KR100813167B1 - 고속 정확한 얼굴 검출 방법과 얼굴 검출 학습 방법 및이를 구현하는 시스템 - Google Patents

고속 정확한 얼굴 검출 방법과 얼굴 검출 학습 방법 및이를 구현하는 시스템 Download PDF

Info

Publication number
KR100813167B1
KR100813167B1 KR1020060052152A KR20060052152A KR100813167B1 KR 100813167 B1 KR100813167 B1 KR 100813167B1 KR 1020060052152 A KR1020060052152 A KR 1020060052152A KR 20060052152 A KR20060052152 A KR 20060052152A KR 100813167 B1 KR100813167 B1 KR 100813167B1
Authority
KR
South Korea
Prior art keywords
face detection
classifier
weight
stage
weak classifier
Prior art date
Application number
KR1020060052152A
Other languages
English (en)
Other versions
KR20070117922A (ko
Inventor
김정배
하이빙 렌
김지연
하이타오 왕
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020060052152A priority Critical patent/KR100813167B1/ko
Priority to US11/652,070 priority patent/US20070286477A1/en
Publication of KR20070117922A publication Critical patent/KR20070117922A/ko
Application granted granted Critical
Publication of KR100813167B1 publication Critical patent/KR100813167B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • 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
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

Weak classifier들의 cascade와 이전 stage의 결과를 결합하는 구조로 되어 있는 얼굴 검출 방법을 개시한다. Weak classifier는 각각의 haar feature를 정확하고 효과적으로 평가할 수 있도록 modified double sigmoid function에 기반하고 있다. 본 발명의 얼굴 검출 방법은 새로운 weak classifier의 파라미터를 학습하는 방법도 포함한다.
face detection, 얼굴 후보 검출, strong classifier, weak classifier

