얼굴인식

매일 공부(ML)·2021년 12월 27일

COCRE

COCRE 1기

목록 보기

2/8

Intro

이미지 출처: 링크텍스트

우리 생활 속에서 미디어 매체를 통해 수없이 인공지능, 머신러닝 , 딥러닝, 컴퓨터 비전, 얼굴 인식등을 들었지만 그것이 어떤 기술이고 활용되는지 아시나요?

제 블로그를 읽으시는 분들은 아마 위의 질문에 대해서 자신있게 대답하기는 어려울 것입니다.

왜냐하면, 지금 막 인공지능을 공부하려는 분들이나 교양 지식처럼 쌓으실 분들이라고 생각이 들기 때문입니다.

그래서, 이번 블로그는 너무 깊지 않고 어린 시절 보던 과학동아와 같이 흥미를 자극하는 용도의 글입니다.

Basic concepts

먼저, 가장 많이 들어봤던 개념인 인공지능, 머신러닝 그리고 딥러닝에 대해 이야기 할 것입니다.

링크텍스트

인공지능(AI)이란?

*한 줄 정리

인간이 지닌 지적 능력의 일부 또는 전체를 인공적으로 구현한 것입니다.

기존 알고리즘은 개발자 의존적이었습니다.
왜냐하면, 그들이 소프트웨어가 수신하는 각 유형의 입출력을 정의하는 특정 규칙으로 설정되기때문입니다.

그러나, AI 알고리즘은 '규칙이 생성'되는 방식인 자체 규칙 시스템을 구축하게 되어 컴퓨터가 사람에게 전적으로 의존했던 작업을 스스로 해결할 수 있게 됩니다.

그렇다면, AI가 어떻게 규칙을 생성할까요? 바로,그 규칙을 생성하기 위한 방도를 고민하는 것이 바로 머신러닝입니다.

머신러닝(기계학습, machine learning)은?

*한 줄 정리

컴퓨터가 스스로 학습할 수 있도록 하는 도움을 주는 알고리즘과 기술을 개발하여 인공지능의 성능을 향상하는 것이 목적인 분야입니다.

머신 러닝은 정확한 결정을 내리기 위해서 기본적으로 알고리즘을 이용해 데이터를 분석하고, 분석을 통해 학습하며, 학습한 내용을 기반으로 판단이나 예측을 합니다.

따라서 궁극적으로는 의사 결정 기준에 대한 구체적인 지침을 소프트웨어에 직접 코딩해 넣는 것이 아닌, 대량의 데이터와 알고리즘을 통해 컴퓨터 그 자체를 ‘학습’ 시켜 작업 수행 방법을 익히는 것을 목표로 합니다.

대표적인 학습 방법입니다.

이미치 출처: 링크텍스트

지도 학습(Supervised Learning)

정답이 뭔지 알고 있는 데이터를 컴퓨터에게 학습을 시켜서 새로운 데이터에 대해서 결과를 예측하는 방법입니다.

지도 학습 알고리즘은 예시를 통해 학습하도록 설계되는 것으로 사람이 문제에 대한 답을 알고 있고, 인공지능(AI)이 그것을 알아낼 수 있도록 훈련시키고자 할 때 사용합니다.

즉, 고등학생 때 수학 문제를 풀기 위해서 선생님의 도움을 받아 '정답'을 맞춰서 이해가 되고 반복하면 그 문제를 내 것으로 만드는 '학습'의 과정과 유사합니다.

이제, 지도 학습을 어떻게 훈련시키는지 알아보겠습니다.

지도 학습 알고리즘을 훈련하려면 입력 세트를 특정 출력과 쌍으로 구성해야 하는데 이때 알고리즘은 입력 세트 내의 패턴을 검색하여 출력과 상관 관계를 짓도록 합니다.

이렇게 되면, 훈련 데이터를 기반으로 지도 학습 알고리즘은 보이지 않는 입력을 가져와 지정할 레이블을 결정하게 되기에 지도 학습 알고리즘의 목표는 새롭게 투입된 입력 데이터에 적합한 레이블을 예측하여 제대로 분류하고 이해하는 것이 가능해집니다.

