Computer Vision Theory : 유사성 검출

유사성 검출(Similarity Detection)

유사성 검출(Similarity Detection)은 이미지 내의 주요한 유사 영역을 검출하는 방법입니다. 해당 비슷한 영역이 존재하는 위치를 알려주거나 해당 유사 영역을 부각시킵니다. 이미지에서 검출하려는 오브젝트의 유사성을 기준으로 검출을 진행합니다. 감지할 이미지와 유사한 이미지인 Positive Image와 전혀 다른 이미지인 Negative Image로 훈련된 모델(Model)을 사용하거나 검출하려는 이미지를 특정 크기로 변경시켜 이미지에서 일치하는 영역이 높은 영역을 찾습니다.

또한 특정 범위 내에 있는 객체를 검출합니다. 대표적으로 얼굴 검출(Face Detection), 피부색 검출(Skin Color Detection), 템플릿 매칭(Template Matching) 등이 있습니다.

얼굴 검출(Face Detection)

얼굴 검출(Face Detection)은 이미지 상에서 얼굴을 검출하기 위한 알고리즘입니다. 수천에서 수만 장에 이르는 Positive Image와 Negative Image로 학습된 모델을 사용하여 검출을 진행합니다. 얼굴에서의 특징점인 눈이나 코, 입술 등에서 밝고 어두운 정도의 특징점을 사용하여 검출을 진행합니다.

해당 특징점들이 모두 존재하는 위치를 찾습니다.

피부색 검출(Skin Color Detection)

피부색 검출(Skin Color Detection)은 이미지 내의 피부색을 검출하기 위한 알고리즘입니다. 피부색으로 간주할 수 있는 색상에 대해 하위 임계값과 상위 임계값을 두어 피부색과 유사한 색상을 피부색으로 간주합니다.

템플릿 매칭(Template Matching)

템플릿 매칭(Template Matching)은 이미지에서 유사성이 가장 높은 영역을 검출합니다. 원본 이미지와 검출하려는 템플릿 이미지를 변형시킨 뒤 서로가 얼마나 비슷한지 대조하여 검출을 진행합니다. 서로를 대조하였을 때 가장 높은 일치점을 찾아 결과로 반환합니다.

검출 방식의 한계

앞서 설명한 세 가지 방법은 모두 미리 정해 둔 기준과 얼마나 닮았는지를 비교합니다. 구현이 간단하고 연산이 가벼우며 학습 데이터가 거의 필요 없다는 장점이 있지만, 그만큼 조건이 달라지면 검출에 실패하기 쉽습니다.

템플릿 매칭(Template Matching)은 템플릿 이미지를 원본 위에서 한 칸씩 옮겨 가며 비교하는 방식이므로, 대상이 회전하거나 크기가 달라지면 찾지 못합니다. 크기 변화에 대응하려면 템플릿의 크기를 여러 단계로 바꿔 가며 반복해야 하고, 회전까지 고려하면 연산량이 급격히 늘어납니다.

피부색 검출(Skin Color Detection)은 색상 범위에 의존하므로 조명이 바뀌거나 피부색이 다양한 환경에서는 임계값을 다시 설정해야 합니다. 이때는 밝기와 색상이 분리돼 있는 HSV나 YCrCb 색상 공간을 사용하면 조명 변화의 영향을 비교적 덜 받습니다.

얼굴 검출(Face Detection)에 주로 사용되는 하르 캐스케이드(Haar Cascade)는 밝고 어두운 영역의 대비 패턴을 단계적으로 검사하는 방식이라 정면 얼굴에는 잘 동작하지만, 옆얼굴이나 기울어진 얼굴에는 취약합니다.

이러한 한계 때문에 회전이나 크기 변화가 큰 환경에서는 특징 검출에서 다룬 특징점 매칭(Feature Matching)을 사용하거나, 학습 기반의 검출 모델을 사용합니다. 반대로 대상의 형태와 촬영 조건이 일정한 환경이라면 유사성 검출만으로도 충분히 빠르고 안정적인 결과를 얻을 수 있습니다.

• Tip : 어떤 방법이 항상 우월한 것은 아니므로, 검출 대상이 놓이는 조건이 얼마나 일정한가를 기준으로 선택해야 합니다.

• Writer by : 윤대희