[논문]주성분분석(PCA)기반 포유류의 얼굴 비율 연구 - 인간과 동물 20종을 중심으로

이영숙; 기대욱

doi:10.9717/kmms.2020.23.12.1586

[국내논문] 주성분분석(PCA)기반 포유류의 얼굴 비율 연구 - 인간과 동물 20종을 중심으로
A Study on the Face Ratio of Mammals Based on Principal Components Analysis (PCA) - Focus on 20 Species of Animals and Humans 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.23 no.12, 2020년, pp.1586 - 1593

이영숙 (Institute of Image and Cultural Contents, Dongguk University) , 기대욱 (Research Institute, THiRA-UTECH Co., Ltd.)

Abstract ▼ AI-Helper

This study was conducted on the face ratio of mammals. It can also be applied to character automation by checking factors about the difference between animal and human face shapes. This paper used the face and face area data generated for Deep Learning learning. In detail, the proportion factors of the area comprising the faces of 20 species of animals and humans were defined and the average ratio was calculated. Next, the proportion of each animal was analyzed using the Principal Component Analysis (PCA). Through this, we would like to propose the golden ratio of mammals.

Keyword

표/그림 (12)

표 Table 1. 20 Animals and Amount of Images Used for Principal Component Analysis
그림 Fig. 1. PCA Score Plot with Human and 20 Species Animals. (a)Ploting each Species, (b)Ploting Classification with order.
표 Table 2. Table of Length Elements
표 Table 3. Table of Face Rate Elements
표 Table 4. Table of Average and Standard Deviation on Human Rate Elements
표 Table 5. Table of Average and Standard Deviation on Wolf Rate Elements
표 Table 6. Table of Average and Standard Deviation on Cat Rate Elements
표 Table 7. Table of Average and Standard Deviation on Cow Rate Elements
표 Table 8. Table of Face Rate Elements
그림 Fig. 2. ColorBar Chart on Rate Elements Coefficients for PC1 to PC4
표 Table 9. Sorted Coefficients of Rate Elements that Make up PC1
표 Table 10. Sorted Coefficients of Rate Elements that Make up PC2

AI 본문요약
AI-Helper

문제 정의

셋째, 주성분 분석(Principle Component Analysis, PCA)을 이용하여 분석한다. 끝으로, 인간 얼굴과 각 동물의 비율 차이를 주성분 분석(PCA) 결과를 통해 확인하고자 한다.
본 논문에서는 인간을 포함한 동물의 구분을 위한 차이점을 확인하였다. 향후, 논문 결과를 동물 캐릭터 디자인에 활용하는 연구를 진행할 예정이다.

