당신은 주제를 찾고 있습니까 “얼굴 인식 알고리즘 – 인공지능으로 얼굴 인식을 해보자- Python“? 다음 카테고리의 웹사이트 https://you.aodaithanhmai.com.vn 에서 귀하의 모든 질문에 답변해 드립니다: https://you.aodaithanhmai.com.vn/blog. 바로 아래에서 답을 찾을 수 있습니다. 작성자 빵형의 개발도상국 이(가) 작성한 기사에는 조회수 39,808회 및 좋아요 532개 개의 좋아요가 있습니다.
얼굴 인식 모델은 수만 명에 달하는 인물에게서 획득한 수백만 장의 정규화한 얼굴 이미지에서 인물을 잘 구분하는 함축된 얼굴 표현인 특징 벡터를 학습한다. 그 결과 최종 얼굴 인식 모델은 입력된 이미지의 특징 벡터 간 유사도를 비교하는 방식으로 검증 또는 식별을 수행할 수 있게 된다.
Table of Contents
얼굴 인식 알고리즘 주제에 대한 동영상 보기
여기에서 이 주제에 대한 비디오를 시청하십시오. 주의 깊게 살펴보고 읽고 있는 내용에 대한 피드백을 제공하세요!
d여기에서 인공지능으로 얼굴 인식을 해보자- Python – 얼굴 인식 알고리즘 주제에 대한 세부정보를 참조하세요
인공지능으로 얼굴 인식 기능을 구현해서 매트릭스 리로리드의 스미스 요원을 모두 잡아버리겠습니다.
Source code(Github): https://github.com/kairess/simple_face_recognition
Download Models
– https://github.com/davisking/dlib-models/raw/master/shape_predictor_68_face_landmarks.dat.bz2
– https://github.com/kairess/simple_face_recognition/raw/master/models/dlib_face_recognition_resnet_model_v1.dat
Dependencies:
– Python 3+
– dlib
– OpenCV
– numpy
– matplotlib
사업 및 개발문의: [email protected]
빵형의 개발도상국 후원: https://toon.at/donate/helloworld
얼굴 인식 알고리즘 주제에 대한 자세한 내용은 여기를 참조하세요.
얼굴 인식 알고리즘 선행 연구를 소개합니다
시작하며 얼굴 인식 기술(face recognition)은 지난 수십 년간 컴퓨터 비전(computer vision)의 주요 연구 분야 중 하나로 자리매김하고 있습니다.
Source: tech.kakaoenterprise.com
Date Published: 2/27/2021
View: 207
딥러닝 기반 고성능 얼굴인식 기술 동향 – Korea Science
즉,. 등록되지 않은 다양한 인물들을 비교 검색함으로써 얼. 굴인식 알고리즘의 강인성을 검증하기 위해 효과적인. 데이터셋으로 볼 수 있다. MegaFace2[21]라고 불리는.
Source: koreascience.kr
Date Published: 5/28/2022
View: 1160
얼굴 인식이란 무엇인가요? – 얼굴 분석 소프트웨어 및 기계 학습 …
얼굴 인식 기술은 대부분의 보안 소프트웨어와 호환되고 손쉽게 통합됩니다. 예를 들어 전면 카메라가 있는 스마트폰은 얼굴 인식 알고리즘이나 소프트웨어 코드를 …
Source: aws.amazon.com
Date Published: 6/26/2022
View: 1239
딥러닝 얼굴인식 기술을 활용한 방문자 출입관리 시스템 설계와 …
OpenCV에서 얼굴 인식 알고리즘으로. 가장 대표적인 것은 Haar Cascade 알고리즘이다. Harr. Cascade는 머신 러닝 기반의 오브젝트 검출 알고리즘으. 로 …
Source: www.koreascience.or.kr
Date Published: 8/15/2021
View: 1805
딥러닝 기반 얼굴 검출, 랜드마크 검출 및 얼굴 인식 기술 연구 동향
Network(CNN)과 같은 딥러닝 기반의 얼굴 인식 연구 동향을. 살펴 보고자 한다. 얼굴 인식은 입력 영상이 들어왔을 때 자. 동으로 누구인지 알아내는 알고리즘으로 …
Source: www.kibme.org
Date Published: 2/9/2021
View: 7654
[논문]얼굴 인식 및 인증 알고리즘 성능분석
얼굴 인식 영역에서는 Adaboost를 이용한 Haar-like feature 기반 알고리즘과 LBP(Local Binary Patterns) 기반 알고리즘을 비교 분석 하고, 얼굴 인증 영역에서는 …
Source: scienceon.kisti.re.kr
Date Published: 3/17/2021
View: 3355
얼굴 인식이란?
얼굴 인증을 사용하면 두 얼굴 템플릿을 비교하여 일치하는지 확인합니다. 실용적인 수준에서 얼굴 인식 알고리즘의 목적은 두 얼굴이 같은 사람인지 여부를 평가하는 …
Source: azure.microsoft.com
Date Published: 10/21/2022
View: 8644
[Python] 파이썬 OpenCV를 이용한 얼굴 인식 – Deep.I
이번 포스팅에서는 비교적 과거 기술이지만 간단하게 CPU에서도 연산이 가능한 얼굴 탐지 알고리즘 Cascading ifiers를 OpenCV를 이용하여 …
Source: deep-eye.tistory.com
Date Published: 8/10/2021
View: 611
주제와 관련된 이미지 얼굴 인식 알고리즘
주제와 관련된 더 많은 사진을 참조하십시오 인공지능으로 얼굴 인식을 해보자- Python. 댓글에서 더 많은 관련 이미지를 보거나 필요한 경우 더 많은 관련 기사를 볼 수 있습니다.
