Computer Vision Theory : 이미지 인식

이미지 인식(Image Recognition)

이미지 인식(Image Recognition)은 객체(Object), 장소(Place), 얼굴(Face), 문자(Character) 등을 인식하기 위한 방법입니다. 인공 신경망(Artificial Neural Network)을 사용하여 통계적으로 높은 확률을 지니는 값을 찾는 학습 알고리즘입니다.

특정 커널 안의 데이터가 일정 패턴을 보이거나 회귀 분석을 통한 데이터, 일련의 함수 형태와 일치하는 형태 등의 형식을 지니는 이미지를 찾습니다. 대표적으로 객체 인식(Object Recognition), 문자 인식(Character Recognition), 얼굴 인식(Face Recognition) 등이 있습니다.

객체 인식(Object Recognition)

객체 인식(Object Recognition)은 머신 러닝(Machine Learning)과 딥 러닝(Deep Learning) 기반의 특징 추출을 기반으로 합니다. Haar, HOG, SIFT, SURF 등을 사용하여 전처리 과정을 거치며, 가장자리 검출(Edge Detection) 등 을 통하여 분류(Classification)를 진행하게 됩니다.

해당 객체와 배경 등의 수 천개 이상의 데이터를 통하여 학습을 진행합니다.

문자 인식(Character Recognition)

문자 인식(Character Recognition)은 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network)이나 SVM(Support Vector Machines) 등의 알고리즘을 통하여 학습을 진행합니다. 문자를 더 단순화하여 2 차원 벡터 좌표의 값을 계산합니다. 윤곽(Contours) 등을 검출하여 진행하기도 합니다. 문자 영역(Character Localization)을 검출한 뒤, 여러 문자들을 정합하여 문자 인식(Character Recognition)을 진행합니다.

얼굴 인식(Face Recognition)

얼굴 인식(Face Recognition)은 사람의 얼굴마다 고유한 특징을 비교하여 특정 인물에 대한 값을 반환합니다. 눈의 크기, 코의 길이, 얼굴형 등을 구분하여 특정 인물의 특징을 찾아냅니다.

기본적으로 얼굴 검출(Face Detection)을 통하여 얼굴이 존재하는 위치를 검출한 후, 해당 얼굴의 특징점(Landmark)들을 찾아 해당 위치들이 어떤 패턴을 가지는지로 여러 얼굴을 구분합니다. 특정 위치들이 어떤 형태를 지니는지로 표정이나 상태 등도 구분할 수 있습니다.

딥러닝 기반의 이미지 인식

앞서 언급한 Haar, HOG, SIFT, SURF는 사람이 직접 설계한 특징을 사용합니다. 반면 현재의 이미지 인식은 대부분 합성곱 신경망(Convolutional Neural Network, CNN)을 기반으로, 어떤 특징을 사용할지까지 모델이 스스로 학습하는 방식으로 이뤄집니다.

객체 검출은 크게 두 가지 방식으로 나뉩니다. 2단계 검출기(Two-Stage Detector)는 객체가 있을 만한 후보 영역을 먼저 찾고 그 영역을 분류하며, R-CNN 계열이 여기에 속합니다. 1단계 검출기(One-Stage Detector)는 두 과정을 한 번에 처리하며 YOLO나 SSD가 대표적입니다.

일반적으로 2단계 방식은 정확도가 높고 1단계 방식은 속도가 빠릅니다. 그러므로 실시간 처리가 필요한 환경에서는 YOLO 계열이, 정밀한 검출이 필요한 환경에서는 Faster R-CNN 계열이 주로 사용됩니다.

객체의 위치를 사각형이 아니라 픽셀 단위로 구분해야 한다면 분할(Segmentation)을 사용합니다. 같은 종류의 객체를 하나로 묶는 시맨틱 분할(Semantic Segmentation)과 개체마다 구분하는 인스턴스 분할(Instance Segmentation)로 나뉘며, 각각 U-Net과 Mask R-CNN 등이 사용됩니다.

문자 인식은 문자의 위치를 찾는 문자 검출(Text Detection)과 찾아낸 영역을 읽어내는 문자 인식(Text Recognition)의 두 단계로 구성됩니다. 검출에는 EAST나 CRAFT가, 인식에는 CRNN 계열이 주로 사용되며, 이 둘을 묶은 도구로 Tesseract나 PaddleOCR 등이 있습니다.

얼굴 인식은 얼굴을 고정된 길이의 벡터로 변환한 뒤 벡터 사이의 거리로 동일 인물 여부를 판단하는 방식으로 바뀌었습니다. 이 벡터를 임베딩(Embedding)이라 하며, FaceNet이나 ArcFace 등이 대표적입니다. 이 방식은 새로운 인물이 추가돼도 모델을 다시 학습할 필요가 없다는 장점이 있습니다.

• Tip : 최근에는 트랜스포머(Transformer)를 영상에 적용한 ViT(Vision Transformer)나 DETR 계열도 널리 사용되며, 대량의 데이터로 사전 학습된 모델을 가져와 목적에 맞게 조정하는 전이 학습(Transfer Learning)이 일반적인 접근 방법으로 자리 잡았습니다.

• Writer by : 윤대희