초록

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

본 논문에서는 유전자 알고리즘(GA)과 Support Vector Machine(SVM)을 결합하여 사용한 얼굴 인식 시스템을 제안한다. 기존의 SVM을 이용한 얼굴 인식 연구에서는 얼굴 전체 영상을 SVM의 입력벡터로 사용하는데 반해, 본 연구에서는 GA를 이용하여 얼굴 영상 중에서 개인별로 식별 능력이 우수한 특징들만을 선택하여 이를 SVM의 입력벡터로 사용한다. 조명, 표정, 안경 착용 등 다양한 변화가 있는 Yale 얼굴 데이터베이스를 사용하여 실험한 결과, 얼굴 전체 영상을 사용한 경우보다 더 좋은 인식률을 보였다. 또한 제안된 방법에 의한 얼굴 인식 시스템은 각 개인별로 식별력이 우수한 특징들만을 저장하므로, 얼굴인식 시스템을 구성하기 위해 저장될 정보의 양이 현저하게 감소하게 된다.

본 논문에서는 유전자 알고리즘(GA)과 Support Vector Machine(SVM)을 결합하여 사용한 얼굴 인식 시스템을 제안한다. 기존의 SVM을 이용한 얼굴 인식 연구에서는 얼굴 전체 영상을 SVM의 입력벡터로 사용하는데 반해, 본 연구에서는 GA를 이용하여 얼굴 영상 중에서 개인별로 식별 능력이 우수한 특징들만을 선택하여 이를 SVM의 입력벡터로 사용한다. 조명, 표정, 안경 착용 등 다양한 변화가 있는 Yale 얼굴 데이터베이스를 사용하여 실험한 결과, 얼굴 전체 영상을 사용한 경우보다 더 좋은 인식률을 보였다. 또한 제안된 방법에 의한 얼굴 인식 시스템은 각 개인별로 식별력이 우수한 특징들만을 저장하므로, 얼굴인식 시스템을 구성하기 위해 저장될 정보의 양이 현저하게 감소하게 된다.

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

• 또한 국내에서도 얼굴 인식에 SVM을 이용한 연구[기를 발표한 예가 있고, 최근에 개최된 얼굴 및 제스처 인식 학술대회(FGR, 2000)에서 SVM을 이용한 얼굴 인식에 관한 논문들[8-11] 이 여러 편 발표되었다. 기존의 연구들이 얼굴 전체 영상에 대해서 SVM을 적용한 데 반해, 본 연구에서는 얼굴의 특징 중에서 인식 과정에서 중요한 역할을 하는 특징들을 선택하여 SVM 율 구성하고자 한다. 이때 중요 특정들의 선택은 유전자 알고리즘(GA)을 이용하여 선택한다.
• 둘째로 SVM의 우수한 분리 능력을 이용하여 선택된 특징들을 비교하는 것이다. 셋째, GA의 평가 함수의 값 계산에 튜닝 데이터셋을 이용함으로써 표정의 변화, 조명의 변화에도 덜 민감한 특징들의 선택을 가능하게 하였다.
• 본 논문에서는 여러 가지 분류 알고리즘 중에서 최근에 패턴 분류에서 주목을 받고 있는 SVM을 이용하여 조명 및 표정의 변화에 덜 민감한 얼굴 인식 시스템을 구성고자 한다. 현재까지 얼굴과 관련한 연구에 SVM을 사용한 연구는, 영상에서 얼굴 탐색에 관한 연구[5]와 얼굴의 포즈 인식[6]에 관해 적용된 예가 있다.
• 본 논문에서는 유전자 알고리즘(GA)과 Support Vector Machine(SVM)을 결합하여 사용한 얼굴 인식 시스템을 제안하였다. 기존의 SVM을 이용한 얼굴 인식 연구들이 얼굴 전체 염상을 SVM의 입력 벡터로 사용하는데 반해, 본 연구에서는 GA를 이용하여 얼굴 영상 중에서 개인별로 식별 능력이 우수한 특징들만을 선택하여 이를 입력 벡터로 사용한 SVM의 생성을 제안하였다.

