[논문]딥러닝 및 기계학습 활용 반려견 얼굴 정면판별 방법

김종복; 장동화; 양가영; 권경석; 김중곤; 이준환

doi:10.5762/kais.2020.21.12.1

딥러닝 및 기계학습 활용 반려견 얼굴 정면판별 방법
Recognition of dog's front face using deep learning and machine learning 원문보기

한국산학기술학회논문지 = Journal of the Korea Academia-Industrial cooperation Society, v.21 no.12, 2020년, pp.1 - 9

김종복 (농촌진흥청 국립축산과학원) , 장동화 (농촌진흥청 국립축산과학원) , 양가영 (농촌진흥청 국립축산과학원) , 권경석 (농촌진흥청 국립축산과학원) , 김중곤 (농촌진흥청 국립축산과학원) , 이준환 (전북대학교 컴퓨터공학부)

초록
AI-Helper

반려견을 키우는 가구 수가 급격하게 증가함에 따라 유기, 유실견도 많이 증가하고 있다. 국내에서는 2014년부터 반려동물 등록제를 시행하고 있지만, 안전성과 실효성 문제로 등록률이 높지 않은 실정이다. 이러한 문제를 해결할 방법으로 반려견 생체인식 기술이 주목을 받고 있다. 생체인식률을 높이기 위해서는 최대한 정면에서 같은 형태로 생체정보 이미지를 수집해야 한다. 하지만 반려견은 사람과 달리 비협조적이기 때문에 생체정보 이미지 수집이 어렵다. 본 논문에서는 반려견 생체인식에 적합한 생체정보 이미지 수집을 위해 실시간 영상에서 반려견 얼굴 방향이 정면인지를 판별하는 방법을 제안한다. 제안 방법은 딥러닝을 활용하여 반려견 눈과 코를 검출하고, 검출된 눈과 코의 상대적 크기와 위치를 통해 5가지의 얼굴 방향 정보를 추출하여 기계학습 분류기로 정면 여부를 판별한다. 2,000개의 반려견 이미지를 분류하여 학습, 검증 및 테스트에 사용하였다. 눈과 코 검출에는 YOLOv3와 YOLOv4를 사용하였고, 분류기는 MLP(Multi-layer Perceptron), RF(Random Forest), SVM(Support Vector Machine)을 사용하였다. YOLOv4와 RF 분류기를 사용하고 제안하는 5가지 얼굴 방향 정보 모두를 적용하였을 때 얼굴 정면 판별 성능이 95.25%로 가장 좋았으며, 실시간 처리도 가능한 것으로 나타났다.

Abstract ▼ AI-Helper

As pet dogs rapidly increase in number, abandoned and lost dogs are also increasing in number. In Korea, animal registration has been in force since 2014, but the registration rate is not high owing to safety and effectiveness issues. Biometrics is attracting attention as an alternative. In order to increase the recognition rate from biometrics, it is necessary to collect biometric images in the same form as much as possible-from the face. This paper proposes a method to determine whether a dog is facing front or not in a real-time video. The proposed method detects the dog's eyes and nose using deep learning, and extracts five types of directional face information through the relative size and position of the detected face. Then, a machine learning classifier determines whether the dog is facing front or not. We used 2,000 dog images for learning, verification, and testing. YOLOv3 and YOLOv4 were used to detect the eyes and nose, and Multi-layer Perceptron (MLP), Random Forest (RF), and the Support Vector Machine (SVM) were used as classifiers. When YOLOv4 and the RF classifier were used with all five types of the proposed face orientation information, the face recognition rate was best, at 95.25%, and we found that real-time processing is possible.

주제어

표/그림 (9)

그림 Fig. 1. Block diagram of proposed method.
표 Table 1. Overview of dog data set
그림 Fig. 2. Structure of object detection[14]
그림 Fig. 3. Information extraction related to head pose. (a) 3 degrees of freedom of a dog head, (b)~(f) Proposed geometry information to estimate dog's front face.
표 Table 2. Different machine learning(ML) classifiers with hyper-parameters to be tuned by grid search
표 Table 3. Detection performance of dog's eyes and nose
표 Table 4. Hyper-parameters tuning results for each group of head pose information
표 Table 5. Best-tuned hyper-parameters using grid search
표 Table 6. Recognition of front head with ML classifiers

