컴퓨터 비전에서의 얼굴 인식 및 식별

튜토리얼
OpenCV

기계 학습 및 AI 기술의 신속한 발전으로 컴퓨터 비전 분야에서 물체 감지와 인식에 상당한 진전이 이루어졌다. 그러나 사람들의 유머와 즐거움을 인식하는 시스템을 만드는 것은 코미디와 엔터테인먼트가 주관적이며 개인의 취향과 문화적 맥락에 기반하기 때문에 프로그래머들에게 여전히 어려운 문제이다. 따라서 개인이 어떤 것을 웃기거나 즐겁게 여기는지 정확하게 판단하는 시스템을 만드는 것은 까다로운 일이다.

그러나 얼굴 인식 및 식별의 컴퓨터 비전 기술은 상당한 진전을 이루었으며, 보안, 감시 및 생체 인식과 같은 다양한 응용 분야에서 널리 사용되고 있다. 얼굴 인식 기술은 주로 얼굴 특징을 분석하고 알려진 얼굴 데이터베이스와 비교하여 개인을 식별한다. 얼굴 식별은 사람의 얼굴을 그들의 신원과 일치시키는 것이다. 눈 사이의 거리, 코 곡선 및 턱선의 각도와 같은 얼굴 특징을 추출하여 독특한 얼굴 서명을 생성하는 알고리즘을 사용한다.

얼굴 인식 및 식별 기술

얼굴을 인식하고 식별하는 다양한 방법이 있지만, 이 튜토리얼에서는 세 가지 기술에 중점을 두고 이점과 단점을 개요로 설명할 것이다.

1. 템플릿 기반 접근 방식

먼저, 템플릿 기반 접근 방식은 대상 얼굴의 특징을 템플릿 또는 참조 이미지의 얼굴 특징과 비교합니다. 템플릿 이미지는 눈, 코, 입의 위치와 그 사이의 거리 등 여러 얼굴 특징을 포함하고 있습니다. 이 기술은 대상 얼굴을 템플릿 이미지와 비교하여 일치 여부를 확인합니다. Eigenfaces는 가장 일반적인 템플릿 기반 방법 중 하나로, 주성분 분석(PCA)을 사용하여 얼굴 이미지의 차원을 줄이고 가장 관련성이 高的특징을 추출합니다.

장점

  • 고품질의 템플릿으로 매우 정확함
  • 조명 변화와 표정 변화에 대응 가능

단점

  • 정확한 결과를 위해 고품질의 템플릿이 필요함
  • 계산 비용이 많이 들 수 있음

2. 특징 기반 접근 방식

둘째로, 특징 기반 기술은 눈의 모양, 눈썹 사이의 거리, 입의 곡률과 같은 얼굴의 특징을 추출합니다. 그런 다음 이러한 특징을 알려진 얼굴 데이터베이스의 특징과 비교하여 대상 얼굴을 식별합니다. 대표적인 특징 기반 기술의 예로는 로컬 이진 패턴(LBP)과 스케일 불변 특징 변환(SIFT)이 있습니다.

장점

  • 상대적으로 빠르고 효율적임
  • 저해상도 이미지에서도 작동함

단점

  • 가변적인 조명 조건에서 작동하지 않을 수 있음
  • 표정이나 포즈 변화에 강인하지 않을 수 있음

3. 딥 러닝 기반 접근법

마지막으로, 딥 러닝 기반 접근법은 심층 신경망을 사용하여 얼굴 이미지로부터 특징을 직접 학습합니다. 네트워크는 얼굴 인식과 관련된 패턴과 특징을 식별하기 위해 얼굴 이미지의 많은 데이터셋에서 훈련됩니다. 전형적인 딥 러닝 기반 방법의 예로는 합성곱 신경망(CNN)과 사이암 네트워크가 있습니다.

장점

  • 많은 데이터셋으로 높은 정확도를 달성합니다
  • 얼굴 표정과 포즈의 변화를 처리합니다

단점

  • 많은 양의 훈련 데이터가 필요합니다
  • 계산적으로 비용이 많이 듭니다

주의: 얼굴 인식 및 식별을 위한 여러 기술이 있습니다.

