[논문]다중 문턱치를 이용한 입술 윤곽 검출 방법

김정엽

doi:10.3745/ktsde.2020.9.12.431

[국내논문] 다중 문턱치를 이용한 입술 윤곽 검출 방법
Lip Contour Detection by Multi-Threshold 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.9 no.12, 2020년, pp.431 - 438

초록
AI-Helper

본 논문에서는 입술 윤곽선을 검출하기 위한 다중 문턱치 기반의 검출방법을 제안하였다. 기존의 연구 중 Spyridonos 등이 제안한 방법은 입력영상을 RGB로부터 YIQ 좌표계로 변환하여 Q 성분만을 이용하여 Q 영상을 얻는다. Q 영상으로부터 변화 점 검출을 통하여 입술 모양의 좌우 끝점을 얻어낸다. 좌우 끝점에 대한 수직 좌표의 평균값을 이용하여 Q 영상을 상하로 분리하고, 상하 영역 각각에 대하여 별도로 Q값을 대상으로 문턱치를 적용하여 후보 윤곽선을 추출한다. 추출된 후보 윤곽선에 특징치 거리를 이용하여 최적의 문턱치를 찾고, 해당하는 윤곽선을 최종 입술 윤곽선으로 결정한다. 이 때 사용되는 특징치 거리 D는 후보 윤곽선 상의 점들을 기준으로 주변 영역에 대한 차이의 절대값을 이용하여 계산한다. 기존연구의 문제점은 세 가지인데, 첫째는 입술 끝점 추출 과정에서 피부영역의 과다한 참여로 입술 끝점의 추출의 정확도가 감소하고, 따라서 후속되는 상/하 영역 분리에도 영향을 미친다. 둘째는 YIQ 칼라 좌표계를 사용하였는데, 다양한 칼라 좌표계에 대한 분석이 미비하므로 추가적인 분석이 필요하다. 세 째, 최적 윤곽선의 선택 시 적용하는 거리 값 파라미터의 계산 과정에서, 문턱치를 적용하여 구한 해당 윤곽선 주변의 데이터들에 의한 변화분을 계산하여 변화가 가장 큰 윤곽선을 입술 후보로 채택하는데, 변화분의 최대치를 기준으로 하기 때문에 검출된 입술영역이 기준보다 축소되는 문제점이 있다. 첫 번째 문제점을 해결하기 위하여 피부영역의 계산과정 참여를 줄여서 성능을 30%정도 향상시켰다. 두 번째는 YIQ 외에 HSV, CIELUV, YCrCb 등의 칼라 좌표계에 대한 성능테스트를 거쳐 기존연구 방법이 칼라좌표계에 대한 의존성이 없음을 확인하였다. 세 번째는 윤곽선 주변의 변화분 검토 시, 윤곽선 포인트 당 변화분의 평균값 대신에 변화분의 총량을 적용하여 46% 성능개선 효과를 얻었다. 이상의 내용을 모두 적용하여 제안한 통합방법은 기존연구 대비 2배의 성능향상과 안정성을 확보할 수 있었다.

Abstract ▼ AI-Helper

In this paper, the method to extract lip contour by multiple threshold is proposed. Spyridonos et. el. proposed a method to extract lip contour. First step is get Q image from transform of RGB into YIQ. Second step is to find lip corner points by change point detection and split Q image into upper and lower part by corner points. The candidate lip contour can be obtained by apply threshold to Q image. From the candidate contour, feature variance is calculated and the contour with maximum variance is adopted as final contour. The feature variance 'D' is based on the absolute difference near the contour points. The conventional method has 3 problems. The first one is related to lip corner point. Calculation of variance depends on much skin pixels and therefore the accuracy decreases and have effect on the split for Q image. Second, there is no analysis for color systems except YIQ. YIQ is a good however, other color systems such as HVS, CIELUV, YCrCb would be considered. Final problem is related to selection of optimal contour. In selection process, they used maximum of average feature variance for the pixels near the contour points. The maximum of variance causes reduction of extracted contour compared to ground contours. To solve the first problem, the proposed method excludes some of skin pixels and got 30% performance increase. For the second problem, HSV, CIELUV, YCrCb coordinate systems are tested and found there is no relation between the conventional method and dependency to color systems. For the final problem, maximum of total sum for the feature variance is adopted rather than the maximum of average feature variance and got 46% performance increase. By combine all the solutions, the proposed method gives 2 times in accuracy and stability than conventional method.

