근거리에서 얼굴 인식 시스템 연구 연세대학교 컴퓨터과학과 변 혜 란.

Slides:



Advertisements
Similar presentations
Ⅰ. 연산자 Ⅱ. 제어 구조. 연산자 : 할당 연산자 - 사용자가 정의한 변수에 임의의 값을 저장하는 기능 strvar = strVar1+ “ Hello ”
Advertisements

SPEAKER VERIFICATION SYSTEMS 대화형 사용자 인터페이스 개론 정보와 추론 연구실.
일정 관리 다이어리 제작 JSP Programming with a Workbook. 학습 목표  사용자의 일정을 관리할 수 있는 다이어리에 대하여 알아보자. JSP Programming with a Workbook2.
Number Recognizer. Team 이성우 컴퓨터소프트웨어학과 조윤성 전자통신공학과
기계시스템디자인공학과 기계제도 SEOUL NATIONAL UNIVERSITY OF SCIENCE & TECHNOLOGY
Chapter 8. TEXT CLUSTERING 서울시립대 전자전기컴퓨터공학과 데이터마이닝 연구실 G 노준호.
컴퓨터와 인터넷.
재료수치해석 HW # 박재혁.
스테레오 비젼을 위한 3장 영상의 효율적인 영상정렬 기법
그래픽 하드웨어.
MS-Access의 개요 1강 MOS Access 2003 CORE 학습내용 액세스 응용 프로그램은 유용한 데이터를
신호처리 실험 (Signal Processing Lab)
연결리스트(linked list).
EPS Based Motion Recognition algorithm Comparison
Dimension Reduction(PCA)
Number Recognizer.
SEOUL NATIONAL UNIVERSITY OF SCIENCE & TECHNOLOGY
디지털영상처리 및 실습 대구보건대학 방사선과.
Heesang kim PL/SQL 3 Heesang kim.
Cluster Analysis (군집 분석)
멀티미디어 시스템 (아날로그 이미지,신호를 디지털로 변환 방법) 이름 : 김대진 학번 :
Progress Seminar 선석규.
OpenGeo Suite 의 한국사용자를 위한 설정 및 활용
근거리에서의 얼굴 인식 시스템 연구 (BR-1-7)
Progress Seminar 선석규.
3차원 객체 모델링.
Opencv 이민권.
이미지 포렌식 작성자: liberte97.
뇌신경정보학 2002 중간발표 근거리에서의 얼굴인식 시스템 연구 중간 발표 연세대학교 컴퓨터과학과 변 혜 란.
자료구조: CHAP 7 트리 –review 순천향대학교 컴퓨터공학과 하 상 호.
Initial Concepts for Modeling
Quiz #7 다음 수들을 합병 정렬과 퀵 정렬 알고리즘을 이용하여 오름 차순으로 정렬하였을 때, 데이터 이동 회수를 각각 구하라. 여러분은 정렬 과정을 단계별로 보이면서 이동 회수를 추적해야 한다. 단, 퀵 정렬시에 피봇으로 배열의 왼쪽 첫 번째 원소를 선택한다. 5.
연세대학교 컴퓨터과학과 소프트컴퓨팅 연구실 이영설
연산자 (Operator).
SEOUL NATIONAL UNIVERSITY OF SCIENCE & TECHNOLOGY
ITQ 정보기술자격 국가공인 Excel 2007 Ⅱ 함수- 11회차 강사 : 박영민.
NFC를 이용한 데이터 수집 및 분석t 디자인 3조 [Bos]- 강윤중 고은미 김영택 이수민.
Chapter 03. 관계 데이터베이스 설계.
04. DBMS 개요 명지대학교 ICT 융합대학 김정호.
천문관측 및 실험 2 분광자료 처리 실습 #3 -파장 동정
14장. 필터 효과와 CSS 활용하기 포토샵을 대신하는 필터 효과 CSS 활용하기.
SEOUL NATIONAL UNIVERSITY OF SCIENCE & TECHNOLOGY
차량 번호판 영상인식을 이용한 주차장 출입통제 시스템
Progress Seminar 선석규.
QR Code 김정민 김준보.
MATLAB Image Processing Toolbox
SEOUL NATIONAL UNIVERSITY OF SCIENCE & TECHNOLOGY
클러스터 시스템에서 효과적인 미디어 트랜스코딩 부하분산 정책
SEOUL NATIONAL UNIVERSITY OF SCIENCE & TECHNOLOGY
서울대학교 컴퓨터공학부 김명수 행렬과 2차원 변환 서울대학교 컴퓨터공학부 김명수
PCA 개선 서울대학교 박노열.
4장. 데이터 표현 방식의 이해. 4장. 데이터 표현 방식의 이해 4-1 컴퓨터의 데이터 표현 진법에 대한 이해 n 진수 표현 방식 : n개의 문자를 이용해서 데이터를 표현 그림 4-1.
얼굴인식을 이용한 수배자 인식시스템 이명환 이상제 최문선.
Chapter 1 단위, 물리량, 벡터.
Support Vector Machine
1. 정투상법 정투상법 정투상도 (1) 정투상의 원리
Ⅰ. 서 론 내용기반 영상검색 정의: 영상을 분석하여 얻어진 특징 정 보를 이용해 유사한 영상을 검색 하는 기술
9 브라우저 객체 모델.
Chapter 7 – Curves Part - I
컴퓨터공학과 손민정 Computer Graphics Lab 이승용 교수님
공학논문작성법 (8강) 영문 공학논문 작성법 2016년 1학기 Outline version 1 피드백
DNA Implementation of Version Space Learning
워드프로세서 실기 10일차 강 사 : 박영민.
영역 기반 처리.
NACST progress report 신수용.
2011학년도 졸업작품 주제 발표 -카메라 기반 제스처 인식 UI-
DBMS & SQL Server Installation
SEOUL NATIONAL UNIVERSITY OF SCIENCE & TECHNOLOGY
                              데이터베이스 설계 및 실습 #6 - SQL 실습 한국외국어대학교 DaPS 연구실                              
7 생성자 함수.
Presentation transcript:

