초록

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

본 논문에서는 얼굴 영상의 변화를 보상할 수 있는 전처리 과정으로서 기하학적 특징에 기반한 순수 얼굴 영역 검출 기법을 도입하고 분류기로서 간단한 정합 기법을 사용한 얼굴 인식 기법을 제안한다. 실험결과를 보면 제안한 기법은 NNC, BPN, SVM 분류 기법에 비해 월등한 성능을 가진다.

본 논문에서는 얼굴 영상의 변화를 보상할 수 있는 전처리 과정으로서 기하학적 특징에 기반한 순수 얼굴 영역 검출 기법을 도입하고 분류기로서 간단한 정합 기법을 사용한 얼굴 인식 기법을 제안한다. 실험결과를 보면 제안한 기법은 NNC, BPN, SVM 분류 기법에 비해 월등한 성능을 가진다.

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

• 각 클래스마다 10개의 순수 얼굴 영상을 추출하여 30x30 크기로 정규화 하였다. PCA+LDA 기법에서의 NNC, BPN, SVM 분류기 및 템플리트 정합 기법의 성능을 비교하기 위해 leave-one-out 방식을 사용해 에러율을 측정하였고 그 결과를 표 1에 보인다.
• 실험에서는 그림 1에 보인바와 같이 AR-face 데이터베 이스을 사용하였다. 기하학적 특징에 기반한 순수 얼굴 영역 검출기법을 적용하여 각 영상으로부터 회전과 이동 변화가 보상된 순수 얼굴 영역을 추출하였다. 그림 2에 그 예를 보인다.

대상 데이터

• 실험에서는 그림 1에 보인바와 같이 AR-face 데이터베 이스을 사용하였다. 기하학적 특징에 기반한 순수 얼굴 영역 검출기법을 적용하여 각 영상으로부터 회전과 이동 변화가 보상된 순수 얼굴 영역을 추출하였다.
• 회전, 이동변화에 따른 인식 알고리즘의 강건성을 유추하기 위해, 전처리 과정을 하지 않은 AR-face 데이터베이스 로 실험하였다. 그림 1에 대한 실험결과를 표 2에 제시한다.

이론/모형

• 각 클래스마다 10개의 순수 얼굴 영상을 추출하여 30x30 크기로 정규화 하였다. PCA+LDA 기법에서의 NNC, BPN, SVM 분류기 및 템플리트 정합 기법의 성능을 비교하기 위해 leave-one-out 방식을 사용해 에러율을 측정하였고 그 결과를 표 1에 보인다. 템플리트 정합의 성능은 Nc어) 무관 하게 99%의 옳은 인식률을 보이며 성능이 월등함을 알 수 있다.
• 쌍 단위 분류방법은 각 쌍마다 분류기를 만드는 방법으로 机*厂L)_ 개의 모든 조합에 대하여 SVM분류기를 학습 시키는 것이다. 본 논문에서는 SVM을 다중클래스 분류 기로 확장하기 위하여 두 번째 구조인 쌍 단위 분류 방 법(one-against-one strategy)을 채택하였다.
• 그림 2에 그 예를 보인다. 조명 변화를 보상하기 위해 DC-notch filter를 사용하였다. 얼굴 영역 검출 기법에 관한 자세한 내용은 [5]에서 다루고 있다.

성능/효과

• 얼굴 인식기법에서 전처리 과정을 도입하지 않은 템플리트 정합기법은 PCA+LDA mapping 기법에서의 NNC, BPN, SVM 분류 기법보다 얼굴 영역의 미세한 회전과 이동 변화에 민감하게 반응하여 높은 인식율을 유지하기 어려움을 실험을 통해 확인하였다. 따라서 기하학적 특징에 기반한 순수 얼굴영역 검출기법과 같이 회전 및 이동 변화를 보상할 수 있는 강건한 전처리 과정올 도입할 경우, 본 논문에서 제안한 간단한 템플리트 정합 기법이 다른 분류기법에 비해 월둥한 성능을 가짐을 확인하였다.
• 본 논문에서는 PCA+LDA에 의한 mapping기법에서의 NNC, BPN, SVM 분류기 및 템플리트 정합 기법의 인식 특성을 비교하고 강건한 전처리 과정으로서 기하학적 특징 에 기 반한 순수 얼굴 검출 기 법 [5]을 도입 한 후 분류기 법 으로서 간단한 템플리트 정합 기법을 사용하여 월등한 성 능의 얼굴인식 알고리즘을 구현할 수 있음을 보인다.
• 그림 1에 대한 실험결과를 표 2에 제시한다. 실험결과는 템플리트 정합 기법이 PCA+ LDA 기법에 서의 NNC, BPN, SVM 분류기법에 비해 인식성능이 떨어 짐을 보인다. 따라서 표 2에서 제시한 바와 같이 템플리트 정합 기법에서 고 정확도의 얼굴인식 기법을 구현하기 위해서는 영상의 미세한 변화를 보상할 수 있는 전처리 과정의 선택이 필수적이다.
• 얼굴 인식기법에서 전처리 과정을 도입하지 않은 템플리트 정합기법은 PCA+LDA mapping 기법에서의 NNC, BPN, SVM 분류 기법보다 얼굴 영역의 미세한 회전과 이동 변화에 민감하게 반응하여 높은 인식율을 유지하기 어려움을 실험을 통해 확인하였다. 따라서 기하학적 특징에 기반한 순수 얼굴영역 검출기법과 같이 회전 및 이동 변화를 보상할 수 있는 강건한 전처리 과정올 도입할 경우, 본 논문에서 제안한 간단한 템플리트 정합 기법이 다른 분류기법에 비해 월둥한 성능을 가짐을 확인하였다.
• PCA+LDA 기법에서의 NNC, BPN, SVM 분류기 및 템플리트 정합 기법의 성능을 비교하기 위해 leave-one-out 방식을 사용해 에러율을 측정하였고 그 결과를 표 1에 보인다. 템플리트 정합의 성능은 Nc어) 무관 하게 99%의 옳은 인식률을 보이며 성능이 월등함을 알 수 있다. 이는 전처리 과정에서 얼굴 영상의 변화가 이미 정확 히 보상되었기 때문이다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기