KR100639988B1 - 얼굴 특징 추출 장치 및 그 방법 - Google Patents

얼굴 특징 추출 장치 및 그 방법 Download PDF

Info

Publication number
KR100639988B1
KR100639988B1 KR1020050033206A KR20050033206A KR100639988B1 KR 100639988 B1 KR100639988 B1 KR 100639988B1 KR 1020050033206 A KR1020050033206 A KR 1020050033206A KR 20050033206 A KR20050033206 A KR 20050033206A KR 100639988 B1 KR100639988 B1 KR 100639988B1
Authority
KR
South Korea
Prior art keywords
local basis
basis vector
basis vectors
local
face
Prior art date
Application number
KR1020050033206A
Other languages
English (en)
Other versions
KR20060110707A (ko
Inventor
이용진
이경희
반성범
Original Assignee
한국전자통신연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020050033206A priority Critical patent/KR100639988B1/ko
Priority to US11/202,874 priority patent/US7853049B2/en
Publication of KR20060110707A publication Critical patent/KR20060110707A/ko
Application granted granted Critical
Publication of KR100639988B1 publication Critical patent/KR100639988B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

본 발명은 얼굴 특징 추출 장치 및 그 방법에 관한 것으로, 2차원 얼굴 인식 시스템에서 사용되는 얼굴 특징 추출 장치에 있어서, 다수의 사용자로부터 입력된 얼굴 영상 데이터로부터 얼굴을 이루는 요소에 대한 특징을 추출할 수 있는 지역적 기저 벡터를 다수개 생성하는 지역적 기저 벡터 생성부; 상기 지역적 기저 벡터 생성부에서 생성된 다수개의 지역적 기저 벡터중에서 얼굴 인식에 사용될 소정 개수의 지역적 기저 벡터를 선택하는 지역적 기저 벡터 선택부; 및 상기 지역적 기저 벡터 선택부에서 선택된 지역적 기저 벡터를 중첩하여 보다 적은 개수의 중첩된 지역적 기저 벡터를 얼굴 특징 추출을 위한 기저 벡터로 하는 지역적 기저 벡터 중첩부;로 구성된다. 따라서, 보다 신속하고 인식율을 높일 수 있는 2차원 얼굴 인식 시스템을 제공할 수 있다.