Description

고속 정확한 얼굴 검출 방법과 얼굴 검출 학습 방법 및 이를 구현하는 시스템{METHOD AND SYSTEM FOR FAST AND ACCURATE FACE DETECTION AND FACE DETECTION LEARNING}
도 1은 종래의 얼굴 인식 방법의 일례를 설명하기 위한 도면이다.
도 2는 종래 cascade 얼굴 후보 검증 구조에 대한 일례를 도시한 도면이다.
도 3은 종래 binary weak classifier 및 discrete strong classifier의 일례를 설명하기 위한 도면이다.
도 4는 haar feature 값에 대한 히스토그램에 나타내는 도면이다.
도 5는 본 발명에 따른 고속 정확한 얼굴 검출 시스템의 구성을 도시한 도면이다.
도 6은 본 발명에 따른 double sigmoid function을 설명하기 위한 도면이다.
도 7은 modified double sigmoid weak classifier의 parameter 결정을 설명하기 위한 도면이다.
도 8은 본 발명에 따른 얼굴 후보 검증에서 결합 구조를 설명하기 위한 도면이다.
도 9는 본 발명에 따른 얼굴 검출 시스템을 학습시키는 방법을 도시한 도면 이다
도 10은 스테이지에 따라 변화하는 coefficient c의 크기를 예시한 도면이다.
<도면의 주요 부분에 대한 부호의 설명>
500 : 얼굴 검출 시스템
510 : weak classifier 연산 수단
520 : haar feature 평가 수단
530 : 비교 수단
540 : 판단 수단
[1] US patent 7,020,337, March 28, 2006. Viola; Paul A. (Brookline, MA); Jones; Michael J. (Cambridge, MA). System and method for detecting objects in images.
[2] US patent 6,661,907, December 9, 2003. Ho; Edwin (Seven Hills, AU); Lennon; Alison Joan (Balmain, AU). Face detection in digital images.
[3] US patent 5,642,431, June 24, 1997. Poggio; Tomaso (Wellesley, MA); Sung; Kah-Kay (Cambridge, MA). Network-based system and method for detection of faces and the like.
[4] H. Rowley, S. Baluja, and T. Kanade, "Neural Network-Based Face Detection," Proc. IEEE Conf. Computer Vision and Pattern Recognition, pp. 203-208, 1996.
[5] E. Osuna, R. Freund, and F. Girosi, "Training Support Vector Machines: An Application to Face Detection," Proc. IEEE Conf. Computer Vision and Pattern Recognition, pp. 130-136, 1997.
[6] Paul Viola, Michael Jones.Rapid Object Detection using a Boosted Cascade of Simple Features. CVPR2001
본 발명은 modified double sigmoid function를 이용하여 weak classifier에서 사용되는 haar feature를 정확하고 효과적으로 평가하는 얼굴 검출 방법에 관한 것이다.
특히, 본 발명은 이전 스테이지의 결과가 현재 스테이지의 결과에 반영되도록 cascade와 weighed chain을 결합함으로써 스테이지와 관련한 weak classifier의 개수와 평가시간을 현저히 줄일 수 있다.
디지털 컨텐츠 매니지먼트, 얼굴 인식, 3D 얼굴 모델링, 애니메이션, 아바타, 스마트 감시(smart surveillance), 디지털 엔터테인먼트 등에서 사람은 가장 기본적인 정보가 된다.
이에 따라 이들 분야에서의 가장 중요한 프로세서는 이미지/비디오로부터 사람을 찾아내는 과정이고, 이러한 프로세서의 가장 효과적인 방식이 사람의 가장 명백하고 안정적인 특징이라 할 수 있는 얼굴을 이미지/비디오 내에서 검출하는 것이다.
만약, 이미지/비디오 등에서 사람의 얼굴을 검출하지 못하는 경우, 얼굴 특징 검출(face feature detection), 트레킹(tracking), 휴먼 세그멘테이션(human segmentation), 얼굴 인식(face recognition) 및 스마트 감시 등과 같은 이후의 프로세싱이 정확해지는 것은 불가능하다.
이하에서는, 이미지에서 검출한 얼굴을 기반으로 하여 아바타를 구현하는 일례를 설명한다.
이미지로부터 얼굴을 검출하는 종래의 방식에서는 단말기로 전송된 정지화상에서 사람 얼굴 내 눈, 코, 입 등을 식별하고, 식별된 눈, 코, 입 등의 위치, 상호 이격 간격 등을 고려하여, 상기 사람 얼굴과 가장 최적하게 상응하는 아바타를 구현할 수 있다. 즉, 종래의 얼굴 검출 방식은 사람의 눈, 코, 입 등에 해당하는 정지화상의 일지점을 식별하고, 식별된 지점에 대응하여 눈, 코, 입 등의 이미지를 갖는 아바타를 드로잉 한다.
만약, 종래의 얼굴 검출 방식에서 정지화상으로부터 눈, 코, 입 등을 정확하게 검출하지 못한다면, 아바타는 정상적으로 구현되지 못할 것이다.
사람 얼굴에 대한 정확하면서도 빠른 계산을 위해, 종래의 얼굴 인식 방법에서는 이미지/비디오를 다수의 서브 윈도우로 분류하고, 각 서브 윈도우에 대해 사람의 얼굴이 포함되어 있는지를 판단한다.
도 1은 종래의 얼굴 인식 방법의 일례를 설명하기 위한 도면이다.
도 1에서는 정지영상을 다수의 서브 윈도우로 나누고, 각 서브 윈도우에 대해 얼굴 후보인지 아닌지를 판단하는 과정을 예시하고 있다.
즉, 도 1의 얼굴 검출 수단은 원 입력 영상을 n개의 서브 윈도우로 분류하고, 분류된 서브 윈도우 내에 사람의 얼굴이 포함되었는지를 확인한 후, 얼굴이 포함된 것으로 확인된 서브 윈도우를 모두 병합함으로써 얼굴의 위치와 크기를 정확하게 찾을 수 있도록 하고 있다.
예컨대, 320 * 240 입력 영상에 대해, 도 1의 얼굴 검출 수단은 상이한 분할 위치와 스케일을 조정하여, 통상 500,000개 이상의 서브 윈도우로 분할할 수 있다. 이러한 대량의 서브 윈도우에 대한 얼굴 후보 검증을 위해서는, 개별 서브 윈도우에서의 신속하고 정확한 얼굴 후보 검증이 요구된다.
참고문헌 [3] 및 참고문헌 [4]는 상기 얼굴 후보 검증으로서 뉴럴 네트워크(neural network)를 이용하였다. 참고문헌 [5]에서는 서브 윈도우로부터 얼굴을 검출하는 데 SVM(Support Vector Machine)를 이용하였다. 하지만, 계산과 정확도에 관한 문제로 인해, 이들 모든 방법들은 실제 응용에서 사용될 수 없었다.
참고문헌 [2]는 계산 시간을 줄이기 위해 피부 색깔을 이용하였다. 하지만 이 방법 역시, 환경, 조명, occlusion 및 얼굴 그 자체의 색깔 등에 의해 결과가 쉽게 변동하는 문제점이 있다.
참고문헌 [1] 및 참고문헌 [6]에서는 cascade 얼굴 후보 검증을 제시하였다. Cascade 얼굴 후보 검증에 의해 haar feature는 빠르게 계산되고, 그 성능 역시 상술한 참고문헌 [2,3,4,5]보다 훨씬 우수하였다.
하지만 얼굴 후보 검증에 의한 이미지 추출 방식에서도 여전히 몇 가지 문제가 있다. 이러한 시스템에서 얼굴 후보 검증은 크게 2개의 주요 파트를 갖는다. 하나는 cascade 구조이고, 다른 하나는 weak classifier이다.
도 2는 종래 cascade 얼굴 후보 검증 구조에 대한 일례를 도시한 도면이다.
종래 구조에서, 스테이지 각각으로는 non-face 영역을 식별하기 위한 strong classifier를 갖는다. 이러한 strong classifier는 각 스테이지에 대해 서로 독립적이다. 즉, 종래 구조에서는 이전 스테이지에서 추출된 신뢰값(confidence)이 해당 스테이지에 대해서만 유효할 뿐 현재 또는 이후 스테이지에서는 전혀 이용되지 않는다.
