$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

저화질 안면 이미지의 화질 개선를 통한 안면 특징점 검출 모델의 성능 향상
Enhancing the performance of the facial keypoint detection model by improving the quality of low-resolution facial images 원문보기

지능정보연구 = Journal of intelligence and information systems, v.29 no.2, 2023년, pp.171 - 187  

이경욱 (국민대학교 경영대학 AI빅데이터융합경영학과) ,  이예진 (국민대학교 경영대학 AI빅데이터융합경영학과) ,  박종혁 (국민대학교 경영대학 AI빅데이터융합경영학과)

초록
AI-Helper 아이콘AI-Helper

저화소의 감시카메라와 같은 촬영 장비를 통해 사람의 얼굴을 인식할 경우, 화질이 낮아 얼굴을 포착하기 어렵다는 문제점이 있다. 이렇게, 사람의 얼굴을 인식하기 어렵다면 범죄용의자나 실종자를 특정해내지 못하는 등의 문제가 발생할 수 있다. 기존 이미지 속 안면 인식에 관한 연구들에서는 정제된 데이터셋을 사용하였기 때문에 다양한 환경에서의 성능을 가늠하기 어렵다는 한계가 존재한다. 이에, 본 논문에서는 저화질 이미지에서 안면 인식 성능이 떨어지는 문제를 해결하기 위해 다양한 환경을 고려한 저화질 안면 이미지에 대해 화질 개선을 수행하여 고화질 이미지를 생성한 뒤, 안면 특징점 검출의 성능 향상시키는 방법을 제안한다. 제안 방법의 현실 적용 가능성을 확인하기 위해 전체 이미지에서 사람이 상대적으로 작게 나타나는 데이터셋을 선정하여 실험을 수행하였다. 또한 마스크 착용 상황을 고려한 안면 이미지 데이터셋을 선정하여, 현실 문제로의 확장 가능성을 탐구하였다. 안면 이미지의 화질을 개선하여 특징점 검출 모델의 성능을 측정한 결과, 개선 후 안면의 검출 여부는 마스크를 착용하지 않은 이미지의 경우 평균 3.47배, 마스크를 착용한 경우 평균 9.92배로 성능 향상을 확인할 수 있었다. 안면 특징점에 대한 RMSE는 마스크를 착용한 이미지의 경우 평균 8.49배 감소, 마스크를 착용하지 않은 경우 평균 2.02배 감소한 것을 확인할 수 있었다. 이에, 화질 개선을 통해 저화질로 포착된 안면 이미지에 대한 인식률을 높여 제안 방법의 활용 가능성을 확인할 수 있었다.

Abstract AI-Helper 아이콘AI-Helper

When a person's face is recognized through a recording device such as a low-pixel surveillance camera, it is difficult to capture the face due to low image quality. In situations where it is difficult to recognize a person's face, problems such as not being able to identify a criminal suspect or a m...

주제어

표/그림 (9)

참고문헌 (27)

  1. 권영우, 백성현, 김보순, 오성훈, 전영준, 정석찬.?(2021). 저화질 공공 CCTV의 영상 화질 개선?방안 연구. 한국빅데이터학회지, 6권 제2호,?125-137. 

  2. 김영국, 임채현, 손민지, 김명호. (2020). 마스크를?착용한 환경에서 얼굴 인식을 활용한 자동출석체크 시스템. 한국컴퓨터정보학회 학술발표논문집, 28(2), 23-26. 

  3. 문지선, 신지태. (2022). 비지도학습 기반 저화질?CCTV 화질 개선 알고리즘. 대한전자공학회 학술대회, 1391-1394. 

  4. 손현식, 김덕근, 양승환. (2022). 대기환경으로 인해?흐려진 영상에 대한 이미지 화질 개선 알고리즘 : 리뷰. 한국농업기계학회 학술발표논문집, 27(2), 79. 

  5. 이승호. (2020). 출입 통제에 활용 가능한 딥러닝?기반 마스크 착용 판별. 한국산학기술학회 논문지, 21(8), 395-400. 

  6. 이유호, 전동산. (2022). 압축 왜곡 감소를 위한?CNN 기반 이미지 화질개선 알고리즘. 멀티미디어학회논문지, 25(5), 676-684. 

  7. 이주영. (2023, 2월 2). 아시아인 마스크 계속 쓰네?...?NYT "오랜 습관에다 표정 숨기려". 연합뉴스.?https://www.yna.co.kr/view/AKR20230202056800009 

  8. 이채원, 윤성빈, 조철우, 황현상, 이건영, 이의철.?(2022). ESRGAN을 이용한 차량 번호판 화질?개선을 통한 인식률 향상. 차세대융합기술학회논문지, 6(1), 5-11. 