주제에 대한 기사 평가 얼굴 인식 알고리즘
- Author: 빵형의 개발도상국
- Views: 조회수 39,808회
- Likes: 좋아요 532개
- Date Published: 2018. 11. 11.
- Video Url link: https://www.youtube.com/watch?v=3LNHxezPi1I
수백만 명 중 같은 인물 찾아내기… 진화하는 얼굴 인식 알고리즘
[한경비즈니스 칼럼카카오엔터프라이즈 AI Lab 이수경·김용현·노명철·신종주·카카오 박원표·카카오엔터프라이즈 기술블로그 테크앤(Tech&) ] 얼굴 인식 기술은 지난 수십 년간 컴퓨터 비전(computer vision)의 주요 연구 분야 중 하나로 자리매김하고 있다. [그림1]처럼 시스템에 입력된 두 이미지 속 인물 간의 동일인 여부를 검증하거나 이미지 속 인물이 내부 데이터베이스에 미리 저장된 인물 중 누구와 가장 유사한지를 식별하는 데 이 기술이 널리 활용되고 있다.다만 얼굴 인식 모델의 훈련 또는 추론 단계에서 사진 속 얼굴 위치가 제각기 다르거나 촬영 각도가 다르면 얼굴 인식 정확도가 낮아질 수 있다.따라서 사진에서 얼굴 영역을 찾아 동일한 형태의 정면 얼굴을 추출하는 전처리 과정이 선행돼야 한다. 일반적인 전처리 과정은 다음과 같다. ①시스템에 입력된 이미지에서 얼굴 영역을 찾아(face detection : 얼굴 검출) ②눈과 코 등 얼굴의 특징을 나타내는 점을 찾는다(face alignment : 얼굴 정렬). ③이 특징점을 이용해 얼굴 영역을 동일한 형태와 크기로 변경한다(normalization : 정규화).얼굴 인식 모델은 수만 명에 달하는 인물에게서 획득한 수백만 장의 정규화한 얼굴 이미지에서 인물을 잘 구분하는 함축된 얼굴 표현인 특징 벡터를 학습한다. 그 결과 최종 얼굴 인식 모델은 입력된 이미지의 특징 벡터 간 유사도를 비교하는 방식으로 검증 또는 식별을 수행할 수 있게 된다.딥러닝 모델의 훈련(가중치 업데이트) 과정은 다음과 같다[그림3]. 먼저 순전파(forward propagation : 입력층-은닉층-출력층을 거쳐 예측 값을 내는 방법) 과정에서 데이터를 입력받은 모델은 무작위로 초기화된 가중치를 이용해 예측 값을 출력한다. 그다음 예측 값과 정답 사이의 차이를 정의하는 손실(loss) 함수를 이용해 입력에 대한 손실을 계산한다. 다음으로 출력층에서 입력층으로 거슬러 올라가는 역전파(backward propagation : 출력층-은닉층-입력층으로 거슬러 올라가며 가중치를 업데이트하는 방법) 과정에서 최적화 알고리즘은 기울기 값을 이용해 앞서 구한 손실을 최소화하는 방향으로 모델의 가중치 값을 수정한다. 딥러닝 모델은 이 과정을 여러 번 반복해 데이터를 점진적으로 학습하게 된다.얼굴 인식을 학습하기 위한 손실 함수는 소프트맥스 손실 함수, 거리 기반 손실 함수, 앵귤러 마진 기반 손실 함수 등 크게 세 종류로 나눠 볼 수 있다. 이제부터 이 손실 함수를 하나씩 알아본다.일반 객체 분류 모델인 알렉스넷(AlexNet)과 레스넷(ResNet) 그리고 초창기 얼굴 인식 모델인 딥페이스(DeepFace)와 딥아이디(DeepID)의 마지막 출력층은 전 단계에서 추출된 특징 벡터를 N개의 범주로 분류하기 위해 배치된 완전 연결층과 소프트맥스(softmax) 함수로 구성돼 있다. 이후 교차 엔트로피가 소프트맥스 확률 분포와 정답 분포 사이 오차를 계산한다. 소프트맥스 확률 값을 이용한다는 점에서 이 손실 함수를 소프트맥스 손실 함수라고도 부른다.소프트맥스 손실 값을 최소화하는 학습을 통해 모델은 특징 공간에 동일인의 두 특징 벡터(intra-class)를 더 가깝게, 비동일인의 두 특징 벡터(inter-class)는 더 멀게 표현할 수 있게 된다. 하지만 단순히 소프트맥스 함수만을 사용한 손실 함수로는 수만 명에 달하는 인물의 특징 공간을 효율적으로 학습하기가 어렵다. 전체적인 최적화를 고려하지 못하고 국부적인 최적 지점으로 쉽게 수렴할 수 있기 때문이다. 이에 따라 추론 단계에서 마주하는 학습하지 않은 새로운 얼굴 이미지의 인식 성능은 낮을 수 있다.거리 기반의 손실 함수 또한 앞서 설명한 소프트맥스 손실 함수처럼 특징 공간에 동일인의 두 특징 벡터를 더 가깝게, 비동일인의 두 특징 벡터는 더 멀게 표현하는 학습에 활용된다. 차이점은 특징 벡터 간의 거리를 학습에 직접 활용하는 부분이다.하지만 2017년을 기점으로 얼굴 인식 관련 딥러닝 모델에서는 거리 기반 손실 함수를 잘 사용하지 않는 추세다. 