The Journal of the Korea Contents Association (한국콘텐츠학회논문지)

The Korea Contents Association (한국콘텐츠학회)
권호 표지
DOI QR코드

DOI QR Code

Real Time Face Detection and Recognition using Rectangular Feature based Classifier and Class Matching Algorithm

사각형 특징 기반 분류기와 클래스 매칭을 이용한 실시간 얼굴 검출 및 인식

  • 김종민 (조선대학교 대학원 전산통계학과) ;
  • 강명아 (광주대학교 컴퓨터공학과)
  • Published : 2010.01.28
Download PDF
⟨ Previous Next ⟩

Abstract

This paper proposes a classifier based on rectangular feature to detect face in real time. The goal is to realize a strong detection algorithm which satisfies both efficiency in calculation and detection performance. The proposed algorithm consists of the following three stages: Feature creation, classifier study and real time facial domain detection. Feature creation organizes a feature set with the proposed five rectangular features and calculates the feature values efficiently by using SAT (Summed-Area Tables). Classifier learning creates classifiers hierarchically by using the AdaBoost algorithm. In addition, it gets excellent detection performance by applying important face patterns repeatedly at the next level. Real time facial domain detection finds facial domains rapidly and efficiently through the classifier based on the rectangular feature that was created. Also, the recognition rate was improved by using the domain which detected a face domain as the input image and by using PCA and KNN algorithms and a Class to Class rather than the existing Point to Point technique.

본 논문은 사각형 특징 기반 분류기를 제안하여 실시간으로 얼굴 영역을 검출하며, 계산의 효율성과 검출 성능을 동시에 만족시키는 강인한 검출 알고리즘을 구현하고자 한다. 제안한 알고리즘은 특징 생성, 분류기 학습, 실시간 얼굴 영역 검출의 세 단계로 구성된다. 특징 생성은 제안된 5개의 사각형 특징으로 특징 집합을 구성하며, SAT(Summed-Area Tables)를 이용하여 특징 값을 효율적으로 계산한다. 분류기 학습은 AdaBoost 알고리즘을 이용하여, 분류기를 계층적으로 생성한다. 또한 중요한 얼굴 패턴은 다음 레벨에 반복적으로 적용함으로써 우수한 검출 성능을 가진다. 실시간 얼굴 영역 검출은 생성된 사각형 특징 기반 분류기를 통해, 빠르고 효율적으로 얼굴 영역을 찾아낸다. 또한 얼굴 영역을 검출한 영역을 인식의 입력 영상으로 사용하여 PCA와 KNN 알고리즘을 이용하여 기존의 매칭 방법인 Point to point 방법이 아닌 Class to Class 방식을 이용하여 인식률을 향상시켰다.

Keywords

References

  1. R. O. Duda, P. E. Hart, and D. G. Strok, Pattern Classification, Second Edition by John Wiley & Sons, Inc, 2001.
  2. H. A. Rowley, S. Baluja, T. Kanade, "Neural network-based face detection", PAMI, IEEE Transactions on, Vol.20 Issue: 1, pp.23-38, 1998(1). https://doi.org/10.1109/34.655647
  3. J. Yang and A. Waibel, "A real-time face tracker," In Proc. 3rd Workshop on Appl. of Computer Vision, pp.142-147, 1996. https://doi.org/10.1109/ACV.1996.572043
  4. K.-K. Sung and T. Poggio, "Example-based learning for view-based human face detection," Pattern Analysis and Machine Intelligence, IEEE Transactions on, Vol.20 Issue:1, pp.39-51, 1998(1). https://doi.org/10.1109/34.655648
  5. R. Brunelli and T. Poggio, "Face Recognition: features versus templates," IEEE Transactions on PAMI, Vol.15, No.10, pp.1042-1052, 1993. https://doi.org/10.1109/34.254061
  6. Y. Yagi, "Facial feature extraction from frontal face image," Signal Processing Proceedings, 2000. WCCC-ICSP 2000. 5th International Conference on, Vol.2, pp.1225-1232, 2000. https://doi.org/10.1109/ICOSP.2000.891769
  7. Paul Viola and M. Jones, "Robust real-time object detection," International Conference on Computer Vision, 2001.
  8. S. Z. Li, L. Zhu, Z. Q. Zhang, and H. J. Zhang, "Statistical Learning of Multi-View Face Detection," In Proc. 7th European Conference on Computer Vision, Copenhagen, Denmark. 2002(5). https://doi.org/10.1007/3-540-47979-1_5
  9. F. Crow, "Summed-area tables for texture mapping," In Proceedings of SIGGRAPH, Vol.18, No.3, pp.207-212, 1984. https://doi.org/10.1145/964965.808600
  10. J. M. Kim and H. S. Yang, "A Study on Object Recognition Technology using PCA in Variable Illumination," Lecture Notes in Computer Science LNAI 4093, pp.911-918, 2006. https://doi.org/10.1007/11811305_99