[논문]깊이정보를 이용한 템플릿 매칭 기반의 효율적인 얼굴 추적 알고리즘

김우열; 서영호; 김동욱

문제 정의

그러나 영상의 전체 영역을 대상으로 템플릿 매칭을 수행하면 과다한 시간이 소요된다. 따라서 본 논문에서는 탐색영역을 최소화하는 방법을 제안하며, 얼굴이 상하좌우 뿐만 아니라 앞뒤로 움직이는 경우를 포함하도록 하였다.
본 논문에서는 KINECT 센서를 이용하여 얼굴을 검출하고 추적하는 알고리즘을 제안한다. 본 논문은 다음과 같이 구성된다.
본 논문에서는 KINECT 센서를 이용하여 얼굴을 검출하고 효율적으로 얼굴을 추적하는 알고리즘을 제안하였다. 얼굴 검출 방법에서는 기존의 방법인 Adaboost를 이용하지만 깊이 영상과 RGB영상을 이용하여 Adaboost의 입력영상을 제한하여 얼굴을 정확하고 빠르게 검출하였다.

가설 설정

본 논문에서는 추적할 얼굴이 전방의 영상을 시청하고 있다고 가정한다. 따라서 얼굴은 거의 정면을 바라보고 있으며, 영상을 시청하면서 움직이는 상황을 가정하였다. 얼굴의 움직임에 대해서는 시청하면서 움직일 수 있는 최대의 움직임 속도를 고려하여야 한다.
있다. 본 논문에서는 추적할 얼굴이 전방의 영상을 시청하고 있다고 가정한다. 따라서 얼굴은 거의 정면을 바라보고 있으며, 영상을 시청하면서 움직이는 상황을 가정하였다.

제안 방법

하지만 RGB 영상을 가지고 템플릿 매칭을 했을 경우, 조명변화로 인해 다음 프레임에서 얼굴을 찾지 못하고 다른 부분을 찾는 경우가 발생한다. 그래서 본 논문에서는 RGB영상보다 조명변화에 강한 깊이정보 만을 이용하여 템플릿을 매칭을 하였다.
본 논문의 얼굴검출 방법은 기본적으로 Adaboost 알고리즘을 사용한다. 그러나 본 논문에서는 Adaboost 알고리즘에 적용할 영상의 크기를 움직임 검출과 피부색 영역을 이용하여 상당히 많은 부분을 줄여 연산시간을 감소 시 켰다.
그러나 전체영역을 탐색하면 연산시간이 오래 걸리기 때문에 본 논문에서는 이를 위한 방안으로 조기종료(early termination) 기법을 제시한다. 이를 위해서 근사적으로 위치를 추적했다고 판단하여야 하는데, 본 논문에서 비용함수로 SAD를 사용하기 때문에 미리 정한 문턱치 SAD값 이하를 갖는 경우 조기종료를 시행한다.
얼굴 검출 방법에서는 기존의 방법인 Adaboost를 이용하지만 깊이 영상과 RGB영상을 이용하여 Adaboost의 입력영상을 제한하여 얼굴을 정확하고 빠르게 검출하였다. 그리고 얼굴 추적 방법에서는 영상의 깊이에 따른 적절한 템플릿의 크기조절과 탐색영역을 설정하여 좀 더 정확하게 얼굴을 추적할 수 있도록 하였다. 또한 깊이 영상을 이용하여 템플릿 매칭을 하였기 때문에 얼굴 추적 시 조명변화에도 강하였다.
기 제안된 얼굴검출 방법은 크게 지식-기반 방법, 특징-기반 방법, 템플릿 매칭 (template matching) 방법, 외형-기반 방법 (appearance-based methods)으로 분류할 수 있다[3]. 지식-기반 방법은 사람의 얼굴을 구성하는 눈, 코, 입 등의 기하학적인 특성을 파악하여 얼굴을 검출하는 방법[4]이다.
검출하였다. 만약 움직임 영역이 검출되지 않았을 때는 모든 영역에 대해서 피부색을 검출하였다.
물체의 깊이에 따라 움직임 속도, 즉 움직임 양이 달라지므로 깊이에 따른 움직임 양을 일반적으로 표현하기 위해서 본 논문에서는 현재의 템플릿에 대비한 상대적인 크기로 탐색영역을 정의한다.
본 논문에서 제안하는 얼굴 검출 방법은 움직임 검출과 피부색 영역에 대한 두 가지 정보를 가지고, 가능한 네 가지 경우로 분류하였다. 얼굴검출은 초기에 한 번만 수행하며, 얼굴이 검출된 다음 프레임부터는 추적과정만 수행된다.
한다. 본 논문에서는 그 전 프레임에서 만들어진 템플릿 사용한다. 측정 방법은 템플릿을 각각 m X n 서브블록으로 나누고, 각 서브블록(I, j) 의 깊이 값 평균(%) 을 계산하여 그 중 최고치를 템플릿#) 의 깊이 값으로 선택한다.
본 논문에서는 먼저 얼굴의 최대 움직임 속도를 실험을 통하여 전후, 좌우, 상하방향에 대해 측정하였으며, 이를 두 프레임 간의 거리를 환산하여 탐색영역을 정의하였다. 표 1는 전후, 좌우, 상하방향에 대하여 실험을 통해 측정한 깊이에 따른 움직임 양을 보여준다.
또한 깊이 영상을 이용하여 템플릿 매칭을 하였기 때문에 얼굴 추적 시 조명변화에도 강하였다. 빠른 추적을 위해서는 조기 종료 기법을 사용하여 수행시간을 줄였다.
알고리즘의 테스트를 위해 직접 제작한 전후, 좌우, 상하 움직임에 대한 테스트 시퀀스를 이용하였다. 각 테스트 시퀀스는 200프레임으로 제작되었다.
얼굴을 추적하는 알고리즘을 제안하였다. 얼굴 검출 방법에서는 기존의 방법인 Adaboost를 이용하지만 깊이 영상과 RGB영상을 이용하여 Adaboost의 입력영상을 제한하여 얼굴을 정확하고 빠르게 검출하였다. 그리고 얼굴 추적 방법에서는 영상의 깊이에 따른 적절한 템플릿의 크기조절과 탐색영역을 설정하여 좀 더 정확하게 얼굴을 추적할 수 있도록 하였다.
경우가 있다. 이때는 히스토그램 평활화(Histogram Equalize) 를 이용하여 피부색을 검출하였다.
이를 위해서 근사적으로 위치를 추적했다고 판단하여야 하는데, 본 논문에서 비용함수로 SAD를 사용하기 때문에 미리 정한 문턱치 SAD값 이하를 갖는 경우 조기종료를 시행한다. 이를 식으로 나타내면 식 (4)와 같다.
일반적으로 얼굴색은 조명에 크게 의존하므로, 본 논문에서는 그 의존도를 낮추기 위해 영상포맷을 RGB에서 YCbCr로 바꾸어 사용하였다. 이 중 Y성분은 조명에 가장 민감하므로 Cb와 Cr성분만 사용한다.
본 논문에서는 그 전 프레임에서 만들어진 템플릿 사용한다. 측정 방법은 템플릿을 각각 m X n 서브블록으로 나누고, 각 서브블록(I, j) 의 깊이 값 평균(%) 을 계산하여 그 중 최고치를 템플릿#) 의 깊이 값으로 선택한다. 이것을 식 (3)에 나타내었다.

