KR20160119932A - Method and apparatus for face recognition based quality assessment - Google Patents
Method and apparatus for face recognition based quality assessment Download PDFInfo
- Publication number
- KR20160119932A KR20160119932A KR1020150048592A KR20150048592A KR20160119932A KR 20160119932 A KR20160119932 A KR 20160119932A KR 1020150048592 A KR1020150048592 A KR 1020150048592A KR 20150048592 A KR20150048592 A KR 20150048592A KR 20160119932 A KR20160119932 A KR 20160119932A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- face
- detected
- face image
- face recognition
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001303 quality assessment method Methods 0.000 title 1
- 238000005259 measurement Methods 0.000 claims abstract description 38
- 230000001815 facial effect Effects 0.000 claims description 49
- 230000001186 cumulative effect Effects 0.000 claims description 17
- 238000005315 distribution function Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 abstract description 3
- 239000000470 constituent Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/164—Detection; Localisation; Normalisation using holistic features
-
- G06K9/00228—
-
- G06K9/00268—
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
-
- G07C9/00071—
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
Description
본 발명은 얼굴 인식 방법 및 장치에 관한 것이다.The present invention relates to a face recognition method and apparatus.
얼굴 인식 기술은 환경이 잘 통제되지 않은 실제 환경에서 적용되었을 때 여전히 많은 어려움이 있는 것으로 알려져 있다. 이러한 실제 환경에서는 저 해상도의 얼굴 영상 획득, 조명의 변화, 얼굴 포즈의 변화, 정렬 문제 등과 같은 문제점이 존재하게 되고, 실제 환경에 적용되었을 때 얼굴 인식 성능을 매우 저하시키는 요소로 알려져 있다. 이러한 환경에서의 얼굴 인식에 관한 연구가 요구되고 있다. 특히 출입 통제 시스템에서의 얼굴 영상은 비디오 형태로 획득되게 되는데, 이때 매 프레임마다 얼굴 영상을 처리 및 인식하는 것은 성능과 시간 효율성 측면에서도 바람직하지 못하다. 따라서, 자동 출입 통제 시스템을 위하여 효율적인 얼굴 인식뿐만 아니라 강인한 얼굴 인식을 수행하기 위한 대안이 요구되고 있다.Face recognition technology is still known to have many difficulties when applied in a real environment where the environment is not well controlled. In such a real environment, there are problems such as low resolution face image acquisition, illumination change, change of face pose, alignment problem, and it is known that it is a factor that greatly degrades the face recognition performance when applied to a real environment. Research on face recognition in such environments is required. In particular, facial images in the access control system are acquired in the form of video. At this time, processing and recognizing facial images every frame is not preferable in terms of performance and time efficiency. Therefore, there is a demand for an automatic access control system to perform not only efficient face recognition but also robust face recognition.
본 발명은 얼굴 영상 품질 측정에 기반한 효율적인 얼굴 인식 방법 및 장치를 제공한다.The present invention provides an efficient face recognition method and apparatus based on face image quality measurement.
본 발명은 얼굴 포즈 및 정렬에 관한 품질을 측정하는 효율적인 방법 및 장치를 제공한다.The present invention provides an efficient method and apparatus for measuring quality regarding facial pose and alignment.
본 발명은 얼굴 영상의 블러에 관한 품질을 측정하는 효율적인 방법 및 장치를 제공한다.The present invention provides an efficient method and apparatus for measuring the quality of a blur of a facial image.
본 발명은 얼굴 영상의 밝기에 관한 품질을 측정하는 효율적인 방법 및 장치를 제공한다.The present invention provides an efficient method and apparatus for measuring quality related to the brightness of a facial image.
본 발명에 따른 품질 측정 기반의 얼굴 인식 방법은, 입력된 비디오 영상으로부터 얼굴 영상을 검출하고, 상기 검출된 얼굴 영상에 대해 품질을 측정하여 상기 검출된 얼굴 영상이 얼굴 인식 영상인지 여부를 결정하며, 상기 검출된 얼굴 영상이 얼굴 인식 영상으로 결정된 경우에 상기 검출된 얼굴 영상으로부터 얼굴 특징 정보를 추출하고, 상기 추출된 얼굴 특징 정보를 이용하여 상기 얼굴 인식을 수행하는 것을 특징으로 한다.A quality measurement based face recognition method according to the present invention detects a face image from an input video image and measures quality of the detected face image to determine whether the detected face image is a face recognition image, Extracts face feature information from the detected face image when the detected face image is determined as a face recognition image, and performs the face recognition using the extracted face feature information.
본 발명에 따른 품질 측정 기반의 얼굴 인식 방법에 있어서, 상기 품질은 얼굴 포즈(Pose) 및 정렬(Alignment)에 관한 품질, 얼굴 영상의 블러(Blur)에 관한 품질 또는 얼굴 영상의 밝기(Brightness)에 관한 품질 중 적어도 하나를 포함하는 것을 특징으로 한다.In the quality measurement-based face recognition method according to the present invention, the quality is determined based on a quality of a face pose and an alignment, a quality of a blur of a face image or a brightness of a face image And quality related to the quality of the image.
본 발명에 따른 품질 측정 기반의 얼굴 인식 방법에 있어서, 상기 얼굴 인식 영상인지 여부를 결정하는 단계는 품질 측정의 우선 순위에 따라 상기 얼굴 포즈 및 정렬에 관한 품질, 상기 검출된 얼굴 영상의 블러에 관한 품질 또는 상기 검출된 얼굴 영상의 밝기에 관한 품질 중 적어도 하나를 순차적 또는 계층적으로 측정하여 수행되는 것을 특징으로 한다.The quality measurement based face recognition method according to the present invention is characterized in that the step of determining whether or not the face recognition image is based on the quality of the face pose and alignment according to the priority of the quality measurement, The quality of the detected face image, and the quality of the detected face image, in order or hierarchically.
본 발명에 따른 품질 측정 기반의 얼굴 인식 방법에 있어서, 상기 얼굴 인식 영상인지 여부를 결정하는 단계는 훈련 얼굴 영상(training face image)과 기여 계수를 이용하여 상기 검출된 얼굴 영상을 재구성하고, 상기 재구성된 얼굴 영상과 상기 검출된 얼굴 영상 간의 오차를 산출하며, 상기 오차와 제1 임계치를 비교하여 상기 검출된 얼굴 영상이 상기 얼굴 인식 영상인지 여부를 결정하는 것을 특징으로 한다.In the method of determining a face recognition image based on quality measurement according to the present invention, the step of determining whether the face recognition image is recognized may comprise reconstructing the detected face image using a training face image and a contribution coefficient, And an error between the detected face image and the detected face image is calculated and the error is compared with the first threshold value to determine whether the detected face image is the face recognition image.
본 발명에 따른 품질 측정 기반의 얼굴 인식 방법에 있어서, 상기 오차가 상기 제1 임계치보다 작은 경우에 상기 검출된 얼굴 영상은 상기 얼굴 인식 영상으로 결정되는 것을 특징으로 한다.In the quality measurement based face recognition method according to the present invention, when the error is smaller than the first threshold value, the detected face image is determined as the face recognition image.
본 발명에 따른 품질 측정 기반의 얼굴 인식 방법에 있어서, 상기 검출된 얼굴 영상이 상기 얼굴 인식 영상으로 결정된 경우, 상기 얼굴 인식 영상인지 여부를 결정하는 단계는, 상기 검출된 얼굴 영상을 주파수 도메인으로 변환하고, 상기 주파수 도메인의 크기 스펙트럼을 이용하여 누적 분포 함수를 생성하며, 상기 생성된 누적 분포 함수의 첨도 값과 제2 임계치 간의 비교에 기초하여 상기 선택된 얼굴 영상이 상기 얼굴 인식 영상인지 여부를 재결정하는 것을 특징으로 한다.The step of determining whether or not the face recognition image is a face recognition image may include converting the detected face image into a frequency domain, And generates a cumulative distribution function using the frequency spectrum of the frequency domain and re-determines whether the selected face image is the face recognition image based on a comparison between the kurtosis value of the cumulative distribution function and the second threshold value .
본 발명에 따른 품질 측정 기반의 얼굴 인식 방법에 있어서, 상기 누적 분포 함수의 첨도 값이 상기 제2 임계치보다 작은 경우, 상기 검출된 얼굴 영상은 상기 얼굴 인식 영상으로 재결정되는 것을 특징으로 한다.In the quality measurement based face recognition method according to the present invention, when the kurtosis value of the cumulative distribution function is smaller than the second threshold value, the detected face image is redetermined as the face recognition image.
본 발명에 따른 품질 측정 기반의 얼굴 인식 방법에 있어서, 상기 첨도 값은 상기 검출된 얼굴 영상이 블러드(blurred) 영상인지 여부를 판단하기 위한 척도인 것을 특징으로 한다.The quality measurement based face recognition method according to the present invention is characterized in that the kurtosis value is a measure for determining whether the detected face image is a blurred image.
본 발명에 따른 품질 측정 기반의 얼굴 인식 방법에 있어서, 상기 검출된 얼굴 영상이 상기 얼굴 인식 영상으로 재결정된 경우, 상기 얼굴 인식 영상인지 여부를 결정하는 단계는, 상기 검출된 얼굴 영상의 히스토그램 분석을 통해 밝기에 관한 유사도(closeness)를 산출하고, 상기 산출된 유사도와 제3 임계치 간의 비교에 기초하여 상기 검출된 얼굴 영상을 상기 얼굴 인식 영상으로 선택하는 것을 특징으로 한다.In the method of determining a face based on a quality measurement according to the present invention, when the detected face image is re-determined as the face recognition image, the step of determining whether or not the recognized face image is a histogram analysis of the detected face image And the facial recognition unit selects the detected face image as the face recognition image based on a comparison between the calculated similarity and the third threshold value.
