강인한 얼굴 추적을 위한 개선된 다중 인스턴스 학습 프레임워크

Abstract

얼굴 추적을 위해서는 얼굴을 배경과 구분 할 수 있는 외형모델의 학습이 필요하다. 지속적인 외형변화에 대응하기위해 최근의 영상 추적알고리즘들은 온라인 학습을 통해 얼굴의 외형을 계속하여 학습한다. 하지만 얼굴의 위치를 정확히 찾지 못할 경우 잘못된 얼굴의 외형을 학습하게 된다. 최근에는 예측된 얼굴에 잡음이 있다고 가정하는 다중 인스턴스 학습 (Multiple Instance Learning)을 통해 이를 극복하는 시도가 이루어졌다. 그러나 기존의 방법들은 두 가지 문제를 가지고 있다. 첫 째로 특징 표현 방법이 얼굴의 지역적 특성을 수식하고 가려짐 문제에 대응하는데 부족하다. 두 번째로 매 프레임 얼굴 외형을 학습하기 때문에 얼굴이 시야에서 벗어난 경우 배경의 외형을 얼굴로 학습하게 된다. 우리는 이 문제를 해결하는 방법으로 개선된 특징표현과 얼굴 검출기를 통해 얻은 신뢰도를 다중 인스턴스 학습에 이용하는 방법을 제안한다. 벤치마크 데이터를 이용한 실험을 통해 우리는 제안하는 방법이 기존의 방법들보다 얼굴 추적을 하는데 우수함을 검증한다.| Conventional face tracking algorithms assume that the target object always exists in consequential frames. Due to the assumption, these algorithms fail to track the target object when occlusion occurs. To tackle such problem, we generate the Random Rectangle features in the regularly divided sub-regions. In addition, we employ standard Viola-Jones detector to prevent to learn the false-positives. By combining these methods in the Multiple Instance Learning with confidence related adaboost, we significantly improve the tracking performance. In this paper, we quantitatively evaluate the proposed face tracking algorithm using benchmark data sets. The experimental results demonstrate that the proposed method is effective for tracking face.; Conventional face tracking algorithms assume that the target object always exists in consequential frames. Due to the assumption, these algorithms fail to track the target object when occlusion occurs. To tackle such problem, we generate the Random Rectangle features in the regularly divided sub-regions. In addition, we employ standard Viola-Jones detector to prevent to learn the false-positives. By combining these methods in the Multiple Instance Learning with confidence related adaboost, we significantly improve the tracking performance. In this paper, we quantitatively evaluate the proposed face tracking algorithm using benchmark data sets. The experimental results demonstrate that the proposed method is effective for tracking face.