Description

얼굴 특징 추출 장치 및 그 방법{Method and apparatus for extraction of face feature}
도 1은 본 발명에 따른 얼굴 특징 추출 장치에 대한 블럭도이다.
도 2는 도 1의 지역적 기저 벡터 생성부에서 생성된 지역적 기저 벡터의 일 예를 나타낸 것이다.
도 3은 도 1의 지역적 기저 벡터 선택부에서 얼굴 인식에 적합한 지역적 기저 벡터를 선택하기 위해 구한 피셔 스코어(Fisher Score)값을 영상으로 나타낸 일 예이다.
도 4는 도 3에서 선택된 지역적 기저 벡터를 평균 얼굴 영상에 위치를 표시한 일 예이다.
도 5는 도 1의 지역적 기저 벡터 중첩부에서 지역적 기저 벡터를 중첩하는 과정을 도시적으로 나타낸 일 예이다.
도 6은 도 1의 지역적 기저 벡터 중첩부에서 중첩된 지역적 기저 벡터의 일 예를 나타낸 것이다.
도 7은 본 발명에 따란 얼굴 특징 추출 방법에 대한 흐름도이다.
도 8은 도 7의 지역적 기저 벡터 생성단계를 보다 구체적으로 나타낸 흐름도이다.
도 9는 도 7의 지역적 기저 벡터 선택단계를 보다 구체적으로 나타낸 흐름도이다.
도 10은 도 7의 지역적 기저 벡터 중첩단계를 보다 구체적으로 나타낸 흐름도이다.
도 11은 종래의 얼굴 특징 추출 방법과 본 발명에 따른 얼굴 특징 추출 방법을 이용하여 얼굴 특징을 추출한 후 이에 따른 얼굴 인식율을 표로 나타낸 것이다.
도 12는 종래의 얼굴 특징 추출 방법과 본 발명에 따른 얼굴 특징 추출 방법을 이용하여 얼굴 특징으로 추출한 후 이에 따른 얼굴 인식율을 그래프로 나타낸 것이다.
본 발명은 얼굴 특징 추출 장치 및 그 방법에 관한 것으로, 보다 상세하게는 보다 인식율이 높은 2차원 얼굴 인식 시스템을 제공하도록 하기 위한 얼굴 특징 추출 장치 및 방법에 관한 것이다.
얼굴 인식 방법은 크게 2차원 사진에 기반을 둔 방법과 3차원 모델링에 기반을 둔 방법으로 나눌 수 있다. 일반적으로, 3차원 모델링에 기반을 둔 방법이 다양한 환경에서 높은 인식율과 안정된 성능을 보여 주는 장점이 있으나, 고가의 장비가 필요하고, 인식과 관련하여 많은 계산량이 필요하기 때문에 실시간 사용자 얼굴 인식이 어렵다는 단점이 있다. 반면, 2차원 사진에 기반을 둔 방법은 조명, 얼굴의 방향, 표정 변화에 따라 인식 성능이 많은 영향을 받는다는 단점이 있으나 저가의 장비로 빠른 인식이 가능하다는 장점이 있다.
사진에 기반을 둔 2차원 얼굴 인식 시스템에서 가장 중요한 것은 얼굴 특징을 추출하는 것이다. 얼굴 원본 사진 자체는 고차원 데이터로 얼굴 인식 시스템에 그대로 사용할 경우 많은 계산이 필요하기 때문에 시스템의 효율성이 저하된다. 그리고 얼굴 사진에는 얼굴 인식에 적합하지 않은 불필요한 부분(예를 들어, 잡음)도 포함 되어 있기 때문에, 얼굴 사진을 그대로 이용할 경우 높은 인식 성능을 기대할 수 없다. 따라서 2차원 얼굴 인식 시스템을 구성하기 위해서는 인식에 적합한 부분을 추출하거나 인식에 적합한 형태로 얼굴 영상을 재표현하는 과정인 특징 추출 과정을 거쳐야 한다. 일반적으로, 얼굴 특징을 추출하기 위해서는 기저 벡터가 사용된다. 기저 벡터는 일종의 얼굴을 기술하는 모델로서, 어떠한 기저 벡터를 사용하였는가에 따라 서로 다른 성격의 얼굴 특징이 추출된다. 따라서, 얼굴 특징 추출 방법이라고 할 때 직접적으로 기저 벡터 생성 방법을 의미하기도 한다.
그러나, 종래의 2차원 얼굴 인식 시스템에서는 인식율이 낮아 보다 얼굴 인식율을 높일 수 있는 장치 및 방법이 필요하게 되었다.
본 발명이 이루고자 하는 기술적 과제는 얼굴 특징 추출을 위한 새로운 방법을 제공하기 위해 얼굴 특징 추출에 사용할 수 있는 기저 벡터를 생성하는 새로운 방법을 제공한다. 그리고, 본 발명에 의해 제안된 방법을 이용하여 추출된 특징을 얼굴 인식에 사용한다.
상기 발명이 이루고자 하는 기술적 과제를 수행하기 위한 본 발명의 얼굴 특징 추출 장치는, 2차원 얼굴 인식 시스템에서 사용되는 얼굴 특징 추출 장치에 있어서, 다수의 사용자로부터 입력된 얼굴 영상 데이터로부터 얼굴을 이루는 요소에 대한 특징을 추출할 수 있는 지역적 기저 벡터를 다수개 생성하는 지역적 기저 벡터 생성부; 상기 지역적 기저 벡터 생성부에서 생성된 다수개의 지역적 기저 벡터중에서 얼굴 인식에 사용될 소정 개수의 지역적 기저 벡터를 선택하는 지역적 기저 벡터 선택부; 및 상기 지역적 기저 벡터 선택부에서 선택된 지역적 기저 벡터를 중첩하여 보다 적은 개수의 중첩된 지역적 기저 벡터를 얼굴 특징 추출을 위한 기저 벡터로 하는 지역적 기저 벡터 중첩부;를 포함하는 것을 특징으로 가진다.
상기 발명이 이루고자 하는 기술적 과제를 수행하기 위한 본 발명의 얼굴 특징 추출 방법은, 2차원 얼굴 인식 시스템에서 사용되는 얼굴 특징 추출 방법에 있어서, (a) 다수의 사용자로부터 입력된 얼굴 영상 데이터로부터 얼굴을 이루는 요소에 대한 특징을 추출할 수 있는 지역적 기저 벡터를 다수개 생성하는 단계; (b) 상기 (a)단계에서 생성된 다수개의 지역적 기저 벡터중에서 얼굴 인식에 사용될 지역적 기저 벡터를 선택하는 단계; 및 (c) 상기 (b)단계에서 선택된 지역적 기저 벡터를 중첩하여 보다 적은 개수의 중첩된 지역적 기저 벡터를 얼굴 특징 추출을 위한 기저 벡터로 하는 단계;를 포함하는 것을 특징으로 가진다.
이하에서, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 대하여 상세히 설명한다.
도 1은 본 발명에 따른 얼굴 특징 추출 장치에 대한 블럭도이다. 도 1을 살펴보면, 얼굴 특징 추출 장치는 지역적 기저 벡터 생성부(100), 지역적 기저 벡터 선택부(120), 지역적 기저 벡터 중첩부(140) 및 얼굴 특징 추출부(160)를 포함하여 구성된다.
지역적 기저 벡터 생성부(100)는 사용자의 2차원 얼굴 영상을 입력받아 눈, 코, 볼, 얼굴 및 윤곽 등과 같은 얼굴을 이루는 지역적 구성 요소의 특징을 추출하기 위한 지역적 기저 벡터를 생성한다.
