초록

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

본 논문은 얼굴인식을 위한 특징으로 Haralick의 면함수 모델을 이용한 방법을 제시한다. 얼굴인식 시스템에서의 큰 제약조건 중 하나인 조명에 대해 향상된 인식을 수행하기 위해 일반영상의 에지추출에 주로 사용되었던 면함수를 적합시켜 얼굴인식을 위한 입력으로 사용하였다. 제안된 방법을 기존의 얼굴인식 기법과 비교 분석해 본 결과, 전체적인 인식률과 수행 시간이 향상되었고, 특히 조명 변화에 대해 조명 변화 보정을 위한 별도의 전처리 없이도 좋은 인식 결과를 나타내었다. 또한 제안된 방법에 신경망을 적용하여 성능을 비교하였다.

본 논문은 얼굴인식을 위한 특징으로 Haralick의 면함수 모델을 이용한 방법을 제시한다. 얼굴인식 시스템에서의 큰 제약조건 중 하나인 조명에 대해 향상된 인식을 수행하기 위해 일반영상의 에지추출에 주로 사용되었던 면함수를 적합시켜 얼굴인식을 위한 입력으로 사용하였다. 제안된 방법을 기존의 얼굴인식 기법과 비교 분석해 본 결과, 전체적인 인식률과 수행 시간이 향상되었고, 특히 조명 변화에 대해 조명 변화 보정을 위한 별도의 전처리 없이도 좋은 인식 결과를 나타내었다. 또한 제안된 방법에 신경망을 적용하여 성능을 비교하였다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 본 논문에서는 Haralick의 면함수를 이용한 얼굴인식 방법을 제안하였다. 제안된 방법은 조명 보정을 위한 특별한 전처리 없이도, 조명변화에 대해 견고한 인식률을 보였고, 이를 신경망에 적용할 경우, 시간 비용 절감의 효과를 보였다.
• 본 논문에서는 별도의 전처리 기법 없이도 조명 변화에 견고하고, 전체적인 인식률, 수행 시간도 향상시킬 수 있는, 면함수를 적합한 특징추출 방법을 제시한다. 또한, 제안된 기법에 다충 퍼셉트론 신경망을 적용하여, 성능향상에 미치는 결과를 알아본다.
• 본 논문에서는 이러한 단점을 극복하기 위해, 원형 정합 이외에 신경망을 이용한 방법을 시도해 보았다. 역 전파(backpropagation) 다층 퍼셉트론을 사용하여 얼굴 영상에 대한 구배의 sina, cosa 값을 입력으로 하고, 각 얼굴당 하나의 출력 노드를 구성한다 신경망의 입력은 -1 ~ 1 사이의 값이므로, 시그모이드 함수를 양극(bipolar)으로 결정하면, 입력에 별도의 조정어 필요 없다.

제안 방법

• 이다. 기존에는 에지를 구하기 위해 2차 미분을 구하여 0이 되는 지점을 찾아내었지만, 본 논문에서는 면함수에서 얻어진 구배의 방향성과 크기를 동시에 포함하는 sin a와 cosa 값을 특징치로 하여 얼굴인식을 위한 입력으로 한다.
• 이번에는 정해진 윈도우 크기에 대하여 역전파 학습기법을 사용하는 다층 퍼셉트론에 학습을 시 키고, 인식률을 앞서 실험한 유클리디안 거리를 사용한 원형 정합 인식기법과 비교하였다. 또한, 널리 쓰이는 얼굴인식 기법으로 PCA 기법과도 비교해 보았다.
• 본 논문에서는 별도의 전처리 기법 없이도 조명 변화에 견고하고, 전체적인 인식률, 수행 시간도 향상시킬 수 있는, 면함수를 적합한 특징추출 방법을 제시한다. 또한, 제안된 기법에 다충 퍼셉트론 신경망을 적용하여, 성능향상에 미치는 결과를 알아본다.
• 먼저 모든 실험 영상에 대해 잡음 제거를 위한 모폴로지 연산을 수행하였고, 해당 사이즈에 대한 가장 적합한 면함수 윈도우 크기를 얻기 위하여 각 윈도우별 인식률과 수행 시간을 비교해 보았다. 인식에는 유클리디안 거리를 사용하였다.
• 얼굴인식 시스템을 구현하기 위해, 먼저 원형 정합에 의한 방법을 구현해 보았다. 열굴영상들의 학습 집합(training set)으로 함수를 이용하여 구배의 sina , cosa 값이 구해지면, 이를 이용하여 원형 얼굴을 구성한다.
• 이번에는 정해진 윈도우 크기에 대하여 역전파 학습기법을 사용하는 다층 퍼셉트론에 학습을 시 키고, 인식률을 앞서 실험한 유클리디안 거리를 사용한 원형 정합 인식기법과 비교하였다. 또한, 널리 쓰이는 얼굴인식 기법으로 PCA 기법과도 비교해 보았다.

