초록

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

현재까지의 컴퓨터그래픽스 기술은 물체의 시각적 표현에만 집중되어 왔다고 할 수 있다. 그러나 컴퓨터그래픽스 기술의 발전으로 앞으로는 3차원 데이터가 단지 표현에만 그치지 않고 모든 분야에서의 물체 해석과 예측 시뮬레이션 정보처리에서 활용되어 갈 것이다. 본 논문에서는 3차원 얼굴 데이터를 이용하여 사람의 나이에 따른 얼굴의 변화를 시뮬레이션한 결과를 소개한다. 20대, 30대, 40대, 50대의 3차원 얼굴 데이터로부터 60대의 얼굴을 예측하는 방법을 소개한다. 동일한 인물의 20대부터 50대까지의 실제 얼굴 데이터를 얻는 것은 어려운 일이므로 본 연구에서는 20대의 얼굴데이터만을 가지고 50대까지의 얼굴을 추측하여 생성한 후에 60대의 얼굴을 예측하는 방법을 제공한다.

현재까지의 컴퓨터그래픽스 기술은 물체의 시각적 표현에만 집중되어 왔다고 할 수 있다. 그러나 컴퓨터그래픽스 기술의 발전으로 앞으로는 3차원 데이터가 단지 표현에만 그치지 않고 모든 분야에서의 물체 해석과 예측 시뮬레이션 정보처리에서 활용되어 갈 것이다. 본 논문에서는 3차원 얼굴 데이터를 이용하여 사람의 나이에 따른 얼굴의 변화를 시뮬레이션한 결과를 소개한다. 20대, 30대, 40대, 50대의 3차원 얼굴 데이터로부터 60대의 얼굴을 예측하는 방법을 소개한다. 동일한 인물의 20대부터 50대까지의 실제 얼굴 데이터를 얻는 것은 어려운 일이므로 본 연구에서는 20대의 얼굴데이터만을 가지고 50대까지의 얼굴을 추측하여 생성한 후에 60대의 얼굴을 예측하는 방법을 제공한다.

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 한 사람의 20 대의 3 차원 얼굴 스캔데이터와 사진 이미지를 이용하여 20 대의 얼굴 모델을 완성시키고, 30, 40, 50 대 얼굴을 각각 예측한 뒤에, 각 연령대의 얼굴 모델을 이용하여 최종 연령대인 60 대의 얼굴을 예측하는 방법을 연구하였다.
• 이러한 컴퓨터그래픽스 기술은 단순한 시각적 표현뿐 아니라 앞으로는 많은 분야에서 물체의 물리적, 화학적 혹은 생물학적 해석으로 이용될 수 있는 3D 정보처리 기술로 발전되어 갈 것으로 전망한다. 본 연구도 이와 관련하여 3 차원 얼굴 표현을 떠나서 얼굴의 나이에 따라 변화되는 모습을 시뮬레이션하고 예측하는 방법을 제공하고자 한다.
• 이상과 같이 각 연령대별 3차원 얼굴 모델 데이터를 구한 뒤에는 이 데이터를 이용하여 60대의 얼굴 모습을 예측하고자 하는 것이다. 각 연령대별 3차원 얼굴 데이터는 PLY 형식의 파일로 저장된다.

