보고서 정보
주관연구기관 |
홍익대학교 Hongik University |
연구책임자 |
조성원
|
발행국가 | 대한민국 |
언어 |
한국어
|
발행년월 | 1997-04 |
주관부처 |
과학기술부 |
사업 관리 기관 |
홍익대학교 Hongik University |
등록번호 |
TRKO200200018282 |
DB 구축일자 |
2013-04-18
|
키워드 |
얼굴인식.전처리.신경망.패턴인식.Identification of Human Faces.Preprocessing.Neural Networks.Pattern Recognition.
|
초록
▼
인간의 얼굴인식에 관한 연구는 과거의 오랜 기간동안 심리학, 신경과학, 공학 등의 다양한 분야에서 폭 넓은 연구가 계속되어져 왔다. 특히, 공학분야에 있어서는 영상처리, 패턴인식, 컴퓨터 비젼, 신경망등의 분야들에서 활발한 연구가 진행 중이며 이는 회사나 공항의 보안 시스템, 빌딩의 출입자 관리 시스템, 미래의 인간과 기계 사이의 인터페이스의 일부분으로 사용하는 등 다양한 법적, 상업적 응용분야를 가지고 있다.일반적인 패턴인식 문제의 특별한 예로서 얼굴인식은 두가지의 부분으로 나누어 질 수가 있는데, 첫째는 크기, 회전, 위
인간의 얼굴인식에 관한 연구는 과거의 오랜 기간동안 심리학, 신경과학, 공학 등의 다양한 분야에서 폭 넓은 연구가 계속되어져 왔다. 특히, 공학분야에 있어서는 영상처리, 패턴인식, 컴퓨터 비젼, 신경망등의 분야들에서 활발한 연구가 진행 중이며 이는 회사나 공항의 보안 시스템, 빌딩의 출입자 관리 시스템, 미래의 인간과 기계 사이의 인터페이스의 일부분으로 사용하는 등 다양한 법적, 상업적 응용분야를 가지고 있다.일반적인 패턴인식 문제의 특별한 예로서 얼굴인식은 두가지의 부분으로 나누어 질 수가 있는데, 첫째는 크기, 회전, 위치 이동, 조명, 얼굴 표정, 위장 등에 불변하는 특징 집합을발견해 내는 것이고, 두 번째 부분은 새로운 영상으로부터 획득한 특징을 학습 패턴들과 비교하여 분류기능을 수행할 분류기를 구성하는 것이다. 본 연구의 목적은 얼굴 영상에 대한효과적인 전처리 및 특징추출 방법을 개발하고, 하드웨어 구현에 알맞은 새로운 신경망 학습 알고리즘을 연구하여 기존 방법들에 비해 우수한 성능을 지니는 얼굴인식 시스템을 개발하는데 있다.본 연구에서는 얼굴 영상의 전처리 및 특징추출 방법으로 기존의 모멘트, 주성분 분석및 푸리에 기술자 등의 다양한 방법과의 비교 실험을 통하여 가장 우수한 성능을 보인 웨이브렛 변환 계수에 대하여 사람별 특징을 가장 잘 반영할 수 있도록 구성된 템플리트를 통과시킨 특징들을 사용하였다. 본 연구의 분류기 부분의 구성에 있어서는 신경망 방법을 채택하였는데, 신경망 본연의 가장 중요한 특징이라 할 수 있는 대규모 병렬성을 효용성 있게하기 위해 하드웨어 구현에 편리하고 안정성과 수렴성을 보장할 수 있는 알고리즘을 제안하였다. 제안된 알고리즘은 기존의 여러 경쟁학습 신경망 알고리즘에 일정 학습계수를 갖는이진 강화함수를 결합한 것으로, 기존의 경쟁학습 신경망들에서 사용되는 시간의 단조감소함수인 학습계수가 하드웨어 구현을 어렵게 하는 원인이 되므로 이를 단순한 시불변 학습계수로 변경하고 그로인해 파생되는 학습 알고리즘의 불안정성을 이진 강화함수라는 보상함수로서 보완해 주는 새로운 방식이다. 본 연구에서 개발된 전처리 및 특징추출 방법과 새로운 신경망 모델을 사용하여 구현된 인식시스템을 기존의 여러 시스템과 성능 비교한 결과인식 능력이 우수함을 알 수 있었다.
Abstract
▼
The automatic recognition of human faces is one of the mostattractive and challenging problems in the field of image processing, computer vision,pattern recognition and neural networks. Reliable and robust face recognition systemscan be used in a broad range of application, for instance when
The automatic recognition of human faces is one of the mostattractive and challenging problems in the field of image processing, computer vision,pattern recognition and neural networks. Reliable and robust face recognition systemscan be used in a broad range of application, for instance when checking the security ofpersons in companies or airports or as a part of the man-machine interface of thefuture.As a special case of the general recognition problem, face recognition can be dividedinto two parts. First we have to find a set of features invariant against size, rotation,translation, illumination, facial expressions, disguise, etc. Once this is done, the secondpart of face recognition requires a classifier to compare the features derived from anunknown face image with internal knowledge stemming from a database.In this research, we developed a new method based on Wavelet transform forextracting the invariant features from the preprocessed face image. Experimental resultsindicated the superiority of the developed feature extraction method in comparison toprincipal component analysis, moment and Fourier descriptor. In order to classify thehuman faces into a class, we developed a new competitive learning neural networksuitable for hardware implementation. Whereas the conventional competitive learningneural networks use a time-varying learning rate, the learning rate of the proposedneural network is a constant, and the binary reinforcement term is added to enhance thelearning ability. It is much easier to implement the proposed neural network than theoriginal competitive neural networks as a digital neural chip since the proposed networkhas no floating-point multiplication due to a time-varying learning rate. The humanface recognition system based on the developed feature extraction method and neuralnetwork produced better recognition performance than the other systems.
목차 Contents
- 1. 서론...7
- 1.1 연구배경...7
- 1.2 연구목적 및 범위...9
- 2. 연구방법 및 이론...10
- 2.1 전처리 및 특징추출 과정...10
- 2.1.1 주성분 분석, 모멘트, 푸리에 기술자를 이용한 특징추출...10
- 2.1.2 웨이브렛 변환을 이용한 특징추출...13
- 2.2 인식 과정...17
- 2.2.1 기존 경쟁학습 신경망 학습 알고리즘...18
- 2.2.2 일정 학습계수와 이진 강화함수...22
- 2.2.3 하드웨어 구현이 용이한 새로운 경쟁학습 신경망...24
- 2.2.4 일정 학습계수와 이진 강화함수를 가진 신경망의 동적 특성 분석...28
- 3. 실험 및 결과...39
- 3.1 특징추출 방법에 따른 실험...40
- 3.2 인식기에 따른 비교 실험...41
- 4. 고찰...42
- 5. 결론...43
- 6. 인용문헌...43
- 연구수행관련 논문발표 목록서...46
- 자체평가서...47
※ AI-Helper는 부적절한 답변을 할 수 있습니다.