최근 보안에 대한 관심과 필요성이 증가하면서 출입자 인식 시스템의 수요가 증대되고 있다. 출입자 인식 시스템은 출입자를 인식하기 위해서 다양한 생체인식 방법을 사용하고 있다. 본 논문에서는 다양한 특성과 강점을 가진 다수의 얼굴인식 Open API 서비스를 통합하고, 그 인식결과를 앙상블 함으로써 인식 성능을 개선하는 얼굴인식 기반 출입자 인식 시스템을 제안한다. 또한 다양한 얼굴 인식 Open API 서비스를 앙상블 하는 출입자 인식 시스템의 구조를 제안한다. 성능 측정은 약 5개월 간 수집한 얼굴 데이터를 이용하여 수행하였으며, 측정결과로 본 논문에서 제안하는 출입자 인식 시스템이 단일 얼굴인식 Open API 서비스를 사용했을 때보다 더 높은 얼굴인식률을 보임을 확인하였다.
최근 보안에 대한 관심과 필요성이 증가하면서 출입자 인식 시스템의 수요가 증대되고 있다. 출입자 인식 시스템은 출입자를 인식하기 위해서 다양한 생체인식 방법을 사용하고 있다. 본 논문에서는 다양한 특성과 강점을 가진 다수의 얼굴인식 Open API 서비스를 통합하고, 그 인식결과를 앙상블 함으로써 인식 성능을 개선하는 얼굴인식 기반 출입자 인식 시스템을 제안한다. 또한 다양한 얼굴 인식 Open API 서비스를 앙상블 하는 출입자 인식 시스템의 구조를 제안한다. 성능 측정은 약 5개월 간 수집한 얼굴 데이터를 이용하여 수행하였으며, 측정결과로 본 논문에서 제안하는 출입자 인식 시스템이 단일 얼굴인식 Open API 서비스를 사용했을 때보다 더 높은 얼굴인식률을 보임을 확인하였다.
Recently, as the interest rate and necessity for security is growing, the demands for a visitor recognition system are being increased. In order to recognize a visitor in visitor recognition systems, the various biometric methods are used. In this paper, we propose a visitor recognition system based...
Recently, as the interest rate and necessity for security is growing, the demands for a visitor recognition system are being increased. In order to recognize a visitor in visitor recognition systems, the various biometric methods are used. In this paper, we propose a visitor recognition system based on face recognition. The visitor recognition system improves the face recognition performance by integrating several open APIs as a single algorithm and by performing the ensemble of the recognition results. For the performance evaluation, we collected the face data for about five months and measured the performance of the visitor recognition system. As the results of the performance measurement, the visitor recognition system shows a higher face recognition rate than using a single face recognition API, meeting the requirements on performance.
Recently, as the interest rate and necessity for security is growing, the demands for a visitor recognition system are being increased. In order to recognize a visitor in visitor recognition systems, the various biometric methods are used. In this paper, we propose a visitor recognition system based on face recognition. The visitor recognition system improves the face recognition performance by integrating several open APIs as a single algorithm and by performing the ensemble of the recognition results. For the performance evaluation, we collected the face data for about five months and measured the performance of the visitor recognition system. As the results of the performance measurement, the visitor recognition system shows a higher face recognition rate than using a single face recognition API, meeting the requirements on performance.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
Pagano 등 [12]은 인식 결과에 영향을 미치는 요인을 random noise, gradual changes, abrupt changes, recurring contexts 네 가지로 정의하였다. 각 요인을 분석하여 인식결과에 미치는 영향을 줄이는 연구를 하였다. Wen 등 [13]은인식 결과에 영향을 미치는 요인 중 하나를 body weight로 정의하고, body weight의 변화에 따라 얼굴인식의 결과가 변화함을 보였다.
본 논문에서는 다양한 환경에서 적용이 가능한 출입자 인식 시스템의 요구사항을 만족하기 위해 다양한 특성과 강점을 가진 여러 얼굴 인식 Open API을 앙상블하여 사용하는 출입자 인식 시스템을 제안하였다. 출입자 인식 시스템의 실현 가능성을 보이기 위해 제안한 시스템을 구현하고 성능을 측정하였다.
