[ITFIND] 인공지능과 얼굴 정보 처리 기술

 

 

- 출처: [ITFIND] 인공지능과 얼굴 정보 처리 기술 - 박종빈, 이지현님

 

file243508928142326745-198902.pdf

1.85MB

 

 

III. 얼굴 정보 처리 기술의 최신 연구개발 동향

 

 

- 얼굴 정보 처리 관련 주요 기술

 

 

- 이와 같은 얼굴 정보 처리 기술은 인공지능 기술, 계산력 향상, 충분한 네트워크 대역폭, 이동 단말 환경의 확산, 방대한 데이터를 지속해서 수집하는 플랫폼 환경의 등장에 힘입어 더욱 가속 발전하고 있으며 모니터링, 출입통제, 생체인증 등의 여러 분야에 활용되고 있다.

 

 

1. 얼굴 영역 검출 기술

 

- 아래 그림과 같이 입력된 영상에서 얼굴의 위치를 추출하는 기술로서, 영상 내부의 특정 영역이 “얼굴 영역인가?”, “얼굴 영역이 아닌가?”를 판별하는 분류 (Classification) 문제에 해당한다.

 

 

- 부스팅 기반의 하르 캐스케이드 분류기(Boosted Haar cascade classifier)에 의한 Viola-Jones의 방법이 성능과 연산량 측면에서 양호하여 널리 알려짐

 

- 그래디언트의 히스토그램을 이용하는 HOG(Histogram of oriented gradients),

 

- 딥러닝 기법을 이용하는 MTCNN (Multi-task cascaded CNN),

 

- Mobilenet-SSD,

 

- YOLO-Face

와 같은 방법들이 제안되어 작은 크기의 얼굴, 다양한 환경 및 조건에서도 안정적으로 얼굴을 검출하고 있다.

 

- 종래에는 사각형 형태의 바운딩 박스(Bounding box)를 찾는 것이 목표였으나 점차 객체 영역을 보다 섬세하게 분할(Segmentation)하거나 3차원 공간상에서의 방향과 위치 정보도 함께 추출하는 방향으로 기술이 진화하고 있다.

 

 

2. 얼굴 인식 기술

 

- 입력된 얼굴 사진이 누구의 얼굴인지를 알아내는 기술이다.

 

- 구체적으로는 질의(Query)에 해당하는 영상 정보(q)가 입력되었을 때, 탐색 공간(Search space) 혹은 갤러리(Gallery)에 해당하는 집합(S) (단, S={s1,s2,…si,…sN}, i∈{1, 2, … N}, N은 2 이 상의 자연수)의 각 원소(element)와 질의 영상 정보(q) 간의 상호 유사도를 비교하여 가장 일치하거나 임계값을 기준으로 범위에 포함되는 영상들을 얻어내는 과정으로 정의할 수 있다.

 

- 핵심은 유사도를 계산하는 방법에 있다고 할 수 있는데 계산된 유사도 값이 얼굴 인식의 성능을 높이는 데 도움이 되어야 하고, 저장 및 전송을 고려하여 정보는 많이 유지 하면서 차원은 축소시키는 것이 바람직하며, 유사도 비교를 위한 연산량도 적을수록 좋다.

 

- 딥러닝을 이용하는 최근의 방법들도 종래의 "PCA(Principle Component Analysis)와 ICA(Independent Component Analysis)"와 유사한 방법을 사용하는데, 오토인코더(Autoencoder)와 같은 인공신경망도 낮은 차원의 벡터로 얼굴 정보를 임베딩(Embedding)하여 차원을 축소한다.

 

- 스마트 단말에 저장된 사진을 분류하거나, 특정 인물의 인식/재인식 분야 등에 활용되고 있다.

 

 

3. 얼굴 복원 기술

 

- 얼굴 부분에 훼손이나 왜곡이 생겼을 때 이를 복원하기 위해 사용하는 기술이다.

 

- 일례로 야간이나 어두운 날에 촬영되어 광량이 부족하거나 노이즈가 많은 경우, 원거리에서 촬영되어 얼굴을 표현하는 화소 수가 희소한(Sparse) 경우, 얼굴이 마스크, 안경, 모자 등으로 가려진 경우 등을 대표적으로 고려할 수 있다.

 

- 노이즈 제거 기술, 적은 화소로 표현된 영상을 크게 확대하는 업 스케일링(Up-scaling)이나 슈퍼레졸 루션(Super resolution) 기술, 영상의 가려진 일부를 복원하는 이미지 인페인팅(Image inpainting) 기술 등이 꾸준히 연구되어 왔다.

 

- 최근에는 이런 종래의 영상처리 기술들을 오토인코더(Autoencoder), 변이형 오토인코더(VAE, Variational Autoencoder), 생성적 적대 신경망(Generative Adversarial Network)과 같은 딥러닝 기법을 사용하여 전통적인 신호처리 기술의 어려움과 한계를 극복하고 있다.

 

 

IV. 시장 동향, 서비스 동향 및 이슈

 

1. 국내외 시장 동향 요약

 

- 17.1%의 연평균 성장률을 보이고, 중국, 싱가포르, 한국 등 아시아 국가에서 가장 높은 성장률을 보일 것이라고 예상[MarketsandMarkets의 보고서(2020)]

 

- 코로나 사태를 분기점으로 얼굴 인식 과 같은 비대면 기술의 요구는 더욱 커질 것으로 전망

 

 

2. 응용 서비스 동향

 

- 얼굴 정보 처리 기술의 활용 및 서비스 사례