[논문]방향성 얼굴형상과 SOFM을 이용한 얼굴 인식에 관한 연구

김승재; 이정재

doi:10.7236/jiibc.2019.19.6.109

방향성 얼굴형상과 SOFM을 이용한 얼굴 인식에 관한 연구
A Study on Face Recognition Using Diretional Face Shape and SOFM 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.19 no.6, 2019년, pp.109 - 116

김승재 (조선대학교 SW융합교육원) , 이정재 (송원대학교 컴퓨터정보학과)

초록
AI-Helper

본 논문은 얼굴 형상 인식을 위한 보다 안정적이며 조명 변화와 회전에 강인하게 얼굴 영역을 검출하며, 계산의 효율성과 검출 성능을 동시에 만족시키는 강인한 검출 알고리즘에 대해 제안한다. 제안한 알고리즘은 단일 카메라 환경에서 얼굴 형상을 입력정보로 사용하여 전처리 과정을 거쳐 얼굴 영역만을 분할한 후 자기 조직화 특징 지도(SOFM) 알고리즘을 이용하여 얼굴 형상을 인식하게 된다. 그러나 조명 변화에 민감하고 자유도가 큰 얼굴 영역을 정확히 인식하기란 쉽지 않으며 오차 범위도 크기 때문에 본 논문에서는 인식률을 높이기 위해 각각의 얼굴 형상에 대한 회전 정보를 데이터베이스화 한 후 주성분 분석을 적용하여 군집화 함으로서 인식오차를 줄였다. 또한 차원 축소로 인해 많은 계산량이 요구되지 않기 때문에 실시간 인식 시간도 줄일 수 있었다.

Abstract ▼ AI-Helper

This study proposed a robust detection algorithm. It detects face more stably with respect to changes in light and rotation for the identification of a face shape. Also it satisfies both efficiency of calculation and the function of detection. The algorithm proposed segmented the face area through pre-processing using a face shape as input information in an environment with a single camera and then identified the shape using a Self Organized Feature Map(SOFM). However, as it is not easy to exactly recognize a face area which is sensitive to light, it has a large degree of freedom, and there is a large error bound, to enhance the identification rate, rotation information on the face shape was made into a database and then a principal component analysis was conducted. Also, as there were fewer calculations due to the fewer dimensions, the time for real-time identification could be decreased.

주제어

표/그림 (14)

그림 그림 1. 알고리즘 전체 시스템 Fig. 1. Algorithm of the Whole System
그림 그림 2. 입력 방향성을 고려한 얼굴 영상 Fig. 2. Facial image in consideration of the directionality
그림 그림 3. 모델영상에 대한 평균 영상 Fig. 3. Average image of the model image
그림 그림 4. 입력특징벡터와 모델특징벡터간의 경쟁과정 Fig. 4. Competition Process between Input Feature Vector and Model Feature Vector
그림 그림 5. 승자뉴런에 가장 인접한 뉴런 Fig. 5. neurons closest to the winner neuron
그림 그림 6. 최상위 뉴런을 찾는 과정 Fig. 6. finding the highest neuron
그림 그림 7. 입력영상과 모델영상의 거리 Fig. 7. distance between input image and model image
그림 그림 8. 최적의 모델 생성을 위한 전처리 과정 Fig. 8. Pre-processing for creating the best model
그림 그림 9. 최상의 모델로 인식된 얼굴형상 Fig. 9. Face shape recognized as top model
그림 그림 10. 최상위 모델로 오인식한 상황 Fig. 10. misrecognized situation as top model
그림 그림 11. SOFM을 활용한 얼굴형상 인식시스템 Fig. 11. Face Shape Recognition System Using SOFM
표 표 1. 인식 방법에 따른 성능평가 분석표(%) Table 1. Performance Evaluation Analysis Tables based on Recognition Method(%)
표 표 2. 조명변화에 따른 얼굴 영역 검출 비교(%) Table 2. Face detection by comparison to lighting changes(%)
표 표 3. 배경변화에 따른 인식률 비교(%) Table 3. Recognition compared to the background changes(%)

