[Computer Vision] Face Recognition (얼굴 인식) LBPH 분류기 학습 / 인공지능사관학교 4기

LBPH 분류기 학습을 배우다. (광주, 인공지능, 과학기술정보통신부, 광주광역시)

---

1. LBPH 분류기 학습

LBPH 분류기를 학습시키기 전에 이 분류기의 학습과정을 알아보자. 

LBPH 분류기는 이미지를 작은 정사각형(셀)으로 나누고  각 정사각형에 특정 조건을 적용해서 이진값을 생성한다. 최종 목표는 작은 정사각형마다 하나의 히스토그램을 그리는 것이다. 히스토그램을 그리는 이유는 히스토그램을 이용해서 얼굴을 비교할 때 사용하기 때문이다. 따라서 각 얼굴마다 히스토그램 SET를 가지고 있다. 새로운 이미지를 분류기에 넣으면 새로운 히스토그램 SET가 생성되는데, 생성된 히스토그램을 학습 시 저장된 모든 히스토그램과 비교한다. 알고리즘의 학습 과정은 각 클래스에 관한 히스토그램을 생성하고 파일로 저장한다. 파일은 저장된 히스토그램과 분류하고자하는 새 이미지의 히스토그램을 비교할 때 사용한다.

---

1 - 1. 분류기 학습

# x그리드, y그리드 default 8 (8행 8열로 이루어져있다)
lbph_classifier = cv2.face.LBPHFaceRecognizer_create()
lbph_classifier.train(faces, ids)
lbph_classifier.write('lbph_classifier.yml') # 분류기를 저장할 때 기본 형식인 yml
# 파일에는 이미지마다 64 히스토그램이 저장되어 있다. => 8행 8열 이니까

위 코드는 분류기를 생성하고 학습시키는 코드이다. 각 얼굴의 픽셀정보와 클래스로 학습한다. 그리고 학습된 분류기를 파일로 저장한다. lbph_classifier.yml 파일에는 이제 학습된 분류기 정보가 담겨있다.

 

lbph_face_classifier = cv2.face.LBPHFaceRecognizer_create()
lbph_face_classifier.read("/content/lbph_classifier.yml")

새로운 변수에 새로운 분류기를 생성하고 미리 학습시켜둔 분류기 파일을 새로운 분류기가 읽도록하여 새로운 분류기가 학습되게끔 한다.

---

1 - 2. 테스트 이미지 예측

paths = [os.path.join('/content/yalefaces/test', f) for f in os.listdir("/content/yalefaces/test")]
predictions = []
expected_outputs = []
for path in paths:
  # 각 테스트 이미지의 경로 path
  image = Image.open(path).convert("L")
  image_np = np.array(image, 'uint8')
  prediction, _ = lbph_face_classifier.predict(image_np)
  expected_output = int(os.path.split(path)[1].split('.')[0].replace('subject', ''))

  predictions.append(prediction)
  expected_outputs.append(expected_output)

예측을 해보기 위해 테스트 이미지의 경로들을 paths 리스트에 담는다. for문으로 각 테스트 경로의 이미지를 흑백화하고 넘파이 배열로 바꾸고 픽셀값을 정수화한다. predict 결과값으로 클래스와, 신뢰도가 나오는데 지금 우리는 클래스만 필요하기 때문에 prediction, _로 값을 받아준다. 그리고 각 이미지의 prediction들을 담을 리스트와 기댓값을 담을 리스트를 만들고 결과값과 기댓값을 비교하는 과정이 필요할 것이다.

prediction

from sklearn.metrics import accuracy_score
accuracy_score(expected_outputs, predictions)

결과

sklearn의 accuracy_score를 사용해서 결과값이 기댓값에 얼마나 정확하게 나왔는지 확인해 볼수 있다. 결과를 보면 0.6666이 나왔는데 그렇게 좋은 결과는 아니다. 따라서 우리는 분류기의 매개변수 값을 조절해서 결과값을 개선해서 예측 신뢰도를 증가시켜야 한다.

---

2. 매개변수

1. Radius : 조건을 적용할 때 사용되는 픽셀 수
2. Neighbors : 계산에 필요한 이웃의 수
3. grid_x, grid_y : 가로축, 세로축 셀의 개수
4. Threshold : 임계값, 감지의 신뢰도 (값이 높을수록 얼굴 인식 품질이 높아진다.)

Radius

 Radius는 반지름으로 그림처럼 Radius가 크면 이웃하는 픽셀의 수가 증가한다. 하지만 이미지의 모서리 부분을 찾는데에 어려움을 겪을 수 있기 때문에 반지름이 너무 크면 좋지 않다.

 

 grid_x, gird_y의 default는 8이다. 픽셀의 수가 많아지면 히스토그램 수도 많아지는게 되고 이미지에서 더 많은 패턴을 추출할 수 있어서 좋다. 하지만 계산 시간이 오래걸린다.

 

다음글에서 매개변수를 적절하게 조절하여 결과값을 개선해보겠다.

 

 

https://gj-aischool.or.kr/

인공지능사관학교