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 얼굴 영역을 검출하기 위해 초기 얼굴 템플릿을 새로운 얼굴 템플릿으로 적응적으로 갱신하는 적응형 템플릿 정합을 수행한다. 우선, 얼굴 영역의 검출과 초기 얼굴 템플릿을 얻기 위해 Haar-like 특징과 AdaBoost 알고리즘[2][8]을 사용한다.
- 본 논문은 이러한 문제를 개선하기 위해 본 연구진이 이미 제안했던 눈 검출 방법[11]의 성능을 개선한 것이다. 본 논문의 제안된 방법은 안드로이드 스마트 폰에서 우선 중앙 블록과 주변 블록들 간의 블록 대비도를 이용해 눈썹을 검출한 후, 눈썹과 눈 간의 기하학적 특성을 이용해 눈의 위치를 검출한다.
- 본 논문의 제안된 방법은 안드로이드 스마트 폰에서 우선 중앙 블록과 주변 블록들 간의 블록 대비도를 이용해 눈썹을 검출한 후, 눈썹과 눈 간의 기하학적 특성을 이용해 눈의 위치를 검출한다. 본 논문은 저조도 환경이거나 안경을 착용한 상태에서도 두 눈의 위치를 좀 더 정확하게 찾을 수 있는 눈 검출 방법을 제안함에 그 목적이 있다.
제안 방법
- 눈의 위치는 항상 눈썹 하단에 위치하며 그 떨어진 정도가 사람마다 크게 다르지 않다는 기하학적 특성을 이용해 눈 후보 영역에서 나온 동공 후보 점들을 검증한다. 그림 4(g)와 같이 좌우간 조합 가능한 동공 후보점 쌍들을 조합 짓되 그 직전에 식 (7)과 같이 눈썹과 동공 후보점 간의 수직 거리가 블록 높이(Irish)의 2배(수직 상한)에서 4배 (수직 하한) 범위 이내인지를 검사함으로써 동공 후보점들의 적합성을 검증한다.
- 이어서 각 눈 탐색 영역에 대한 Integral Image[2]를 산출한다. 다음으로, 각 입력 영상마다 얼굴 영역의 폭(Facew )과 높이 (Faceh )를 이용해 홍채 크기에 근사한 블록 크기를 산정한다. 일반적으로 동공의 경우, 홍채보다 조명에 의한 크기 변화가 심한 것으로 알려져 있다.
- 본 논문에서는 안드로이드 스마트 폰 환경에서 정중앙 블록과 주변 블록들 간의 블록 대비도를 이용해 눈썹을 검출한 후, 눈썹과 눈 간의 기하학적 특성을 이용해 눈의 위치를 찾는 눈 검출 방법을 제안하였다. 제안된 방법은 거리 및 조명 변화 그리고 안경 착용에 강인한 것이 장점이다.
- 본 논문은 이러한 문제를 개선하기 위해 본 연구진이 이미 제안했던 눈 검출 방법[11]의 성능을 개선한 것이다. 본 논문의 제안된 방법은 안드로이드 스마트 폰에서 우선 중앙 블록과 주변 블록들 간의 블록 대비도를 이용해 눈썹을 검출한 후, 눈썹과 눈 간의 기하학적 특성을 이용해 눈의 위치를 검출한다. 본 논문은 저조도 환경이거나 안경을 착용한 상태에서도 두 눈의 위치를 좀 더 정확하게 찾을 수 있는 눈 검출 방법을 제안함에 그 목적이 있다.
- 얼굴 영역 검출 과정에서 검출한 얼굴 영역의 폭과 높이에 연동해 가변되는 좌측 및 우측 눈 탐색 영역을 얼굴 영역의 상단에 비례적으로 선정한다. 그림 4(e)는 이렇게 산정한 좌측 및 우측 눈 탐색 영역을 예시한 것이다.
- 시작점에서부터 한 화소씩 옮겨가면서 상호 상관도가 가장 높은 위치를 얼굴 영역으로 검출한다. 이때 상호 상관도가 기준값 이상이면 계속적으로 템플릿 정합을 진행하고, 그렇지 않으면 Haar-like 특징과 AdaBoost 알고리즘을 이용해 얼굴 영역을 재검출하고 새로운 얼굴 템플릿으로 갱신해 얼굴 템플릿 정합을 수행한다. 또한 상호 상관도가 기준값 이상이더라도 일정한 프레임 주기 단위로 Haar-like 특징과 AdaBoost 알고리즘을 통해 얼굴 영역을 재검출하고 얼굴 템플릿을 갱신하는 과정을 반복한다.