  9. 장성민, 이정우, 박종혁. (2022). 위조번호판 부착차량 출입 방지를 위한 인공지능 기반의 주차관제시스템 개선 방안. 지능정보연구, 28(2),?57-74. 

  10. 정민혁. (2022, 11월 9). 서울시 노후 CCTV 1.3만대?육박... "교체 예산 매해 감소". 안전신문.?https://www.safetynews.co.kr/news/articleView.html?idxno216844 

  11. 최남웅, 김우주. (2019). 적대적 생성 모델을 활용한 사용자 행위 이상 탐지 방법. 지능정?보연구, 25(3), 43-62. 

  12. 한상욱, 안성만, 정여진. (2019). Object detection을 통한 문서내의 특정 객체 탐지 및 추출.?한국지능정보시스템학회 학술대회논문집,?29-30.? 

  13. Baker. S. and T. Kanade., (2000). Hallucinating?faces. Proceedings Fourth IEEE International?Conference on Automatic Face and Gesture?Recognition, 83-88. 

  14. Bulat. A., G. Tzimiropoulos. (2017). Super-FAN:?Integrated facial landmark localization and?super-resolution of real-world low resolution?faces in arbitrary poses with GANs. arXiv,?arXiv.1712.02765 

  15. Cheng. M., Z. Jiang., J. Lu., J. Zhou. (2020). Deep Face?Super-Resolution With iterative Collaboration?Between Attentive Rexovery and Landmark?Estimation. 2020 IEEE/CVF Conference on?Computer Vision and Pattern Recognition?(CVPR), 5568-5577. 

  16. Chao. D., C. C. Loy., K. He., X. Tang., (2014) Image?Super-Resolution Using Deep Convolutional?Networks. arXiv, arXiv.1501.00092 

  17. Davis E. King. (2009). Dlib-ml: A Machine Learning?Toolkit. Journal of Machine Learning Research.?10:1755-1758. 

  18. Fernandez. A., A. Farrugia., F. Julian., B. Josef.?(2019). Super-Resolution for Selfie Biometrics:?Introduction and Application to Face and Iris.?Halmstad University, CAISR - Center for Applied?Intelligent Systems Research, 77, 105-208 

  19. Ledig. C., L, Theis., F. Huszar., A. Cunningham., A.?Acosta., A. Aitken., A. Tejani., J. Totz., Z. Wang.?And W. Shi. (2017). Photo-Realistic Single?Image Super-Resolution Using a Generative?Adversarial Network. 2017 IEEE Conference?on Computer Vision and Pattern Recognition?(CVPR), 105-114. 

  20. Liang. J., J. Cao., G. Sun., K. Zhang., L. V. Gool. And?R. Timofte. (2021). SwinIR: Image Restoration?Using Swin Transformer. 2021 IEEE/CVF?International Conference on Computer Vision?Workshops (ICCVW), 1833-1844. 

  21. Lingbo. Y., S. Wang., S. Ma., W. Gao., C. Liu., P.?Wang. and P. Ren. (2020). HiFaceGAN: Face?Renovation via Collaborative Suppression and?Replenishment. Proceedings of the 28th ACM?International Conference on Multimedia (MM?'20), 1551-1560. 

  22. Liu. Z., Y. Lin., H. Hu., Y. Wei., Z. Zhang., S. Lin.,?B. Guo. (2021). Swin Transformer: Hierarchical?Vision Trasnformer using Shifted Windows.?arXiv, arXiv.2103.14030. 

  23. Nguyen. K., C. Fookes, S. Sridharan, M. Tistarelli,?and M. Nixon. (2018). Super-resolution for?biometrics: A comprehensive survey. Pattern?Recognition, 78, 23-42. 

  24. Raschka. S., (2018). MLxtend: Providing machine?learning and data science utilities and extensions?to Python's scientific computing stack. Journal?of Open Source Software, 3(24), 638. 

  25. Sagonas. C., G. Tzimiropoulos., S. Zafeiriou. And M.?Pantic. (2013). 300 Faces in-the-Wild Challenge:?The First Facial Landmark Localization Challenge.?2013 IEEE International Conference on Computer?Vision Workshops, 397-403. 

  26. Taesung. P., M. Liu., J. Zhu., (2019). Semantic Image?Synthesis With Spatially-Adaptive Normalization.?IEEE/CVF Conference on Computer Vision?and Pattern Recognition (CVPR), 2332-2341. 

  27. Wang. X., K. Yu., S. Wu., J. Gu., Y. Liu., C.?Dong., C. C. Loy., Y. Qiao. And X. Tang.?(2018). ESRGAN: Enhanced Super-Resolution?Generative Adversarial Networks. arXiv, arXiv. 1809.00219 

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로