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 안정된 인식률을 얻기 위해 PCA를 이용해 파라메트릭 공간을 생성하여 얼굴의 방향성 문제를 해결하는 방법을 제시한다. 이는 입력 영상의 변화율을 크게 하기 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 적용하여 특징 벡터를 구한 후 SOFM 의 학습과정을 통해 입력 영상의 특징 벡터와 모델 영상의 특징 벡터의 거리를 계산한 후 초기 연결강도로부터 점차 연결강도의 가중치를 부여함으로서 입력 영상과 모델 영상간의 거리가 최소값(0)이 되는 모델을 찾고, 찾은 최소값의 모델을 최상위 모델로 선택하여 얼굴 형상으로 인식하였다.
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 특징 벡터를 이용하여 최종 얼굴을 인식한다.
그림 8은 정규화 과정을 거쳐 최적의 모델을 생성하기 위한 전처리과정을 보여준다. 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 특징값을 추출한 후 고유공간에 투영시킨다.
또한 얼굴의 인식률을 높이기 위해 입력되는 각 얼굴 영상의 방향을 좌·우 45° 회전 정보를 갖는 영상을 획득한 후 데이터베이스를 생성하여 대표값을 구하고 PCA를 적용하여 고유공간에 투영시킴으로써 얼굴의 특징 값을 산출한다.
본 논문에서 제안하는 SOFM은 학습단계에서 다차원 공간상의 특징 벡터로 표현되는 객체들이 경쟁층에서 스스로 유사한 패턴끼리 2차원의 특징지도를 조직화하여 영역지도를 형성하고, 인식단계에서는 학습단계에서 훈련된 연결 가중치 하에서 미지의 특징벡터에 대하여 반응이 일어나는 위치를 통하여 해당 클래스를 인식하게 된다.
본 논문에서는 거리에 따라 다른 이득으로 학습되는 방법을 적용하였으며, 식(18)과 같다.
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 T_i동안 배경 영상 I_t를 취득한 다음 영상 영역 R내에 있는 각 픽셀(x)들을 분석하여 조명이 가장 밝았을 때의 화소 값 P_max(x)와 가장 어두울 때의 화소 P_min(x)을 얻는다. 이 두 화소 값의 차이 D(x)는 조명의 변화로 나타날 수 있는 밝기의 임계치이다.
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 특징값을 추출한 후 고유공간에 투영시킨다.
승자뉴런과 그와 이웃한 뉴런들이 특정한 입력 값에 더욱 민감해지도록 활성함수를 적응시켜 연결강도를 갱신한다. 가까운 뉴런이 멀리 있는 뉴런보다 더욱 강하게 적응이 된다.
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.
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 적용하여 특징 벡터를 구한 후 SOFM 의 학습과정을 통해 입력 영상의 특징 벡터와 모델 영상의 특징 벡터의 거리를 계산한 후 초기 연결강도로부터 점차 연결강도의 가중치를 부여함으로서 입력 영상과 모델 영상간의 거리가 최소값(0)이 되는 모델을 찾고, 찾은 최소값의 모델을 최상위 모델로 선택하여 얼굴 형상으로 인식하였다.
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.

성능/효과

또한 얼굴 형상의 인식률을 높이기 위해 각각의 얼굴 형상을 5°씩 틀어 360° 회전을 가진 데이터베이스를 생성하고 기존의 모델 영상내의 각각의 얼굴 형상에 대한 대표 값을 만든 후에 PCA을 적용하여 실험 영상을 고유 공간에 투영시켜서 나온 성분과 대표 값의 거리를 비교함으로써 방향성에 대한 인식 오차를 줄임으로서 보다 안정적으로 얼굴 형상을 인식할 수 있게 되었다. 그 결과 기존 다른 알고리즘 보다 인식률이 개선되었으며, 얼굴 형상 인식률에 대한 안전성과 정확성을 향상시킬 수 있었다. 또한 차원 축소로 인해 많은 계산량이 요구되지 않기 때문에 실시간 인식 시간도 줄 일 수 있었다.
또한 가변적인 조명환경에서 얼굴 검출율을 확인하기 위한 실험으로 본 논문에서 제안하는 방법이 89.5%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.
또한 얼굴 형상의 인식률을 높이기 위해 각각의 얼굴 형상을 5°씩 틀어 360° 회전을 가진 데이터베이스를 생성하고 기존의 모델 영상내의 각각의 얼굴 형상에 대한 대표 값을 만든 후에 PCA을 적용하여 실험 영상을 고유 공간에 투영시켜서 나온 성분과 대표 값의 거리를 비교함으로써 방향성에 대한 인식 오차를 줄임으로서 보다 안정적으로 얼굴 형상을 인식할 수 있게 되었다.
둘째, PCA의 경우 입력 형상이 거의 비슷하다면 다른 형상인데도 불구하고 같은 형상으로 오-인식하는 문제가 자주 발생한다. 셋째, SOFM의 경우 PCA로 획득한 특징정보를 학습단계에 걸쳐 입력 영상에 대해 연결강도를 강화할 수 있음으로 모델영상에 속하는 형상에 대해서 다른 형상을 같은 형상으로 오-인식하는 문제가 많이 개선되어 높은 인식률을 보인다. 하지만 모델영상에 속하지 않을 때는 입력 영상의 특징과 모델영상의 특징을 비교하는 과정에서 거리가 가장 가까운 것을 최상의 모델로 인지하기 때문에 다른 알고리즘보다 실패율에 있어 많은 개선을 보였지만 여전히 오-인식하는 문제가 존재한다.