AI 본문요약
AI-Helper

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

문제 정의

있다. 따라서 본 논문에서는 반려견 얼굴 방향 추정에 적합한 정보를 추출하는 방법을 제안하고, 이를 기반으로 반려견 얼굴 정면 여부를 판단하여 얼굴 방향이 정면일 때 생체인식 이미지 분할을 위한 눈과 코의 위치 정보를 제공하는 시스템을 제안하고자 한다.
본 논문에서는 반려견 생체정보 수집을 위해 실시간 영상에서 반려견 얼굴 방향이 정면 여부를 판별하는 방법을 제안하였다. 반려견 얼굴 정면 여부 판별을 수행하는 목적에 맞게 실제 환경에서 작은 각도의 변화도 잘 감지할 수 있고 반려견 얼굴이 정면일 때 생체정보 인식에 사용할 눈과 코의 위치 정보를 쉽게 제공할 수 있는 구조로 설계되었다.

제안 방법

실험을 수행하였다. 1, 600개의 학습데이터와 검증 데이터에 대해 사람이 라벨링한 경계박스의 좌표정보를 기준으로 5개의 얼굴 방향 정보(A~E)를 추출하고, Yaw와 Pitch 정보를 동시에 제공하는 A 정보에 B~E 정보를 추가해가며 5개의 정보그룹(Group1~5)을 만들었다. 그 다음 Grid Search 알고리즘과 K겹 교차검증 방법으로 각 분류기의 최적 성능을 분석하였다.
1에서 학습되고 최적 모델로 선정된 YOLOv3와 YOLOv4를 통해 400개의 평가데이터에서 반려견의 눈과 코를 검출하였다. 검출된 좌표정보와 사람이 라벨링 한 좌표정보를 사용하여 본 논문에서 제안한 5가지 얼굴 방향 정보를 추출하였다. 추출된 얼굴 방향 정보를 3.
국내에서 가장 많이 양육되는 반려견 대표 품종인 말티즈, 푸들, 시츄, 요코셔테리어, 포메라니안 이미지를 수집하고, 정면과 비 정면으로 분류하였다. 두 눈과 코 중 하나라도 보이지 않는 이미지는 눈과 코 검출 후 개수를 확인하여 쉽게 정면이 아닌 것으로 판별할 수 있다.
통해 정면 여부를 판별한다. 눈과 코 검출성능과 속도, 5가지 얼굴 방향 정보의 효과 정보 추출 속도, 그리고 최종판별을 위한 분류기의 성능과 속도에 대해 각각 실험을 통해 검증하였다.
총 2,000장의 사진 중 정면은 1, 347개이고 비 정면은 653개로 구성되어 있으며, 이를 학습데이터 1, 280개, 검증데이터 320개, 평가데이터 400개로 분류하였다. 데이터는 tzutalin GitHub에서 배포하고 있는 공개 소스 프로그램인 LabelImg[12]를 사용하여 반려견 눈과 코에 대해 라벨링을 하였다. 라벨링이 완료되면 각 이미지에 대해 클래스 번호, 경계상자(Bounding Box)의 정규화된 좌푯값(x, y, w, h)이 텍스트 파일로 저장된다.
1은 본 논문에서 제안하는 반려견 얼굴 정면판별 방법의 전체 흐름도를 나타낸다. 딥러닝 알고리즘을 통해 입력되는 반려견 이미지에서 눈과 코를 검출하고 각각의 좌표를 출력한다. 눈과 코의 위치 좌표를 기준으로 얼굴 정면판별에 사용할 정보를 추출한다.
제안하였다. 반려견 얼굴 정면 여부 판별을 수행하는 목적에 맞게 실제 환경에서 작은 각도의 변화도 잘 감지할 수 있고 반려견 얼굴이 정면일 때 생체정보 인식에 사용할 눈과 코의 위치 정보를 쉽게 제공할 수 있는 구조로 설계되었다.