- 우선, 얼굴 영역의 검출과 초기 얼굴 템플릿을 얻기 위해 Haar-like 특징과 AdaBoost 알고리즘[2][8]을 사용한다. 이어서 초기 얼굴 템플릿을 입력 영상의 좌상단 시작점에 중첩해 놓고 겹쳐진 부분과의 상호 상관도(cross correlation)를 구한다. 시작점에서부터 한 화소씩 옮겨가면서 상호 상관도가 가장 높은 위치를 얼굴 영역으로 검출한다.
- 좌측 및 우측 눈썹 후보 영역들이 추출되면 이 영역들을 레이블링 하여 면적이 가장 큰 영역을 추출하고, 이 영역에서 가장 큰 블록 대비도를 갖는 블록의 중심화소를 눈썹 후보점으로 정한다. 이후 좌측 및 우측 눈썹 후보점 간 기울기의 절대값이 일정 각도 이하이면 눈썹으로 결정하고, 그렇지 않으면 눈썹을 정확하게 검출할 수 없는 경우이기 때문에 기제안된 방법[11]을 이용해 눈의 위치를 검출한다.
- 본 논문에서는 안드로이드 스마트 폰 환경에서 정중앙 블록과 주변 블록들 간의 블록 대비도를 이용해 눈썹을 검출한 후, 눈썹과 눈 간의 기하학적 특성을 이용해 눈의 위치를 찾는 눈 검출 방법을 제안하였다. 제안된 방법은 거리 및 조명 변화 그리고 안경 착용에 강인한 것이 장점이다. 또한 기제안된 방법[11]에 비해 제안된 방법은 눈썹이 기준이 되면서 눈을 감는 등의 일시적으로 동공이 가려지는 상황에서도 눈의 위치를 찾는 효과가 있었다.
- 그림 1은 제안된 방법의 순서도를 나타낸 것이다. 제안된 방법은 눈의 위치를 검출하기에 앞서 먼저 얼굴 영역을 검출한 후, 검출된 얼굴 영역에서 눈썹 탐색 영역을 지정하여 눈썹의 위치를 검출한다.
- 제안된 방법은 크게 얼굴 검출 과정과 눈 위치 검출 과정으로 구분된다. 그림 1은 제안된 방법의 순서도를 나타낸 것이다.
- 제안된 방법의 눈 위치 검출 과정은 크게 눈 후보 영역 추출 단계, 동공 후보점 추출 단계, 눈썹 기반 동공 후보점 검증 단계, 동공 후보점 쌍 판별 단계로 구성된다. 그림 4은 제안된 방법의 동작 과정 중 중간 결과 영상들을 예시한 것이다.
- 제안된 방법의 눈썹 위치 검출 과정은 크게 눈썹 후보 영역 추출 단계와 눈썹 후보점 추출 검증 단계로 구성된다.
- 이러한 사실에 입각해 조명에 의한 크기 변화가 작은 홍채의 직경을 블록의 크기로 사용한다[9][10]. 한편 제안된 방법에서는 눈꺼풀에 의해 홍채가 가려진다는 사실에 착안해 블록의 모양을 정사각형이 아닌 직사각형 형태를 사용한다. 블록의 폭(Irisw )과 높이(Irish )는 각각 식 (1)과 같이 구한다.
대상 데이터
- 시험 영상은 안경을 착용하거나 미착용한 5명의 참여자로부터 약 25∼45cm 거리에서 실내조명 하의 정상 조도(약 400 lux)에서 2,009장, 그리고 책을 읽기 어려운 수준의 저조도 하에서 1,318장을 촬영한 얼굴 영상을 사용했다.
- 제안된 시스템의 타당성과 보편성을 평가하기 위해, Samsung Galaxy S5(32GB RAM) 스마트 폰의 안드로이드 4.4(킷캣) 환경에서 ADT 번들(Android Developer Tools Bundle)과 OpenCV 2.4.9를 이용해 스마트 폰 전면 카메라를 통해 촬영한 482×320 해상도의 3,327장의 시험 영상을 대상으로 제안된 방법에 대한 시뮬레이션을 수행하였다.
이론/모형
- 본 논문에서는 제안된 방법을 스마트 폰 환경에서 구현할 시, 초기 얼굴 영역과 얼굴 템플릿을 구하기 위해 OpenCV에서 제공하는 하르 분류기(Haar classifier)를 사용한다. OpenCV에서는 P.