트리플렛(triplet)을 구성하는 방식에 따라 성능이 크게 달라지기 때문이다. 특히 범주 수가 많을수록 효과적인 트리플렛을 구성하기도 쉽지 않다. 많은 방법이 고안됐음에도 불구하고 얼굴 인식처럼 분류해야 할 범주가 많은 상황에서는 효과적인 트리플렛을 구성하는 데 여전히 어려움이 있다.또한 컴퓨팅 비용도 상대적으로 더 많이 소모된다. 일반적으로 이 손실 함수는 범주의 수가 수십~수백 개 수준일 때 효과적으로 동작하지만 수천 개 이상의 범주가 존재할 때는 잘 동작하지 않는다. 기존 대비 2~4배 이상 배치 크기(batch size)를 키움으로써 성능 저하를 일부 극복할 수 있지만 수만 명에 달하는 인물을 다뤄야 하는 얼굴 인식 모델에서는 그 역시 쉽지 않은 일이다.스피어페이스(SphereFace)에서 코스페이스(CosFace)와 아크페이스(ArcFace)로 이어지는 최근의 얼굴 인식 연구는 앵귤러 마진을 추가한 소프트맥스 기반 손실 함수를 이용해 서로 다른 인물 간 거리를 충분히 넓히는 방향으로 진행되고 있다.이처럼 손실 함수가 새롭게 제안되고 있음에도 불구하고 얼굴 인식 모델에게 서로 다른 인물의 얼굴을 구분하는 최적의 특징 공간을 생성하는 방법을 가르치기는 여전히 쉽지 않다. 카카오엔터프라이즈 AI랩은 기존 대부분의 손실 함수에 대한 얼굴 인식 연구로는 수만 명의 얼굴을 구분하는 충분한 효과를 기대하기가 어렵다고 판단했다. 알렛스넷·VGGNet·레스넷처럼 수십에서 수천 개의 범주를 분류하는 데 최적화된 범용 모델을 그대로 사용해서는 수만 명의 얼굴을 효과적으로 처리하는 데 적합하지 않다고 본 것이다. 선행 연구가 최대 수만 개의 범주를 효과적으로 분류하려는 목적에서 새로운 손실 함수를 도입했듯이 AI랩은 이를 위한 특별한 인식 모델 구조를 고민했다.AI랩은 인간의 얼굴에 각자 고유의 특징이 있으면서도 동시에 공통적인 특징을 가지고 있다는 점을 면밀히 관찰했다. 실제로 얼굴의 공통적인 특징을 모아 보는 그룹화 개념은 현실에서도 누군가를 특정하는 데 유용한 기법으로 활용되고 있다. 예를 들어 검은 머리와 붉은 수염을 가진 남자와 같이 주된 특징을 조합한 몽타주 표현처럼 말이다.최종적으로 AI랩은 얼굴의 유사성을 그룹화해 표현하는 특징 벡터를 추출하는 새로운 모델 구조인 그룹페이스(GroupFace)를 제안했다. 그룹페이스는 다양한 얼굴 인식 모델에 적용할 수 있다. 얼굴 인식 분야 대표적인 9개 공개 데이터 세트를 대상으로 테스트해 본 결과 그룹페이스는 모든 데이터 세트에 대해 얼굴 인식 성능을 높였다. 특히 IJB 벤치마크에서는 그 정확도를 최대 10%포인트 가까이 끌어올렸다.[본 기사는 한경비즈니스 제 1313호(2021.01.25 ~ 2021.01.31) 기사입니다.]
얼굴 인식 알고리즘 선행 연구를 소개합니다
samantha.her
시작하며
얼굴 인식 기술(face recognition)은 지난 수십 년간 컴퓨터 비전(computer vision)의 주요 연구 분야 중 하나로 자리매김하고 있습니다. [그림 1]처럼 시스템에 입력된 두 이미지 속 인물 간의 동일인 여부를 검증(verification)하거나, 이미지 속 인물이 내부 데이터베이스(DB)에 미리 저장된 인물 중 누구와 가장 유사한지를 식별(identification)하는 데 이 기술이 널리 활용되고 있습니다.
[그림 1] 얼굴 인식 과정다만 얼굴 인식 모델의 훈련 또는 추론 단계에서 사진 속 얼굴 위치가 제각기 다르거나 그 촬영 각도가 다르면 얼굴 인식 정확도가 낮아질 수 있습니다. 따라서 사진에서 얼굴 영역을 찾아 동일한 형태의 정면 얼굴을 추출하는 전처리 과정이 선행되어야 합니다. 일반적인 전처리 과정은 다음과 같습니다. 1) 시스템에 입력된 이미지에서 얼굴 영역을 찾아(face detection, 얼굴 검출), 2) 눈과 코 등 얼굴의 특징을 나타내는 점을 찾습니다(face alignment, 얼굴 정렬 ). 3) 이 특징점을 이용해 얼굴 영역을 동일한 형태와 크기로 변경합니다(normalization, 정규화 ).
[그림 2] 얼굴 이미지 전처리 과정얼굴 인식 모델은 수만 명에 달하는 인물로부터 획득한 수백만 장의 정규화된 얼굴 이미지로부터 인물을 잘 구분하는 함축된 얼굴 표현(facial representation)인 특징 벡터(feature vector)를 학습합니다. 그 결과, 최종 얼굴 인식 모델은 입력된 이미지의 특징 벡터 간 유사도(similarity)를 비교하는 방식으로 검증 또는 식별을 수행할 수 있게 됩니다.