지역적 기저 벡터 선택부(120)는 지역적 기저 벡터 생성부(100)에서 생성된 다수개의 지역적 기저 벡터 중에서 인식에 적합한 지역적 기저 벡터만을 선택한다.
지역적 기저 벡터 중첩부(140)는 지역적 기저 벡터 선택부(120)에서 선택된 지역적 기저 벡터를 중첩시켜 최종적으로 보다 적은 개수의 중첩된 지역적 기저 벡터를 생성한다.
얼굴 특징 추출부(160)는 지역적 기저 벡터 중첩부(140)에서 중첩된 지역적 기저 벡터에 사용자의 2차원 얼굴 영상을 선영 투영(linear projection)하여 얼굴 특징을 추출한다.
이하에서는, 각각의 구성요소에 대하여 보다 구체적으로 살펴보기로 한다.
지역적 기저 벡터 생성부(100)는 클래스내 공분산 행렬 계산부(102), 고유값/고유벡터 계산부(104), 생성부(106)를 포함하여 구성된다.
여기에서, 2차원 얼굴 사진을 행 또는 열로 연결하여 벡터 형태로 만들었다 고 가정하고,
Figure 112005020825130-pat00001
번째 사람의
Figure 112005020825130-pat00002
번째 얼굴 영상을 벡터
Figure 112005020825130-pat00003
로 표시한다. 그리고, 총 c 명에 대해서 각각
Figure 112005020825130-pat00004
개의 얼굴 영상이 있다고 한다.
클래스내 공분산 행렬 계산부(102)는 영상에 대한 클래스내 공분산 행렬(intra-class covariance matrix)
Figure 112005020825130-pat00005
를 수학식 1과 같이 구한다.
Figure 112005020825130-pat00006
Figure 112005020825130-pat00007
여기에서,
Figure 112005020825130-pat00008
이고
Figure 112005020825130-pat00009
임.
수학식 1에서 숫자
Figure 112005020825130-pat00010
은 공분산 행렬의 수학적 정의에 맞추기 위해 사용한 것으로, 숫자
Figure 112005020825130-pat00011
이 어떠한 값이 오든 실제 지역적 기저 벡터 생성에는 크게 중요하지 않다. 그리고
Figure 112005020825130-pat00012
는
Figure 112005020825130-pat00013
번째 사람의 얼굴 영상만을 모아 만든 평균 얼굴 영상이다.
수학식 1에서 공분산 행렬
Figure 112005020825130-pat00014
는 여러 사용자의 얼굴 영상을 모은 뒤, 동일한 사용자의 얼굴 영상사이에서 차 벡터(difference vector)를 구하고, 이를 이용하여 공분산 행렬(covariance matrix)을 만든 것이다. 또한, 다른 의미로 공분산 행렬
Figure 112005020825130-pat00015
는
Figure 112005020825130-pat00016
명에 대해 각 사람의 얼굴 영상 공분산 행렬을 만든 후 이를 더한 것으로 클래스내 분산 행렬(within-class scatter matrix)로 볼 수도 있다.
고유값/고유벡터 계산부(104)는 클래스내 공분산 행렬 계산부(102)에서 계산된 다수개의 공분산 행렬
Figure 112005020825130-pat00017
각각에 대하여 고유값(eigenvalue)과 고유벡터(eigenvector)를 계산한다.
생성부(106)는 고유값/고유벡터 계산부(104)에서 구해진 고유값 중에서 가장 큰 고유값을 가지는 소정의 개수(예를 들어,
Figure 112005020825130-pat00018
개)의 고유값과 그 고유값과 매칭되는 고유벡터를 이용하여 지역적 기저 벡터를 생성한다. 수학식 2는 고유값과 고유벡터를 이용하여 지역적 기저벡터를 생성하는 것을 나타낸다.
Figure 112005020825130-pat00019
여기에서,
Figure 112005020825130-pat00020
,
Figure 112005020825130-pat00021
,
Figure 112005020825130-pat00022
임.
수학식 2에서
Figure 112005020825130-pat00023
과
Figure 112005020825130-pat00024
은
Figure 112005020825130-pat00025
의 가장 큰
Figure 112005020825130-pat00026
번째 고유값과 이에 해당되는 고유벡터를 의미하고,
Figure 112005020825130-pat00027
는
Figure 112005020825130-pat00028
의 고유벡터를 모아서 행렬로 만든 것이고,
Figure 112005020825130-pat00029
는 고유값의 역수를 모아서 대각행렬로 나타낸 것이다.
그리고,
Figure 112005020825130-pat00030
는 대칭행렬로서
Figure 112005020825130-pat00031
의 열 또는 행 벡터 하나가 한 개의 지역적 기저 벡터가 된다. 즉,
Figure 112005020825130-pat00032
는 지역적 기저 벡터의 전체 집합이라고 볼 수 있다. 이하에서는, 열 벡터가 지역적 기저 벡터를 나타내는 것으로 설명하기로 한다.
또한 지역적 기저 벡터
Figure 112005020825130-pat00033
는 클래스내 고유벡터
Figure 112005020825130-pat00034
에 선영 투영하여 얻은 계수값(혹은 특징값)의 분산을
Figure 112005020825130-pat00035
를 통해 정규화(whitening)하는 형태를 지니고 있다. 즉 같은 사람으로부터 형성된 차벡터의 변화(variation)를 줄이는 효과를 지니고 있다. 따라서, 위의 방법으로 생성한 지역적 기저 벡터는 각 사람의 고유한 지역적 특징을 추출한다.