본 논문에서 제시한 5가지 얼굴 방향 정보(A~E)의 유효성을 검증하고 각 기계학습 분류기의 최적 모델을 찾는 실험을 수행하였다. 1, 600개의 학습데이터와 검증 데이터에 대해 사람이 라벨링한 경계박스의 좌표정보를 기준으로 5개의 얼굴 방향 정보(A~E)를 추출하고, Yaw와 Pitch 정보를 동시에 제공하는 A 정보에 B~E 정보를 추가해가며 5개의 정보그룹(Group1~5)을 만들었다.
분류기별로 가장 좋은 성능을 보여주는 하이퍼 파라미터를 최적 모델로 선정하였다. MLP 분류기는 은닉층 5개, 각 층의 노드 수 32/32/64/32/32, 활성화 함수 tanh, 최적화 알고리즘 SGD, L2 일반화 파라미터 0.
사람의 얼굴 방향 추정에 사용된 기하학적 방법을 응용하여 Yaw와 Pitch 방향 틀어짐에 대한 정보를 제공하는 다섯 가지 요소를 추출하고 A~E로 표시한다. 첫 번째 (A)는 Fig.
이 중 실제 정면 이미지는 YOLOv3(608x608)에서 1개 있었고, 나머지는 정면이 아닌 이미지였다. 일반적으로 두 눈과 코 중 하나 이상을 검출하지 못하는 경우는 정면이 아니 때문에 본 논문에서는 해당 이미지들을 정면이 아닌 것으로 분류하고 나머지 이미지는 얼굴 방향 정보를 추출하여 기계학습 분류기에 입력하였다.
제안 방법은 크게 반려견 눈과 코를 검출하는 과정, 검출된 눈과 코의 위치를 기반으로 얼굴 방향 정보를 추출하는 과정, 그리고 최종적으로 얼굴 정면 여부 판단하는 과정으로 구성된다. 실험결과는 이 세 가지 과정으로 구분하여 자세히 설명한다.
제안하는 시스템은 이미지에서 딥러닝 알고리즘을 통해 반려견의 눈과 코를 검출하고, 검출된 눈과 코의 상대적 위치와 크기 등으로부터 제안한 방법으로 얼굴 방향 추정을 위한 5가지 정보를 추출하여 기계학습 분류기를 통해 정면인지 아닌지를 판단한다. 얼굴 방향이 정면일 경우, 생체인식에 사용할 눈과 코 이미지 분할을 위해 딥러닝을 통해 검출된 눈과 코의 위치정보를 제공한다.
제안한 방법은 YOLOv4를 통하여 실시간 영상에서 반려견 눈과 코를 검출하고, 검출된 눈과 코의 상대적 크기와 위치로 5가지의 얼굴 방향 정보를 추출하여 RF 분류기를 통해 정면 여부를 판별한다. 눈과 코 검출성능과 속도, 5가지 얼굴 방향 정보의 효과 정보 추출 속도, 그리고 최종판별을 위한 분류기의 성능과 속도에 대해 각각 실험을 통해 검증하였다.
검출된 좌표정보와 사람이 라벨링 한 좌표정보를 사용하여 본 논문에서 제안한 5가지 얼굴 방향 정보를 추출하였다. 추출된 얼굴 방향 정보를 3.2에서 선정된 분류기별 최적 모델에 적용하여 얼굴 정면판별 실험을 수행하였다.
눈과 코의 위치 좌표를 기준으로 얼굴 정면판별에 사용할 정보를 추출한다. 추출된 정보를 기계학습 분류기에 입력하여 반려견이 정면을 보고 있는지 아닌지를 판별한다. 얼굴 방향이 정면인 경우, 생체인식에 사용할 눈과 코 영역을 이미지에서 분할 할 수 있도록 검출된 눈과 코의 위치 정보를 제공한다.