후속연구

향후에는 이러한 문제점을 해결할 수 있는 보다 안정적인 얼굴 형상 인식 알고리즘을 개발할 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	SOFM의 특징은?	본 논문에서 제안하는 SOFM은 학습단계에서 다차원 공간상의 특징 벡터로 표현되는 객체들이 경쟁층에서 스스로 유사한 패턴끼리 2차원의 특징지도를 조직화하여 영역지도를 형성하고, 인식단계에서는 학습단계에서 훈련된 연결 가중치 하에서 미지의 특징벡터에 대하여 반응이 일어나는 위치를 통하여 해당 클래스를 인식하게 된다.
	인식 알고리즘이 기존 다른 알고리즘 보다 어떠한 방법으로 인식률을 개선했나?	또한 얼굴 형상의 인식률을 높이기 위해 각각의 얼굴 형상을 5°씩 틀어 360° 회전을 가진 데이터베이스를 생성하고 기존의 모델 영상내의 각각의 얼굴 형상에 대한 대표 값을 만든 후에 PCA을 적용하여 실험 영상을 고유 공간에 투영시켜서 나온 성분과 대표 값의 거리를 비교 함으로써 방향성에 대한 인식 오차를 줄임으로서 보다 안정적으로 얼굴 형상을 인식할 수 있게 되었다. 그 결과 기존 다른 알고리즘 보다 인식률이 개선되었으며, 얼굴 형상 인식률에 대한 안전성과 정확성을 향상시킬 수 있었다.
	얼굴 인식의 방법을 분류하면?	인간의 행동 분석 [1,2] 에 대해 다양한 분야에서 각각의 특성에 맞는 연구가 진행되고 있지만 그 중에서도 생체 인식 분야가 주류가 된다고 해도 과언이 아닐 것이다. 생체인식 중에서도 얼굴 인식은 템플릿 매칭 접근, 통계적 분류 접근, 구문적 접근 및 신경망 접근 방법의 4가지 방법으로 분류할 수 있다 [3] . 이 중에서 통계적 분류방법으로 주성분 분석(PCA)에 의한 얼굴 인식 [4,5][13,14,15,16] , 서포트벡터머신(SVM)에 의한 얼굴 인식 [4][11] , 선형판별분석(LDA) 의한 얼굴 인식 [5][6] , 독립성분분석(ICA)에 의한 얼굴 인식 [8] 과 신경망(Neural Network)에 의한 얼굴 인식 [9] 등이 계산 량이 적으므로 얼굴 인식에서 주류를 이루고 있다.

참고문헌 (18)

R. C. Gonzalez and R. E. Woods "Digital Image Processing," Prentice Hall, 2002. DOI:https://doi.org/10.1111/j.1740-826',2007,00333x
K. Yung-Wei, G. Hui-Zhen, Y. Shyan-Ming, "Integration of face and hand gesture recognition", Convergence and Hybrid Information Technology, 2008. ICCIT '08. Third Intermational Conference on, Vol. 1, pp. 330-335, 2008. DOI: 10.1109/ICCIT.2008.74
R. O. Duda, P. E. Hart, and D. G. Strok, "Pattern Classification", Second Edition by John Wiley & Sons, Inc, 2001. DOI: 10.1109/OCASID.2009.5276938
M. O. Faruqe, M. Al Mehedi Hasan, "Face Recognition Using PCA and SVM", Anti-counterfeiting, Security, and Identification in Communication, 2009. ASID 2009. 3rd International Conference on, pp. 97-101, 2009. DOI: 10.1109/OCASID.2009.5276938
Jian Yang, Jing-Ju Yang, "Why can LDA be performed in PCA transformed space?", Patter Recognition 36, pp.563-566, 2003. DOI:https://doi.org/10.1016/S0031-3203(02)00048-1

