얼굴 인식이란 무엇인가요?

얼굴 인식은 구체적으로 신원 확인을 위해 얼굴의 시각적 특징 정보를 분석하고 비교하는 컴퓨터 기술을 말합니다. 얼굴 인식은 컴퓨터 기술 연구에서 인기 있는 분야로, 유기체(일반적으로 사람)의 생물학적 특성을 사용하여 개별 유기체를 구별하는 생체 인식 기술에 속합니다. 넓은 의미의 얼굴 인식에는 실제로 얼굴 이미지 수집, 얼굴 위치 확인, 얼굴 인식 전처리, 신원 확인 및 신원 검색 등 얼굴 인식 시스템을 구축하기 위한 일련의 관련 기술이 포함됩니다. 좁은 의미의 얼굴 인식은 구체적으로 얼굴을 이용한 신원 확인 또는 신원 검색을 위한 기술 또는 시스템. 생체 인식 기술로 연구되는 생체 특성에는 얼굴, 지문, 장문, 손바닥 모양, 홍채, 망막, 정맥, 음성(음성), 체형, 적외선 온도 스펙트럼, 귀 모양, 냄새, 개인 습관(예: 키보드에 타이핑하는 등)이 포함됩니다. 키보드) 강도 및 빈도, 서명, 보행) 등 해당 인식 기술에는 얼굴 인식, 지문 인식, 장문 인식, 홍채 인식, 망막 인식, 정맥 인식, 음성 인식(음성 인식은 신원 인식을 위해 사용될 수 있음)을 포함합니다. 음성 내용 인식, 전자만 생체 인식 기술에 속함), 체형 인식, 키보드 두드리기 인식, 서명 인식 등 기하학적 특징을 이용한 얼굴 인식 방법 기하학적 특징은 눈, 코, 입 등의 모양과 이들 사이의 기하학적 관계(예: 서로 간의 거리)일 수 있습니다. 이러한 알고리즘은 인식 속도가 빠르고 적은 메모리를 필요로 하지만 인식률이 낮습니다. PCA(Eigenface) 기반 얼굴 인식 방법 Eigenface 방법은 영상 압축을 위한 최적의 직교 변환인 KL 변환을 기반으로 한 얼굴 인식 방법입니다. 고차원 이미지 공간은 KL 변환 후 중요한 직교 베이스를 유지하면서 새로운 직교 베이스 세트를 얻습니다. 이러한 베이스는 저차원 선형 공간으로 변환될 수 있습니다. 이러한 저차원 선형 공간에서 사람 얼굴의 투영이 분리 가능하다고 가정하면 이러한 투영을 인식을 위한 특징 벡터로 사용할 수 있는 것이 고유면 방법의 기본 아이디어입니다. 이러한 방법은 더 많은 훈련 샘플을 필요로 하며 완전히 이미지 회색조의 통계적 특성을 기반으로 합니다. 현재 몇 가지 개선된 고유면 방법이 있습니다. 신경망의 얼굴 인식 방법 신경망의 입력은 해상도가 낮은 얼굴 이미지, 로컬 영역의 자기상관 함수, 로컬 텍스처의 두 번째 순간 등이 될 수 있습니다. 이 유형의 방법에는 훈련을 위해 더 많은 샘플이 필요하며 많은 애플리케이션에서 샘플 수가 매우 제한됩니다. 탄성 그래프 매칭의 얼굴 인식 방법 탄성 그래프 매칭 방법은 2차원 공간에서 정상적인 얼굴 변형에 대해 일정한 불변성을 갖는 거리를 정의하고 속성 토폴로지 맵을 사용하여 얼굴의 각 정점을 나타냅니다. 정점 위치 근처의 얼굴 정보를 기록하는 데 사용되는 특징 벡터를 포함합니다. 이 방법은 회색조 특성과 기하학적 요소를 결합하여 비교 중에 이미지의 탄성 변형을 허용하고 인식에 대한 표현 변화의 영향을 극복하는 동시에 더 이상 한 사람에 대해 여러 샘플이 필요하지 않습니다. 