$\require{mediawiki-texvc}$

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.

HOLA 기반 특징추출과 BP 신경망을 이용한 얼굴 인식

Human Face Recognition using Feature Extraction Based on HOLA(Higher Order Local Autocorrelation) and BP Neural Networks

한국정보과학회 02 가을 학술발표논문집(2), 2002 Oct., 2002년, pp.541 - 543  

최광미 (조선대학교 전산통계학과) ,  서요한 (조선대학교 전산통계학과) ,  정채영 (조선대학교 전산통계학과)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 HOLA(고차국소자동상관계수)를 이용한 특징추출과 BP(Backpropagation Network) 알고리즘을 이용하여 얼굴을 인식하는 방법을 제안한다. 이를 위해 동일한 환경, 즉 일정한 조도 하에서 카메라로부터 동일거리에 있는 영상을 256$\times$256 크기의 그레이 스케일(Gray Scale)로 취득하여 영상내의 잡음을 가우시안(Gaussian) 필터를 이용하여 제거한다. 차영상을 이용하여 얼굴영역을 분리한 후 얼굴영역의 특징벡터를 구하기 위하여 HOLA(고차 국소 자동 상관함수)를 사용한다. 계산된 특징벡터는 BP 신경망의 학습을 통하여 얼굴인식을 위한 데이터로 사용된다. 시뮬레이션을 통해 제안된 알고리즘에 의한 인식률향상과 속도 향상을 입증한다.