본 발명에 따른 품질 측정 기반의 얼굴 인식 방법에 있어서, 상기 유사도가 상기 제3 임계치보다 작은 경우, 상기 검출된 얼굴 영상은 상기 얼굴 인식 영상으로 선택되는 것을 특징으로 한다.In the face recognition method based on quality measurement according to the present invention, when the similarity degree is smaller than the third threshold value, the detected face image is selected as the face recognition image.
본 발명에 따른 품질 측정 기반의 얼굴 인식 장치는, 입력된 비디오 영상으로부터 얼굴 영상을 검출하는 전처리부, 상기 검출된 얼굴 영상에 대해 품질을 측정하여 상기 검출된 얼굴 영상이 얼굴 인식 영상인지 여부를 결정하는 얼굴 영상 선택부, 상기 검출된 얼굴 영상이 얼굴 인식 영상으로 결정된 경우, 상기 검출된 얼굴 영상으로부터 얼굴 특징 정보를 추출하는 얼굴 특징 추출부 및 상기 추출된 얼굴 특징 정보를 이용하여 상기 얼굴 인식을 수행하는 분류부를 포함하는 것을 특징으로 한다.The apparatus includes a preprocessing unit for detecting a face image from an input video image, a quality determining unit for determining a quality of the detected face image, and determining whether the detected face image is a face recognition image A facial feature extraction unit for extracting facial feature information from the detected facial image when the detected facial image is determined as a facial recognition image, and a facial feature extraction unit for performing the facial recognition using the extracted facial feature information And a sorting unit for sorting the image data.
본 발명에 따른 품질 측정 기반의 얼굴 인식 장치에 있어서, 상기 품질은 얼굴 포즈(Pose) 및 정렬(Alignment)에 관한 품질, 얼굴 영상의 블러(Blur)에 관한 품질 또는 얼굴 영상의 밝기(Brightness)에 관한 품질 중 적어도 하나를 포함하는 것을 특징으로 한다.In the quality measurement-based face recognition apparatus according to the present invention, the quality is determined based on a quality of a face pose and an alignment, a quality of a blur of a face image, or a brightness of a face image And quality related to the quality of the image.
본 발명에 따른 품질 측정 기반의 얼굴 인식 장치에 있어서, 상기 얼굴 인식 영상은 얼굴 인식(face recognition)을 위해 이용 가능한 영상을 의미하는 것을 특징으로 한다.In the face recognition apparatus based on quality measurement according to the present invention, the face recognition image is an image available for face recognition.
본 발명에 따른 품질 측정 기반의 얼굴 인식 장치에 있어서, 상기 얼굴 영상 선택부는, 상기 얼굴 포즈 및 정렬에 관한 품질을 측정하는 포즈/정렬 측정부, 상기 검출된 얼굴 영상의 블러에 관한 품질을 측정하는 블러 측정부 또는 상기 검출된 얼굴 영상의 밝기에 관한 품질을 측정하는 밝기 측정부 중 적어도 하나를 포함하는 것을 특징으로 한다.In the face recognition apparatus based on the quality measurement according to the present invention, the face image selection unit may include a pose / alignment measurement unit for measuring the quality of the face pose and alignment, A blur measuring unit, and a brightness measuring unit for measuring a quality of brightness of the detected face image.
본 발명에 따른 품질 측정 기반의 얼굴 인식 장치에 있어서, 상기 포즈/정렬 측정부는, 훈련 얼굴 영상(training face image)과 기여 계수를 이용하여 상기 검출된 얼굴 영상을 재구성하고, 상기 재구성된 얼굴 영상과 상기 검출된 얼굴 영상 간의 오차를 산출하며, 상기 오차와 제1 임계치를 비교하여 상기 검출된 얼굴 영상이 상기 얼굴 인식 영상인지 여부를 결정하는 것을 특징으로 한다.In the face recognition apparatus based on quality measurement according to the present invention, the pose / alignment measuring unit may reconstruct the detected face image using a training face image and a contribution coefficient, The method includes calculating an error between the detected face images, and comparing the error with a first threshold value to determine whether the detected face image is the face recognition image.
본 발명에 따른 품질 측정 기반의 얼굴 인식 장치에 있어서, 상기 기여 계수는 상기 재구성된 얼굴 영상에 대해 상기 훈련 얼굴 영상이 기여하는 정도를 나타내는 것을 특징으로 한다.In the face recognition apparatus based on quality measurement according to the present invention, the contribution coefficient indicates a degree to which the training face image contributes to the reconstructed face image.
본 발명에 따른 품질 측정 기반의 얼굴 인식 장치에 있어서, 상기 오차가 상기 제1 임계치보다 작은 경우에 상기 검출된 얼굴 영상은 상기 얼굴 인식 영상으로 결정되는 것을 특징으로 한다.In the face recognition apparatus based on quality measurement according to the present invention, when the error is smaller than the first threshold value, the detected face image is determined as the face recognition image.
본 발명에 따른 품질 측정 기반의 얼굴 인식 장치에 있어서, 상기 검출된 얼굴 영상이 상기 얼굴 인식 영상으로 결정된 경우, 상기 블러 측정부는, 상기 검출된 얼굴 영상을 주파수 도메인으로 변환하고, 상기 주파수 도메인의 크기 스펙트럼을 이용하여 누적 분포 함수를 생성하며, 상기 생성된 누적 분포 함수의 첨도 값과 제2 임계치 간의 비교에 기초하여 상기 선택된 얼굴 영상이 상기 얼굴 인식 영상인지 여부를 재결정하는 것을 특징으로 한다.In the face recognition apparatus based on quality measurement according to the present invention, when the detected face image is determined as the face recognition image, the blur measurement unit converts the detected face image into a frequency domain, The method comprising: generating a cumulative distribution function using the spectrum, and re-determining whether the selected face image is the face recognition image based on a comparison between a kurtosis value of the cumulative distribution function and a second threshold value.
본 발명에 따른 품질 측정 기반의 얼굴 인식 장치에 있어서, 상기 누적 분포 함수의 첨도 값이 상기 제2 임계치보다 작은 경우, 상기 검출된 얼굴 영상은 상기 얼굴 인식 영상으로 재결정되는 것을 특징으로 한다.In the face recognition apparatus based on quality measurement according to the present invention, when the kurtosis value of the cumulative distribution function is smaller than the second threshold value, the detected face image is re-determined as the face recognition image.
본 발명에 따른 품질 측정 기반의 얼굴 인식 장치에 있어서, 상기 첨도 값은 상기 검출된 얼굴 영상이 블러드(blurred) 영상인지 여부를 판단하기 위한 척도인 것을 특징으로 한다.In the quality measurement-based face recognition apparatus according to the present invention, the kurtosis value is a measure for determining whether the detected face image is a blurred image.
본 발명에 따른 품질 측정 기반의 얼굴 인식 장치에 있어서, 상기 검출된 얼굴 영상이 상기 얼굴 인식 영상으로 재결정된 경우, 상기 밝기 측정부는, 상기 검출된 얼굴 영상의 히스토그램 분석을 통해 밝기에 관한 유사도(closeness)를 산출하고, 상기 산출된 유사도와 제3 임계치 간의 비교에 기초하여 상기 검출된 얼굴 영상을 상기 얼굴 인식 영상으로 선택하는 것을 특징으로 한다.In the face recognition apparatus based on quality measurement according to the present invention, when the detected face image is recalculated as the face recognition image, the brightness measuring unit calculates a closeness (brightness) of brightness through histogram analysis of the detected face image ), And selects the detected face image as the face recognition image based on the comparison between the calculated similarity and the third threshold value.
본 발명에 따른 품질 측정 기반의 얼굴 인식 장치에 있어서, 상기 유사도는 레퍼런스 히스토그램과 상기 검출된 얼굴 영상의 히스토그램 간의 유사도인 것을 특징으로 한다.The similarity measure may be a similarity between a reference histogram and a histogram of the detected face image.
본 발명에 따른 품질 측정 기반의 얼굴 인식 장치에 있어서, 상기 유사도가 상기 제3 임계치보다 작은 경우, 상기 검출된 얼굴 영상은 상기 얼굴 인식 영상으로 선택되는 것을 특징으로 한다.In the face recognition apparatus based on quality measurement according to the present invention, if the similarity degree is smaller than the third threshold value, the detected face image is selected as the face recognition image.
본 발명에 의하면, cascaded 구조의 품질 측정 프레임워크를 가지고 얼굴 영상의 품질을 효율적으로 측정할 수 있다.According to the present invention, the quality of a facial image can be efficiently measured by using a cascaded structure quality measurement framework.
본 발명에 의하면, 얼굴 영상 품질 측정에 기반하여 얼굴 인식의 정확성을 향상시킬 수 있다.According to the present invention, the accuracy of the face recognition can be improved based on the measurement of the face image quality.
본 발명에 의하면, 좋은 품질을 갖는 얼굴 영상에 대해서 얼굴 인식을 수행되기 때문에 시스템의 강인성 및 효율성을 향상시킬 수 있다.According to the present invention, since face recognition is performed on a face image having good quality, robustness and efficiency of the system can be improved.