제안 방법

• GA 과정을 통해 얻은 개인별로 인식을 잘 할 수 있는 특징들의 데이터에 대하여 SVM을 구축한 후에 테스트 데이터로 각 성능을 평가하였다.
• 각각의 데이터들은 SVM을 구성하는데 사용할 학습 데이터셋, 평가함수를 계산하는데 사용할 튜닝 데이터셋, 학습이 끝나고 시스템의 성능을 평가할 때 사용할 테스트 데이터셋의 3가지로 나누어서 사용한다. 각 개인별로 학습 데이터셋은 본인의 영상3 장과 타인5 명에 대하여 각각 3장의 영상이고, 튜닝 데이터셋은 본인 영상3 장과 또 다른 5명의 3장씩의 영상올 사용하였다.
• 본 논문에서는 유전자 알고리즘(GA)과 Support Vector Machine(SVM)을 결합하여 사용한 얼굴 인식 시스템을 제안하였다. 기존의 SVM을 이용한 얼굴 인식 연구들이 얼굴 전체 염상을 SVM의 입력 벡터로 사용하는데 반해, 본 연구에서는 GA를 이용하여 얼굴 영상 중에서 개인별로 식별 능력이 우수한 특징들만을 선택하여 이를 입력 벡터로 사용한 SVM의 생성을 제안하였다. 조명, 표정, 안경 등 다양한 변화가 있는 Yale 얼굴 데이터베이스를 사용하여 실험한 결과, 얼굴 전체 영상을 사용한 경우보다 더 좋은 인식률을 보였다.
• 본 연구에서는 각 개체에 대해 선택된 특징값들의 벡터를 입력 벡터로 하여 다항식(Polynomial) 커 널을 사용하여 SVM을 생성하였다. 생성된 SVM의 성능을 평가하기 위하여 튜닝 데이터셋을 이용하여 ’각각의 SVM의 분리 능력을 측정한다.
• 본 연구에서는 각 개체에 대해 선택된 특징값들의 벡터를 입력 벡터로 하여 다항식(Polynomial) 커 널을 사용하여 SVM을 생성하였다. 생성된 SVM의 성능을 평가하기 위하여 튜닝 데이터셋을 이용하여 ’각각의 SVM의 분리 능력을 측정한다. 이 분리 눙력을 평가함수의 값으로 하여 친화해 나간다.
• 각 비트의 값1은 그 비트에 해당하는 특징이 선택되었음을 나다 내고, 。은 선택되지 않았음을 나타낸다. 진화 과정에서 단순교차를 사용하였으며, 엘리트 보존 전략을 이용하여 실험하였다.
• 진화가 일정 수준의 세대 수 또는 분리 능력 등의 종료 조건에 만족하면 진화를 종료한 후, 테스트 영상들의 집합을 사용하여 최적의 특징값들로 이루어진 SVM에 의한 얼굴 인식 시스템의 성능을 테스트한다.

대상 데이터

• 따라서 학습과 튜닝에 사용된 영상은 본인6 장의 사진과 타인10 명의30 장의 사진이다. GA를 통해 선택된 최적의 특징들에 대한SVM 을 구축한 후에 이들의 성능을 평가하는데 사용한 데이터는 학습 및 튜닝에 사용되지 않은 본인의 영상5 장과 타인 영상 124장이다. 이 타인의 영상들 중에는 44장은 학습 및 튜닝 과정에서 전혀 알려지지 않은 사람의 영상이다.
• 각각의 데이터들은 SVM을 구성하는데 사용할 학습 데이터셋, 평가함수를 계산하는데 사용할 튜닝 데이터셋, 학습이 끝나고 시스템의 성능을 평가할 때 사용할 테스트 데이터셋의 3가지로 나누어서 사용한다. 각 개인별로 학습 데이터셋은 본인의 영상3 장과 타인5 명에 대하여 각각 3장의 영상이고, 튜닝 데이터셋은 본인 영상3 장과 또 다른 5명의 3장씩의 영상올 사용하였다. 따라서 학습과 튜닝에 사용된 영상은 본인6 장의 사진과 타인10 명의30 장의 사진이다.
• 각 개인별로 학습 데이터셋은 본인의 영상3 장과 타인5 명에 대하여 각각 3장의 영상이고, 튜닝 데이터셋은 본인 영상3 장과 또 다른 5명의 3장씩의 영상올 사용하였다. 따라서 학습과 튜닝에 사용된 영상은 본인6 장의 사진과 타인10 명의30 장의 사진이다. GA를 통해 선택된 최적의 특징들에 대한SVM 을 구축한 후에 이들의 성능을 평가하는데 사용한 데이터는 학습 및 튜닝에 사용되지 않은 본인의 영상5 장과 타인 영상 124장이다.
• 사용된 테스트 영상은 학습 (Training) 데이터와 튜닝 (Tunning) 데이터에 있는 각각 5명의 또 다른 영상 80장과 전혀 알려지지 않은 사람들의 44장의 영상과, 인식 대상인 사람의 영상 5장으로 실험하였다.15 명 각각에 대해여 실험한 결과 본인 영상에 대해서 평균 5.
• 실험은 기존의 얼굴 인식 시스템에서 테스트 데이터로 많이 사용되어지고 있고, 개인별로 조명과 표정에 의한 다양한 변화가 있는 영상으로 구성된 Yale 얼굴 데이터베이스를 이용하여 실험하몄다. Yale 얼굴 데이터베이스는 15명에 대하여 각 개인당 가운데, 왼쪽, 오른쪽 등의 3가지 방향의 조명의 변화에 따른 영상들과, 웃음, 놀람, 슬픔, 졸림, 윙크, 무표정 등의 표정 변화에 따른 영상들과, 안경 착용 여부 영상 등 모두 M 가지의 영상으로 구성되어 있다.