근거리에서 얼굴 인식 시스템 연구 연세대학교 컴퓨터과학과 변 혜 란

얼굴인식을 위한 전처리 기법및 얼굴 유형정보 조명보정 전처리 기법 - ICR- SHAPE 정보 활용 - 얼굴유형정보 표현- Yonsei Univ.

Face recognition is very difficult problem 얼굴 인식의 어려움 얼굴내적 요인 - 나이, 표정, 머리스타일 등. 얼굴외적 요인 - 조명, 포즈, 배경, 액세서리 등. Face recognition is very difficult problem Yonsei Univ.

얼굴 인식의 해결을 위한 접근법 얼굴정보 최대한 전처리 기법 개발 활용 방안모색 Yonsei Univ. 얼굴 영역 안의Texture 정보 뿐 아니라, Shape 정보 사용 방안 모색 기존의 대부분 방법은 얼굴의 영상패턴 정보만을 활용하고 있다 조명에 따른 영향을 최소화 할 수 있는 전처리 방안 연구 얼굴특징 정보를 잃지 않으면서 효과적으로 그림자 효과를 제거할 수 있는 기법 개발 Yonsei Univ.

조명보정 전처리 기법 Yonsei Univ.

기존연구 Pose 및 Illumination Invariant 한 Feature 추출 : 현실적으로 용이하지 않음 다양한 view를 통한 view-based 학습방법 기반 : 다양한 포즈 및 조명 조건 하에서 촬영한 영상을 학습 샘플로 사용 조명별 영상을 이용한 조명모델 구성 상위 # 개의 고유값을 제거한 특징 사용 조명 영향이 적은 그레디언트 연산 이용 Yonsei Univ.

Multiple Regression Model 에러를 최소화 하는 직선을 찾는 것이 simple regression X Y Error e Yonsei Univ.

ICR (Illumination Compensation based on the MRM) - 조명근사를 위한 선형모델 - 조명 위치에 따른 얼굴영역 안의 밝기 보정 - 인식을 위한 전처리 단계로 사용 Example face clip processed with ICR Yonsei Univ.

ICR center value ADD Yonsei Univ.

ICR v.s Histogram Equalization - segmentation - Original input image Image with ICR Threshold 기법을 이용한 세그멘테이션이 용이해짐 Image with Gamma Correction Image with H.E Threshold 기법을 이용한 세그멘테이션이 더욱 어려워짐 Yonsei Univ.