본 논문에서는 얼굴 인식 Open API를 기반으로 출입자 인식 시스템을 개발하고자 한다. 제안하는 출입자 인식 시스템은 크게 네 부분으로 나누어진다.
본 논문에서는 제안하는 출입자 인식 시스템의 실현 가능성과 성능 평가를 위해서 제안하는 출입자 인식 시스템을 구현하고 성능을 측정하였다. 개발된 출입자 인식 시스템은 여러 얼굴 인식 Open API들을 통합하여 마치 하나의 얼굴인식 Open API처럼 사용할 수 있다.
이와 같이, 얼굴인식이 출입자 인식 시스템에 적용되면, 출입자 인식 시스템에서도 출입의 상황에 따라 인식 결과가 다양하게 변할 수 있다. 본 논문에서도 변화하는 출입 상황에 따라 얼굴 인식 결과에 영향을 미치는 요인들을 최소화하여 출입자 인식 시스템 성능을 개선하는 방법에 대해서 논의한다.
이를 해결하기 위해서 본 논문에서는 얼굴 인식 Open API 기반의 출입자 인식 시스템을 개발하고자 한다. 최근 들어 통신 기술의 발전과 더불어 오픈소스 소프트웨어의 개발 및 배포가 증가하면서 다양한 종류의 소프트웨어가 Open API 형태로 자유로운 사용이 가능하다.
제안 방법
측정 결과, Lambda는 30%, Betaface는 60%, KAIROS는 70%의 THR 값을 얻었다. Lambda의 경우에는 비등록자에 대한 얼굴 인식이 불가능하므로 정밀도가 최대가 되는 값을 기준으로 THR를 선택하였다.
KAIROS는 개인 저장소에서 얼굴을 여러 저장소에 중복으로 등록 가능 하여 얼굴을 관리하기가 편리하다. 각 Open API 서비스들의 특징을 고려하여 얼굴 인식앙상블 알고리즘을 구현한다.
출입허가자에 대한 얼굴 데이터 셋은 네트워크 카메라를 출입자 인식시스템에 연동하고, 2015년 12월 2일부터 2016년 5월 7일까지 약 5개월간 대학 실습실에 출입하는 인원의 얼굴을 촬영하여 수집하였다. 그리고 촬영된 영상에서 얼굴 탐지 이벤트가 발생하여 별도로 저장한 사진 343장을 얼굴인식 Open API 서비스에 적용하였고 이 때 얼굴로 인식이 가능한 사진들을 추출하였다. 여기서 추출된 169장의 사진이 출입허가자 얼굴 데이터 셋으로 사용되었다.
모두 높으면 인식된 결과가 동일한 인물인지를 확인하고, 2개 이상의 얼굴 인식 Open API에서 같으면 등록자로 인식한다. 두 번째는 얼굴의 인식 결과 인식률이 각 얼굴 인식 Open API의 THR보다 높은 것이 두 개 이상인지 확인한다. 두 개 이상 높으면 얼굴 인식 결과가 모두 같은 결과를 얻는지 확인하고, 같을 경우에 등록자로 인식한다.
이 실험에서는 단일 Open API를 사용할 때와 제안하는 출입자 인식 시스템을 사용할 때의 얼굴 인식률을 비교한다. 본 논문에서 제안한 출입자 인식 시스템의 성능을 비교하기 위해서 출입허가자 및 출입 비허가자의 얼굴 인식률을 측정한다. 출입허가자 성능측정은 성능 요구사항의 정밀도를 의미하고, 출입 비허가자 성능 측정은 성능 요구사항의 특이도를 의미한다.
Client Adapter 내의 Query Generator는 사용자로부터 전달된 명령어를 시스템에 맞게 해석한 후 내부 메시지를 생성한다. 생성된 메시지는 Message Router로 전달되어 메시지의 유효성을 검증한다. 메시지가 유효할 경우에는 Routing Manager를 통해 전달되어야 할 경로를 설정한다.
얼굴 인식 Open API를 활용한 출입자 관리 시스템을 설계하고 구현하기 위해서 사용 가능한 얼굴 인식 Open API에 대해서 분석하였다. 본 논문에서 분석한 얼굴 인식 Open API는 BetaFace, Lambda, KAIROS이다.