본 발명에 의하면, 얼굴 인식 시스템이 적용되는 환경 또는 상황에 따라 flexible하게 임계치를 조절함으로써, 보안 강도를 적응적으로 조절할 수 있다.According to the present invention, the security strength can be adaptively adjusted by flexibly adjusting the threshold value according to the environment or the situation to which the face recognition system is applied.
도 1은 본 발명이 적용되는 일실시예로서, 얼굴 영상의 품질 측정에 기반한 얼굴 인식 장치(100)를 개략적으로 도시한 것이다.
도 2는 본 발명이 적용되는 일실시예로서, 얼굴 인식 장치(100)에서 품질 측정에 기반한 얼굴 인식(face recognition)을 수행하는 방법을 도시한 것이다.
도 3은 본 발명이 적용되는 일실시예로서, 포즈/정렬 측정부(132)에서 얼굴 영상의 포즈 및 정렬에 관한 품질을 측정하는 방법을 도시한 것이다.
도 4는 본 발명이 적용되는 일실시예로서, 블러 측정부(134)에서 얼굴 영상의 블러에 관한 품질을 측정하는 방법을 도시한 것이다.
도 5는 본 발명이 적용되는 일실시예로서, 밝기 측정부(136)에서 얼굴 영상의 밝기에 관한 품질을 측정하는 방법을 도시한 것이다.FIG. 1 schematically illustrates a face recognition apparatus 100 based on quality measurement of a face image according to an embodiment of the present invention. Referring to FIG.
FIG. 2 illustrates a method of performing face recognition based on quality measurement in the face recognition apparatus 100 according to an embodiment of the present invention. Referring to FIG.
FIG. 3 illustrates a method of measuring the quality of pose and alignment of a facial image in the pose / alignment measuring unit 132 according to an embodiment of the present invention.
FIG. 4 illustrates a method of measuring quality of a blur of a face image in a
FIG. 5 illustrates a method of measuring the quality of brightness of a facial image by the brightness measuring unit 136 according to an embodiment of the present invention. Referring to FIG.
이하 첨부된 도면을 참조로 본 발명의 바람직한 실시예를 상세히 설명하기로 한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니하며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. Prior to this, terms and words used in the present specification and claims are not to be construed as limited to ordinary or dictionary terms, and the inventor appropriately defines the concept of the term to describe its invention in the best way possible It should be construed as meaning and concept consistent with the technical idea of the present invention. Therefore, the embodiments described in this specification and the configurations shown in the drawings are merely the most preferred embodiments of the present invention and do not represent all the technical ideas of the present invention. Therefore, It is to be understood that equivalents and modifications are possible.
본 명세서에서 어떤 구성 요소가 다른 구성 요소에 “연결되어” 있다거나 “접속되어” 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있는 것을 의미할 수도 있고, 중간에 다른 구성 요소가 존재하는 것을 의미할 수도 있다. 아울러, 본 명세서에서 특정 구성을 “포함”한다고 기술하는 내용은 해당 구성 이외의 구성을 배제하는 것이 아니며, 추가적인 구성이 본 발명의 실시 또는 본 발명의 기술적 사상의 범위에 포함될 수 있음을 의미한다.When an element is referred to herein as being "connected" or "connected" to another element, it may mean directly connected or connected to the other element, Element may be present. In addition, the content of " including " a specific configuration in this specification does not exclude a configuration other than the configuration, and means that additional configurations can be included in the scope of the present invention or the scope of the present invention.
제1, 제2 등의 용어는 다양한 구성들을 설명하는데 사용될 수 있지만, 상기 구성들은 상기 용어에 의해 한정되지 않는다. 상기 용어들은 하나의 구성을 다른 구성으로부터 구별하는 목적으로 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성은 제2 구성으로 명명될 수 있고, 유사하게 제2 구성도 제1 구성으로 명명될 수 있다.The terms first, second, etc. may be used to describe various configurations, but the configurations are not limited by the term. The terms are used for the purpose of distinguishing one configuration from another. For example, without departing from the scope of the present invention, the first configuration may be referred to as the second configuration, and similarly, the second configuration may be named as the first configuration.
또한, 본 발명의 실시예에 나타나는 구성부들은 서로 다른 특징적인 기능을 나타내기 위해 독립적으로 도시되는 것으로, 각 구성부들이 분리된 하드웨어나 하나의 소프트웨어 구성 단위로 이루어짐을 의미하지 않는다. 즉, 각 구성부는 설명의 편의상 각각의 구성부로 나열하여 포함한 것으로 각 구성부 중 적어도 두 개의 구성부가 하나의 구성부를 이루거나, 하나의 구성부가 복수 개의 구성부로 나뉘어져 기능을 수행할 수 있다. 각 구성부의 통합된 실시예 및 분리된 실시예도 본 발명의 본질에서 벗어나지 않는 한 본 발명의 권리 범위에 포함된다.In addition, the components shown in the embodiments of the present invention are shown independently to represent different characteristic functions, and do not mean that the components are composed of separate hardware or software constituent units. That is, each constituent unit is included in each constituent unit for convenience of explanation, and at least two constituent units of each constituent unit may form one constituent unit or one constituent unit may be divided into a plurality of constituent units to perform a function. The integrated embodiments and the separate embodiments of each component are also included in the scope of the present invention unless they depart from the essence of the present invention.
또한, 일부의 구성 요소는 본 발명에서 본질적인 기능을 수행하는 필수적인 구성 요소는 아니고 단지 성능을 향상시키기 위한 선택적 구성 요소일 수 있다. 본 발명은 단지 성능 향상을 위해 사용되는 구성 요소를 제외한 본 발명의 본질을 구현하는데 필수적인 구성부만을 포함하여 구현될 수 있고, 단지 성능 향상을 위해 사용되는 선택적 구성 요소를 제외한 필수 구성 요소만을 포함한 구조도 본 발명의 권리범위에 포함된다.
In addition, some of the components are not essential components to perform essential functions in the present invention, but may be optional components only to improve performance. The present invention can be implemented only with components essential for realizing the essence of the present invention except for the components used for performance improvement, Are also included in the scope of the present invention.
도 1은 본 발명이 적용되는 일실시예로서, 얼굴 영상의 품질 측정에 기반한 얼굴 인식 장치(100)를 개략적으로 도시한 것이다.FIG. 1 schematically illustrates a face recognition apparatus 100 based on quality measurement of a face image according to an embodiment of the present invention. Referring to FIG.
본 발명의 얼굴 인식 장치(100)는 입력된 비디오 영상에서 얼굴 영상을 검출하고, 검출된 얼굴 영상에 대해서 소정의 품질 측정에 기반하여 얼굴 인식(face recognition)을 수행할 수 있다.The face recognition apparatus 100 of the present invention can detect a face image in an input video image and perform face recognition based on a predetermined quality measurement on the detected face image.
도 1을 참조하면, 얼굴 인식 장치(100)는 전처리부(110), 얼굴 클러스터 처리부(120), 얼굴 영상 선택부(130), 얼굴 특징 추출부(140) 및 분류부(150)를 포함할 수 있다.1, the face recognition apparatus 100 includes a
전처리부(110)는 입력된 비디오 영상에 대해서 전처리(Pre-processing)를 수행하고, 비디오 영상 내의 얼굴 영상을 검출할 수 있다. 상기 전처리에서는 입력된 비디오 영상에 대한 노이즈 제거 또는 히스토그램 평활화(equalization) 중 적어도 하나를 수행할 수 있다. 또한, 입력된 비디오 영상에는 복수의 얼굴 영상이 포함될 수 있으며, 이 경우 전처리부(110)는 상기 검출 과정을 통해 비디오 영상에 포함된 얼굴 영상의 개수를 산출할 수 있고, 비디오 영상에 포함된 각각의 얼굴 영상을 식별하기 위한 식별 정보를 산출할 수도 있다. 여기서, 식별 정보라 함은 검출된 얼굴 영상의 위치 또는 크기에 관한 정보를 의미할 수 있다.The
얼굴 클러스터 처리부(120)는 상기 전처리부(110)에서 검출된 얼굴 영상 내의 얼굴 및/또는 얼굴에 포함된 특정 영역(예를 들어, 눈, 코, 귀, 입, 이마 등)을 수평 라인 또는 수직 라인에 맞춰 정렬할 수 있다. The face
예를 들어, 상기 식별 정보에 기반하여 얼굴 영상 내의 눈 영역을 검출하고, 눈이 수평을 이루도록 정렬을 수행할 수 있다. 이때, 눈의 수평을 맞추기 위해서 어파인 변환(affine transform)이 이용될 수 있다. 또는, 얼굴 영상 내의 얼굴을 소정의 각도만큼 회전하거나, 상기 얼굴에 포함된 특정 영역을 수평 또는 수직 라인에 맞춰서 정렬함으로써 얼굴을 정렬시킬 수도 있다.For example, the eye region in the face image may be detected based on the identification information, and the eye may be aligned so as to be horizontal. At this time, an affine transform may be used to align the eyes. Alternatively, the face may be aligned by rotating the face in the face image by a predetermined angle, or aligning a specific area included in the face with a horizontal or vertical line.
