[논문]얼굴인식에서 정확도 향상을 위한 SURF 특징점에서의 Gabor 기술어 추출

김지은; 조혜정; 정광수; 오승준

얼굴인식에서 정확도 향상을 위한 SURF 특징점에서의 Gabor 기술어 추출
Gabor descriptors extraction in the SURF feature point for improvement accuracy in face recognition 원문보기

김지은 (광운대학교 방통융합 플랫폼 센터) , 조혜정 (광운대학교 방통융합 플랫폼 센터) , 정광수 (광운대학교 방통융합 플랫폼 센터) , 오승준 (광운대학교 방통융합 플랫폼 센터)

본 논문에서는 대표적인 특징점 추출 알고리즘인 SURF (Speeded Up Robust Features)와 얼굴인식에서 널리 쓰이는 Gabor 기술어를 이용한 얼굴 인식 방법을 소개한다. SURF 기반 영상인식 방법은 특징점을 찾고 해당 특징점에서 기술어를 추출한 후, 정합을 수행한다. 본 논문에서는 SURF 를 통해 추출한 특징점에서 Gabor 웨이블릿 변환을 사용해 기술어를 추출하는 얼굴인식 방법을 제안한다. 잘 알려진 ORL 데이터베이스에서의 실험에서 제안한 방법이 기존 SURF 기반의 얼굴 인식 방법에 비해 더 높은 얼굴 인식 성능을 보여줄 뿐 아니라 정합시간을 포함한 처리 속도면에서도 더 우수한 성능을 보였다. 이러한 실험 결과를 통하여 제안하는 방법이 SURF 보다 얼굴 인식에 적합함을 확인할 수 있었다.

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

문제 정의

본 논문에서는 SURF 를 이용해 찾은 특징점에서 Gabor 웨이블릿 변환을 이용해 기술어를 추출하고, 정합하는 얼굴인식 알고리즘을 제안하였다. 제안한 방법의 유용성을 판단하기 위해 ORL 데이터베이스를 이용하여 다양한 변화를 가진 얼굴을 인식하였다.
SURF 의 미리 결정된 스케일과 간단한 방법의 기술어 추출 보다는, 다양한 스케일과 여러 방향 성분을 고려한 Gabor 웨이블릿 변환을 이용해 추출된 기술어가 더 강인하다. 본 논문에서는 좀 더 강인한 기술어를 추출하기 위해서 SURF 를 이용해 특징점을 찾고 해당 특징점에서 Gabor 웨이블릿 변환을 이용해 기술어를 추출하여 정합하는 얼굴 인식 방법을 제안한다.

제안 방법

SURF 기반의 기술어 추출 방법에서는 특징점을 검출할 때 정해진 하나의 스케일에 따라 하나의 방향과 영역의 크기가 결정되게 된다. 결정된 해당 영역의 분할 영역에서 x 방향의 기울기와 y 방향의 기울기 성분을 이용해 기술어를 추출한다.
특징점 추출 알고리즘인 SURF 는 크게 특징점 추출과 특징점 서술로 나누어진다. 먼저, 특징점 추출에서는 근사 헤시안 행렬(Approximated hessian matrix)의 행렬식(determinant)을 이용하여 특징점이 될 수 있는 코너의 여부를 판단한다. 이때 코너는 행렬식의 값이 0 보다 큰 경우이며, 극값(maximum) 이라고도 한다.
이 절에서는 제안된 방법의 유용성을 검증하기 위하여 다양한 변화를 지니는 ORL 데이터베이스를 이용한 비교실험을 수행한다. 사용한 데이터는 Cambridge 의 Olivetti Research Laboratory 에서 제작된 ORL 데이터베이스이다.
이러한 특성을 이용해 본 논문에서는 표 3 과 같이 SURF 의 근사화시킨 헤시안 행렬과 비 최대 억제법(nonmaximum suppression)을 이용해 특징점을 검출한 후, Gabor 웨이블릿 변환을 이용해 기술어를 추출하고 정합하는 방법을 제안한다. 제안하는 방법에서는 Gabor 웨이블릿 필터의 크기를 25×25 로 고정하여 사용하며, 이는 실험을 통해 결정된 값이다.
제안하는 방법에서는 Gabor 웨이블릿 필터의 크기를 25×25 로 고정하여 사용하며, 이는 실험을 통해 결정된 값이다.
본 논문에서는 SURF 를 이용해 찾은 특징점에서 Gabor 웨이블릿 변환을 이용해 기술어를 추출하고, 정합하는 얼굴인식 알고리즘을 제안하였다. 제안한 방법의 유용성을 판단하기 위해 ORL 데이터베이스를 이용하여 다양한 변화를 가진 얼굴을 인식하였다. 제안하는 방법은 실험 결과에서 기존 SURF 보다 높은 얼굴인식 성능과 동시에 더 빠른 처리 속도를 보여주었다.

대상 데이터

이 절에서는 제안된 방법의 유용성을 검증하기 위하여 다양한 변화를 지니는 ORL 데이터베이스를 이용한 비교실험을 수행한다. 사용한 데이터는 Cambridge 의 Olivetti Research Laboratory 에서 제작된 ORL 데이터베이스이다. 영상의 크기는 92×112 이고 40 명에 대하여 빛의 위치 변화, 안경 착용 유무, 표정 변화(눈의 변화, 웃음 유무) 등에 따라 각 10 장씩으로 구성되어 있다.
영상의 크기는 92×112 이고 40 명에 대하여 빛의 위치 변화, 안경 착용 유무, 표정 변화(눈의 변화, 웃음 유무) 등에 따라 각 10 장씩으로 구성되어 있다.