실제, 대부분의 face 영역은 높은 신뢰값을 갖고 대부분의 non-face 영역은 낮은 신뢰값을 갖기 때문에 이전 스테이지의 신뢰값은 매우 우수한 weak classifier가 된다. 하지만, 종래의 구조에서 이러한 이전 스테이지의 신뢰값은 버려진다.
도 3은 종래 binary weak classifier 및 discrete strong classifier의 일례를 설명하기 위한 도면이다.
각 스테이지는 non-face 영역을 거절하기 위한 strong classifier H(x)를 갖는다. strong classifier H(x)는 하기 식과 같이 다수의 weak classifier로 구성된다.
Figure 112006040702148-pat00001
여기서, h는 i번째 weak classifier이고, 참고문헌 [1] 및 참고문헌 [6]에 의하면, 상기 weak classifier는 서브 윈도우 x에 대해서 haar 특징값 g를 얻고, 이를 도 3의 ⅰ)과 같은 binary 함수 f에 입력한다. 한 개의 weak classifier는 한 개의 haar 특징과 한 개의 binary 함수로 구성되어 있다.
또한, t는 threshold이며, 만일 g > t일 경우, 결과는 a이고, 그 이외에 결과는 b가 된다. 따라서, 종래 구조의 strong classifier H(x)는 도 3의 ⅱ)에 도시한 바와 같이,
Figure 112006040702148-pat00002
의 level을 갖는 불연속(discrete) 함수이다. n개의 weak classifier를 갖는 strong classifier는 단지 불연속 값만을 갖는다. 이러한 환경에서 n이 작으면, positive sample와 negative sample을 완벽하게 분류할 수 없다.
이를 해결하기 위해, 종래의 구조에서는 우수한 분류 성능을 얻기 위해서 필연적으로 보다 많은 개수의 weak classifier를 사용하지만, 다수의 weak classifier에 대한 계산으로 인해 계산 시간이 비례적으로 증가하게 되었다.
따라서, 계산 시간을 고려하여 스테이지 별 weak classifier의 개수를 최적하게 설정하는 것이 중요하다. 특히, 처음 수 개 스테이지들의 weak classifier 개수는 검출 계산 시간에 가장 큰 영향을 미치게 된다. 이에 따라, 초기 스테이지들에서 가능한 적은 weak classifier 개수를 유지하는 것이 특히 중요하다.
도 4는 haar feature 값에 대한 히스토그램에 나타내는 도면이다.
도 4에 도시한 바와 같이, haar feature 값 g의 히스토그램은 positive sample과 negative sample의 분포로 이루어진다. 도 4에서 높은 값은 positive sample의 높은 신뢰값을 의미하고, 낮은 값은 negative sample의 높은 신뢰값을 의미한다. 즉, sample의 최외각 값이 threshold로부터 가장 멀리 떨어질수록 샘플에 대한 신뢰값은 보다 높아지게 된다. 이런 정보는 sample의 분류에 있어서, 매우 유용한 정보가 되지만, 종래 binary weak classifier에서는 작은 구분력 등으로 인해 활용되지 않았다. 특정한 성능을 얻기 위한 strong classifier는 보다 많은 다수의 weak classifier 요구된다.
하기 계산 복합식으로부터, 얼굴 후보 검증의 계산 시간이 weak classifier 개수에 의해 절대적으로 결정되는 것을 알 수 있다.
Figure 112006040702148-pat00003
여기서, l은 i번째 스테이지의 weak classifier의 개수이고, θ는 각 스테이지의 오류 경보율(false alarm rate)이다. 상기 계산 복합식으로부터 weak classifier가 적을수록 얼굴 검출 시간이 더 빨라진다는 것을 알 수 있다.
따라서, 얼굴 검출에 대한 정확성을 향상하고, 검출 시간을 최소화 할 수 있는 최적/최소 개수의 스테이지 별 weak classifier를 설정하는 새로운 얼굴 검출 모델의 구현이 절실하게 요구되고 있다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, modified double sigmoid function을 이용한 weak classifier를 제안함으로써 haar feature를 높은 정확도로 평가하며, 각 스테이지에서 보다 더 적은 weak classifier를 사용하는 고속 정확한 얼굴 검출 방법 및 얼굴 검출 시스템을 제공하는 것을 목적으로 한다.
또한, 본 발명은 cascade와 weighted chain을 결합하는 구조를 제안함으로써 이전 스테이지의 신뢰값을 이용할 수 있는 환경을 마련하는 고속 정확한 얼굴 검출 방법 및 얼굴 검출 시스템을 제공하는 것을 목적으로 한다.
또한, 본 발명은 strong classifier의 weight를 학습하는 방법을 제안함으로써 각 weak classifier에 최적의 weight와 파라미터를 얻을 수 있는 고속 정확한 얼굴 검출 학습 방법 및 얼굴 검출 학습 시스템을 제공하는 것을 목적으로 한다.
상기의 목적을 이루기 위한 얼굴 검출 방법은, modified double sigmoid function으로부터, 스테이지와 관련한 weak classifier를 연산하는 단계, 및 상기 연산된 weak classifier를 이용하여 haar feature를 평가하는 단계를 포함하는 것을 특징으로 한다.
또한, 본 발명의 얼굴 검출 방법을 구현하는 얼굴 검출 시스템은 weak classifier들의 cascade와 이전 stage의 결과를 결합하는 구조로 되어 있다. Weak classifier는 각각의 haar feature를 정확하고 효과적으로 평가할 수 있도록 modified double sigmoid function에 기반하고 있다.
이러한 얼굴 검출 시스템을 학습시키는 얼굴 검출 학습 시스템은, 학습 sample weight를 고려하여 학습 sample에 대해서 최적의 modified double sigmoid function 기반의 t번째 weak classifier를 연산하는 제1 단계와, 상기 연산된 t번 째 weak classifier의 weight를 연산하는 제2 단계와, 학습 sample weight를 update하는 제3 단계, 및 t번째까지의 weak classifier들이 weighted sum된 strong classifier가 기설정된 기준에 만족하는지를 평가하는 제4 단계를 수행하는 것을 특징으로 한다.
이하, 첨부된 도면을 참조하여, 본 발명에 따른 고속 정확한 얼굴 검출 방법과 얼굴 검출 학습 방법 및 이를 구현하는 시스템에 대하여 설명한다.
도 5는 본 발명에 따른 고속 정확한 얼굴 검출 시스템의 구성을 도시한 도면이다.
우선, 얼굴 검출 시스템(500)은 modified double sigmoid function으로부터, 스테이지와 관련한 weak classifier를 연산하는 weak classifier 연산 수단(510)을 포함한다. 즉, weak classifier 연산 수단(510)은 전형적인 double sigmoid function을 수정하여 modified double sigmoid function을 유도하고, 유도된 modified double sigmoid function를 이용하여 weak classifier를 연산하는 역할을 한다. 상기 weak classifier은 서브 윈도우에 대한 효과적인 haar feature 평가를 수행할 수 있다.
도 6은 본 발명에 따른 double sigmoid function을 설명하기 위한 도면이다. 도 6의 ⅰ)에서는 전형적인 double sigmoid function을 예시하고 있으며, 도 6의 ⅱ)에서는 도 6의 ⅰ)의 function을 본 발명의 목적 달성에 맞게 수정한, modified double sigmoid function을 예시하고 있다.
도 6의 ⅰ)의 전형적인 double sigmoid function은 무한 범위에서의 haar feature 값 g에 대해 weak classifier f(g)의 크기를 0에서부터 1까지의 연속적인 값으로 결정한다.