Keyword

표/그림 (12)

그림 Fig. 1. The Algorithm Flowchart of Conventional Method
그림 Fig. 2. The Estimation of Variances in Mouth Image
표 Table 1. Result of Average Contrast for YIQ-HSV
표 Table 2. Result of Average Contrast for YIQ-CIELUV(|u-v|)
표 Table 3. Result of Average Contrast for YIQ-YCrCb(Cr/Cb-Cr²)
표 Table 4. Result of Average Hausdorff Distance for Color Coordinate System Changes
그림 Fig. 3. The Estimation of New Variances in Mouth Image
그림 Fig. 4. The Algorithm Flowchart of Proposed Method
그림 Fig. 5. Example Test Images from Helen Dataset
그림 Fig. 6. Contour Points by Conventional and Proposed Methods
그림 Fig. 7. Performance Evaluation for Conventional and Proposed Methods
표 Table 5. Average and Variance Result of Hausdorff Distances for the Methods

AI 본문요약
AI-Helper

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

문제 정의

입술영역 검출의 효율성을 위하여 후보 입술영역을 상하로 나누어 각각 추출하고 최종적으로 결합하였다. 본 연구에서는 상하 영역을 나누지 않는 접근방법과 입술영역 검출을 위한 새로운 제약조건을 제안하였다. 제안한 방법을 적용한 결과, 기존 방법보다 하우스도르프 거리[16] 기준으로 전체평균 100% 정도의 개선 효과가 있었다.
본 논문에서는 2.1절에서 제시한 기존의 Spyridonos 등의 입술영역 윤곽선 검출방법을 분석하여, 세 가지 개선 방향을 제시하였다. 칼라 좌표계의 선택은 2.
본 논문에서는 입술 영역의 윤곽선 검출을 위하여 다중 문턱치를 이용한 검출 방법을 제안하였다. 검출 성능을 향상시키기 위하여 피부영역의 참여를 감소시키는 입술 끝점 추출방법과, 최적의 문턱치를 결정하기 위한 개선된 특징치 거리계산 방법을 도입하였다.

제안 방법

Spyridonos 등은 YIQ 칼라 좌표계에서 Q성분만을 이용하였고, 최적의 문턱 치를 결정하기 위하여 Q 값에 대하여 다수의 문턱 치를 설정하고, 추출된 후보 윤곽선들의 포인트들을 기준으로 상하의 일정 거리에 있는 화소의 Q값 차이의 합이 최대인 윤곽선을 선택하는 입술영역 검출에 유리한 제약조건을 추가하였다. 입술영역 검출의 효율성을 위하여 후보 입술영역을 상하로 나누어 각각 추출하고 최종적으로 결합하였다. 본 연구에서는 상하 영역을 나누지 않는 접근방법과 입술영역 검출을 위한 새로운 제약조건을 제안하였다.
이후, 하반부-영상에 대해서도 동일하게 ③~⑧을 반복 처리하여 아랫입술에 대한 윤곽선을 추출한 다음 결합하여 최종 입술 윤곽선을 검출한다. 여기서 사용되는 문턱치의 최솟값과 최댓값은 Q 영상의 전체 화소에 대한 최소와 최대의 값을 이용하고, 매 반복 시 적용하는 증가분은 0.
기존연구에서 제시한 문턱치 결정은 Q 영상을 기준으로최솟값부터 최댓값까지 매 슬라이스(Slice) 당 최적 윤곽선여부를 테스트한다. 이때 사용되는 기준은 해당 윤곽선 주변의 데이터들에 의한 변화 분을 계산한다.
기존연구의 문제점 중 2)에 해당하며, 효율적으로 알려진 몇 가지 칼라 특징 치에 대하여 데이터 대비(Contrast) 값을 분석하였다. 통상적으로 대비 값이 작은 경우보다는 큰 경우 성능향상을 기대할 수 있기 때문이다.
1절에서 제시한 기존의 Spyridonos 등의 입술영역 윤곽선 검출방법을 분석하여, 세 가지 개선 방향을 제시하였다. 칼라 좌표계의 선택은 2.2절의 분석을 통하여 YIQ를 그대로 유지하도록 하므로, 문제점 1)과 3)에 대한 개선을 제안하고자 한다.
3 (b)에서와같이 새로운 분산 값을 계산한다. 변화 점 검출방법을 세로방향으로 먼저 적용하여 점선으로 표시되는 입술 상단과 하단의 후보 영역을 대상으로 Fig. 2와 같은 세로방향의 분산 값을 이용한 변화 점 검출을 실행한다.
657에 비하여 30% 정도의 개선효과가 있음을 확인하였다. 다음으로 기존연구의 문제점 중 마지막인 최적 윤곽선의선택 시 적용하는 거리 값에 대하여 검토한다.
이상에서 제안한 문제점 1)과 3)의 개선방법을 통합하여최종적인 입술 윤곽선 검출 알고리즘을 구성하였다. 두 가지제안 점을 동시에 기존연구 방법에 적용한 결과 평균 하우스도르프 거리는 16.
방법을 이용하였다. 추출된 얼굴영역에서 높이 기준 하위 1/3 범위와 너비를 기준으로 하여 중앙 1/2 을 입술 후보영역으로 추출하였다. 추출된 입술후보 영역에 대한 결과와 데이터베이스에서 제공하는 기준 정보(Ground truth information) 를 이용하여 하우스도르프 거리를 계산하였다.
추출된 얼굴영역에서 높이 기준 하위 1/3 범위와 너비를 기준으로 하여 중앙 1/2 을 입술 후보영역으로 추출하였다. 추출된 입술후보 영역에 대한 결과와 데이터베이스에서 제공하는 기준 정보(Ground truth information) 를 이용하여 하우스도르프 거리를 계산하였다.
이용한 검출 방법을 제안하였다. 검출 성능을 향상시키기 위하여 피부영역의 참여를 감소시키는 입술 끝점 추출방법과, 최적의 문턱치를 결정하기 위한 개선된 특징치 거리계산 방법을 도입하였다. 또한 다양한 칼라 좌표계에 대한 분석을 통하여 특징치의 대비와 추출 성능은 무관함을 확인하였다.