정리를 하자면, 지도 학습은 이러한 특징들이 있습니다.

비지도 학습보다 더 단순하고 일반적
사람이 답을 알고 있는 상태에서 AI를 훈련하고자 할 때 사용
사용하여 데이터를 분류하고 처리
레이블이 지정된 데이터 즉, 분류된 데이터를 사용
일반적으로 지도학습은 결과를 내고자 할 때 활용

지도 학습 알고리즘의 일반 유형

지도 학습 알고리즘에는 크게 두 가지 유형이 있습니다.

분류 기법(Classification techniques)

분류 기법은 입력 데이터를 특정 클래스 또는 그룹의 구성원으로 식별하기 위해 알고리즘에 값을 예측하도록 요청하여 패턴 인식에 매우 뛰어닌 이미지 인식과 같은 용도에 이상적입니다.

예를 들어, 동물 이미지 훈련 데이터 세트를 사용하여 각 사진에 개, 고양이로 미리 레이블을 지정하고, 이 동물들의 새로운 이미지를 얼마나 정확하게 구별해내는가에 따라 알고리즘을 평가힙니다.

선형 회귀(Linear regression)

선형 회귀분석은 연속 데이터를 사용하여 x의 값을 알고 있다면, y 변수의 값을 얼마로 예상할 것인가와 같은 문제를 풉니다.

이런 문제는 아주 간단한 예라고 할 수 있고, 더 복잡한 경우는 아파트 가격을 예측하는 알고리즘과 같이 많은 변수를 수반하는 경우가 될 것입니다.

물론, 위치, 평방 피트 단위의 크기, 채광, 대중교통 및 지역 시설과의 근접성, 등과 같은 많은 변수를 고려해야만 더 복잡한 예측이 가능할 것입니다.

*예시

Q: 강남에 30평대 아파트면 집값이 어느정도인가요?
A: 강남에 30평대 아파트면 00억정도입니다.

지도 학습의 실생활 적용 사례

지도 학습은 일련의 활용 가능한 참조 포인트(훈련 데이터) 또는 진실이 있어서 알고리즘을 훈련하는 데 사용할 수 있을 때 가장 적합하기에 그런 상황에서는 매우 정확하고 신뢰할 수 있는 결과를 제공하여 실제 세상에서 광범위한 사용 사례를 만들 수 있습니다.

1.추천 엔진

추천 엔진은 전자상거래에서 점점 더 많이 사용되고 있으며, 상품 페이지나 결제 단계에서 주로 나타나는 ‘다른 사용자들이 함께 구매한 상품’ 또는 ‘이런 상품은 어떠신가요?’ 등의 형태로 추천 상품을 생성합니다.

혹은 구매를 촉진하는 상품 추천도 구현이 가능합니다.

예를 들어, "12kg 덤벨 세트를 구매하셨네요, 더 가벼운 덤벨도 있으면 운동 효과를 더욱 높일 수 있습니다"처럼 이와 같은 추천 상품들은 일반적으로 지도 학습을 통해 구축된 AI 모델에 의해 생성됩니다.

간단하게 동작 원리를 말하자면, 알고리즘은 고객들이 많이 구매하거나 검색하는 아이템을 분석하여 사람들이 자주 구매하는 기타 상품들을 알아낼 수 있고 일반적인 구매 패턴을 식별하고 나면, 동일한 경로로 이동하고 있는 신규 고객들에게 해당 패턴을 추천할 수 있습니다.

2.이미지 인식

지도 학습 알고리즘은 데이터에서 패턴을 찾아내는 데 능숙하기 때문에 이미지 인식 소프트웨어에 주로 탑재됩니다.

무슨 말이냐면, 알고리즘에 과일 바구니를 보여주고 구부러진 노란색 과일은 바나나, 둥근 모양의 빨간색 과일은 사과 등으로 인식하도록 훈련하면 각 과일의 특성을 빠르게 학습하고 스스로 식별할 수 있게 됩니다.