파이썬과 OpenCV를 사용한 얼굴 인식 및 식별

OpenCV와 같은 강력한 라이브러리의 가용성과 기계 학습 알고리즘의 발전으로 인해 파이썬을 사용하여 얼굴 인식 및 식별 시스템을 개발하는 것이 지금까지 쉬워졌습니다. OpenCV는 얼굴 인식 작업에 특히 유용한 얼굴 감지, 특징 추출 및 일치를 위한 다양한 기능과 도구를 제공합니다. 또한 얼굴 감지를 위한 Haar Cascades 분류기 및 감지된 얼굴에 레이블을 지정하기 위한 VGG 또는 ResNet과 같은 미리 만들어진 모델을 제공합니다.

OpenCV는 에지페이스, 피셔페이스 및 로컬 바이너리 패턴 히스토그램(LBPH)과 같은 다양한 얼굴 레이블링 모델을 제공합니다. 이러한 모델을 훈련시켜 특정 개인을 식별하기 위해 해당 개인의 이미지를 제시합니다. 에지페이스는 주성분 분석(PCA)을 사용하여 작은 부분으로부터 얼굴 이미지를 구성하는 반면, 피셔페이스는 선형 판별 분석(LDA)을 활용하여 얼굴을 구별합니다. LBPH는 얼굴의 질감을 알려진 얼굴과 비교합니다.

얼굴 식별

의존성 가져오기

필요한 라이브러리를 가져옵니다.

Python

  

import numpy as np
import cv2
import matplotlib.pyplot as plt
from IPython.display import Image

from google.colab import drive
drive.mount('/content/drive')

사전 훈련된 모델 및 이미지 로드

OpenCV는 얼굴을 포함한 다양한 객체를 감지할 수 있는 사전 훈련된 `하아 캐스케이드 분류기` 세트를 제공합니다. `cv2.CascadeClassifier`는 하아 캐스케이드 분류기를 나타내는 클래스입니다. cv2.data.haarcascades는 사전 훈련된 모델이 포함된 디렉토리의 경로입니다. `haarcascade_frontalface_default.xml`은 사전 훈련된 얼굴 감지 모델을 포함하는 파일입니다. 이 모델은 GitHub에서 무료로 다운로드할 수 있습니다.

Python

  

# 사전 훈련된 얼굴 감지 모델 로드
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

입력 이미지 `image1.jpg`를 OpenCV의 `imread()` 함수를 사용하여 선택한 이미지로 로드합니다. 그런 다음 OpenCV의 `cvtColor()` 함수를 사용하여 이미지를 흑백으로 변환합니다. 얼굴 감지 알고리즘에 흑백 이미지가 필요합니다.

Python

  

# 이미지를 불러와 흑백으로 변환
img = cv2.imread('/content/drive/MyDrive/Face Detection/image1.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 이미지 표시 
plt.imshow(gray)

다음 줄은 CascadeClassifier 클래스의 detectMultiScale() 메소드를 사용하여 흑백 이미지에서 얼굴을 감지합니다. detectMultiScale() 메소드는 다음 인수를 취합니다:

`gray`: 흑백 이미지

`scaleFactor`: 각 이미지 스케일에서 이미지 크기가 얼마나 줄어들지를 지정하는 매개변수입니다. 1.3의 값은 각 스케일에서 이미지가 30% 감소한다는 것을 의미합니다.

`minNeighbors`: 각 후보 사각형이 유지되기 위해 몇 개의 이웃이 있어야 하는지를 지정하는 매개변수로, 높은 값은 더 적은 검출이지만 더 높은 신뢰도를 나타냅니다.

detectMultiScale() 메소드는 검출된 얼굴이 있는 사각형 목록을 반환합니다. 각 사각형은 사각형의 좌상단 좌표 `(x,y)`와 너비 `w`, 높이 `h`를 나타내는 네 개의 정수 튜플 `(x,y,w,h)`를 나타냅니다.

Python

  

# 흑백 이미지에서 얼굴 감지
faces = face_cascade.detectMultiScale(gray, 1.3, 5)

얼굴 영역에 사각형 그리기

감지된 얼굴 주변에 사각형을 그리는 루프를 만들어 보겠습니다. cv2.rectangle() 함수는 다음 인수를 취합니다:

`img`: 원본 이미지.    

