[논문]Boosted Random Ferns를 이용한 회전 불변 얼굴 검출

김후현; 조동찬; 배종엽; 김회율

Boosted Random Ferns를 이용한 회전 불변 얼굴 검출
Rotation Invariant Face Detection with Boosted Random Ferns 원문보기

한국방송공학회 2013년도 하계학술대회, 2013 June 26, 2013년, pp.52 - 55

김후현 (한양대학교) , 조동찬 (한양대학교) , 배종엽 (한양대학교) , 김회율 (한양대학교)

초록
AI-Helper

본 논문은 Boosted Random Ferns 기반의 회전 불변 얼굴 검출 방법을 제안한다. 기존 Random Ferns 의 경우 특징값을 추출할 때 임의로 선택한 두 픽셀의 밝기값 비교를 통하여 이진 특징값을 추출한다. 이 경우 해당 픽셀의 밝기값에 잡음이 포함되면 특징값이 부정확하게 추출되는 문제가 있다. 본 논문에서는 이러한 문제를 해결하기 위하여 임의로 두 블록을 선택하고 해당 블록내 밝기값의 평균을 비교하여 이진 특징값을 추출하였다. 또한 픽셀 위치를 임의로 선택하여 ferns 를 구성하였던 기존의 방법 대신 최고의 분류 성능을 가지는 fern 들을 이용하여 분류기를 구성하기 위해, AdaBoost 의 방법을 Random Ferns 에 맞게 변경하였다. Boosted Random Ferns 를 트리 구조의 cascade 노드에 방향과 각도에 따라 배치하여 연산 속도를 향상시키고 false-positive를 줄이는 효과를 보았다. CMU Rotated Face Database 를 사용하여 평가하였을 때, 기존 Random Ferns 는 false-positive 의 수가 57 개 일 때 66%의 검출률을 보인 반면, Boosted Random Ferns 는 false-positive 의 수가 45 개 일 때 88%의 검출률을 보였다.

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 Boosted Random Ferns를 이용한 회전 불변의 얼굴 검출 알고리즘을 제안하였다. 기존 Random Ferns의 픽셀 기반 특징 추출 함수를 블록 기반 특징 추출 함수로 변경하여 픽셀의 잡음에 강인한 특징값을 추출하였다.
본 논문에서는 얼굴의 방향에 따라 클래스를 구분하고 Random Ferns를 이용하여 회전 불변의 얼굴 검출을 수행하는 방법을 제안한다. 또한 기존 Random Ferns의 특징 검출 함수는 두 픽셀의 비교를 통한 특징값을 검출하기 때문에 픽셀 잡음에 취약한 단점을 가지고 있지만, 본 논문은 블록 단위의 비교를 통해 잡음에 강인하게 구성한다.
본 논문은 Random Ferns 을 이용하여 얼굴을 회전 각도에따라 분류하여 회전 불변 얼굴 검출이 가능한 방법을 제안한다.

제안 방법

기존 Random Ferns의 특징 추출 함수(픽셀)와 제안하는 방법(블록)의 성능을 평가 하기 위해, 가우시안 형태의 잡음을 테스트 영상에 추가하여 검출률을 비교한다.
본 논문에서는 Boosted Random Ferns를 이용한 회전 불변의 얼굴 검출 알고리즘을 제안하였다. 기존 Random Ferns의 픽셀 기반 특징 추출 함수를 블록 기반 특징 추출 함수로 변경하여 픽셀의 잡음에 강인한 특징값을 추출하였다. 또한 AdaBoost 방법을 변형한 Boosted Random Ferns를 제안하여 검출 성능을 향상 시켰고, 트리구조의 cascade를 구성하여 false-positive를 줄일 수 있었다.
표 2은 Boosted Random Ferns를 사용하여 최적의 ferns를 구성 했을 때의 검출률을 기존 방법인 random한 ferns로 선택 했을 때와의 검출률을 비교 한다. 두 방법 모두 fern의 개수는 10개로 하고 false-positive가 60개 내인 상황에서 측정 한다.
하지만 픽셀 단위의 특징 추출 함수를 사용할 경우, 해당 픽셀에 잡음이 발생 하면 특징 값이 다르게 나타나는 문제가 있다. 따라서 본 논문에서는 잡음의 영향을 최소화 하기 위해 픽셀 단위가 아닌 블록 단위의 밝기 합의 차이를 비교하는 특징 추출 함수를 수식 (7)와 같이 계산할 수 있다.
본 논문에서는 얼굴의 방향에 따라 클래스를 구분하고 Random Ferns를 이용하여 회전 불변의 얼굴 검출을 수행하는 방법을 제안한다. 또한 기존 Random Ferns의 특징 검출 함수는 두 픽셀의 비교를 통한 특징값을 검출하기 때문에 픽셀 잡음에 취약한 단점을 가지고 있지만, 본 논문은 블록 단위의 비교를 통해 잡음에 강인하게 구성한다. 그리고 기존 Random Ferns는 임의로 fern들을 추출하는 반면 제안하는 방법은 Boosted Random Ferns를 통해 최적의 fern 로 분류기를 구성한다.
본 논문은 CMU Rotated Face Database을 이용하여 블록 기반 특징 함수의 성능과 Boosted Random Ferns의 성능을 비교하고, 마지막으로 타 방법과의 얼굴 검출률을 비교한다.
얼굴을 검출하는 방법은 얼굴의 일반 적인 요소를 검출하는 기법과 영역 분류에 의한 기법으로 나눠 진다.
기존 Random Ferns의 경우 fern을 구성할 때 임의로 선택한 두 픽셀 위치의 밝기값 차이를 이용하기 때문에 여러 개의 fern들로 최종 Random ferns를 구성하더라도 몇 개의 fern들은 성능이 떨어질 수가 있다. 이러한 문제를 해결하기 위해 본 논문에서는 여러 개의 fern들을 생성한 후 최상의 분류 성능을 가지는 fern만을 선택하기 위해 AdaBoost[7]의 방법을 random ferns에 맞게 변형(Boosted Random Ferns)하였으며, 클래스들마다 훈련 데이터의 가중치를 다르게 주어 데이터의 분류에 변별력을 주었다.

