kumoh 얼굴인식을 이용한 수배자 인식시스템 이명환 이상제 최문선

얼굴인식을 통한 경보시스템 요구 명세 요구사항구 현 목 표 실시간 영상 처리 영상 촬영은 실시간으로 수행 얼굴 인식은 특정 시간마다 수행 시스템의 과부하를 줄임. 70% 이상의 인식률 구현 촬영장소는 배경이나 조명등이 거의 변하지 않음 동일한 촬영 조건 하에서 얼굴 인식률 70% 이상을 구현. 인식된 용의자 영상 저장 인식된 용의자의 사진을 촬영영상과 얼굴영역 추출영상, DB 상의 수배자 영상과 함께 저장 중앙 서버를 통한 실시간 DB 업데이트 프로젝트 계획에서 제외.

얼굴인식을 통한 경보시스템 흐름도 사진촬영 얼굴영역추출 특징점 추출 분 류 DATABASE OF FACES 전처리 대 조

얼굴인식을 통한 경보시스템 전처리  히스토그램 평활화 밝기 분포가 특정한 부분에 치우친 것을 좀더 넓은 밝 기 영역에 걸쳐 분포하도록 펼쳐줌. 히스토그램이 펼쳐짐으로써 대비가 증가되어 가시도 가 개선됨. 원 이미지상에서 나타나는 경계 등에서의 상세함이 많 이 사라짐 ◈ h(i) = G max / N t * H(i)

얼굴인식을 통한 경보시스템 전처리  Mask 별 영상 비교 Gray 영상 Canny 영상 Laplacia 영상 Sobel 영상

얼굴인식을 통한 경보시스템 전처리  Edge Detection Mask 캐니 (Canny) 함수 edge 에 의해 제공되는 가장 강력한 검출기 윤곽선 검출 전 노이즈 제거 마스크가 사용 잡영에 강하다. 강한 에지와 약한 에지를 검출하기 위해 두 개의 문턱 값 사용 약한 에지는 강한 에지에 연결된 경우에만 출력에 포함 에지 점은 그 크기가 기울기 방향에서 지역 최대값인 점으로 정의 ◈ 지역적 기울기 : g(x,y) = [G x 2+ G y 2 ] 1/2 ◈ 에지 방향 : α(x,y) = tan -1 (G x, G y )

얼굴인식을 통한 경보시스템 전처리  Edge Detection Mask 소벨 (Sobel) 가장 대표적인 미분 연산자 2 차 미분 연산자이며, x 축, y 축으로 각각 한번씩 미분 입력 영상에 대해 모든 방향의 edge 를 추출하며 잡음에도 대체로 강함. 수직, 수평방향 보다 대각선 방향 edge 에 더 민감하며 너무 많은 에지가 추출하는 단점 ◈ 기울기 : g = [G x 2+ G y 2 ] 1/2

얼굴인식을 통한 경보시스템 전처리  Edge Detection Mask 라풀라시안 (Laplacian) 1 차 미분 알고리즘을 단점을 보완하기 위한 방법인 2 차 미분 알고리즘중의 하나. 연산 속도가 매우 빠르다. 하나의 마스크로 윤곽선 검출을 수행한다. 영상 분할에 있어 중요한 역할을 하는 폐곡선으로 이루어진 에지의 윤곽선을 검출. 모든 방향의 에지를 추출하지만 주변 밝기와의 차이 값을 이용하여 에지 추출하기 때문에 잡음에 약하다. ◈ h(r) = [r 2 -σ 2 / σ 4 ]e -r 2 /2σ2

얼굴인식을 통한 경보시스템 특징점 추출  AAM(Active Appearance Models) 얼굴 각각의 성분들은 서로 일정한 거리와 위치 관계를 가지고 있다는 것을 전제. 얼굴 성분들의 위치와 크기에 관한 규칙을 이용. 얼굴의 기울기, 각도, 표정 등의 변화에 민감함. 변화에 대한 규칙을 확장하거나, 조건의 정규화로 개선가능.

얼굴인식을 통한 경보시스템 특징점 추출 (AAM) MPEG-4 에서 정의된 얼굴 모델 특징점  First Phase 정교한 얼굴 특징점 정보를 추출 가능 초기 얼굴 모양의 파라미터를 생성.

얼굴인식을 통한 경보시스템 특징점 추출 (AAM)  Second Phase CamShift 알고리즘을 이용하여 얼굴 영역을 추적 추적된 얼굴 영역의 크기와 위치정보 저장 얼굴 영역 추적 화면

얼굴인식을 통한 경보시스템 특징점 추출 ( 얼굴 영역 보정 )  Extra Phase 측면 촬영 영상에서 두 눈과 코를 이용해서 중심선 추출 중심을 기준으로 양쪽의 비율을 조정 측면 촬영 영상보정된 특징점정면 촬영 영상

얼굴인식을 통한 경보시스템 얼굴 분류 ∙ 대조  First Phase 턱 선의 전체적인 윤곽 일치율 대조 후보의 수를 줄여서 처리속도 향상

얼굴인식을 통한 경보시스템 얼굴 분류 ∙ 대조  Second Phase 전체 특징점을 비교 후보 단일화 및 일치율 측정

얼굴인식을 통한 경보시스템 진행사항 3월3월 4월4월 5월5월 6월6월 얼굴 영상 추출 특징점 추출 얼굴 식별 UI 개발 및 DB 연동 : 완료 : 진행중

얼굴인식을 통한 경보시스템 참고문헌  최경택 / 변혜란, 얼굴영역 추적과 입검출을 이용한 AAM 얼 굴 모양 파라미터 추정, 제 32 회 추계학술발표회 논문집, Vol. 32, No. 2( Ⅱ )  배정완 / 최권택 / 변혜란, Pan-Tilt-Zoom-Camera 에서 AAM 과 CAMSHIFT 를 이용한 얼굴 검출 및 추적, 제 32 회 추계학술 발표회 논문집, Vol. 32, No. 2( Ⅱ )  김대환 / 김재민 / 조성원 / 장용석 / 정선태 / 김부균, 점진적 AAM 을 이용한 강인한 얼굴 윤곽 검출, 한국콘텐츠학회눈문 지, ’07 Vol. 7, No. 2  민경필 / 전준철 / 박구락, 얼굴 모델 특징 정보 검출을 위한 효율적인 변형 가능한 템플릿, 한국 과학재단 특정기초연구, 과제번호 R

kumoh Thank You!

얼굴인식을 통한 경보시스템 특징점 추출  CAMShift Color Segment 방법의 MeanShift 알고리즘을 Streaming 환경에서 사용하기 위해 개선한 것 조도변화, 잡음이 많은 배경에서는 성능이 좋지 않음 검출된 객체의 영역의 Hue 값의 분포를 이용하여 변화 될 위치를 예측하고 탐지한 후 중심을 찾아 객체를 추적