도 2는 도 1의 지역적 기저 벡터 생성부에서 생성된 지역적 기저 벡터의 일 예를 나타낸 것이다. 도 2를 살펴보면, 생성된 지역적 기저 벡터는 눈, 코, 볼 및 턱 등의 얼굴 영상을 지역적 구성 요소에 대한 모양으로 나타내고 있다. 따라서, 지역적 기저 벡터를 사용할 경우 얼굴 영상의 지역적 특징을 효과적으로 추출할 수 있다.
지역적 기저 벡터 생성부(100)에서 생성된 지역적 기저 벡터의 개수는 지역적 기저 벡터를 생성하기 위해 사용된 사용자의 얼굴 영상의 차원과 동일 하다. 예를 들면, 64 x 64, 즉 4096 크기의 얼굴 영상 사진을 이용하였다면, 지역적 기저 벡터 생성부(100)에서 생성된 지역적 기저 벡터는 4096 개가 생성된다. 따라서 계산량을 줄이고 인식율을 높이기 위해 인식에 적합한 소수의 지역적 기저 벡터를 선택하는 것이 필요하다.
지역적 기저 벡터 선택부(120)는 출력값 계산부(122), 피셔 스코어(Fisher Score)값 계산부(124), 선택부(126)를 포함하여 이루어진다.
여기에서,
Figure 112005020825130-pat00036
을 임의의 입력 영상
Figure 112005020825130-pat00037
에 대한
Figure 112005020825130-pat00038
번째 지역적 기저 벡터의 출력값이라고 하고,
Figure 112005020825130-pat00039
은 수학식 3에서 보듯이
Figure 112005020825130-pat00040
번째 지역적 기저 벡터에 선영 투영(linear projection)하여 얻어진다.
Figure 112005020825130-pat00041
여기에서,
Figure 112005020825130-pat00042
는 행렬
Figure 112005020825130-pat00043
의
Figure 112005020825130-pat00044
번째 열 벡터, 즉
Figure 112005020825130-pat00045
번째 지역적 기저 벡터임.
출력값 계산부(122)는 지역적 기저 벡터 생성부(100)에서 생성된 각각의 지역적 기저 벡터에 다수명의 사용자로부터 입력된 얼굴 영상 데이터를 선영 투영하 여 출력값을 구한다.
피셔 스코어값 계산부(124)는 출력값 계산부(122)에서 구해진 출력값을 이용하여 각각의 지역적 기저 벡터에 대한 판별력(discrimination power)을 나타내는 지역적 기저 벡터의 피셔 스코어(Fisher Score) 값을 구한다.
예를 들어,
Figure 112005020825130-pat00046
번째 지역적 기저 벡터의 피셔 스코어값,
Figure 112005020825130-pat00047
,은 수학식 4와 같이 정의된다.
Figure 112005020825130-pat00048
여기에서,
Figure 112005020825130-pat00049
Figure 112005020825130-pat00050
,
Figure 112005020825130-pat00051
및
Figure 112005020825130-pat00052
수학식 4에서,
Figure 112005020825130-pat00053
는 지역적 기저 벡터 생성부(100)에서 사용된 얼굴 영상 데이터에서의 총 사람수를 나태내고,
Figure 112005020825130-pat00054
는
Figure 112005020825130-pat00055
번째 사람의 얼굴 영상 개수를,
Figure 112005020825130-pat00056
는 전체 얼굴 영상 개수를 의미한다. 그리고
Figure 112005020825130-pat00057
은
Figure 112005020825130-pat00058
번째 지역적 기저 벡터의 출력의 평균을,
Figure 112005020825130-pat00059
은
Figure 112005020825130-pat00060
번째 지역적 기저 벡터의 출력 중에
Figure 112005020825130-pat00061
번째 사람의 얼굴 영상에 대한 출력만을 모아 계산한 평균값이다.
Figure 112005020825130-pat00062
은
Figure 112005020825130-pat00063
번째 사람의
Figure 112005020825130-pat00064
번째 영상에 대한
Figure 112005020825130-pat00065
번째 지역적 기저 벡터의 출력을 나타낸다.
여기에서, 피셔 스코어값은 클래스 간의 판별력을 나타내는 측정치로서, 지역적 기저 벡터의 피셔 스코어값이 높다는 것은 해당하는 지역적 기저 벡터의 출력값을 얼굴 특징으로 이용할 경우 얼굴 인식에 유용하다는 것을 의미한다.
도 3은 도 1의 지역적 기저 벡터 선택부에서 얼굴 인식에 적합한 지역적 기저 벡터를 선택하기 위해 구한 피셔 스코어(Fisher Score)값을 영상으로 나타낸 일 예이다. 도 3을 살펴보면, 64 x 64 크기의 얼굴 영상을 이용하여 4096 개의 지역적 기저 벡터를 생성한 후, 지역적 기저 벡터의 피셔 스코어값을 영상으로 나타낸 것으로, 흰색일수록 높은 피셔 스코어값을 나타낸다. 눈, 코, 볼, 턱 및 얼굴 윤곽처럼 얼굴을 이루는 구성 요소에 해당되는 부분의 지역적 기저 벡터의 피셔 스코어값이 높은 것을 알 수 있다.
도 4는 도 3에서 선택된 지역적 기저 벡터를 평균 얼굴 영상에 위치를 표시한 일 예이다. 도 4를 살펴보면, 도 3에서 4096 개의 지역적 기저 벡터 중에서 피 셔 스코어값이 높은 1300 개의 지역적 기저 벡터의 위치를 평균 얼굴 영상에 점으로 표시한 것이다.
지역적 기저 벡터 중첩부(140)는 출력값 계산부(142), 공분산 행렬 계산부(144), 고유값/고유벡터 계산부(146) 및 중첩부(148)를 포함하여 이루어진다.
출력값 계산부(142)는 지역적 기저 벡터 선택부(120)에서 선택된 지역적 기저 벡터에 다수명의 사용자로부터 입력된 얼굴 영상 데이터를 선영 투영하여 각각의 지역적 기저 벡터에 대한 출력값을 구한다.
공분산 행렬 계산부(144)는 출력값 계산부(142)에서 계산된 출력값을 이용하여 지역적 기저 벡터 선택부(120)에서 선택된 지역적 기저 벡터의 출력에 대한 공분산 행렬을 구한다.