카카오엔터프라이즈 AI Lab(이하 AI Lab) 또한 이 얼굴 인식과 관련해 다양한 연구를 진행하고 있습니다. 최근에는 AI Lab(김용현, 노명철, 신종주)이 카카오(박원표)와 공동으로 쓴 논문인 ‘GroupFace : Learning Latent Groups and Constructing Group-based Representations for Face Recognition(이하 GroupFace)’[1]이 컴퓨터 비전 및 패턴 인식 컨퍼런스(CVPR) 2020에 게재 승인되는 성과를 거두기도 했죠. 이번 글에서는 딥러닝 기반 얼굴 인식 선행 연구를 간단하게 살펴보고자 합니다.
☛ Tech Ground 데모 페이지 바로 가기 : 얼굴 검출 데모
얼굴 인식 모델의 손실 함수 연구 트렌드
딥러닝 모델의 훈련(가중치 업데이트) 과정은 다음과 같습니다([그림 3]). 먼저 순전파(forward propagation) 과정에서 데이터를 입력받은 모델은 무작위로 초기화된 가중치를 이용해 예측값을 출력합니다. 그다음, 예측값과 정답 사이의 차이를 정의하는 손실 함수를 이용해 입력에 대한 손실(loss)을 계산합니다. 다음으로, 출력층에서 입력층으로 거슬러 올라가는 역전파(backward propagation) 과정에서 최적화 알고리즘은 기울기(gradient) 값을 이용해 앞서 구한 손실을 최소화하는 방향으로 모델의 가중치 값을 수정합니다. 딥러닝 모델은 이 과정을 여러 번 반복해서 데이터를 점진적으로 학습하게 됩니다.
[그림 3] 딥러닝 모델의 학습 과정얼굴 인식을 학습하기 위한 손실 함수는 소프트맥스 손실 함수(softmax loss function), 거리 기반 손실 함수(distance-based loss function), 앵귤러 마진 기반 손실 함수(angular margin based loss function) 등 크게 세 종류[2]로 나눠볼 수 있습니다. 이제부터 이 손실 함수를 하나씩 알아보겠습니다.
1. 소프트맥스 손실 함수
일반 객체 분류 모델인 AlexNet과 ResNet, 그리고 초창기 얼굴 인식 모델인 DeepFace, DeepID의 마지막 출력층은 전(前) 단계에서 추출된 특징 벡터를 N개의 범주로 분류하기 위해 배치된 완전연결층(fully-connected layer)과 소프트맥스(softmax) 함수 로 구성돼 있습니다. 이후 교차 엔트로피(cross entropy)가 소프트맥스 확률 분포와 정답 분포 사이 오차를 계산합니다. 소프트맥스 확률값을 이용한다는 점에서 이 손실 함수를 소프트맥스 손실 함수라고도 부릅니다.
[그림 4] 소프트맥스 손실 함수소프트맥스 손실 값을 최소화하는 학습을 통해 모델은 특징 공간(feature space)에 동일인의 두 특징 벡터(intra-class)를 더 가깝게, 비동일인의 두 특징 벡터(inter-class)는 더 멀게 표현할 수 있게 됩니다. 하지만 단순히 소프트맥스 함수만을 사용한 손실 함수로는 수만 명에 달하는 인물의 특징 공간을 효율적으로 학습하기가 어렵습니다. 전체적인 최적화를 고려하지 못하고 국부적인 최적 지점(local minimum)으로 쉽게 수렴할 수 있기 때문입니다. 이로 인해 추론 단계에서 마주하는 학습하지 않은 새로운 얼굴 이미지의 인식 성능은 낮을 수 있습니다.
2. 거리 기반 손실 함수
거리 기반의 손실 함수 또한 앞서 설명한 소프트맥스 손실 함수처럼 특징 공간에 동일인의 두 특징 벡터를 더 가깝게, 비동일인의 두 특징 벡터는 더 멀게 표현하는 학습에 활용됩니다. 차이점은 특징 벡터 간의 거리를 학습에 직접 활용하는 부분입니다. 대표적인 거리 기반 손실 함수인 대비(contrastive) 손실 함수와 트리플렛(triplet) 손실 함수를 통해 그 작동 원리에 대해 좀 더 자세히 소개해드리겠습니다.
[그림 5] 거리 기반 손실 함수대비 손실 함수는 두 얼굴 이미지의 쌍을 구성해 두 특징 벡터 간의 거리를 계산합니다. 여기서 손실 값은 동일인의 두 벡터 간 거리가 멀면 커지고, 반대로 비동일인의 두 벡터간 거리가 가까우면 커집니다. 이에 모델은 이 손실 값을 최소화하는 학습을 통해 동일인에 해당하는 두 벡터를 가깝게, 비동일인의 두 벡터를 더 멀게 표현할 수 있게 됩니다.
하지만 이런 손실 계산 방식에는 한계가 있습니다. 동일인에 해당하는 두 벡터 거리와 비동일인의 두 벡터 거리가 개별적으로 학습되기 때문입니다. 즉, 동일인 간의 벡터 거리가 비동일인 사이 벡터 거리보다 상대적으로 가까워져야 함을 고려하지 못하는 거죠.