대상 데이터

사용하였다. 1, 280개의 데이터로 6, 000회 반복 학습하였으며, 학습 중 4회 반복마다 320개의 데이터로 검증하여 성능이 가장 좋은 학습가중치를 최종모델로 선정하였다. 최종모델을 400개의 데이터로 테스트하였다.
알고리즘 학습 및 평가를 위해 반려견 사진 2,000장을 수집하여 정면과 비 정면으로 분류하여 사용하였다. 1, 600 장으로 제안 방법에 사용된 모델을 학습하고 검증하였으며, 400장의 데이터로 반려견 얼굴 정면 판별 테스트를 수행하였다. 실험결과 95.
3.1에서 학습되고 최적 모델로 선정된 YOLOv3와 YOLOv4를 통해 400개의 평가데이터에서 반려견의 눈과 코를 검출하였다. 검출된 좌표정보와 사람이 라벨링 한 좌표정보를 사용하여 본 논문에서 제안한 5가지 얼굴 방향 정보를 추출하였다.
분석하였다. 400장의 평가데이터에서 얼굴 방향 정보를 추출하고 분류하는데 소요된 총 시간은 MLP 분류기를 사용한 경우 4, 246ms, RF 분류기는 4, 277ms, SVM 은 4, 230ms로 측정되었다. 시간이 가장 많이 소요되는 RF 분류기를 적용한 경우 얼굴정보 추출부터 분류까지 이미지 한 장당 평균 10.
YOLOv3와 YOLOv4 모델의 입력 이미지 크기를 416x416과 608x608 두 가지로 설정하여 총 4개의 모델을 사용하였다. 1, 280개의 데이터로 6, 000회 반복 학습하였으며, 학습 중 4회 반복마다 320개의 데이터로 검증하여 성능이 가장 좋은 학습가중치를 최종모델로 선정하였다.
두 눈과 코 중 하나라도 보이지 않는 이미지는 눈과 코 검출 후 개수를 확인하여 쉽게 정면이 아닌 것으로 판별할 수 있다. 따라서 두 개의 눈과 코가 모두 보이는 이미지만 수집하였다. Table 1은 실험에 사용된 데이터를 상세하게 보여준다.
얼굴 방향이 정면일 경우, 생체인식에 사용할 눈과 코 이미지 분할을 위해 딥러닝을 통해 검출된 눈과 코의 위치정보를 제공한다. 알고리즘 학습 및 평가를 위해 반려견 사진 2,000장을 수집하여 정면과 비 정면으로 분류하여 사용하였다. 1, 600 장으로 제안 방법에 사용된 모델을 학습하고 검증하였으며, 400장의 데이터로 반려견 얼굴 정면 판별 테스트를 수행하였다.
4개, YOLOv3(608x608)가 14개, YOLOv3(416x416)가 8개였다. 이 중 실제 정면 이미지는 YOLOv3(608x608)에서 1개 있었고, 나머지는 정면이 아닌 이미지였다. 일반적으로 두 눈과 코 중 하나 이상을 검출하지 못하는 경우는 정면이 아니 때문에 본 논문에서는 해당 이미지들을 정면이 아닌 것으로 분류하고 나머지 이미지는 얼굴 방향 정보를 추출하여 기계학습 분류기에 입력하였다.
Table 1은 실험에 사용된 데이터를 상세하게 보여준다. 총 2,000장의 사진 중 정면은 1, 347개이고 비 정면은 653개로 구성되어 있으며, 이를 학습데이터 1, 280개, 검증데이터 320개, 평가데이터 400개로 분류하였다. 데이터는 tzutalin GitHub에서 배포하고 있는 공개 소스 프로그램인 LabelImg[12]를 사용하여 반려견 눈과 코에 대해 라벨링을 하였다.
1, 280개의 데이터로 6, 000회 반복 학습하였으며, 학습 중 4회 반복마다 320개의 데이터로 검증하여 성능이 가장 좋은 학습가중치를 최종모델로 선정하였다. 최종모델을 400개의 데이터로 테스트하였다. 알고리즘은 YOLOv4 개발자가 AlexeyAB darknet GitHub[17]에서 배포하고 있는 공개소스 프로그램을 사용하였다.

데이터처리

1, 600개의 학습데이터와 검증 데이터에 대해 사람이 라벨링한 경계박스의 좌표정보를 기준으로 5개의 얼굴 방향 정보(A~E)를 추출하고, Yaw와 Pitch 정보를 동시에 제공하는 A 정보에 B~E 정보를 추가해가며 5개의 정보그룹(Group1~5)을 만들었다. 그 다음 Grid Search 알고리즘과 K겹 교차검증 방법으로 각 분류기의 최적 성능을 분석하였다. 얼굴 방향 정보 추출 알고리즘과 분류기 모델, 그리고 검증 알고리즘은 파이썬 (Python)과 기계학습 라이브러리인 케라스(Keras), Scikit-learn[18]을 사용하여 구현하였다.

