선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 형판 정합의 또 다른 문제점들이 영상의 스케알 변화나 기울기 변화에 취약하다는 것이다. 본 연구에서는 이러한 문제를 줄여주기 위해 여러 크기와 각도로 눈 모델을 변환하여 다양한 스케일과 각도의 모델을 사용하였는데, 표 1은 이러한 변환의 정도를 보여주고 있다.
- 이러한 결과들을 바탕으로 하여 본 논문에서는 새로운 얼굴 인식 알고리즘을 제안한다. 제안된 알고리즘은 얼굴영역이 잘 추출된 경우 매우 안정적으로 인식한다는 PCA의 장점과, 실험을 통해 확인된 형판정합을 통한 안정적인 얼굴 영역의 추출을 논리적인 바탕으로 한다.
제안 방법
- 결국 눈 영상을 스케일과 회전에 따라 각각 5가지씩 총 25개의 눈 형판(Template)올 사용하여 눈 영역 추출에 사용하였다. 이러한 스케일과 각도는 실험을 통해 가장 적합하다고 판단 되어진 것으로 제안된 방법에서 눈 모델을 인식올 위해서 사용하는 것이 아니라 얼굴영역의 추출을 위해 사용된 것이므로 이 정도의 모델을 사용해도 좋은 결과를 나타낼 수 있다.
- 또한 두 눈사이의 각도를 계산하여 영상내의 얼굴의 회전 정도를 결정한다. 다음으로 이러한 회전 정도와 스케일 정도를 기반으로 얼굴 영역의 영상을 변환 (Transformation) 총卜여 정규화된 입력 영상을 구한다. 이렇게 정규화된 얼굴 영상은 모델 영상과 유사한 각도와 크기를 가지게 된다.
- 형판정합에서 추출된 두 눈 사이의 거리를 모델에서의 거리와 비교하여 얼굴 영상의 스케일 정도를 먼저 구한다. 또한 두 눈사이의 각도를 계산하여 영상내의 얼굴의 회전 정도를 결정한다. 다음으로 이러한 회전 정도와 스케일 정도를 기반으로 얼굴 영역의 영상을 변환 (Transformation) 총卜여 정규화된 입력 영상을 구한다.
- 또한 이러한 방법의 코릴레이션 계산에는 일반적으로 매우 시간이 많이 걸리게 되는데, 처리시간을 줄이기 위해 본 연구에서는 영상 피라미드를 사용하였다. 즉 영상의 피라미드에서 가장 해상도가 떨어지는 상위의 영상에서만 전체 탐색(Full Search)를 수행하고, 하위 영상에서는 상위 영상에서 찾아진 영역 주위만을 탐색하는 방법을 채택하였는데, 이러한 방법을 통해 대폭적인 처리시간의 감축을 가져왔다.
- 본 논문에서는 PCA시스템으로 얼굴인식을 수행하는데 있어 전처리 과정의 중요성을 안식하여 먼저 눈이라고 생각되는 영역을 형판 정합방법을 이용하여 추출하고, 눈의 위치 정보를 사용하여 얼굴 영역의 크기, 회전, 및 밝기를 보정한 정규화 얼굴영상을 만들어 PCA의 입력으로 사용하는 방법을 제안하였다. 이렇게 함으로써 PCA가 안정된 영상이 입력되면 좋은 인식률올 보이지만 전반적인 조명의 변화에 잘 대응하지 못하고, 복잡한 배경인 경우 얼굴영역의 위치 변화에 민감하며, 많이 기울어진 영상에 취약하다는 단점올 보완할 수 있었다.
- 회전된 얼굴영상은 앞서 언급한 바와 같이 표1에 의해서 매칭이 이루어지고 두 눈사이의 각도를 이용하여 정규화된 얼굴영상을 얻게되고 스케일링 방법 역시 표1에 의해 눈영역을 추출하고 얼굴영상을 축소 또는 확대하여 정규화된 얼굴영상을 얻는다. 본 연구에서는 20명에 대한 트레이닝 셋올 학습하여 인식률과 오인식률을 측정하였다 먼저 18명의 학습된 얼굴과 동일한 표본과 알려지지 않은 얼굴2명에 대하여 각각 5회에 걸쳐 인식 작업을 실시하였는데 PCA만의 인식작업에서는 인식률이 85%. 오인식률이 10%가 측정되었지만 PCA와 본 연구에서 제안한 인식 알고리즘을 복합적으로 사용하였을 경우 인식률, 오인식률이 각각에 대하여 90%, 3%로 오 인식률 및 인식률이 상당히 개선된 것을 알수 있다
- 본 연구에서는 전처리 과정에서 눈 영역을 형판정합을 이용하여 찾은 후 회전(Rotation)과 스케일링(Scaling)의 전처리를 거친 후 얼굴 영역을 결정하여 주성분 분석(Principal Component Analysis) 방법을 이용하여 얼굴 인식을 수행하는 방법을 제안한다.
