초록

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

본 논문에서는 다중필터와 복합형 신경망으로 구성된 얼굴 검출 시스템과 WFMM 신경망을 이용한 피부색 검출기법을 소개한다. 전처리 단계에 해당하는 다중필터는 대상 영역의 수를 감소 시켜 시스템의 속도를 개선한다. 다중필터에 속한 색상필터는 총 11 가지의 색상 공간에서 피부색의 특징 값을 추출하여 학습 데이터로 사용하며, 이 학습 데이터에 의해 생성된 하이퍼 박스를 통해 피부색을 분류한다. 또한 WFMM 신경망의 연관도 요소 특성을 이용하여 각 색상 공간의 상대적 중요도를 분석하여 피부색 검출에 유용한 색상 공간을 분석하고 추출 한다. 얼굴패턴 검출을 위한 복합형 신경망은 첫 단계에서 가보 변환을 사용하는 CNN 을 통해 특징 지도를 생성하고, WFMM 신경망으로 최종 얼굴패턴을 검증한다.

본 논문에서는 다중필터와 복합형 신경망으로 구성된 얼굴 검출 시스템과 WFMM 신경망을 이용한 피부색 검출기법을 소개한다. 전처리 단계에 해당하는 다중필터는 대상 영역의 수를 감소 시켜 시스템의 속도를 개선한다. 다중필터에 속한 색상필터는 총 11 가지의 색상 공간에서 피부색의 특징 값을 추출하여 학습 데이터로 사용하며, 이 학습 데이터에 의해 생성된 하이퍼 박스를 통해 피부색을 분류한다. 또한 WFMM 신경망의 연관도 요소 특성을 이용하여 각 색상 공간의 상대적 중요도를 분석하여 피부색 검출에 유용한 색상 공간을 분석하고 추출 한다. 얼굴패턴 검출을 위한 복합형 신경망은 첫 단계에서 가보 변환을 사용하는 CNN 을 통해 특징 지도를 생성하고, WFMM 신경망으로 최종 얼굴패턴을 검증한다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법

문제 정의

• 본 논문에서는 얼굴패턴 검출을 위한 방법론으로 다단계필터와 복합형 신경망을 이용한 모델을 제시 하였다. 이는 실내 영상에서 실시간 인식을 목표로 한다.
• 분류과정 에 서 사용한 WFMM 신경망은 학습데 이터에서 발생한 특징 값의 빈도와 분포를 고려하여 특징의 중요도를 평가하고, 신경망의 입력 특징의 수를 줄여 신경망의 규모를 작게 한다. 본 연구에서는 이들에 대한 이론적 정리와 실제 환경에서 적용한 실험 결과를 고찰한다.