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

제안 방법

  • 따라서 얼굴 영상의 크기에 맞게 영상을 축소(은rosion)한 후 좌, 우에서 픽셀값 올 조사하여 마스크를 생성한다.[2] 그리고 마스크를 인물이 포함된 입력 영상에 투영하여 배경 영역이 분리된 인물영역을 추출하게 돤다.
  • 따라서 고차 국소 자동 상관계수는 이미지 영역 P률 25개의 3X3마 스크 필터를 이용해 탐색하면서 각 참조 필 셀의 값을 합을 통하여 총 25개의 특징 벡터를 계산하게 된다. 이 특징 벡터는 이동 불변의 특징 올 지니고 있다.
  • 그러나 마스크로 사용하기 위한 차 영상 영역이 지나치게 팽창되면 마스크가 분리하고자 하는 인물영역보다 거질 우려가 있다. 따라서 얼굴 영상의 크기에 맞게 영상을 축소(은rosion)한 후 좌, 우에서 픽셀값 올 조사하여 마스크를 생성한다.[2] 그리고 마스크를 인물이 포함된 입력 영상에 투영하여 배경 영역이 분리된 인물영역을 추출하게 돤다.
  • 메디안 필터를 이용하여 잡음을 제거하고 소 벨 필터로 에지를 검출하여 지식에 근거한 얼굴 특징영역을 분리하였다.
  • 본 논문에서는 동일 장소와 일정한 환경하에서 취득된 두 입력영 상을 차 영상 법을 이용하여 배경영상에서 인물영역을 분리하고 얼굴을 검색한다. 먼저 카메라로부터 동일배경과 동일 거리에 있는 영상을 25 6X256 크기의 그레이 스케일(Gray Scale)로 취득하고, 영상 내의 잡음 제거를 위해 가우시안(Gaussian) 필터를 사용한다.
  • 본 논문에서는 일정한 조도 상태에서 취득된 두 입력 영상에 대해 차 영상을 적용하여 배경영상에서 얼굴을 분할한 후 차 영상을 팽창과 수축을 하여 얼굴 영역 내의 잡음을 제거하고 좌, 우의 픽셀값을 조사하여 생성한 마스크로 얼굴 영역을 분리하였다.
  • 본 논문에서는 차 영상을 이용하여 보다 정확한 얼굴영역을 추출하 고 분리된 얼굴 영역에서 HOLA(고차 국소 자동 상관함수)를 이용하여 특징 벡터를 추출한다. 이를 정규화한 후 다충 BPfBackpropagation Network) 신경망에 입력함으로써 연산 시간과 학습 시간 올 단축하고 시스템구현을 용이하도록 하였다.
  • 본 논문의 배경영상과 인물이 포함된 배경영상의 두 개의 입력 영상을 [그림 5]과 같은 과정으로 얼굴 분할과 특징 영역 검출을 하였다.
  • 취득된 두 입력 영상은은 배경영상과 배경영상 내에 인물이 포함된 영상이다. 이 두 영상에 차 영상 법을 적용하게 되눈데, 실험환경이 아닌 실제 환경에 서는 같은 영역에 대해 일정한 픽셀값을 얻기가 어렵고, 조도도 알 정하지 않으므로 차영상 과정에서 임계 값을 주어 동일 카메라로 얻어진 영상의 픽셀값이 미소하게 변화해도 원하는 영상을 구할 수 있도록 한다.
  • 본 논문에서는 차 영상을 이용하여 보다 정확한 얼굴영역을 추출하 고 분리된 얼굴 영역에서 HOLA(고차 국소 자동 상관함수)를 이용하여 특징 벡터를 추출한다. 이를 정규화한 후 다충 BPfBackpropagation Network) 신경망에 입력함으로써 연산 시간과 학습 시간 올 단축하고 시스템구현을 용이하도록 하였다. 이를 위하여 2장에서는 다충 BP 신경망과 HOLA(고차 국소 자동 상관함수)의 제반 이론에 대하여 고찰하고, 3장에서는 차 영상 기반 얼굴검색 알고리즘과 고차 국소 자동 상관함수를 이용한 특징추출 알고리즘을 제안한다.
  • 고차 국소 상관계수(HOLA)롤 통해 얻은 25개의 얼굴 특징 벡터는 데이터베이스에 저장되어 신경망 학습을 위한 입력패턴으로 사용된다. 특징 벡터를 이용한 얼굴인식을 위하여 설계된 신경망은 입력층, 은닉 충, 출력층의 뉴런 수는 각각 25, 50, 5개로 하였다. 또한 학습 계수로는 학습룔은 0.
  • 얼굴에서의 특징들은 눈썹, 눈, 코, 입에 그 얼굴에 대한 대부분의 정보가 존재하므로 이 5가지 영역을 포함하도록 사각형 모양의 얼굴 영역을 입력 영상으로부터 분리해 내었다. 특징 영역 분할을 위해 먼 저 미디안 필터를 이용하여 잡음 제거후 Sobel 연산자를 이용하여 에지를 검출하였다. 이 검출된 에지 성분들의 가로 방향 히스토그램 올 살펴보면 가장 많은 에지를 포함하는 부분이 눈 영역 근처가 되므로 가장 많은 에지를 가진 위치에서 위쪽 방향으로 픽셀값을 조사하여 눈썹의 상한 위치를 찾아내었다.
  • 다충 퍼셉트론의 학습 방법인 BP 학습 알고리즘은 교사 신호에 의한 학습 방법이다. 학습은 실제 출력을 얻는 순방향 부분과 살제 출력과 교사 신호의 오차를 구하여 역전파 시켜 델타 규칙으로 가중치를 수정하는 역전파 부분으로 나누어져서 이루어진다. 델타 규칙의 기본은 현재의 가중치로 계산된 실제 출력과 원하는 출력 간의 오차를 감소시키는 방향으로 가중치를 조정하는 것이다.

이론/모형

  • 본 논문에서는 동일 장소와 일정한 환경하에서 취득된 두 입력영 상을 차 영상 법을 이용하여 배경영상에서 인물영역을 분리하고 얼굴을 검색한다. 먼저 카메라로부터 동일배경과 동일 거리에 있는 영상을 25 6X256 크기의 그레이 스케일(Gray Scale)로 취득하고, 영상 내의 잡음 제거를 위해 가우시안(Gaussian) 필터를 사용한다. 취득된 두 입력 영상은은 배경영상과 배경영상 내에 인물이 포함된 영상이다.
본문요약 정보가 도움이 되었나요?

관련 콘텐츠

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