얼굴 영상 선택부(130)는 검출된 얼굴 영상에 대해 소정의 품질을 측정하여 해당 얼굴 영상이 얼굴 인식(face recognition)을 위해 이용 가능한 영상(이하, 얼굴 인식 영상이라 한다.)인지를 결정할 수 있다. 상기 소정의 품질은 얼굴 인식과 관련된 품질로서, 얼굴 포즈(Pose) 및 정렬(Alignment)에 관한 품질, 블러(Blur)에 관한 품질 또는 얼굴 영상의 밝기(Brightness)에 관한 품질 중 적어도 하나를 포함할 수 있다.The
상기 소정의 품질 측정을 위해 얼굴 영상 선택부(130)는 포즈/정렬 측정부(132), 블러 측정부(134) 및 밝기 측정부(136)를 포함할 수 있다. The
포즈/정렬 측정부(132)는 검출된 얼굴 영상의 얼굴 포즈 및 정렬에 관한 품질을 측정할 수 있다. 예를 들어, 포즈/정렬 측정부(132)는 얼굴이 정면인지 여부와 얼굴의 정렬 상태(well-aligned 여부)를 측정할 수 있다. 이는 정면의 그리고 정렬이 맞는 얼굴 영상일수록 작은 에러를 가지고 훈련 얼굴 영상(training face image)으로부터 복원이 가능하기 때문이다. 따라서, 검출된 얼굴 영상이 정면의 그리고 정렬이 맞는 영상인 것으로 확인된 경우, 해당 얼굴 영상은 얼굴 인식 영상으로 이용될 수 있다. 상기 훈련 얼굴 영상은 정면의 그리고 정렬이 맞는 후보 얼굴 영상의 집합을 의미하며, 이는 얼굴 인식을 위해 데이터 베이스(DB)에 기-저장된 것일 수 있다.The pose / alignment measuring unit 132 can measure the quality of the face pose and the alignment of the detected face image. For example, the pose / alignment measuring unit 132 may measure whether the face is a front face and whether the face is aligned (well-aligned). This is because the frontal and aligned face images can be restored from training face images with small errors. Accordingly, if it is confirmed that the detected face image is a face image and a matching image, the corresponding face image can be used as a face recognition image. The training face image refers to a set of face images of the front and matching candidates, which may be stored in the database DB for face recognition.
블러 측정부(134)는 포즈/정렬 측정부(132)에 의해서 얼굴 인식 영상으로 결정된 얼굴 영상에 대해서 블러를 측정할 수 있다. 예를 들어, 시간 도메인 상의 얼굴 영상을 주파수 도메인으로 변환하고, 저주파 성분과 고주파 성분에 대한 분석을 통해 얼굴 영상이 블러드(blurred) 영상인지 여부를 판단할 수 있다. 만일, 해당 얼굴 영상이 고주파 영역에 비해 저주파 영역에서 상대적으로 많은 정보 또는 데이터를 가지고 있는 것으로 확인된 경우, 해당 얼굴 영상은 블러드 영상으로 볼 수 있다. 따라서, 검출된 얼굴 영상이 블러드 영상이 아닌 것으로 판단되는 경우에 해당 얼굴 영상은 얼굴 인식 영상으로 이용될 수 있다.The
밝기 측정부(136)는 블러 측정부(134)에 의해서 얼굴 인식 영상으로 결정된 얼굴 영상에 대해서 얼굴 영상의 히스토그램 분석을 통해 얼굴의 밝기와 관련된 품질을 측정할 수 있다. 밝기의 측면에서 볼 때, 얼굴 인식이 되지 않는 얼굴은 너무 밝거나 너무 어두운 얼굴 영상이며, 이 영상들의 히스토그램은 어느 한쪽으로 편중되어 있다. 따라서, 레퍼런스 히스토그램(예를 들어, 고르게 분포된 히스토그램)과 해당 얼굴 영상의 히스토그램 간의 유사도에 기초하여 밝기에 관한 품질을 측정할 수 있다. 검출된 얼굴 영상의 히스토그램이 레퍼런스 히스토그램과 유사한 경우, 해당 얼굴 영상은 얼굴 인식 영상으로 결정될 수 있다.The brightness measuring unit 136 may measure the quality related to the brightness of the face through the histogram analysis of the face image with respect to the face image determined as the face recognition image by the
상기 얼굴 영상 선택부(130)에서는 얼굴 포즈 및 정렬에 관한 품질, 얼굴 영상의 블러에 관한 품질 그리고 얼굴 영상의 밝기에 관한 품질을 순차적으로 측정하는 것을 도시하고 있으나, 이는 당업자에게 자명한 범위 내에서 품질을 측정하는 우선 순위는 변경될 수 있다. 또한, 얼굴 영상 선택부(130)에서는 얼굴 포즈 및 정렬, 얼굴 영상의 블러, 얼굴 영상의 밝기에 관한 품질 측정을 순차적으로 수행하여 얼굴 인식의 정확성을 향상시킬 수도 있고, 보안 수준 또는 얼굴 인식 영상을 결정하기 위한 처리 속도 등을 고려하여 상술한 복수의 품질 측정 중 적어도 하나에 대한 품질 측정을 선택적으로 수행할 수도 있음은 물론이다.The
얼굴 특징 추출부(140)는 얼굴 영상 선택부(130)에 의해서 결정된 얼굴 영상에 대해서 얼굴 특징 정보를 추출할 수 있다. 여기서, 얼굴 특징 정보는 얼굴에 포함된 특정 영역에 관한 위치 및/또는 크기 정보, 해당 특정 영역이 얼굴에서 차지하는 비율 정보 또는 특정 영역의 뎁스 정보(depth information) 중 적어도 하나를 포함할 수 있다.The facial
분류부(150)는 상기 추출된 얼굴 특징 정보 및 기-설정된 분류 알고리즘을 이용하여 얼굴 인식을 수행할 수 있다. 예를 들어, 얼굴 영상 내의 얼굴이 기-등록된 얼굴에 매핑되는지 여부 및/또는 해당 얼굴에 대응하는 개인 정보를 출력할 수 있다. 여기서, 개인 정보는 성명, 주민등록번호, ID 등을 포함할 수 있다.
The classifying
도 2는 본 발명이 적용되는 일실시예로서, 얼굴 인식 장치(100)에서 품질 측정에 기반한 얼굴 인식(face recognition)을 수행하는 방법을 도시한 것이다.FIG. 2 illustrates a method of performing face recognition based on quality measurement in the face recognition apparatus 100 according to an embodiment of the present invention. Referring to FIG.
도 2를 참조하면, 입력된 비디오 영상으로부터 얼굴 영상을 검출할 수 있다(S200).Referring to FIG. 2, a face image can be detected from an input video image (S200).
구체적으로, 입력된 비디오 영상에 대해서 노이즈 제거 또는 히스토그램 평활화 등과 같은 전처리(Pre-processing)를 수행하고, 비디오 영상에 포함된 얼굴 영상을 검출할 수 있다. 비디오 영상에 복수의 얼굴 영상이 포함된 경우, 얼굴 영상의 개수, 각 얼굴 영상을 식별하기 위한 식별 정보를 산출할 수도 있으며, 이는 도 1에서 살펴본 바와 같다. Specifically, the input video image can be subjected to pre-processing such as noise removal or histogram smoothing, and the face image included in the video image can be detected. When a plurality of face images are included in the video image, the number of face images and the identification information for identifying each face image may be calculated, as shown in FIG.
또한, 얼굴 영상을 검출하는 과정에서 해당 얼굴 영상의 얼굴 및/또는 얼굴에 포함된 특정 영역(예를 들어, 눈 입 등)이 기울어져 있거나 틀어져 있는 경우가 발생할 수 있다. 이러한 경우에는 얼굴 및/또는 얼굴에 포함된 특정 영역을 수평 또는 수직 라인에 맞춰서 정렬하거나, 소정의 각도로 회전하는 과정이 수반될 수도 있다.Also, in the process of detecting a face image, a face region and / or a specific region (e.g., an eye region, etc.) included in the face may be inclined or distorted. In this case, a certain area included in the face and / or the face may be aligned with the horizontal or vertical line, or may be accompanied by a process of rotating at a predetermined angle.
도 2를 참조하면, 검출된 얼굴 영상에 대해 품질을 측정하여 검출된 얼굴 영상이 얼굴 인식 영상인지 여부를 결정할 수 있다(S210).Referring to FIG. 2, the quality of the detected face image may be measured to determine whether the detected face image is a face recognition image (S210).
구체적으로, 상기 품질은 검출된 얼굴 영상에 대해서 얼굴 포즈 및 정렬에 관한 품질, 얼굴 영상의 블러에 관한 품질 또는 얼굴 영상의 밝기에 관한 품질 중 적어도 하나를 포함할 수 있다.Specifically, the quality may include at least one of quality related to face pose and alignment, quality with respect to blur of a face image, and quality with respect to brightness of a face image with respect to the detected face image.