제안 방법

• 2 에서 보는 바와 같이 최초의 샘플링 계층에 가보 변환을 사용한 CNN 모델을 사용하였다. 또한 패턴 분류 과정에서는 WFMM 신경망을 사용하였다. 이는 최종 단계에서 추출된 특징 중 상대적 중요도가 높은 특징들을 선별적으로 추출할 수 있게 하여 패턴분류를 위한 신경망의 입력의 크기를 줄이게 하고 신경망의 규모 및 계산량을 감소시켜 시스템의 성능을 개선한다.
• 본 논문에서는 실내 환경에서 획득한 다량의 피부색 데이터로부터 특징 값들을 얻어낸 후 WFMM 신경망을 통하여 학습하여 색상필터로 사용한다. 그림.
• 시스템의 성능 향상을 위해 후보 영역을 결정하는 색상필터는 총 11 가지의 색상공간에서 특징값을 추출하여 WFMM 신경망에 학습한다. 11 가지의 색상공간은 적색, 녹색, 청색, 명암, Cb, Cr, 자홍, 청록, 노랑, 색상, 채도이다.
• 전처리 단계에서 후보 영역을 결정하기 위해 사용한 색상필터는 실내 환경에서 획득한 다량의 피부색 데이터를 WFMM 신경망을 통해 학습하여 사용하였다. 얼굴 검출 모듈에서는 특징 지도 생성을 위해 첫 번째 단계에서 가보 변환을 거치는 CNN 을 사용하였고 패턴 분류 신경망으로 WFMM 신경망을 사용하였다. 특징과 클래스 간의 관계를 분석하기 위해 제안된 4 가 지의 연관도 요소는 피부색을 검출하는데 있어서 주요하게 사용되는 특징들을 분석하고 선별 할 수 있게 하였다.
• 제안된 얼굴 검출 시스템에서는 전처리 과정으로 조명변화 보정 및 필터링을 사용하여 대상 영역의 수를 줄인다. 이 때 사용하는 색상필터는 총 11 가지의 색상 공간에서 추출해낸 특징 값을 WFMM 신경망에 학습을 시킴으로써 피부색을 분류한다.
• 이는 실내 영상에서 실시간 인식을 목표로 한다. 전처리 단계에서 후보 영역을 결정하기 위해 사용한 색상필터는 실내 환경에서 획득한 다량의 피부색 데이터를 WFMM 신경망을 통해 학습하여 사용하였다. 얼굴 검출 모듈에서는 특징 지도 생성을 위해 첫 번째 단계에서 가보 변환을 거치는 CNN 을 사용하였고 패턴 분류 신경망으로 WFMM 신경망을 사용하였다.
• 제안된 얼굴 검출 시스템에서는 전처리 과정으로 조명변화 보정 및 필터링을 사용하여 대상 영역의 수를 줄인다. 이 때 사용하는 색상필터는 총 11 가지의 색상 공간에서 추출해낸 특징 값을 WFMM 신경망에 학습을 시킴으로써 피부색을 분류한다.
• 이들 연관도를 활용하여 특정 특징의 상대적 중요도를 평가할 수 있으며 이는 식 (10)에서와 같이 RF3 을 이용하여 정의한다. 특정 특징의 상대적 중요도는 각 개별 클래스에 대한 평균적인 중요도를 산출 함으로 평가한다. 이는 주어진 문제에 대하여 가장 효과적인 특징을 선별할 수 있게 한다.
• 얼굴 검출 모듈에서는 특징 지도 생성을 위해 첫 번째 단계에서 가보 변환을 거치는 CNN 을 사용하였고 패턴 분류 신경망으로 WFMM 신경망을 사용하였다. 특징과 클래스 간의 관계를 분석하기 위해 제안된 4 가 지의 연관도 요소는 피부색을 검출하는데 있어서 주요하게 사용되는 특징들을 분석하고 선별 할 수 있게 하였다.

대상 데이터

• 본 연구는 그림. 1 과 같은 얼굴패턴 검출 시스템을 대상으로 한다. 그림에서 보인 바와 같이 시스템에서 얼굴패턴 검출 모듈은 전처리 모듈과 패턴 검출 모듈 두 단계로 이루어 진다.

이론/모형

• 특 징 지도 생성은 그림. 2 에서 보는 바와 같이 최초의 샘플링 계층에 가보 변환을 사용한 CNN 모델을 사용하였다. 또한 패턴 분류 과정에서는 WFMM 신경망을 사용하였다.
• 본 연구에서 사용한 패턴 분류 모델은 WFMM 모델이다. 신경망의 활성화 특성은 다음과 같이 정의 되 는 하이퍼박스 멤버쉽 함수로써 결정된다.
• 모션필터는 연속 영상에의 각 픽셀의 색상 변화의 임계치를 적용하는 단순한 방법을 사용하였는데 이는 시스템의 실시간 응답을 위해 계산량을 줄이기 위해서이다. 색상 필 터 에서는 WFMM 신경망을 사용하였다. 이는 피부색패 턴 분류 기능 뿐만 아니라, 학습된 신경망으로부터 특징과 하이퍼박스간의 상호 연관도 요소를 분석하여 피부색을 검출하는데 필요한 색상 공간을 선별적으로 추출할 수 있게 한다.
• 전처리 모듈에서는 시스템의 성능을 개선하기 위해 다단계의 필터링과 조명 보정 과정을 연동하여 사용 한다. 조명 보정 과정은 2002 년 Hsu 등이 제안한 “Reference White”[2]기법을 사용하였다. 모션필터는 연속 영상에의 각 픽셀의 색상 변화의 임계치를 적용하는 단순한 방법을 사용하였는데 이는 시스템의 실시간 응답을 위해 계산량을 줄이기 위해서이다.
• 얼굴 검출 모듈은 특징 추출과 분류과정으로 분류 된다. 특징 추출 과정은 첫 번째 계층에 가보(Gabor) 변환을 이용하여 기본 특징을 추출하는 CNN 을 사용하였다. 분류과정 에 서 사용한 WFMM 신경망은 학습데 이터에서 발생한 특징 값의 빈도와 분포를 고려하여 특징의 중요도를 평가하고, 신경망의 입력 특징의 수를 줄여 신경망의 규모를 작게 한다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기