ICR v.s Histogram Equalization - face clip image - Original input image 왼쪽 조명으로 인해 오른쪽 면이 상대적으로 어두운 영상 Image with ICR 얼굴양쪽이 비교적 고른 명암도를 가짐 Image with H.E 왼쪽과 오른쪽의 명암도 차이가 더욱 심해짐 얼굴양쪽이 비교적 고른 명암도를 가짐 Image with H.E & ICR Yonsei Univ.

얼굴인식 전처리(preprocessing) 과정 x Normalization Eye Marking manually ICR Rotation Scaling Zero-One Normalization Feature Extraction Clipping face region Histogram Equalization Masking Zero-Mean Unit Variance common procedure Yonsei Univ.

Nearest Neighbor Classifier Using PCA The most popular technique in face recognition Ranking the face feature from PCA with L1 or L2 metric Subspace Method (face feature space) Input face Preprocessing & Normalization Face DB EigenFaces Operator NNC Feature Vector of Principal Components Face Recognition Yonsei Univ.

전처리 기법에 따른 인식률 비교 ORL face images 총 40명에 대하여 개인별 10장씩 촬영 흑백영상 - ORL Database - ORL face images 총 40명에 대하여 개인별 10장씩 촬영 흑백영상 표정변화, 포즈변화 포함, 얼굴변화가 매우 큰 데이터베이스 얼굴인식 실험에 널리 쓰임 Yonsei Univ.

전처리 기법에 따른 인식률 비교 Yonsei Univ. Orl : 정규화 수행 하지 않음 HE : 히스토그램 이퀄라이즈 수행 - ORL Database - RANK 1 인식률 비교 ICR 적용 여부에 따라 ICR을 적용하지 않은 경우, 상위 1개의 주성분을 제거하였을 때 인식률 최상 조명에 의한 영향을 줄이 기 위해 상위 n 개의 주성분을 제거하는 기존의 방법론 결과와 일치하는 결과 ICR을 적용한 경우는 최상위 주성분을 포함할 때 인식률 최상 ICR 적용 시 높은 인식률 달성 Orl : 정규화 수행 하지 않음 HE : 히스토그램 이퀄라이즈 수행 ICR : ICR 수행 HE & ICR : 히스트그램 이퀄라이즈 및 ICR 수행 W/O # : 상위 #개의 주성분 값 제거 의미 Yonsei Univ.

전처리 기법에 따른 인식률 비교 Yonsei Univ. - ORL Database - RANK 별 인식률 ICR을 적용하지 않은 경우가 Rank에 무관하게 가장 높은 인식률을 보임 Yonsei Univ.

전처리 기법에 따른 인식률 비교 Yonsei Univ. Database 실험방법 총 200명에 대하여 개인별 1장씩 보유 - Our Database - Database 총 200명에 대하여 개인별 1장씩 보유 졸업앨범 사진 스캔 실험방법 200장을 학습하고, 영상을 좌우로 뒤집어 다시 200장을 테스트함 RANK 별 인식률 ICR을 적용하지 않은 경우가 Rank에 무관하게 가장 높은 인식률을 보임 ORL 데이터와 동일한 결과 Yonsei Univ.

전처리 기법에 따른 인식률 비교 Yale face images 총 15 명에 대하여 개인별 11장씩 촬영 흑백영상 - Yale Database - Yale face images 총 15 명에 대하여 개인별 11장씩 촬영 흑백영상 11가지 다른 촬영 조건의 정면 얼굴 - 중앙조명, 행복, 왼쪽조명, 안경, 무표정, 오른쪽조명, 슬픔, 졸 림, 놀람, 윙크 이중 조명에 대한 45장의 영상을 실험에 사용 - 가운데 조명 학습, 좌우 조명에 대해 테스트 Yonsei Univ.

전처리 기법에 따른 인식률 비교 Yonsei Univ. - Yale Database - RANK 1 인식률 ICR 적용 상위 3개 제거시 가장 높은 인식률 보임 ICR 적용 하지 않음 ICR을 적용한 경우가 그렇지 않은 경우에 비해 월등히 높음 상위 고유벡터 제거 수 Yonsei Univ.

SHAPE 정보 활용 Yonsei Univ.

얼굴모양정보 = 유형정보 = 턱모양 ? Yonsei Univ.

