[논문]일반 카메라 영상에서의 얼굴 인식률 향상을 위한 얼굴 특징 영역 추출 방법

김성훈; 한기태

doi:10.3745/ktsde.2016.5.5.251

초록
AI-Helper

얼굴 인식은 얼굴 영상에서 특징을 추출하고, 이를 다양한 알고리즘을 통해 학습하여 학습된 데이터와 새로운 얼굴 영상에서의 특징과 비교하여 사람을 인식하는 기술로 인식률을 향상시키기 위해서 다양한 방법들이 요구되는 기술이다. 얼굴 인식을 위해 학습 단계에서는 얼굴 영상들로 부터 특징 성분을 추출해야하며, 이를 위한 기존 얼굴 특징 성분 추출 방법에는 선형판별분석(Linear Discriminant Analysis, LDA)이 있다. 이 방법은 얼굴 영상들을 고차원의 공간에서 점들로 표현하고, 클래스 정보와 점의 분포를 분석하여 사람을 판별하기 위한 특징들을 추출하는데, 점의 위치가 얼굴 영상의 화소값에 의해 결정되므로 얼굴 영상에서 불필요한 영역 또는 변화가 자주 발생하는 영역이 포함되는 경우 잘못된 얼굴 특징이 추출될 수 있으며, 특히 일반 카메라 영상을 사용하여 얼굴인식을 수행하는 경우 얼굴과 카메라간의 거리에 따라 얼굴 크기가 다르게 나타나 최종적으로 얼굴 인식률이 저하된다. 따라서 본 논문에서는 이러한 문제점을 해결하기 위해 일반 카메라를 이용하여 얼굴 영역을 검출하고, 검출된 얼굴 영역에서 Gabor Filter를 이용하여 계산된 얼굴 외곽선을 통해 불필요한 영역을 제거한 후 일정 크기로 얼굴 영역 크기를 정규화하였다. 정규화된 얼굴 영상을 선형 판별 분석을 통해 얼굴 특징 성분을 추출하고, 인공 신경망을 통해 학습하여 얼굴 인식을 수행한 결과 기존의 불필요 영역이 포함된 얼굴 인식 방법보다 약 13% 정도의 인식률 향상이 가능하였다.

Abstract ▼ AI-Helper

Face recognition is a technology to extract feature from a facial image, learn the features through various algorithms, and recognize a person by comparing the learned data with feature of a new facial image. Especially, in order to improve the rate of face recognition, face recognition requires var...

Face recognition is a technology to extract feature from a facial image, learn the features through various algorithms, and recognize a person by comparing the learned data with feature of a new facial image. Especially, in order to improve the rate of face recognition, face recognition requires various processing methods. In the training stage of face recognition, feature should be extracted from a facial image. As for the existing method of extracting facial feature, linear discriminant analysis (LDA) is being mainly used. The LDA method is to express a facial image with dots on the high-dimensional space, and extract facial feature to distinguish a person by analyzing the class information and the distribution of dots. As the position of a dot is determined by pixel values of a facial image on the high-dimensional space, if unnecessary areas or frequently changing areas are included on a facial image, incorrect facial feature could be extracted by LDA. Especially, if a camera image is used for face recognition, the size of a face could vary with the distance between the face and the camera, deteriorating the rate of face recognition. Thus, in order to solve this problem, this paper detected a facial area by using a camera, removed unnecessary areas using the facial feature area calculated via a Gabor filter, and normalized the size of the facial area. Facial feature were extracted through LDA using the normalized facial image and were learned through the artificial neural network for face recognition. As a result, it was possible to improve the rate of face recognition by approx. 13% compared to the existing face recognition method including unnecessary areas.

주제어

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 얼굴 영상에서 얼굴 인식률에 영향을 주는 불필요 영역을 제거하고 서로 다른 얼굴 크기를 정규화 하여인식률을 향상시키는 방법을 제안하였다. 일반 카메라를 사용하여 얼굴인식을 수행하는 경우 배경 영상이나 얼굴 영상환경의 변화가 발생할 수 있는데, 기존 얼굴 인식에서는 검출된 얼굴 영역을 그대로 사용하거나 색상 기반의 얼굴 영역추출로 불필요 영역이 포함되어 선형 판별 분석 방법으로 얼굴 특징 성분을 추출하였을 때, 분류의 오류를 발생시켜 최종적으로 얼굴 인식률 저하의 원인이 되었다.

