$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

극좌표계에서 회전에 강인한 LDAr을 이용한 얼굴 인식
Rotation invariant face recognition in a polar coordinate system using LDAr 원문보기

한국방송공학회 2010년도 하계학술대회, 2010 July 08, 2010년, pp.195 - 197  

오재현 (아주대학교 전자공학과) ,  곽노준 (아주대학교 전자공학과)

초록
AI-Helper 아이콘AI-Helper

본 논문은 기존 평행좌표를 이용하는 얼굴 영상 대신 극좌표계 변환을 이용한 얼굴 영상을 이용하여 회전에 강인한 얼굴인식 방법을 제안한다. 극좌표계 변환 방법은 얼굴의 중심부분의 한 점을 극으로 삼아 이 점을 기준으로 360도 각 방향으로 일정 길이만큼 얼굴 영상을 샘플링 하여 새로운 얼굴 영상을 제작하는 방법이다. 이 극좌표계 변환 방법을 이용해 재구성된 영상에 대해 회귀( regression )문제 해결을 위해 변형된 LDA인 LDAr(LDA for regression)을 이용하여 얼굴의 중심부분의한 점인 극을 중심으로 임의의 각도로 회전된 영상의 회전 정도를 추정하여 이를 정규화 시키는 방법을 통해 얼굴 인식의 인식률을 향상시키고자 한다. LDAr은 LDA의 기본개념인 각 클래스 간 떨어진 정도를 최대화하는 것이 목적으로 클래스간 분산과 클래스내 분산의 비율을 최대화 하는 방법을 응용하여 이를 회귀문제에 적용할 수 있게 변형을 한 것이다. 즉, LDAr은 목표값(target)의 차이가 큰 샘플들과 목표값의 차이가 작은 샘플들 간의 거리의 비율을 최대화 하는 것을 목적으로 하게 된다. 제안된 방법을 Yale데이터에 적용하여 임의의 각도로 회전시킨 영상에 대해 회전 각도를 정확히 찾아내는 것을 확인할 수 있었다.

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 본 논문에서는 LDAr을 임의의 각도로 얼굴이 회전되어 있는 극 좌표계로 변환된 영상을 이용하여 회전된 각도를 추정한다. 본 실험에서 목표값은 회전각도이며, 학습 영상과 테스트 영상으로 나누어 LDAr을 수행하여 정확도를 판단한다.
  • 이 때 머리 스타일의 변화가 있거나 모자를 쓴 경우와 같이 얼굴의 중심부분 외의 다른 부분이 바뀔 때에도 인식률이 크게 저하될 수 있는 문제점이 발생한다. 이러한 문제점을 해결하기 위해 본 연구에서는 극좌표계를 이용한 얼굴인식 방법을 제시한다.
  • 회귀 문제를 풀기 위해서는, 목적값 y에 대해 많은 정보가 포함되어 있는, x의 선형 변환 형태의 특징들을 # 찾는 것을 목적으로 한다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
얼굴 인식 분야에서 사용되는 차원 감소 방법 중 LDA 의 목적은? 얼굴 인식 분야에서 사용되는 차원 감소 방법에는 아공간( subspace ) 방법들이 많이 사용되며 이들 중 대표적인 것으로 LDA (Linear Discriminant Analysis) [2], NLDA (null space based LDA) [3] 등의 방법이 있다. 이 중 LDA는 각 클래스 간 떨어진 정도를 최대화하는 것이 목적으로 특징 벡터의 차원을 감소시키는 기법 중의 하나이며, 클래스간 분산과 클래스내 분산의 비율을 최대화하는 방법을 이용하여 데이터에 대한 특징 벡터의 차원을 축소한다. 본 논문에서 적용하는 알고리즘인 LDAr은 LDA의 기본개념인 각 클래스 간 떨어진 정도를 최대화하는 것이 목적으로 클래스간 분산과 클래스내 분산의 비율을 최대화 하는 방법을 응용하여 이를 회귀문제에 적용할 수 있게 변형을 한 것이다[4].
극좌표계 변환은 어떤 방식으로 데이터를 재구성하는가? 극좌표계 변환은 얼굴의 중심부를 기준점으로 일정한 반지름의 원을 그리며 360도 방향으로 각각 원의 중심에서부터 반지름의 끝 부분까지 샘플링을 하여 얼굴 데이터를 재구성한다. 눈, 코, 입 등 얼굴의 주요 특징들이 얼굴의 중심부분에 집중적으로 모여 있으므로, 만일 극좌표계와 평행좌표계를 이용하는 영상이 동일한 수의 픽셀로 이루어져 있다면 극좌표계에서 얼굴의 주요 특징점들이 평행좌표계보다 더많이 샘플링되는 효과가 있다.
얼굴 인식 분야에서 사용되는 차원 감소 방법에는 무엇들이 있는가? 입력 차원을 줄이면, 특징 벡터를 간결하게 다루는 효과를 얻으며, 입력 차원이 커질 때 발생하는 차원의 저주 [1] 같은 문제를 해결하는 효과를 얻을 수 있다. 얼굴 인식 분야에서 사용되는 차원 감소 방법에는 아공간( subspace ) 방법들이 많이 사용되며 이들 중 대표적인 것으로 LDA (Linear Discriminant Analysis) [2], NLDA (null space based LDA) [3] 등의 방법이 있다. 이 중 LDA는 각 클래스 간 떨어진 정도를 최대화하는 것이 목적으로 특징 벡터의 차원을 감소시키는 기법 중의 하나이며, 클래스간 분산과 클래스내 분산의 비율을 최대화하는 방법을 이용하여 데이터에 대한 특징 벡터의 차원을 축소한다.
질의응답 정보가 도움이 되었나요?

관련 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로