대상 데이터

실험에서는 7화소 거리에 있는 동일한 열(Column)의 화소 값을 사용하였다. 마찬가지로, _^은 j번째 윤곽선 기준점으로부터아래쪽으로 일정한 거리에 있는 한 개 화소의 q값을 나타낸다.
분석한 칼라 좌표 특징은 YIQ, HSV, CIELUV, YCrCb의 4 종이며 결과는 다음과 같다. 분석에 사용한 실험영상은 Helen Dataset[18]의 1919장 중 1~100번까지를 대상으로 하였다.
결과는 다음과 같다. 분석에 사용한 실험영상은 Helen Dataset[18]의 1919장 중 1~100번까지를 대상으로 하였다.
결과적으로 Q보다는 H의 대비가우세함을 확인할 수 있다. 100장의 샘플과 전체 데이터 셋의결과에 경향성이 유지되므로 다른 칼라 특징 분석에는 100장의 샘플을 사용한다.
본 논문에서는 Helen Dataset[18]을 사용하였는데, 이 데이터베이스는 사진의 크기와 장면의 조명이 보정되지 않은 2300여장으로 구성되어 있다. 이 영상들은 인터넷으로부터 수집된 것이므로, 주변조명, 실내/실외, 인물 등의 영상 촬영조건이 다양하고 전혀 보정되지 않았다.
이 영상들은 인터넷으로부터 수집된 것이므로, 주변조명, 실내/실외, 인물 등의 영상 촬영조건이 다양하고 전혀 보정되지 않았다. 본 논문에서 사용한 영상은 이 데이터베이스에서 그래픽으로 작성된 경우를 제외한 1919장이 사용되었고, 약 380장은 흑백사진이거나 사진이 아닌 그래픽 데이터여서 제외하였다. 제공되는 기본정보 (ground truth information)는 전체 영상을 기준으로 각 영상마다 얼굴영역의 외곽선(contour), 눈, 코, 입의 외곽선 정보를 포함한다.
윤곽선의 형태에 따라 순방향거리와역방향거리의 값이 서로 다르게 나타날 수 있고, 성능평가에 영향을 주게 되므로 대부분의 경우에는 두 값을 모두 계산한 다음 큰 값을 채택한다. 본 실험에 사용된 영상은 총 1919장이며, 각 방식별로 평균값과 분산 값을 Table 5에 나타내었다. Table 5에서 F_AVG는 순방향거리의 평균값을, F_VAR는 순방향 거리의 분산 값, R_AVG는 역방향거리의 평균값, RVAR는역방향거리의 분산 값, H_AVG는 하우스도르프 거리의 평균값, HVAR는 하우스도르프 거리의 분산 값을 의미한다.