제안 방법

본 논문에서는 이러한 단점을 보완하기 위하여 HaarLike로 검출된 얼굴 영역에서 Gabor Filter를 이용하여 얼굴 외곽선을 검출하기 위한 얼굴 특징점을 계산하고, 계산된 얼굴 특징점들을 이용하여 2차 곡선 방정식과 최소자승법을 통해 얼굴의 오른쪽과 왼쪽의 외곽선을 검출한다. 얼굴 상단은 머리카락, 눈썹 등에 의해 정확한 곡선을 추출하기가 어려우므로 얼굴에서 지정된 3개의 점을 이용하여 얼굴 상단 곡선을 생성한다.
얼굴 상단은 머리카락, 눈썹 등에 의해 정확한 곡선을 추출하기가 어려우므로 얼굴에서 지정된 3개의 점을 이용하여 얼굴 상단 곡선을 생성한다. 최종적으로 계산된 얼굴 양쪽 외곽선과 상단곡선을 사용하여 얼굴 영역에서 불필요한 영역을 제거하고, 일정 크기로 정규화한 후 LDA를 통해 얼굴 특징 성분을 추출함으로써 얼굴 인식률을 향상시키는 방법을 제안한다.

대상 데이터

본 논문의 실험을 위한 환경 및 구현은 CPU i5 2.2GHz,4GB RAM의 컴퓨터 환경에서 OpenCV와 C++를 이용하여 구현하였으며, 실험데이터는 Fig. 22와 같이 CambridgeUniversity의 AT&T Laboratories에서 얼굴인식을 위해 제공하는 얼굴 영상들을 사용하였다[14]. 이 얼굴 영상들은92×112의 크기이고, 총 40명의 사람으로 나누어져 있으며, 각사람별로 총 10장 총 400개의 얼굴 영상으로 구성되어 있다.
22와 같이 CambridgeUniversity의 AT&T Laboratories에서 얼굴인식을 위해 제공하는 얼굴 영상들을 사용하였다[14]. 이 얼굴 영상들은92×112의 크기이고, 총 40명의 사람으로 나누어져 있으며, 각사람별로 총 10장 총 400개의 얼굴 영상으로 구성되어 있다.

성능/효과

이러한 문제를 해결하기 위해 본 논문에서는 얼굴 영상에서 Gabor Filter를이용하여 얼굴 외곽선 기준점 외곽선을 계산하여 2차 방정식과 최소자승법을 이용하여 얼굴 외곽선을 계산하였다. 계산된 얼굴 외곽선을 이용하여 불필요한 영역을 제거하고, 얼굴영역을 지정된 크기로 정규화 할 수 있었으며, 정규화 된 얼굴 영상을 선형 판별 분석을 통해 얼굴 특징 성분을 추출하고 인공 신경망으로 학습 및 인식한 결과 기존 방법보다 약13% 정도의 인식률 향상이 가능하였다. 하지만 제안하는 방법은 검출된 얼굴 특징점들에 대해 curve fitting을 통해 얼굴 특징영역을 추출하므로 불필요 영역이 완벽하게 제거되지않는다는 단점이 있으며, 이로 인해 인식율에 미세한 영향을 미칠 가능성이 있을 것으로 예상된다.
기존 얼굴 인식 방법과 제안하는 방법의 비교평가는 아래 Table 1과 같으며, Dhiren Pandit이 제안한 방법은 얼굴 영상에서 별도의 얼굴영역을 추출하지 않고, 얼굴 특징 성분을 추출하므로 얼굴 인식단계에서 불필요 영역이 합성된 얼굴 영상을 사용하는 경우 불필요한 영역이 포함되거나 학습얼굴 영상과 얼굴 크기의 차이로 인해 얼굴 인식률이 평균78% 정도로 나타났으며, Alireza Tofighi가 제안한 방법은 얼굴 색상 정보를 이용하여 얼굴 영역을 추출함에 따라 얼굴 영역 정보가 손실되는 문제가 발생하거나 불필요 영역이 일부 포함되는 경우가 있어 평균 86% 정도의 인식률을 나타내었다. 하지만 제안하는 방법에서는 얼굴 외곽선 검출을 통해 얼굴 영역을 추출하여 얼굴 인식에 적용한 결과 94%정도의 인식 결과를 나타내었다.