고로, 훈련 데이터(과일 바구니)를 통해 학습하고 그렇게 학습한 지식을 새로운 테스트 데이터(추가로 보여준 새로운 과일)에 적용하는 지도 학습 알고리즘의 좋은 예입니다.

3.목적지 도착 시간 계산

지도 학습 알고리즘 덕분에 요즘의 길찾기 앱들은 특정 목적지까지 이동하는데 걸리는 시간을 상당히 정확하게 예측합니다.

사용자에게 정확한 이동 시간을 알려주기 위해 알고리즘은 하루 중 해당 시간대, 주중 해당 요일, 목적지까지의 거리, 기상 조건, 교통량 등 모든 종류의 데이터를 분석하고,

비슷한 조건에서 비슷한 경로, 심지어 동일한 경로로 이동하는 다른 사용자의 여정 데이터까지 분석하여 특정 사용자에게 예상 도착 시간을 알려줍니다.

4.추가적인 예시

질병의 위험 요소 식별 및 예방 조치 계획
이메일의 스팸 여부 분류
집값 예측
고객 이탈 예측
단어를 명사와 동사로 분류
강우 및 기상 상황 예측
특정 후보 투표 여부 예측
건강 보험 회사의 판매 예측 및 위험 평가 분석

비지도 학습(Unsupervised Learning)

정답을 알려주지 않고 예측하는 방법으로 unlabeld 데이터를 통해서 패턴이나 형태를 찾아서 유사한 데이터끼리 군집화를 하여서 예측을 합니다.

컴퓨터가 데이터를 가지고 공부를 하는 것입니다.

정답을 따로 알려주지 않고(label이 없다), 비슷한 데이터들을 군집화 하는 것.

예를들어 고양이, 병아리, 기린, 호랑이 사진을 비지도학습 시킨다고 해보자.

각 사진이 무슨 동물인지 정답(label)을 알려주지 않았기 때문에

이 동물이 '무엇'이라고 기계가 정의는 할 수 없지만 비슷한 단위로 군집화 해준다.

다리가 4개인 고양이와 호랑이를 한 분류로 묶고,

다리가 4개지만 목이 긴 기린은 다른 분류로,

다리가 얇고 몸통이 둥그런 병아리는 또 다른 분류로 나누어 놓을 것이다.

실무에서는 지도학습에서의 적절한 feature를 찾아내기 위한 데이터 전처리 방법으로 비지도 학습을 쓰기도 한다.

강화학습(Reinforcement Learning)

행동심리학에서 영감을 받은 것으로 최적의 행동을 취할 시 보상을 주고 그렇지 않으면 주지 않고 수정하는 당근과 채찍같은 학습 방식입니다.

좀 더 깊게 이야기하면, 어떤 환경 안에서 정의된 agent가 현재의 상태를 인식하여, 선택 가능한 행동들 중 보상을 최대화하는 행동 혹은 행동 순서를 선택하는 방법으로, 대표적으로는 알파고가 입니다.

*Agent 학습을 수행하는 주체

이미지 출처: 링크텍스트

딥러닝(Deep learning)이란?

딥러닝은 뇌의 신경 구조로부터 영감을 받은 인공신경망에서 발전한 형태의 인공 지능으로, 뇌의 뉴런과 유사한 정보 입출력 계층을 활용해 데이터를 학습합니다.

딥러닝의 목표는 추상적이고 내재적인 표현(Representation)들을 사람의 개입 없이 딥러닝만으로 나타낼 수 있는 모델을 학습시키는 것입니다.

데이터의 내재된 표현이란, 그 데이터가 담고 있는 정보의 함의를 나타내는 표현을 말합니다.

딥 러닝의 등장으로 인해 머신 러닝의 실용성은 강화됐고, 인공 지능의 영역은 확장됐죠.

왜냐하면, 딥 러닝은 컴퓨터 시스템을 통해 지원 가능한 모든 방식으로 작업을 세분화합니다.