이론/모형

제안하는 방법을 평가하기 위해, CMU Rotated Face Data base을 사용하였다. 기존 Random Ferns의 픽셀 기반 특징 추출 함수를 사용하였을 때, 잡음이 증가 할수록 검출률이 감소 하였다.

성능/효과

제안하는 방법을 평가하기 위해, CMU Rotated Face Data base을 사용하였다. 기존 Random Ferns의 픽셀 기반 특징 추출 함수를 사용하였을 때, 잡음이 증가 할수록 검출률이 감소 하였다. 하지만 제안하는 블록 기반 특징 추출 함수는 잡음이 증가 하여도 검출률이 감소하지 않았다.
기존 Random Ferns의 픽셀 기반 특징 추출 함수를 블록 기반 특징 추출 함수로 변경하여 픽셀의 잡음에 강인한 특징값을 추출하였다. 또한 AdaBoost 방법을 변형한 Boosted Random Ferns를 제안하여 검출 성능을 향상 시켰고, 트리구조의 cascade를 구성하여 false-positive를 줄일 수 있었다.
하지만 제안하는 블록 기반 특징 추출 함수는 잡음이 증가 하여도 검출률이 감소하지 않았다. 또한 기존 방법인 임의로 fern을 선택 하였을 때 검출률이 66%인 반면, Boosted Random Ferns를 사용하여 fern를 선택 하였을 때 검출률이 88%로 기존 방법보다 검출 성능이 우수하다.
기존 Random Ferns의 픽셀 기반 특징 추출 함수를 사용하였을 때, 잡음이 증가 할수록 검출률이 감소 하였다. 하지만 제안하는 블록 기반 특징 추출 함수는 잡음이 증가 하여도 검출률이 감소하지 않았다. 또한 기존 방법인 임의로 fern을 선택 하였을 때 검출률이 66%인 반면, Boosted Random Ferns를 사용하여 fern를 선택 하였을 때 검출률이 88%로 기존 방법보다 검출 성능이 우수하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	Random Ferns은 무엇을 통하여 이진 특징값을 추출하는가?	본 논문은 Boosted Random Ferns 기반의 회전 불변 얼굴 검출 방법을 제안한다. 기존 Random Ferns 의 경우 특징값을 추출할 때 임의로 선택한 두 픽셀의 밝기값 비교를 통하여 이진 특징값을 추출한다. 이 경우 해당 픽셀의 밝기값에 잡음이 포함되면 특징값이 부정확하게 추출되는 문제가 있다.
	기존 Random Ferns의 문제점은 무엇인가?	기존 Random Ferns 의 경우 특징값을 추출할 때 임의로 선택한 두 픽셀의 밝기값 비교를 통하여 이진 특징값을 추출한다. 이 경우 해당 픽셀의 밝기값에 잡음이 포함되면 특징값이 부정확하게 추출되는 문제가 있다. 본 논문에서는 이러한 문제를 해결하기 위하여 임의로 두 블록을 선택하고 해당 블록내 밝기값의 평균을 비교하여 이진 특징값을 추출하였다.
	얼굴을 검출하는 방법은 어떻게 나눠지는가?	최근 영상처리 분야에서 얼굴검출은 개인식별, 얼굴 사진정합, 군중감시와 얼굴 재구성과 같은 다양한 응용 분야에서 활용되고 있다. 얼굴을 검출하는 방법은 얼굴의 일반 적인 요소를 검출하는 기법과 영역 분류에 의한 기법으로 나눠 진다. 얼굴요소를 검출하는 방법은 눈, 코, 입, 입술을 검출한 후 기하학적인 특징에 의해 그룹화하여 독립된 얼굴을 검출 하는 기법으로, 각각의 얼굴요소들은 공간 필터, 이웃 영역과의 밝기 차, 피부색 모델 등을 이용하여 추출할 수 있다.

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

Boosted Random Ferns를 이용한 회전 불변 얼굴 검출
Rotation Invariant Face Detection with Boosted Random Ferns 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

이론/모형

성능/효과

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

Boosted Random Ferns를 이용한 회전 불변 얼굴 검출 Rotation Invariant Face Detection with Boosted Random Ferns 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

이론/모형

성능/효과

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

Boosted Random Ferns를 이용한 회전 불변 얼굴 검출
Rotation Invariant Face Detection with Boosted Random Ferns 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper