초록

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

정보화 시대가 도래하고 급격히 발전해 감에 있어 모든 형태의 정보가 가장 중요한 가치로 평가되고있고 멀티미디어가 급속히 발달함으로 인해 산업 및 생활에서 정보 보안이 매우 중요한 관건이 되어 정보보안의 여러 형태 중의 한가지로서 얼굴인식은 최근 연구가 활발하게 이루어지고 있다. 얼굴인식은 신체의 일부를 직접 접촉하지 않으므로 사용자로 하여금 불편함이나 기계적 반감을 불러일으키지 않는 장점으로 그 비중은 커질 것으로 예상되고 있다. 영상에 있어서 많은 중요한 정보가 영상픽셀들간의 고차원적인 연관 속에 담겨져 있을 것이다. ICA(Independent Component Analysis)는 이러한 고차원적인 정보를 2차원적인 정보로부터 추출하는 것이 아니라 각각의 고차원적인 정보를 직접 얻을 수 있는 장점을 이용하고 있다. 본 논문에서는 얼굴인식시스템의 첫번째 관문인 배경화면으로부터의 얼굴영상을 구별해내는 데 있어 ICA를 적용하여 기저영상벡터공간(Source or Basis Image Space)을 구하고 그 공간에 테스트할 영상을 투영시켜 얻어진 벡터의 consine distance를 이용하여 얼굴영상을 추출하는 방법에 대해서 제안하였다.

정보화 시대가 도래하고 급격히 발전해 감에 있어 모든 형태의 정보가 가장 중요한 가치로 평가되고있고 멀티미디어가 급속히 발달함으로 인해 산업 및 생활에서 정보 보안이 매우 중요한 관건이 되어 정보보안의 여러 형태 중의 한가지로서 얼굴인식은 최근 연구가 활발하게 이루어지고 있다. 얼굴인식은 신체의 일부를 직접 접촉하지 않으므로 사용자로 하여금 불편함이나 기계적 반감을 불러일으키지 않는 장점으로 그 비중은 커질 것으로 예상되고 있다. 영상에 있어서 많은 중요한 정보가 영상픽셀들간의 고차원적인 연관 속에 담겨져 있을 것이다. ICA(Independent Component Analysis)는 이러한 고차원적인 정보를 2차원적인 정보로부터 추출하는 것이 아니라 각각의 고차원적인 정보를 직접 얻을 수 있는 장점을 이용하고 있다. 본 논문에서는 얼굴인식시스템의 첫번째 관문인 배경화면으로부터의 얼굴영상을 구별해내는 데 있어 ICA를 적용하여 기저영상벡터공간(Source or Basis Image Space)을 구하고 그 공간에 테스트할 영상을 투영시켜 얻어진 벡터의 consine distance를 이용하여 얼굴영상을 추출하는 방법에 대해서 제안하였다.

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 얼굴 영역에 대한 정확한 추출을 위한 방법으로 독립성분 분석에 의한 방법을 제안하였다. ICA를 이용함으로 인해 380개의 얼굴 영상만을 가지고 unsupervised learning rule에 의하여 Source Image를 추출한 후 정렬하여 80개의 독립 성분을 이용하여 테스트하였으며 이는 표1의 결과와 같이 PCA보다 좋은 결과를 나타내었고, 신경망을 이용한 방법보다 상당히 작은 수의 학습 영상을 가지고 결과를 도출할 수 있는 장점이 있다.
• ICA 는 Sigmoidal neurons을 통하여 최적의 정보를 전달하고자 하는 원리를 이용하여 유도된 Unsupervised learning rule이다. 여러 ICA 알고리즘 중 본 논문에서 사용한 ICA 알고리즘은 ' Information maximization method between input and output1 이론에 의한 Independent component를 구하는 방법으로 입력값 X와 출력값 Y의 정보전달을 최대화하도록 Mutual information I(X, Y)를 최대화하는 것이 주 목적이다.

제안 방법

• 테스트는 2가지 즉, 876개의 face 영상과 9000개의 nonface 영상을 정확하게 구별하는가에 대하여 테스트를 진행하였으며 Cosine distance의 임계 값은 ICA테스 트시 0.63으로 설정하였고 PCA 테스트 시는 각각 조건별 최적의 임계 값을 구하여 적용하였다.
• 0001을 사용하였으며 테스트의 기준이 될 평균 얼굴 영상은 양쪽 눈의 중심좌표 기준으로 정렬한 380개의 얼굴영상 으로부터 추출되었다. 학습 완료 후 출력값인 Independent Component Matrix(U 380x400)를 추출한 후 각각의 독립성분에 하여 평균 얼굴과 반응 시켜 그 반 웅값이 근 순서대로 다시 재 정렬하였다.

대상 데이터

• 얼굴 학습 영상은 20*20 Pixel size를 사용하였으며 380개의 정면 얼굴을 사용하였다. 즉 Input Matrix(X) 는 380x400으로 구성되었다.

성능/효과

• 본 논문에서는 얼굴 영역에 대한 정확한 추출을 위한 방법으로 독립성분 분석에 의한 방법을 제안하였다. ICA를 이용함으로 인해 380개의 얼굴 영상만을 가지고 unsupervised learning rule에 의하여 Source Image를 추출한 후 정렬하여 80개의 독립 성분을 이용하여 테스트하였으며 이는 표1의 결과와 같이 PCA보다 좋은 결과를 나타내었고, 신경망을 이용한 방법보다 상당히 작은 수의 학습 영상을 가지고 결과를 도출할 수 있는 장점이 있다.
• 학습에서 얻어진 Matrix U(380x400)는 가장 평균 얼굴과의 반응 값이 큰 80개의 독립성분 이미지만을 택하여 80x400로 수정하여 적용을 하였고, 그 결과는 380개의 독립성분 이미지를 모두 사용하였을 경우와 차이가 없었다. 표1은 PCA 적용 시 가장 높은 그 인식률을 얻었을 경우와 ICA와 비교한 것이며 본 실험에서 PCA는 100개의 eigen face를 사용할 때까지 점점 좋은 결과를 보였으나 80개의 독립성분의 ICA를 적용하였을 경우보다 그 인식률이 낮음을 알 수 있다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기