예를 들어, 자율 주행 자동차, 더 나은 예방 의학, 더 정확한 영화 추천, Face ID 등 딥 러닝 기반의 기술들은 우리 일상에서 이미 사용되고 있거나, 실용화를 앞둔 상태입니다.

그러므로, 딥러닝은 SF에서 등장했던 AI를 실현할 수 있게 하는 인공 지능의 현재이자, 미래로 평가받고 있답니다.

요즘, 여러 딥러닝 분야 중 인기 있는 컴퓨터 비전에 대해서 이야기 해보려고 합니다.

컴퓨터비전(Computer vision)이란?

링크텍스트

정의

컴퓨터 비전은 컴퓨터를 이용하여 정지된 영상 또는 동영상으로 부터 의미있는 정보를 추출하는 방법을 연구하는 학문입니다.

즉, 위의 그림처럼 사람의 눈으로 사물을 보는 것처럼 컴퓨터가 사물을 보고 사람과 같은 기능을 수행할 수 있게 하고,

눈의 역할은 카메라가 대신하여 뇌가 하는 작업을 알고리즘을 통해 컴퓨터가 유사하게 수행할 수 있도록 만드는 작업입니다.

컴퓨터 비전 작동 원리

컴퓨터 비전은 기본적으로 아래의 세 단계를 거칩니다.

이미지 수집

동영상, 사진 또는 3D 기술을 통해 분석할 (심지어 대량의) 이미지를 실시간으로 수집할 수 있습니다.

이미지 처리

딥 러닝 모델에는 이미지 수집 프로세스의 대부분이 자동화되어 있지만 라벨이 부착된 수천 개의 이미지를 먼저 업로드하여 학습시키는 경우도 있습니다.

이미지 파악

마지막 단계는 객체를 식별하거나 분류하는 해석 단계입니다.

이미지 분할은 이미지를 여러 영역 또는 조각으로 분할하여 각기 따로 검사합니다.

객체 감지는 이미지 속의 특정 객체를 식별합니다.
고급 객체 감지 모델은 하나의 이미지에 존재하는 다수의 객체(예: 축구장, 공격수, 수비수, 축구공 등)를 인식합니다. 이 모델은 XY 좌표를 사용하여 경계 박스를 생성하고 그 안의 모든 것을 식별합니다.

안면 인식은 이미지 속의 사람 얼굴을 인식할 뿐만 아니라 개인의 신원을 식별하는 고급 객체 감지 기술입니다.

경계 감지는 이미지의 내용을 보다 정확히 파악하기 위해 객체 또는 풍경의 바깥쪽 경계를 식별하는 데 사용되는 기술입니다.

패턴 감지는 이미지에서 반복되는 모양이나 색상, 기타 시각적 표시를 인식하는 프로세스입니다.

이미지 분류는 이미지를 여러 범주로 분류합니다.

특징 매칭는 이미지의 유사성을 대조하여 분류하는 일종의 패턴 감지 기법입니다.

정리하자면, 단순한 컴퓨터 비전 응용 프로그램은 이러한 기술 중 하나만 지원하지만 자율 주행 자동차용 컴퓨터 비전과 같은 고급 기술은 여러 가지 기술을 사용하여 목적을 달성합니다.

얼마나 우리의 생활과 밀접하게 접목시킬 수 있을까요?

활용 현황

이미지 분석 및 AI

이미지 분석에 대한 소개 자료를 읽고 이미지 데이터에 어떤 분석 기술을 응용할 수 있는지 판단합니다.

안면 인식 데모

안면 인식 및 컴퓨터 비전에 필요한 기본 기술 및 데이터 처리 단계로 모델이 얼굴 이미지를 감지, 조정, 표현 분류하는 방법을 소개합니다.

활용 산업

제조업

제조 산업에 종사하는 기업의 경우 컴퓨터 비전을 활용하여 제품의 결함 여부를 실시간으로 식별합니다.

제품의 크기가 아무리 작더라도 컴퓨터가 완제품의 이미지나 동영상을 처리하여 수십 가지의 결함을 식별해냅니다.