제안 방법

• 각 연령대별 얼굴 모델로부터 최종 연령대의 얼굴 모델의 변화를 예측하기 위하여 20대에서 50대까지 연령대의 얼굴 재질 변화의 추이를 분류하여 60대 얼굴 재질의 변화된 모습을 얻도록 하였다. 20대, 30대, 40대, 50대 얼굴 모델의 각 51,239개 버텍스에서 동일한 위치의 컬러 값 변화 추이를 다음과 같이 형태별로 분류하였다:
• 20대의 얼굴 이미지에 맞는 각 연령대의 피부를 찾기 위해서 각 연령대별로 100명 정도의 얼굴 이미지와 20대 얼굴 이미지의 컬러 값의 차이를 비교해서 그 차가 가장 작은 사람의 피부를 선택하였다. 컬러 값의 차이를 비교하기 위해서 2개의 얼굴 이미지의 이마와 좌, 우측 볼에 사각 영역을 잡아 컬러 값의 평균을 구한 뒤 그 컬러 값의 차이를 구하였다(그림 3).
• 각 연령대별 얼굴 모델로부터 최종 연령대의 얼굴 모델의 변화를 예측하기 위하여 20대에서 50대까지 연령대의 얼굴 재질 변화의 추이를 분류하여 60대 얼굴 재질의 변화된 모습을 얻도록 하였다. 20대, 30대, 40대, 50대 얼굴 모델의 각 51,239개 버텍스에서 동일한 위치의 컬러 값 변화 추이를 다음과 같이 형태별로 분류하였다:
• 연령대별 얼굴 모델을 구하기 위해서 한 인물의 실제 데이터를 얻기 위해서는 몇 십년이라는 많은 시간이 필요하다. 따라서, 본 논문에서의 얼굴 예측에 필요한 연령대별 얼굴모델은 20대 모델은 앞에서와 같이 3D 스캔 데이터를 그대로 이용하고, 30대, 40대, 50대 연령대의 3D 모델은 20대 모델과 각 연령대별 다른 사람들의 얼굴모델을 이용하여 예측하는 방법을 고안하였다. 20대를 제외한 나머지 연령대의 얼굴은 20대의 3차원 스캔 얼굴 데이터에 20대의 피부 재질과 가장 비슷한 나이대별 피부를 찾아서 텍스처 매핑을 통해 제작하였다.
• 이상의 기존 연구와는 달리 본 연구에서는 3 차원 스캔 데이터로 구성된 한 연령대의 얼굴 모델을 이용하여 각 연령대의 얼굴을 예측한 후에, 각 연령대 얼굴 모델을 이용하여 그 후의 얼굴을 예측하는 알고리즘을 개발하였다. 이와 같이 각 연령대 얼굴 모델을 구성한 이유는 한 사람의 모든 연령대의 3D 스캔데이터를 얻기가 어렵기 때문이다.
• 이와 같이 각 연령대별로 컬러 값의 차이가 가장 작은 피부를 찾은 뒤에 각 연령대의 얼굴 이미지를 생성하기 위해서는 20대의 3차원 얼굴 스캔 데이터에 얼굴 이미지를 맞추어야 하고 20대의 피부색과 컬러 값이 흡사해야 하기 때문에 20대 얼굴 이미지에 눈, 코, 입, 귀, 눈썹 등의 위치를 맞추어 각 연령대의 피부를 입혀주었다(그림 4).
• 20대의 얼굴 이미지에 맞는 각 연령대의 피부를 찾기 위해서 각 연령대별로 100명 정도의 얼굴 이미지와 20대 얼굴 이미지의 컬러 값의 차이를 비교해서 그 차가 가장 작은 사람의 피부를 선택하였다. 컬러 값의 차이를 비교하기 위해서 2개의 얼굴 이미지의 이마와 좌, 우측 볼에 사각 영역을 잡아 컬러 값의 평균을 구한 뒤 그 컬러 값의 차이를 구하였다(그림 3).

대상 데이터

• 따라서, 본 논문에서의 얼굴 예측에 필요한 연령대별 얼굴모델은 20대 모델은 앞에서와 같이 3D 스캔 데이터를 그대로 이용하고, 30대, 40대, 50대 연령대의 3D 모델은 20대 모델과 각 연령대별 다른 사람들의 얼굴모델을 이용하여 예측하는 방법을 고안하였다. 20대를 제외한 나머지 연령대의 얼굴은 20대의 3차원 스캔 얼굴 데이터에 20대의 피부 재질과 가장 비슷한 나이대별 피부를 찾아서 텍스처 매핑을 통해 제작하였다.
• 각 연령대별 컬러 값의 변화 추이에 따라 분류를 한 뒤에 각 경우에 해당하는 통계적 방법으로 60 대의 얼굴 예측 데이터를 생성하였다. 즉, 20 대의 3 차원 얼굴 스캔 데이터의 총 51,239 개 점에서 각각 예측된 컬러 값을 저장하여 최종 얼굴 데이터를 생성하게 된다.
• 얼굴 예측에 사용될 20대, 30대, 40대, 50대의 얼굴데이터 중 20대의 얼굴 데이터는 3D스캐너로 스캔된 3차원 얼굴 데이터(그림 1)에 세 방향에서 찍은 사진이미지를 이용하여 텍스처매핑된 데이터를 사용한다(그림 2)[5].
• 각 연령대별 컬러 값의 변화 추이에 따라 분류를 한 뒤에 각 경우에 해당하는 통계적 방법으로 60 대의 얼굴 예측 데이터를 생성하였다. 즉, 20 대의 3 차원 얼굴 스캔 데이터의 총 51,239 개 점에서 각각 예측된 컬러 값을 저장하여 최종 얼굴 데이터를 생성하게 된다. (그림 10)과 (그림 11)은 각각 최종 예측된 남녀 모델얼굴의 모습을 보여준다.