이때, haar feature 값 g가, 설정된 t threshold 보다 큰 값인지 또는 작은 값인지 여부에 따라 적용되는 double sigmoid function의 구성이 상이할 수 있다.
도 6의 ⅰ)에서는 haar feature 값 g가 설정된 threshold 보다 미만일 경우, double sigmoid function에 의해 연산되는 weak classifier f(g)의 크기가 소정값(예, 0.5) 이하에서 연산되도록 하는 것을 예시하고 있다.
전형적인 double sigmoid function은 수학식 1과 같이 haar feature 값 g를 변수로 갖는 함수로서 나타낼 수 있다.
Figure 112006040702148-pat00004
이때, t는 두 sigmoid 함수의 threshold이고, r1, r2는 각각 1번째, 2번째 sigmoid의 변화량을 결정한다.
도 6의 ⅱ)에서는 도 6의 ⅰ)의 전형적인 double sigmoid function f(g)가 특징 히스토그램에 따라 변경되도록 function에 대해 수정(modified)을 수행한다.
즉, 도 6의 ⅱ)의 modified double sigmoid function은 무한 범위에서의 haar feature 값 g에 대해 -b에서부터 a까지의 연속적인 weak classifier f(g)의 크기를 결정할 수 있다.
modified double sigmoid function은 수학식 2와 같이 haar feature 값 g를 입력 변수로 갖는 함수로 나타낼 수 있다.
Figure 112006040702148-pat00005
여기서, b는 1번째 sigmoid의 weight이고, a는 2번째 sigmoid의 weight이다.
즉, 본 발명의 얼굴 검출 시스템(500)의 weak classifier 연산 수단(510)은 modified double sigmoid function을 이용하여 weak classifier f(g)를 연산할 수 있다.
수학식 2의 modified double sigmoid function f(g)는 다음과 같은 특징을 갖는다.
1) 본 발명의 modified double sigmoid function은 불연속 함수가 아닌 연 속 함수이다.
2) 본 발명의 modified double sigmoid function은 threshold 근방에서 급격히 변하며, threshold에서 멀리 떨어지면 매우 천천히 변한다.
3) 본 발명의 modified double sigmoid function은 신뢰값의 변화량을 positive sample 및 negative sample의 분포에 따라 변경한다.
4) 본 발명의 modified double sigmoid function은 양단에서 한계치를 갖는다.
5) 본 발명의 modified double sigmoid function은 고속 계산을 위해서 lookup table을 사용할 수 있다.
본 발명에서 사용하는 modified double sigmoid function에 대한 parameter는 각 weak classifier f(g) 연산에 대해, 상기 t, r1, r2, b, a의 5개 만을 결정하면 된다.
도 7은 modified double sigmoid weak classifier의 parameter 결정을 설명하기 위한 도면이다.
상술한 바와 같이, 스테이지의 weak classifier는 modified double sigmoid function으로부터 연산되며, 상기 modified double sigmoid function에서의 parameter로는 상술한 t, r1, r2, b, a의 5개가 활용된다.
이러한 parameter는 modified double sigmoid function의 positive sample 및 negative sample의 분포로부터 유추할 수 있다.
도 7에서는 변화량 r1을 갖는 1번째 sigmoid와, 변화량 r2를 갖는 2번째 sigmoid가 threshold t를 기준으로 일부 중첩되는 특징 분포를 예시하고 있다.
우선, parameter t는 도 7과 같은 특징 분포에서 positive sample과 negative sample을 최적하게 분리할 수 있는 threshold를 지칭한다. 이러한 parameter t는, 소정 임의설정값 t를 초과하는 negative sample 영역과, 임의설정값 t 미만의 positive sample 영역과의 합이 최소가 되는 조건에서의 상기 임의설정값으로 결정할 수 있다.
즉, parameter t는 수학식 3에 의해 결정된다.
Figure 112006040702148-pat00006
여기서, SP는 positive 학습 sample의 집합이고, SN는 negative 학습 sample의 집합을 지칭한다. 또한, gi는 feature g에 대한 i번째 sample xi의 feature value이고, wi는 feature value gi의 히스토그램 value를 지칭한다.
상기 수학식 3의 전항은 negative sample 영역이면서 feature g가 임의설정값 t를 초과하는 영역, 즉 positive sample 영역과 겹쳐지는 negative sample 영역의 적분값을 의미할 수 있다.
또한, 수학식 3의 후항은 positive sample 영역이면서 feature g가 임의설정값 t 미만인 영역, 즉 negative sample 영역과 겹쳐지는 positive sample 영역의 적분값을 의미할 수 있다.
즉, 수학식 3은 negative sample과 positive sample 영역이 최소로 겹쳐지는 조건하에서의 임의설정값 t를 최적한 threshold의 parameter t로 결정한다.
Parameter r1은 parameter t를 기준으로 하는 임의설정값 r1 이하의 negative sample 영역을 샘플 집합 SN 의 크기로 나누었을 때 일정한 상수값을 연산하는 상기 임의설정값 r1을 결정한다.
또한 parameter r2는 parameter t를 기준으로 하는 임의설정값 r2 이상의 positive sample 영역을 SP의 크기로 나누었을 때 일정한 상수값을 연산하는 상기 임의설정값 r2를 결정한다.
이때, parameter r1 및 parameter r2 연산과 관련한 상수값은 동일하다.
즉, parameter r1, r2는 수학식 4에 의해 결정된다.
Figure 112006040702148-pat00007
Parameter a는 parameter t 보다 큰 positive sample 영역의 적분값을, parameter t 보다 큰 positive sample 영역의 적분값과 parameter t 보다 큰 negative sample 영역의 적분값과의 합으로 나눈 값으로 결정한다.
즉, parameter a는 수학식 5에 의해 결정된다.
Figure 112006040702148-pat00008
이때, parameter t 보다 큰 negative sample 영역의 적분값, 즉,
Figure 112006040702148-pat00009
은 에러를 나타낸다.
Parameter b는 parameter t 보다 작은 negative sample 영역의 적분값을, parameter t 보다 작은 negative sample 영역의 적분값과 parameter t 보다 작은 positive sample 영역의 적분값과의 합으로 나눈 값으로 결정한다.
즉, parameter b는 수학식 6에 의해 결정된다.
Figure 112006040702148-pat00010
이때, parameter t 보다 작은 positive sample 영역의 적분값, 즉,
Figure 112006040702148-pat00011
은 에러를 나타낸다.
이에 따라, 본 발명의 얼굴 검출 시스템(500)은 modified double sigmoid weak classifier의 연산시 관여되는 5개의 parameter를 결정할 수 있다.
