[논문]AdaBoost와 ASM을 활용한 얼굴 검출

이용환; 김흥준

AdaBoost와 ASM을 활용한 얼굴 검출
Face Detection using AdaBoost and ASM 원문보기

반도체디스플레이기술학회지 = Journal of the semiconductor & display technology, v.17 no.4, 2018년, pp.105 - 108

이용환 (원광대학교 디지털콘텐츠공학과) , 김흥준 (경남과학기술대학교 컴퓨터공학과)

Abstract ▼ AI-Helper

Face Detection is an essential first step of the face recognition, and this is significant effects on face feature extraction and the effects of face recognition. Face detection has extensive research value and significance. In this paper, we present and analysis the principle, merits and demerits of the classic AdaBoost face detection and ASM algorithm based on point distribution model, which ASM solves the problems of face detection based on AdaBoost. First, the implemented scheme uses AdaBoost algorithm to detect original face from input images or video stream. Then, it uses ASM algorithm converges, which fit face region detected by AdaBoost to detect faces more accurately. Finally, it cuts out the specified size of the facial region on the basis of the positioning coordinates of eyes. The experimental result shows that the method can detect face rapidly and precisely, with a strong robustness.

주제어

AI 본문요약
AI-Helper

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

문제 정의

그러나 불안정한 비디오 또는 복잡한 환경 요인에서는 성능이 현저히 떨어지는 문제점이 있다. 본 논문에서는 AdaBoost와 ASM을 기반한 알고리즘을 통하여 이러한 성능상의 문제를 보완하는 프로토타입 시스템을 구현하였다. 얼굴 인식 연구분야에서 많이 사용되는 ORL과 YALE 데이터셋을 대상으로 성능 실험을 수행하였으며, 높은 검색율과 견고성을 갖는다는 것을 실험을 통해 검증하였다.
본 논문에서는 점 분포 모델(Point distribution model)을 기반하는 AdaBoost 얼굴 검출 알고리즘과 Active Shape Model(ASM) 알고리즘을 살펴보고, ASM을 사용하여 AdaBoost 알고리즘에서의 문제점을 향상시키는 방법을 구현한다. AdaBoost를 사용하여 프로세스의 정확도가 향상시키고, ASM 모델을 통해 지정된 눈 좌표에 따라 얼굴 영역을 잘라내고 얼굴 특징점을 검출한다.
본 절에서는 얼굴 인식 알고리즘을 살펴본다.
AdaBoost 알고리즘은 비디오 처리와 사용자 제스처의 영향을 크게 받기 때문에 성능적으로 다양한 부분에 활용하기가 어렵다[11]. 이에 본 논문에서는 얼굴 인식에서 AdaBoost알고리즘에 기반한 얼굴 검출 문제를 해결하기 위해 ASM 알고리즘을 사용하여 검색 성능을 향상시킨다.