또한, 품질 측정의 우선 순위에 따라 상기 복수의 품질을 순차적 또는 계층적으로 측정하여 검출된 얼굴 영상이 얼굴 인식 영상인지를 결정할 수도 있다. 여기서, 품질 측정의 우선 순위는 상기 복수의 품질을 측정하는 순서를 나타내는 것으로서, 이는 기-설정된 것일 수도 있고, 사용자 또는 보안 강도(security strength) 등 외부 요소에 의해 가변적으로 결정될 수도 있다. 본 명세서에서는 얼굴 포즈 및 정렬에 관한 품질, 얼굴 영상의 블러에 관한 품질, 얼굴 영상의 밝기에 관한 품질의 우선 순위로 순차적으로 품질을 측정하는 것을 기재하고 있으나, 이에 한정되지 아니하며 당업자에게 자명한 범위 내에서 우선 순위는 변경될 수 있음은 물론이다. 상술한 복수의 품질에 대한 측정 방법에 대해서는 도 3 내지 도 5를 참조하여 자세히 살펴 보도록 한다.In addition, it is also possible to determine whether the detected face image is a face recognition image by sequentially or hierarchically measuring the plurality of qualities according to a priority order of quality measurement. Here, the priority of the quality measurement indicates the order of measuring the plurality of qualities, which may be pre-established or may be variably determined by external factors such as a user or security strength. In the present specification, the quality is measured successively in terms of the quality of facial pose and alignment, the quality of the blur of the facial image, and the quality of the facial image. However, the present invention is not limited thereto, Of course, the priority order can be changed in the present invention. A method of measuring the plurality of qualities will be described in detail with reference to FIGS. 3 to 5. FIG.
S210 단계에서 검출된 얼굴 영상이 얼굴 인식 영상인 것으로 결정된 경우, 검출된 얼굴 영상으로부터 얼굴 특징 정보를 추출할 수 있다(S220).If it is determined that the face image detected in step S210 is the face recognition image, the face feature information may be extracted from the detected face image (S220).
상기, 얼굴 특징 정보는 얼굴에 포함된 특정 영역에 관한 위치 및/또는 크기 정보, 해당 특정 영역이 얼굴에서 차지하는 비율 정보 또는 특정 영역의 뎁스 정보(depth information) 중 적어도 하나를 포함할 수 있다.The facial feature information may include at least one of position and / or size information regarding a specific area included in a face, ratio information of the specific area occupied by the face, or depth information of a specific area.
S220 단계에서 추출된 얼굴 특징 정보를 이용하여 얼굴 인식(face recognition)을 수행할 수 있다(S230).In operation S230, face recognition may be performed using the face feature information extracted in operation S220.
구체적으로, 상기 얼굴 특징 정보에 기초하여 검출된 얼굴 영상 내의 얼굴이 기-등록된 얼굴에 매핑되는지 여부를 확인할 수 있고, 해당 얼굴에 대응하는 개인 정보를 출력할 수도 있다.Specifically, it is possible to check whether or not a face in the detected face image is mapped to a pre-registered face based on the face feature information, and output personal information corresponding to the face.
반면, S210 단계에서 검출된 얼굴 영상이 얼굴 인식 영상이 아닌 것으로 결정된 경우, 검출된 얼굴 영상에 대해 얼굴 인식이 수행되지 아니하도록 제어할 수 있다. 예를 들어, 검출된 얼굴 영상을 얼굴 특징부(140)로 전송하지 아니하거나, 검출된 얼굴 영상이 얼굴 인식 영상이 아님을 나타내는 별도의 식별자를 시그날링할 수도 있다.
On the other hand, if it is determined in step S210 that the detected face image is not a face recognition image, it is possible to control the face recognition not to be performed on the detected face image. For example, the detected facial image may not be transmitted to the
도 3은 본 발명이 적용되는 일실시예로서, 포즈/정렬 측정부(132)에서 얼굴 영상의 포즈 및 정렬에 관한 품질을 측정하는 방법을 도시한 것이다.FIG. 3 illustrates a method of measuring the quality of pose and alignment of a facial image in the pose / alignment measuring unit 132 according to an embodiment of the present invention.
도 3을 참조하면, 훈련 얼굴 영상(training face image)을 이용하여 검출된 얼굴 영상을 재구성(reconstruct)할 수 있다(S300). Referring to FIG. 3, the detected face image can be reconstructed using a training face image (S300).
구체적으로, 재구성된 얼굴 영상에 대해 관련 훈련 얼굴 영상이 기여하는 정도를 나타내는 기여 계수를 산출할 수 있다. 여기서, 기여 계수는 검출된 얼굴 영상과 재구성된 얼굴 영상 간의 차이에 기반하여 최적의 계수로 결정될 수 있다. 예를 들어, 상기 기여 계수는 다음 수학식 1과 같이 산출될 수 있다.Specifically, the contribution coefficient indicating the degree of contribution of the related training face image to the reconstructed face image can be calculated. Here, the contribution coefficient may be determined as an optimal coefficient based on the difference between the detected face image and the reconstructed face image. For example, the contribution coefficient can be calculated by the following equation (1).
상기 수학식 1에서 fj는 검출된 얼굴 영상을 의미하고, A는 훈련 얼굴 영상을 의미하며, xj는 훈련 얼굴 영상에 기반한 얼굴 영상의 재구성에서 훈련 얼굴 영상에 적용되는 계수를 의미할 수 있다. 수학식 1에서 첫 번째 항은 검출된 얼굴 영상과 재구성된 얼굴 영상 간의 차이 또는 에러를 나타내고, 두 번째 항은 정규화(regularization)에 관한 항으로서, λ는 첫 번째 항과 두 번째 항의 최적화 비율을 조절하는 정규화 파라미터에 해당할 수 있다.In Equation (1), fj denotes the detected face image, A denotes the training face image, and xj denotes a coefficient applied to the training face image in the reconstruction of the face image based on the training face image. The first term in Equation 1 represents a difference or an error between the detected facial image and the reconstructed facial image, the second term is related to regularization, and λ is an adjustment ratio of the first term and the second term. Lt; / RTI >
상기 산출된 기여 계수(xj*)를 훈련 얼굴 영상(A)에 적용하여 검출된 얼굴 영상을 재구성할 수 있다. The calculated contribution coefficient xj * may be applied to the training face image A to reconstruct the detected face image.
도 3을 참조하면, S300 단계에서 재구성된 얼굴 영상과 검출된 얼굴 영상 간의 오차(d1)를 산출할 수 있다(S310).Referring to FIG. 3, in step S300, an error d1 between the reconstructed face image and the detected face image may be calculated (S310).
구체적으로, 검출된 얼굴 영상과 재구성된 얼굴 영상 간의 유클리디언 거리에 의해 얼굴 포즈 및 정렬에 관한 오차(d1)가 측정될 수 있다. 예를 들어, 상기 오차(d1)은 다음 수학식 2와 같이 유도될 수 있다.Specifically, the error d1 relating to the face pose and the alignment can be measured by the Euclidean distance between the detected face image and the reconstructed face image. For example, the error d1 may be derived by the following equation (2).
S310 단계에서 산출된 오차(d1)와 제1 임계치(τ1)를 비교하여 검출된 얼굴 영상이 얼굴 인식 영상인지 여부를 결정할 수 있다(S320).In operation S320, it is determined whether the detected face image is a face recognition image by comparing the error d1 calculated in operation S310 with the first threshold value? 1.
만일, 재구성된 얼굴 영상과 입력된 얼굴 영상 간의 차이가 제1 임계치(τ1)보다 작다면, 이는 포즈 및 정렬 상태가 좋은 얼굴 영상으로 볼 수 있다. 반대로 재구성된 얼굴 영상과 입력된 얼굴 영상 간의 차이가 제1 임계치(τ1)보다 크다면, 이는 포즈 및 정렬의 변화가 심한 얼굴로 볼 수 있다.If the difference between the reconstructed face image and the input face image is smaller than the first threshold value? 1, it can be regarded as a face image having a good pose and alignment state. Conversely, if the difference between the reconstructed facial image and the input facial image is larger than the first threshold value? 1, this can be regarded as a significant change in pose and alignment.
따라서, 오차(d1)와 제1 임계치(τ1) 간의 비교 결과에 기초하여 검출된 얼굴 영상이 얼굴 인식을 위해 이용 가능한 영상에 해당하는지를 결정할 수 있다. 예를 들어, 오차(d1)가 제1 임계치(τ1)보다 작은 경우, 검출된 얼굴 영상은 정면의 그리고 정렬된 얼굴 영상에 해당하므로 이는 얼굴 인식 영상으로 선택될 수 있다.Accordingly, it is possible to determine whether the detected face image corresponds to an image available for face recognition based on the result of comparison between the error d1 and the first threshold value? 1. For example, when the error d1 is smaller than the first threshold value? 1, the detected face image corresponds to the frontal and aligned face image, so that it can be selected as the face recognition image.
반면, 오차(d1)가 제1 임계치(τ1)보다 큰 경우, 검출된 얼굴 영상은 정면이 아니거나 정렬되지 아니한 얼굴 영상에 해당하므로 이는 얼굴 인식 영상으로 선택되지 않을 수 있다.On the other hand, if the error d1 is larger than the first threshold value? 1, the detected face image corresponds to a face image that is not frontalized or not aligned, so that it may not be selected as a face recognition image.
상기 제1 임계치는 얼굴 포즈 및 정렬에 관한 품질을 측정하기 위해 이용되는 임계치로서, 이는 기-설정된 것일 수도 있고, 사용자 또는 보안 강도 등 외부 요소에 따라 가변적으로 결정될 수도 있다.
The first threshold may be a threshold used to measure quality regarding facial pose and alignment, which may be pre-established and variably determined according to external factors such as user or security strength.