대상 데이터

테스트 시퀀스를 이용하였다. 각 테스트 시퀀스는 200프레임으로 제작되었다.
본 논문에서 제안하는 방법을 구현하고 여러 테스트 시퀀스를 대상으로 실험을 수행하였다. 구현은 Microsoft window? 운영 체제에서 Microsoft visual studio 2010과 OpenCV Library 2.

이론/모형

이 경우 탐색하여야 하는 위치 수는 < search _ temp) #emp와 temp느 <sh sh #이버, 어시# 각각 템플릿의 수평 및 수직방향 크기이며, 이에 해당하는 현재 프레임의 탐색범위의 값은 각각 shearch과#arch 이다. 본 논문에서는 탐색할 때 비용함수로 SAD(sum-of-absolute differences)를 사용한다. 즉, 탐색 범위 내의 모든 위치를 탐색하여 그 중 가장 작은 SAD값을 갖는 위치를 선택한다.
그러나 장면이 바뀌거나 추적과정에서 템플릿 매칭이 이루어지지 않은 경우 다시 검출과정을 수행한다. 본 논문의 얼굴검출 방법은 기본적으로 Adaboost 알고리즘을 사용한다. 그러나 본 논문에서는 Adaboost 알고리즘에 적용할 영상의 크기를 움직임 검출과 피부색 영역을 이용하여 상당히 많은 부분을 줄여 연산시간을 감소 시 켰다.

성능/효과

65ms 로 비교적 빠른 속도를 보였다. 그리고 제안하는 얼굴 추적 방법 또한 16.4ms로 비교적 빠른 속도를 보였다.
제안한 방법을 비교한 결과이다. 표 2에서 보듯이 검출 성공률은 유사하나, 오검줄률이 14.84%가 작게 나타나 우수한 결과를 보이고 있음을 확인할 수 있다.
표 3에서 볼 수 있듯이, 제안하는 검출 방법의 속도는 Viola&Jones 방법과 비교하여 평균 26.65ms 로 비교적 빠른 속도를 보였다. 그리고 제안하는 얼굴 추적 방법 또한 16.

후속연구

따라서 제안한 방법은 초당 30 프레임 이상의 실시간 얼굴추적 시스템에 사용하기 적합하며, 추적시간과 추적정확도의 상보적 관계를 활용하면 다양한 분야에서 사용할 수 있을 것으로 사료된다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

깊이정보를 이용한 템플릿 매칭 기반의 효율적인 얼굴 추적 알고리즘
Template Matching-based Efficient Face Tracking Algorithm using Depth Information 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

깊이정보를 이용한 템플릿 매칭 기반의 효율적인 얼굴 추적 알고리즘 Template Matching-based Efficient Face Tracking Algorithm using Depth Information 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

깊이정보를 이용한 템플릿 매칭 기반의 효율적인 얼굴 추적 알고리즘
Template Matching-based Efficient Face Tracking Algorithm using Depth Information 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper