[논문]기계학습을 활용한 얼굴 인식 및 체온 측정 출입관리 시스템

김진하; 김응곤

doi:10.13067/jkiecs.2021.16.1.197

초록
AI-Helper

현재 코로나 19 확산 방지를 위해 건물 출입 시 체온을 측정하고 있다. 본 논문에서는 출입자의 얼굴 학습 데이터를 토대로 실시간 얼굴 인식을 통해 출입 인증을 하고자 한다. 얼굴 인식률을 증가시키기 위해 학습 이미지의 수를 자동으로 라벨링 되도록 설계하였다. 또한 정확한 온도 측정을 위해 얼굴 영역에서 이마 영역을 관심 영역으로 지정하였다. 향후에는 출입자의 체온, 출입시간, 정보 등을 저장하는 DB를 구축할 계획이다.

Abstract ▼ AI-Helper

In order to prevent the spread of COVID 19, the body temperature is measured when entering the building. In this paper, we try to certify the entry of the building through real-time face recognition based on the face learning data of visitors. The number of learning images are designed to be automat...

In order to prevent the spread of COVID 19, the body temperature is measured when entering the building. In this paper, we try to certify the entry of the building through real-time face recognition based on the face learning data of visitors. The number of learning images are designed to be automatically labeled to increase facial recognition. Also, it designates the forehead region from the face region as the region of interest for accurate temperature measurements. In the future, we plan to establish a database that stores the temperature, access time, and information of visitors.

주제어

표/그림 (12)

그림 그림 1. 기존 얼굴 인식 비대면 체온 측정기 Fig. 1 Existing contact-free thermometer
그림 그림 2. 제안하는 얼굴 인식 체온 측정기 Fig. 2 Proposed face recognition thermometer
그림 그림 3. Haarcascade를 활용한 얼굴 검출 Fig. 3 Haarcascade face detector
그림 그림 4. 얼굴 인식을 위한 데이터셋 수집 방법 Fig. 4 Collection dataset for face recognition
그림 그림 5. MobileNet-SSD 구조 Fig. 5 Structure of MobileNet-SSD
그림 그림 6. 체온 측정을 위한 관심 영역 설정 Fig. 6 Set ROI for temperature measurement
그림 그림 7. 얼굴 인식 인증을 통한 출입 과정 Fig. 7 Entrance process through face recognition certification
그림 그림 8. 얼굴 인식을 위한 이미지 30장 Fig. 8 Images for face recognition
그림 그림 9. 등록된 사람과 등록되지 않은 사람 Fig. 9 Registered and unregistered persons
그림 그림 10. 온도 측정 결과 화면 Fig. 10 Temperature measurement results screen
표 표 1. 데이터셋이 30장일 때 사람 수에 따른 인식률 Table 1. Recognition rate by number of people when a dataset is 30
표 표 2. 데이터셋이 50장일 때 사람 수에 따른 인식률 Table 2. Recognition rate by number of people when a dataset is 50

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 사무실, 학교 등과 같이 출입자가 명확한 환경에서 수기 및 QR코드 인증 방식이 아닌 얼굴 인식 인증 방식을 제안하였다. 학습된 데이터셋개수가 30장일 때보다 50장일 때 인식률이 12% 증가하였고, 얼굴에서 관심 영역(ROI)을 이마로 설정하는 방식은 기존보다 정확한 온도를 측정할 수 있었다.
본 논문에서는 출입자가 명확한 환경에서는 기계학습기술인 Haarcascade를 활용한 얼굴 인식 체온계를 제안한다. 해당 기술을 활용하여 실시간으로 얼굴을 캡처하고 사용자의 얼굴을 판단하여 정보를 저장한다.