의료 서비스

의료 분야에서 컴퓨터 비전 시스템은 MRI, CAT 스캔, X 레이의 이미지를 철저히 검사하여 의사처럼 정확하게 이상 징후를 감지합니다.

또한 의료 전문가는 초음파 같은 3차원 이미지에 신경망을 사용하여 심박 등의 시각적 차이를 감지할 수 있습니다.

보험

보험 회사는 컴퓨터 비전을 사용하여 차량의 파손 상태를 보다 일관적이고 정확하게 측정할 수 있습니다. 또, 사기를 줄이고 보상금 신청 프로세스를 간소화할 수 있습니다.

방위 및 보안

은행이나 카지노 같은 보안이 중시되는 산업에 종사하는 기업은 컴퓨터 비전을 활용하여 거액을 교환하는 고객의 신원을 보다 정확히 식별할 수 있습니다.

보안 관리자와 달리, 컴퓨터 비전 알고리즘은 수백 개의 비디오 피드를 한꺼번에 분석할 수 있습니다.

야생 동물 보호에 활용되는 컴퓨터 비전

야생 동물 이동 경로를 분석할 수 있도록 설계된 컴퓨터 비전 모델의 작동하게 하여, 야생 동물 추적기와 유사하게 발자국을 인식하도록 컴퓨터를 학습시킵니다.

정말 다양하게 쓰이고 있는 이 기술의 동작원리는?

생체 인식 기술

생체인식 기술은 사람의 얼굴 모양, 망막 등 신체적, 음성이나 걸음걸이 등 행동적 특징을 자동화된 장치로 추출해 개인을 구분하거나 인증하는 기술입니다.

생체인식 기술로 사용되려면 어느 누구나 갖고 있으며, 각 사람마다 고유하고, 변하지 않으며, 변화 시킬 수도 없는 특징을 갖고 있어야 합니다.

또 센서로 이 생체 정보를 잘 얻을 수 있고 정량화하기 쉬워야 합니다.

생체인식 기술 적용분야는 다양합니다. 금융, 컴퓨터·정보시스템 보안, 통신기기와 서비스 관리, 출입관리, 의료복지와 공공 분야 등 광범위한 분야에 적용이 됩니다.

(금융) ATM·KIOSK, 모바일 뱅킹, 증권거래, 전자상거래, 지불 및 결제수단 등
(보안) 정보보안(시스템 및 데이터 접근·인증제어), 생체로그인(PC용), 휴대폰/노트북/자동차
등 기기 사용자 인증 등
(출입관리) 공항(출입국 심사, 불법 입국자 확인 등), 기업(출입통제, 근태관리 등)
(의료복지) 환자 신분확인, 기록 관리, 원격진료, 무인전자처방전 등
(공공) 범죄자 식별(지문대조, 성문분석 등), 전자주민증(신분증), 선거관리(본인확인) 등
(검역) 안면인식을 통한 신종플루 감염자 식별
(엔터테인먼트) 얼굴인식을 통한 인물 사진 분류 및 관리, 닮은 사람 찾기

다양한 생체 기술들과 그에 대한 활용으로 인해서 다국적 기업은 현재 엄청난 투자를 하고 있습니다

글로벌 기업들의 얼굴인식 기술 전쟁

애플은 2015년 4월 사용자가 아이폰, 아이패드 등 애플 모바일 기기에서 셀카를 찍으면 내부에 저장된 이미지 정보와 비교해 기기 주인이 맞는지 확인한 뒤 일치하면 잠금이 자동으로 풀리도록 하는 특허를 출원했습니다.

애플이 가장 잘 알려져 있기는 하지만 이미 2010년대부터 페이스북, 구글 등 글로벌 기업들은 얼굴인식 기술 확보를 위해 M&A로 기술 획득을 추진해왔습니다.

페이스북은 2012년 6월 인공지능과 빅데이터 분석으로 얼굴인식 기술을 가진 페이스닷컴(Face.com) 인수를 시작으로 2016년 11월 파시오메트릭스 인수했습니다. 페이스북에 인수된 페이스닷컴은 수십억 사진을 스캔해 얼굴에 태그 하는 앱과 애플리케이션 프로그래밍 인터페이스(API) 등 핵심 기술을 보유하고 있습니다. 페이스북은 과거 얼굴인식 알고리즘 대비 오류 비율이 25% 줄었다고 발표했습니다.