도 4는 본 발명이 적용되는 일실시예로서, 블러 측정부(134)에서 얼굴 영상의 블러에 관한 품질을 측정하는 방법을 도시한 것이다.FIG. 4 illustrates a method of measuring quality of a blur of a face image in a
도 4를 참조하면, 검출된 얼굴 영상을 주파수 도메인으로 변환할 수 있다(S400). 예를 들어, 시간 도메인의 얼굴 영상에 대해 이산 푸리에 변환(Discrete Fourier Transform)을 수행하여 주파수 도메인의 얼굴 영상으로 변환할 수 있다.Referring to FIG. 4, the detected face image can be converted into a frequency domain (S400). For example, a face image in the time domain can be transformed into a frequency domain face image by performing a discrete Fourier transform.
상기 주파수 도메인 상의 크기 스펙트럼(magnitude spectrum)을 이용하여 누적 분포 함수(cumulative distribution function)를 생성할 수 있다(S410).A cumulative distribution function may be generated using the magnitude spectrum on the frequency domain (S410).
S410 단계에서 생성된 누적 분포 함수의 첨도 값(kurtosis, d2)와 제2 임계치(τ2) 간의 비교에 기초하여 검출된 얼굴 영상이 얼굴 인식 영상인지 또는 블러드(blurred) 영상인지를 결정할 수 있다(S420).It is possible to determine whether the detected face image is a face recognition image or a blurred image based on a comparison between the kurtosis value d2 of the cumulative distribution function generated in step S410 and the second threshold value 2 ).
예를 들어, 누적 분포 함수의 첨도 값(d2)이 제2 임계치(τ2)보다 큰 경우, 검출된 얼굴 영상은 블러드(blurred) 영상으로 볼 수 있다. 이 경우, 검출된 얼굴 영상은 얼굴 인식 영상으로 이용되지 않도록 제한될 수 있다.For example, if the kurtosis value d2 of the cumulative distribution function is larger than the second threshold value? 2, the detected face image can be regarded as a blurred image. In this case, the detected face image may be restricted so as not to be used as the face recognition image.
반면, 누적 분포 함수의 첨도 값(d2)이 제2 임계치(τ2)보다 작은 경우, 검출된 얼굴 영상에는 블러가 존재하지 않는 것으로 볼 수 있으므로 해당 얼굴 영상을 얼굴 인식 영상으로 선택할 수 있다.On the other hand, if the kurtosis value d2 of the cumulative distribution function is smaller than the second threshold value? 2, the detected face image can be regarded as having no blur, so that the face image can be selected as the face recognition image.
상기 첨도 값(d2)은 도수 분포의 집중도를 나타내는 것으로서, 얼굴 영상이 블러드(blurred) 영상인지 여부를 판단하기 위한 척도로 이용될 수 있다. 또한, 상기 제2 임계치(τ2)는 얼굴 영상의 블러에 관한 품질을 측정하기 위해 이용되는 임계치로서, 마찬가지로 기-설정된 것일 수도 있고, 사용자 또는 보안 강도 등 외부 요소에 따라 가변적으로 결정될 수도 있다.
The kurtosis value d2 indicates the degree of concentration of the frequency distribution, and can be used as a measure for determining whether the face image is a blurred image. Also, the second threshold value? 2 may be set as a threshold value used for measuring the quality of the blur of the facial image, or may be variably determined according to external factors such as the user or security strength.
도 5는 본 발명이 적용되는 일실시예로서, 밝기 측정부(136)에서 얼굴 영상의 밝기에 관한 품질을 측정하는 방법을 도시한 것이다.FIG. 5 illustrates a method of measuring the quality of brightness of a facial image by the brightness measuring unit 136 according to an embodiment of the present invention. Referring to FIG.
도 5를 참조하면, 검출된 얼굴 영상의 히스토그램 분석을 통해 밝기에 관한 유사도(d3)를 산출할 수 있다(S500).Referring to FIG. 5, the degree of similarity d3 related to the brightness can be calculated through histogram analysis of the detected face image (S500).
구체적으로, 레퍼런스 히스토그램과 검출된 얼굴 영상의 히스토그램 간의 유사도(closeness)를 산출할 수 있다. 여기서, 레퍼런스 히스토그램은 uniform하게 분포된 히스토그램을 의미할 수 있다. 예를 들어, 상기 유사도(d3)는 다음 수학식 3과 같이 유도될 수 있다.Specifically, the closeness between the reference histogram and the histogram of the detected face image can be calculated. Here, the reference histogram may mean a uniformly distributed histogram. For example, the similarity degree d3 may be derived as shown in Equation (3).
상기 수학식 3에서 hj는 검출된 얼굴 영상의 히스토그램을 의미하고, href는 레퍼런스 히스토그램을 의미한다.In Equation (3), hj denotes a histogram of the detected face image, and href denotes a reference histogram.
도 5를 참조하면, 산출된 유사도(d3)와 제3 임계치(τ3) 간의 비교에 기초하여 검출된 얼굴 영상이 얼굴 인식 영상인지를 결정할 수 있다(S510).Referring to FIG. 5, it is determined whether the detected face image is a face recognition image based on a comparison between the calculated similarity degree d3 and the third threshold value? 3 (S510).
예를 들어, 상기 유사도(d3)가 제3 임계치(τ3)보다 큰 경우, 검출된 얼굴 영상은 밝기 품질이 좋지 않은 영상으로 볼 수 있다. 따라서, 이러한 경우 검출된 얼굴 영상은 얼굴 인식 영상으로 이용되지 않도록 제한될 수 있다.For example, if the similarity degree d3 is greater than the third threshold value? 3, the detected face image can be regarded as an image having poor brightness quality. Therefore, in such a case, the detected face image can be restricted not to be used as the face recognition image.
반면, 상기 유사도(d3)가 제3 임계치(τ3)보다 작은 경우, 검출된 얼굴 영상은 얼굴 인식에 좋은 밝기를 가진 영상으로 볼 수 있는바, 해당 얼굴 영상을 얼굴 인식 영상으로 선택할 수 있다.On the other hand, if the similarity degree d3 is smaller than the third threshold value? 3, the detected face image can be regarded as an image having good brightness for face recognition, and the corresponding face image can be selected as the face recognition image.
상기 제3 임계치(τ3)는 얼굴 영상의 밝기에 관한 품질을 측정하기 위해 이용되는 임계치로서, 마찬가지로 기-설정된 것일 수도 있고, 사용자 또는 보안 강도 등 외부 요소에 따라 가변적으로 결정될 수도 있다.The third threshold value? 3 may be a threshold value used for measuring the quality of the facial image brightness, or may be variably determined according to an external factor such as a user or security strength.
Claims (18)
상기 검출된 얼굴 영상에 대해 품질을 측정하여 상기 검출된 얼굴 영상이 얼굴 인식 영상인지 여부를 결정하는 단계;여기서, 상기 품질은 얼굴 포즈(Pose) 및 정렬(Alignment)에 관한 품질, 얼굴 영상의 블러(Blur)에 관한 품질 또는 얼굴 영상의 밝기(Brightness)에 관한 품질 중 적어도 하나를 포함하고, 상기 얼굴 인식 영상은 얼굴 인식(face recognition)을 위해 이용 가능한 영상을 의미함,
상기 검출된 얼굴 영상이 얼굴 인식 영상으로 결정된 경우, 상기 검출된 얼굴 영상으로부터 얼굴 특징 정보를 추출하는 단계; 및
상기 추출된 얼굴 특징 정보를 이용하여 상기 얼굴 인식을 수행하는 단계를 포함하는 것을 특징으로 하는 품질 측정 기반의 얼굴 인식 방법.Detecting a face image from an inputted video image;
Determining whether the detected face image is a face recognition image by measuring quality of the detected face image, wherein the quality is determined by a quality relating to face pose and alignment, Wherein the face recognition image includes at least one of a quality related to blur and a quality related to a brightness of a face image, the face recognition image means an image available for face recognition,
Extracting facial feature information from the detected facial image if the detected facial image is determined as a facial recognition image; And
And performing the face recognition using the extracted facial feature information.
품질 측정의 우선 순위에 따라 상기 얼굴 포즈 및 정렬에 관한 품질, 상기 검출된 얼굴 영상의 블러에 관한 품질 또는 상기 검출된 얼굴 영상의 밝기에 관한 품질 중 적어도 하나를 순차적 또는 계층적으로 측정하여 수행되는 것을 특징으로 하는 품질 측정 기반의 얼굴 인식 방법.The method of claim 1, wherein the determining whether the face recognition image is a face recognition image comprises:
The quality of the detected face image, or the quality of the detected face image, based on the quality of the face pose and alignment, the quality of the detected face image, or the brightness of the detected face image, Wherein the face recognition method is a face recognition method based on quality measurement.
훈련 얼굴 영상(training face image)과 기여 계수를 이용하여 상기 검출된 얼굴 영상을 재구성하는 단계;여기서, 상기 기여 계수는 상기 재구성된 얼굴 영상에 대해 상기 훈련 얼굴 영상이 기여하는 정도를 나타냄,
상기 재구성된 얼굴 영상과 상기 검출된 얼굴 영상 간의 오차를 산출하는 단계; 및
상기 오차와 제1 임계치를 비교하여 상기 검출된 얼굴 영상이 상기 얼굴 인식 영상인지 여부를 결정하는 단계를 포함하는 것을 특징으로 하는 품질 측정 기반의 얼굴 인식 방법.The method of claim 2, wherein the determining whether the face recognition image is a face recognition image comprises:
Reconstructing the detected face image using a training face image and a contribution coefficient, wherein the contribution coefficient indicates a degree to which the training face image contributes to the reconstructed face image,
Calculating an error between the reconstructed facial image and the detected facial image; And
And comparing the error with a first threshold value to determine whether the detected face image is the face recognition image.