제안 방법

본 연구의 연구 방향은 다음과 같다. 첫째, 인간과 동물 20종의 딥러닝 학습데이터에서 얼굴 비율 요소를 추출하였다. 둘째, 이를 토대로 인간과 동물 20종의 얼굴 비율 요소의 좌표를 측정하고 평균좌표를 산출하였다.
첫째, 인간과 동물 20종의 딥러닝 학습데이터에서 얼굴 비율 요소를 추출하였다. 둘째, 이를 토대로 인간과 동물 20종의 얼굴 비율 요소의 좌표를 측정하고 평균좌표를 산출하였다. 셋째, 주성분 분석(Principle Component Analysis, PCA)을 이용하여 분석한다.
둘째, 이를 토대로 인간과 동물 20종의 얼굴 비율 요소의 좌표를 측정하고 평균좌표를 산출하였다. 셋째, 주성분 분석(Principle Component Analysis, PCA)을 이용하여 분석한다. 끝으로, 인간 얼굴과 각 동물의 비율 차이를 주성분 분석(PCA) 결과를 통해 확인하고자 한다.
수집된 이미지는 일차적으로 정면을 주시한 얼굴의 이미지에서 경사각이 큰 이미지를 제거하여 분석에 사용할 이미지를 선정하였다. 그리고 각각의 동물 이미지에 정의된 얼굴 특징점을 확인하여 얼굴에 포함된 구성요소의 길이와 각 길이에 대한 비율을 계산하였다. 계산된 각 동물의 비율 요소를 평균을 구했으며 그 이후 주성분 분석을 수행하고 결과를 분석하였다.
본 논문에서는 인간과 동물 20종에 대한 얼굴의 주요 부위의 위치를 기반으로 비율 요소를 정의하고 주성분 분석을 통해 연구를 진행하였다. 분석을 위해 인간데이터와 동물 20종의 이미지데이터를 수집하고 얼굴 중요 부위의 비율 계산을 위한 위치 데이터를 생성하였다.
본 논문에서는 인간과 동물 20종에 대한 얼굴의 주요 부위의 위치를 기반으로 비율 요소를 정의하고 주성분 분석을 통해 연구를 진행하였다. 분석을 위해 인간데이터와 동물 20종의 이미지데이터를 수집하고 얼굴 중요 부위의 비율 계산을 위한 위치 데이터를 생성하였다. 동물 20종과 인간 얼굴 데이터의 중요 비율을 대상으로 주성분 분석을 진행하여 결과를 도출하였다.
분석을 위해 인간데이터와 동물 20종의 이미지데이터를 수집하고 얼굴 중요 부위의 비율 계산을 위한 위치 데이터를 생성하였다. 동물 20종과 인간 얼굴 데이터의 중요 비율을 대상으로 주성분 분석을 진행하여 결과를 도출하였다. 데이터의 분석을 위하여 얼굴의 길이요소 7개와 길이요소로 조합할 수 있는 비율 요소 21개를 정의하였다.
동물 20종과 인간 얼굴 데이터의 중요 비율을 대상으로 주성분 분석을 진행하여 결과를 도출하였다. 데이터의 분석을 위하여 얼굴의 길이요소 7개와 길이요소로 조합할 수 있는 비율 요소 21개를 정의하였다. 그리고 각각 동물의 비율 요소를 평균하여 주성분 분석에 사용하였다.
데이터의 분석을 위하여 얼굴의 길이요소 7개와 길이요소로 조합할 수 있는 비율 요소 21개를 정의하였다. 그리고 각각 동물의 비율 요소를 평균하여 주성분 분석에 사용하였다. 주성분 분석 결과 중요 PC인 PC1과 PC2가 동물의 각각의 특징에 따라 분류되었으며, 동물을 구분할 수 있는 특징을 충분히 가진다고 확인하였다.

대상 데이터

주성분 분석을 진행하면 입력한 파라미터의 개수만큼 주성분(Principal Component, PC)이 생성된다. 본 연구에서는 총 21개(R1-R21)의 입력 데이터를 정의하였고, 주성분(Principal Component, PC)도 21개 (PC1-PC21)가 생성된다. 주성분 분석의 특성상 첫 번째 PC인 PC1이 정보량이 가장 많고, PC2가 그 다음으로 많은 정보량을 가지며 나머지 PC들은 순차적으로 정보량의 크기가 줄어든다.

데이터처리

전처리과정을 상세하게 살펴보면 먼저 각각의 종에 대하여 포함된 동물의 전체 이미지에서 측정한 각 구성요소의 비율에 대한 평균값을 계산하여 분석의 대상으로 지정하였다. 포유류 동물의 정면 이미지만 수집하였으나 미세한 얼굴 방향 각도로 인하여 노이즈와 Outlier 데이터가 발생하므로 이러한 데이터의 오차를 최소화하기 위하여 평균값을 사용하였다. 각 개별 종의 이미지 데이터 수도 최소 500개 이상으로 선택하여 주성분 분석정확도의 효율을 고려하였다.
그리고 각각의 동물 이미지에 정의된 얼굴 특징점을 확인하여 얼굴에 포함된 구성요소의 길이와 각 길이에 대한 비율을 계산하였다. 계산된 각 동물의 비율 요소를 평균을 구했으며 그 이후 주성분 분석을 수행하고 결과를 분석하였다. 주성분 분석을 이용한 분석은 차원 축소와 변화 후의 그래프 분석으로 분석 방식이 정형화되어 있으므로 분석 결과의 출력과 분석 결과에 대한 고찰을 진행하였다.
계산된 각 동물의 비율 요소를 평균을 구했으며 그 이후 주성분 분석을 수행하고 결과를 분석하였다. 주성분 분석을 이용한 분석은 차원 축소와 변화 후의 그래프 분석으로 분석 방식이 정형화되어 있으므로 분석 결과의 출력과 분석 결과에 대한 고찰을 진행하였다.
주성분 분석의 특성상 첫 번째 PC인 PC1이 정보량이 가장 많고, PC2가 그 다음으로 많은 정보량을 가지며 나머지 PC들은 순차적으로 정보량의 크기가 줄어든다. 주성분 분석에서는 많은 정보량을 가지는 PC1과 PC2로 2차원 평면에서 분석하고자 하는 내용들을 분석한다. 본 논문도 주성분 분석 진행 후 각 동물의 PC1과 PC2를 2차원 평면에 나타내었다(Fig.

