오류 역전파 알고리즘-안면인식 알고리즘

목차

1. 서　 론
　1.1 프로젝트 목적
　1.2 프로젝트 계획
2. 본　 론
　2.1 뉴럴 네트워크
　2.2 다층 퍼셉트론
　2.3 역전파 알고리즘
　2.4 오류 역전파를 이용한 학습 프로그램
　2.5 안면인식 알고리즘의 개요
　2.6 안면인식 알고리즘의 특징
　2.7 안면인식 시스템의 구성단계
　2.8 퍼지네트워크와 신경회로망을 이용한 알고리즘의 특징
3. 결　 론

본문내용

+1,out[patNum],outPred,outPredt);
}
displayResults();
system("PAUSE");
return 0;
}
2.5 안면인식 알고리즘의 개요
얼굴을 생체정보로 사용하는 얼굴인식기술은 다른 생체정보를 사용하는 인식방법
에 비해 사용자의 무자각성을 가지기 때문에 사용에 있어서 불편함이나 거부감이
최소화 되며, 최종적으로 가장 이상적인 보안 솔루션으로 인식된다. 얼굴인식방법이
가장 이상적인 인식방법임에도 불구하고 인간이 가지는 얼굴정보의 다양성으로 인
해 타 생체정보기반의 인식방법에 비해 강인성 및 인식률이 떨어지는 단점이 있다.
얼굴인식 기술은 기본적으로 얼굴검출, 얼굴인식의 두 단계의 과정을 거쳐 이루어
지며, 얼굴검출은 인식의 전처리 단계로서 정확한 얼굴 영역의 추출을 통해 인식기
의 학습 및 분류 작업의 기반이 되기에 실제 인식기의 인식률에 가장 크게 영향을
미친다. 최근에 얼굴영상에 대한 학습을 이용한 방법이 각광을 받고 있는데, 그중
에서도 사람이 직접 입력신호에 대한 답을 제시하는 지도학습(supervised learning)
기법보다 입력신호로부터 자동으로 패턴을 학습하는 자율학습(unsupervised
earning) 기법들이 많이 쓰이고 있다. 자율 학습의 대표적인 방법론은
PCA(Principal Componet Analysis) 기법이 있으며, 이 방법은 중복신호 제거의 효
과가 있고, 뇌의 시각 기능을 잘 반영하며 다른 방법에 비해 높은 인식률을 얻을
수 있는 장점이 있고, 현재 상용화되어 쓰이는 대부분의 얼굴인식 법이 이를 채택
하고 있다. 얼굴인식의 알고리즘은 기하학적 특징기반 방법(Geometric
Feature-Based Methods), 템플릿기반 방법(Template-Based Methods), 모델기반
방법(Model Based Methods)이 있다.
2.6 안면인식 알고리즘의 특징
※ 장점
- 사용자의 편의성 측면에서 가장 탁월한 시스템
- 값비싼 생체정보 입력장치를 필요하지 않음(비디오 및 PC카메라 사용)
- 지문이나 홍채같은 다른 인식장치들이 훨씬 정밀함에도 불구하고 이용자들에게
거부감 없이 자연스럽고 직관적으로 보이기 때문에 주요한 연구개발 대상
- 대상자로 하여금 자신이 검사당하고 있다는 사실을 전혀 눈치채지 못하게 할 수 있음
※ 단점
- 조명이나 카메라의 거리등에 따라 인식률이 변함
- 얼굴의 각도, 표정, 나이에 따라 안면의 모양은 계속 변하기 때문에 실용화하기 어려움
- 수염, 눈썹, 안경 및 화장 등과 같은 외관의 변형에 따른 문제점 발생
2.7 안면인식 시스템의 구성단계
2.8 퍼지네트워크와 신경망을 이용한 알고리즘의 특징
- 신경회로망 회로의 입력으로 픽셀의 밝기 값 대신 퍼지 소속 함수를 사용
- 신경회로망만을 이용한 방법보다 성능은 향상되나 처리속도는 떨어짐