후속연구

하지만 제안하는 방법은 검출된 얼굴 특징점들에 대해 curve fitting을 통해 얼굴 특징영역을 추출하므로 불필요 영역이 완벽하게 제거되지않는다는 단점이 있으며, 이로 인해 인식율에 미세한 영향을 미칠 가능성이 있을 것으로 예상된다. 향후 연구 방향은 얼굴 방향 및 조명 변화에 대하여 얼굴 오인식률을 최소화하는 방법에 대하여 연구할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	얼굴인식 기술은 어떤 단계로 수행되는가?	얼굴인식 기술은 학습단계와 인식단계를 거쳐 수행되며, 학습단계에서는 인식 대상들의 얼굴 영상에서 특징 성분들을 추출하고, 이를 여러 학습방법을 통해 인식 대상들을 학습한다. 따라서 학습 단계에서 잘못된 얼굴 특징 성분 데이터들을 이용하여 학습하는 경우 인식 단계에서 학습한 대상과 동일한 대상의 얼굴 영상이 불일치로 나타날 수 있으므로 얼굴 특징 성분을 추출하는 과정에 따라 얼굴 인식율에 영향을 미친다.
	LDA의 동작과정은?	기존 얼굴 특징 성분을 추출하는 방법에는 PCA, LDA등이 있는데, 그 중에서 LDA(Linear Discriminant Analysis)는 클래스 정보와 클래스 간 분산(Between-Class Scatter)과 클래스 내 분산(Within-Class Scatter)을 이용하여 PCA의 단점을 보완한 얼굴 특징 성분 추출 방법이다. 이 방법은 얼굴 영상을 고차원공간에서 하나의 점으로 표현하고 각점들의 분포를 계산하여 클래스들을 분리하는 특징 벡터들을 계산하는데, 이 점들은 얼굴 영상의 화소값에 의해 위치가 결정된다. 따라서 얼굴 영상에서 불필요한 화소값들이 존재하는 경우 이 화소값들에 의해 점들의 위치가 변하여 클래스를 완벽하게 분리할 수 없는 문제가 발생할 수 있으며, 이로 인해 얼굴 인식 단계에서 오인식을 유발할 수 있다[5, 6, 7, 8].
	선형판별분석법이란?	선형판별분석법(LDA)은 Fig. 1과 같이 클래스 정보를 갖는 데이터 분포들이 어떤 벡터에 투영될 때, 클래스들이 서로 잘 분리되는 벡터를 계산하여 새로운 데이터들이 입력되면 해당 데이터가 어느 클래스에 속하는지 판별하는 방법이다[5, 6].

참고문헌 (14)

eu-Lisa, "Biometrics in Large-Scale IT," European Agency for the operational management of large-scale IT systems in the area of freedom, security and justice, 2015.
Ramadan Gad, Ayman El-Sayed, Nawal El-Fishawy, and M. Zorkany, "Multi-Biometric Systems: Astate of the Art Survey and Research Directions," International Journal of Advanced Computer Science and Applications (IJACSA), Vol.6, No.6, pp.128-138, 2015.
Won-Seok Chae, "Face Recognition Technology Trends," ETRI Contents Service Lab in Next Generation Contents Laboratory, 2013.
Ravi Subban and Savitha Soundararajan, "Face Recognition Techniques using PCA and LDA," Vol.9, No.10, Special, pp.335-340, 2015.
Hyun-Joon Moon and Sang-Hoon Kim, "Face Recognition : A Survey," Korea Information Processing Society, Vol.20, No.3, pp.14-21, 2013.
Asavari G. Joshi and A. S. Deshpande, "Review of Face Recognition Techniques," International Journal of Advanced Research in Computer Science and Software Engineering, Vol.5, No.1, pp.71-75. 2015.
Jamal Hussain Shah, Muhammad Sharif, Mudassar Raza, Marryam Murtaza, and Saeed-Ur-Rehman, "Robust Face Recognition Technique under Varying Illumination," Journal of Applied Research and Technology, Vol.13, pp.97-105, 2015.

상세보기
In-Jung Lee, "A Tracking Algorithm to Certain People Using Recognition of Face and Cloth Color and Motion Analysis with Moving Energy in CCTV," Korea Information Processing Society, Vol.15B, No.3, pp.197-204, 2008.
Dhiren Pandit and Jayesh Dhodiya, "PCA+LDA Method for Face Recognition Using Neural Network," International Journal of Innovative Science and Modern Engineering (IJISME), Vol.3, No.6, pp.6-11. 2015.
Alireza Tofighi, Nima Khairdoost, Amirhassan Monadjemi, and Kamal Jamshidi, "A Robust Face Recognition System in Image and Video," I. J. Image, Graphics and Signal Processing, Vol.6, No.8, pp.1-11, 2014.

상세보기
Sargam Munjal and Rinku Dixit, "Face Recognition System using PCA and Artificial Neural Networks," International Journal of Emerging Engineering Research and Technology, Vol.2, No.4, pp.54-59. 2014.
Nilesh S. Wadhe, Sharad W. Mohod, and Nikkoo N. Khalsa, "An Overview - Aritificial Network Based Advanced Face and Non-Face Recognition," International Journal of Engineering Studies and Technical Approach, Vol.1, No.1, pp.1-10, 2015.
Steven C Charpra and Raymond P Canale, "Numerical Methods for Engineers 6th Edition," 2010.
The Database of Faces [Internet], http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html.

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

일반 카메라 영상에서의 얼굴 인식률 향상을 위한 얼굴 특징 영역 추출 방법
A Facial Feature Area Extraction Method for Improving Face Recognition Rate in Camera Image 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

질의응답

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

일반 카메라 영상에서의 얼굴 인식률 향상을 위한 얼굴 특징 영역 추출 방법 A Facial Feature Area Extraction Method for Improving Face Recognition Rate in Camera Image 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

질의응답

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

김성훈 (2) 한기태 (7)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

일반 카메라 영상에서의 얼굴 인식률 향상을 위한 얼굴 특징 영역 추출 방법
A Facial Feature Area Extraction Method for Improving Face Recognition Rate in Camera Image 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper