[논문]영상처리를 이용한 얼굴 인식 및 연령 분류에 대한 연구

강성욱; 정진동; 서홍일; 이해연

영상처리를 이용한 얼굴 인식 및 연령 분류에 대한 연구
Face Recognition and Age Classification Study using Image Processing 원문보기

강성욱 (금오공과대학교 컴퓨터소프트웨어공학과) , 정진동 (금오공과대학교 컴퓨터소프트웨어공학과) , 서홍일 (금오공과대학교 컴퓨터소프트웨어공학과) , 이해연 (금오공과대학교 컴퓨터소프트웨어공학과)

영상에서 사람의 얼굴 영상을 추출하여 성별 및 연령대를 자동으로 분석하는 시스템은 광고판 등을 이용한 마케팅, 보안, 통계 분야 등 여러 가지 적용이 가능하다. 이러한 시스템의 개발을 위해서는 얼굴 인식 알고리즘과 특성 분류 알고리즘이 요구된다. 그러나 기존 알고리즘의 경우 문제점이 존재한다. 얼굴 인식 알고리즘으로 가장 많이 사용되는 HAAR 특징은 오탐률이 높으며, 특성 분류 알고리즘으로 사용하는 Fisherface 기법의 경우 분류 Class가 3가지 이상시 분류 성공률이 현저히 떨어지는 문제점이 있다. 본 논문에서는 이 두 알고리즘의 문제점을 개선한 새로운 알고리즘을 제안한다. 얼굴 인식을 위해 기존 HAAR 특징과 LBP 특징을 결합하여 오탐률을 크게 감소시켰다. 또한 특성 분류를 위하여 3 Class 이상의 분류를 대체할 방법으로 2 Class-multi-level 반복 분류방식을 사용하였다. 대량의 데이터에 대한 실험을 통하여 제안한 방법이 기존 방법들보다 성능이 향상되었음을 보인다.

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

문제 정의

본 연구에서는 얼굴 인식을 통한 성별 및 연령 판별을 위한 두 가지 알고리즘을 제안하였다. 그 중 첫 번째인 HAAR 특징-LBP 알고리즘은 기존 HAAR 특징만을 사용한 알고리즘 보다 얼굴 인식 오탐률이 현저하게 낮아 앞으로 영상처리 분야에서 많은 응용이 가능할 것이다.
본 연구에서는 컴퓨터 비전을 이용하여 대상물의 성별 및 연령대 판별을 위한 기술을 제안한다. 이를 위해서는 먼저 얼굴 영역을 검출하기 위한 얼굴 인식 알고리즘이 필요하고, 추출한 각 얼굴 영역에 대하여 성별 및 연령대를 분류하기 위한 분류 알고리즘이 필요하다.
본 절에서는 향상된 얼굴 인식 알고리즘과 Fisherface 방법을 이용하여 성별 및 연령대 분류를 위한 알고리즘을 제안한다.

가설 설정

al.[1]가 제안한 HAAR 특징은 사람의 특정 얼굴 부위에서 픽셀 값들의 합의 평균이 특정 임계치를 초과하면 그 영역을 HAAR 특징라고 가정하였다. 하지만 단일 HAAR 특징만으로 얼굴 영역을 판단하기에는 오탐률이 높아 (그림 1)과 같이 여러 개의 HAAR 특징을 사용하고 다음과 같이 각각 특징에 가중치를 부여한 합을 사용하는 AdaBoost 방법을 많이 이용한다.