이론/모형

Matlab과 Python 등 다수의 프로그래밍 랭귀지는 주성분 분석을 할 수 있는 라이브러리나 툴박스를 제공한다. 본 논문의 주성분 분석은 Python으로 작성되었으며 scikit-learn 머신러닝 라이브러리와 pandas, numpy 라이브러리를 사용하였다.

성능/효과

그리고 각각 동물의 비율 요소를 평균하여 주성분 분석에 사용하였다. 주성분 분석 결과 중요 PC인 PC1과 PC2가 동물의 각각의 특징에 따라 분류되었으며, 동물을 구분할 수 있는 특징을 충분히 가진다고 확인하였다. PC1과 PC2의 중요 계수 (Coefficient)를 구성하는 얼굴 가로/세로, 미간 거리와 눈 크기, 미간과 코의 거리가 동물을 구분하고 동물의 비율적 특징(육식/초식)을 나타내는 요소라고 확인하였다.
주성분 분석 결과 중요 PC인 PC1과 PC2가 동물의 각각의 특징에 따라 분류되었으며, 동물을 구분할 수 있는 특징을 충분히 가진다고 확인하였다. PC1과 PC2의 중요 계수 (Coefficient)를 구성하는 얼굴 가로/세로, 미간 거리와 눈 크기, 미간과 코의 거리가 동물을 구분하고 동물의 비율적 특징(육식/초식)을 나타내는 요소라고 확인하였다. 육식동물과 초식동물의 얼굴의 비율에 대한 특징이 명확하게 분류되었으며 이는 캐릭터가 가지는 성격에 대한 중요한 요소이다.
PC1과 PC2의 중요 계수 (Coefficient)를 구성하는 얼굴 가로/세로, 미간 거리와 눈 크기, 미간과 코의 거리가 동물을 구분하고 동물의 비율적 특징(육식/초식)을 나타내는 요소라고 확인하였다. 육식동물과 초식동물의 얼굴의 비율에 대한 특징이 명확하게 분류되었으며 이는 캐릭터가 가지는 성격에 대한 중요한 요소이다.

후속연구

본 논문에서는 인간을 포함한 동물의 구분을 위한 차이점을 확인하였다. 향후, 논문 결과를 동물 캐릭터 디자인에 활용하는 연구를 진행할 예정이다.

참고문헌 (8)

Y. Lee and J. Kim, "A Study on The Step of Anthropomorphic Animal Characters in Ani mation," Journal of Korea Multimedia Society, Vol. 12, No. 11, pp. 1661-1670, 2009.
C.M. Bishop, Pattern Recognition And Machine Learning, Springer, Verlag, Berlin, 2018.
A.C. Muller and S. Guido, Introduction to Machine Learning with Python: A Guide for Data Scientists, O'REILLT, California, 2017.
Y.S. Lee and D.W. Ki, "A Study on the Ratio of Human and Dog Facial Components based on Principal Component Analysis," Journal of Korea Multimedia Society, Vol. 23, No. 10, pp. 1339-1347, 2020.

원문보기 상세보기
Image Datas(2021), https://pixabay.com (accessed May, 24, 2019).
IBM Research AI(2008), https://www.research.ibm.com/artificial-intelligence (accessed Oct, 01, 2020).
IBM(2008), https://ibm.co/2Bbr6hc (accessed Oct, 01, 2020).
TechCrunch(2013), https://tcrn.ch/2UrEuVp (accessed Oct, 01, 2020).

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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