얼굴유형을 위한 턱의 특징점 지정 사람마다 다른 턱 모양을 가지므로 이를 feature로 사용 수작업을 통해 13 개의 특징점 마킹 정규화를 위한 두 눈 point : 2 턱 선 위의 point : 11개 입력된 포인트의 x,y 좌표 값을 이용 Yonsei Univ.

얼굴유형 정보 표현 Yonsei Univ. 1. Distance & Angle 눈 과 턱선 점과의 관계 턱선 점들간의 관계 2. Cubic Spline Approximation Yonsei Univ.

영상 정규화 수작업을 통해 얻어진 눈의 좌표를 이용해 영상을 scaling & rotation 시 정규화 된 좌표 값을 얻는다. Rotation 두 눈의 좌표를 이용하여, 얻은 모든 턱 선 좌표들을 두 눈이 수평일 때의 것으로 변환 Scaling Distance : 두 눈 사이의 거리를 1로 봤을 때를 고려하므로 별도의 scaling 과정 필요 없음 Cubic Spline approximation : Approximation 한 좌표들을 두 눈 사이의 거리를 기준으로 하여 변환 Yonsei Univ.

영상 정규화 예 Rotation only Rotation & Scaling Yonsei Univ.

Distance & angle with eyes 얼굴 유형 표현 방법 1 - with eye - distances angles Distance & angle with eyes Distance 두 눈 사이를 1로 봤을 때의 distance 왼쪽 눈을 기준으로 Left eye – 턱 포인트 사이의 거리 Left eye – 턱 포인트1 와 Left eye – 턱 포인트2 사이의 angle Features : 21개 오른쪽 눈을 기준으로 right eye – 턱 포인트 사이의 거리 right eye – 턱 포인트1 와 right eye – 턱 포인트2 사이의 angle 1 사람 당 42개의 features Feature dimension : 42 Yonsei Univ.

Distance & Angle without eyes 얼굴 유형 표현 방법 1 - without eyes - Distance & Angle without eyes Distance 두 눈 사이를 1로 봤을 때의 distance 턱 선 포인트 i와 턱 선 포인트 i+1 사이의 거리 Features : 10개 Angle 턱선 포인트i와 턱선 포인트 i+1 사이의 각도 1 사람 당 20개의 features Feature dimension : 20 distance angle Yonsei Univ.

Cubic Spline Approximation 얼굴 유형 표현 방법 2 Cubic Spline Approximation 턱 선 좌표(points) 들을 이용하여, 턱 선(line)을 approximation Parameter Uncertainty : 주어진 점에 대해 얼마나 fix 시킬 것인지 Upper bound : discrete weighted mean square distance of the approximation from the data 앞선 approach 와는 달리, rotation & scaling (눈 사이의 거리 50) 정규화 작업 선행 Line으로부터 feature 추출 64 개의 해당 x 좌표에 대한 y좌표 값 0 – 1 사이의 값으로 정규화 Features : 64 dimension Yonsei Univ.

얼굴 유형 표현 방법 2 Uncertainty : 10.0 Upper bound : 1.0 Yonsei Univ.

얼굴 유형 표현 검증 Yonsei Univ. 데이터 디자이너에 의해 그려진 캐리커쳐 영상 - KMEANS CLUSTERING - 데이터 디자이너에 의해 그려진 캐리커쳐 영상 사진영상 보다 턱 선을 정확하게 표현해 줌 8개의 카테고리 남자 유치원생, 초등학생, 중학생, 일반(고등학생 포함) 여자 카테고리 별 클러스터링 K-means clustering 카테고리 별 영상 수를 고려하여, 클러스터 수 조절 Yonsei Univ.

얼굴 유형 표현 검증 Yonsei Univ. Approach2 – cubic spline approximation 남자 중학생 70명, cluster 수 : 7 Cluster 1 Cluster 2 Yonsei Univ.

얼굴 유형 표현 검증 Cluster 3 Cluster 4 Yonsei Univ.

문제점 Yonsei Univ. 얼굴유형을 턱선 위주로 표현하였을 때, 이는 얼굴의 포즈에 매우 민감하므로 정면얼굴에만 유용. 보다 높은 인식 성능을 요구하는 응용에서, 사용자의 호의적인 태도가 보장될 때 사용할 수 있는 정보 Yonsei Univ.