선분 Hausdorff 거리(LHD)를 기반으로 한 얼굴 인식 방법 심리학 연구에 따르면 윤곽선 이미지(예: 만화)를 식별하는 인간의 속도와 정확성은 회색조 이미지를 인식하는 것보다 나쁘지 않습니다. LHD는 사람 얼굴의 회색조 이미지에서 추출된 선분 맵을 기반으로 하며, 두 선분 세트 사이의 거리를 정의합니다. 차이점은 LHD가 서로 다른 선 사이의 선분 간 일대일 대응을 설정하지 않는다는 것입니다. 세그먼트 세트 관계이므로 선 세그먼트 플롯 간의 작은 변화에 더 잘 적응할 수 있습니다. 실험 결과, LHD는 다양한 조명 조건과 다양한 자세에서 매우 잘 작동하지만, 큰 표정을 인식하는 경우에는 잘 작동하지 않는 것으로 나타났습니다. 서포트 벡터 머신(SVM)의 얼굴 인식 방법 최근 서포트 벡터 머신은 통계적 패턴 인식 분야에서 새로운 핫스팟이 되었습니다. 이는 학습 머신이 경험 위험과 일반화 능력 간의 절충을 달성하여 향상되도록 시도합니다. 학습 기계. 서포트 벡터 머신은 주로 2-분류 문제를 해결하는 기본 아이디어는 저차원 선형 분리가 불가능한 문제를 고차원 선형 분리가 가능한 문제로 변환하는 것입니다. 일반적인 실험 결과에 따르면 SVM의 인식률은 더 높지만 많은 수의 훈련 샘플(범주당 300개)이 필요하므로 실제 적용에서는 종종 비현실적입니다. 더욱이, 지원 벡터 머신 훈련은 시간이 오래 걸리고, 방법을 구현하기가 복잡하며, 커널 기능을 선택하는 방법에 대한 통일된 이론이 없습니다. 새로운 얼굴 인식 기술 기존의 얼굴 인식 기술은 주로 가시광선 영상을 기반으로 한 얼굴 인식 기술로, 이는 가장 친숙한 인식 방식으로 30년 이상의 연구 개발 역사를 가지고 있습니다.

그러나 이 방법은 극복하기 어려운 단점이 있다. 특히 주변 조명이 변할 경우 인식 효과가 급격히 떨어지며 실제 시스템의 요구 사항을 충족할 수 없다. 조명 문제를 해결하기 위한 솔루션에는 3차원 영상 얼굴 인식과 열화상 얼굴 인식이 있습니다. 그러나 이 두 기술은 현재 성숙도가 한참 떨어져 인식 결과도 만족스럽지 않습니다. 최근 급속도로 발전하고 있는 솔루션 중 하나가 능동형 근적외선 영상을 기반으로 한 다중광원 얼굴인식 기술이다. 빛 변화의 영향을 극복할 수 있으며 정확성, 안정성 및 속도 측면에서 전반적인 시스템 성능이 3D 이미지 얼굴 인식을 능가합니다. 이 기술은 지난 2~3년 동안 급속도로 발전해 얼굴인식 기술이 점차 실용화되고 있다. 디지털 카메라 얼굴 자동 초점 및 스마일 셔터 기술 첫 번째는 얼굴 캡처입니다. 사람의 머리 부분을 기준으로 먼저 머리를 결정한 후, 특징 라이브러리와의 비교를 통해 얼굴 캡처를 완료합니다. 그런 다음 사람의 얼굴을 자동 초점의 초점으로 사용하면 촬영한 사진의 선명도를 크게 향상시킬 수 있습니다. 스마일 셔터 기술은 얼굴 인식을 기반으로 얼굴 캡처를 완료한 후 입의 위쪽 곡률과 눈의 아래쪽 곡률을 판단하여 웃는지 여부를 판단합니다. 위의 모든 캡처 및 비교는 특징 데이터베이스를 비교하여 수행되므로 특징 데이터베이스는 다양한 일반적인 얼굴 및 웃는 특징 데이터를 포함하는 기초입니다.