고유값/고유벡터 계산부(146)는 공분산 행렬 계산부(144)에서 구해진 공분산 행렬에 대한 고유값과 상기 고유값에 매칭되는 고유벡터를 구한다.
중첩부(148)는 고유값이 높은 값 중에서 소정의 개수를 선택하고, 선택된 고유값과 매칭되는 고유벡터를 중첩 가중치의 값으로 하여, 지역적 기저 벡터 선택부(120)에서 선택된 지역적 기저 벡터를 더한다. 중첩 방법과 중첩 가중치에 대해 구체적으로 설명하면 다음과 같다.
중첩부(148)에서 중첩된 지역적 기저 벡터,
Figure 112005020825130-pat00066
,는 수학식 5와 같이 정의된다.
Figure 112005020825130-pat00067
여기에서,
Figure 112005020825130-pat00068
는 중첩 가중치,
Figure 112005020825130-pat00069
는 지역적 기저 벡터 선택부(120)에서 선택된 지역적 기저 벡터의 인덱스 집합,
Figure 112005020825130-pat00070
는
Figure 112005020825130-pat00071
의 원소, 즉 선택된 지역적 기저 벡터의 인덱스(index)임.
임의의 입력 영상
Figure 112005020825130-pat00072
에 대하여 지역적 기저 벡터 선택부(120)에서 선택된 지역적 기저 벡터의 출력만을 모아 벡터로 표현한 것을
Figure 112005020825130-pat00073
라 하는 경우,
Figure 112005020825130-pat00074
는 수학식 6과 같이 정의된다.
Figure 112005020825130-pat00075
여기에서,
Figure 112005020825130-pat00076
는 지역적 기저 벡터 선택부(120)에서 선택된 지역적 기저 벡터를 의미함.
중첩 가중치
Figure 112005020825130-pat00077
의 값은
Figure 112005020825130-pat00078
의 공분산 행렬,
Figure 112005020825130-pat00079
, 의 고유 벡터 중에서 높은 고유값을 가지는 고유벡터를 중첩 가중치로 하여 중첩한다.
공분산 행렬 계산부(144)에서 구해지는 공분산 행렬,
Figure 112005020825130-pat00080
,는 수학식 7과 같 이 정의된다.
Figure 112005020825130-pat00081
여기에서,
Figure 112005020825130-pat00082
이다.
수학식 7에서
Figure 112005020825130-pat00083
와
Figure 112005020825130-pat00084
의 관계를 표현하면 수학식 8과 같다.
Figure 112005020825130-pat00085
이와 같이, 고유벡터를 몇 개 사용하는지 여부에 따라, 지역적 기저 벡터를 중첩시키는
Figure 112005020825130-pat00086
의 개수가 결정되고, 최종 중첩 기저 벡터의 개수가 결정된다.
도 5는 도 1의 지역적 기저 벡터 중첩부에서 지역적 기저 벡터를 중첩하는 과정을 도시적으로 나타낸 일 예이고, 도 6은 도 1의 지역적 기저 벡터 중첩부에서 중첩된 지역적 기저 벡터의 일 예를 나타낸 것이다.
상기에서 살펴본 지역적 기저 벡터 생성부(100), 지역적 기저 벡터 선택부(120), 및 지역적 기저 벡터 중첩부(140)를 통해 생성된 최종 결과물인 중첩 기저 벡터를 얼굴 특징 추출부(160)에서 얼굴 특징 추출을 위한 기저 벡터로 사용한다. 얼굴 특징 추출은 수학식 9에서 보듯이, 중첩 기저 벡터에 입력 영상을 선형 투영함으로써 이루어진다. 즉 얼굴 영상의 특징은 중첩 기저 벡터의 출력값이 된다.
Figure 112005020825130-pat00087
여기서, z는 중첩 기저 벡터의 출력 즉, x는 임의의 입력 얼굴 영상을 의미한다.
따라서, 얼굴 인식 시스템에서는 중첩 기저 벡터를 저장하고 있는 얼굴 특징 추출부(160)만을 이용하면 된다.
도 7은 본 발명에 따른 얼굴 특징 추출 방법에 대한 흐름도이다.
도 7을 살펴보면, 먼저, 사용자의 2차원 얼굴 영상 데이터를 입력받는다(S700).
다음으로, 상기 단계S700에서 입력받은 얼굴 영상에서 눈, 코, 볼, 얼굴 및 윤곽 등과 같은 얼굴을 이루는 구성 요소의 특징을 추출하기 위한 지역적 기저 벡터를 생성한다(S710).
다음으로, 상기 단계S710에서 생성된 다수개의 지역적 기저 벡터 중에서 인식에 적합한 지역적 기저 벡터 만을 선택한다(S720).
다음으로, 상기 단계S720에서 선택된 지역적 기저 벡터를 중첩시켜 최종적으로 보다 적은 개수의 중첩된 지역적 기저 벡터로 나타낸다(S730).
다음으로, 상기 단계S730에서 중첩된 지역적 기저 벡터에 사용자의 2차원 얼 굴 영상을 선영 투영(linear projection)하여 얼굴 특징을 추출한다(S740).
도 7에서 미설명된 부분은 도 1 내지 도 6을 참조하기로 한다.
도 8은 도 7의 지역적 기저 벡터 생성단계를 보다 구체적으로 나타낸 흐름도이다. 도 8을 살펴보면, 먼저, 다수명의 사용자로부터 입력된 얼굴 영상 데이터에 대하여 사용자 각각에 대한 공분산 행렬을 구하고, 이를 합하여 클래스내 공분산을 구한다(S711).
다음으로, 상기 단계S711에서 계산된 클래스내 공분산 행렬의 고유값 및 상기 고유값과 매칭되는 고유벡터를 구한다(S712).
다음으로, 상기 단계S712에서 상기 고유값이 높은 값 중에서 소정의 개수를 선택하고, 선택된 고유값과 고유벡터를 이용하여 얼굴을 이루는 요소에 대한 특징을 추출할 수 있는 영역인 지역적 기저 벡터를 다수개 생성한다(S713).
도 8에서 미설명된 부분은 도 1 내지 도 7을 참조하기로 한다.
도 9는 도 7의 지역적 기저 벡터 선택단계를 보다 구체적으로 나타낸 흐름도이다. 도 9를 살펴보면, 먼저, 상기 단계S710에서 생성된 각각의 지역적 기저 벡터에 다수명의 사용자로부터 입력된 얼굴 영상 데이터를 선영 투영하여 상기 각각의 지역적 기저 벡터에 대한 출력값을 구한다(S721).
다음으로, 상기 S711단계에서 구해진 출력값을 이용하여 상기 각각의 지역적 기저 벡터에 대한 판별력을 나타내는 피셔 스코어(Fisher Score)값을 구한다(S722).
다음으로, 상기 단계S722에서 구해진 피셔 스코어값 중에서 높은 값 소정의 개수를 선택함으로써, 다수개의 지역적 기저 벡터중에서 얼굴 인식에 사용될 소정 개수의 지역적 기저 벡터를 선택한다(S723).
도 9에서 미설명된 부분은 도 1 내지 도 7을 참조하기로 한다.
도 10는 도 7의 지역적 기저 벡터 중첩단계를 보다 구체적으로 나타낸 흐름도이다. 도 10을 살펴보면, 먼저, 상기 단계S720에서 선택된 지역적 기저 벡터에 다수명의 사용자로부터 입력된 얼굴 영상 데이터를 선영 투영하여 상기 각각의 지역적 기저 벡터에 대한 출력값을 구한다(S731).
다음으로, 상기 단계S731에서 구해진 출력값에 대한 공분산 행렬을 구한다(S732).
다음으로, 상기 단계S732에서 구해진 공분산 행렬에 대한 고유값 및 상기 고유값과 매칭되는 고유벡터를 구한다(S733).
다음으로, 상기 단계S733에서 구해진 고유값 중에서 높은 값 소정 개수를 선택하고, 선택된 고유값과 매칭되는 고유벡터를 중첩 가중치로 이용하여 중첩된 지역적 기저 벡터를 생성한다(S734).
도 9에서 미설명된 부분은 도 1 내지 도 7을 참조하기로 한다.
도 11은 종래의 얼굴 특징 추출 방법과 본 발명에 따른 얼굴 특징 추출 방법을 이용하여 얼굴 특징을 추출한 후 이에 따른 얼굴 인식율을 표로 나타낸 것이고, 도 12는 종래의 얼굴 특징 추출 방법과 본 발명에 따른 얼굴 특징 추출 방법을 이용하여 얼굴 특징으로 추출한 후 이에 따른 얼굴 인식율을 그래프로 나타낸 것이다.
도 11과 도 12에서는 종래의 얼굴 특징 추출 방법과 본 발명에 따른 얼굴 특징 추출 방법 각각을 이용하여 얼굴 특징을 추출한 후 얼굴 인식 (1:N, identification) 결과를 비교한 것이다.
여기에서 이용한 얼굴 영상 데이터는 55명에 대해 20장의 얼굴 영상 사진을 가지고 실험한 것으로, 임의의 20명에 대한 20장 (총 400장)을 얼굴 특징 추출을 위한 기저 벡터 생성에 사용하였다. 그리고 35명의 얼굴 영상 중 개인당 10장을 등록에, 10장을 테스트용으로 사용하였다. 등록된 얼굴 영상(gallery)의 특징과 테스트 영상(probe)의 비교는 유클리디안(Euclidean) 거리를 이용하였다. 유클리디안 거리를 이용하여 등록된 얼굴 영상과 테스트 영상을 비교한 것은 실험을 간단히 하기 위한 여러 방법 중 하나의 예이다. 이와 달리, 다른 일 예에서는 얼굴 특징 추출 후 얼굴 인식 성능을 높이기 위한 여러 가지 비교 방법이 사용될 수 있다.
도 11을 살펴보면, (a)는 Eigenface 얼굴 특징 추출 방법을 사용한 것, (b)는 LFA 얼굴 특징 추출 방법을 사용한 것, (c)는 Fisherface 얼굴 특징 추출 방법을 사용한 것, (d)는 본 발명에 따른 얼굴 특징 추출 방법을 사용한 것이다.
그리고, (a)는 기저 벡터의 개수를 178개, (b)는 기저 벡터의 개수를 199개, (c)는 기저 벡터의 개수를 17개, (d)는 기저 벡터의 개수를 158개를 가지고 실험을 하였다.
또한, 순위(Rank) 1은, 얼굴 특징 추출 방법 각각에 대하여 등록된 얼굴 영상에 대한 특징과 테스트 영상에 대한 특징을 비교하여, 테스트 영상과 동일한 사람의 등록된 영상이 상위 1위로 검색된 경우를 나타낸다. 그리고 순위(Rank) 2는, 얼굴 특징 추출 방법 각각에 대하여 등록된 얼굴 영상에 대한 특징과 테스트 영상에 대한 특징을 비교하여, 테스트 영상과 동일한 사람의 등록된 영상이 상위 1위 또는 상위 2로 검색된 경우를 나타낸다. 그리고 순위(Rank) 3은, 얼굴 특징 추출 방법 각각에 대하여 등록된 얼굴 영상에 대한 특징과 테스트 영상에 대한 특징을 비교하여, 테스트 영상과 동일한 사람의 등록된 영상이 상위 1위에서 상위 3사이에서 검색된 경우를 나타낸다. 순위(Rank) 4는, 얼굴 특징 추출 방법 각각에 대하여 등록된 얼굴 영상에 대한 특징과 테스트 영상에 대한 특징을 비교하여, 테스트 영상과 동일한 사람의 등록된 영상이 상위 1위에서 상위 4사이에서 검색된 경우를 나타낸다. 순위(Rank) 5는, 얼굴 특징 추출 방법 각각에 대하여 등록된 얼굴 영상에 대한 특징과 테스트 영상에 대한 특징을 비교하여, 테스트 영상과 동일한 사람의 등록된 영상이 상위 1위에서 상위 5사이에서 검색된 경우를 나타낸다.
순위 1, 2, 3, 4, 5 에서 본 발명에 따른 인식율이 가장 높은 것을 확인할 수 있다.
도 12를 살펴보면, 도 11에서 각각의 얼굴 특징 추출 방법에서 순위 1에 대한 인식율을 그래프로 나타낸 것이다.
본 발명의 일 실시예에서는 얼굴 특징 추출 방법에 대한 사용자 인식(identification, 1:N)에 사용되는 것으로 설명하였으나, 본 발명은 이에 국한되지 않고 사용자 인증(verification, 1:1)에도 사용될 수 있다.
본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스 템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD_ROM, 자기테이프, 플로피디스크 및 광데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드로 저장되고 실행될 수 있다.
이상에서와 같이 도면과 명세서에서 최적 실시예가 개시되었다. 여기에서 특정한 용어들이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.
본 발명에 따른 얼굴 특징 추출 장치 및 방법을 이용함으로써 보다 얼굴 인식율을 높일 수 있는 2차원 얼굴 인식 시스템을 제공할 수 있다.

