Face detection is important because of the first step of face related application - face recognition and facial expression recognition system. There was the research that seventy five percentage of faces in the home pictures were not frontal. Many researchers are focus on how to deal the non-frontal faces. Multi-view scheme is the strategy that some representative viewpoints cover the variation of face viewpoint.
Mulit-view face detection system was designed and implemented. This system have the coarse-to-fine structure using support vector machine. The proposed system is composed of four main modules which are making image pyramid, preprocessing, extracting features, and detecting faces. Making image pyramid have the system endure the variation of size and rotation. In preprocessing step, each image unit in pyramid is filtered because of noise elimination and light correction. In third step, extracting gabor transform features are extracted using the convolution between gabor images and an image unit. Lastly, cascade support vector machines make the decision whether the face is in image unit or not.
In the experiment, more than eighteen thousand face images was used in training. detecting rate was seventy five percent. The future work is to improve the rate by training more images.
얼굴 검출 문제는 얼굴 인식, 표정 인식과 같은 얼굴 관련 응용 프로그램으로서 중요성을 갖는다. 그 중에서 다양한 시점의 얼굴 검출에 대한 연구가 활발히 진행되고 있는데 이는 우리가 일상생활에서 다루는 영상에서 나타나는 대략 75%의 얼굴이 정면 시점의 얼굴이 아니기 때문이다.
초기에는 다양한 시점에 대한 얼굴 모델을 따로 두어서 문제를 해결하고자 하였으나 요즘에는 그뿐 아니라 시점에 따른 검출기도 분리함으로서 문제를 해결하고자 하는 시도가 많이 이루어지고 있다. 본 논문에서는 다양한 시점의 얼굴을 검출하기 위해 Gabor 특징 벡터를 추출하고 이를 이용하여 coarse-to-fine 구조를 갖는 SVM 검출기를 제안한다.
제안된 시스템은 크게 4단계로 구분할 수 있는데, 이미지 피라미드 생성, 전처리 과정, 특징 추출, SVM을 이용한 검출 과정이다. 이미지 피라미드를 생성하고 고정된 크기의 윈도우를 가지고 순차적으로 탐색함으로서 얼굴이 갖는 크기와 회전에 대한 변이를 극복하고자 한다. 조명에 대한 보상과 윈도우 외곽 영역에 배경 잡음이 들어가는 것을 막기 위한 마크킹이 전처리 과정으로 들어간다. 가보 변환 특징을 추출하기 위해 8개의 가보 함수를 윈도우 이미지에 convolution함으로서 약 5,700 차원의 벡터가 생성된다. 3 단계의 구조를 갖는 SVM 검출기를 제안하고 사용하였는데 각 단계를 거치면서 얼굴 영상이 아닌 것을 강하게 걸러내는 구조를 가지고 있다.
검출기를 학습하기 위해 약 18,000개의 얼굴 이미지가 사용되었으며, 두 번의 실험에서 각각 80%, 73%의 검출률을 나타내었다. 본 논문에서 제안한 시스템은 SVM을 이용하여 Coarse-to-fine 구조를 갖는 검출구조를 갖는다는 점이 다른 시스템들과의 차별점이다. 검출시 고려하는 시점의 영역이 다양하다는 장점을 가지고 있다. 하지만 검출 시간이 오래 걸리고 검출률이 다른 시스템에 비해 그리 높지 못하다는 단점을 가지고 있다. 더 많은 이미지를 학습함으로써 검출률을 높일 수 있는 여지가 많기 때문에 향후의 연구 방향은 시간을 단축하고 검출률을 높이는 시도가 이루어질 것이다.