이론/모형

알고리즘은 YOLOv4 개발자가 AlexeyAB darknet GitHub[17]에서 배포하고 있는 공개소스 프로그램을 사용하였다. Backbone 가중치 및 하이퍼 파라미터는 각 모델의 기본값을 사용하였고, 성능 평가는 Intersection of Union (IOU)이 0.5일 때의 Mean Average Precision(mAP)를 사용하였다.
성능에 영향을 많이 주는 변수들로 선정하였다. 가장 성능이 좋은 조합을 찾기 위해 Grid Search 알고리즘을 사용하였으며[15], 성능 검증에는 최근 보편적으로 사용되는 K-겹 교차검증 방법을 사용하였다[16]. 본 논문에서는 K를 5로 설정하였다.
또한, 비협조적인 반려견으로부터 생체인식에 적합한 생체정보 이미지 수집 확률을 높이기 위해서는 초당 30프레임 이상의 실시간 영상처리가 가능해야 한다. 따라서 본 논문에서는 반려견 눈과 코 검출을 위해 실시간 처리가 가능하며 정확도도 우수한 YOLOv3[13]과 YOLOv4[14] 알고리즘을 선택하였다. YOLO(You Only Look Once)는 하나의 합성곱 신경망(Convolutional Network)이 이미지를 한번 보는 것으로 객체의 위치검출(Localization) 과 분류(Classification)를 동시에 수행하여 실시간 처리에 최적화된 딥러닝 알고리즘이다.
최종모델을 400개의 데이터로 테스트하였다. 알고리즘은 YOLOv4 개발자가 AlexeyAB darknet GitHub[17]에서 배포하고 있는 공개소스 프로그램을 사용하였다. Backbone 가중치 및 하이퍼 파라미터는 각 모델의 기본값을 사용하였고, 성능 평가는 Intersection of Union (IOU)이 0.
그 다음 Grid Search 알고리즘과 K겹 교차검증 방법으로 각 분류기의 최적 성능을 분석하였다. 얼굴 방향 정보 추출 알고리즘과 분류기 모델, 그리고 검증 알고리즘은 파이썬 (Python)과 기계학습 라이브러리인 케라스(Keras), Scikit-learn[18]을 사용하여 구현하였다.
추출한 5가지 반려견 얼굴 방향 정보(A~E)를 활용하여 얼굴 방향이 정면인지를 판별하기 위해 딥러닝 방법인 Multi-Layer Perceptron(MLP)과 대표적인 기계학습 분류기인 Random Forest(RF), Support Vector Machine(SVM)을 제안한 방법에 적용하였다. MLP 분류기는 입력층(Input Layer), 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성되는 딥러닝 알고리즘이다.