얼굴 인식은 OpenCV 라이브러리를 이용하여 만든 얼굴 인식 알고리즘을 사용하였고, 캠브리지 대학의 The ORL Database of Faces 실험실에서 작성한 얼굴 데이터 셋인 AT&T database offaces에 저장된 얼굴들을 이용하여 실험을 수행하였다.
이 절에서는 성능 측정 결과를 논의한다. 이 실험에서는 단일 Open API를 사용할 때와 제안하는 출입자 인식 시스템을 사용할 때의 얼굴 인식률을 비교한다. 본 논문에서 제안한 출입자 인식 시스템의 성능을 비교하기 위해서 출입허가자 및 출입 비허가자의 얼굴 인식률을 측정한다.
출입허가자 성능측정은 성능 요구사항의 정밀도를 의미하고, 출입 비허가자 성능 측정은 성능 요구사항의 특이도를 의미한다. 정밀도와 특이도를 이용하여 성능 요구사항의 정확도를 측정한다.
제안하는 출입자 인식 시스템은 Committee Machine의 static structure의 구조를 사용한다. 하지만 본 논문에서는 Committee Machine의 Experts를 얼굴인식 알고리즘으로 사용하는 것이 아니라 얼굴 인식 Open API를 대상으로 앙상블기법을 적용하였고 구현했다는 점에서 기존 연구와 차별된다.
본 논문에서는 다양한 환경에서 적용이 가능한 출입자 인식 시스템의 요구사항을 만족하기 위해 다양한 특성과 강점을 가진 여러 얼굴 인식 Open API을 앙상블하여 사용하는 출입자 인식 시스템을 제안하였다. 출입자 인식 시스템의 실현 가능성을 보이기 위해 제안한 시스템을 구현하고 성능을 측정하였다. 성능 측정 결과에서 허가자의 얼굴 인식률과 비허가자의 얼굴 인식률이 단일 Open API 인식률에 비해서 더 우수함을 보였다.
제안하는 출입자 인식 시스템은 Committee Machine의 static structure의 구조를 사용한다. 하지만 본 논문에서는 Committee Machine의 Experts를 얼굴인식 알고리즘으로 사용하는 것이 아니라 얼굴 인식 Open API를 대상으로 앙상블기법을 적용하였고 구현했다는 점에서 기존 연구와 차별된다.
대상 데이터
이 절에서는 출입자 인식 시스템의 성능 측정 환경 및 방법에 관해서 설명한다. 먼저 출입자 인식 시스템의 성능을 측정하기 위해서 얼굴데이터 셋을 수집하였다. 출입허가자에 대한 얼굴 데이터 셋은 네트워크 카메라를 출입자 인식시스템에 연동하고, 2015년 12월 2일부터 2016년 5월 7일까지 약 5개월간 대학 실습실에 출입하는 인원의 얼굴을 촬영하여 수집하였다.
얼굴 인식 Open API를 활용한 출입자 관리 시스템을 설계하고 구현하기 위해서 사용 가능한 얼굴 인식 Open API에 대해서 분석하였다. 본 논문에서 분석한 얼굴 인식 Open API는 BetaFace, Lambda, KAIROS이다.
이 때 등록자와 비등록자의 인식률이 최대가 되는 값으로 THR이 선택된다. 본 논문에서는 등록자의 인식률을 얻기 위해서 등록자 10명에 대한 50장의 영상을 이용하였고, 비등록자의 인식률을 얻기 위해서 등록되지 않은 인원에 대한 50장의 영상을 사용하였다. 여기서 얼굴 인식률은 정확도를 의미하고, 등록자의 인식률과 비등록자의 인식률이 최대가 될 때의 확률을 THR로 정한다.
그리고 촬영된 영상에서 얼굴 탐지 이벤트가 발생하여 별도로 저장한 사진 343장을 얼굴인식 Open API 서비스에 적용하였고 이 때 얼굴로 인식이 가능한 사진들을 추출하였다. 여기서 추출된 169장의 사진이 출입허가자 얼굴 데이터 셋으로 사용되었다. 이 데이터 셋에서 출입허가자로 등록된 사람은 10명으로 사전에 실험 사용 목적의 허가를 받고 실험을 수행하였다.