- 얼굴을 분류하는 방법에는 RBF, MLP, SVM과 같온 신경망(Neural Network)를 이용한 방법과 거리 측정에 의한 표현값의 거리를 측정하는 Nearest Neighbor방법이 있는테 본 연구에서는 트레이닝 셋의 성분값과 새로운 얼굴이미지의 성분값과의 거리를 측정하는 기하학적 거리 방법을 이용하였다.
- 여기서 고려해야 하는 사항은 각 얼굴 라이브러리에 저장되는 모델의 얼굴 크기를 가능한 한 일정하게 유지하도록 하는 것이다. 이를 위해 본 연구에서 채택한 방법은 눈 영역의 위치를 지정해주는 방법이다. 그림 1온 전체 학습과정을 보여주고 있다.
- 이러한 결과들을 바탕으로 하여 본 논문에서는 새로운 얼굴 인식 알고리즘을 제안한다. 제안된 알고리즘은 얼굴영역이 잘 추출된 경우 매우 안정적으로 인식한다는 PCA의 장점과, 실험을 통해 확인된 형판정합을 통한 안정적인 얼굴 영역의 추출을 논리적인 바탕으로 한다. 즉 입력이 영상이 주어지면 먼저 형판정합을 통해 얼굴 영역을 추출하고, 이 결과를 이용하여 얼굴영역을 정규화한 후 정규화된 얼굴 영상을 PCA에 입력하여 인식함으로써 인식률을 높이고자 하였다.
- 제안된 알고리즘은 형판정합을 이용해 먼저 얼굴 영역을 찾고 찾아진 얼굴 영역을 정규화 하여 PCA를 이용한 인식무의 입력 영상으로 사용하는 것을 그 톡징으로 하는데, 그림 2는 제안된 인식 방법올 보여주고 있다. 제안된 인식 방법에서 가장 중요한 부분이 형판 정합올 이용하여 얼굴 영역을 추출하는 과정과 얼굴 영역의 정규화 과정이다.
- 제안된 알고리즘은 형판정합을 이용해 먼저 얼굴 영역을 찾고 찾아진 얼굴 영역을 정규화 하여 PCA를 이용한 인식무의 입력 영상으로 사용하는 것을 그 톡징으로 하는데, 그림 2는 제안된 인식 방법올 보여주고 있다. 제안된 인식 방법에서 가장 중요한 부분이 형판 정합올 이용하여 얼굴 영역을 추출하는 과정과 얼굴 영역의 정규화 과정이다.
- 제안된 알고리즘은 얼굴영역이 잘 추출된 경우 매우 안정적으로 인식한다는 PCA의 장점과, 실험을 통해 확인된 형판정합을 통한 안정적인 얼굴 영역의 추출을 논리적인 바탕으로 한다. 즉 입력이 영상이 주어지면 먼저 형판정합을 통해 얼굴 영역을 추출하고, 이 결과를 이용하여 얼굴영역을 정규화한 후 정규화된 얼굴 영상을 PCA에 입력하여 인식함으로써 인식률을 높이고자 하였다.
- 학습 모엘(Training Set)을 모두 추출하였으면 이 영상들울 이용하여 PCA방법의 학습과정을 수행한다,
- 형판정합에서 추출된 두 눈 사이의 거리를 모델에서의 거리와 비교하여 얼굴 영상의 스케일 정도를 먼저 구한다. 또한 두 눈사이의 각도를 계산하여 영상내의 얼굴의 회전 정도를 결정한다.
대상 데이터
- 본 연구에서는 일반적인 눈의 형판을 만들어서 인식에 사용하였는데, 일반적으로 눈의 크기나 쌍거푤, 안경의 유무둥에 따라 눈 부근의 영상이 조금씩 달라질 수 있다. 따라서 일반적인 눈 모델을 만들기 위해서는 가능한 한 다양한 눈의 형태를 사용하여야 한다 본 연구에서는 20명의 눈 영역을 평균하여 일반적인 눈 모델을 만들었는데 안경올 착용한 사람 10명과 그렇지 않은 10명올 사용하였다.