다시, 도 5를 살펴보면, 얼굴 검출 시스템(500)은 연산된 weak classifier를 이용하여 haar feature를 평가하는 haar feature 평가 수단(520)를 포함한다. 즉, haar feature 평가 수단(520)은 상기 modified double sigmoid function의 연산값과 기선정된 기준값을 비교하고, 그 비교 결과에 따라, weak classifier와 연관된 sample을 negative sample 또는 positive sample로 식별할 수 있다.
예컨대, 기준값을 0으로 선정한 조건하에서, 얼굴 검출 시스템(500)은 연산값과 상기 '0'을 비교하고, 비교결과 상기 연산값인 weak classifier f(g)가 '0'보다 작은 음(-)인 경우 관련한 weak classifier의 샘플을 negative로 식별하고, 반면 '0' 보다 큰 양(+)인 경우 관련한 weak classifier의 샘플을 positive로 식별한다.
또한, 얼굴 검출 시스템(500)은 상기 haar feature의 평가에 따른 strong classifier H(x)의 연산값과 소정의 기준값을 비교하는 비교 수단(530)을 포함한다. 즉, 비교 수단(530)은 특정 스테이지에 대한 weak classifier의 누적 weight값, 즉 strong classifier의 연산값을 산출하고, 산출된 연산값과, 예컨대 본 시스템의 운영자에 의해 설정된 기준값과의 비교를 수행한다.
또한, 얼굴 검출 시스템(500)은 상기 비교 결과에 따라 상기 스테이지와 연관된 입력 이미지의 서브 윈도우를 face 또는 non-face로 판단하는 판단 수단(540)를 포함한다. 즉, 판단 수단(540)은 연산된 strong classifier H(x)가 상기 기준 값을 만족하는 경우, 금번 스테이지에서 상기 서브 윈도우에 대해 non-face를 확정 판단한다.
만약, 연산된 strong classifier H(x)가 상기 기준값을 만족하지 않는 경우, 얼굴 검출 시스템(500)은 (1) 차기 번째의 weak classifier와 관련한 weight값을 산출하고 이를 포함하는 strong classifier H(x)과 상기 기준값을 비교하거나, (2) 다음 스테이지로 이동하여 서브 윈도우에 대해 non-face 또는 face를 재차 판단한다.
따라서, 본 발명의 얼굴 검출 시스템(500)에 의하면, modified double sigmoid function을 이용한 weak classifier를 제안함으로써 haar feature를 높은 정확도로 평가하며, 각 스테이지에서 보다 더 적은 weak classifier를 사용하여 얼굴 검출을 수행할 수 있다.
본 발명의 얼굴 검출 시스템(500)은 weak classifier들의 cascade와 이전 stage의 결과를 결합함으로써 얼굴 검출에 대한 정확성을 향상하고, 검출 시간을 최소화 할 수 있다.
도 8은 본 발명에 따른 얼굴 후보 검증에서 결합 구조를 설명하기 위한 도면이다.
본 발명의 얼굴 검출 시스템(500)은 이전 스테이지(n-1번째 스테이지)에서 추출된 신뢰값을, 현재 스테이지에서의 신뢰값 추출시에 이용함으로써, 연산해야 할 weak classifier의 개수와 계산 시간을 감소시킬 수 있다.
즉, 종래의 얼굴 검출 방법에서 스테이지 간에 연관성 없이 서브 윈도우에 대한 평가를 스테이지 별로 독립적으로 하였던 것과 달리, 본 발명의 얼굴 검출 방법을 구현하는 얼굴 검출 시스템(500)은 이전 스테이지의 신뢰값이 현재 스테이지에서 활용되도록 한다.
특히, 본 발명의 얼굴 검출 시스템(500)은 이전 스테이지의 신뢰값을 현재 스테이지의 1번째 weak classifier로 사용되도록 하고, 이전 스테이지의 performance를 weight로 사용한다.
즉, 본 발명의 strong classifier는 cascade와 weighed chain의 결합인 수학식 7을 만족하여 서브 윈도우를 평가할 수 있다.
Figure 112006040702148-pat00012
여기서, Hn -1(x)은 n-1번째 스테이지의 strong classifier이고, βn-1은 Hn -1(x)의 weight를 지칭할 수 있다.
수학식 7에서 알 수 있듯이, 이전 스테이지의 신뢰값 Hn -1(x)이 현재 스테이지의 1번째 weak classifier로 사용되며, 이에 따라 가장 최초 스테이지에서 추출된 신뢰값이 전체 서브 윈도우 평가시 가장 많은 영향을 미치게 된다.
따라서, 본 발명의 얼굴 검출 시스템(500)에 의하면 특정 서브 윈도우 평가시, 최초 스테이지(또는 초반 몇몇 스테이지)에 대해 보다 정밀한 신뢰값 추출이 요구될 수 있다.
이하에서는, 본 발명의 다른 실시예로서, 얼굴 검출 시스템(500)을 학습시키는 방법 및 시스템에 대해 설명한다.
도 9는 본 발명에 따른 얼굴 검출 시스템을 학습시키는 방법을 도시한 도면이다
본 발명에 따른 얼굴 검출 시스템(500)은 특정 서브 윈도우 평가를 위해 소정 개의 스테이지를 마련하고, 각 스테이지 마다 상기 서브 윈도우에 대해 non-face 판단 또는 non-face 판단 보류를 결정한다.
즉, 얼굴 검출 시스템(500)은 특정 스테이지에서 strong classifier의 연산값이 소정 수치를 만족하는 경우, 관련된 서브 윈도우를 non-face로 판단 확정한다.
또한, 얼굴 검출 시스템(500)은 특정 스테이지에서 strong classifier의 연산값이 수치를 만족하지 못하는 경우, 차기 weak classifier를 연산하여 금번 스테이지에서의 상기 non-face 판단 또는 non-face 판단 보류를 다시 한번 결정하거나, 차기 스테이지로 이동하여 반복적인 서브 윈도우 평가를 수행하게 된다.
만약, 마련된 모든 스테이지에서 non-face를 판단하지 못하는 경우, 얼굴 검출 시스템(500)은 관련된 서브 윈도우를 face로 판단하여, 상기 서브 윈도우가 사람 얼굴과 관련됨을 인지하게 된다.
이러한 얼굴 검출 시스템(500)은 본 발명에 따른 얼굴 검출 학습 방법(또는 상기 얼굴 검출 학습 방법을 구현한 얼굴 검출 학습 시스템)에 의한 학습을 통해 각 스테이지의 weak classifier 및 weight를 결정할 수 있다.
도 9에서는 학습 sample을 이용하여 소정 스테이지의 weak classifier 및 weight를 결정해서 strong classifier를 구성하는 얼굴 검출 학습 방법을 예시한다.
본 발명의 얼굴 검출 학습 방법은 상기 얼굴 검출 학습 방법을 구현한 얼굴 검출 학습 시스템에 의해 수행될 수 있다.
우선, 본 발명의 얼굴 검출 학습 시스템에서는 학습 sample weight를 초기화한다(S910). 본 단계(S910)는 학습 sample weight의 값을 임의 크기로 설정하는 과정이다. 이때, 각 스테이지에서의 학습 sample weight는 coefficient c를 이용해서 조절되며, positive sample weight의 경우, (c-1)/(2*Np*(c+1))을, negative sample weight의 경우 1/(Nn*(c+1))로 정의할 수 있다. 여기서, Np은 positive sample number이고, Nn은 negative sample number이다.
도 10은 스테이지에 따라 변화하는 coefficient c의 크기를 예시한 도면이다.
도 10에 도시한 바와 같이, 상기 coefficient c는 스테이지에 따라 그 크기가 변화할 수 있으며, 초기 스테이지일수록 coefficient c의 크기가 크고, 나중 스테이지가 될수록 coefficient c의 크기가 현저하게 줄어들도록 설정한다.
예컨대, 도 10에서 1번째 스테이지의 coefficient c 크기는 100인 반면, 20번째 스테이지의 coefficient c 크기는 1에 근접되어 설정될 수 있다.
이에 따라, coefficient c의 크기가 큰 초기 스테이지에서는 positive sample이 negative sample 보다 더 중요한 것을 알 수 있다.
