2 Fri

GARIGO : Face Mosaic Project

유사도 Part 2.

• 다음과 같은 기준으로 동인 인물로 간주한다고 했다. 이에 대한 구현적인 부분과 한계를 다룬다.

import cv2

ex_hist = []
methods = {'CORREL': cv2.HISTCMP_CORREL, 'CHISQR': cv2.HISTCMP_CHISQR,
     'INTERSECT': cv2.HISTCMP_INTERSECT,
     'BHATTACHARYYA': cv2.HISTCMP_BHATTACHARYYA}
     
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
hist = cv2.calcHist([hsv], [0, 1], None, [180, 256], [0, 180, 0, 256])
cv2.normalize(hist, hist, 0, 1, cv2.NORM_MINMAX)
if len(ex_hist) == 0:
    ex_hist = hist

similarity = cv2.compareHist(ex_hist, hist, methods['CORREL'])
ex_hist = hist

if similarity < 0.9:
  similarity2, _ = structural_similarity(ex_frame, image, full= True, multichannel=True)
  if similarity2 < 0.7:
    pass
  else:
    similarity = 1

ex_frame = image

• 1 : cv2에 있는 유사도 함수를 사용하기 위함이다

• 3 : 이전 프레임을 기억하기 위한 변수

• 4: 다음과 같은 유사도 비교 함수들이 존재한다. 이 중 두 함수는 1에 가까워야 유사하고 나머지 두 함수는 0에 가까워야 유사하다. 자세한 내용은 여기를 참고하라

• 8~10 : 히스토그램을 계산하고 정규화한다

• 11 : 이전 장면이 없을 경우(첫 프레임) 예외 처리

• 17 : 유사도가 0.9이하 일경우 비슷한 이미지로 간주하지 않겠다는 뜻이다.

• 19 : 아래에서 설명

structural_similarity

• 이 때 opencv 함수를 사용해 유사도를 비교하면 간혹 굉장히 비슷한 장면인데도 유사도가 다르게 나올 때가 있다.

  • 마치 딥페이크 블락 기술과 비슷한걸까?

• 이 때 한번더 검증을 하기 위해 skimage.metrics 에서 제공하는 모듈을 사용한다. 이 모듈이 좀 더 정확하고 정밀한 유사도 결과를 출력한다.

  • 아니 그러면 그냥 이거 쓰면 되잖아?

  • 그만큼 오래걸린다. 상당히 오래걸린다. 따라서 첫번째 유사도 비교에서 탈락했을 경우만 적용한다.

    • 영상은 비슷한 장면들의 연속체이다.

from skimage.metrics import structural_similarity

881KB

미디어2.mp4

• 이는 결과 파일이다. (동영상으로 나왔으면 깔끔했을텐데..)

한계

• 바로 이전 프레임에는 적용하지 못했다는 것이다.

  • (인식 못함) - (김종국) - (인식 못함) 의 경우에는

  • (인식 못함) - (김종국) - (김종국) 으로 개선되지만 이전 프레임은 개선되지 못한다.

• 이를 개선하려면 유사도가 비슷한 장면들간의 모든 얼굴좌표를 기억해야 한다.

  • 프로젝트 완성 기한이 다가와서 구현하지 못했지만 구현해보고 싶은 부분이다.

• 이는 한 인물에 대해 여러 사진을 학습했을 때의 작동 방식과 동일한데, 각 프레임마다 인식 미인식 여부를 조사하고 특정 threshold값보다 인식 비율이 높다면 유사도가 비슷한 전체 프레임의 얼굴을 인식하는 것으로 결정한다.