성능/효과

분류기별로 가장 좋은 성능을 보여주는 하이퍼 파라미터를 최적 모델로 선정하였다. MLP 분류기는 은닉층 5개, 각 층의 노드 수 32/32/64/32/32, 활성화 함수 tanh, 최적화 알고리즘 SGD, L2 일반화 파라미터 0.0001, 학습속도 Adaptive일 때 97.38%로 가장 좋은 성능을 나타냈다. RF 분류기는 의사결정 나무 분류기 수 100개, 최대깊이 25층, 하위 노드 분리 최소 샘플 수 5개, 노드 최소 샘플 수 1개일 때 97.
평균과 편차의 결과를 보여준다. MLP, RF, SVM 분류기 모두 Group5에서 가장 좋은 성능을 보여주어, 본 논문에서 제시한 5개의 얼굴 방향 정보 모두 얼굴 정면판별에 도움이 되는 것으로 나타났다.
38%로 가장 좋은 성능을 나타냈다. RF 분류기는 의사결정 나무 분류기 수 100개, 최대깊이 25층, 하위 노드 분리 최소 샘플 수 5개, 노드 최소 샘플 수 1개일 때 97.5%로 가장 좋은 성능을 나타냈다. SVM 은 rbf 커널을 사용하였으며, C가 1000이고 Gamma 0.
5%로 가장 좋은 성능을 나타냈다. SVM 은 rbf 커널을 사용하였으며, C가 1000이고 Gamma 0.0001일 때 97.25%로 가장 좋은 성능을 보여주었다.
25%의 정확도로 가장 높았다. YOLO 모델에서 검출된 정보에 대해서는 RF 분류기가 4개의 모델 모두에서 가장 정확도가 높았다. 그 중 가장 성능이 좋은 조합은 YOLOv4(416x416)와 RF 분류기를 사용한 경우로 95.
실험에 사용한 4 개 모델 모두 98% 이상의 높은 검출성능을 보였으며, 이미지 크기가 416x416일 때가 608x608보다 더 좋은 성능을 보였다. YOLOv4(416x416)가 99.30%로 가장 높은 검출 정확도를 보였다. 검출시간은 i7-8700 CPU, 64GB 램 PC에서 측정하고 분석하였다.
향상되었다. 가장 좋은 성능을 보여주는 검출기와 분류기의 조합은 YOLOv4(608x608), YOLOv4 (416x416) 및 YOLOv3(416x416)를 RF 분류기와 사용되었을 때였고, 정확도는 95.25%로 같게 나타났다. 하지만 반려견 눈과 코 검출률이 떨어지는 것은 잠재적으로 성능 저하를 가져올 수 있어 검출률이 가장 좋은 YOLOv4(416x416)와 RF 분류기를 사용한 시스템이 가장 좋은 성능을 보여준다고 볼 수 있다.
객체검출 기술의 발전과 함께 랜드마크를 기반으로 하는 얼굴 방향 추정 방법의 성능도 향상되었다. 또한, 랜드마크 정보로부터 얼굴 방향 추정을 위한 정보를 추출하는 방법도 더욱 효과적으로 발전해오고 있다.
YOLO 모델에서 검출된 정보에 대해서는 RF 분류기가 4개의 모델 모두에서 가장 정확도가 높았다. 그 중 가장 성능이 좋은 조합은 YOLOv4(416x416)와 RF 분류기를 사용한 경우로 95.20%의 정확도를 보였다.
눈과 코 중 하나 이상을 검출하지 못한 경우를 정면이 아닌 것으로 분류하여 전체 평가데이터에 대한 정면판별성능을 보면, 실제 정면인 이미지에서 두 눈과 코 중 하나 이상을 검출하지 못한 YOLOv3(608x608)의 경우만 정면판별 정확도가 떨어졌고 나머지 경우는 정면판별 정확도가 향상되었다. 가장 좋은 성능을 보여주는 검출기와 분류기의 조합은 YOLOv4(608x608), YOLOv4 (416x416) 및 YOLOv3(416x416)를 RF 분류기와 사용되었을 때였고, 정확도는 95.
1ms의 속도로 초당 58프레임 이상 처리가 가능한 수준이다. 따라서 4가지 모델 모두 초당 30프레임 이상의 실시간 처리가 가능한 것으로 분석되었다.
사람이 라벨링한 정보에 대해서는 SVM 분류기가 97.25%의 정확도로 가장 높았다. YOLO 모델에서 검출된 정보에 대해서는 RF 분류기가 4개의 모델 모두에서 가장 정확도가 높았다.
400장의 평가데이터에서 얼굴 방향 정보를 추출하고 분류하는데 소요된 총 시간은 MLP 분류기를 사용한 경우 4, 246ms, RF 분류기는 4, 277ms, SVM 은 4, 230ms로 측정되었다. 시간이 가장 많이 소요되는 RF 분류기를 적용한 경우 얼굴정보 추출부터 분류까지 이미지 한 장당 평균 10.7ms 가 소요되었다. 이는 초당 93.
1, 600 장으로 제안 방법에 사용된 모델을 학습하고 검증하였으며, 400장의 데이터로 반려견 얼굴 정면 판별 테스트를 수행하였다. 실험결과 95.25%의 정확도를 보였다.
이는 과적합(Overfitting) 없이 학습이 성공적으로 수행된 것을 보여준다. 실험에 사용한 4 개 모델 모두 98% 이상의 높은 검출성능을 보였으며, 이미지 크기가 416x416일 때가 608x608보다 더 좋은 성능을 보였다. YOLOv4(416x416)가 99.