이후, 얼굴 검출 학습 시스템은 최적의 modified double sigmoid weak classifier를 선택한다(S920). 본 단계(S920)는 n번째 스테이지의 i번째 weak classifier를 순차적으로 선택하는 과정이다. 예컨대, 얼굴 검출 학습 시스템은 1번째 스테이지의 1번째 weak classifier h1을 modified double sigmoid function으로부터 연산할 수 있다. 이때, modified double sigmoid function에 이용되는 parameter t, a, b, r1. r2는, 상기 학습 sample weight w가 초기치로 세팅되는 조건에서 수학식 3 내지 6 각각을 이용하여 결정할 수 있다.
또한, 얼굴 검출 학습 시스템은 상기 연산된 weak classifier h1로부터 weak classifier의 weight를 평가한다(S930). 본 단계(S930)는 i번째의 weak classifier에 곱셈되는 i번째의 weight를 연산하는 과정이다. 이에 따라, 얼굴 검출 학습 시스템은 strong classifier의 상기 i번째 weight값을 연산할 수 있는 환경을 마련한다.
상기 weak classifier의 weight 평가에 있어서, 얼굴 검출 학습 시스템은 cost function을 이용하며, 상기 cost function의 연산 크기가 최소가 되는 값을 weight α를 연산한다.
상기 cost function은 수학식 8을 만족할 수 있다.
Figure 112006040702148-pat00013
여기서, 학습 sample은 (input area, class index)의 조합으로 정의되며, (x1, y1), (x2, y2), … (xm, ym)으로 표기될 수 있다. wt(i)는 학습 sample의 weight이고, αt는 weak classifier의 weight를 지칭한다.
상기 w1(i)은 초기치를 의미한다.
1번째 weak classifier h1의 weight α1의 연산에 있어서, 얼굴 검출 학습 시스템은 Newton 알고리즘을 이용하여 최고의 분류 성능에 도달할 수 있는 cost function의 크기, 즉 cost function의 최소값을 이용하여 weight α1을 연산할 수 있다.
이에 따라 얼굴 검출 학습 시스템은 1번째 스테이지에 대한 1번째 weak classifier h1 및 1번째 weight α1을 연산할 수 있다.
이후, 학습 얼굴 검출 학습 시스템은 sample weight에 대한 갱신 처리를 수행한다(S940). 즉, 본 단계(S940)에서의 얼굴 검출 학습 시스템은 수학식 9를 이용하여 학습 sample weight를 업데이트 한다.
Figure 112006040702148-pat00014
다음으로, 얼굴 검출 학습 시스템은 상기 연산한 1번째 weak classifier h1 및 1번째 weight α1을 곱셈한 값을 포함하는 strong classifier가 기설정된 성능을 만족하는지 여부를 판단한다(S950).
즉, 얼굴 검출 학습 시스템은 weak classifier h1과 weight α1을 곱셈하여 strong classifier Hn(x)를 구성한 후, 구성된 상기 strong classifier Hn(x)의 분류 성능이 기설정된 성능을 만족하는지를 판단한다.
판단 결과, 성능을 만족하는 경우(S950에서의 Yes 방향), 얼굴 검출 학습 시스템은 학습을 멈추게 된다(S960). 이때, strong classifier Hn(x)는 βn-1*Hn -1+h1*α1가 된다.
반면, 판단 결과, 성능을 만족하지 않을 경우(S950에서의 No 방향), 얼굴 검출 학습 시스템은 weak classifier의 개수 t를 증가시킨 후, 차기 weak classifier h2 및 weight α2를 연산한다.
이후, 얼굴 검출 학습 시스템은 연산된 weak classifier h2와 weight α2와의 곱인 i+1번째 weight값과 상기 i번째 weight값을 포함하는 strong classifier Hn(x)을 이용하여 학습 sample들에 대한 평가를 재수행한다(S920∼S950). 상기 strong classifier Hn(x)가 기설정된 성능을 만족하는 경우, 이때, strong classifier Hn(x)는 βn-1*Hn -1+(h1*α1 + h2*α2)로 연산된다.
즉, 얼굴 검출 학습 시스템은 상기 strong classifier Hn(x)의 분류 성능이 기설정된 성능을 만족하지 않을 경우에 weak classifier의 개수 t를 증가시키면서 loop를 돌게 된다.
본 발명은, modified double sigmoid function을 이용한 weak classifier를 제안함으로써 서브 윈도우를 높은 정확도로 평가할 수 있다. 더불어, 본 발명은 각 스테이지에서 보다 더 적은 weak classifier를 사용하여 서브 윈도우를 고속으로 평가할 수 있다.
또한, 본 발명은, cascade와 weighted chain을 결합하는 구조를 제안함으로써 이전 스테이지의 신뢰값을 이용할 수 있는 환경을 마련한다.
또한, 본 발명에 따르면, strong classifier의 weight를 학습하는 방법을 제안함으로써 각 weak classifier에 최적의 weight를 얻을 수 있다.
지금까지 본 발명에 따른 구체적인 실시예에 관하여 설명하였으나, 본 발명의 범위에서 벗어나지 않는 한도 내에서는 여러 가지 변형이 가능함은 물론이다. 그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 안되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
이상의 설명에서 알 수 있는 바와 같이, 본 발명에 따르면, modified double sigmoid function을 이용한 weak classifier를 제안함으로써 haar feature를 높은 정확도로 평가하며, 각 스테이지에서 보다 더 적은 weak classifier를 사용하는 고속 정확한 얼굴 검출 방법 및 얼굴 검출 시스템을 제공할 수 있다.
또한, 본 발명에 따르면, cascade와 weighted chain을 결합하는 구조를 제안함으로써 이전 스테이지의 신뢰값을 이용할 수 있는 환경을 마련하는 고속 정확한 얼굴 검출 방법 및 얼굴 검출 시스템을 제공할 수 있다.
또한, 본 발명에 따르면, strong classifier의 weight를 학습하는 방법을 제안함으로써 각 weak classifier에 최적의 weight와 파라미터를 얻을 수 있는 고속 정확한 얼굴 검출 학습 방법 및 얼굴 검출 학습 시스템을 제공할 수 있다.
또한, 본 발명에 의해서는 빠르고 정확한 얼굴 검출 시스템을 구현할 수 있다.
하기 표 1로부터 종래 알고리즘과 비교하여, 본 발명의 알고리즘이 각 스테이지의 얼굴 후보 검증을 위해 더 적은 수의 weak classifier가 요구되고 있음을 알 수 있다.
스테이지 번호 1 2 3 4 1~20
종래 알고리즘 5 6 7 13 2018
본 발명 3 4 7 8 928
표 1에서는 1번 스테이지에서부터 20번 스테이지까지의 weak classifier의 요구 총 개수가 종래 알고리즘에서 2,018개인 것에 반해, 본 발명에서는 928개로 현저히 감소하고 있음을 보이고 있다.
또한, 본 발명에 의해서는 연산 복잡도 역시, 기존의 얼굴 검출 방식에 비해서, 약 1.4배 빨라지고, Intel OpenCV 모델에 대해서도 약 3.1배 빨라지게 되었다.
또한, 본 발명에 의해서는 종래 알고리즘에 비해 얼굴 검출률을 현저하게 향상시킬 수 있다.
영상 개수 얼굴 개수 종래 알고리즘 본 발명
FRGC Exp4 DB 8014 97.04% 99.89%
전체 Test DB 20558 92.94% 95.56%
표 2에서는 실험 항목 'FRGC Exp4 DB' 및 '전체 Test DB' 모두에서 본 발명의 알고리즘에 따른 얼굴 검출률이 종래 알고리즘에 비해 성능이 향상됨을 보이고 있다.
또한, 본 발명에 따르면, 작은 pose나 작은 occlusion이 있는 얼굴도 검출 가능하다.
또한, 본 발명에 의해서는 400*390 영상에 대해 검출 시간이 101.2ms으로, 600*450 영상에 대해 검출 시간이 201ms으로, 320*240 영상에 대해 검출 시간 32ms으로 단축될 수 있다.