제안 방법

이를 통해 얼굴 영역을 검출한 다음, 검출 프레임에 따라 ASM 템플릿을 기반으로 초기 얼굴 모양 추정을 생성한다. ASM 검출을 사용하여 주요 특징점 위치를 조정하고 얼굴 윤곽을 맞추면서 최종적으로 얼굴 특징점을 추출한다.
본 논문에서는 점 분포 모델(Point distribution model)을 기반하는 AdaBoost 얼굴 검출 알고리즘과 Active Shape Model(ASM) 알고리즘을 살펴보고, ASM을 사용하여 AdaBoost 알고리즘에서의 문제점을 향상시키는 방법을 구현한다. AdaBoost를 사용하여 프로세스의 정확도가 향상시키고, ASM 모델을 통해 지정된 눈 좌표에 따라 얼굴 영역을 잘라내고 얼굴 특징점을 검출한다.
논문에서의 검출 성능 실험은 얼굴 인식 연구 분야에서 많이 활용되는 ORL과 YALE 얼굴 데이터베이스를 사용하였다. 기존 AdaBoost 알고리즘과 본 논문에서 구현한 AdaBoost+ASM 알고리즘을 대상으로 입력 이미지에서의 얼굴 검출율을 실험을 통해 비교 분석하였다. 실험 결과를 보면, 다양한 실험 데이터셋에 대하여 구현한 알고리즘이 기존의 AdaBoost 알고리즘보다 우수함을 알 수 있다.
다음으로, ASM 모델 위치를 사용하여 ASM에 의해 필터링된 얼굴 영역에서 눈의 위치 좌표를 추출한다. 눈 좌표를 기준으로 지정된 크기의 얼굴 영역을 잘라내어 얼굴 인식을 수행한다. AdaBoost와 ASM 알고리즘을 기반하여 본 논문에서 개선한 얼굴 검출 수행 단계는 Fig.
이때, 두 눈 사이의 대칭에 따라 낮은 회색 값의 프로토타입으로 나타나기 때문에 눈 영역 추출이 상대적으로 쉽다. 다음으로, ASM 모델 위치를 사용하여 ASM에 의해 필터링된 얼굴 영역에서 눈의 위치 좌표를 추출한다. 눈 좌표를 기준으로 지정된 크기의 얼굴 영역을 잘라내어 얼굴 인식을 수행한다.
표식된 얼굴 모양을 정규화하고{CA를 사용하여 ASM 모드를 설정하기 위한 고차원 데이터의 분석을 수행한다. 본 연구에서는 300장의 동양인 얼굴 사진을 대상으로 특징점 위치를 분석하여 프로파일의 특징 분포값을 수정하였다(Fig. 3).
이러한 처리는 검출 윈도우의 크기가 입력 이미지 크기의 반 이하가 될 때까지 반복적으로 실행한다. 이를 통해 얼굴 영역을 검출한 다음, 검출 프레임에 따라 ASM 템플릿을 기반으로 초기 얼굴 모양 추정을 생성한다. ASM 검출을 사용하여 주요 특징점 위치를 조정하고 얼굴 윤곽을 맞추면서 최종적으로 얼굴 특징점을 추출한다.
얼굴 이미지에서 68개의 특징점 좌표를 기록하고, 주요 특징점을 사용하여 모양 벡터를 형성한다. 표식된 얼굴 모양을 정규화하고{CA를 사용하여 ASM 모드를 설정하기 위한 고차원 데이터의 분석을 수행한다. 본 연구에서는 300장의 동양인 얼굴 사진을 대상으로 특징점 위치를 분석하여 프로파일의 특징 분포값을 수정하였다(Fig.

대상 데이터

논문에서의 검출 성능 실험은 얼굴 인식 연구 분야에서 많이 활용되는 ORL과 YALE 얼굴 데이터베이스를 사용하였다. 기존 AdaBoost 알고리즘과 본 논문에서 구현한 AdaBoost+ASM 알고리즘을 대상으로 입력 이미지에서의 얼굴 검출율을 실험을 통해 비교 분석하였다.

