초록

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

얼굴 인식분야에서 실시간 얼굴검출에 대한 관심이 높아짐에 따라 피부색컬러 모델을 통한 얼굴영역검출에 대한 연구가 활발히 진행되고 있다. 그러나, 기존의 피부색 모델은 밝기 정보를 제거한 단일 채널의 색상모델이 대부분이다. 이에 본 논문에서는 얼굴피부색을 보다 효과적으로 모델링하기 위하여, 피부색 특성을 고려하여, 밝기 성분을 제거한 RGB 컬러를 모두 사용하는 H, Cb, Cg의 다채널 피부색 모델을 제시한다. 또한, 색상정보에서 사용하지 않은 밝기 정보는 영상 분할을 통해 사용한다. 제안하는 피부색 모델을 통한 얼굴영역 추출 과정을 보인다.

얼굴 인식분야에서 실시간 얼굴검출에 대한 관심이 높아짐에 따라 피부색컬러 모델을 통한 얼굴영역검출에 대한 연구가 활발히 진행되고 있다. 그러나, 기존의 피부색 모델은 밝기 정보를 제거한 단일 채널의 색상모델이 대부분이다. 이에 본 논문에서는 얼굴피부색을 보다 효과적으로 모델링하기 위하여, 피부색 특성을 고려하여, 밝기 성분을 제거한 RGB 컬러를 모두 사용하는 H, Cb, Cg의 다채널 피부색 모델을 제시한다. 또한, 색상정보에서 사용하지 않은 밝기 정보는 영상 분할을 통해 사용한다. 제안하는 피부색 모델을 통한 얼굴영역 추출 과정을 보인다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 방법
• 연구 결과

제안 방법

• 따라서, 본 장에서는 색상 정보와 밝기 정보를 분리하여. 피부색의 특성에 따른 RGB 성분을 적극적으로 활용하는 다채닐 피부색 모델을 조합하는 방법을 설명한다.
• 3차원 물체를 2차원 영상 평면에 투영했을 때 비록 물체의 깊이 정보는 상실하지만, 물체의 모양 정보는 밝기 값으로 보존된다. 따라서, 영상의 밝기 값에 기반하는 영상 분할 기법을 적용함으로써 분리한 밝기 성분을 사용하여 분할한다(그림 8).
• 총 180개의 영상을 가지고 테스트해 본 결과 대부분 그림 10과 같이 얼굴 추출이 잘 되었다. 또한, 단일 채널 임계 값을 써서 얼굴을 추출한 방법보다 얼굴 칼라 특징에 기반한 다채널 피부색 조합 방법을 제안함으로써 밝기 성분을 제거한 색상 정보를 충분히 활용하였다. 또한, 제거된 밝기 성분은 영상 분할 기법으로 활용하여 활용도를 높였다.
• 또한, 단일 채널 임계 값을 써서 얼굴을 추출한 방법보다 얼굴 칼라 특징에 기반한 다채널 피부색 조합 방법을 제안함으로써 밝기 성분을 제거한 색상 정보를 충분히 활용하였다. 또한, 제거된 밝기 성분은 영상 분할 기법으로 활용하여 활용도를 높였다.
• 마지막으로, 3차까지 적용된 얼굴 영상은 추출 시 발생돤 얼궅 내의 비추출 영역의 H₆₁ 을 채우기 위해 Morphology 기법의 Dilatione이을 활용하여 후처리를 해준다.
• 본 논문에서는 얼굴 검출 시 다양한 칼라 모델을 적용하여 얼굴을 검출할 수 있도록 빛의 세기에 덜 민감하며, 비숫한 색상도 효과적으로 검출할 수 있는 칼라 모델을 제안하며, 또한 명암 정보를 이용, 영상을 영역 정보로 나누어 얼굴 검출의 정확도를 향상 시킬 수 있는 방법을 적용한다.
• 영상에서 얼굴 영역의 검출은 영상을 일정한 크기 또는 분할 정보 등의 영역 정보를 이용하여 정확도를 향상시켰다.
• 칼라를 이용한 얼굴 검출은 대체적으로 얼굴에 적색 성분이 많다는 특성을 활용하여 피부색에 해당되는 칼라 범위를 많은 사람들의 얼굴 영상 샘플로부터 구한 후 입력 영상에서 각 화소들이 범위에 해당하는지의 여부를 판단하여 얼굴을 검출한다.

대상 데이터

• Blue 성분은 YCbCr 칼라 시스템에서 Blue 정보를 나타내는 Cb 성분을 이용하였다(2). Cb 성분은 - 128 ~ 128까지의 값을 가지며, 얼굴 칼라 분포에 있어서 다른 부분보다 좁은 범위를 나 타내어, 얼굴 검출 시 다른 부분과의 구분에 있어서 효과적으로 구분할 수 있다(그림 3).
• 실험을 하기 위한 설정된 칼라 모델에서의 임계 값은 180개의 샘플로부터 피부색이 갖는 히스토그램의 분포를 구하여 칼라 값이 집중되는 구간으로 설정하였다,
• 제안한 칼라 모델의 Red 칼라 채널 공간은 HSI[7] 칼라 시스 템에서 명도 정보를 효율적으로 제거할 수 있는 H 성분을 쓴다(1). H 성분은 영상에서 적색을 전체적으로 표현할 수 있으며, 적색계 열이 차지하는 부분은 0。~ 120。로 표현된다n이.

이론/모형

• Green 칼라 공간은 YCbCr 칼라 시스템에서 Cg 성분을 601-1 권고안[8]에 따른 Green 계수를 바탕으로 (3)과 같이 계산하였다. Cg 성분도 역시 - 128 ~ 128까지의 값을 가지며, 얼굴색과 비슷한 황색 계열의 색들은 Cg 성분의 조 절을 통해 쉽게 구분할 수 있다(그림 4).
• 고정 영역 기반 얼굴 영역 추출은 간단하고, 빠른 처리의 장점이 있으나, (그림 7)과 같이 Blocking 현상이 발생할 수 있는 문제점이 있다. 따라서, Blocking 현상을 최소화하고 각 영역을 효과적으로 분리해 내기 위해 영상 분할 기법 중에 하나인 Region-Grow[9] 기법을 적용한다.

성능/효과

• 총 180개의 영상을 가지고 테스트해 본 결과 대부분 그림 10과 같이 얼굴 추출이 잘 되었다. 또한, 단일 채널 임계 값을 써서 얼굴을 추출한 방법보다 얼굴 칼라 특징에 기반한 다채널 피부색 조합 방법을 제안함으로써 밝기 성분을 제거한 색상 정보를 충분히 활용하였다.

후속연구

• 향후 연구과제로는 빛의 밝기에 더욱 무관한 피부색 모델링에 대해 연구하여 추출 효율을 향상시켜야 하겠다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기