Claims (15)

  1. 얼굴 검출 방법에 있어서,
    modified double sigmoid function으로부터, 스테이지와 관련한 weak classifier를 연산하는 단계; 및
    상기 연산된 weak classifier를 이용하여 haar feature를 평가하는 단계를 포함하고,
    상기 스테이지는 단일의 strong classifier H(x)로 구성되며,
    n번째 스테이지의 상기 strong classifier Hn(x)는,
    n-1번째 스테이지의 strong classifier Hn-1(x)에 가중치 βn-1를 곱셈한 값과, 상기 n번째 스테이지의 i번째 weak classifier까지의 누적 weight값을 합산한,
    Figure 112007076304337-pat00015
    를 만족하는 것을 특징으로 하는 얼굴 검출 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 βn-1 * Hn-1(x)은, 상기 n번째 스테이지의 1번째 weak classifier인 것을 특징으로 하는 얼굴 검출 방법.
  4. 제1항에 있어서,
    상기 haar feature의 평가에 따른 상기 strong classifier H(x)의 연산값과 기준값을 비교하는 단계; 및
    상기 비교 결과에 따라 상기 스테이지와 연관된 입력 이미지의 서브 윈도우를 face 또는 non-face로 판단하는 단계
    를 더 포함하는 것을 특징으로 하는 얼굴 검출 방법.
  5. 제1항에 있어서,
    상기 modified double sigmoid function은,
    Figure 112006040702148-pat00016
    을 만족하고,
    상기 t는 두 sigmoid의 threshold이며, r1는 1번째 sigmoid의 변화량이고, r2는 2번째 sigmoid의 변화량이며, b는 1번째 sigmoid의 weight이고, a는 2번째 sigmoid의 weight인 것을 특징으로 하는 얼굴 검출 방법.
  6. 제5항에 있어서,
    상기 parameter threshold t는,
    Figure 112006040702148-pat00017
    를 만족하여 계산하고,
    상기 gi는 feature g에 대한 i번째 sample xi의 feature value이며, 상기 wi는 feature value gi의 histogram인 것을 특징으로 하는 얼굴 검출 방법.
  7. 제5항에 있어서,
    상기 parameter sigmoid 변화량 r1, r2는,
    Figure 112006040702148-pat00018
    를 만족하여 계산하는 것을 특징으로 하는 얼굴 검출 방법.
  8. 제5항에 있어서,
    상기 parameter sigmoid weight a, b는,
    Figure 112006040702148-pat00019
    를 만족하여 계산하는 것을 특징으로 하는 얼굴 검출 방법.
  9. 제5항에 있어서,
    haar feature를 평가하는 상기 단계는,
    상기 modified double sigmoid function f(g)의 연산값이 소정 값보다 큰 경우 상기 weak classifier와 연관된 sample을 positive sample로 평가하고,
    상기 modified double sigmoid function f(g)의 연산값이 소정 값보다 작은 경우 상기 weak classifier와 연관된 sample을 negative sample 로 평가하는 것을 특징으로 하는 얼굴 검출 방법.
  10. 얼굴 검출 학습 방법에 있어서,
    학습 sample weight를 고려하여 modified double sigmoid function 기반의 t번째 weak classifier를 연산하는 제1 단계;
    상기 연산된 t번째 weak classifier의 weight를 연산하는 제2 단계;
    상기 학습 sample weight를 update하는 제3 단계; 및
    t번째까지의 weak classifier들이 weighted sum된 strong classifier가 기설정된 기준에 만족하는지를 평가하는 제4 단계
    를 포함하는 것을 특징으로 하는 얼굴 검출 학습 방법.
  11. 제10항에 있어서,
    상기 제4 단계는,
    상기 strong classifier Hn(x)가 상기 기준을 만족하지 않는 경우, t+1번째 weak classifier에 대해 상기 제1 단계 내지 상기 제3 단계를 수행하는 단계; 및
    t+1번째까지의 weak classifier들이 weighted sum된 strong classifier가 상기 기준에 만족하는지를 평가하는 단계
    를 포함하는 것을 특징으로 하는 얼굴 검출 학습 방법.
  12. 제10항에 있어서,
    상기 제4 단계는,
    상기 strong classifier H(x)가 상기 기준을 만족하는 경우, 학습을 종료하 는 단계
    를 포함하는 것을 특징으로 하는 얼굴 검출 학습 방법.
  13. 제1항, 제3항 내지 제12항 중 어느 한 항의 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체.
  14. 얼굴 검출 시스템에 있어서,
    modified double sigmoid function으로부터, 스테이지와 관련한 weak classifier를 연산하는 weak classifier 연산 수단;
    상기 연산된 weak classifier를 이용하여 haar feature를 평가하는 haar feature 평가 수단;
    상기 haar feature의 평가에 따른 strong classifier H(x)의 연산값과 소정의 기준값을 비교하는 비교 수단; 및
    상기 비교 결과에 따라 상기 스테이지와 연관된 입력 이미지의 서브 윈도우를 face 또는 non-face로 판단하는 판단 수단
    을 포함하는 것을 특징으로 하는 얼굴 검출 시스템.
  15. 얼굴 검출 학습 시스템에 있어서,
    학습 sample weight를 고려하여 modified double sigmoid function 기반의 t번째 weak classifier를 연산하는 제1 단계;
    상기 연산된 t번째 weak classifier의 weight를 연산하는 제2 단계;
    상기 학습 sample weight를 update하는 제3 단계; 및
    t번째까지의 weak classifier들이 weighted sum된 strong classifier가 기설정된 기준에 만족하는지를 평가하는 제4 단계
    를 수행하여 얼굴 검출 장치를 학습시키는 것을 특징으로 하는 얼굴 검출 학습 시스템.
KR1020060052152A 2006-06-09 2006-06-09 고속 정확한 얼굴 검출 방법과 얼굴 검출 학습 방법 및이를 구현하는 시스템 KR100813167B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020060052152A KR100813167B1 (ko) 2006-06-09 2006-06-09 고속 정확한 얼굴 검출 방법과 얼굴 검출 학습 방법 및이를 구현하는 시스템
US11/652,070 US20070286477A1 (en) 2006-06-09 2007-01-11 Method and system for fast and accurate face detection and face detection training