제안 방법

PCA는 다차원 특정 벡터로 이루어진 데이터에 대하여 높은 차원에서의 정보를 최대한 유지하면서 낮은 차원으로 차원을 축소시키는 다변량 데이터 처리 방법이다. 다변량 데이터의 주성분에 해당하는 주축을 통계적인 방법에 의하여 구하고, 구해진 주축의 방향으로 특징 벡터 x를 행렬의 내적을 이용하여 투영시킴으로 차원을 축소한다.
기존 알고리즘들과 제안하는 알고리즘들에 대한 실험 결과를 요약한다. 먼저 HAAR 특징방법과 제안하는 HAAR 특징-LBP재검증 알고리즘에 대한 비교 실험 결과를 소개하고, 기존 3 Class 연령대 분류와 2 Class-2Level 연령대 분류 실험 결과를 제시한다.
기존에 가장 많이 쓰는 HAAR 특징은 오탐률이 상당히 높다는 문제가 있다. 본 연구에서 제안하는 알고리즘은 HAAR 특징으로 검출된 각각의 얼굴영역에 대하여 LBP를 사용하여 얼굴인지 여부를 재검증 하는 것이다.
하지만 HAAR 특징은 얼굴영역 오탐률이 높은 단점이 있다. 본 연구에서는 HAAR 특징 단점을 보완하여 HAAR와 LBP를 함께 사용하여 얼굴영역 오탐률을 감소시켰다.
실험에서는 얼굴 인식율과 오탐률을 실험하기 위해 1500개의 얼굴이 포함된 47장의 단체사진을 이용하여 각각의 알고리즘으로 얼굴 영역 추출을 시도했다. 이 때, 추출한 얼굴 영역 중에 눈, 코, 입이 모두 나와 있을 경우를 얼굴 인식 성공으로 판정하며, 실험 결과에서 HAAR 특징의 얼굴 추출 개수를 100%로 한다.
연령대 분류시 3 Class로 분류할 때와 제안하는 2 Class-2 Level로 분류 시의 성공률을 실험하기 위해 900개의 대상 얼굴 이미지를 미리 Fisherface classifier에 학습시켰다. 이 때, 900개의 이미지는 10대, 20대, 중년 각각 300개씩 학습시켰으며 각각의 그룹에 대해 남여 비율은 동일하다.
하지만 Fisherface 방법은 성별을 비롯한 2 Class 분류에는 분류성공률이 비교적 높지만 3 Class 이상의 분류에서는 분류성공률이 매우 낮아지는 단점이 존재하였다. 제안하는 알고리즘은 3 Class 이상의 분류의 단점을 개선하여 2 Class 분류를 반복 적용하는 것이다.

이론/모형

하지만 PCA는 구현이 쉬운 반면, 조명이나 표정 변화에 따라 분류 결과가 크게 변화되기 때문에 신뢰도는 낮은 편이다. 따라서 본 연구에서는 PCA에 LDA(Linear Discriminant Analysis)를 이용한 Fisherface 방법을 이용하여 성별 및 연령대를 분류하였다. 특히 Fisherface 방법은 2 Class 분류에 있어서는 분류 성공률이 높지만 3 Class 이상의 분류에서는 분류 성공률이 낮다는 단점이 있어서 3 Class이상의 분류 대신 2 Class 분류를 반복적으로 적용함으로 분류 성공률을 높게 향상시켰다.
본 연구에서 연령대 및 성별 분류 알고리즘으로 Fisherface 방법을 사용하였다. 하지만 Fisherface 방법은 성별을 비롯한 2 Class 분류에는 분류성공률이 비교적 높지만 3 Class 이상의 분류에서는 분류성공률이 매우 낮아지는 단점이 존재하였다.
제안하는 방법에서 얼굴 인식 알고리즘은 HAAR 특징과 LBP를 적용했으며, 성별 및 연령대 분류 알고리즘에는 PCA와 LDA가 적용된 Fisherface 방법을 도입하였다.