여기서 추출된 169장의 사진이 출입허가자 얼굴 데이터 셋으로 사용되었다. 이 데이터 셋에서 출입허가자로 등록된 사람은 10명으로 사전에 실험 사용 목적의 허가를 받고 실험을 수행하였다. 출입 비허가자에 대한 데이터 셋은 인터넷 검색을 통해 쉽게 찾을 수 있는 100장의 임의의 사진을 이용하였다.
이 데이터 셋에서 출입허가자로 등록된 사람은 10명으로 사전에 실험 사용 목적의 허가를 받고 실험을 수행하였다. 출입 비허가자에 대한 데이터 셋은 인터넷 검색을 통해 쉽게 찾을 수 있는 100장의 임의의 사진을 이용하였다.
먼저 출입자 인식 시스템의 성능을 측정하기 위해서 얼굴데이터 셋을 수집하였다. 출입허가자에 대한 얼굴 데이터 셋은 네트워크 카메라를 출입자 인식시스템에 연동하고, 2015년 12월 2일부터 2016년 5월 7일까지 약 5개월간 대학 실습실에 출입하는 인원의 얼굴을 촬영하여 수집하였다. 그리고 촬영된 영상에서 얼굴 탐지 이벤트가 발생하여 별도로 저장한 사진 343장을 얼굴인식 Open API 서비스에 적용하였고 이 때 얼굴로 인식이 가능한 사진들을 추출하였다.
이론/모형
Dynamic structure는 입력된 데이터들에 직접적으로 관여하는 방법으로, 입력 데이터에 따라 Experts의 가중치를 다르게 한다. FRCM은 Committee Machine의 static structure를 사용하고, Committee Machine에서 Experts는 PCA, LDA, EGM, SVM, Neurel network 5개의 얼굴 인식 알고리즘을 이용한다. FRCM은 각 알고리즘을 이용하여 얼굴 인식을 실시하고 투표를 통해 가장 유사한 얼굴을 인식해내는 시스템이다.
권기현 등 [16]은 스마트폰에서 얼굴 인식을 이용하여 출입자 관리 시스템을 제안했다. 스마트폰에 얼굴 인식 시스템을 구현하였고 얼굴 인식 성능은 PCA (Principle Component Analysis) 방식과 LDA (Linear Discriminant Analysis) 방식을 각각 적용하여 측정하였다. 성능 측정 결과 PCA 방식은 74.
단일 얼굴 인식 Open API를 사용해 출입자 인식 시스템을 개발할 경우 기존과 마찬가지로 특정 환경에서는 일정 수준의 인식률을 유지할 수 있지만, 환경이 변할 경우 인식률이 저하될 수 있다. 이를 해결하기 위해서 본 논문에서는 사진 특성에 대한 인식의 강점들이 서로 다른 얼굴 인식 Open API들을 활용해 얼굴 인식률을 높이는 앙상블 기법을 활용한다. 서로 다른 얼굴 인식 모델을 사용하는 Open API들을 함께 사용함으로써 특정 상황에서 인식률이 저하되는 단점을 방지하면서 전체적인 인식률을 향상시키는 방법이다.
성능/효과
Wen 등 [13]은인식 결과에 영향을 미치는 요인 중 하나를 body weight로 정의하고, body weight의 변화에 따라 얼굴인식의 결과가 변화함을 보였다. Body weight는 small weight changes와 large weight changes로 나뉘고 large weight changes의 경우 최대 26.7%만큼 인식결과에 영향을 끼치는 것을 확인하였다.
5%였다. 그 외에 얼굴 인식 Open API 서비스별 인식 시간은 Lambda에서 평균 2.32초, KAIROS에서 평균 4.04초, Betaface에서 평균 7.0초가 측정되었다.