상기 오차가 상기 제1 임계치보다 작은 경우에 상기 검출된 얼굴 영상은 상기 얼굴 인식 영상으로 결정되는 것을 특징으로 하는 품질 측정 기반의 얼굴 인식 방법.The method of claim 3,
Wherein the detected face image is determined as the face recognition image when the error is smaller than the first threshold value.
상기 검출된 얼굴 영상이 상기 얼굴 인식 영상으로 결정된 경우, 상기 얼굴 인식 영상인지 여부를 결정하는 단계는,
상기 검출된 얼굴 영상을 주파수 도메인으로 변환하는 단계;
상기 주파수 도메인의 크기 스펙트럼을 이용하여 누적 분포 함수를 생성하는 단계; 및
상기 생성된 누적 분포 함수의 첨도 값과 제2 임계치 간의 비교에 기초하여 상기 선택된 얼굴 영상이 상기 얼굴 인식 영상인지 여부를 재결정하는 단계를 더 포함하는 것을 특징으로 하는 품질 측정 기반의 얼굴 인식 방법.The method of claim 3,
Wherein the step of determining whether the detected face image is the face recognition image includes the steps of:
Converting the detected face image into a frequency domain;
Generating a cumulative distribution function using a magnitude spectrum of the frequency domain; And
Further comprising re-determining whether the selected face image is the face recognition image based on a comparison between a kurtosis value of the generated cumulative distribution function and a second threshold value.
상기 누적 분포 함수의 첨도 값이 상기 제2 임계치보다 작은 경우, 상기 검출된 얼굴 영상은 상기 얼굴 인식 영상으로 재결정되는 것을 특징으로 하는 품질 측정 기반의 얼굴 인식 방법.6. The method of claim 5,
And if the kurtosis value of the cumulative distribution function is smaller than the second threshold value, the detected face image is re-determined as the face recognition image.
상기 첨도 값은 상기 검출된 얼굴 영상이 블러드(blurred) 영상인지 여부를 판단하기 위한 척도인 것을 특징으로 하는 품질 측정 기반의 얼굴 인식 방법.6. The method of claim 5,
Wherein the kurtosis value is a measure for determining whether the detected face image is a blurred image.
상기 검출된 얼굴 영상이 상기 얼굴 인식 영상으로 재결정된 경우, 상기 얼굴 인식 영상인지 여부를 결정하는 단계는,
상기 검출된 얼굴 영상의 히스토그램 분석을 통해 밝기에 관한 유사도(closeness)를 산출하는 단계;여기서, 상기 유사도는 레퍼런스 히스토그램과 상기 검출된 얼굴 영상의 히스토그램 간의 유사도임, 및
상기 산출된 유사도와 제3 임계치 간의 비교에 기초하여 상기 검출된 얼굴 영상을 상기 얼굴 인식 영상으로 선택하는 단계를 더 포함하는 것을 특징으로 하는 품질 측정 기반의 얼굴 인식 방법.6. The method of claim 5,
Determining whether the face recognition image is the face recognition image when the detected face image is redetermined as the face recognition image,
Calculating closeness with respect to brightness through histogram analysis of the detected face image, wherein the similarity is a degree of similarity between a reference histogram and a histogram of the detected face image, and
And selecting the detected face image as the face recognition image based on a comparison between the calculated similarity and a third threshold value.
상기 유사도가 상기 제3 임계치보다 작은 경우, 상기 검출된 얼굴 영상은 상기 얼굴 인식 영상으로 선택되는 것을 특징으로 하는 품질 측정 기반의 얼굴 인식 방법.9. The method of claim 8,
Wherein the detected face image is selected as the face recognition image if the similarity degree is smaller than the third threshold value.
상기 검출된 얼굴 영상에 대해 품질을 측정하여 상기 검출된 얼굴 영상이 얼굴 인식 영상인지 여부를 결정하는 얼굴 영상 선택부;
상기 검출된 얼굴 영상이 얼굴 인식 영상으로 결정된 경우, 상기 검출된 얼굴 영상으로부터 얼굴 특징 정보를 추출하는 얼굴 특징 추출부; 및
상기 추출된 얼굴 특징 정보를 이용하여 상기 얼굴 인식을 수행하는 분류부를 포함하되,
상기 품질은 얼굴 포즈(Pose) 및 정렬(Alignment)에 관한 품질, 얼굴 영상의 블러(Blur)에 관한 품질 또는 얼굴 영상의 밝기(Brightness)에 관한 품질 중 적어도 하나를 포함하고, 상기 얼굴 인식 영상은 얼굴 인식(face recognition)을 위해 이용 가능한 영상을 의미하는 것을 특징으로 하는 품질 측정 기반의 얼굴 인식 장치.A preprocessing unit for detecting a face image from an input video image;
A face image selecting unit for measuring quality of the detected face image to determine whether the detected face image is a face recognition image;
A face feature extraction unit for extracting face feature information from the detected face image when the detected face image is determined as a face recognition image; And
And a classifier for performing the face recognition using the extracted facial feature information,
Wherein the quality includes at least one of quality of face pose and alignment, quality of blur of a face image, or quality of brightness of a face image, Wherein the face recognition means refers to an image available for face recognition.
상기 얼굴 포즈 및 정렬에 관한 품질을 측정하는 포즈/정렬 측정부, 상기 검출된 얼굴 영상의 블러에 관한 품질을 측정하는 블러 측정부 또는 상기 검출된 얼굴 영상의 밝기에 관한 품질을 측정하는 밝기 측정부 중 적어도 하나를 포함하는 것을 특징으로 하는 품질 측정 기반의 얼굴 인식 장치.11. The apparatus according to claim 10,
A pose / alignment measuring unit for measuring a quality of the face pose and alignment, a blur measuring unit for measuring a quality of a blur of the detected face image, or a brightness measuring unit for measuring quality of brightness of the detected face image Wherein the at least one of the at least one of the at least one of the at least two of the at least one of the at least two of the at least two of the at least one of the at least one of the at least two users.
훈련 얼굴 영상(training face image)과 기여 계수를 이용하여 상기 검출된 얼굴 영상을 재구성하고, 상기 재구성된 얼굴 영상과 상기 검출된 얼굴 영상 간의 오차를 산출하며, 상기 오차와 제1 임계치를 비교하여 상기 검출된 얼굴 영상이 상기 얼굴 인식 영상인지 여부를 결정하되,
상기 기여 계수는 상기 재구성된 얼굴 영상에 대해 상기 훈련 얼굴 영상이 기여하는 정도를 나타내는 것을 특징으로 하는 품질 측정 기반의 얼굴 인식 장치.12. The apparatus according to claim 11, wherein the pose /
Reconstructing the detected face image using a training face image and a contribution coefficient, calculating an error between the reconstructed face image and the detected face image, comparing the error with a first threshold value, Determining whether the detected face image is the face recognition image,
Wherein the contribution coefficient indicates a degree of contribution of the training face image to the reconstructed face image.
상기 오차가 상기 제1 임계치보다 작은 경우에 상기 검출된 얼굴 영상은 상기 얼굴 인식 영상으로 결정되는 것을 특징으로 하는 품질 측정 기반의 얼굴 인식 장치.13. The method of claim 12,
Wherein the detected face image is determined as the face recognition image when the error is smaller than the first threshold value.
상기 검출된 얼굴 영상이 상기 얼굴 인식 영상으로 결정된 경우, 상기 블러 측정부는,
상기 검출된 얼굴 영상을 주파수 도메인으로 변환하고, 상기 주파수 도메인의 크기 스펙트럼을 이용하여 누적 분포 함수를 생성하며, 상기 생성된 누적 분포 함수의 첨도 값과 제2 임계치 간의 비교에 기초하여 상기 선택된 얼굴 영상이 상기 얼굴 인식 영상인지 여부를 재결정하는 것을 특징으로 하는 품질 측정 기반의 얼굴 인식 장치.13. The method of claim 12,
When the detected face image is determined as the face recognition image,
Generating a cumulative distribution function by using the frequency spectrum of the frequency domain, generating a cumulative distribution function of the selected face image based on a comparison between a kurtosis value of the cumulative distribution function and a second threshold value, Wherein the determination unit determines whether the face recognition image is the face recognition image.
상기 누적 분포 함수의 첨도 값이 상기 제2 임계치보다 작은 경우, 상기 검출된 얼굴 영상은 상기 얼굴 인식 영상으로 재결정되는 것을 특징으로 하는 품질 측정 기반의 얼굴 인식 장치.15. The method of claim 14,
Wherein the detected face image is redetermined as the face recognition image if the kurtosis value of the cumulative distribution function is smaller than the second threshold value.
상기 첨도 값은 상기 검출된 얼굴 영상이 블러드(blurred) 영상인지 여부를 판단하기 위한 척도인 것을 특징으로 하는 품질 측정 기반의 얼굴 인식 장치.15. The method of claim 14,
Wherein the kurtosis value is a measure for determining whether the detected face image is a blurred image.