구글은 2011년 7월 얼굴인식 소프트웨어 업체 핏팻(PittPatt) 인수 후 2012년 10월 동작·얼굴인식 기술을 가진 벤처기업 뷰들(Viewdle), 2017년 8월 이미지분석 전문기업 AI매터 인수했습니다. 구글에 인수된 핏팻은 동영상에서 얼굴 추적이나 사진 속에 누가 있는지에 따라 분류하는 등 다양한 형식의 안면 인식 기술 보유하고 있습니다. 그 기술은 이미지 서치, 유튜브, 구글 포토, 고글스 등 구글의 다양한 서비스에 적용됐습니다. 뷰들 기술은 안드로이드 얼굴인식 잠금 해제 기능 보완에 활용됩니다.

애플은 2013년 3차원 증강현실과 가상현실 분야 이스라엘 개발업체인 프라임 센스(PrimeSense) 인수 후 2017년 2월 안면인식 잠금 해제 기술 보유 업체인 리얼페이스(RealFace)를 인수했습니다. 프라임센스는 증강현실과 가상현실 전문 기업으로 아이폰X의 3차원 가상현실(VR/AR)에 적용된 것으로 보입니다. 리얼페이스는 사용자들이 자신들의 얼굴을 스마트폰 화면에 비추는 것만으로 잠금 해제 할 수 있는 기술을 보유하고 있었으며 아이폰X의 FaceID에 적용됐습니다.

도대체 얼굴인식은 무엇일까요?

얼굴 인식(face recognition)

이미지로 감잡기

이미지 출처: 링크텍스트

정의

디지털 이미지를 사용하여 사람을 자동으로 식별하는 컴퓨터 지원 응용 프로그램으로 Verification혹은 identification기술이 널리 활용됩니다.

얼굴인식 속 기술

검증(Verification)

시스템에 입력된 이미지들간의 동일 여부 검증하는 것으로 즉, 기존에 등록되어 있는 얼굴과 이미지에서 감지된 얼굴이 얼마나 유사한지 수치화한 유사도 값을 반환합니다.

아래의 그림처럼, 동일 인물에 대해서 유사도가 높게 측정되고, 그렇지 않을 시 낮게 측정될 것입니다.

이미지출처: 링크텍스트

식별(Identification)

입력이미지가 들어올 시, 시스템의 내부 공용데이터(DB)에 저장된 인물 중 누구와 유사한지 판단하는 것입니다.

아래 예시처럼, 특정 그룹에서 유사한 얼굴을 찾아주는 기능으로 이미지 또는 기존에 등록된 ID를 전달받아서 유사한 얼굴들을 찾아 가장 유사한 얼굴부터 정렬하여 반환해주는 것입니다.

대표적인 예시로는 인천공항 자동출입국 심사입니다.

이미지출처: 링크텍스트

작동원리

Step1, 영상 또는 이미지에서 얼굴 찾기

먼저, 카메라에 입력된 데이터(사진 , 영상)에서 얼굴을 찾기 위해 데이터를 컬러에서 흑백으로 변환하는데 이는 사진의 명암 정보를 사용하기 위한 목적입니다.

왜냐하면, 컬러 사진의 경우 이미지는 RGB(빨강, 초록, 파랑)인 3개의 채널로 표시되지만, 흑백 이미지는 한 층의 채널로 표현이 가능합니다.

[httpswww.missnumerique.comblogle-canal-alpha-en-video-quest-ce-que-cest]

흑백 이미지의 픽셀을 확대해보면, 인접한 픽셀의 명암이 달라서 층이 보인는 것을 알 수 있습니다.

이때, 화살표로 밝은 픽셀에서 어두운 픽셀 방향으로 화살표를 만들어 조합한 그래디언트 패턴(Gradient Pattern)을 이용해, 컴퓨터가 데이터에서 얼굴을 특정해 낼 수 있게 됩니다.