`(x,y)`: 사각형의 좌상단 좌표.    

`(x+w,y+h)`: 사각형의 우하단 좌표.    

`(255,0,0)`: RGB 형식으로 그려진 사각형의 이진 색상을 나타냅니다. (255,0,0)은 파란색을 나타냅니다.

`5`: 사각형 테두리의 두께(픽셀 단위).

Python

  

# 감지된 얼굴 주변에 사각형 그리기
for (x,y,w,h) in faces:

    cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),5)

# 사각형을 그린 후의 이미지 표시


# 감지된 얼굴이 있는 이미지 표시

plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))

plt.show()

# 이름으로 감지된 이미지 저장
cv2.imwrite('detected_image.jpg', img)

# 저장된 이미지가 존재하는지 확인
detected_image=cv2.imread("detected_image.jpg", 1)
gray_channels_reversed = detected_image[:, :, ::-1]
plt.imshow(gray_channels_reversed)

얼굴 인식

위와 같은 설명은 하지 않고, 위에서 저장된 감지된 이미지를 사용하여 모델이 식별을 위해 작동하는지 확인하기 위해 감지를 위해 다른 이미지를 제공합니다.

종속성 가져오기

Python

  

import numpy as np
import cv2
import matplotlib.pyplot as plt
import dlib
from imutils import face_utils
from scipy.spatial.distance import cosine
from sklearn.metrics.pairwise import cosine_similarity

얼굴 감지 모델과 표적 얼굴 감지기 로드

`dlib.get_frontal_face_detector()` 함수는 이미지에서 인간 얼굴을 감지할 수 있는 사전 훈련된 얼굴 감지 모델을 반환합니다. 자세한 내용은 dlib.net 함수를 확인하십시오. 또한 표적 감지기를 다운로드하십시오.

Python

  

# 얼굴 감지 모델과 표적 얼굴 감지기 로드
face_detector = dlib.get_frontal_face_detector()
landmark_detector = dlib.shape_predictor('/content/drive/MyDrive/Face Detection/shape_predictor_68_face_landmarks_GTX.dat')

# 감지된 이미지 로드 

img1 = cv2.imread('/content/drive/MyDrive/Face Detection/detected_image.jpg')
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)


# 이미지의 얼굴과 표적 얼굴 감지
rects1 = face_detector(gray1, 1)
landmarks1 = landmark_detector(gray1, rects1[0])
landmarks1 = face_utils.shape_to_np(landmarks1)

# 이전에 로드된 이미지와 비교하기 위해 다른 이미지 로드
img2 = cv2.imread('/content/drive/MyDrive/Face Detection/001_d3323f3c.jpg')
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

  

### 모델 매개변수 설정

# 두 번째 이미지의 얼굴과 얼굴 랜드마크 감지

rects2 = face_detector(gray2, 1)

landmarks2 = landmark_detector(gray2, rects2[0])

landmarks2 = face_utils.shape_to_np(landmarks2)

# 얼굴 랜드마크 사이의 유클리드 거리를 계산하여 두 이미지의 특징 추출

features1 = np.zeros(68)

features2 = np.zeros(68)

for i in range(68):

    features1[i] = np.linalg.norm(landmarks1[i] - landmarks1[0])

    features2[i] = np.linalg.norm(landmarks2[i] - landmarks2[0])

#### 유사성으로 학습

# 두 특징 벡터 사이의 코사인 유사도 계산

score = cosine(features1, features2)

# 점수가 특정 임계값(예: 0.5) 이하인지 확인하여 두 얼굴이 일치하는지 판단

if score < 0.5:

    print("The model did not recognize Joseph in one or both of the images..")

else:

    print("The model recognized Joseph in both images.")

결론

이 튜토리얼에서는 Python OpenCV를 사용한 얼굴 인식 및 식별을 학습하였으며, 그 작동 방식, 사용 사례 및 구현 방법에 대해 알아보았습니다. 이 프로젝트의 코드는 GitHub 저장소에서 접근할 수 있습니다.

Source:
https://dzone.com/articles/facial-recognition-and-identification-in-computer