데이터처리

통상적으로 대비 값이 작은 경우보다는 큰 경우 성능향상을 기대할 수 있기 때문이다. 대비 값은 Equation (2)와 같고 영상내의 매 화소 당 5×5 윈도우 내의 지역 대비 (Local contrast) 값 L_c를 전체 평균하여 비교하였다.

이론/모형

Q 성분만을 이용하여 Q 영상을 얻는다. Q 영상으로부터 열(column) 단위 표준 편차 데이터에 Killick 등[17]의 방법을 적용하여 입술 모양의 좌우 끝점을 얻어낸다.
테스트 영상으로부터 얼굴영역을 추출하기 위해서 Nilsson[19] 의 방법을 이용하였다. 추출된 얼굴영역에서 높이 기준 하위 1/3 범위와 너비를 기준으로 하여 중앙 1/2 을 입술 후보영역으로 추출하였다.
또한 다양한 칼라 좌표계에 대한 분석을 통하여 특징치의 대비와 추출 성능은 무관함을 확인하였다. 새로운 특징치 거리 계산 방식을 통하여 윤곽선 검출성능을 향상시킬 수 있었으며, 제안한 방법의 성능을 평가하기 위하여 윤곽선에 대한 하우스도르프 거리를 도구로 이용하였다. 기존 대비 정확성 측면과 검출 안정성 측면에서 각각 2배로 성능이 우수함을 확인하였다.