이론/모형

대부분의 얼굴 표정인식 시스템에서는 얼굴 영역을 검출하기 위해 Haar-like 특징 기반의 AdaBoost 알고리즘을 사용한다[5]. 이는 얼굴 영역과 눈 영역을 검출하고 두 눈의 중심점 위치 및 거리 정보를 이용하여 얼굴의 기울러짐 보상과 정규화 과정을 통해 얼굴 영역을 획득한다[6].
먼저, AdaBoost 알고리즘은 얼굴 영역을 탐지하는데 적용하고, 탐지된 영역 결과는 AdaBoost가 얼굴을 촬영한 얼굴 이외의 영역을 필터링하기 위해 얼굴 영역 필터를 추가로 수행하는 ASM 알고리즘의 입력으로 사용한다. 이때, 두 눈 사이의 대칭에 따라 낮은 회색 값의 프로토타입으로 나타나기 때문에 눈 영역 추출이 상대적으로 쉽다.
얼굴 검출 단계에서 AdaBoost 알고리즘의 ‘이미지 축소(reducing the image)’ 매커니즘 대신에 멀티스케일 감지에서 ‘감지 윈도우 확대(enlarging the detection window)’ 방식을 사용한다.
얼굴 인식 속도와 검색 성능을 고려하여 haarcascade_frontalface 단계적 분류 모듈을 적용한다. 얼굴 인식을 위한 이미지 입력단계에서 이미지의 크기가 크면, 가우시안 피라미드 분해(Gaussian pyramid decomposition) 방법을 사용하여 이미지 크기 조정을 수행한다. 입력 이미지는 지정된 필터와 콘볼루션 연산을 수행하고 짝수 행과 열을 배제하여 이미지를 샘플링하여 특정 크기 이상으로 조정한다.
입력 이미지는 지정된 필터와 콘볼루션 연산을 수행하고 짝수 행과 열을 배제하여 이미지를 샘플링하여 특정 크기 이상으로 조정한다. 이후, AdaBoost 알고리즘을 사용하여 초기 얼굴영역을 탐지한다. 얼굴 검출 단계에서 AdaBoost 알고리즘의 ‘이미지 축소(reducing the image)’ 매커니즘 대신에 멀티스케일 감지에서 ‘감지 윈도우 확대(enlarging the detection window)’ 방식을 사용한다.

성능/효과

결론적으로, AdaBoost와 ASM을 기반으로 얼굴 검출한 결과는 기존 알고리즘보다 정확하고 안정적이며, 얼굴 조명, 자세 및 표현 변경에 보다 견고하고 우수한 성능을 보였으며, 개선 효과를 통해 검출 성능과 보다 나은 얼굴탐색율을 보였다.
YALE DB에서 검출율이 낮게 나타났으며, 이는 변화 조건에서의 조명 때문에 YALE 얼굴 DB의 표정 및 얼굴 자세는 ORL 얼굴 DB 보다 성능상의 영향을 받고 있음을 알 수 있다. 그러나 AdaBoost+ASM 알고리즘을 사용하여 얼굴 탐지에서 검출율이 향상됨을 알 수 있다.
기존 AdaBoost 알고리즘과 본 논문에서 구현한 AdaBoost+ASM 알고리즘을 대상으로 입력 이미지에서의 얼굴 검출율을 실험을 통해 비교 분석하였다. 실험 결과를 보면, 다양한 실험 데이터셋에 대하여 구현한 알고리즘이 기존의 AdaBoost 알고리즘보다 우수함을 알 수 있다. YALE DB에서 검출율이 낮게 나타났으며, 이는 변화 조건에서의 조명 때문에 YALE 얼굴 DB의 표정 및 얼굴 자세는 ORL 얼굴 DB 보다 성능상의 영향을 받고 있음을 알 수 있다.
본 논문에서는 AdaBoost와 ASM을 기반한 알고리즘을 통하여 이러한 성능상의 문제를 보완하는 프로토타입 시스템을 구현하였다. 얼굴 인식 연구분야에서 많이 사용되는 ORL과 YALE 데이터셋을 대상으로 성능 실험을 수행하였으며, 높은 검색율과 견고성을 갖는다는 것을 실험을 통해 검증하였다. 그러나 성능상으로 검출율은 향상되었으나, 처리 시간 및 리소스 활용 등의 다각적인 성능 실험이 추가적으로 필요하다.