상기 검출된 얼굴 영상이 상기 얼굴 인식 영상으로 재결정된 경우, 상기 밝기 측정부는,
상기 검출된 얼굴 영상의 히스토그램 분석을 통해 밝기에 관한 유사도(closeness)를 산출하고, 상기 산출된 유사도와 제3 임계치 간의 비교에 기초하여 상기 검출된 얼굴 영상을 상기 얼굴 인식 영상으로 선택하되,
상기 유사도는 레퍼런스 히스토그램과 상기 검출된 얼굴 영상의 히스토그램 간의 유사도인 것을 특징으로 하는 품질 측정 기반의 얼굴 인식 장치.15. The method of claim 14,
When the detected face image is re-determined as the face recognition image,
Calculating closeness with respect to brightness through histogram analysis of the detected face image, selecting the detected face image as the face recognition image based on a comparison between the calculated similarity and a third threshold value,
Wherein the degree of similarity is a degree of similarity between a reference histogram and a histogram of the detected face image.
상기 유사도가 상기 제3 임계치보다 작은 경우, 상기 검출된 얼굴 영상은 상기 얼굴 인식 영상으로 선택되는 것을 특징으로 하는 품질 측정 기반의 얼굴 인식 장치.18. The method of claim 17,
Wherein the detected face image is selected as the face recognition image when the similarity degree is smaller than the third threshold value.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020150048592A KR20160119932A (en) | 2015-04-06 | 2015-04-06 | Method and apparatus for face recognition based quality assessment |
| PCT/KR2016/003608 WO2016163755A1 (en) | 2015-04-06 | 2016-04-06 | Quality measurement-based face recognition method and apparatus |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020150048592A KR20160119932A (en) | 2015-04-06 | 2015-04-06 | Method and apparatus for face recognition based quality assessment |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20160119932A true KR20160119932A (en) | 2016-10-17 |
Family
ID=57072122
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020150048592A KR20160119932A (en) | 2015-04-06 | 2015-04-06 | Method and apparatus for face recognition based quality assessment |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20160119932A (en) |
| WO (1) | WO2016163755A1 (en) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106803067A (en) * | 2016-12-28 | 2017-06-06 | 浙江大华技术股份有限公司 | A kind of quality of human face image appraisal procedure and device |
| KR20180044742A (en) * | 2016-10-24 | 2018-05-03 | 삼성에스디에스 주식회사 | Method and apparatus for selecting a image |
| EP3545467A4 (en) * | 2016-12-28 | 2019-12-18 | Zhejiang Dahua Technology Co., Ltd. | Methods, systems, and media for evaluating images |
| KR102220574B1 (en) * | 2020-04-06 | 2021-02-25 | 두에이아이(주) | Method, apparatus and computer program for calculating quality score threshold for filtering image data |
| US11157760B2 (en) | 2017-12-21 | 2021-10-26 | Samsung Electronics Co., Ltd. | Liveness test method and apparatus |
| KR20220039463A (en) * | 2020-09-22 | 2022-03-29 | (주) 아하 | Device and method for human recognition based on deep learning |
| WO2022191495A1 (en) * | 2021-03-09 | 2022-09-15 | 삼성전자 주식회사 | Electronic device and facial recognition method thereof |
| KR102444928B1 (en) * | 2021-06-28 | 2022-09-21 | 주식회사 펫나우 | Method for detecting object for identifying animal and apparatus thereof |
| KR102452192B1 (en) * | 2021-06-28 | 2022-10-11 | 주식회사 펫나우 | Method for filtering image of object for identifying animal and apparatus thereof |
| WO2023277473A1 (en) * | 2021-06-28 | 2023-01-05 | 주식회사 펫나우 | Method for photographing object for identifying companion animal, and electronic device |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108305366A (en) * | 2018-02-08 | 2018-07-20 | 深圳汇通智能化科技有限公司 | A kind of intelligent access control system with face identification functions |
| CN109977931A (en) * | 2019-05-06 | 2019-07-05 | 北京理工大学 | A kind of face identification method of anti motion-blur |
| CN112102551A (en) * | 2020-09-27 | 2020-12-18 | 北京市商汤科技开发有限公司 | Device control method, device, electronic device and storage medium |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060093238A1 (en) * | 2004-10-28 | 2006-05-04 | Eran Steinberg | Method and apparatus for red-eye detection in an acquired digital image using face recognition |
| US8031914B2 (en) * | 2006-10-11 | 2011-10-04 | Hewlett-Packard Development Company, L.P. | Face-based image clustering |
| US8634601B2 (en) * | 2011-05-11 | 2014-01-21 | Honeywell International Inc. | Surveillance-based high-resolution facial recognition |
| KR101322168B1 (en) * | 2012-01-17 | 2013-10-28 | 성균관대학교산학협력단 | Apparatus for real-time face recognition |
| US9147131B2 (en) * | 2012-07-30 | 2015-09-29 | Evernote Corporation | Extracting multiple facial photos from a video clip |
-
2015
- 2015-04-06 KR KR1020150048592A patent/KR20160119932A/en unknown
-
2016
- 2016-04-06 WO PCT/KR2016/003608 patent/WO2016163755A1/en active Application Filing
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180044742A (en) * | 2016-10-24 | 2018-05-03 | 삼성에스디에스 주식회사 | Method and apparatus for selecting a image |
| CN106803067A (en) * | 2016-12-28 | 2017-06-06 | 浙江大华技术股份有限公司 | A kind of quality of human face image appraisal procedure and device |
| EP3545467A4 (en) * | 2016-12-28 | 2019-12-18 | Zhejiang Dahua Technology Co., Ltd. | Methods, systems, and media for evaluating images |
| CN106803067B (en) * | 2016-12-28 | 2020-12-08 | 浙江大华技术股份有限公司 | Method and device for evaluating quality of face image |
| US11615643B2 (en) | 2016-12-28 | 2023-03-28 | Zhejiang Dahua Technology Co., Ltd. | Methods, systems, and media for evaluating images |
| US11120252B2 (en) | 2016-12-28 | 2021-09-14 | Zhejiang Dahua Technology Co., Ltd. | Methods, systems, and media for evaluating images |
| US11157760B2 (en) | 2017-12-21 | 2021-10-26 | Samsung Electronics Co., Ltd. | Liveness test method and apparatus |
| US11971924B2 (en) | 2017-12-21 | 2024-04-30 | Samsung Electronics Co., Ltd. | Liveness test method and apparatus |
| KR102220574B1 (en) * | 2020-04-06 | 2021-02-25 | 두에이아이(주) | Method, apparatus and computer program for calculating quality score threshold for filtering image data |
| KR20220039463A (en) * | 2020-09-22 | 2022-03-29 | (주) 아하 | Device and method for human recognition based on deep learning |
| WO2022065649A1 (en) * | 2020-09-22 | 2022-03-31 | 주식회사 아하정보통신 | Deep learning-based human recognition apparatus and method |
| WO2022191495A1 (en) * | 2021-03-09 | 2022-09-15 | 삼성전자 주식회사 | Electronic device and facial recognition method thereof |
| KR102444928B1 (en) * | 2021-06-28 | 2022-09-21 | 주식회사 펫나우 | Method for detecting object for identifying animal and apparatus thereof |
| KR102452192B1 (en) * | 2021-06-28 | 2022-10-11 | 주식회사 펫나우 | Method for filtering image of object for identifying animal and apparatus thereof |
| WO2023277473A1 (en) * | 2021-06-28 | 2023-01-05 | 주식회사 펫나우 | Method for photographing object for identifying companion animal, and electronic device |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2016163755A1 (en) | 2016-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20160119932A (en) | Method and apparatus for face recognition based quality assessment | |
| CN108009531B (en) | Multi-strategy anti-fraud face recognition method | |
| Wong et al. | Patch-based probabilistic image quality assessment for face selection and improved video-based face recognition | |
| Raghavendra et al. | Robust scheme for iris presentation attack detection using multiscale binarized statistical image features | |
| CN105160318B (en) | Lie detecting method based on facial expression and system | |
| KR101725651B1 (en) | Identification apparatus and method for controlling identification apparatus | |
| WO2019223102A1 (en) | Method and apparatus for checking validity of identity, terminal device and medium | |
| CN105404884B (en) | Image analysis method | |
| KR102284096B1 (en) | System and method for estimating subject image quality using visual saliency and a recording medium having computer readable program for executing the method | |
| KR20170006355A (en) | Method of motion vector and feature vector based fake face detection and apparatus for the same | |
| JP6544900B2 (en) | Object identification device, object identification method and program | |
| CN111368764B (en) | False video detection method based on computer vision and deep learning algorithm | |
| KR20130048076A (en) | Face recognition apparatus and control method for the same | |
| WO2020244071A1 (en) | Neural network-based gesture recognition method and apparatus, storage medium, and device | |
| JP6071002B2 (en) | Reliability acquisition device, reliability acquisition method, and reliability acquisition program | |
| KR20130054767A (en) | Multiple biometrics apparatus and method thereof | |
| US10043071B1 (en) | Automated document classification | |
| CN108876756A (en) | The measure and device of image similarity | |
| US20060257017A1 (en) | Classification methods, classifier determination methods, classifiers, classifier determination devices, and articles of manufacture | |
| Raghavendra et al. | Automatic face quality assessment from video using gray level co-occurrence matrix: An empirical study on automatic border control system | |
| WO2022105655A1 (en) | Image processing method, image processing apparatus, electronic device, and computer readable storage medium | |
| Thamaraimanalan et al. | Multi biometric authentication using SVM and ANN classifiers | |
| Lee et al. | Robust iris recognition baseline for the grand challenge | |
| KR20140107946A (en) | Authentication apparatus and authentication method thereof | |
| CN108154116A (en) | A kind of image-recognizing method and system |