트리플렛 손실 함수는 범주가 같은 벡터 간의 거리와 범주가 다른 벡터 간의 거리의 상대적 관계를 고려하는 방식으로 이 문제를 해결합니다. 먼저, 기준이 되는 이미지 a, 동일인 이미지 p, 그리고 비동일인 이미지 n으로 구성된 트리플렛(a, p, n)을 구성합니다. 트리플렛 손실 함수는 a와 p의 벡터 간 거리를 줄이는 동시에, a와 n의 벡터 간 거리를 넓힙니다. 즉, 두 거리의 차(|a-n| – |a-p|)가 개발자가 임의로 정한 마진값보다 크도록 합니다. 그 결과, 트리플렛 손실 함수로 학습된 인식 모델은 대비 손실 함수와 비교했을 때 더 높은 추론 성능을 보이는 경향이 있습니다.
다만 지난 2017년을 기점으로 얼굴 인식 관련 딥러닝 모델에서는 거리 기반 손실 함수를 잘 사용하지 않는 추세입니다. 트리플렛을 구성하는 방식에 따라 성능이 크게 달라지기 때문입니다. 특히 범주 수가 많을수록 효과적인 트리플렛을 구성하기도 쉽지 않습니다. 많은 방법이 고안되었음에도, 얼굴 인식처럼 분류해야 할 범주가 많은 상황에서는 효과적인 트리플렛을 구성하는 데는 여전히 어려움이 있습니다.
아울러 컴퓨팅 비용도 상대적으로 더 많이 소모됩니다. 일반적으로 이 손실 함수는 범주의 수가 수십~수백개 수준일 때 효과적으로 동작하나, 수천 개 이상의 범주가 존재할 때는 잘 동작하지 않습니다. 기존 대비 2~4배 이상 배치 크기(batch size) 를 키움으로써 성능 저하를 일부 극복할 수 있지만, 수만 명에 달하는 인물을 다루어야 하는 얼굴 인식 모델에서는 그 역시 쉽지 않은 일입니다.
3. 앵귤러 마진 기반 손실 함수
SphereFace에서 CosFace와 ArcFace로 이어지는 근래의 얼굴 인식 연구는 앵귤러 마진을 추가한 소프트맥스 기반 손실 함수를 이용해 서로 다른 인물 간 거리를 충분히 넓히는 방향으로 진행되고 있습니다.
[그림 6] 앵귤러 마진 기반 손실 함수인 AdaM-소프트맥스충분히 큰 한정된 공간이 있다고 가정해 보겠습니다. 학습 시 다른 범주를 1의 간격으로 분포하게 만들어도 분류는 완벽하게 이뤄집니다. 여기에 더 나아가, 다른 범주를 10의 간격으로 두고 데이터 분포를 훈련한다면 어떻게 될까요? 학습 난이도는 높을지라도 공간을 효율적으로 사용할 수 있어, 모델의 일반화(generalization) 성능이 높다고 기대해볼 수 있겠습니다. 여기서는 이러한 간격을 특징 벡터 간의 각도에 적용하였다는 점에서 앵귤러 마진이라는 이름이 붙었습니다.
한계점
이처럼 손실 함수가 새롭게 제안되고 있음에도 불구하고, 얼굴 인식 모델에게 서로 다른 인물의 얼굴을 구분하는 최적의 특징 공간을 생성하는 방법을 가르치기는 여전히 쉽지 않습니다. AI Lab은 기존 대부분의 손실 함수에 대한 얼굴 인식 연구로는 수만 명의 얼굴을 구분하는 충분한 효과를 기대하기가 어렵다고 판단했습니다. AlexNet, VGGNet, ResNet처럼 수십에서 수천 개의 범주를 분류하는 데 최적화된 범용 모델을 그대로 사용해서는 수만 명의 얼굴을 효과적으로 처리하는 데 적합하지 않다고 본 거죠.
선행 연구가 최대 수만 개의 범주를 효과적으로 분류하려는 목적에서 새로운 손실 함수를 도입했듯이, AI Lab은 이를 위한 특별한 인식 모델 구조를 고민했습니다.
AI Lab은 인간의 얼굴에 각자 고유의 특징이 있으면서도, 동시에 공통적인 특징을 가지고 있다는 점을 면밀히 관찰했습니다. 실제로 얼굴의 공통적인 특징을 모아 보는 그룹화 개념은 현실에서도 누군가를 특정하는 데 유용한 기법으로 활용되고 있습니다. 예를 들어, 검은 머리와 붉은 수염을 가진 남자와 같이 주된 특징을 조합한 몽타주 표현처럼 말이죠.
최종적으로 AI Lab은 얼굴의 유사성을 그룹화해 표현하는 특징 벡터(group-aware representation)를 추출하는 새로운 모델 구조인 GroupFace를 제안했습니다. GroupFace는 다양한 얼굴 인식 모델에 적용 가능합니다. 얼굴 인식 분야 대표적인 9개 공개 데이터셋을 상대로 테스트를 진행해본 결과, GroupFace는 모든 데이터셋에 대해 얼굴 인식 성능을 높였습니다. 특히 IJB 벤치마크에서는 그 정확도를 최대 10%P 가까이 끌어올렸습니다.
AI Lab이 새로 고안한 방법론인 GroupFace의 아이디어와 아키텍처, 성능 평가에 관한 자세한 내용은 해당 논문을 확인해 주시기 바랍니다.
