본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

표제지

목차

국문 요약 10

제1장 서론 12

제2장 연구 배경 16

2.1. 표정 인식 시스템 소개 16

2.2. 표정 특징 추출 연구 17

2.2.1. 기하학적 특징 추출 연구 17

2.2.2. 외형 기반 특징 추출 연구 19

2.2.3. 기하학적 특징과 외형 기반 특징을 결합한 특징 추출 연구 22

2.3. 추출된 특징을 이용한 표정 분류 연구 23

2.3.1. 선형 판별 분석법 23

2.3.2. K개 최근접 규칙 24

3.3.3. 친경망 25

2.3.4. SVM 기반 표정 인식 26

제3장 제안한 표정 인식 방법 28

3.1. 위치 관계 기반 국소 영역 특징 추출 29

3.1.1. ASM을 활용한 국소 영역 분할 30

3.1.2. LBP를 활용한 국소 영역 특징 추출 31

3.2. 판별 특징 벡터를 이용한 국소 영역 결정 32

3.2.1. 판별 특징 벡터 추출 및 분류 32

3.2.2. 정인식 최대화 기반 국소 영역 결정 34

3.3. K-평균 알고리즘을 이용한 결정 트리 생성 35

3.3.1. K-평균 알고리즘을 활용한 가지 분류법 35

3.3.2. 가지 분류 집합을 종합한 결정 트리 생성 36

3.4. 결정 트리를 이용한 SVM 기반 표정 인식 37

제4장 실험 결과 38

4.1. 실험 환경 38

4.1.1. 구현 38

4.1.2. 표정 데이터베이스 38

4.2. 표정 인식 결과 41

4.2.1. 결정 트리 생성을 위한 실험 결과 41

4.2.2. 제안한 결정 트리를 통한 표정 인식 결과 43

4.2.3. 비교 논문과의 실험 결과 비교 45

4.3. 고찰 및 논의 47

제5장 결론 52

참고 논문 53

Abstract 57

표목차

표 3.1. Uniform LBP 코드 31

표 4.1. 국소 영역 결정 결과 42

표 4.2. 제안한 방법을 이용한 표정 인식 결과 44

표 4.3. 비교논문과의 실험결과 비교 46

그림목차

그림 2.1. 표정 인식 시스템 개요 16

그림 2.2. AAM을 통한 특징 추출 (a) AAM 특징점, (b) AAM을 통한 특징 파라미터 18

그림 2.3. 가버 웨이블릿을 통한 특징 추출 (a) 가버 웨이블릿 영상, (b) 가버 웨이블 릿을 통한 특징 영상 19

그림 2.4. LBP 인코딩 방법 20

그림 2.5. 영상을 LBP 값으로 변환 21

그림 2.6. 데이터 투영 (a) 투영 방법 1, (b) 투영 방법 2 23

그림 2.7. K개 최근접 규칙을 이용한 분류 25

그림 2.8. AAM 특징을 통한 신경망 분류기 (a) AAM을 통한 표정 특징, (b) 신경망을 활용한 표정 분류 25

그림 2.9. SVM 분류기 26

그림 3.1. 제안 알고리즘 개요 29

그림 3.2. ASM을 활용한 국소 영역 분할 30

그림 3.3. 픽셀값에서 Uniform LBP 코드로의 변환 31

그림 3.4. Uniform LBP를 활용한 특징 추출 32

그림 3.5. 6가지 표정의 각 2가지 조합 33

그림 3.6. 내적을 통한 각 2가지 표정의 분류 34

그림 3.7. 2-평균 알고리즘을 활용한 클러스터링 36

그림 3.8. 제안한 방법을 통한 결정 트리 생성 37

그림 4.1. Cohn Kanade 데이터베이스의 6가지 표정 영상 (a) 웃는 표정, (b) 슬픈 표정, (c) 놀란 표정, (d) 화난 표정, (e) 역겨운 표정, (f)... 40

그림 4.2. 결정 트리 생성 결과 41

그림 4.3. 2-평균 알고리즘을 활용한 클러스터링 결과 (a) 분류 1에 대한 클러스터링 결과, (b) 분류 3에 대한 클러스터링 결과 43

그림 4.4. 10-묶음 교차 검증법을 활용한 실험 개요 43

그림 4.5. 제안한 방법을 이용한 표정 별 인식 결과 44

그림 4.6. 기존 전체 얼굴 영상을 활용한 표정 인식 방법 45

그림 4.7. 기존 3가지 국소 영역을 활용한 표정 인식 방법 46

그림 4.8. 비교 논문과의 각 표정 별 실험결과 비교 46

그림 4.9. 각 표정 당 입 특징의 히스토그램 (a) 화남, (b) 웃음, (c) 두려움, (d) 슬픔, (e) 역겨움, (f) 놀람 50

그림 4.10. 각 표정 당 눈 특징의 히스토그램 (a) 화남, (b) 웃음, (c) 두려움, (d) 슬픔, (e) 역겨움, (f) 놀람 50

그림 4.11. 두려운 표정의 단계 별 인식률 (a) 4차 실험, (b) 5차 실험 51

그림 4.12. User 10명에 대한 웃는 표정의 입 특징 비교 51

그림 4.13. User 10명에 대한 슬픈 표정의 눈 특징 비교 51

초록보기

 본 논문에서는, 표정 영상으로부터 국소 영역들을 분할하고 특징을 추출한 후, 국소 영역들의 판별 특징(Discriminant Feature) 벡터를 활용한 결정 트리(Decision Tree) 구조의 표정 인식 방법을 제안한다. 표정 인식에 표정 데이터베이스로 많이 사용되고 있는 Cohn-Kanade 데이터베이스는 6가지 표정 영상들을 포함한다. 이 표정 데이터베이스 영상에서 얼굴의 주요 국소 영상 영역들에 대해 영상 질감의 특징을 추출할 수 있는 LBP(Local Binary Pattern)를 활용한다. LBP를 통해 히스토그램 값들을 구하고, 이 히스토그램 값들을 표정의 특징으로 활용한다. 이 특징을 활용하여, 분류하고자 하는 표정들에 대해 판별 특징 벡터를 구하고, 이 판별 특징 벡터를 통해 모든 조합의 각 2가지 표정을 분류한다. 국소 영역 별로 정인식 수의 합을 비교하여, 정인식 수의 합이 최대가 되는 국소 영역을 결정한다. 결정된 국소 영역에 대해, 2-평균 알고리즘 기반 클러스터링을 수행하여, 가지를 분류한다. 이 국소 영역 결정 단계와 가지 분류 단계를 반복 수행하여, 가지 분류를 종합한 결정 트리를 생성한다. 이 생성된 결정 트리를 이용하여, 6가지 표정 영상들을 SVM(Support Vector Machine) 기반으로 표정 인식 실험을 수행하였다. 이 실험을 10-묶음 교차 검증법(10-Fold Cross Validation)을 사용하여, 10 차례 반복하였다. 표정 인식 결과, LBP를 활용한 기존 논문보다 약 7% 향상된 84.7%의 표정 인식 성능을 보였다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기