[논문 리뷰] Face Detection from still and Video Images using Unsupervised Cellular Automata with K means clustering algorithm

Kiran Sree Pokkuluri, Inampudi Ramesh Babu|arXiv (Cornell University)|2013. 12. 15.

Face and Expression Recognition참고 문헌 1인용 수 6

한 줄 요약

이 논문은 정적 및 동영상 이미지에서 피부 색소 분할, K-means 군집화, 비지도형 세포자기(Cellular Automata)를 이용한 비지도형 얼굴 검출 및 인식 프레임워크를 제안한다. 기하학적 특징과 DCT 기반 특징을 추출하여 RBF 신경망에 입력함으로써 머리 자세나 표정 변화에 관계없이 강건한 검출 성능을 달성하며, 다양한 얼굴 시퀀스에서 신뢰할 수 있는 성능을 보여준다.

ABSTRACT

Pattern recognition problem rely upon the features inherent in the pattern of images. Face detection and recognition is one of the challenging research areas in the field of computer vision. In this paper, we present a method to identify skin pixels from still and video images using skin color. Face regions are identified from this skin pixel region. Facial features such as eyes, nose and mouth are then located. Faces are recognized from color images using an RBF based neural network. Unsupervised Cellular Automata with K means clustering algorithm is used to locate different facial elements. Orientation is corrected by using eyes. Parameters like inter eye distance, nose length, mouth position, Discrete Cosine Transform (DCT) coefficients etc. are computed and used for a Radial Basis Function (RBF) based neural network. This approach reliably works for face sequence with orientation in head, expressions etc.

연구 동기 및 목표

• 정적 및 동영상 이미지에서 머리 자세나 표정 변화에 관계없이 안정적으로 기능하는 강건한 얼굴 검출 시스템을 개발하는 것.
• 색상 기반 분할 및 군집화 기법을 이용해 피부 색소 픽셀에서 얼굴 영역을 식별하는 것.
• 비지도형 세포자기와 K-means 군집화를 이용해 눈, 코, 입과 같은 핵심 얼굴 특징을 국소화하는 것.
• 인식을 위한 분류 특징으로서 눈 사이 거리, 코 길이, 입 위치, DCT 계수 등을 추출하는 것.
• 추출된 특징을 이용해 라디얼 기저 함수(RBF) 신경망을 훈련시켜 정확한 얼굴 인식을 달성하는 것.

제안 방법

• 피부 색소 분포를 기반으로 한 색상 임계값을 이용해 색상 이미지에서 피부 픽셀을 검출한다.
• 피부 색소 픽셀을 군집화하여 일관된 영역으로 묶고, 잠재적 얼굴 영역을 분리한다.
• 이미지 격자 전역에 국소 규칙을 전파함으로써 비지도형 세포자기를 적용해 얼굴 구성 요소를 정밀하게 분할하고 개선한다.
• 세포자기의 공간 패턴 및 군집 결과를 기반으로 눈, 코, 입과 같은 얼굴 특징을 국소화한다.
• 검출된 특징에서 기하학적 및 스펙트럼적 특징—예를 들어 눈 사이 거리, 코 길이, 입 위치, DCT 계수—를 계산한다.
• 이러한 특징들을 라디얼 기저 함수(RBF) 신경망에 입력하여 얼굴 인식을 수행한다.

실험 결과

연구 질문

• RQ1 사전 학습 데이터가 없는 조건에서 비지도형 세포자기가 얼굴 특징을 효과적으로 국소화할 수 있는가?
• RQ2 K-means 군집화와 세포자기를 조합함으로써 피부 영역 분할 및 얼굴 특징 검출이 어떻게 향상되는가?
• RQ3 기하학적 특징과 DCT 기반 특징이 자세나 표정 변화에 대비해 얼마나 인식의 강건성을 향상시키는가?
• RQ4 이러한 특징을 기반으로 훈련된 RBF 신경망이 제약 조건이 없는 환경에서 신뢰할 수 있는 얼굴 인식을 달성할 수 있는가?
• RQ5 동적 머리 움직임과 표정 변화가 있는 동영상 시퀀스에서 제안된 방법의 효과성은 어떠한가?

주요 결과

• K-means 군집화를 이용해 피부 색소 픽셀 군집을 고립함으로써 성공적으로 얼굴 영역을 검출하였다.
• 비지도형 세포자기가 눈, 코, 입과 같은 얼굴 특징을 피부 영역에서 효과적으로 정밀화하고 분할하였다.
• 기하학적 특징(예: 눈 사이 거리)과 DCT 계수의 조합이 다양한 얼굴 자세에서 인식 정확도를 향상시켰다.
• RBF 신경망은 머리 자세나 표정 변화가 있는 얼굴 시퀀스에서도 안정적인 인식 성능을 보였다.
• 라벨이 없는 학습 데이터를 요구하지 않음에도 불구하고, 실제 환경에서의 정적 이미지 및 동영상 시퀀스에서 강건한 성능을 입증하였다.