지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이승호
- 발행연도
- 2017
- 저작권
- 한밭대학교 논문은 저작권에 의해 보호받습니다.
이용수14
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문에서는 다각도 얼굴 데이터베이스 구축 장치를 이용한 딥러닝 기법의 실시간 얼굴 인식 시스템을 제안한다.
제안된 시스템은 입력영상에 다각도 얼굴 데이터베이스 장치 설계, 다각도 얼굴 데이터베이스 구축, 딥러닝 기법을 이용한 실시간 얼굴 인식 시스템 등의 3가지 과정으로 구성된다.
다각도 얼굴 데이터베이스 장치 설계는 얼굴 검출이 가능한 각도(수평 ?75? ~ 75? , 수직 ?30? ~ 30? ) 사이에 총 21개의 IP 카메라를 배치하여 다양한 각도의 얼굴 영상을 촬영한다. 촬영된 얼굴 영상은 LAN 허브를 통해 동시에 컴퓨터에 전송된다.
다각도 얼굴 데이터베이스는 성별, 체형들이 각기 다른 60명의 학생들로 구성하여 수평 ?75? ~ 75? , 수직 ?30? ~ 30? 사이의 다각도 얼굴 영상을 촬영하여 구축한다.
딥러닝을 이용한 실시간 얼굴 인식 시스템은 다음과 같은 4단계의 과정을 거쳐 다각도 얼굴 데이터베이스의 특징들을 학습하여 얼굴 특징끼리의 유사성을 분석하고 분류하여 인식한다. 첫 번째 과정은 특징 추출 필터와 이미지를 convolution 연산하여 얼굴의 특징들을 부각 시켜 적절한 특징을 뽑아내게 된다. 두 번째 과정은 추출된 특징 이미지를 sub sampling 연산하여 얼굴에서 특징이 아닌 성분들을 지우고 줄여주는 역할을 한다. 세 번째 과정은 추출된 특징 이미지들을 fully connect 연산한다. 이때 convolution 연산과 sub sampling 연산을 반복 수행하여 추출된 특징들이 집약된 얼굴의 특징 성분들을 연결시켜서 하나의 긴 특징 벡터를 만들게 된다. 네 번째 과정은 추출된 특징 벡터를 ANN 연산으로 분류하려고 하는 모든 사람들의 21개 다각도 얼굴에 대한 특징 벡터들을 사용하여 가중치 값들을 학습시켜 얼굴을 인식하게 된다.
본 논문에서 제안한 다각도 얼굴 데이터베이스 구축 장치를 이용한 딥러닝 기법의 실시간 얼굴 인식 시스템의 효용성을 입증하기 위하여 학생 60여명의 1,260장 얼굴을 대상으로 실험하여 신뢰성을 평가 하였다. 다각도 얼굴 영상에 대한 실험 결과는 정면 98%, 정면이 아닌 수평 ?75? ~ 75? , 수직 ?30? ~ 30? 의 각도에서는 93%의 인식률을 나타내었다. 따라서 본 논문에서 제안한 다각도 얼굴 데이터베이스 구축 장치를 이용한 딥러닝 기법의 실시간 얼굴 인식 시스템에 대한 효용성이 입증되었다.
제안된 시스템은 입력영상에 다각도 얼굴 데이터베이스 장치 설계, 다각도 얼굴 데이터베이스 구축, 딥러닝 기법을 이용한 실시간 얼굴 인식 시스템 등의 3가지 과정으로 구성된다.
다각도 얼굴 데이터베이스 장치 설계는 얼굴 검출이 가능한 각도(수평 ?75? ~ 75? , 수직 ?30? ~ 30? ) 사이에 총 21개의 IP 카메라를 배치하여 다양한 각도의 얼굴 영상을 촬영한다. 촬영된 얼굴 영상은 LAN 허브를 통해 동시에 컴퓨터에 전송된다.
다각도 얼굴 데이터베이스는 성별, 체형들이 각기 다른 60명의 학생들로 구성하여 수평 ?75? ~ 75? , 수직 ?30? ~ 30? 사이의 다각도 얼굴 영상을 촬영하여 구축한다.
딥러닝을 이용한 실시간 얼굴 인식 시스템은 다음과 같은 4단계의 과정을 거쳐 다각도 얼굴 데이터베이스의 특징들을 학습하여 얼굴 특징끼리의 유사성을 분석하고 분류하여 인식한다. 첫 번째 과정은 특징 추출 필터와 이미지를 convolution 연산하여 얼굴의 특징들을 부각 시켜 적절한 특징을 뽑아내게 된다. 두 번째 과정은 추출된 특징 이미지를 sub sampling 연산하여 얼굴에서 특징이 아닌 성분들을 지우고 줄여주는 역할을 한다. 세 번째 과정은 추출된 특징 이미지들을 fully connect 연산한다. 이때 convolution 연산과 sub sampling 연산을 반복 수행하여 추출된 특징들이 집약된 얼굴의 특징 성분들을 연결시켜서 하나의 긴 특징 벡터를 만들게 된다. 네 번째 과정은 추출된 특징 벡터를 ANN 연산으로 분류하려고 하는 모든 사람들의 21개 다각도 얼굴에 대한 특징 벡터들을 사용하여 가중치 값들을 학습시켜 얼굴을 인식하게 된다.
본 논문에서 제안한 다각도 얼굴 데이터베이스 구축 장치를 이용한 딥러닝 기법의 실시간 얼굴 인식 시스템의 효용성을 입증하기 위하여 학생 60여명의 1,260장 얼굴을 대상으로 실험하여 신뢰성을 평가 하였다. 다각도 얼굴 영상에 대한 실험 결과는 정면 98%, 정면이 아닌 수평 ?75? ~ 75? , 수직 ?30? ~ 30? 의 각도에서는 93%의 인식률을 나타내었다. 따라서 본 논문에서 제안한 다각도 얼굴 데이터베이스 구축 장치를 이용한 딥러닝 기법의 실시간 얼굴 인식 시스템에 대한 효용성이 입증되었다.
목차
목 차 ⅰ표 목 차 ⅲ그림목차 ⅲ기초 및 약어 ⅴ국문요약 ⅵⅠ. 서 론 11. 연구의 목적 및 필요성 12. 관련 연구 동향 43. 본 논문의 내용 및 구성 6Ⅱ. 다각도 얼굴 데이터베이스 구축 장치를 이용한 딥러닝 기법의 실시간 얼굴 인식 시스템 71. 제안된 기법의 개요 72. 다각도 얼굴 데이터베이스 구축 장치를 이용한 21개 영상 획득 93. 얼굴 검출 104. 딥러닝을 이용한 얼굴 학습 125. 카메라에서 실시간 영상 획득 236. 얼굴 검출 247. 딥러닝을 이용한 얼굴 분류 24Ⅲ. 실험결과 및 고찰 351. 실험 환경 352. 실험결과 및 고찰 42Ⅳ. 결 론 44Ⅴ. 참 고 문 헌 45ABSTRACT 50
최근 본 자료
댓글(0)
0