• 제어로봇시스템학회논문지
• /
• 제13권11호
• /
• pp.1074-1081
• /
• 2007

This paper presents a method for real-time face detection and tracking which combined Adaboost and Camshift algorithm. Adaboost algorithm is a method which selects an important feature called weak classifier among many possible image features by tuning weight of each feature from learning candidates. Even though excellent performance extracting the object, computing time of the algorithm is very high with window size of multi-scale to search image region. So direct application of the method is not easy for real-time tasks such as multi-task OS, robot, and mobile environment. But CAMshift method is an improvement of Mean-shift algorithm for the video streaming environment and track the interesting object at high speed based on hue value of the target region. The detection efficiency of the method is not good for environment of dynamic illumination. We propose a combined method of Adaboost and CAMshift to improve the computing speed with good face detection performance. The method was proved for real image sequences including single and more faces.

• 한국멀티미디어학회논문지
• /
• 제9권10호
• /
• pp.1266-1275
• /
• 2006

본 논문은 AdaBoost(Adaptive Boosting)알고리즘을 이용한 실시간 얼굴 검출 및 추적에 패한 기법을 제안한다. 얼굴 검출은 8종류의 간단한 웨이블릿 특징 모형을 이용한다. 각각의 특징들은 $20{\times}20$의 훈련 영상에서 다양한 크기와 위치로 배치되어 초기의 특징 집합을 구성한다. 초기의 특징 집합과 훈련 영상은 AdaBoost알고리즘의 입력으로 사용된다. AdaBoost알고리즘의 기본원리는 약한 분류기를 선형적으로 결합하여 최종적으로는 계층적 구조를 갖는 강한 분류기론 생성하는 것이다. 본 논문에서는 AdaBoost알고리즘에서 훈련 영상과 초기의 특징 집합 간에 이루어지는 반복적 계산량을 줄이기 위해 SAT(Summed-Area Table) 기법을 이용하였다. 얼굴 추적은 Pan-Tilt카메라를 통해 동적으로 가시 영역을 확장해 가면서 검출된 영역의 위치와 크기정보를 이용하여 실시간으로 이루어진다. 검출된 얼굴 영역의 중심을 전체 영상의 중심으로 이동하는 방법을 사용하였다. 실험결과 92.5%의 얼굴 검출율과 평균 12프레임의 얼굴 추적속도를 얻었다.

• 한국컴퓨터정보학회논문지
• /
• 제10권4호
• /
• pp.113-121
• /
• 2005

실시간 영상에서 사람의 얼굴을 검출하는 것은 얼굴 인식 분야에 있어서 주요한 관심 분야 중의 하나이다. 본 본문에서는 실시간 입력되는 영상에서 피부색과 Haar-like feature를 이용한 얼굴 검출 알고리즘을 제안하였다. 제안된 알고리즘은 YCbCr 색 공간에서의 차 연산 기법을 이용하여 이동 물체의 움직임 영역을 ROI(region of interest)로 선정하고 Haar-like feature를 이용하여 얼굴 후보영역을 선정한 다음 피부색 정보를 이용하여 얼굴을 검출하였다. 특히, 가변적으로 선정되는 ROI 영역에 대하여 피부색 정보와 특징 정보를 이용함으로서 실시간 영상에 대하여 처리 속도의 향상과 비슷한 특징 또는 색상을 가진 영상이 얼굴로 검출되는 오류를 방지하였다. 실험 결과는 기존의 연구에 비해 30%의 처리 속도 향상과 96.8%의 검출 성공률을 보였다.

• 한국정보통신학회논문지
• /
• 제12권5호
• /
• pp.843-848
• /
• 2008

얼굴 검출은 대부분 얼굴의 움직임 정보를 이용한다. 기존에 얼굴 검출 방법은 프레임간의 차를 이용하여 움직임을 검출하는 방법이 사용되어 왔으나 대부분이 실시간을 고려하지 않은 수학적 접근법을 사용하거나 알고리즘이 지나치게 복잡하여 실시간 구현에 용이하지 않았다. 본 논문에서는 실시간 얼굴검출을 위하여 감시카메라에서 입력된 RGB 영상을 YCbCr 영상으로 변환한 후 연속된 두 영상의 차를 구하고 Glassfire 라벨링을 실시했다. 라벨링 결과 가장 넓은 구역의 면적과 Area 임계치 값을 비교하여 임계값 이상의 면적이면 동작변환으로 인식하고 영상을 추출하였다. 이렇게 추출된 동작변환 영상을 대상으로 얼굴 검출을 실시하였다. 얼굴 검출에 필요한 특징을 추출하기 위해 AdaBoost 알고리즘을 사용하였다.