이론/모형

• 먼저 학습에 사용할 영상들에 대하여 전처리 및 특징 추출 과정을 수행한다. 본 논문에서는 조명의 변화에 따른 영향을 줄이기 위하여 히스토그램 평활화 기법을 전처리 과정에 사용한다. 또 선택에 사용할 특징들의 집합은 영상 내 서브 윈도우들의 픽셀의 평균값과 소 벨(Sobel) 엣지 연산자를 적용한 후의 평균값으로 GA 과정 중에 반복적인 계산을 방지하기 위하여 이러한 특징들의 값들을 미리 추출해 놓는다.
• 기존의 연구들이 얼굴 전체 영상에 대해서 SVM을 적용한 데 반해, 본 연구에서는 얼굴의 특징 중에서 인식 과정에서 중요한 역할을 하는 특징들을 선택하여 SVM 율 구성하고자 한다. 이때 중요 특정들의 선택은 유전자 알고리즘(GA)을 이용하여 선택한다.

성능/효과

• 사용된 테스트 영상은 학습 (Training) 데이터와 튜닝 (Tunning) 데이터에 있는 각각 5명의 또 다른 영상 80장과 전혀 알려지지 않은 사람들의 44장의 영상과, 인식 대상인 사람의 영상 5장으로 실험하였다.15 명 각각에 대해여 실험한 결과 본인 영상에 대해서 평균 5.3%의 오인식률올 보였고, 타인 영상 전체에 대해서는 평균 2.2%의 오인식률을 보였다 이 중 학습 과정에 알려진 타인의 영상에 대해서 1.8%의 오안식률을 보였고, 학습과 튜닝 과정에서 전혀 알려지지 않은 사람들의 영상에 대해서도 3.0%의 낮은 오인식률을 보였다.
• 셋째, GA의 평가 함수의 값 계산에 튜닝 데이터셋을 이용함으로써 표정의 변화, 조명의 변화에도 덜 민감한 특징들의 선택을 가능하게 하였다. 마지막으로, 학습 과정은 GA를 통해 이루어지므로 약간의 시간이 소요되지만, 테스트 과정은 학습을 통해서 만들어진 최적의 특징 집합에 의한 SVM에 의해 이루어지므로 시간 소모가 거의 없다는 것이다.
• 둘째로 SVM의 우수한 분리 능력을 이용하여 선택된 특징들을 비교하는 것이다. 셋째, GA의 평가 함수의 값 계산에 튜닝 데이터셋을 이용함으로써 표정의 변화, 조명의 변화에도 덜 민감한 특징들의 선택을 가능하게 하였다. 마지막으로, 학습 과정은 GA를 통해 이루어지므로 약간의 시간이 소요되지만, 테스트 과정은 학습을 통해서 만들어진 최적의 특징 집합에 의한 SVM에 의해 이루어지므로 시간 소모가 거의 없다는 것이다.
• 그림2, 3의 그래프에서 비교하듯이 GA를 이용하여 선택된 톡징들의 SVM이 얼굴 전체 영상의 SVM보다 더 좋은 성능을 보였다. 실험에서 선택된 특징들의 개수는 209~231개로 전체 영상의 픽셀값을 사용할 때의 특징의 개수인 4096(64*64) 보다 훨씬 적다. 따라서 각 사람마다의 얼굴 언식 시스템을 저장할 경우 메모리의 사용이 훨씬 감소하게 된다.
• 적은 학습 영상의 수로 GA를 통해 학습한 데 비해 비교적 쫗은 결과를 얻었다. 개인별로 좀 더 많은 영상으로 학습한다면 훨씬 더 좋은 결과를 보이리라 예측된다.
• 제안한 시스템의 성능과 비교하기 위하여, 얼굴 전체 영상의 픽 셀 값을 특징으로 하여 SVM 생성한 후 테스트한 결과 평균 오인식률이 본인 영상에 대해 18.7%, 타인 영상에 대해 4.2%로 제안한 시스템보다 오인식률이 증가하였다. 그림2, 3의 그래프에서 비교하듯이 GA를 이용하여 선택된 톡징들의 SVM이 얼굴 전체 영상의 SVM보다 더 좋은 성능을 보였다.
• 기존의 SVM을 이용한 얼굴 인식 연구들이 얼굴 전체 염상을 SVM의 입력 벡터로 사용하는데 반해, 본 연구에서는 GA를 이용하여 얼굴 영상 중에서 개인별로 식별 능력이 우수한 특징들만을 선택하여 이를 입력 벡터로 사용한 SVM의 생성을 제안하였다. 조명, 표정, 안경 등 다양한 변화가 있는 Yale 얼굴 데이터베이스를 사용하여 실험한 결과, 얼굴 전체 영상을 사용한 경우보다 더 좋은 인식률을 보였다.
• 첫째, GA를 이용한 개인별 얼굴 인식에 우수한 특징의 선택이다. 즉 전체적인 얼굴의 특징을 사용하지 않고, 인식에 중요한 특징들을 GA 과정을 통하여 우수한 특징들을 선택함에 따라, 불필요한 얼굴 정보의 사용을 배제할 수 있었다. 따라서 얼굴 인식 시스템을 위한 메모리 공간의 현저한 감소가 이루어진다.

후속연구

• 적은 학습 영상의 수로 GA를 통해 학습한 데 비해 비교적 쫗은 결과를 얻었다. 개인별로 좀 더 많은 영상으로 학습한다면 훨씬 더 좋은 결과를 보이리라 예측된다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기