성능/효과

두 번째인 Fisherface method를 이용한 연령대 분류시의 2Class-2Level 분류 알고리즘은 기존 알고리즘보다 더 나은 성능을 보이고 있으며, 연구에 따라 많은 발전 가능성을 지니고 있다.
제안하는 알고리즘은 기존 3 Class 분류보다 분류 성공률의 편차가 낮고 분류 성공률의 평균도 높다. 비록 분류 성공률의 평균이 큰 차이를 보이지 않지만, 편차가 크게 줄어들었기 때문에 제안하는 알고리즘이 기존 방법보다 더욱 우수하다.
실험 결과, HAAR 특징만 사용할 경우에는 원래 영상들의 얼굴 개수인 1,500개보다 적어도 123개의 얼굴이 잘못 판정 된 것을 볼 수 있다. 제안하는 알고리즘은 얼굴 추출 개수는 적지만 얼굴 인식 성공률은 매우 높다.
실험에서는 얼굴 인식율과 오탐률을 실험하기 위해 1500개의 얼굴이 포함된 47장의 단체사진을 이용하여 각각의 알고리즘으로 얼굴 영역 추출을 시도했다. 이 때, 추출한 얼굴 영역 중에 눈, 코, 입이 모두 나와 있을 경우를 얼굴 인식 성공으로 판정하며, 실험 결과에서 HAAR 특징의 얼굴 추출 개수를 100%로 한다.
(그림 10)의 실험 결과에 따르면, 기존 3Class 분류에서는 10대와 20대 혹은 20대와 중년의 분류 성공률이 매우 크게 차이가 나는 것을 확인할 수 있다. 제안하는 알고리즘은 기존 3 Class 분류보다 분류 성공률의 편차가 낮고 분류 성공률의 평균도 높다. 비록 분류 성공률의 평균이 큰 차이를 보이지 않지만, 편차가 크게 줄어들었기 때문에 제안하는 알고리즘이 기존 방법보다 더욱 우수하다.
실험 결과, HAAR 특징만 사용할 경우에는 원래 영상들의 얼굴 개수인 1,500개보다 적어도 123개의 얼굴이 잘못 판정 된 것을 볼 수 있다. 제안하는 알고리즘은 얼굴 추출 개수는 적지만 얼굴 인식 성공률은 매우 높다.
92%의 수준이다. 하지만 제안하는 알고리즘의 경우 얼굴 인식 개수는 986개이고 그 중 얼굴인식 성공의 개수는 977개로 99.08%의 정확도를 보인다.

후속연구

본 연구에서는 얼굴 인식을 통한 성별 및 연령 판별을 위한 두 가지 알고리즘을 제안하였다. 그 중 첫 번째인 HAAR 특징-LBP 알고리즘은 기존 HAAR 특징만을 사용한 알고리즘 보다 얼굴 인식 오탐률이 현저하게 낮아 앞으로 영상처리 분야에서 많은 응용이 가능할 것이다.
따라서 본 연구에서 제안한 두 가지 알고리즘은 앞으로 통계 정보 수집, 마케팅, HCI/HRI 분야에서 폭 넓게 쓰일 것으로 기대한다.

핵심어

질문

논문에서 추출한 답변

성별 및 연령대를 분류하기 위해 가장 많이 사용하는 알고리즘은 무엇인가?

성별 및 연령대를 분류하기 위한 주요 알고리즘으로는 Fisherface 방법, Eigenface 방법, SVM 분류기 등이 있다. 그 중에서 가장 많이 사용하는 것은 Eigenface 방법으로, PCA(Principal Component Analysis)를 이용하여 구현이 간단하며 많은 학습 데이터가 존재하기 때문이다. 하지만 PCA는 구현이 쉬운 반면, 조명이나 표정 변화에 따라 분류 결과가 크게 변화되기 때문에 신뢰도는 낮은 편이다.

HAAR 특징 알고리즘의 단점은 무엇인가?

그 중에 가장 많이 사용 것은HAAR 특징 기반의 Adaboost 알고리즘이다. 하지만 HAAR 특징은 얼굴영역 오탐률이 높은 단점이 있다. 본 연구에서는 HAAR 특징 단점을 보완하여 HAAR와 LBP를 함께 사용하여 얼굴영역 오탐률을 감소시켰다.

얼굴 인식을 위해 사용되는 주요 알고리즘에는 무엇이 있는가?

얼굴 인식을 위해 사용되는 주요 알고리즘으로는 HAAR 특징, LBP(Local Binary Patterm), SVM(Support Vector Machine) 분류기, ICA (Independent Component Analysis) 등이 있다. 그 중에 가장 많이 사용 것은HAAR 특징 기반의 Adaboost 알고리즘이다.

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

영상처리를 이용한 얼굴 인식 및 연령 분류에 대한 연구
Face Recognition and Age Classification Study using Image Processing 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

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

영상처리를 이용한 얼굴 인식 및 연령 분류에 대한 연구 Face Recognition and Age Classification Study using Image Processing 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

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

영상처리를 이용한 얼굴 인식 및 연령 분류에 대한 연구
Face Recognition and Age Classification Study using Image Processing 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper