선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는, 다양한 이미지 분석방법들을 통하여 개인의 퍼스널 컬러를 자동으로 진단해주며, 진단된 결과에 따라 개인이 쉽게 따라 할 수 있고, 자신에게 어울리는 메이크업 콘텐츠를 자동으로 추천하는 기법을 제안한다.
- 본 연구에서는 수치화된 색상 데이터를 통하여 사용자의 퍼스널 컬러를 진단하고, 퍼스널 컬러에 적합한 메이크업 콘텐츠를 추천하는 시스템을 구현하였다. 실험을 통하여 기존의 온, 오프라인 진단보다 높은 만족도를 확인하였으며 제안한 방법에 대한 검증을 받았다.
제안 방법
- 개인 맞춤형 메이크업 콘텐츠를 추천하기 위하여 자신의 퍼스널 컬러와 신체색상 데이터를 이용하여 태그를 생성한다. 표 1은 컬러리스트에게 추천받은 유사단어와 퍼스널 컬러를 대표하는 연예인을 나타내며, 퍼스널 컬러 전문 진단업체에 직접 의뢰하여 해당 셋을 구성하였다[10].
- contrast 측정을 위하여 눈동자와 모발영역을 추출한다. 눈동자 영역을 추출하기 위하여 눈 영역을 추출하고 해당 이미지를 invert 시킨 후 gray-scale 이미지로 변환한다. 변환된 이미지의 임계치를 주어 동공 영역을 추출하고 동공 영역을 중심으로 일정크기의 원을 중심으로 눈동자 영역을 추출한다.
- 본 장에서는 사용자에게 입력받은 상반신 이미지를 통하여 모발, 눈동자, 피부영역을 추출하고 영역별 색상데이터를 통하여 톤을 결정하고 contrast를 이용하여 계절타입을 분석한다. 또한 컬러데이터를 활용하여 생성된 태그를 기반으로 메이크업 콘텐츠 추천 기법을 제안한다.
- 진단받은 퍼스널 컬러에 해당하는 단어와 연예인을 태그로 추가하여 비슷한 타입을 갖은 메이크업이나 연예인 메이크업에 대한 정보를 추천한다. 또한, 개인 맞춤형 콘텐츠를 추천하기 위하여 퍼스널 컬러 진단 시 추출한 신체영역의 Lab 컬러를 이용하여 개인 맞춤형 메이크업 정보를 추천한다. Lab 컬러를 태그화 시키기 위하여 한국표준 정보망에서 제공하는 공공디자인 색체 표준 가이드를 사용한다[9].
- 먼저 퍼스널 컬러의 톤을 결정하기 위하여 피부영역 분석한다. 얼굴 영역을 추출하기 위하여 본 연구에서는 Haar-cascade를 사용한다.
- 눈동자 영역을 추출하기 위하여 눈 영역을 추출하고 해당 이미지를 invert 시킨 후 gray-scale 이미지로 변환한다. 변환된 이미지의 임계치를 주어 동공 영역을 추출하고 동공 영역을 중심으로 일정크기의 원을 중심으로 눈동자 영역을 추출한다.
- 본 연구에서 제안한 방법을 검증하기 위하여 구현된 시스템을 통해 실험을 진행하였다. 실험은 온, 오프라인으로 퍼스널 컬러 진단을 받아본 20대 여자 30명을 대상으로 진행하였다.
- 본 연구에서 제안한 방법을 이용하여 퍼스널 컬러 진단 및 메이크업 콘텐츠 추천 시스템을 구현하였다. 그림 4는 구현된 결과 화면이다.
- 본 장에서는 사용자에게 입력받은 상반신 이미지를 통하여 모발, 눈동자, 피부영역을 추출하고 영역별 색상데이터를 통하여 톤을 결정하고 contrast를 이용하여 계절타입을 분석한다. 또한 컬러데이터를 활용하여 생성된 태그를 기반으로 메이크업 콘텐츠 추천 기법을 제안한다.
- 실험은 온, 오프라인으로 퍼스널 컬러 진단을 받아본 20대 여자 30명을 대상으로 진행하였다. 시스템을 이용하여 자신의 상반신 이미지를 업로드 한 후 분석결과에 대한 5가지 설문을 진행하였다. 설문은 매우 만족, 만족, 보통, 불만족, 매우 불만족으로 나누어 진행하였으면 결과는 그림 5와 같다.
