개인 정보 보호가 중요한 시대, 블러미는 그 걱정을 덜어주는 아주 간편한 기술을 제공하는데요.
오늘은, 블러미의 핵심 기술인 얼굴 인식과 블러 기술에 대해 살펴보겠습니다.
블러미의 얼굴 인식은 어떻게 이루어 질까요?
블러미의 얼굴 인식 기술은 최신의 인공 신경망 베이스라인을 기반으로 사전 학습된 딥러닝 모델을 사용하고 있는데요.
인공 신경망을 이용한 얼굴 인식, 그 원리에 대해 알아보겠습니다.
먼저, 입력된 이미지를 사전 정의된 크기의 그리드로 분할하고, 그리드의 각 셀은 경계 박스 ( bbox ) 를 생성 및 경계 박스 ( bbox ) 별 객체 존체 여부에 대한 신뢰도 ( confidence score ) 를 예측합니다.
이후, 셀 별 객체 존재 확률 분포 ( class probability ) 와 경계 박스의 신뢰도 값을 곱한 점수를 산출, 산출된 값이 임계값보다 낮을 경우 해당 경계 박스를 제거하고, NMS ( Non maximum suppression ) 을 이용하여 중복되는 박스를 제거하는데요.
이러한 과정을 거치고 남아 있는 경계 박스 ( bbox ) 가 얼굴 인식 정보가 됩니다.
정리!
- 입력된 이미지를 그리드로 분할
- 그리드의 각 셀은 경계 박스 ( bbox ) 를 생성 및 경계 박스별 신뢰도 ( confidence score ) 를 예측
- 셀 별 객체에 대한 확률 분포 맵 ( class probability ) 생성
- 객체에 대한 확률 분포와 경계 박스의 신뢰도를 곱한 점수 산출
- 산출 결과에 설정된 임계값을 기준으로 필터링 및 NMS 를 적용하여 중복되는 박스 제거
- 남아있는 경계 박스 ( bbox ) 가 얼굴 인식 정보
블러미의 블러 효과는 어떤 원리일까요?
블러는 초점이 맞지 않듯이 흐릿하게 하는 작업으로 스무싱이라고도 하는데요. 사진속 얼굴의 잡티제거, 거친 느낌의 사진을 부드럽게 수정, 사진 속 잡음 제거 등 다양한 용도로 사용되고 있습니다.
일상에서 자주 접하는 블러 기술! 이 원리에 대해 알아보겠습니다.
원본 이미지 픽셀에 정의된 크기로 샘플링을 수행하고, 샘플링된 픽셀 정보에 필터를 적용하여 새로운 픽셀 값을 취득하는 것 인데요.
이 과정을 마지막 픽셀까지 반복 수행 ( 컨볼루션 연산 ) 하게되면, 흐릿해진 새로운 이미지를 취득할 수 있습니다.
따라서, 블러는 필터의 종류에 따라 그 결과가 달라지게 되는데요.
매우 단순해 보이는 블러 기술! 그러나, 주변 픽셀과 매끄럽게 연출되지 않으면 매우 거슬리겠죠?
오늘은 블러미의 얼굴 인식과 블러 기술에 대한 원리를 알아보았는데요~!
이해하기 쉬우셨나요? ㅎㅎ
다음에도 더욱 알차고 매우 흥미로운 내용으로 찾아뵙겠습니다~
Next : 동영상 블러에 적용될 트래킹 기술 원리 !
여러장의 이미지가 순차적으로 재생되는 것이 바로 동영상인데요.
동영상에서는 선택된 사람에 대해 모든 이미지에 그 사람의 얼굴에 블러를 적용하거나 하지 말아야 할텐데요.
그렇다면 현재 이미지에서 인식된 얼굴이 다음 이미지에서 인식된 얼굴과 같다는 판단을 어떻게 할까요?
다음 번에는 동영상 블러에 적용되는 트래킹 기술에 대해 알아보겠습니다.