후속연구

• 본 연구에서는 20 대 얼굴의 기하 모델을 이용해서 30 대에서 50 대까지 얼굴의 골격 변화가 없다는 가정하에서 예측 알고리즘을 구현했으나 추후 실제 동일인의 20 대에서 50 대의 얼굴 데이터를 얻을 수 있다면 피부의 변화뿐 아니라 골격 변화가 고려된 피부의 예측까지도 가능할 것이다.
• 본 연구에서의 제한 사항은 동일 인물의 연령별 데이터가 부재한 상황이라서 20 대 이후의 연령대의 기하 데이터의 변화는 고려하지 않고 재질 변화에 대한 추이만 고려했다는 점이다. 이와 같은 방법으로 해결한 이유는 인간의 성장이 20 대에서 어느 정도 마무리가 된다는 가정하에서 얼굴 골격의 변화는 예측에 포함하지 않았다.
• 본 연구의 결과는 의료 및 성형 분야를 포함하여3 차원 얼굴의 변화된 모습을 필요로 하는 각종 산업분야에서 활용이 가능하다.
• 최근 수십 년에 걸친 컴퓨터그래픽스 기술 발전에 의해 물체의 3 차원 형상의 사실적 묘사가 가능하게 되어 많은 분야에서 물체의 시각적 표현에 있어서는 상당한 발전이 있어왔다. 이러한 컴퓨터그래픽스 기술은 단순한 시각적 표현뿐 아니라 앞으로는 많은 분야에서 물체의 물리적, 화학적 혹은 생물학적 해석으로 이용될 수 있는 3D 정보처리 기술로 발전되어 갈 것으로 전망한다. 본 연구도 이와 관련하여 3 차원 얼굴 표현을 떠나서 얼굴의 나이에 따라 변화되는 모습을 시뮬레이션하고 예측하는 방법을 제공하고자 한다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

질의응답

핵심어	질문	논문에서 추출한 답변
증가 후 감소형 혹은 감소 후 증가 형	증가 후 감소형 혹은 감소 후 증가 형이란 무엇인가?	• 증가 후 감소형 혹은 감소 후 증가 형: 컬러 값의 변화의 추이가 한번 증가/감소 후에 계속하여 감소하거나 증가하는 형태 (그림 6)
지그재그 형	지그재그 형이란 무엇인가?	• 지그재그 형: 컬러 값의 변화가 들쑥날쑥 한 형태 (그림 7)
각 연령대 얼굴 모델을 이용하여 그 후의 얼굴을 예측하는 알고리즘	각 연령대 얼굴 모델을 이용하여 그 후의 얼굴을 예측하는 알고리즘을 개발한 이유는 무엇인가?	이상의 기존 연구와는 달리 본 연구에서는 3 차원스캔 데이터로 구성된 한 연령대의 얼굴 모델을 이용하여 각 연령대의 얼굴을 예측한 후에, 각 연령대 얼굴 모델을 이용하여 그 후의 얼굴을 예측하는 알고리즘을 개발하였다. 이와 같이 각 연령대 얼굴 모델을 구성한 이유는 한 사람의 모든 연령대의 3D 스캔데이터를 얻기가 어렵기 때문이다.

질의응답 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기