- 예제 상에서 a 영역의 값이 b 영역 값보다 크므로, 예제 사진은 웜 톤임을 알 수 있다. 웜톤과 쿨톤 두 가지로 분류한 뒤, 세부적인 계절 타입을 분류하기 위하여 모발과 피부 톤의 contrast, 눈동자와 피부 톤의 contrast를 측정한다. contrast 측정을 위하여 눈동자와 모발영역을 추출한다.
- 공공디자인 색체 표준은 공공 디자인 산업 분야에 다양한 용도로 활용할 수 있도록 제작된 가이드로서 표준색의 계통 색 이름, 관용 색 이름, Lab 등 128색 표를 제공한다. 이를 기반으로 하여 개인의 피부 톤, 모발, 눈동자의 Lab 컬러 데이터를 색체 표준 가이드에서 제공하는 Lab 데이터를 비교하여 특징마다 하나 이상의 유사한 색상 관용어를 태그에 추가한다. 관용어색을 태그에 추가함으로써 사용자에게 느껴지는 분위기나 인상을 제공해 줄 수 있으며 가장 어울리는 메이크업을 추천할 수 있다.
- 설문은 매우 만족, 만족, 보통, 불만족, 매우 불만족으로 나누어 진행하였으면 결과는 그림 5와 같다. 질문은 각각 영역 검출에 대한 만족도, 타입진단에 대한 만족도, 사용자환경(UI) 만족도, 추출된 태그결과에 대한 만족도, 추천된 메이크업 콘텐츠에 대한 만족도를 나타낸다. 종합 만족도 총 5점 만점의 3.
- 얼굴영역 추출 후, Otsu알고리즘[7]을 사용하여 배경과 눈, 코, 입 영역을 제거한다. 피부 영역 검출률을 높이기 위하여 HSV 컬러 모델의 Hue 분포를 이용하여 피부 영역만을 검출한다. 피부 영역을 검출한 뒤 영역의 색상 데이터를 추출한다.
- contrast 연산을 위하여 눈동자와 모발영역의 Lab 컬러 모델의 L 값을 추출한다. 피부 톤과 모발의 contrast는 눈동자의 contrast보다 많은 영향을 미치므로 모발과의 contrast에 가중치를 두어 계산한다. 전체적인 contrast가 50보다 작은 경우 웜톤은 가을, 쿨톤은 여름으로 나누게 되고, 큰 경우에는 웜톤은 봄, 쿨톤은 겨울로 나누게 된다.
대상 데이터
- 관용어색을 태그에 추가함으로써 사용자에게 느껴지는 분위기나 인상을 제공해 줄 수 있으며 가장 어울리는 메이크업을 추천할 수 있다. 메이크업 콘텐츠를 추천하기 위하여 동영상 공유 소셜 네트워크 서비스인 유튜브를 이용하여 뷰티 유튜버가 올린 콘텐츠의 메타데이터를 수집한다. 콘텐츠는 사용자의 퍼스널 컬러를 기본으로 하고 나머지 태그들을 TF-IDF를[11] 사용하여 사용자에게 가장 적합한 메이크업 콘텐츠를 추천한다.
- 본 연구에서 제안한 방법을 검증하기 위하여 구현된 시스템을 통해 실험을 진행하였다. 실험은 온, 오프라인으로 퍼스널 컬러 진단을 받아본 20대 여자 30명을 대상으로 진행하였다. 시스템을 이용하여 자신의 상반신 이미지를 업로드 한 후 분석결과에 대한 5가지 설문을 진행하였다.
이론/모형
- 또한, 개인 맞춤형 콘텐츠를 추천하기 위하여 퍼스널 컬러 진단 시 추출한 신체영역의 Lab 컬러를 이용하여 개인 맞춤형 메이크업 정보를 추천한다. Lab 컬러를 태그화 시키기 위하여 한국표준 정보망에서 제공하는 공공디자인 색체 표준 가이드를 사용한다[9]. 공공디자인 색체 표준은 공공 디자인 산업 분야에 다양한 용도로 활용할 수 있도록 제작된 가이드로서 표준색의 계통 색 이름, 관용 색 이름, Lab 등 128색 표를 제공한다.