• 한국멀티미디어학회논문지
• /
• 제7권2호
• /
• pp.156-163
• /
• 2004

본 논문에서는 적응적 얼굴영역 검출과 얼굴 특징자 평가함수를 사용한 실시간 얼굴인식 알고리즘을 제안하였다. 제안한 알고리즘은 명암도 정보와 타원마스킹 기법뿐만 아니라 인종별 얼굴피부색을 사용하여 정확한 얼굴영역을 적응적으로 검출 가능하다. 또한 제안한 알고리즘은 얼굴 특징자 및 얼굴특징자간 기하학적 평가함수를 사용하여 얼굴 인식 효율을 개선하였다. 제안한 알고리즘은 생체인증 및 보안 시스템 분야에 사용 가능하다. 실험에서는 제안한 방법의 우수성을 입증하기 위해 실 영상을 사용하였으며 실험 결과 기존의 방법보다 얼굴 영역 검출뿐만 아니라 얼굴인식 성능을 개선하였다.

• IEIE Transactions on Smart Processing and Computing
• /
• 제1권2호
• /
• pp.73-77
• /
• 2012

This paper reports a combined depth- and model-based face detection and tracking approach. The proposed algorithm consists of four functional modules; i) color-based candidate region extraction, ii) generation of the depth histogram for handling occlusion, iii) rotation-invariant face region detection using ellipse fitting, and iv) face tracking based on motion prediction. This technique solved the occlusion problem under complicated environment by detecting the face candidate region based on the depth-based histogram and skin colors. The angle of rotation was estimated by the ellipse fitting method in the detected candidate regions. The face region was finally determined by inversely rotating the candidate regions by the estimated angle using Haar-like features that were robustly trained robustly by the frontal face.

• 대한전자공학회:학술대회논문집
• /
• 대한전자공학회 2007년도 하계종합학술대회 논문집
• /
• pp.339-340
• /
• 2007

Face detection plays an important role in HCI and face recognition. In this paper, we propose a rotation-invariant real-time face detection algorithm for color images in complex background. It consists of four processing step: (1) motion detection, (2) skin color region filler, (3) Eyemap detector for rotated face, and (4) Adaboost face classifier. This system has been tested in in-door environments, such as office and achieves over 95% detection rate.

• 한국항행학회논문지
• /
• 제12권3호
• /
• pp.280-285
• /
• 2008

기존의 얼굴 검출 방법은 프레임 간의 차를 이용하여 움직임을 검출하는 방법이 사용되어 왔다. 그러나, 대부분이 실시간을 고려하지 않은 수학적 접근법을 사용하거나 알고리즘이 지나치게 복잡하여 실시간 구현에 용이하지 않았다. 본 논문에서는 실시간 얼굴검출을 위하여 감시카메라에서 입력된 RGB영상을 YCbCr 영상으로 변환한 후 연속된 두 영상의 차를 구하고 Glassfire 라벨링을 실시했다. 라벨링 결과 가장 넓은 구역의 면적과 Area 임계치 값을 비교하여 임계값 이상의 면적이면 동작변환으로 인식하고 영상을 추출하였다. 이렇게 추출된 동작변환 영상을 대상으로 얼굴 검출을 실시하였다. 얼굴 검출에 필요한 특징을 추출하기 위해 아다부스트 알고리즘을 사용하였다.

• 한국멀티미디어학회논문지
• /
• 제9권4호
• /
• pp.470-481
• /
• 2006

본 논문에서는 복합 컬러모델과 얼굴특정 정보를 이용하여 실시간으로 얼굴영역을 검출 추적하고 기울어진 얼굴영상을 보정하는 시스템을 제안하였다. 제안한 시스템은 YCbCr과 YIQ 컬러모텔을 사용하여 얼굴 후보영역을 검출하였다. 얼굴 후보영역에서 수평 수직 투영기법을 사용하여 얼굴을 검출하고 하우스도르프 정합 방법을 사용하여 얼굴을 추적하였다. 또한 검출된 얼굴영상으로부터 눈 특징자의 기울기 정보를 보정함으로써 얼굴 기울기를 보정하였다. 실험결과 제안한 알고리즘이 주위환경 변화가 있는 실시간 얼굴검출과 추적 및 기울어진 얼굴인식에 강인하였다. 실험에서는 110개의 테스트 얼굴 영상을 사용하여 좋은 성능결과를 얻었다. 실험결과 얼굴검출과 얼굴추적율은 각각 92.27%와 92.70%를 나타내었고 얼굴 정보들로부터 90.0%의 얼굴인식율을 얻었다.

• 산업기술연구
• /
• 제28권B호
• /
• pp.143-148
• /
• 2008

A real-time face detection is to find human faces robustly under the cluttered background free from the effect of occlusion by other objects or various lightening conditions. We propose a face detection system for real-time applications using wavelet decomposition method based on Gabor features. Firstly, skin candidate regions are extracted from the given image by skin color filtering and projection method. Then Gabor-feature based template matching is performed to choose face cadidate from the skin candidate regions. The chosen face candidate region is transformed into 2-level wavelet decomposition images, from which feature vectors are extracted for classification. Based on the extracted feature vectors, the face candidate region is finally classified into either face or nonface class by the Levenberg-Marguardt back-propagation neural network.