Claims (12)

  1. 2차원 얼굴 인식 시스템에서 사용되는 얼굴 특징 추출 장치에 있어서,
    다수의 사용자로부터 입력된 얼굴 영상 데이터로부터 얼굴을 이루는 요소에 대한 특징을 추출할 수 있는 지역적 기저 벡터를 다수개 생성하는 지역적 기저 벡터 생성부;
    상기 지역적 기저 벡터 생성부에서 생성된 다수개의 지역적 기저 벡터중에서 얼굴 인식에 사용될 소정 개수의 지역적 기저 벡터를 선택하는 지역적 기저 벡터 선택부; 및
    상기 지역적 기저 벡터 선택부에서 선택된 지역적 기저 벡터를 중첩하여 보다 적은 개수의 중첩된 지역적 기저 벡터를 얼굴 특징 추출을 위한 기저 벡터로 하는 지역적 기저 벡터 중첩부;를 포함하는 것을 특징으로 하는 얼굴 특징 추출 장치.
  2. 제 1 항에 있어서,
    상기 중첩된 지역적 기저 벡터에 얼굴 인식을 위하여 입력된 사용자의 얼굴 영상 데이터를 선영 투영하여 얼굴 특징을 추출하는 얼굴 특징 추출부;를 더 포함하는 것을 특징으로 하는 얼굴 특징 추출 장치.
  3. 제 1 항에 있어서, 상기 지역적 기저 벡터 생성부는
    다수명의 사용자로부터 입력된 얼굴 영상 데이터에 대하여 사용자 각각에 대한 공분산 행렬을 계산한 후 이를 합하여 클래스내 공분산 행렬을 구하는 클래스내 공분산 행렬 계산부;
    상기 클래스내 공분산 행렬 계산부에서 계산된 클래스내 공분산 행렬의 고유값과 상기 고유값과 매칭되는 고유벡터를 구하는 고유값/고유벡터 계산부; 및
    상기 고유값이 높은 값 중에서 소정의 개수를 선택하고, 선택된 고유값과 고유벡터를 이용하여 얼굴을 이루는 요소에 대한 특징을 추출할 수 있는 지역적 기저 벡터를 다수개 생성하는 생성부;로 이루어지는 것을 특징으로 하는 얼굴 특징 추출 장치.
  4. 제 3 항에 있어서, 상기 생성부에서 생성되는 지역적 기저 벡터는,
    상기 선택된 고유벡터의 행렬, 상기 선택된 고유값을 역수로 모아서 나타낸 대각행렬 및 상기 선택된 고유벡터의 행렬에 대한 트랜스포즈 행렬을 순서대로 행렬곱하여 구해진 행렬중에서 어느 하나의 열 또는 행으로 이루어지는 것을 특징으로 하는 얼굴 특징 추출 장치.
  5. 제 1 항에 있어서, 상기 지역적 기저 벡터 선택부는
    상기 지역적 기저 벡터 생성부에서 생성된 각각의 지역적 기저 벡터와 다수명의 사용자로부터 입력된 얼굴 영상 데이터를 선영 투영하여 상기 각각의 지역적 기저 벡터에 대한 출력값을 구하는 출력값 계산부;
    상기 출력값 계산부에서 구해진 출력값을 이용하여 상기 각각의 지역적 기저 벡터에 대한 판별력을 나타내는 피셔 스코어(Fisher Score)값을 구하는 피셔 스코어값 계산부; 및
    상기 피셔 스코어값이 높은 값 중에서 소정의 개수를 선택하여 다수개의 지역적 기저 벡터중에서 얼굴 인식에 사용될 소정 개수의 지역적 기저 벡터를 선택하는 선택부;로 이루어지는 것을 특징으로 하는 얼굴 특징 추출 장치.
  6. 제 1 항에 있어서, 상기 지역적 기저 벡터 중첩부는
    상기 지역적 기저 벡터 선택부에서 선택된 지역적 기저 벡터와 다수명의 사용자로부터 입력된 얼굴 영상 데이터를 선영 투영하여 상기 각각의 지역적 기저 벡터에 대한 출력값을 구하는 출력값 계산부;
    상기 출력값 계산부에서 계산된 출력값에 대한 공분산 행렬을 구하는 공분산 행렬 계산부;
    상기 공분산 행렬 계산부에서 구해진 공분산 행렬에 대한 고유값과 상기 고유값에 매칭되는 고유벡터를 구하는 고유값/고유벡터 계산부; 및
    상기 고유값이 높은 값 중에서 소정의 개수를 선택하고, 선택된 고유값과 매칭되는 고유벡터를 중첩 가중치로 이용하여 중첩된 지역적 기저 벡터를 생성하는 중첩부;로 이루어지는 것을 특징으로 하는 얼굴 특징 추출 장치.
  7. 2차원 얼굴 인식 시스템에서 사용되는 얼굴 특징 추출 방법에 있어서,
    (a) 다수의 사용자로부터 입력된 얼굴 영상 데이터로부터 얼굴을 이루는 요소에 대한 특징을 추출할 수 있는 지역적 기저 벡터를 다수개 생성하는 단계;
    (b) 상기 (a)단계에서 생성된 다수개의 지역적 기저 벡터중에서 얼굴 인식에 사용될 지역적 기저 벡터를 선택하는 단계; 및
    (c) 상기 (b)단계에서 선택된 지역적 기저 벡터를 중첩하여 보다 적은 개수의 중첩된 지역적 기저 벡터를 얼굴 특징 추출을 위한 기저 벡터로 하는 단계;를 포함하는 것을 특징으로 하는 얼굴 특징 추출 방법.
  8. 제 7 항에 있어서,
    (d) 상기 (c)단계에서 중첩된 지역적 기저 벡터에 얼굴 영상을 선영 투영하여 얼굴 특징을 추출하는 단계;를 더 포함하는 것을 특징으로 하는 얼굴 특징 추출 방법.
  9. 제 7 항에 있어서, 상기 (a)단계는
    (a1) 다수명의 사용자로부터 입력된 얼굴 영상 데이터에 대하여 사용자 각각에 대한 공분산 행렬을 계산한 후 이를 합하여 클래스내 공분산 행렬을 구하는 단계;
    (a2) 상기 (a1)단계에서 계산된 계산된 클래스내 공분산 행렬의 고유값과 상기 고유값과 매칭되는 고유벡터를 구하는 단계; 및
    (a3) 상기 고유값이 높은 값 중에서 소정의 개수를 선택하고, 선택된 고유값 과 고유벡터를 이용하여 얼굴을 이루는 요소에 대한 특징을 추출할 수 있는 지역적 기저 벡터를 다수개 생성하는 단계;로 이루어지는 것을 특징으로 하는 얼굴 특징 추출 방법.
  10. 제 9 항에 있어서, 상기 (a3)단계에서 생성되는 지역적 기저 벡터는,
    상기 선택된 고유벡터의 행렬, 상기 선택된 고유값을 역수로 모아서 나타낸 대각행렬 및 상기 선택된 고유벡터의 행렬에 대한 트랜스포즈 행렬을 순서대로 행렬곱하여 구해진 행렬중에서 어느 하나의 열 또는 행으로 이루어지는 것을 특징으로 하는 얼굴 특징 추출 방법.
  11. 제 7 항에 있어서, 상기 (b)단계는
    (b1) 상기 (a)단계에서 생성된 각각의 지역적 기저 벡터와 다수명의 사용자로부터 입력된 얼굴 영상 데이터를 선영 투영하여 상기 각각의 지역적 기저 벡터에 대한 출력값을 구하는 단계;
    (b2) 상기 (b1)단계에서 구해진 출력값을 이용하여 상기 각각의 지역적 기저 벡터에 대한 판별력을 나타내는 피셔 스코어(Fisher Score)값을 구하는 단계; 및
    (b3) 상기 피셔 스코어값이 높은 값 중에서 소정의 개수를 선택하여 다수개의 지역적 기저 벡터중에서 얼굴 인식에 사용될 소정 개수의 지역적 기저 벡터를 선택하는 단계;로 이루어지는 것을 특징으로 하는 얼굴 특징 추출 방법.
  12. 제 7 항에 있어서, 상기 (c)단계는
    (c1) 상기 (b)단계에서 선택된 지역적 기저 벡터와 다수명의 사용자로부터 입력된 얼굴 영상 데이터를 선영 투영하여 상기 각각의 지역적 기저 벡터에 대한 출력값을 구하는 단계;
    (c2) 상기 (c1)단계에서 구해진 출력값에 대한 공분산 행렬을 구하는 단계;
    (c3) 상기 (c2)단계에서 구해진 공분산 행렬에 대한 고유값 및 상기 고유값과 매칭되는 고유벡터를 구하는 단계; 및
    (c4) 상기 고유값이 높은 값 중에서 소정의 개수를 선택하고, 선택된 고유값과 매칭되는 고유벡터를 중첩 가중치로 이용하여 중첩된 지역적 기저 벡터를 생성하는 단계;로 이루어지는 것을 특징으로 하는 얼굴 특징 추출 방법.
KR1020050033206A 2005-04-21 2005-04-21 얼굴 특징 추출 장치 및 그 방법 KR100639988B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020050033206A KR100639988B1 (ko) 2005-04-21 2005-04-21 얼굴 특징 추출 장치 및 그 방법
US11/202,874 US7853049B2 (en) 2005-04-21 2005-08-12 Face feature extraction apparatus and method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020050033206A KR100639988B1 (ko) 2005-04-21 2005-04-21 얼굴 특징 추출 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20060110707A KR20060110707A (ko) 2006-10-25
KR100639988B1 true KR100639988B1 (ko) 2006-10-31