데이터처리

ORL 데이터베이스에 대하여 기존의 기술어 추출 방법인 Gabor, SIFT, SURF128, SURF64 와 제안하는 방법의 성능을 비교하였다. 실험의 정량적인 평가를 위해서 MPEG-7 검색 성능 평가 지수인 ANMRR(Average Normalized Modified Retrieval Rank)를 이용한다[10].

이론/모형

ORL 데이터베이스에 대하여 기존의 기술어 추출 방법인 Gabor, SIFT, SURF128, SURF64 와 제안하는 방법의 성능을 비교하였다. 실험의 정량적인 평가를 위해서 MPEG-7 검색 성능 평가 지수인 ANMRR(Average Normalized Modified Retrieval Rank)를 이용한다[10].

성능/효과

233 의 성능을 보인다. 그림 5 를 통해 제안하는 방법의 성능은 Gabor 와 SIFT 에는 못 미치지만 SURF 보다 향상된 것을 확인할 수 있다.
기존의 다른 방법들과 본 논문에서 제안하는 방법의 성능 비교는 그림 5 와 같다. 동일한 조건에서 Gabor 의 ANMRR 은 0.1517 이고, SURF128 은 0.3157, SURF64 는 0.303 그리고 제안된 방법은 0.233 의 성능을 보인다. 그림 5 를 통해 제안하는 방법의 성능은 Gabor 와 SIFT 에는 못 미치지만 SURF 보다 향상된 것을 확인할 수 있다.
따라서 SURF 보다 성능이 좋고, 다른 방법과 비교해 수행시간도 가장 빠르기 때문에 제안하는 방법이 인식률과 수행시간을 동시에 고려할 때 효율적인 방법이라고 볼 수 있다.
제안한 방법의 유용성을 판단하기 위해 ORL 데이터베이스를 이용하여 다양한 변화를 가진 얼굴을 인식하였다. 제안하는 방법은 실험 결과에서 기존 SURF 보다 높은 얼굴인식 성능과 동시에 더 빠른 처리 속도를 보여주었다.
수행시간은 기술어 추출 시간과 정합시간을 합한 것인데, 입력된 영상의 기술어와 데이터베이스의 기술어를 비교하는 정합시간이 상당부분 차지한다. 제안하는 방법은 표 4 와 같이 다른 방법들에 비해 한 영상의 기술어 개수가 적기 때문에 정합시간을 상당히 줄일 수 있고, 그에 따라 수행시간이 감소된다. 표 4 의 SIFT, SURF, 제안하는 방법의 특징점의 수는 데이터베이스에서 각 영상에서 구한 특징점 수의 평균을 낸 값이다.
표 5 를 통해 제안된 방법의 수행시간이 가장 적게 걸리는 것을 확인할 수 있으며, 좋은 성능을 보인 Gabor 와 SIFT 는 수행시간이 제안하는 방법보다 각각 약 360 배, 3 배 더 걸린다. 많은 데이터베이스와 정합해야 하는 점에 있어 오랜 수행시간은 불리할 수 밖에 없다.

후속연구

향후에는 사용하는 Gabor 필터를 고정된 25×25 크기가 아닌 특징점의 스케일을 반영한 필터를 사용하는 방법을 연구할 예정이다.

핵심어

질문

논문에서 추출한 답변

SURF 의 특징점 추출 및 서술에서 가장 많이 반복되는 컨벌루션 작업은 무엇인가?

SURF 의 특징점 추출 및 서술에서 가장 많이 반복되는 컨벌루션 작업은 화소 값의 합을 계산하는 연산이 주를 이룬다. 때문에 원본영상을 이용하여 계산한 적분영상(integral image)에서 컨벌루션을 수행하면, 필터의 크기와 상관없이 빠른 속도로 계산할 수 있다.

SURF는 어떻게 나누어지는가?

특징점 추출 알고리즘인 SURF 는 크게 특징점 추출과 특징점 서술로 나누어진다. 먼저, 특징점 추출에서는 근사 헤시안 행렬(Approximated hessian matrix)의 행렬식(determinant)을 이용하여 특징점이 될 수 있는 코너의 여부를 판단한다.

SURF의 특징점 추출에서는 무엇을 판단하는가?

특징점 추출 알고리즘인 SURF 는 크게 특징점 추출과 특징점 서술로 나누어진다. 먼저, 특징점 추출에서는 근사 헤시안 행렬(Approximated hessian matrix)의 행렬식(determinant)을 이용하여 특징점이 될 수 있는 코너의 여부를 판단한다. 이때 코너는 행렬식의 값이 0 보다 큰 경우이며, 극값(maximum) 이라고도 한다.

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

얼굴인식에서 정확도 향상을 위한 SURF 특징점에서의 Gabor 기술어 추출
Gabor descriptors extraction in the SURF feature point for improvement accuracy in face recognition 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

얼굴인식에서 정확도 향상을 위한 SURF 특징점에서의 Gabor 기술어 추출 Gabor descriptors extraction in the SURF feature point for improvement accuracy in face recognition 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

얼굴인식에서 정확도 향상을 위한 SURF 특징점에서의 Gabor 기술어 추출
Gabor descriptors extraction in the SURF feature point for improvement accuracy in face recognition 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper