거쳐 영상의 정규화를 진행하였다. 첫째, 정규화된 영상에서 얼굴 영역만을 정확하게 분할 검출하기 위해 밝고 어두운 두 영상의 차분연산을 통해 배경 영역을 제거함으로써 얼굴 후보 영역을 검출한다.
- 제안하는 시스템은 전처리 과정을 거쳐 영상의 정규화를 진행하였다. 첫째, 정규화된 영상에서 얼굴 영역만을 정확하게 분할 검출하기 위해 밝고 어두운 두 영상의 차분연산을 통해 배경 영역을 제거함으로써 얼굴 후보 영역을 검출한다. 둘째, 검출된 후보 영역에 대해 주성분분석(PCA)을 적용하여 고차원의 데이터에 대해 차원을 축소하여 저차원의 특징 벡터를 구한 후 특징 벡터를 서포트벡터머신(SVM)에 적용하여 이진 분류를 수행함으로써 얼굴영역 후보에 대한 정확한 검증을 수행한다.
대상 데이터
- 또한 생성된 훈련 데이터에 비선형 SVM을 적용하여 모든 오분류 표본이 최소가 되도록 파라미터C를 설정하여 학습하였다. 또한 특징 계수를 비선형 SVM의 학습데이터로 사용하였다. 식(35)은 전체 특징 계수 중에서 상위 R개의 특징 계수를 선택한 경우이다.
데이터처리
- 마지막으로 검증된 특징벡터를 이용하여 최종 얼굴을 인식한다. 본 논문에서 제안하는 얼굴 인식 방법의 성능 평가를 위하여 기존의 다른 알고리즘과 비교하였다. 표 1은 기존 알고리즘들을 단순히 적용하였을 때의 인식 성능을 비교한 것이며, 표 2는 복합 알고리즘을 적용하였을 때의 인식 성능을 비교한 것이다.
성능/효과
- 대부분의 복합 알고리즘은 표 1에 비해 약3%∼5% 정도의 인식률이 향상되었으며, 모두 높은 인식률을 보여준다. 그 중에서도 본 논문에서 제안하는 방법이 94.1%로 큰 폭은 아니지만 가장 높은 인식률을 보여줌으로써 기존의 다른 방법보다 안정된 얼굴 인식이 가능하다는 것을 알 수 있다.
- 대부분의 복합 알고리즘은 표 1에 비해 약3%∼5% 정도의 인식률이 향상되었으며, 모두 높은 인식률을 보여준다.
- 또한, 입력되는 얼굴 영상의 방향을 고려하여 좌∙우 45°회전을 가진 영상에 대해 데이터베이스를 생성한 후 PCA를 적용하여 입력 영상의 방향성에 대한 인식 오차를 줄일 수 있었다.
- 표 1에서는 얼굴 인식의 대표적인 알고리즘을 Single로 사용하여 인식률을 측정한 것이다. 인식률에 있어 4개의 알고리즘 모두가 엇비슷한 결과를 보였으며, 이 중에서 근소한 차이기는 하나 LDA가 가장 높은 인식률을 보였다. 반면 SVM은 상대적으로 낮았다.
- 반면 SVM은 상대적으로 낮았다. 전체적으로 보면 각각의 알고리즘들은 개별적으로 훌륭한 특성을 가지고 있지만 Single로 사용되어지면 최적의 효과를 볼 수 없다는 결론을 얻을 수 있다. 인식 시간에 있어서는 4개의 알고리즘 모두가 빠른 반응 시간을 보이고 있다.
- 표 4는 가변적인 조명환경에서 얼굴 검출율을 확인하기 위한 실험으로 본 논문에서 제안하는 방법이 91.7%로 앞의 두 조명 조건에 비해 높은 검출율을 보였다. 이 실험을 통해 얼굴 검출에 있어 조명의 변화는 매우 민감한 요소가 된다는 것을 다시 한 번 알 수 있었다.
후속연구
- 향후에는 기존의 알고리즘에 적용하는 것에 그치지 않고 새로운 알고리즘을 개발하는 연구가 이루어져야 할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.