[그림 7] GroupFace참고 문헌
[1] GroupFace : Learning Latent Groups and Constructing Group-based Representations for Face Recognition (2020) by Yonghyun Kim, Wonpyo Park, Myung-Cheol Roh, Jongju Shin in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) [2] Deep Face Recognition: A Survey (2018) by Mei Wang, Weihong Deng in arXiv이수경(samantha) | 작성, 편집 지난 2016년 3월 알파고와 이세돌 9단이 펼치는 세기의 대결을 취재한 것을 계기로 인공지능 세계에 큰 매력을 느꼈습니다. 카카오엔터프라이즈에서 인공지능을 제대로 알고 싶어하는 사람들을 위해 전문가와 함께 읽기 쉬운 콘텐츠를 쓰고 있습니다. 인공지능을 만드는 사람들의 이야기와 인공지능이 바꿀 미래 사회에 대한 글은 누구보다 쉽고, 재미있게 쓰는 사람이 되고자 합니다.
김용현(aiden) | 작성, 감수 대학원에서 물체 검출 및 얼굴 인식을 연구하고, 현재 카카오엔터프라이즈에서는 얼굴 인식 연구를 담당하고 있습니다.
박원표(tony) | 감수 데이터 사이언스에 관심이 생겨 덜컥 인공지능 관련 석사 과정에 진학했습니다. 카카오에서는 인공지능을 이용한 이미지 처리 연구와 개발을 맡고 있습니다. 이번 생에는 사람만큼 똑똑한 인공지능의 탄생을 꼭 보고 싶습니다.
노명철(joshua) | 감수 카카오엔터프라이즈에서 훌륭한 동료들과 함께 얼굴 인식 관련 기술을 연구∙개발하고 있습니다. 기계의 성능 수치보다는, 사람의 행복 지수를 높이는 인공지능 기술을 만들고 싶습니다.
신종주(isaac) | 감수 대학원에서 얼굴 특징점 검출을 전공한 뒤, 현재는 카카오엔터프라이즈에서 얼굴 영상과 관련된 연구 개발 조직을 맡고 있습니다. 연구 중인 얼굴 인식이 앞으로 제 두 아들이 살아갈 세상에 도움이 되었으면 좋겠습니다.
얼굴 인식이란 무엇입니까?
탐지는 이미지에서 얼굴을 찾는 프로세스입니다. 컴퓨터 비전을 통해 지원되는 얼굴 인식은 한 명 또는 많은 사람의 얼굴이 포함된 이미지에서 개인의 얼굴을 탐지하고 식별할 수 있습니다. 전면과 측면 얼굴 윤곽 모두에서 얼굴 데이터를 탐지할 수 있습니다.
기계는 컴퓨터 비전 을 사용하여 인간만큼, 또는 그보다 더 정확하게 이미지 속의 인물, 장소, 사물을 매우 빠르고 효율적으로 식별합니다. 컴퓨터 비전은 복잡한 인공 지능(AI) 기술을 사용하여, 이미지 데이터에서 유용한 정보를 추출, 분석, 분류 및 이해하는 프로세스를 자동화합니다. 이미지 데이터는 다음과 같은 다양한 형태를 취합니다.
그런 다음 얼굴 인식 시스템은 얼굴의 이미지를 분석합니다. 얼굴의 기하학적 구조와 얼굴 표정을 매핑하고 읽습니다. 얼굴을 다른 물체와 구분하는 데 핵심이 되는 얼굴 랜드마크를 식별합니다. 얼굴 인식 기술은 일반적으로 다음과 같은 특징을 찾습니다.
두 눈 사이의 거리
이마에서 턱까지의 거리
코와 입 사이의 거리
안와의 깊이
광대뼈의 모양
입술, 귀, 턱의 윤곽
그런 다음 시스템은 얼굴 인식 데이터를 페이스프린트라는 일련의 숫자 또는 점으로 변환합니다. 사람마다 지문과 비슷한 독특한 페이스프린트를 가지고 있습니다. 얼굴 인식에 사용되는 정보는 사람의 얼굴을 디지털로 재구성하기 위해 역으로 사용될 수도 있습니다.
[논문]얼굴 인식 및 인증 알고리즘 성능분석
초록
▼
2011년부터 모바일 단말에 지문 인증과 얼굴 인증이 적용되기 시작되었으나, 얼굴 인증의 경우 보안성과 정확도 문제로 인해 활성화 되지 못하였다. 그래서 모바일 산업에서는 지문이 가장 널리 사용되고 있었다. 그러나 2018년 애플의 아이폰X 제품에 지문보다 안전한 3D 기술을 접목 시킨 얼굴 인증 기술을 탑재하여 출시 하면서 얼굴 인증 기능이 모바일 단말로 빠르게 적용되고 있다. 또한, 카메라 성능의 발전과 모바일 단말기의 자체 성능이 향상되면서 영상을 처리할 수 있는 환경이 충족되었다.
본 논문에서는 얼굴 인증 시스템의 대…
2011년부터 모바일 단말에 지문 인증과 얼굴 인증이 적용되기 시작되었으나, 얼굴 인증의 경우 보안성과 정확도 문제로 인해 활성화 되지 못하였다. 그래서 모바일 산업에서는 지문이 가장 널리 사용되고 있었다. 그러나 2018년 애플의 아이폰X 제품에 지문보다 안전한 3D 기술을 접목 시킨 얼굴 인증 기술을 탑재하여 출시 하면서 얼굴 인증 기능이 모바일 단말로 빠르게 적용되고 있다. 또한, 카메라 성능의 발전과 모바일 단말기의 자체 성능이 향상되면서 영상을 처리할 수 있는 환경이 충족되었다.