※ 신경회로망만을 이용한 알고리즘의 특징
- 흑백의 정지영상에서 슬라이딩 윈도우를 이용해 학습의 얼굴모양 검색
- 두 개 이상의 다수 얼굴의 추출도 가능하나 속도가 느리며 학습이 어려움.
※ 결과 데이터
※ 데이터 결과 그래프
※ 테스팅 평균 오차 변화
3.결론
영상인식 시스템은 영상을 구분해서 알아보는 시스템을 말한다. 영상인식의 경우 인식과정은 인식하고하는 영상을 카메라로 받아 그것을 적절히 처리(주로 명암의 극격한 변화를 사용한다)영상속의 여러 가지 물체들의 외곽선을 뽑아낸다.
이와 같이 뽑아낸 외관선들은 마치 우리가 연필로 그린 스케치와 유사한 형태가 되는 여러 가지 기하학적 특징들(수직선, 수평선, 사선, 곡선, 교차점등)을 찾아내고 그것들의 관계를 파악한다. 끝으로 이렇게 얻어진 특징 및 관계 자료와 시스템이 가지고 있는 자료들을 비교하여 그 물체가 무엇인지를 판단해 낸다.
우리는 일정한 데이터를 교수님께 받아서 트레이닝을 하고 그 값과 같은 영역을 가진 값으로 테스팅을 하였다. 트레이닝을 할 때 우리는 오류역전파 알고리즘을 이용했다. 오류역전파에는 단층과 다층이 있는데 우리는 오류를 더 줄이기 위해서 다층 퍼셉트론을 사용했다.오류역전파 알고리즘을 사용하면 연결가중치 값이 바뀌게 되는데 그 값이 바뀜에 따라 실제로 프로그램을 돌린 값과 우리가 원하는 값의 오차가 줄어듬을 알 수 있다. 그 연결가중치 값에 태스팅 값을 넣어주면 우리가 원하는 값이 나오게 된다.
설계 구성요소 및 제한요소
1. 주제 : 3차원 안면인식 프로그램 설계
2. 목표 : 기본적인 모델은 안면인식 프로그램으로, 뉴럴 네트워크로 구성할 수 있는 오류역전파 알고리즘을 통해 구성할 수 있다. 안면인식 프로그램 완성을 통해 사전적인 예방 보안을 목표로 두고 있다.
3. 설계 구성요소
1) 합성 : 안면인식 프로그램 설계에 필요한 것으로는 학습에 필요한 뉴럴 네트워크로 구성할 수 있는 오류역전파 알고리즘, 그리고 이것을 바탕으로 비주얼 C++ 프로그램이 사용된다.
2) 분석 : 오류역전파 알고리즘을 이용하여 C++프로그램을 설계하였기 때문에 주어진 조건에 대한 학습이 이루어 지고 오차를 줄일 수 있게 된다. 즉 오류역전파 알고리즘의 학습 방법에 따라 입력패턴에 따른 은닉층의 수와 학습패턴의 횟수를 통해 오차를 줄이게 된다.
4. 설계 제한요소
1) 원 가 : 조원당 5만원으로 한정되어 있으나, 경제적인 면으로 봤을 때 프로그램 설계상 5만원 이하로 비용절감이 가능하여 예산보다 적게 구현이 가능하다.
2) 안정성 : 3차원 안면인식이기 때문에 외면의 변화에 따른 오차가 생기지 않게 되어 더욱 정확한 결과값을 얻을 수 있다. 그리고 실질적으로 소프트웨어만을 설계하였기 때문에 주어진 값에 대한 동작도 안전하다.
3) 신뢰성 : 오류역전파 알고리즘을 기반으로 프로그램를 설계하여, 오류에 대한 지속적인 학습을 통해 오차율을 많이 낮출 수 있다. 그러나 현재 테스팅 값이 원하는 결과치보다 조금 오차가 높게 나오고 있다.
4) 내구성 : 오류역전파 알고리즘을 기반으로 프로그램를 설계하여, 지속적인 학습을 통한 오차율을 줄일 수는 있지만, 학습이 완료되기까지 많은 시간이 걸린다는 점과 추가학습시재학습이 필요하다는 제한요소도 있다.

키워드

오류,   역전파,   알고리즘,   안면인식,   뉴럴 네트워크,   안면인식 알고리즘