딥러닝 기반 포즈 변화에 강인한 귀 인식 연구 (Deep Learning based Pose-invariant Ear Recognition)

서지정보

· 발행기관 : 대한전자공학회
· 수록지 정보 : 전자공학회논문지 / 56권 / 8호 / 47 ~ 55페이지
· 저자명 : 박현정, 남기표, 김익재

초록

최근 개인 고유의 생체적 특징을 활용하여 신원을 식별하는 생체 인식 기술로서 귀 인식 연구가 주목받고 있다. 또한 다양한 생체 인식 분야에서 딥러닝을 기반으로 포즈 및 조명 변화, 가림 등이 존재하는 비제약적 환경에서의 인식 성능 고도화가 이루어지면서 귀 인식 분야에서도 딥러닝 기반 연구가 진행되고 있다. 하지만 딥러닝 모델 학습에 필수적인 대규모 데이터베이스에 대한 부재와 귀 특성을 고려한 관련 연구가 아직 초기 단계로, 인식 성능에 한계가 존재한다. 이를 개선하기 위하여 본 논문에서는 비제약적 환경 기반 귀 인식 연구에 활용 가능한 K-Ear 데이터베이스를 구축하였다. K-Ear 데이터베이스는 정면으로부터 60°까지의 포즈 변화와 조명 변화, 일부 가림 등이 존재하는 다양한 환경의 귀 영상을 포함한다. 그리고 이를 활용하여, 포즈 변화에 따라 인식 성능이 저하되는 문제를 개선하기 위한 딥러닝 기반 귀 인식 모델을 제안한다. 제안하는 모델은 귀의 형태 등 고유한 특성을 고려하기 위한 전처리로 입력 영상에 zero padding을 수행하고 인식 성능 향상을 위해 VGG-16과 ResNet50 모델 기반 특징 추출 및 스코어 레벨 기반 앙상블 기법을 활용한다. 실험 결과를 통해 제안하는 귀 인식 모델이 단일 모델 활용 대비 극심한 포즈 변화에서 Rank-1 기준 30% 이상 성능이 향상되는 것을 확인하였다.

영어초록

Recently, ear recognition has been getting attention as a biometrics to identify an individual. According to significant enhancement of the recognition performance based on deep learning in the various fields of biometrics, a lot of deep learning-based approaches has been studied in ear recognition. However, there is a limit to improve the performance because of some issues such as the lack of large-scale ear databases and non-consideration of the characteristics for ears. To overcome these problems, this paper introduces a new database, called the K-Ear database, that can be used for research of ear recognition in unconstrained environment. The K-Ear database includes ear images of various environments such as pose changes from the front of a ear to 60°, illumination changes, and the partial occlusion by accessories. This paper also proposes a deep learning-based ear recognition model robust to pose variation by using the K-Ear database. To consider the characteristics of an ear, this paper performs the zero padding as a preprocessing on the input image. VGG-16 and ResNet50 model was utilized, to extract the feature vector. Finally, score level ensemble is performed to enhance the performance. Experimental results show that the proposed method is superior to the single model by more than 30% based on rank-1 accuracy in extreme pose variation.

참고자료

· 없음