본 논문에서는 얼굴 인증 시스템의 대표적인 알고리즘을 성능과 정확도의 평가기준에 따라 가장 적합한 얼굴 인증 알고리즘을 제시한다. 얼굴 인증 시스템을 크게 2가지 영역으로 나눌 수 있다. 영상정보에서 얼굴을 검출하는 얼굴 인식 영역과 인식된 얼굴이 등록된 사용자 인지 검증을 수행하는 얼굴 인증 영역이다. 얼굴 인식 영역에서는 Adaboost를 이용한 Haar-like feature 기반 알고리즘과 LBP(Local Binary Patterns) 기반 알고리즘을 비교 분석 하고, 얼굴 인증 영역에서는 LBPH(Local Binary Patterns Histogram) 기반 알고리즘, Eigenface 기반 알고리즘, Fisherface 기반 알고리즘을 비교 분석한다. 성능과 정확도 평가기준으로 적합한 얼굴 인식 및 인증 알고리즘을 제시하여 얼굴 인증 시스템 구현을 위한 선택 기준으로 활용하면 좋은 성능의 인증 시스템을 구현할 수 있을 것으로 기대된다.
Microsoft Azure
얼굴 인식 기술을 책임감 있게 사용
얼굴 인식 기술이 보편화됨에 따라 사용자와 개발자 모두 이 기술을 책임감 있고 윤리적으로 사용하도록 해야 합니다. 얼굴 인식 시스템은 단순한 기술이 아닙니다. 또한 얼굴 인식 기술에는 이를 사용할 사람, 적용 대상 및 배포 환경도 포함됩니다.
윤리적인 얼굴 인식 시스템을 만들려면 기술의 작동 방식, 기능 및 한계, 가장 정확한 결과를 얻는 방법에 대한 이해가 필요합니다. 그리고 얼굴 인식 솔루션을 구축할 때는 해당 솔루션이 반드시 신중하고 정중하게 설계 및 사용되어야 합니다.
Microsoft는 윤리적 AI의 발전을 위해 최선을 다하고 있습니다. 당사의 사람을 최우선으로 하는 책임감 있는 접근 방식에 대해 자세히 알아보세요.
[Python] 파이썬 OpenCV를 이용한 얼굴 인식
Jongwon Kim
과거 얼굴인식은 첩보영화나 CSI와 같은 드라마에서 범죄자를 찾는데 활용되는 신기술로 인식되었으나, 머신러닝과 하드웨어의 발전으로 이젠 일상에서 쉽게 접할 수 있게 되었습니다. 현재 얼굴인식 기술은 크게 탐지(Detection)과 인식(Identification)으로 나뉘고 있습니다. 페이스북이나 인스타그램에 사진을 업로드할때 얼굴을 찾아주는 탐지 기술, 아이폰 보안 기술로 활용되는 Face ID는 인식 기술이 아마 대표적이고 우리에게 친숙한 얼굴 인식 응용 기술이지 않을까 싶습니다. 이번 포스팅에서는 비교적 과거 기술이지만 간단하게 CPU에서도 연산이 가능한 얼굴 탐지 알고리즘 Cascading classifiers를 OpenCV를 이용하여 구현해보록 하겠습니다.
그림 1. 페이스북의 얼굴 인식(탐지) 기술
1. Haar Cascade 분류기 불러오기
import cv2 # 가중치 파일 경로 cascade_filename = ‘haarcascade_frontalface_alt.xml’ # 모델 불러오기 cascade = cv2.CascadeClassifier(cascade_filename)
OpenCV에서 기본 라이브러리로 제공하는 Haar Cascade는 기계학습을 이용한 객체 탐지 알고리즘입니다. CNN이나 RSTM 등의 신경망이 아닌, 하르 특징 (Haar Features) 계산을 통해 객체를 찾습니다. 사전 학습된 분류기 (haarcascade_frontalface_alt.xml) 를 로드한 뒤, cv2를 통해 분류기를 생성해줍니다.
haarcascade_frontalface_alt.xml 0.88MB
2. Test 영상 & 사진 불러오기
# 영상 파일 cam = cv2.VideoCapture(‘sample.mp4’) # 사진 파일 img = cv2.imread(‘sample.jpg’) # 영상 재생 def videoDetector(cam,cascade): while True: # 캡처 이미지 불러오기 ret,img = cam.read() # 영상 압축 img = cv2.resize(img,dsize=None,fx=0.75,fy=0.75) # 그레이 스케일 변환 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 사진 출력 def imgDetector(img,cascade): img = cv2.resize(img,dsize=None,fx=0.5,fy=0.5) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
영상 또는 사진 속 객체를 인식하기 위해, 기본 소스를 불러옵니다. Cascading classifiers는 gray scale (흑백 영상)으로 변환된 뒤, 특징맵 분류기에 입력되므로 cvtColor를 통해 영상 전처리를 진행합니다. 모든 과정은 openCV 함수를 사용하시면 되며 이전 포스팅을 참고하시면 보다 쉽게 이해하실 수 있습니다.
deep-eye.tistory.com/10
3. 얼굴 탐지 알고리즘 적용
# cascade 얼굴 탐지 알고리즘 results = cascade.detectMultiScale(gray, # 입력 이미지 scaleFactor= 1.5,# 이미지 피라미드 스케일 factor minNeighbors=5, # 인접 객체 최소 거리 픽셀 minSize=(20,20) # 탐지 객체 최소 크기 ) # 결과값 = 탐지된 객체의 경계상자 list for box in results: # 좌표 추출 x, y, w, h = box # 경계 상자 그리기 cv2.rectangle(img, (x,y), (x+w, y+h), (255,255,255), thickness=2)
detectMultiScale을 통해 객체 탐지 알고리즘을 실행해줍니다. 여기서 scaleFactor는 쉽게 말해, 그림 2와 같이 객체 탐지를 위해 이미지를 다양한 크기로 변형을 주는데 이때의 변화 정도율정도 생각하시면 될것같습니다. scaleFactor 값이 커지게 될경우, 큼직큼직하게 변화시켜가며 분석하기때문에 탐지 성공율은 떨어지지만, 연산량은 감소하게됩니다.
