얼굴 추출은 휴먼 인터페이스와 생체 인식 및 보안을 위해 매우 중요한 분야이다. 본 논문에서는 동영상에서 얼굴의 윤곽선을 추출하기 위해, DCM(Dilation of Color and Motion)필터와 동적 윤곽선 모델(Active Contour Model) 적용한다. 먼저, 본 논문에서 제안된 DCM 필터는 모폴로지의 팽창 연산이 적용된 얼굴 색상영상과 차영상을 결합하고 이를 다시 팽창한 것으로 동영상에서 복잡한 배경을 제거하고 얼굴 영역을 검출하기 위해 사용된다. 동적 윤곽선 모델은 초기 곡선에 영향을 많이 받으므로, 얼굴과 눈, 입의 기하학적인 비율을 이용하여 회전정도를 구한 후, 이를 이용하여 초기 곡선을 자동으로 설정한다. 에지가 약한 부분에서의 윤곽선 추출을 위해, 스네이크의 영상에너지로 에지영상과 밝기영상을 함께 사용하였다. 복잡한 배경이 있는 실내 환경에서 총 5명으로부터 양 눈이 보이는 다양한 헤드 포즈 영상을 25장씩 샘플링하여 총 125장에 대해 실험한 결과, 얼굴 윤곽선의 평균 추출률은 98.1%, 평균 처리시간은 0.2초로 나타났다.
얼굴 추출은 휴먼 인터페이스와 생체 인식 및 보안을 위해 매우 중요한 분야이다. 본 논문에서는 동영상에서 얼굴의 윤곽선을 추출하기 위해, DCM(Dilation of Color and Motion)필터와 동적 윤곽선 모델(Active Contour Model) 적용한다. 먼저, 본 논문에서 제안된 DCM 필터는 모폴로지의 팽창 연산이 적용된 얼굴 색상영상과 차영상을 결합하고 이를 다시 팽창한 것으로 동영상에서 복잡한 배경을 제거하고 얼굴 영역을 검출하기 위해 사용된다. 동적 윤곽선 모델은 초기 곡선에 영향을 많이 받으므로, 얼굴과 눈, 입의 기하학적인 비율을 이용하여 회전정도를 구한 후, 이를 이용하여 초기 곡선을 자동으로 설정한다. 에지가 약한 부분에서의 윤곽선 추출을 위해, 스네이크의 영상에너지로 에지영상과 밝기영상을 함께 사용하였다. 복잡한 배경이 있는 실내 환경에서 총 5명으로부터 양 눈이 보이는 다양한 헤드 포즈 영상을 25장씩 샘플링하여 총 125장에 대해 실험한 결과, 얼굴 윤곽선의 평균 추출률은 98.1%, 평균 처리시간은 0.2초로 나타났다.
The extraction of a face is a very important part for human interface, biometrics and security. In this paper, we applies DCM(Dilation of Color and Motion) filter and Active Contour Models to extract facial outline. First, DCM filter is made by applying morphology dilation to the combination of faci...
The extraction of a face is a very important part for human interface, biometrics and security. In this paper, we applies DCM(Dilation of Color and Motion) filter and Active Contour Models to extract facial outline. First, DCM filter is made by applying morphology dilation to the combination of facial color image and differential image applied by dilation previously. This filter is used to remove complex background and to detect facial outline. Because Active Contour Models receive a large effect according to initial curves, we calculate rotational degree using geometric ratio of face, eyes and mouth. We use edgeness and intensity as an image energy, in order to extract outline in the area of weak edge. We acquire various head-pose images with both eyes from five persons in inner space with complex background. As an experimental result with total 125 images gathered by 25 per person, it shows that average extraction rate of facial outline is 98.1% and average processing time is 0.2sec.
The extraction of a face is a very important part for human interface, biometrics and security. In this paper, we applies DCM(Dilation of Color and Motion) filter and Active Contour Models to extract facial outline. First, DCM filter is made by applying morphology dilation to the combination of facial color image and differential image applied by dilation previously. This filter is used to remove complex background and to detect facial outline. Because Active Contour Models receive a large effect according to initial curves, we calculate rotational degree using geometric ratio of face, eyes and mouth. We use edgeness and intensity as an image energy, in order to extract outline in the area of weak edge. We acquire various head-pose images with both eyes from five persons in inner space with complex background. As an experimental result with total 125 images gathered by 25 per person, it shows that average extraction rate of facial outline is 98.1% and average processing time is 0.2sec.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 실내 환경에서 pc카메라를 통해 입력된 복잡한 배경이 있는 동영상에서 얼굴의 윤곽선을 추출하기 위해 DCM 필터와 동적 윤곽선 모델 적용을 하였다. 제안된 DCM필터는 복잡한 배경 잡음을 효과적으로 제거하고 얼굴 영역을 검출하는데 사용하였다.
본 논문에서는 컬러 동영상에서 복잡한 배경이 제거된 얼굴 영역을 검출하기 위해 색상 정보와 움직임 정보를 이용하는 방법 [1] 에 잡음 제거 및 얼굴 영역의 확장을 위하여 모폴로지의 팽창 연산을 결합한 DCM(Dilation of Color and Motion)필터를 제안한다. [그림 2]는 DCM 필터 생성 과정을 나타낸다
제안 방법
DCM필터를 이용하여 추출된 얼굴 영역 내에서 기하학적인 위치 정보를 이용하여 눈과 입의 영역을 추출한 다음 이를 이용하여 얼굴 영역을 조정한다. 먼저, 귀 부분을 제거하기 위해서는 각 눈 영역의 높이 구간에 대해 바깥쪽 경계부터 이진 에지의 수직 프로젝션 값이 임계치 이상 발생하는 곳을 얼굴의 좌우 경계로 재조정한다.