- 모발 영역 추출의 경우 Otsu 알고리즘을 이용하여 배경과 인물을 분리하고 배경 영역을 제거한다. 배경이 제거된 이미지에는 모발, 눈, 코, 입 영역이 남게 되는데 이것 역시 Haar-cascade알고리즘을 사용하여 눈, 코, 입 영역을 추출하여 제거한다.
- 피부 영역을 검출한 뒤 영역의 색상 데이터를 추출한다. 색상 데이터는 Lab 컬러 모델을 이용한다. Lab컬러 모델은 디지털 장비의 색 특성과 관계없이 같은 색이 표현되며, L(Luminosity)은 명도 값으로 0∼100 사이의 값을 가진다.
- 먼저 퍼스널 컬러의 톤을 결정하기 위하여 피부영역 분석한다. 얼굴 영역을 추출하기 위하여 본 연구에서는 Haar-cascade를 사용한다. Haar-cascade는 얼굴의 명암차이 특징을 이용하여 얼굴특성을 추출하는 알고리즘[6]으로 많은 연구에서 사용되고 있다.
- Haar-cascade는 얼굴의 명암차이 특징을 이용하여 얼굴특성을 추출하는 알고리즘[6]으로 많은 연구에서 사용되고 있다. 얼굴영역 추출 후, Otsu알고리즘[7]을 사용하여 배경과 눈, 코, 입 영역을 제거한다. 피부 영역 검출률을 높이기 위하여 HSV 컬러 모델의 Hue 분포를 이용하여 피부 영역만을 검출한다.
성능/효과
- Hsu은 복잡한 배경에 피부 영역을 검출하고, 피부 영역의 공간 배열에 기초하여 얼굴 후보를 생성하여 얼굴 검출 알고리즘을 제안했다[3]. 결과적으로 이미지의 다양한 얼굴 변화에도 높은 얼굴 인식률을 얻었다. K.
- Almir 는 기존에 많이 사용하는 얼굴 추출 기법인 Haar Cascade Classifiers를 개선하기 위하여 베이지안 분류기를 결합하여 빠르게 얼굴을 추출하는 방법을 제안하였다[5]. 기존의 방법만 사용했을 때보다 향상된 속도로 얼굴을 추출하였다.
- 본 연구에서는 수치화된 색상 데이터를 통하여 사용자의 퍼스널 컬러를 진단하고, 퍼스널 컬러에 적합한 메이크업 콘텐츠를 추천하는 시스템을 구현하였다. 실험을 통하여 기존의 온, 오프라인 진단보다 높은 만족도를 확인하였으며 제안한 방법에 대한 검증을 받았다. 향후 더 나아가 퍼스널 컬러의 정확성을 높이기 위하여 사용자의 눈매, 인상착의 등을 통하여 색감에 대한 인상(분위기)을 파악하고 사계절 타입의 세부 컬러 타입에 대한 연구를 진행할 것이다.
- 질문은 각각 영역 검출에 대한 만족도, 타입진단에 대한 만족도, 사용자환경(UI) 만족도, 추출된 태그결과에 대한 만족도, 추천된 메이크업 콘텐츠에 대한 만족도를 나타낸다. 종합 만족도 총 5점 만점의 3.67점으로 높은 만족도를 보였다.
- Garvit은 보행자가 접근할 경우 보행자를 검출하는 연구를 진행하였다[4]. 피부 색상 분할과 Haar Cascade를 조합하여 단일 보행자 검출 알고리즘을 제안하였으며 제안된 방법을 이용한 실험을 통하여 94.28%의 검출율을 보였다. K.
후속연구
- 퍼스널 컬러를 정확히 진단받더라도 자신만의 퍼스널 컬러를 어떻게 활용할지에 대한 추가적인 콘텐츠들의 활용과 연구가 부족한 상태이다. 이러한 문제들을 해결하기 위해, 정확한 색상 수치를 활용한 퍼스널 컬러 진단방법이 필요하며, 추가로 개인에게 적합한 메이크업 콘텐츠를 추천하는 서비스가 구성되어야 할 것이다.
- 실험을 통하여 기존의 온, 오프라인 진단보다 높은 만족도를 확인하였으며 제안한 방법에 대한 검증을 받았다. 향후 더 나아가 퍼스널 컬러의 정확성을 높이기 위하여 사용자의 눈매, 인상착의 등을 통하여 색감에 대한 인상(분위기)을 파악하고 사계절 타입의 세부 컬러 타입에 대한 연구를 진행할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.