- 본 논문에서는 얼굴 영역을 검출하기 위해 초기 얼굴 템플릿을 새로운 얼굴 템플릿으로 적응적으로 갱신하는 적응형 템플릿 정합을 수행한다. 우선, 얼굴 영역의 검출과 초기 얼굴 템플릿을 얻기 위해 Haar-like 특징과 AdaBoost 알고리즘[2][8]을 사용한다. 이어서 초기 얼굴 템플릿을 입력 영상의 좌상단 시작점에 중첩해 놓고 겹쳐진 부분과의 상호 상관도(cross correlation)를 구한다.
성능/효과
- 제안된 방법은 거리 및 조명 변화 그리고 안경 착용에 강인한 것이 장점이다. 또한 기제안된 방법[11]에 비해 제안된 방법은 눈썹이 기준이 되면서 눈을 감는 등의 일시적으로 동공이 가려지는 상황에서도 눈의 위치를 찾는 효과가 있었다. 이는 검출 오류를 낮출 뿐 아니라 안정적으로 눈 위치를 찾음으로써 추후 눈의 개폐 여부를 판단하거나 시선 인식을 위한 전처리로 사용될 수 있을 것이다.
- 또한 기제안된 방법과 제안된 방법은 공히 그림 9와 같이 저조도로 인해 AdaBoost 방법의 성능이 극단적으로 저하되는 상황에서도 비교적 안정된 성능을 제공함을 알 수 있었다. 전반적으로 제안된 방법은 거리 및 조명 변화 그리고 안경 착용에 강인한 편이다.
- 먼저, 연산량 측면에서 살펴보면, Rapid Eye Detection 알고리즘[9]은 AdaBoost 방법[2][8]에 비해 연산 복잡도가 낮다[9][10]. 제안된 방법은 Rapid Eye Detection 알고리즘을 개량해 연산 복잡도를 절감한 반면에 성능을 개선한 것이기에 AdaBoost 방법[2][8]에 비해 연산 복잡도가 매우 낮은 편이다. 이로 인해 일반적인 안드로이드 스마트 폰에서 실시간 처리가 가능한 장점이 있다.
- 하지만 안경을 착용할 경우, AdaBoost 방법과 기제안된 방법의 검출 성능이 다소 큰 폭으로 저하되는 반면, 제안된 방법은 상대적으로 양호한 검출 성능을 유지한다. 제안된 방법이 기제안된 방법에 비해 성능이 좋은 이유는 제안된 방법이 눈썹과 눈 간의 기하학적 특성을 이용해 동공의 위치를 검증함으로 인해 안경과 눈을 효과적으로 구분할 수 있고 그림 7의 눈을 감는 경우와 같이 일시적으로 동공이 사라지면서 생기는 오류를 보안했기 때문인 것으로 분석된다.
- 그림 8과 그림 9는 각각 정상 조도와 저조도에서 제안된 방법을 적용한 눈 검출 결과를 예시한 것이다. 표 1을 참고할 때, 정상 조도의 안경 미착용 상태에서 AdaBoost 방법[2][8], 기제안된 방법[11]과 제안된 방법은 공히 우수한 눈 검출 성능을 제공하는 것으로 평가할 수 있다. 하지만 안경을 착용할 경우, AdaBoost 방법과 기제안된 방법의 검출 성능이 다소 큰 폭으로 저하되는 반면, 제안된 방법은 상대적으로 양호한 검출 성능을 유지한다.
- 표 1을 참고할 때, 정상 조도의 안경 미착용 상태에서 AdaBoost 방법[2][8], 기제안된 방법[11]과 제안된 방법은 공히 우수한 눈 검출 성능을 제공하는 것으로 평가할 수 있다. 하지만 안경을 착용할 경우, AdaBoost 방법과 기제안된 방법의 검출 성능이 다소 큰 폭으로 저하되는 반면, 제안된 방법은 상대적으로 양호한 검출 성능을 유지한다. 제안된 방법이 기제안된 방법에 비해 성능이 좋은 이유는 제안된 방법이 눈썹과 눈 간의 기하학적 특성을 이용해 동공의 위치를 검증함으로 인해 안경과 눈을 효과적으로 구분할 수 있고 그림 7의 눈을 감는 경우와 같이 일시적으로 동공이 사라지면서 생기는 오류를 보안했기 때문인 것으로 분석된다.
후속연구
- 또한 기제안된 방법[11]에 비해 제안된 방법은 눈썹이 기준이 되면서 눈을 감는 등의 일시적으로 동공이 가려지는 상황에서도 눈의 위치를 찾는 효과가 있었다. 이는 검출 오류를 낮출 뿐 아니라 안정적으로 눈 위치를 찾음으로써 추후 눈의 개폐 여부를 판단하거나 시선 인식을 위한 전처리로 사용될 수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.