성능/효과

본 연구에서는 상하 영역을 나누지 않는 접근방법과 입술영역 검출을 위한 새로운 제약조건을 제안하였다. 제안한 방법을 적용한 결과, 기존 방법보다 하우스도르프 거리[16] 기준으로 전체평균 100% 정도의 개선 효과가 있었다. 2장에서는 기존의 입술 윤곽선 검출 방법과 문제점을 기술하고, 입술 끝점 추출 방법의 개선과 특징치 거리 제약조건을 포함하는 새로운 입술 윤곽선 검출방법을 제안한다.
QUsupe상부영역에서, Q_Lsup은 하부영역에서 Q가 H보다 대비 값이큰 샘플의 수를 나타낸다. 결과적으로 Q보다는 H의 대비가우세함을 확인할 수 있다. 100장의 샘플과 전체 데이터 셋의결과에 경향성이 유지되므로 다른 칼라 특징 분석에는 100장의 샘플을 사용한다.
판단할 수 있다. 실험결과를 검토해보면, HSV와 CIELUV 칼라 특징의 대비 값은 0.2 근처로 유사하지만 입술 윤곽 검출 성능은 차이를 보이고 있다. YIQ와 HSV는 검출성능이 비슷하지만 대비 값은 큰 차이를 보인다.
제안한 입술 끝점 추출 방법만을 기존연구에 적용하여 실험한 결과, Helen Dataset 100장의 샘플에 적용한 평균 하우스도르프 거리는 21.231로 기존연구 방법에 의한 거리 30.657에 비하여 30% 정도의 개선효과가 있음을 확인하였다. 다음으로 기존연구의 문제점 중 마지막인 최적 윤곽선의선택 시 적용하는 거리 값에 대하여 검토한다.
Equation (1)에서 윤곽선 포인트 당 평균치를 구하여 사용하기 때문에 윤곽선 포인트 주변의 데이터변화량이 크기만 하면 윤곽선 후보 중에서 면적이 작은 윤곽선도 채택될 가능성이 높다. 실험을 통하여 관찰한 결과, Q 값이 낮은 부분 보다는 대체로 Q값이 높은 부분의 슬라이스가 채택되는 경향이 있었다. 즉, 문제점 분석에서 언급한 윤곽선 포인트 당 평균적인 변화량은 Q값이 높을수록 큰 경향을 가지므로, 선택된 최적의 윤곽선은 크기가 작은 것 일 가능성이 높고, 하부 영역보다 윗입술을 포함하는 상부 영역에서 자주 발생하였다.
실험을 통하여 관찰한 결과, Q 값이 낮은 부분 보다는 대체로 Q값이 높은 부분의 슬라이스가 채택되는 경향이 있었다. 즉, 문제점 분석에서 언급한 윤곽선 포인트 당 평균적인 변화량은 Q값이 높을수록 큰 경향을 가지므로, 선택된 최적의 윤곽선은 크기가 작은 것 일 가능성이 높고, 하부 영역보다 윗입술을 포함하는 상부 영역에서 자주 발생하였다. 이 문제점을 해결하기 위하여 윤곽선을구성하는 포인트 당 평균 데이터 변화량을 이용하는 것 보다는 전체 윤곽선 포인트에 대한 데이터 변화량의 총량을 선택하는 것이 유리하다.
제안한 거리 값 D_p의 효과를 확인해 보기 위해 기존연구 방법에 거리 값 계산 부분만 Equation (1)의 D에서 총량인 Equation (3)의 D_p로 바꾸고, Helen Dataset의 샘플 100 장에 적용한 결과 평균 하우스도르프 거리는 16.530으로 기존연구의 30.657에 비하여 46% 정도의 개선효과가 있음을 확인하였다.
입술 윤곽선 검출 알고리즘을 구성하였다. 두 가지제안 점을 동시에 기존연구 방법에 적용한 결과 평균 하우스도르프 거리는 16.705로 확인되었다. 문제점 3)만 적용한 경우보다 0.
705로 확인되었다. 문제점 3)만 적용한 경우보다 0.175 높은 결과가 나와서 분석해본 결과 100장의영상 중에서 #40번 영상은 수염이 많은 사람의 경우이며, 하우스도르프 거리가 각각 175, 217로 나왔고, 이를 제외한 나머지 99장 영상에 대한 평균 하우스도르프 거리는 14.772, 14.529로 통합 방법이 약간 우수함을 확인할 수 있었다.
Fig에서 짙게 채워진 원형 기호는 기준 정보를 나타내고, 속이 비워진 원형 기호는 기존연구의 결과이고, 빈 삼각형 기호는 제안한 방법에 의한 결과이다. 시각적으로 보더라도 제안한 방법이 기존연구에 비하여 우수함을 확인할 수 있다.
7 (b)는 새로운 입술 끝점 추출과 수정된 특징치 거리 D_P를 적용한 제안 방법의 결과를 나타낸다. 그림에서 보는 바와 같이 제안한 방법이 기존연구에의한 방법보다 성능이 우수함을 알 수 있다.
제안한 방법은 기존의 방법에 비하여 평균 하우스도르프 거리가 50% 정도이고, 분산 값도 약 50% 정도로 나타났다. 평균 하우스도르프 거리는 정확성을 의미하며, 분산 값은 추출 성능의 안정성 척도라 할 수 있고, 제안한 방법은 기존의 방법 대비 2배의 정확성과 2배의 안정성을 가지는 것으로 볼 수 있다.
나타났다. 평균 하우스도르프 거리는 정확성을 의미하며, 분산 값은 추출 성능의 안정성 척도라 할 수 있고, 제안한 방법은 기존의 방법 대비 2배의 정확성과 2배의 안정성을 가지는 것으로 볼 수 있다.
검출 성능을 향상시키기 위하여 피부영역의 참여를 감소시키는 입술 끝점 추출방법과, 최적의 문턱치를 결정하기 위한 개선된 특징치 거리계산 방법을 도입하였다. 또한 다양한 칼라 좌표계에 대한 분석을 통하여 특징치의 대비와 추출 성능은 무관함을 확인하였다. 새로운 특징치 거리 계산 방식을 통하여 윤곽선 검출성능을 향상시킬 수 있었으며, 제안한 방법의 성능을 평가하기 위하여 윤곽선에 대한 하우스도르프 거리를 도구로 이용하였다.
새로운 특징치 거리 계산 방식을 통하여 윤곽선 검출성능을 향상시킬 수 있었으며, 제안한 방법의 성능을 평가하기 위하여 윤곽선에 대한 하우스도르프 거리를 도구로 이용하였다. 기존 대비 정확성 측면과 검출 안정성 측면에서 각각 2배로 성능이 우수함을 확인하였다. 기존의 방법과 제안한방법 모두 단일 윤곽선을 대상으로 검출 결과를 도출하므로, 향후 연구에서 다수의 윤곽선을 다룰 수 있는 방식으로 개선되어야 할 것이다.

후속연구

기존 대비 정확성 측면과 검출 안정성 측면에서 각각 2배로 성능이 우수함을 확인하였다. 기존의 방법과 제안한방법 모두 단일 윤곽선을 대상으로 검출 결과를 도출하므로, 향후 연구에서 다수의 윤곽선을 다룰 수 있는 방식으로 개선되어야 할 것이다.

