초록

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

본 논문에서는 수정된 CNN(Convolutional Neural Network) 모델과 다중 필터가 상호 결합된 형태의 얼굴 패턴 검출 기법을 소개 한다. 이는 로봇 시각의 응용문제에서 실내영상의 실시간 인식문제를 대상으로 한다. 검출 과정의 효율성 향상을 위하여 도입된 다중 필터는 후보 영역의 개수와 범위를 줄일 수 있게 한다. 제안된 모델에서 CNN 신경망은 가보변환(Gabor Transform)계층을 두어 검출 과정의 첫 단계에서 영상 내의 기본 특징 지도를 생성 하도록 하였다. 보다 강인한 검출기능을 위하여 조명보정 기법이 시스템의 전처리 단계로 구현 된다. 실제 영상을 통한 실험 결과로부터 제안된 이론의 타당성을 고찰 한다.

본 논문에서는 수정된 CNN(Convolutional Neural Network) 모델과 다중 필터가 상호 결합된 형태의 얼굴 패턴 검출 기법을 소개 한다. 이는 로봇 시각의 응용문제에서 실내영상의 실시간 인식문제를 대상으로 한다. 검출 과정의 효율성 향상을 위하여 도입된 다중 필터는 후보 영역의 개수와 범위를 줄일 수 있게 한다. 제안된 모델에서 CNN 신경망은 가보변환(Gabor Transform)계층을 두어 검출 과정의 첫 단계에서 영상 내의 기본 특징 지도를 생성 하도록 하였다. 보다 강인한 검출기능을 위하여 조명보정 기법이 시스템의 전처리 단계로 구현 된다. 실제 영상을 통한 실험 결과로부터 제안된 이론의 타당성을 고찰 한다.

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

• 기존의 연구에서 모션 필터에 관하여 매우 다양한 방법론이 제안된 바 있다. 그러나 본 연구에서는 시스템의 실시간 응답 특성을 고려하기 위하여 단순화 된 필터를 사용하여 실행 시간의 최적화를 시도하였다.
• 본 연구에서는 실내영상의 실시간 인식문제를 대상으로 얼굴 패턴 검출을 위한 신경망 기법을 소개한다. 이는 CNN 모델과 다중 필터가 상호 결합된 형태를 가지며 전처리 단계로서 조명 보정기법을 고려한다.
• 본 연구에서는 실제 적용 환경에서 획득한 다량의 데이터로부터 피부색의 특성을 분석, 학습하도록 하였다. 그림 2는 실제 영상을 대상으로 분석한 피부색에 대한 특징 분석 결과의 예이다.
• 본 연구에서는 얼굴검출을 위한 방법론으로서 다단계 필터와 복합형 신경망을 이용한 모델을 제시하였다. 이는 실내 영상을 대상으로 한 실시간 인식 및 추적시스템을 목표로 한다.
• 이에 본 연구에서는 얼굴 검출 모듈의 전 단계로서 다양한 특징 요소를 고려한 필터링 작업을 통해 얼굴 검출을 위한 후보 영역을 결정하여 상기의 문제점들을 개선하고자 한다.