Step2, 얼굴에서 특징 찾기

사진을 보고 사람의 얼굴 위치를 찾은 후에, 누구의 얼굴인지 구별해 낼 수 있어야 합니다.

우리는 사람의 얼굴을 생김새 즉, 이목구비의 위치와 모양을 통해 구분합니다.

기계는 다를까요?

답은 같습니다.

기계도 사람의 얼굴을 구분하기 위해서는 눈, 코, 입, 얼굴 선, 눈썹 등 사람의 얼굴 특징을 구분할 수 있는 기준점을 찾아야 판단이 가능합니다.

앞에서 구한 패턴을 활용해 기준점들 구할 수 있고, 기준점의 개수는 마음대로 설정할 수 있습니다.

적절한 갯수?

딥러닝을 통해 모델을 학습하게 되면, 그 과정에서 더 나은 안면 인식 기능을 구현하기 위해 기준점의 개수를 늘렸다가 줄였다가 하는 과정을 반복하게 되는데, 68개의 기준점이 가장 적절하다고 판단합니다.

[httpsstackoverflow.comquestions50316600training-a-model-to-achieve-dlibs-facial-landmarks-like-feature-points-for-hand]

Step3, 얼굴을 서버에 저장하기

사진 혹은 영상 속 인물의 얼굴 특징까지 확인했다면, 기계가 입력된 사진에서 얼굴 영역을 찾고, 특정 인물의 정보를 추출할 수 있게 됩니다.

입력된 사람의 얼굴에서 특징을 추출한 뒤, 임베딩(embedding)이라는 과정을 거쳐서 특징들을 일련의 벡터로 실수화합니다.

실수화된 데이터는 사람의 이름과 함께 서버에 저장이 되며, 이제 해당 사람의 얼굴을 식별할 준비가 끝납니다.

[httpsblog.floydhub.cominverting-facial-recognition-models]

Step4, 사용하기

카메라에 얼굴이 비치면, 사진에서 사람의 얼굴 영역과 특징을 찾고 임베딩 값을 구해서 서버에 저장된 값과 비교해 누구인지를 구분할 수 있게 된다.

링크텍스트

얼굴인식 기술의 활용

얼굴인식 기술은 인간이 다른 사람을 인지할 때 가장 많이 사용하는 것이 얼굴이기 때문에 가장 자연스러운 생체 인식 기술이라고 할 수 있습니다. 얼굴인식은 얼굴 전체보다는 코와 입, 눈썹, 턱 등 얼굴 골격이 변하는 각 부위 50여 곳을 분석해 인식합니다.

얼굴인식으로 크게 고객 맞춤형 정보 제공(마케팅), 거짓말 탐지, 범죄 용의자 탐지(휴대용 단말기를 이용한 범죄 용의자 단속), 보안인증, 엔터테인먼트(닮은 사람 찾기), 인물 사진 관리 지원, 졸음운전 방지 등에 활용됩니다.

특히 얼굴인식 기술은 범죄자나 테러범 검거에 도움이 됩니다. 정부기관에서 CCTV로 범죄자를 찾아내거나 테러범을 경계하는데 활용 중입니다. 미국은 911테러 이후 CCTV를 대규모로 설치했습니다.

기존에는 중요시설의 VIP 신분확인이나 보안시설의 출입통제용으로 활용됐습니다. 이제는 보안과 편의성 강화를 위해 공항 등에서도 안면인식 시스템을 운영 중입니다. 통장이나 카드 없이 안면인식으로 결제, 송금 등 금융 서비스 이용도 가능합니다. 운송 물류업에서도 사용할 수 있는데, 물건을 수령할 때나 우버 같은 택시를 탑승할 때 안면인식 기술 도입으로 편리하게 서비스를 받을 수 있습니다. 실제 중국판 우버인 디디는 운전자 신원을 보장하기 위해 페이스플러스플러스(++) 소프트웨어 기술을 도입했습니다.

Examples