참고문헌 (19)

G. Potamianos, C. Neti, J. Luettin, and I. Matthews, "Audio-Visual Automatic Speech Recognition: An Overview," In: G. Bailly, E. Vatikiotis-Bateson and P. Perrier(Ed.), Issues in Audio-Visual Speech Processing, MIT Press, 2004.
A. L. Yuille, P. W. Hallinan, and D. S. Cohen, "Feature extraction from faces using deformable templates," International Journal of Computer Vision, Vol.8, No.2, pp.99-111, 1992.

상세보기
T. F. Cootes, C. J. Taylor, D. H. Cooper, and J. Grahan, "Active shape models - their training and application," Computer Vision and Image Understanding, Vol.61, No.2, pp.38-59, 1995.

상세보기
C. Bregler and Y. Konig, "Eigenlips for Robust Speech Recognition," Proc. of IEEE International Conf. on Acoustics, Speech and Signal Processing, pp.669-672, 1994.
G. I. Chiou and J. N. Hwang, "Lip Reading from Color Video," IEEE Transactions on Image Processing, Vol.6, No.8, pp.1192-1195, Aug. 1997.

상세보기
M. Wimmer and B. Radig, "Adaptive skin color classificator," In Proc. of the first ICGST International Conference on Graphics, Vision and Image Processing GVIP-05, Vol.1, pp.324-327, 2005.
A. W. Liew, S. H. Leung, and W. H. Lau, "Segmentation of Color Lip images by Spatial Fuzzy Clustering," IEEE Trans. on Fuzzy Systems, Vol.11, No.4, pp.542-549, 2003.

상세보기
Y. Wu, R. Ma, W. Hu, T. Wang, Y. Zhang, J. Cheng, and H. Lu, "Robust Lip Localization on Multi-View Faces In Video," IEEE International Conf. on Image Processing, pp.481-484, San Antonio, Texas, USA. 2007.
S. Sridharan, S. Lucey, and V. Chandran, "Adaptive Mouth Segmentation Using Chromatic Features," Pattern Recognition Letters, Vol.23, No.11, pp.1293-1302, 2002.

상세보기
O. Erol, Y. Berkay, K. Harun, E. Hakan, and U. Mustafa, "Lip Segmentation Using Adaptive Color Space Training," Proc. of the International Conference on Auditory-Visual Speech Processing, Sept. 26-29, Tangalooma Wild Dolphin Resort, Moreton Island, Queensland, Australia, pp. 219-222, 2008.
R. Rohani, F. Sobhanmanesh, S. Alizadeh, and R. Boostani, "Lip Processing and Modeling based on Spatial Fuzzy Clustering in Color Images," International Journal of Fuzzy Systems, Vol.13, No.2, pp.65-73, Jun. 2011.

상세보기
J. Kim, "Extraction of Lip Region using Chromaticity Transformation and Fuzzy Clustering," Journal of Korea Multimedia Society, Vol.17, No.7, pp.806-817, Jul. 2014.

원문보기 상세보기
P. Spyridonosa, A. F. Saintb, A. Likasb, G. Gaitanisc, and I. Bassukasc, "Multi-Threshold LIP Contour Detection," 2018 25th IEEE International Conference on Image Processing(ICIP), Athens, 2018, pp.1912-1916, 2018.
C. Guan, S. Wang, and A. W. Liew, "Lip image segmentation based on a fuzzy convolutional neural network," IEEE Transactions on Fuzzy Systems, 2019.
S. NadeemHashmi, H. Gupta, D. Mittal, K. Kumar, A. Nanda, and S. Gupta, "A Lip Reading Model Using CNN with Batch Normalization," 2018 Eleventh International Conference on Contemporary Computing (IC3), Noida, pp.1-6, 2018.
D. P. Huttenlocher, G. A. Klanderman, and W. J. Rucklidge, "Comparing images using the Hausdorff distance," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.15, No.9, pp.850-863, 1993.

상세보기
R. Killick, P. Fearnhead, and I. A. Eckley, "Optimal Detection of Changepoints With a Linear Computational Cost," Journal of the American Statistical Association, Vol.107, No.500, pp.1590-1598, Dec. 2012.

상세보기
V. Le, J. Brandt, Z. Lin, L. Bourdev, and T. S. Huang, "Interactive facial feature localization," European Conference on Computer Vision (ECCV), Berlin, pp.679-692, 2012.
M. Nilsson, J. Nordberg, and I. Claesson, "Face detection using local SMQT features and split up snow classifier," Acoustics, Speech and Signal Processing, 2007. ICASSP 2007. IEEE International Conference, Vol.2. IEEE, 2007.

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