제안 방법

50장 두 그룹으로 진행하였다. 1.4초마다 인식된 얼굴의 개수를 파악하여 인식률을 확인하였다.
본 논문에서 제안하는 시스템은 그림 2와 같이 라즈베리파이를 통해 동작 하도록 설계하였다. 라즈베리파이 카메라는 출입자의 얼굴을 판단하고 열화상 카메라는 출입자의 체온을 측정한다.
해당 기술을 활용하여 실시간으로 얼굴을 캡처하고 사용자의 얼굴을 판단하여 정보를 저장한다. 얼굴 인식률을 증가시키기 위해서는 사용자의 많은 데이터셋 (Dataset)이 필요한데 LBPH(: Local Binary Pattern Histogram)기술을 응용하여 얼굴 데이터 수집 및 학습 방법을 반복하는 알고리즘을 구현 하고자 한다.
정확한 온도 측정을 위해 딥 러닝 방법을 기반으로 새 모델을 훈련 하였다. 라즈베리파이와 같은 환경에서는 경량화 된 네트워크가 필요한데 이때 사용한 네트워크는 MobileNetV2이다[10].
제안하는 비대면 시스템은 그림 7과같이 방명록을 수기 및 QR코드로 인증하는 방식에서 얼굴 인식 인증 방식으로 구현하였다.
해당 기술을 활용하여 실시간으로 얼굴을 캡처하고 사용자의 얼굴을 판단하여 정보를 저장한다. 얼굴 인식률을 증가시키기 위해서는 사용자의 많은 데이터셋 (Dataset)이 필요한데 LBPH(: Local Binary Pattern Histogram)기술을 응용하여 얼굴 데이터 수집 및 학습 방법을 반복하는 알고리즘을 구현 하고자 한다.

대상 데이터

5를 사용하였다. 이미지 해상도는 80x60 픽셀이고 I2C 및 SPI 카메라 인터페이스를 제공한다.
토대로 이루어진다. 체온 측정은 FLIR사의 Lepton2.5를 사용하였다.
표 1과 표 2는 얼굴 영상에서 사람 수는 10, 20, 30 명으로 진행하였고, 학습된 데이터셋의 수는 사람 당 30장, 50장 두 그룹으로 진행하였다. 1.

이론/모형

본 논문에서는 체온 측정을 위해 Lepton2.5를 사용하였다. 이미지 해상도는 80x60 픽셀이고 I2C 및 SPI 카메라 인터페이스를 제공한다.
데이터셋을 만들기 위해서는 얼굴을 먼저 검출하여야 한다. 얼굴을 검출하기 위해서 Haarcascade의 OpenAPI 알고리즘을 사용하였다. 그림 3은 얼굴을 관심 영역(ROI)로 표시한 모습이다.

성능/효과

학습된 데이터셋개수가 30장일 때보다 50장일 때 인식률이 12% 증가하였고, 얼굴에서 관심 영역(ROI)을 이마로 설정하는 방식은 기존보다 정확한 온도를 측정할 수 있었다. 또한 출입자는 일상적인 출입 과정만으로도 인증할 수 있어 기존 출입 시스템과 차별성을 보였다.
사람의 수가 증가할수록 인식률이 떨어 졌으나, 사람 1명당 더 많은 데이터셋을 가지면 인식률이 73%에서 85%로 높아지는 것을 확인하였다. 이 결과를 토대로 등록된 출입자가 방문 할 때마다 자동으로 하루 1장씩 학습 이미지의 수를 증가시켜 인식률을 향상 시켰다.
85%로 높아지는 것을 확인하였다. 이 결과를 토대로 등록된 출입자가 방문 할 때마다 자동으로 하루 1장씩 학습 이미지의 수를 증가시켜 인식률을 향상 시켰다.
체온 측정은 그림 10과 같이 체온 측정 또한 각 사람, 30명을 하루 3회 30일 동안 온도를 측정하고 식품의약품안전처에서 인증 받은 체온계와 체온 비교를 했을 때 오차율은 ±0.2℃로 나타나 기존 비대면 체온측정기보다 더 작은 오차율을 보였다.
인식 인증 방식을 제안하였다. 학습된 데이터셋개수가 30장일 때보다 50장일 때 인식률이 12% 증가하였고, 얼굴에서 관심 영역(ROI)을 이마로 설정하는 방식은 기존보다 정확한 온도를 측정할 수 있었다. 또한 출입자는 일상적인 출입 과정만으로도 인증할 수 있어 기존 출입 시스템과 차별성을 보였다.