후속연구

얼굴 인식 연구분야에서 많이 사용되는 ORL과 YALE 데이터셋을 대상으로 성능 실험을 수행하였으며, 높은 검색율과 견고성을 갖는다는 것을 실험을 통해 검증하였다. 그러나 성능상으로 검출율은 향상되었으나, 처리 시간 및 리소스 활용 등의 다각적인 성능 실험이 추가적으로 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	모델링 기법 ASM과 AAM이 갖고 있는 공통점은?	얼굴 특징점 추출에서 많이 활용되는 대표적 알고리즘으로, Cootes가 제안한 Active Shape Model(ASM)[7]과 Active Appearance Model (AAM)[8]이 있다. ASM과 AAM에서는 공통적으로 주성분분석(PCA, Principal Component Analysis) 기반의 특징 모델링과 최적화를 적용하여 얼굴 모형을 매개 변수화 하여 통계적으로 접근한다. 두 모델링 기법에서의 차이점으로, AAM은 모형 매개변수의 최적화 과정에서 전역 외곽(Global Appearance) 모델을 적용하는 반면에, ASM에서는 초기 레이블이 주어지고 모든 레이블 위치에서 새로운 위치를 찾아가는 지역 영역(Local region) 기반으로 동작한다[7,8].
	AdaBoost 알고리즘의 단점은?	AdaBoost 알고리즘은 다른 검출 알고리즘에 비해, 처리시간상에서 성능적 우위를 보인다. 그러나 불안정한 비디오 또는 복잡한 환경 요인에서는 성능이 현저히 떨어지는 문제점이 있다. 본 논문에서는 AdaBoost와 ASM을 기반한 알고리즘을 통하여 이러한 성능상의 문제를 보완하는 프로토타입 시스템을 구현하였다.
	얼굴 검출(Face detection)이란?	이러한 얼굴 인식 기술은 눈, 코, 입, 눈썹 등의 얼굴 요소에서의 위치 및 특징 벡터를 검출하고 사용자 얼굴 특징점 변화에 따라 다양한 응용 서비스로 적용이 가능하다[3]. 얼굴 검출(Face detection)은 얼굴 인식 및 사용자 인증에서 처음에 처리해야 하는 단계이며, 얼굴 검출 성능은 인식/인증 시스템의 성능에 큰 영향을 미친다[1]. 또한 얼굴의 정면 방향, 조명과 배경영상에 따라 얼굴 특징점 추출에 많은 영향을 미치기 때문에 매우 어려운 처리과정을 거쳐야 한다.

참고문헌 (11)

D. Masip, J. Vitria, "Real Time Face Detection and Verification for Uncontrolled Environments", COST Workshop - Biometrics on the Internet Vigo, 2004.
W.R. Han, Y.H. Lee, J.H. Park, Y.S. Kim, "Dynamic Emotion Classification through Facial Recognition", Journal of the Semiconductor & Display Technology, vol.12, no.3, pp.53-57, 2013.
W. Zhao, R. Chellappa, P.J. Phillips and A. Rosenfeld, "Face Recognition: A Literature Survey", ACM Computing Surveys, vol.35, no.4, pp.399-458, 2003.

상세보기
L.H. Thai, V.N. Truong, "Face Alignment using Active Shape Model and Support Vector Machine", International Journal of Biometrics and Bioinformatics, vol.4, issue.6, pp.224-234, 2011.
P. Viola and M. J. Jones, "Robust Real-time Object Detection", Technical Report Series, Compaq Cambridge research Laboratory, CRL 2001/01, 2001.
T. Jabid, M. H. Kabir, and O. Chae, "Robust Facial Expression Recognition based on Local Directional Pattern", ETRI Journal, Vol.32, No.5, pp.784-794, 2010.

원문보기 상세보기
Tim Cootes, An Introduction to Active Shape Models, Image Processing and Analysis, pp.223-248, Oxford University Press, 2000.
T. F. Cootes, G. J. Edwards, C. J. Tahlor, "Active Appearance Models", IEEE Transaction on Pattern Analysis and Machine Intelligence, vol.23, no.6, 2001.
T. F. Cootes, G. J. Edwards, C. J. Tahlor, "Comparing active shape models with active appearance models", British Machine Vision Conference, vol.1, pp.173-182, 1999.
X. Yi, W. Ying and P. Jun, "An Improved AdaBoost Face Detection Algorithm based on the Weighting Parameters of Weak Classifier", IEEE International Conference on Cognitive Informatics and Cognitive Computing, 2013, pp. 347-350.
G. Gibert, D. D'Alessandro and F. Lance, "Face Detection Method based on Photoplethysmography", IEEE International Conference on Advanced Video and Signal Based Surveillance, 2013, p.449-453.

저자의 다른 논문 :

LOADING...

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