이 그래프는 출입 허가자 10명을 등록하고, 얼굴 데이터 셋에서 등록된 10명에 대한 얼굴 50개를 10회 인식하여 얻은 결과이다. 그림에서 제안된 출입자 인식 시스템의 허가자 인식률이 95.6%로 단일 Open API의 인식률에 비해서 높은 것을 확인할 수 있다. KAIROS는 다른 얼굴 인식 Open API보다 얼굴 인식률이 낮은 것을 확인할 수 있다.
4%의 비허가자 얼굴 인식률을 보인다. 단일 얼굴 인식 Open API를 사용했을 때보다 특이도가 Betaface 대비 13.4%, KAIROS 대비 19% 개선된 것을 확인할 수 있다. 제안한 앙상블 알고리즘은 Betaface와 KAIROS에서 인식한 출입자가 같아야하고, 인식 확률도 THR보다 높아야 하므로 높은 특이도를 얻을 수 있었다.
따라서 단독으로 사용하여 출입자 인식 서비스를 구현하였을 때 서비스 성능 요구사항을 만족하지 못할 수도 있다. 본 논문에서 제안하는 얼굴인식 서비스는 각 Open API 서비스의 얼굴 인식 결과를 앙상블 알고리즘을 이용하여 인식하였기 때문에 단일 얼굴 인식 Open API를 사용했을 때보다 정밀도가 Lambda 대비 7%, Betaface 대비 1.4%, KAIROS 대비 18.8% 향상된 것을 확인할 수 있다. 앙상블 알고리즘에서는 하나의 얼굴 인식 Open API의 인식 결과가 나쁘더라도 나머지 두 개의 Open API에서 좋은 얼굴 인식률을 보이면 등록자로 판단할 수 있기 때문이다.
스마트폰에 얼굴 인식 시스템을 구현하였고 얼굴 인식 성능은 PCA (Principle Component Analysis) 방식과 LDA (Linear Discriminant Analysis) 방식을 각각 적용하여 측정하였다. 성능 측정 결과 PCA 방식은 74.5%, LDA 방식은 87.15%의 인식률을 얻었다.
출입자 인식 시스템의 실현 가능성을 보이기 위해 제안한 시스템을 구현하고 성능을 측정하였다. 성능 측정 결과에서 허가자의 얼굴 인식률과 비허가자의 얼굴 인식률이 단일 Open API 인식률에 비해서 더 우수함을 보였다. 향후 연구로는 상황에 따라 사용하는 얼굴 인식 Open API마다 가중치를 다르게 설정하는 앙상블 알고리즘을 개발하고 출입자 관리 시스템으로 확장하고자 한다.
성능 평가는 캠브리지대학의 얼굴 데이터 셋인 AT&T database of faces와 UCSD Computer Vision에서 제공하는 얼굴 데이터 셋인 Yale face database를 이용하여 측정하였고, 각각 97.8%, 98%의 얼굴 인식률을 보였다.
Lambda는 저장소의 얼굴에서 가장 유사한 얼굴을 인식하는 것에 중점을 두기 때문에 비허가자의 얼굴 인식에 적합하지 않아 비허가자 인식 측정 실험에서는 제외하였다. 실험 결과, 특이도는 Betaface 86%, KAIROS 80.4%, 제안된 출입자 인식 시스템 99.4%이다. 얼굴 인식 Open API 서비스의 출입 비허가자 얼굴 인식률은 출입 허가자를 인식하는 것보다 매우 낮은 인식률을 보인다.
실험 결과를 통해, 단일 얼굴 인식 Open API를 사용할 때 보다 앙상블 알고리즘을 사용하는 제안된 출입자 인식시스템의 얼굴 인식률이 정확도 97.5%, 특이도 99.4%, 정밀도 95.6%로 더 높음을 알 수 있다. 본 논문에서 제안하는 출입자 인식 시스템은 다양한 특성과 강점을 가진 서로 다른 얼굴 인식 모델을 사용하는 Open API 서비스들의 인식 결과를 조합하여 얼굴 인식을 수행하기 때문이다.
허가되지 않은 사람이 한 명이라도 허용되지 않아야 할 때 중요한 성능이다. 정밀도와 특이도를 측정하는 두 실험을 통해서 얼굴 인식 시스템의 출입 허가자 얼굴 인식률과 출입 비허가자 인식률을 확인할 수 있다.