대상 데이터

• 0을 사용하여 구현하였다. AR 얼굴 영상 데이터베이스[7]에서 실험에 쓰인 영상은 1인당 7장씩 모두 700장이며, 학습에 400장, 테스트에 300장을 사용하였다. 얼굴 영상은 모두 얼굴 정면 영상이고, 한 장의 크기는 120 X 90 그레이 스케일이며, 테스트에 사용된 영상은 표정 변화와 조명 변화가 있는 영상이다.
• 본 논문에서의 실험은 펜티엄 셀러론 300a PC에서 Visual C++ 6.0을 사용하여 구현하였다. AR 얼굴 영상 데이터베이스[7]에서 실험에 쓰인 영상은 1인당 7장씩 모두 700장이며, 학습에 400장, 테스트에 300장을 사용하였다.
• AR 얼굴 영상 데이터베이스[7]에서 실험에 쓰인 영상은 1인당 7장씩 모두 700장이며, 학습에 400장, 테스트에 300장을 사용하였다. 얼굴 영상은 모두 얼굴 정면 영상이고, 한 장의 크기는 120 X 90 그레이 스케일이며, 테스트에 사용된 영상은 표정 변화와 조명 변화가 있는 영상이다.
• 먼저 모든 실험 영상에 대해 잡음 제거를 위한 모폴로지 연산을 수행하였고, 해당 사이즈에 대한 가장 적합한 면함수 윈도우 크기를 얻기 위하여 각 윈도우별 인식률과 수행 시간을 비교해 보았다. 인식에는 유클리디안 거리를 사용하였다. 표 1에서 수행 시간은 특징추출 시간과 인식 시간을 합한 시간이다.

이론/모형

• 본 논문에서는 조명 변화에 독립적인 얼굴인식을 위하여 Haralick 의 면함수 모델[5]을 기반으로 특징을 추출하여 얼굴인식의 입력으로 사용한다.
• 얼굴인식의 장점에도 불구하고 아직 상용화되기 어려운 이유 중 하나는 조명 변화 등의 외부환경 변화에 따른 인식률 저하이다. 얼굴인식은 전처리, 특징추출, 인식의 세 단계로 나눌 수 있는데, 한 방법에서는 조명의 변화를 보정하기 위해 히스토그램 평활화의 전처리 기법을 사용한 후에 PCA(Principal Component Analysis) 기법[1]을 사용하여 인식한다.

성능/효과

• PCA 기법에 비해 본 논문에서 제시한 면함수를 이용한 기법이 인식률이나 수행 시간에서 좋은 성능을 나타냈다. 면함수는 윈도우별로 국소적인 구배로부터 특징을 추출하기 때문에, 특히, 조명변화에 있어서, 월등한 성능 향상을 보였다.
• 면함수는 윈도우별로 국소적인 구배로부터 특징을 추출하기 때문에, 특히, 조명변화에 있어서, 월등한 성능 향상을 보였다. 또한, 신경망에 의한 기법은 인식 시간 면에서 뛰어난 성능을 보였다. 그러나, 표정변화에 있어서는 면함수 기법이 좋은 성능을 보이지 못하였는더】, 이를 개선하기 위해서는 얼굴 영역 추출 단계를 보완해야 할 것이다.
• PCA 기법에 비해 본 논문에서 제시한 면함수를 이용한 기법이 인식률이나 수행 시간에서 좋은 성능을 나타냈다. 면함수는 윈도우별로 국소적인 구배로부터 특징을 추출하기 때문에, 특히, 조명변화에 있어서, 월등한 성능 향상을 보였다. 또한, 신경망에 의한 기법은 인식 시간 면에서 뛰어난 성능을 보였다.
• 본 논문에서는 Haralick의 면함수를 이용한 얼굴인식 방법을 제안하였다. 제안된 방법은 조명 보정을 위한 특별한 전처리 없이도, 조명변화에 대해 견고한 인식률을 보였고, 이를 신경망에 적용할 경우, 시간 비용 절감의 효과를 보였다.

후속연구

• 또한, 신경망에 의한 기법은 인식 시간 면에서 뛰어난 성능을 보였다. 그러나, 표정변화에 있어서는 면함수 기법이 좋은 성능을 보이지 못하였는더】, 이를 개선하기 위해서는 얼굴 영역 추출 단계를 보완해야 할 것이다.
• 면함수를 이용한 특징추출 방법은 얼굴인식 이외에도, 조명에 견고한 영상인식이 필요한 다른 분야에서도 적용할 수 있을 것이다.
• 향후에는 동영상에서, 면함수 얼굴인식 방법에 앞서, 효과적인 얼굴 영역 추출기법을 수행하여, 인식률을 더욱 개선해 볼 계획이다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기