이를 위해서는 먼저, 각 포즈의 참조 곡선을 생성한 다음 참조곡선들을 보간하여 추출된 얼굴 포즈에 맞는 초기곡선을 생성해준다. 먼저, 스네이크의 참조 곡선을 생성하기 위해서는 정면과 상, 흐}; 좌 우의 영상들을 각각 샘플링한 후, 이를 이용하여 표준 얼굴 형태를 추정하여, 각 포즈에 맞는 참조 곡선을 생성한다. 다음 정면과 각각의 포즈에 대한 얼굴 영역 내에서의 눈과 입의 기하학적인 위치 정보를 추출한다.
이를 위해서는 동적 형태 모델 방법이 가장 적합하다. 본 논문에서는 동영상에서의 움직임 정보와 얼굴 색 정보를 이용하여 복잡한 배경이 있는 컬러 동영상에서 얼굴영역을 찾기 위한 DCM 필터을 제안하고, William이 제안한 스네이크 알고리즘을 이용하여 얼굴의 윤곽선을 추출한 후, 잡음을 제거하는 후처리를 수행한다. 시스템의 전체 과정은 [그림 1] 과같다.
이를 위해서는 먼저, 각 포즈의 참조 곡선을 생성한 다음 참조곡선들을 보간하여 추출된 얼굴 포즈에 맞는 초기곡선을 생성해준다. 먼저, 스네이크의 참조 곡선을 생성하기 위해서는 정면과 상, 흐}; 좌 우의 영상들을 각각 샘플링한 후, 이를 이용하여 표준 얼굴 형태를 추정하여, 각 포즈에 맞는 참조 곡선을 생성한다.
이때, 에지 영상을 이진화하기 위해 자동으로 임계치를 설정하는 Robinson이 제안한 LATQocally adaptive threshold) [2] 를 이용한다. 입 박스 추출을 위해서는 입 영역의 후보높이는 추출된 눈 박스 하단과 얼굴 박스의 하단으로 설정하고, 입 영역 후보너비는 양 눈 영역의 바깥쪽에서 1/3지점을 각각 좌측단과 우측단으로 설정한 후, 수평, 수직 프로젝션에 의해 입 박스 영역을 추출한다.
하였다. 제안된 DCM필터는 복잡한 배경 잡음을 효과적으로 제거하고 얼굴 영역을 검출하는데 사용하였다. 동영상에서 포즈에 따라 다양하게 변형되는 얼굴의 형태를 정교하게 추출하기 위해서는 회전되는 방향 및 회전정도를 이용하여 스네이크 초기곡선을 선형으로 보간하여 수작업에 의존하지 않고 자동으로 설정하였다.
대상 데이터
실험을 우I해, 복잡한 배경이 있는 실내 환경에서 총 5명으로부터 머리를 상하좌우로 움직이게 하면서 320x240 화소 크기의 칼라 동영상을 PC 카메라로 수집하였다 이 중에서, 양 눈이 보이는 상태의 다양한 헤드 포즈 영상을 각각 5장씩 선택하여 실험에 사용하였다. 시스템 사양은 Pentium IV 3.
윤곽선 추출을 위해 영상에너지로 에지 영상과 밝기 영상을 사용하였다. 에지정보가 임계치 이상인 경우는 에지영상만 임계치 이하인 경우는 밝기 영상만을 사용하고 임계치 범위이내인 경우는 에지 영상과 밝기 영상을 결합하여 사용하였다.
이론/모형
본 논문에서는 에너지 최소화를 위해 Williams[3] 등이 제안한 Greedy 알고리즘을 사용한다. 이 방법은 Kass 등[4]과 Amini[5] 등이 제안한 동적 윤곽선 모델의 단점인 안정성과 유연성의 향상 그리고 강한 제한의 포함뿐만 아니라, Greedy 알고리즘으로 처리속도를 향상시킨 방법이다.
영상을 이용한다. 이때, 에지 영상을 이진화하기 위해 자동으로 임계치를 설정하는 Robinson이 제안한 LATQocally adaptive threshold) [2] 를 이용한다. 입 박스 추출을 위해서는 입 영역의 후보높이는 추출된 눈 박스 하단과 얼굴 박스의 하단으로 설정하고, 입 영역 후보너비는 양 눈 영역의 바깥쪽에서 1/3지점을 각각 좌측단과 우측단으로 설정한 후, 수평, 수직 프로젝션에 의해 입 박스 영역을 추출한다.
후속연구
동영상에서 포즈에 따라 다양하게 변형되는 얼굴의 형태를 정교하게 추출하기 위해서는 회전되는 방향 및 회전정도를 이용하여 스네이크 초기곡선을 선형으로 보간하여 수작업에 의존하지 않고 자동으로 설정하였다. 또한 스네이크의 영상 에너지는 에지 영상과 밝기 영상을 결합하여 사용함으로써, 에지가 약한 부분에서의 추출에 효과를 보였다 향후에는 형태 정보를 스네이크의 새로운 에너지로 관리할 수 있는 방안에 대한 연구가 뒤따라야 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.