초록

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

기존의 연구와 같이 정확한 피부색 영역을 추출하기 위해 색상공간을 조절하는 방식은 조명이나 주변환경의 영향에 따라 잘못된 결과를 낼 수 있다. Camshift 알고리즘을 이용한 추적을 할 때에도 대상에게 맞춰진 피부색 히스토그램을 이용해서 추적하지 않으므로 범용성이 떨어진다. 이러한 문제점을 해결하기 위해 Camshift 알고리즘의 최초추적 윈도우를 결정하고 히스토그램을 결정하여손 피부색 추적성능을 향상시켰다. 보편적인 피부색 필터를 이용하여 인체 전경을 추출하고, haar like feature detection (특징검출)을 이용하여 손 영역을 검색한다. 이후 피부색 필터를 통해 이진화 된 이미지를 이용해 원 영상을 마스킹 한 후 사용자 고유의 피부색의 히스토그램을 결정한다. 이 방법으로 얻은 히스토그램을 Camshift알고리즘에 적용하면 기존방식 으로 생성한 히스토그램을 사용할 때보다 좋은 추적 성능을 보인다.

기존의 연구와 같이 정확한 피부색 영역을 추출하기 위해 색상공간을 조절하는 방식은 조명이나 주변환경의 영향에 따라 잘못된 결과를 낼 수 있다. Camshift 알고리즘을 이용한 추적을 할 때에도 대상에게 맞춰진 피부색 히스토그램을 이용해서 추적하지 않으므로 범용성이 떨어진다. 이러한 문제점을 해결하기 위해 Camshift 알고리즘의 최초추적 윈도우를 결정하고 히스토그램을 결정하여손 피부색 추적성능을 향상시켰다. 보편적인 피부색 필터를 이용하여 인체 전경을 추출하고, haar like feature detection (특징검출)을 이용하여 손 영역을 검색한다. 이후 피부색 필터를 통해 이진화 된 이미지를 이용해 원 영상을 마스킹 한 후 사용자 고유의 피부색의 히스토그램을 결정한다. 이 방법으로 얻은 히스토그램을 Camshift알고리즘에 적용하면 기존방식 으로 생성한 히스토그램을 사용할 때보다 좋은 추적 성능을 보인다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 본 논문에서는 CAMShift알고리즘의 최초추적 윈도우를 자동으로 설정하고, 인식대상 고유의 피부색 히스토그램을 추출 할 수 있는 시스템을 제안한다. 먼저 보편적인 피부색에 적용 할 수 있는 피부색 필터[2]를 이용하여 마스크 이미지를 생성하고, Haar-like 특징 분류기[3]를 적용하여 얼굴의 영향을 배제하고 손의 영역을 관심영역(ROI)으로 지정한다.

제안 방법

• 본 논문에서는 CAMShift알고리즘의 최초추적 윈도우를 자동으로 설정하고, 인식대상 고유의 피부색 히스토그램을 추출 할 수 있는 시스템을 제안한다. 먼저 보편적인 피부색에 적용 할 수 있는 피부색 필터[2]를 이용하여 마스크 이미지를 생성하고, Haar-like 특징 분류기[3]를 적용하여 얼굴의 영향을 배제하고 손의 영역을 관심영역(ROI)으로 지정한다. 이 관심영역 마스크 이미지를 이용하여 원 영상의 손바닥 부분만을 추출한다.
• 복잡한 배경에서의 추적 성능 비교를 위해 피부색과 비슷한 색, 피부색과 다른 색이 혼합되어있는 그림 6과 같은 이미지를 이용해 실험하였다.
• 이를 영상에 적용하여 히스토그램 이미지를 생성하였다. 이 히스토그램 이미지를 CAMShift 알고리즘에 적용함으로써 최초 추적 색상 히스토그램을 더 정확하게 구하였다.
• 이를 통해 추적하고자 하는 객체 고유의 피부색 히스토그램을 얻을 수 있고. 이를 영상에 적용하여 히스토그램 이미지를 생성하였다. 이 히스토그램 이미지를 CAMShift 알고리즘에 적용함으로써 최초 추적 색상 히스토그램을 더 정확하게 구하였다.
• 이미지를 이용하여 픽셀의 색상 값의 히스토그램을 생성한다.
• 피부색 필터를 이용해 필터링 된 결과를 이진화 하여 마스크 이미지를 생성한다. 생성한 마스크 이미지를 이용해서 픽셀값이 1인 부분만을 RGB영상에서 마스킹 하여 [그림 2]와 같이 피부색을 제외한 영역의 RGB값을 0으로 만든 영상을 획득 한다.

이론/모형

• 얼굴의 영향을 배제하는 것은 추적 중에도 계속 이루어져야 하기 때문에 얼굴 검출이 아닌 눈 검출로 단순화 시킨 후 영역을 확장하여 얼굴 전체를 검출하는 것은 배제 하였다. 눈 검출에는 Modesto Castrillon-Santana 의 오픈소스 트레이닝 셋[4]]을 사용하였고, 손 검출에는 OpenCV 라이브러리가 제공 하는 펼친 손바닥 트레이닝 셋을 사용하였다.
• 추적 영역을 정의와 배경의 1차적인 배제를 위해 Harr-like 특징 분류기를 이용한다. 얼굴의 영향을 배제하는 것은 추적 중에도 계속 이루어져야 하기 때문에 얼굴 검출이 아닌 눈 검출로 단순화 시킨 후 영역을 확장하여 얼굴 전체를 검출하는 것은 배제 하였다.

성능/효과

• 전처리 없이 단순하게 최초추적윈도우를 지정하여 실행되는 CAMShift 알고리즘은 손 같이 복잡한 형태를 갖는 물체의 경우 정확하게 대상 물체의 색상 값 히스토그램을 구하는데 어려움이 있다. 다양한 색상공간을 이용하고, 기계학습 분류기를 이용하여 자동으로 손을 추적하여 배경의 영향을 배제 하는 전처리과정을 통해 향상된 히스토그램 이미지를 얻을 수 있게 되었고 이릍 통해 향상된 추적 성능과 인식 성능을 얻을 수 있게 되었다. 위의 전처리과정은 인체뿐만 아니라 비슷한 색들로 이루어진 복잡한 형태의 물체에서 좋은 결과를 얻을 수 있기 때문에 향후 영상처리를 이용한 컨트롤러의 제작이나 증강현실에 사용되는 마커를 추적하기 위해 사용 될 수 있을 것이다.

후속연구

• 다양한 색상공간을 이용하고, 기계학습 분류기를 이용하여 자동으로 손을 추적하여 배경의 영향을 배제 하는 전처리과정을 통해 향상된 히스토그램 이미지를 얻을 수 있게 되었고 이릍 통해 향상된 추적 성능과 인식 성능을 얻을 수 있게 되었다. 위의 전처리과정은 인체뿐만 아니라 비슷한 색들로 이루어진 복잡한 형태의 물체에서 좋은 결과를 얻을 수 있기 때문에 향후 영상처리를 이용한 컨트롤러의 제작이나 증강현실에 사용되는 마커를 추적하기 위해 사용 될 수 있을 것이다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기