7은 얼굴 인식 Open API와 제안된 출입자 인식 시스템에서 정확도를 측정한 그래프이다. 정확도는 Betaface 90.1%, KAIROS 78.6%, 제안된 출입자 인식 시스템 97.5%였다. 그 외에 얼굴 인식 Open API 서비스별 인식 시간은 Lambda에서 평균 2.
얼굴 인식 Open API 서비스가 낮은 특이도를 보이는 이유는 각각의 Open API의 얼굴 인식 알고리즘이 등록된 인원들을 인식하는 것에 중점을 두기 때문에 등록되지 않은 인원들을 인식해 내는 것이 어렵다. 제안된 출입자 인식 시스템에서는 앙상블알고리즘을 사용하여 인식 오류를 줄여 99.4%의 비허가자 얼굴 인식률을 보인다. 단일 얼굴 인식 Open API를 사용했을 때보다 특이도가 Betaface 대비 13.
얼굴 인식은 OpenCV 라이브러리를 이용하여 만든 얼굴 인식 알고리즘을 사용하였고, 캠브리지 대학의 The ORL Database of Faces 실험실에서 작성한 얼굴 데이터 셋인 AT&T database offaces에 저장된 얼굴들을 이용하여 실험을 수행하였다. 제안하는 모델 성능은 총 3번 출입자 인식 실험을 통해 인증하였고 성능 측정 결과 최대 90%의 인식률을 얻었다.
4%, KAIROS 대비 19% 개선된 것을 확인할 수 있다. 제안한 앙상블 알고리즘은 Betaface와 KAIROS에서 인식한 출입자가 같아야하고, 인식 확률도 THR보다 높아야 하므로 높은 특이도를 얻을 수 있었다.
앙상블 알고리즘의 순서는 다음과 같다. 첫 번째는 얼굴인식 Open API에서 얼굴 인식 결과를 얻고, 그 결과 얼굴 인식률이 각 얼굴 인식 Open API의 THR보다 모두 높은지 확인한다. 모두 높으면 인식된 결과가 동일한 인물인지를 확인하고, 2개 이상의 얼굴 인식 Open API에서 같으면 등록자로 인식한다.
3은 얼굴 데이터 셋에서 얼굴 인식률이 얼굴 인식 Open API마다 다르게 나왔던 측면 사진, 흔들린 사진, 작은 얼굴에 대한 사진을 나타낸다. 측면 얼굴이 촬영된 사진의 경우에는 Lambda, Betaface에서 높은 인식률을 얻었고, KAIROS에서 낮은 인식률을 얻었다. 흔들린 얼굴이 촬영된 사진의 경우에는 Betaface, KAIROS에서 높은 인식률을 얻었고, Lambda에서 낮은 인식률을 얻었다.
여기서 얼굴 인식률은 정확도를 의미하고, 등록자의 인식률과 비등록자의 인식률이 최대가 될 때의 확률을 THR로 정한다. 측정 결과, Lambda는 30%, Betaface는 60%, KAIROS는 70%의 THR 값을 얻었다. Lambda의 경우에는 비등록자에 대한 얼굴 인식이 불가능하므로 정밀도가 최대가 되는 값을 기준으로 THR를 선택하였다.
측면 얼굴이 촬영된 사진의 경우에는 Lambda, Betaface에서 높은 인식률을 얻었고, KAIROS에서 낮은 인식률을 얻었다. 흔들린 얼굴이 촬영된 사진의 경우에는 Betaface, KAIROS에서 높은 인식률을 얻었고, Lambda에서 낮은 인식률을 얻었다. 측면, 흔들린, 작은 얼굴은 앙상블 알고리즘에 따라 개선된 얼굴 인식 결과를 얻을 수 있다.
후속연구
개발된 출입자 인식 시스템은 여러 얼굴 인식 Open API들을 통합하여 마치 하나의 얼굴인식 Open API처럼 사용할 수 있다. 추가적으로 카메라와 도어락을 출입자 인식 시스템과 연동하여 출입자 관리 시스템으로 확장 개발할 수 있다.
