지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 홍광석
- 발행연도
- 2017
- 저작권
- 성균관대학교 논문은 저작권에 의해 보호받습니다.
이용수12
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
립리딩의 성능을 저하시키는 원인에는 공간 및 조명 변화와 화자의 발음 습관, 입술의 회전과 크기 변화 등이 있다. 이를 보상하기 위해 본 논문에서는 얼굴의 기하학적 특징을 기반으로 실시간 립리딩 시스템을 제안한다. 먼저, 다양한 환경에서 스마트 폰 카메라로 영상을 촬영하고 Adaboost 알고리즘을 이용해 얼굴 및 얼굴 구성요소들을 검출하였다. 검출된 입술 영상은 주성분 분석(PCA, Principal Component Analysis)을 이용해 특징 벡터 차원을 축소하였으며 입술과 다른 얼굴 구성요소 사이의 거리, 눈과 입이 이루는 삼각형 등의 특징들을 추출하였다. 또한 개개인의 얼굴 구조의 차이에 따른 오차를 최소화하기 위해 초반 5프레임을 기준으로 각 특징 파라미터들의 변화 비율을 측정하였다.
본 논문에서는 제안한 립리딩 시스템의 성능 평가를 위해 자동차 내에서 서비스 가능한 24가지 단어들을 선정한 후 HMM(Hidden Markov Model) 알고리즘을 사용하여 학습 및 인식 실험을 진행하였다. 실험 결과 81.67%의 인식률을 기록하였으며, 다양한 환경에서 기존 방식보다 더 나은 결과를 얻을 수 있음을 확인하였다.
본 논문에서는 제안한 립리딩 시스템의 성능 평가를 위해 자동차 내에서 서비스 가능한 24가지 단어들을 선정한 후 HMM(Hidden Markov Model) 알고리즘을 사용하여 학습 및 인식 실험을 진행하였다. 실험 결과 81.67%의 인식률을 기록하였으며, 다양한 환경에서 기존 방식보다 더 나은 결과를 얻을 수 있음을 확인하였다.
목차
Abstract 11. Introduction 22. Related Works 52.1 Lip-detection method 62.2. Feature-vector extraction 72.2.1. Principal Component Analysis 82.3. Recognition algorithm 122.3.1. HMM algorithm 122.3.2. DTW algorithm 152.3.3. Neural-network algorithm 173. The proposed method 183.1. Endpoint detection 193.2. Detecting the face and the facial components 223.3. Extraction features 253.4. Word recognition 344. Experiment results 354.1. Experimental environment 354.2. Dataset 364.3. Recognition experiments 384.3.1. Offline-experiment Results 394.3.2. Online-experiment Results 475. Conclusions 52References 54Korean Abstract 58
최근 본 자료
댓글(0)
0