Family

ID=37616460

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020050033206A KR100639988B1 (ko) 2005-04-21 2005-04-21 얼굴 특징 추출 장치 및 그 방법

Country Status (2)

Country Link
US (1) US7853049B2 (ko)
KR (1) KR100639988B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100981832B1 (ko) 2008-06-12 2010-09-13 인하대학교 산학협력단 Ｂｏｏｓｔｉｎｇ 알고리즘 및 특징벡터분할 기법을 이용한얼굴특징 선택방법 및 장치

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9269043B2 (en) 2002-03-12 2016-02-23 Knowm Tech, Llc Memristive neural processor utilizing anti-hebbian and hebbian technology
US9280748B2 (en) 2012-06-22 2016-03-08 Knowm Tech, Llc Methods and systems for Anti-Hebbian and Hebbian (AHaH) feature extraction of surface manifolds using
KR100825756B1 (ko) 2006-12-05 2008-04-29 한국전자통신연구원 얼굴 특징 추출 방법 및 그 장치
US8655027B1 (en) * 2011-03-25 2014-02-18 The United States of America, as represented by the Director, National Security Agency Method of image-based user authentication
US8918353B2 (en) 2012-02-22 2014-12-23 Knowmtech, Llc Methods and systems for feature extraction
US11237556B2 (en) 2012-06-22 2022-02-01 Knowm, Inc. Autonomous vehicle
KR101491461B1 (ko) * 2013-08-02 2015-02-23 포항공과대학교 산학협력단 공분산 기술자를 이용하는 물체 인식 방법 및 장치
CN103745209B (zh) * 2014-01-27 2018-04-13 中国科学院深圳先进技术研究院 一种人脸识别方法及系统
US9405965B2 (en) * 2014-11-07 2016-08-02 Noblis, Inc. Vector-based face recognition algorithm and image search system
US10482336B2 (en) 2016-10-07 2019-11-19 Noblis, Inc. Face recognition and image search system using sparse feature vectors, compact binary vectors, and sub-linear search

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5164992A (en) * 1990-11-01 1992-11-17 Massachusetts Institute Of Technology Face recognition system
US6272238B1 (en) * 1992-12-28 2001-08-07 Canon Kabushiki Kaisha Character recognizing method and apparatus
US6345109B1 (en) * 1996-12-05 2002-02-05 Matsushita Electric Industrial Co., Ltd. Face recognition-matching system effective to images obtained in different imaging conditions
US6108437A (en) * 1997-11-14 2000-08-22 Seiko Epson Corporation Face recognition apparatus, method, system and computer readable medium thereof
US7054468B2 (en) * 2001-12-03 2006-05-30 Honda Motor Co., Ltd. Face recognition using kernel fisherfaces
US7330591B2 (en) * 2002-02-25 2008-02-12 Kabushiki Kaisha Toshiba Apparatus for generating a pattern recognition dictionary, a method thereof, a pattern recognition apparatus and a method thereof
KR100486714B1 (ko) 2002-03-04 2005-05-03 삼성전자주식회사 2차 ｉｃａ를 이용한 얼굴 인식 방법 및 그 장치
JP3998628B2 (ja) * 2003-11-05 2007-10-31 株式会社東芝 パターン認識装置及びその方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100981832B1 (ko) 2008-06-12 2010-09-13 인하대학교 산학협력단 Ｂｏｏｓｔｉｎｇ 알고리즘 및 특징벡터분할 기법을 이용한얼굴특징 선택방법 및 장치

Also Published As

Publication number Publication date
US7853049B2 (en) 2010-12-14
US20100021018A1 (en) 2010-01-28
KR20060110707A (ko) 2006-10-25

Similar Documents

Publication Publication Date Title
KR100639988B1 (ko) 얼굴 특징 추출 장치 및 그 방법
US8107688B2 (en) Gaze detection apparatus and the method of the same
CN105144247B (zh) 用户的三维表示的生成
Yuen et al. Human face image searching system using sketches
Arora et al. AutoFER: PCA and PSO based automatic facial emotion recognition
Jeni et al. The first 3d face alignment in the wild (3dfaw) challenge
CN109684969B (zh) 凝视位置估计方法、计算机设备及存储介质
CN105868716A (zh) 一种基于面部几何特征的人脸识别方法
JP2008152789A (ja) 顔映像の類似度の算出方法及び装置とこれを利用した顔映像の検索方法及び装置、並びに顔合成方法
JP2021530815A (ja) 仮想キャラクタの姿勢空間変形のための姿勢空間次元低減
Yadav et al. Bacteria foraging fusion for face recognition across age progression
KR101558547B1 (ko) 얼굴 포즈 변화에 강한 연령 인식방법 및 시스템
Kalayci et al. Automatic analysis of facial attractiveness from video
JP2005514683A (ja) 合成、認識および圧縮のための多モード・データ集団の多重線形表現のための論理装置、データ構造、システムおよび方法
Yang et al. Sparse shape registration for occluded facial feature localization
KR102068489B1 (ko) 3차원 객체 생성 장치
CN116311472A (zh) 基于多层次图卷积网络的微表情识别方法及装置
Zhang A comprehensive survey on face image analysis
JP4228031B1 (ja) 画像解析装置、画像登録装置および画像検索装置
CN107403145A (zh) 图像特征点定位方法及装置
JP6320844B2 (ja) パーツの影響度に基づいて感情を推定する装置、プログラム及び方法
Zhang et al. Face, image, and analysis
Said et al. Face Recognition System
US20240046618A1 (en) Systems and Methods for Training Models to Predict Dense Correspondences in Images Using Geodesic Distances
Nambiar et al. Person Re-identification based on Human Query on Soft Biometrics using SVM Regression.

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20111007

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20120919

Year of fee payment: 19