도입부
연구한 주제는 머신런닝을 이용한 실시간 얼굴 검출과 인식 방법입니다.
짧은 시간이지만 발표 순서는 기술에 대한 정의, 동향, 문제점, 실험 결과, 설계 디자인 순으로 발표하겠습니다. 그리고 시간에 따라 뒤의 상세한 기술부분에 대한 발표를 이어 나가도록 하겠습니다.
얼굴 검출 기술은 카메라에서 담은 이미지에서 배경을 분리하고 사람 얼굴을 검출하는 기술입니다. 그리고 얼굴 인식 기술은 훈련된 얼굴 데이터를 가진 컴퓨터에 새로운 얼굴을 입력 하였을 때 그 사람이 누구인지 인식하는 기술을 말합니다.
다음으로 이 분야에 대한 동향을 말씀 드리겠습니다. 개인 스마트폰에도 적용되어 있는 것을 확인 할 수 있는 것과 같이 현재 실시간 얼굴 검출의 경우, 안정적인 기술이 상용화가 되어 있습니다. 하지만, 얼굴 인식의 경우, 실시간 상태에서 사용되는 기술은 그렇게 안정적이지 않습니다. (90%이상의 인식률을 보여주는 연구 논문을 쉽게 찾아볼 수 있지만, 동일한 알고리즘을 직접 테스트 했을 경우 정확도에 못 미치는 경우가 있습니다.)
이러한 인식률을 높이는데 방해가 되는 문제점들은 다음과 같습니다. 조명의 밝기와 방향, 카메라의 방향 그리고 얼굴 표정 등의 변화 요소에 민감합니다. 이 문제점을 해결하기 다양한 알고리즘에 존재합니다. 이에 대해서는 오른쪽에 서술하였습니다.
다음으로 실험 결과을 말씀드리겠습니다. 벤치 마킹한 사이트의 다른 논문의 인식률과 비교하기 위해서 동일한 데이터를 사용하였습니다. (at&t 사에서 제공하는) 데이터 자료를 사용하여 실험한 결과 얼굴을 인식하는데 성공하였습니다. (다만 아직 인식률을 측정할 만한 안정도를 지니지 못하여 조금의 조명의 변화에도 프로그램이 돌아가지 않습니다...)
현재 설계된 시스템은 다음과 같습니다. 먼저 카메라를 통해서 이미지 데이터를 받습니다. 그 다음 받아 들인 이미지 중에 배경과 사람 얼굴을 구분하는 검출 작업을 실시 합니다. 그 검출된 얼굴 데이터에 전처리 작업을 합니다. (이 전처리 과정에서는 그레이 스케일 작업, 이미지의 변환과 이동, 히스토그램 평활화라는 작업을 통해서 훈련하기 전에 1차로 데이터를 조정하는 과정입니다.)
다음으로 전처리를 거진 이미지를 저장하고, 얼굴을 인식하는 방법을 학습합니다. 이에 위의 단계가 마무리가 되었습니다. 이 상태에서 새로운 얼굴 이미지를 카메라에 입력합니다. 그리고 이 새로운 데이터와 기존의 훈련된 데이터들의 비교를 통해서 얼굴을 인식합니다.
이 시스템 흐름에 들어가는 기술은 다음과 같습니다.
분류기 종류는 다음과 같습니다. 그리고 학습하는 과정에서 사용되는 알고리즘은 다음과 같습니다. 이 PCA은 특징점 추출로 PCA를 적용하여 유사도 측정으로 Euclidean 거리를 적용하는 것입니다. 조명이나 환경 변화에 민감하게 반응한다는 단점이 잇지만 성능이 검증된 대표적인 얼굴 인식 방법입니다. 다음으로 LDA는 피셔얼굴이라는 이름으로 Lienar Discriminant 를 분류 알고리즘으로 적용한 얼굴 인식 방법입니다. 사람 개개인의 특성을 학습함으로써 보다 정확하고 환경 변화에 강한 특성을 가지고 있습니다.
http://1shot2die.tistory.com/80
http://yoowanggon.blogspot.kr/2010/12/blog-post.html
마무리
결론적으로 위의 알고리즘의 기본 아이디어는 특징점 추출을 활용합니다. 비슷한 부분이 많으면 같은 물체라고 인식한다 라는 아이디어에서 시작합니다. 이 아이디어는 위의 문제점을 온전히 해결할 수 없다는 것을 알게 되어 현재 Convolutional neural network 알고리즘을 적용하고자 합니다. 큰 차이점은 컴퓨터 스스로가 특징 표현을 만들어 내는 것입니다.
http://hamait.tistory.com/535
* PCA 정의 특징
* LDA 정의 특징
* CNN 정의 특징