- 본 연구에서 사용한 눈 형판(Template)의 크기는 32x32를 사용했는데, 일반적으로 형판정합을 인식용으로 사용하는 경우 코릴레이션 값이 0.8이상이어야 얀정적인 인식이 된다. 그러나 본 논문에서와 같이 비슷한 부분올 찾는 용도로 사용하는 경우 0.
- 본 연구에서 사용한 얼굴 영역의 판단 요수로 눈 영역올 사용하였다. 눈온 얼굴에서 가장 조명의 변화에 민감하지 않은 영역이므로 많은 알고리즘에서 탐색의 주요 요소로 사용되고 있다.
이론/모형
- 이것은 밝기에 민감한 PCA의 특성을 보완하기 위한 것으로 본 논문예서는 입력 영상에 대하여 밝기 보정에 광범위하기 쓰이는 최소- 최대 정규화 (Min-Max Normalization)을 사용하였으며 수식은 식(6)과 같다.
성능/효과
- 밝기 보정에 사용되는 영상에 얼굴 이외의 영역이 많이 포함되면 같은 사람이더라도 배경의 밝기에 따라 보정후의 얼굴영역의 밝기가 매우 상이하게 나타날 수 있는데, 본 연구에서는 먼저 얼굴영역을 추출하여 정규화된 영상은 얼굴영역만을 포함하게 되고, 따라서 매우 안정적이고 효과적으로 보정이 된다. 이렇게 크기와 회전, 밝기가 정규화된 얼굴 영역 영상을 PCA의 입력으로 하여 인식과정이 수행된다
- 이 방법은 처리시간 문제나 모델의 크기변화나 회전에 잘 대응하지 못한다는 단점에도 불구하고 전반적인 조명의 변화에 매우 안정적이라는 장첨이 있다. 실험 결과 이러한 방법을 얼굴의 인식과정에 사용하는 것에는 많은 문제점이 있지만, 적절한 방법으로 모델을 만들 경우 얼굴 영역을 추출한는 방법으로 사용하는 경우에는 매우 안정적인 결과를 나타내는 것을 알 수 있었다.
- 이렇게 함으로써 PCA가 안정된 영상이 입력되면 좋은 인식률올 보이지만 전반적인 조명의 변화에 잘 대응하지 못하고, 복잡한 배경인 경우 얼굴영역의 위치 변화에 민감하며, 많이 기울어진 영상에 취약하다는 단점올 보완할 수 있었다. 실험 결과 제안된 방법이 PCA의 인식 성능을 크게 향상시킴을 확인할 수 있었다.
- 본 연구에서는 20명에 대한 트레이닝 셋올 학습하여 인식률과 오인식률을 측정하였다 먼저 18명의 학습된 얼굴과 동일한 표본과 알려지지 않은 얼굴2명에 대하여 각각 5회에 걸쳐 인식 작업을 실시하였는데 PCA만의 인식작업에서는 인식률이 85%. 오인식률이 10%가 측정되었지만 PCA와 본 연구에서 제안한 인식 알고리즘을 복합적으로 사용하였을 경우 인식률, 오인식률이 각각에 대하여 90%, 3%로 오 인식률 및 인식률이 상당히 개선된 것을 알수 있다
- 결국 눈 영상을 스케일과 회전에 따라 각각 5가지씩 총 25개의 눈 형판(Template)올 사용하여 눈 영역 추출에 사용하였다. 이러한 스케일과 각도는 실험을 통해 가장 적합하다고 판단 되어진 것으로 제안된 방법에서 눈 모델을 인식올 위해서 사용하는 것이 아니라 얼굴영역의 추출을 위해 사용된 것이므로 이 정도의 모델을 사용해도 좋은 결과를 나타낼 수 있다.
- 본 논문에서는 PCA시스템으로 얼굴인식을 수행하는데 있어 전처리 과정의 중요성을 안식하여 먼저 눈이라고 생각되는 영역을 형판 정합방법을 이용하여 추출하고, 눈의 위치 정보를 사용하여 얼굴 영역의 크기, 회전, 및 밝기를 보정한 정규화 얼굴영상을 만들어 PCA의 입력으로 사용하는 방법을 제안하였다. 이렇게 함으로써 PCA가 안정된 영상이 입력되면 좋은 인식률올 보이지만 전반적인 조명의 변화에 잘 대응하지 못하고, 복잡한 배경인 경우 얼굴영역의 위치 변화에 민감하며, 많이 기울어진 영상에 취약하다는 단점올 보완할 수 있었다. 실험 결과 제안된 방법이 PCA의 인식 성능을 크게 향상시킴을 확인할 수 있었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.