성능 측정 결과에서 허가자의 얼굴 인식률과 비허가자의 얼굴 인식률이 단일 Open API 인식률에 비해서 더 우수함을 보였다. 향후 연구로는 상황에 따라 사용하는 얼굴 인식 Open API마다 가중치를 다르게 설정하는 앙상블 알고리즘을 개발하고 출입자 관리 시스템으로 확장하고자 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
앙상블 학습법으로는 대표적으로 어떠한 것이 있는가?
앙상블 기법은 통계 및 기계학습에서 주로 사용되고 있으며, 더 나은 예측 성능을 얻기 위해서 여러 학습 알고리즘을 조합하여 학습하는 방법이다[17]. 대표적인 앙상블 학습법으로는 Random Forest [18], AdaBoost [19]가 있다.
앙상블 기법이란?
본 논문에서 제안하는 출입자 인식 시스템에서 사용하는 앙상블 기법은 다양한 특성과 강점을 가진 다중 얼굴 인식 Open API들을 사용해 얼굴 인식률을 개선하는 방법이다. 앙상블 기법은 통계 및 기계학습에서 주로 사용되고 있으며, 더 나은 예측 성능을 얻기 위해서 여러 학습 알고리즘을 조합하여 학습하는 방법이다[17].
Committee Machine의 두 가지 구조는 각각 어떠한 방법을 사용하는가?
Committee Machine은 다양한 Experts의 결과를 결합하여 하나의 결과를 얻는 것을 의미하고, static structure, dynamic structure 두 가지 구조로 구분할 수 있다. Static structure는 일반적인 앙상블 기법으로 알려진 방식과 동일한 방법을 사용한다. Static structure 기법은 데이터를 Experts에 입력하고 그 출력된 값을 가공하지 않고 바로 사용한다. Dynamic structure는 입력된 데이터들에 직접적으로 관여하는 방법으로, 입력 데이터에 따라 Experts의 가중치를 다르게 한다. FRCM은 Committee Machine의 static structure를 사용하고, Committee Machine에서 Experts는 PCA, LDA, EGM, SVM, Neurel network 5개의 얼굴 인식 알고리즘을 이용한다.
참고문헌 (20)
R. Jafri and H. R. Arabnia, "A survey of face recognition techniques," Information Processing Systems, Vol.5, No.2, pp.41-68, 2009.
S. Z. Li and A. K. Jain, Handbook of face recognition, 2nd ed. Springer, 2011.
C. Pagano, E. Granger, R. Sabourin, A. Rattani, G. L. Marcialis, and F. Roli, "Efficient adaptive face recognition systems based on capture conditions," in Proceedings of Computational Intelligence in Biometrics and Identity Management, pp.60-67, 2014.
L. Wen, G. Guo, and X. Li, "A study on the influence of body weight changes on face recognition," in Proceedings of IEEE International Joint Conference on Biometrics, pp. 1-6, 2014.
T. Kim, H. Park, S. H. Hong, and Y. Chung, "Integrated system of face recognition and sound localization for a smart door phone," IEEE Transactions on Consumer Electronics, Vol.59, No.3, pp.598-603, 2013.
M. A. H. Lucas, L. A. Luis, E. B. M. Maria, R. Mariano, T. Juliana, and G. Sergio, "Smart doorbell: An ICT solution to enhance inclusion of disabled people," in Proceedings of ITU Kaleidoscope Trust in the Information Society, pp.1-7, 2015.
K. H. Kwon and H. B. Lee, "Gate Management System by Face Recognition using Smart Phone," The Korea Society of Computer and Information, Vol.16, No.11, pp.9-15, 2011.
G. D. Thomas, "Ensemble Methods in Machine Learning," Multiple Classifier Systems, Vol.1857, pp.1-5, 2000.
K. H. Tin, "Random decision forests," in Proceedings of Document Analysis and Recognition, pp.278-282. 1995.
G. Ratsch, T. Onoda, and K. R. Muller, "Soft margins for AdaBoost," Machine Learning, Vol.42, No.3, pp.287-320, 2001.
H. M. Tang, M. R. Lyu, and I. King, "Face recognition committee machine," in Proceedings of International Conference on Multimedia and Expo, Vol.3, pp.425-428, 2003.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.