후속연구

한다. 또한 마스크 착용 여부도 중요하기 때문에 얼굴 인식기술을 활용하여 마스크 착용 여부도 함께 확인할 계획이다.
향후 출입자의 체온, 출입시간 등 다양한 정보를 기록 하는 서버 및 데이터베이스를 구축하고자 한다. 또한 마스크 착용 여부도 중요하기 때문에 얼굴 인식기술을 활용하여 마스크 착용 여부도 함께 확인할 계획이다.

참고문헌 (10)

M. Lee, "Fragmentary thoughts about code of conduct and risk communication to prevent and control COVID-19 in Korea, 2020," Korean J. Health Educ Promot, vol. 37, no. 1, 2020, pp. 103-107.

상세보기
H. Mun and K. Han, "Design for Access Control System based on Voice Recognition for Infectious Disease Prevention," J. of the Korea Convergence Society, vol. 39, no.7, 2016, pp. 19-24.
Y. Lee, "A Semantic Diagnosis and Tracking System to Prevent the Spread of COVID-19," J. of the Korea Institute of Electronic Communication Sciences, vol. 15, no.3, 2020, pp. 611-616.

원문보기 상세보기
S. Hwang, K. Kim, and K. Kim, "An Authentication Mechanism based on QR Code in Gate Control System," Proceedings of Symposium of the Korean Institute of communications and Information Sciences, Jeju-do, Korea, 2015, pp. 664-645.
Y. Kim, S. Park, and D. Kim, "Research on Robust Face Recognition against Lighting Variation Using CNN," J. of the Korea Institute of Electronic Communication Sciences, vol. 12, no. 2, 2017, pp. 325-330.

원문보기 상세보기
P. Viola and M. Jones, "Rapid Object Detection Using a Boosted Cascade of Simple Features," Proceeding of IEEE Computer Society Conference On Computer Vision and Pattern Recognition, vol. 1, 2001, pp. 511-518.
S. Kim, "Design of Efficient Gradient Orientation Bin and Weight Calculation Circuit for HOG Feature Calculation," J. of The Institute of Electronics and Information Engineers, vol. 51, no. 11, 2015, pp. 66-72.

원문보기 상세보기
I. Cho and S. Yeom, "Long Distance Face Detection with Region of Interest Extraction," J. of Korea Institute of Intelligent Systems, vol. 28, no. 3, 2018, pp. 281-286.

상세보기
G. Son and J. Park, "A Study of Kernel Characteristics of CNN Deep Learning for Effective Fire Detection Based on Video," J. of the Korea Institute of Electronic Communication Sciences, vol. 13, no. 6, 2018, pp. 1257-1262.

원문보기 상세보기
M. Sandler, A. Howard, M. Zhu, A. Zhmoginov and L. Chieh "MobileNetV2: Inverted Residuals and Linear Bottlenecks," The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2018, pp. 4510-4520. arXiv:1801.04381.

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

기계학습을 활용한 얼굴 인식 및 체온 측정 출입관리 시스템
Face Recognition and Temperature Measurement Access Control System using Machine Learning 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (12)

표/그림 (12)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

기계학습을 활용한 얼굴 인식 및 체온 측정 출입관리 시스템 Face Recognition and Temperature Measurement Access Control System using Machine Learning 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (12) 모든 표/그림 보기

표/그림 (12) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

김진하 (6) 김응곤 (16)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

기계학습을 활용한 얼굴 인식 및 체온 측정 출입관리 시스템
Face Recognition and Temperature Measurement Access Control System using Machine Learning 원문보기

초록
AI-Helper

표/그림 (12)

표/그림 (12)

AI 본문요약
AI-Helper