후속연구

반려견 생체인식에 적합한 생체정보 수집을 위해서는 제안한 얼굴 정면판별과 더불어 생체정보 이미지의 크기, 선명도 및 빛 반사 여부 등 생체인식에 적합한지를 판단하는 추가적인 방법이 필요하다. 향후 얼굴 정면판별 성능 향상을 위한 연구와 이를 활용한 생체정보수집 방법 연구를 수행할 것이다.
본 논문에서 제안한 방법은 반려견 비문, 홍채 등 생체인식을 위한 이미지 정보수집에 활용될 수 있을 것으로 기대한다. 반려견 생체인식에 적합한 생체정보 수집을 위해서는 제안한 얼굴 정면판별과 더불어 생체정보 이미지의 크기, 선명도 및 빛 반사 여부 등 생체인식에 적합한지를 판단하는 추가적인 방법이 필요하다.
반려견 생체인식에 적합한 생체정보 수집을 위해서는 제안한 얼굴 정면판별과 더불어 생체정보 이미지의 크기, 선명도 및 빛 반사 여부 등 생체인식에 적합한지를 판단하는 추가적인 방법이 필요하다. 향후 얼굴 정면판별 성능 향상을 위한 연구와 이를 활용한 생체정보수집 방법 연구를 수행할 것이다.

참고문헌 (18)

Ministry of Agriculture, Food and Rural Affairs, Rescue and protection of 100,000 lost and abandoned animals in 2017, Press Release, Ministry of Agriculture, Korea, pp. 4-5.
E. Murphy-Chutorian and M. M. Trivedi, "Head pose estimation in computer vision: A survey," IEEE Trans. Pattern Anal. Mach. Intell., vol. 31, no. 4, pp. 607-626, Apr. 2009.

상세보기
H. Wilson, F. Wilkinson, L. Lin, and M. Castillo, "Perception of Head Orientation," Vision Research, vol. 40, no. 5, pp. 459-472, 2000.

상세보기
A. Nikolaidis and I. Pitas, "Facial Feature Extraction and Pose Determination," Pattern Recognition, vol. 33, no. 11, pp. 1783-1791, 2000

상세보기
A. Gee and R. Cipolla, "Determining the Gaze of Faces in Images," Image and Vision Computing, vol. 12, no. 10, pp. 639-647, 1994.

상세보기
T. Horprasert, Y. Yacoob, and L. Davis, "Computing 3-D Head Orientation from a Monocular Image Sequence," Proc. IEEE Int'l Conf. Automatic Face and Gesture Recognition, pp. 242-247, 1996.
J.-G. Wang and E. Sung, "EM Enhancement of 3D Head Pose Estimated by Point at Infinity," Image and Vision Computing, vol. 25, no. 12, pp. 1864-1874, 2007.

상세보기
V. Drouard, R. Horaud, A. Deleforge, S. Ba, and G. Evangelidis, "Robust head-pose estimation based on partially-latent mixture of linear regressions," IEEE Trans. Image Process., vol. 26, no. 3, pp. 14281440, Mar. 2017.
N. Ruiz, E. Chong, and J. M. Rehg, "Fine-grained head pose estimation without keypoints," in Proc. IEEE Conf. Comput. Vis. Pattern Recognit. Workshops, Jun. 2018, pp. 2074-2083.
J. Xia, L. Cao, and J. Liao, "Head pose estimation in the wild assisted by facial landmarks based on convolutional neural networks", IEEE Access, vol. 7, Apr. 2019.

상세보기
A. F. Abate, P. Barra, C. Bisogni, M. Nappi, and S. Ricciardi, "Near real-time three axis head pose estimation without training", IEEE Access, vol. 7, May. 2019

상세보기
Tzutalin LabelImg GitHub [Internet]. Available : https://github.com/tzutalin/labelImg/
J. Redmon, A. Farhadi, "Yolov3: An incremental improvement", arXiv preprint arXiv:1804.02767, 2018.
A. Bochkovskiy, C.-Y. Wang, and H.-Y. M. Liao, "Yolov4:Optimal speed and accuracy of object detection," arXiv preprint arXiv:2004.10934, 2020.
D. Krstajic, L. J. Buturovic, D. E. Leahy, and S. Thomas, "Cross-validation pitfalls when selecting and assessing regression and classification models," J. Cheminformatics, vol. 6, no. 1, p. 10, Dec. 2014. DOI: https://doi.org/10.1186/1758-2946-6-10

상세보기
S. Arlot and A. Celisse, "A survey of cross-validation procedures for model selection," Statist. Surv., vol. 4, pp. 40-79, Jul. 2010. DOI: https://doi.org/10.1214/09-SS054

상세보기
AlexeyAB darknet GitHub [Internet]. Available : https://github.com/AlexeyAB/darknet/
"Scikit-learn: Machine Learning in Python", Pedregosa et al., JMLR 12, pp. 2825-2830, 2011.

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