제안 방법

• 얼굴 검출 모듈에서 사용한 신경망 모델은 CNN 모델의 변형과 수정된 구조의 FMM 모델을 상호 결합한 형태이다. 보다 미세한 특징의 추출을 위하여 CNN 모델의 첫 번째 계층에서 가보필터를 적용하여 기본 특징지도를 생성하도록 하였으며, 이는 3개의 계층을 거쳐 분류 신경망의 입력특징을 생성하게 된다. 패턴 분류 신경망으로 사용된 신경망은 가중치를 갖는 구조의 FMM 신경망 모델이다.
• 검출 과정에서 후보 영역의 개수와 범위를 줄이기 위하여 움직임, 색상, 명암의 특징 요소를 고려한 3 종류의 필터가 도입된다. 본 연구에서는 기존의 CNN 신경망의 C₁ 계층을 가보변환(Gabor Transform 계층으로 대체 하여 검출 과정의 첫 단계에서 영상 내의 기본특징 지도를 생성 하도록 하였다. 실제 영상을 통한 실험 결과로부터 제안된 이론의 타당성을 고찰 한다.
• 본 연구에서는 명암 요소를 고려한 필터를 두 가지 형태의 신경망으로 고려한다. 먼저 다층 퍼셉트론을 가진 전 방향 신경망으로 필터를 구성한다.
• 이로부터 제안된 모델에서는 8 방향의 특징 지도를 생성하도록 하였다. 38 X 42의 최초 입력 영상은 가보 필터를 거쳐 28X32의 특징 지도로 생성 되며, 두 번째 계층에서 2 X 2 영역 으로 표본 추출 하여 14 X 16 크기로 조정된다.
• 이는 반대 예제(Counter example)패턴을 사용한 추가 학습으로 개선할 수 있다. 이에 배경 영상으로부터 비얼굴(Non-face) 패턴을 추출하여 점진적으로 학습 시켜 그 효과를 평가하였다. 표 1은 예제 패턴 수의 변화에 따른 인식률의 변화를 보인다.
• 제안된 시스템에서 전처리의 결과는 얼굴 검출 모듈의 입력이 될 대상 영역을 결정한다. 그림에 보인 바와 같이 필터링 등의 전처리 과정을 통하여 대상 영역의 개수와 규모를 획기적으로 줄일 수 있게 된다.
• 제안된 시스템에서 패턴 분류기(Pattern classifier) 는수정된 구조의 퍼지 최대최소신경망을 사용하여 구현하였다. 이는 기존의 FMM 신경망[6]에서 가중치 요소를 결합한 형태의 신경망으로 WFMMNN(Weighted Fuzzy Min-Max Neural Network)으로 명명하였다.

대상 데이터

• 이러한 분석 결과로부터 색상 필터를 구현 하게 된다. 고려한 특징의 종류는 R, G B, 명 암, Cb, Cr 등 9 가지를 대상으로 분석하고 이들 중 선별적으로 적용하게 된다.
• 본 연구는 그림 1과 같은 구조의 얼굴 검출 시스템을 대상으로 한다. 그림에 보인 바와 같이 시스템은 크게 두 개의 모듈로 이루어 진다.
• 본 연구는 로봇 비전의 응용으로써 실내 영상의 얼굴 패턴 검출 문제를 대상으로 한다. 따라서 연속 영상을 입력 데이터로 고려 함으로서 움직임 정보를 이용할 수 있다.
• 본 연구는 실내 영상에서 실시간 얼굴 검출 시스템을 대상으로 한다. 그림 5 는 조명 보정 기법과 모션 필터, 색상 필터 및 신경망 필터를 적용한 결과를 보인다.
• 보인다. 실험에서 얼굴 패턴 및 배경 영상 정보를 각각 100 개를 추출하여 학습 패턴으로 사용하였다. 예제 패턴에 의한 학습으로부터 검출 율을 상승 시킬 수 있으나 오인식율 (False alarm rate)은 개선이 미미하였다.

이론/모형

• 이에 본 연구에서는 시스템의 전처리 단계로서 조명 보정 과정을 수행 한다. 이를 위하여 “Refeience White"[2] 기법을 채택하였다. 이는 입력되는 전체 영상에서 luma(비 선형적으로 감마 보정된 밝기값) 값의 범위를 구한 후, luma 값의 상위 일정 비율의 픽셀을 특정 그룹으로 정의 한다.
• 먼저 다층 퍼셉트론을 가진 전 방향 신경망으로 필터를 구성한다. 그 다음 Feraud 등이 제안한 Constrained Generative Model(CGM) 을 이용하여 명암 필터를 구성한다[4]. CGM 은 3 개의계층을 갖는다.

성능/효과

• 표 2는 반대 예제 패턴수의 변화를 주어 오인식율의 변화를 관찰한 것이다. 비얼굴 학습 패턴의 개수가 증가함에 따라 오인식율은 점진적으로 감소하였다.
• 패턴 분류 신경망으로 사용된 신경망은 가중치를 갖는 구조의 FMM 신경망 모델이다. 이는 기존의 FMM 모델의 갖는 효율적인 학습기능과 분류기능을 제공하면서, 특징집합에서 특징 값의 빈도와 분포에 따른 변화를 효과적으로 반영함으로써, 비 정규 데이터 및 노이즈에 의한 학습효과의 저하를 개선할 수 있게 한다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기