그림 2. 이미지 피라미드
4. 최종 응용 코드
# -*- coding: utf-8 -*- “”” Created on Wed Nov 4 @author: jongwon Kim Deep.I Inc. “”” import cv2 import timeit # 영상 검출기 def videoDetector(cam,cascade): while True: start_t = timeit.default_timer() # 알고리즘 시작 시점 “”” 알고리즘 연산 “”” # 캡처 이미지 불러오기 ret,img = cam.read() # 영상 압축 img = cv2.resize(img,dsize=None,fx=1.0,fy=1.0) # 그레이 스케일 변환 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # cascade 얼굴 탐지 알고리즘 results = cascade.detectMultiScale(gray, # 입력 이미지 scaleFactor= 1.1,# 이미지 피라미드 스케일 factor minNeighbors=5, # 인접 객체 최소 거리 픽셀 minSize=(20,20) # 탐지 객체 최소 크기 ) for box in results: x, y, w, h = box cv2.rectangle(img, (x,y), (x+w, y+h), (255,255,255), thickness=2) “”” 알고리즘 연산 “”” # 알고리즘 종료 시점 terminate_t = timeit.default_timer() FPS = ‘fps’ + str(int(1./(terminate_t – start_t ))) cv2.putText(img,FPS,(30,30),cv2.FONT_HERSHEY_SIMPLEX,1,(255,255,255),1) # 영상 출력 cv2.imshow(‘facenet’,img) if cv2.waitKey(1) > 0: break # 사진 검출기 def imgDetector(img,cascade): # 영상 압축 img = cv2.resize(img,dsize=None,fx=1.0,fy=1.0) # 그레이 스케일 변환 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # cascade 얼굴 탐지 알고리즘 results = cascade.detectMultiScale(gray, # 입력 이미지 scaleFactor= 1.5,# 이미지 피라미드 스케일 factor minNeighbors=5, # 인접 객체 최소 거리 픽셀 minSize=(20,20) # 탐지 객체 최소 크기 ) for box in results: x, y, w, h = box cv2.rectangle(img, (x,y), (x+w, y+h), (255,255,255), thickness=2) # 사진 출력 cv2.imshow(‘facenet’,img) cv2.waitKey(10000) # 가중치 파일 경로 cascade_filename = ‘haarcascade_frontalface_alt.xml’ # 모델 불러오기 cascade = cv2.CascadeClassifier(cascade_filename) # 영상 파일 cam = cv2.VideoCapture(‘sample.mp4’) # 이미지 파일 img = cv2.imread(‘sample.jpg’) # 영상 탐지기 videoDetector(cam,cascade) # 사진 탐지기 # imgDetector(cam,cascade)
지난 포스팅에서 다룬 FPS 측정 알고리즘을 추가로 응용해봤습니다. i7 칩셋에서도 scaleFactor 값을 1.05 정도로 낮춰주면 프레임 드랍이 10 ~ 20 정도로 심하게 발생합니다. 간단한 어플리케이션에서는 활용도가 높을 수 있겟지만 보다 높은 검출율이 요구된다면 신경망을 적용한 최신 기법으로 활용해야할 것같습니다. 다음 포스팅에서는 성별, 나이 분류기를 통해 탐지된 얼굴을 기반으로 추정해보도록 하겠습니다.
deep-eye.tistory.com/15
그림 3. 얼굴 탐지 알고리즘 테스트 영상
FaceDetector.zip 4.65MB
5. 참고
http://docs.opencv.org/4.1.0/d7/d8b/tutorial_py_face_detection.html
www.pyimagesearch.com/2018/02/26/face-detection-with-opencv-and-deep-learning/
6. 나이&성별 예측기
deep-eye.tistory.com/46
키워드에 대한 정보 얼굴 인식 알고리즘
다음은 Bing에서 얼굴 인식 알고리즘 주제에 대한 검색 결과입니다. 필요한 경우 더 읽을 수 있습니다.
이 기사는 인터넷의 다양한 출처에서 편집되었습니다. 이 기사가 유용했기를 바랍니다. 이 기사가 유용하다고 생각되면 공유하십시오. 매우 감사합니다!
사람들이 주제에 대해 자주 검색하는 키워드 인공지능으로 얼굴 인식을 해보자- Python
- 개발
- 인공지능
- 파이썬
- 이미지처리
- python
- ai
- imageprocessing
- deeplearning
- machinlearning
- facerecognition
- facedetection
- facetracking
- 얼굴인식
인공지능으로 #얼굴 #인식을 #해보자- #Python
YouTube에서 얼굴 인식 알고리즘 주제의 다른 동영상 보기
주제에 대한 기사를 시청해 주셔서 감사합니다 인공지능으로 얼굴 인식을 해보자- Python | 얼굴 인식 알고리즘, 이 기사가 유용하다고 생각되면 공유하십시오, 매우 감사합니다.