상세보기
P. Liao, J. Liu, M. Wang, H. Ma, W. Zhang, "Ensemble local fractional LDA for Face Recognition", Computer Science and Automation Engineering(CSAE), 2012 IEEE International Conference on, Vol. 3, pp. 586-590, 2012. DOI: 10.1109/CSAE.2012.6273021
Chengjun Liu, Wechsler, H., "Independent component analysis of Gabor feature for face recognition," Neural Networks, IEEE Transactions on, Volume: 14, Issue: 4, pages: 919-928, July 2003. DOI: 10.1109/TNN.2003.813829

상세보기
S. E. El-Khamy, O. Abdel-Alim, M. M. Saii, "Neural Network Face Recognition Using Statistical Feature Extraction", Radio Science Conference, 2000. 17th NRSC '2000. Seventeenth National, pp. C31/1-C31/8, 2000. DOI: 10.1109/NRSC.2000.833860
I. P. Alonso, D. F. Llorca, M. A. Sotelo, and L. M. Bergasa, "Combination of Feature Extraction Methods for SVM Pedestrian Detection", IEEE Trans. on TITS, Vol. 8, No. 2, pp. 292-307, June 2007. DOI: 10.1109/TITS.2007.894194

상세보기
S.H Joo, W.S Yang. "Implementation of a Portable Identification System using Iris Recognition Techniques", The Journal of The Institute of Webcasting, Internet and Telecommunication VOL. 11 No. 5, Oct, 2011. DOI:https://doi.org/10.7236/JIWIT.2011.11.5.107

원문보기 상세보기
P.K Rhee, Y.Z Xu, H.C. Shin, S.Yan. "local Context based Feature Extraction for Efficient Face Detection", The Journal of The Institute of Webcasting, Internet and Telecommunication VOL. 11 No. 1, February 2011. DOI:https://doi.org/10.7236.JIWIT.2011.11.1.185
C. II Woo. "A Study on the Image Tamper Detection using Digital Signature", Journal of The korea Academia-Industrial cooperation Society Vol. 16, No. 7, pp. 4912-4917, 2015. DOI:http://dx.doi.org/10.5762/KAIS.2015.16.7.4912

원문보기 상세보기
T. Kohonen, "Self-Organizing Maps", Springer Series in Information Science. Vol. 30, Springer, Berlin, Heidelberg, New York, 1995, 1997, 2001, Third Extended Edition DOI: 10.1109/ICNN.1997.611622
T. Kohonen, "Self-and Super-organizing Maps in R:The kohonen Package",Journal of Statistical software, published by the American Statistical Association. Issue 5,Vol. 1,Oct, 2007. DOI: http://www.jstatsoft.org/
Byung Joo Kim," Combining Empirical Feature Map and Conjugate Least Squares Support Vector Machine for Real Time Image Recognition : Research with Jade Solution Company", International Journal of Internet, Broadcasting and Communication(IJIBC), Vol. 9, No. 1, pp. 9-17, June 2017. DOI:https://doi.org/10.7236/IJIBC.2017.9.1.9

원문보기 상세보기
Jonghyeok Lee, Jinyeong Choi, jaesang Cha," A Study on Object Detection in Region-of-Interest Algorithm using Adjacent Frames based Image Correction Algorithm for Interactive Building Signage", International Journal of Internet, Broadcasting and Communication(IJIBC), Vol. 10, No. 2, pp. 74-78, June 2018. DOI:https://dx.doi.org/10.7236/IJIBC.2018.10.2.12

원문보기 상세보기
윤재성, 곽창희, 김영현, 김원호, 옥승호, "Implementation of a Table Tennis Robot Using Monocular Camera-based 3D Object Recognition Method and Path Planning for 6-Axis Manipulator", 한국정보기술학회논문지 제16권 제8호(JKIIT, Vol.16, No.8) pp.35-44, Aug, 2018. DOI:10.14801/jkiit.2018.16.8.38

상세보기
김종호, "Single Image Haze Removal Algorithm using Dual DCP and Adaptive Brightness Correction", 한국산학기술학회논문지, v,19, no.11, pp.31-37, Nov, 2018. DOI:http://dx.doi.org/10.5762/KAIS.2018.19.11.31

원문보기 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