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020060052152A KR100813167B1 (ko) 2006-06-09 2006-06-09 고속 정확한 얼굴 검출 방법과 얼굴 검출 학습 방법 및이를 구현하는 시스템

Publications (2)

Publication Number Publication Date
KR20070117922A KR20070117922A (ko) 2007-12-13
KR100813167B1 true KR100813167B1 (ko) 2008-03-17

Family

ID=38822035

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020060052152A KR100813167B1 (ko) 2006-06-09 2006-06-09 고속 정확한 얼굴 검출 방법과 얼굴 검출 학습 방법 및이를 구현하는 시스템

Country Status (2)

Country Link
US (1) US20070286477A1 (ko)
KR (1) KR100813167B1 (ko)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100795160B1 (ko) * 2007-03-22 2008-01-16 주식회사 아트닉스 얼굴영역검출장치 및 검출방법
US8015132B2 (en) * 2008-05-16 2011-09-06 Samsung Electronics Co., Ltd. System and method for object detection and classification with multiple threshold adaptive boosting
WO2010063463A2 (en) * 2008-12-05 2010-06-10 Fotonation Ireland Limited Face recognition using face tracker classifier data
CN102449661A (zh) * 2009-06-01 2012-05-09 惠普发展公司，有限责任合伙企业 确定级联分类器的检测确定性
KR101268520B1 (ko) * 2009-12-14 2013-06-04 한국전자통신연구원 영상 인식 장치 및 방법
WO2011074014A2 (en) * 2009-12-16 2011-06-23 Tata Consultancy Services Ltd. A system for lip corner detection using vision based approach
WO2011092865A1 (ja) * 2010-02-01 2011-08-04 株式会社モルフォ 物体検出装置及び物体検出方法
US8737725B2 (en) 2010-09-20 2014-05-27 Siemens Aktiengesellschaft Method and system for learning based object detection in medical images
WO2012139273A1 (en) * 2011-04-11 2012-10-18 Intel Corporation Method of detecting facial attributes
US8781221B2 (en) 2011-04-11 2014-07-15 Intel Corporation Hand gesture recognition system
CN103699888A (zh) * 2013-12-29 2014-04-02 深圳市捷顺科技实业股份有限公司 人脸检测方法和装置
CN104809465A (zh) * 2014-01-23 2015-07-29 北京三星通信技术研究有限公司 分类器训练方法、目标检测、分割或分类方法和装置
US9864900B2 (en) 2014-06-26 2018-01-09 Cisco Technology, Inc. Entropy-reducing low pass filter for face-detection
US9619696B2 (en) 2015-04-15 2017-04-11 Cisco Technology, Inc. Duplicate reduction for face detection
CN105184850A (zh) * 2015-07-02 2015-12-23 南京斯图刻数码科技有限公司 通过手机摄像头进行动物模型建模和打印的方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6421463B1 (en) 1998-04-01 2002-07-16 Massachusetts Institute Of Technology Trainable system to search for objects in images
KR20030062584A (ko) * 2002-01-17 2003-07-28 엘지전자 주식회사 객체 추출방법
US20050013479A1 (en) 2003-07-16 2005-01-20 Rong Xiao Robust multi-view face detection methods and apparatuses
JP2005044330A (ja) 2003-07-24 2005-02-17 Univ Of California San Diego 弱仮説生成装置及び方法、学習装置及び方法、検出装置及び方法、表情学習装置及び方法、表情認識装置及び方法、並びにロボット装置
KR20050114817A (ko) * 2004-06-02 2005-12-07 김상훈 디지탈 영상 보안을 위한 사람 얼굴 객체 자동검출 방법
JP2008005028A (ja) * 2006-06-20 2008-01-10 Nippon Telegr & Teleph Corp <Ntt> 映像音声会議システムおよび端末装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5642431A (en) * 1995-06-07 1997-06-24 Massachusetts Institute Of Technology Network-based system and method for detection of faces and the like
AUPP400998A0 (en) * 1998-06-10 1998-07-02 Canon Kabushiki Kaisha Face detection in digital images
US7146050B2 (en) * 2002-07-19 2006-12-05 Intel Corporation Facial classification of static images using support vector machines
US7526101B2 (en) * 2005-01-24 2009-04-28 Mitsubishi Electric Research Laboratories, Inc. Tracking objects in videos with adaptive classifiers

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6421463B1 (en) 1998-04-01 2002-07-16 Massachusetts Institute Of Technology Trainable system to search for objects in images
KR20030062584A (ko) * 2002-01-17 2003-07-28 엘지전자 주식회사 객체 추출방법
US20050013479A1 (en) 2003-07-16 2005-01-20 Rong Xiao Robust multi-view face detection methods and apparatuses
JP2005044330A (ja) 2003-07-24 2005-02-17 Univ Of California San Diego 弱仮説生成装置及び方法、学習装置及び方法、検出装置及び方法、表情学習装置及び方法、表情認識装置及び方法、並びにロボット装置
KR20050114817A (ko) * 2004-06-02 2005-12-07 김상훈 디지탈 영상 보안을 위한 사람 얼굴 객체 자동검출 방법
JP2008005028A (ja) * 2006-06-20 2008-01-10 Nippon Telegr & Teleph Corp <Ntt> 映像音声会議システムおよび端末装置

Also Published As

Publication number Publication date
US20070286477A1 (en) 2007-12-13
KR20070117922A (ko) 2007-12-13

Similar Documents

Publication Publication Date Title
KR100813167B1 (ko) 고속 정확한 얼굴 검출 방법과 얼굴 검출 학습 방법 및이를 구현하는 시스템
US20200285896A1 (en) Method for person re-identification based on deep model with multi-loss fusion training strategy
US10885372B2 (en) Image recognition apparatus, learning apparatus, image recognition method, learning method, and storage medium
KR100668303B1 (ko) 피부색 및 패턴 매칭을 이용한 얼굴 검출 방법
US6661907B2 (en) Face detection in digital images
US10002290B2 (en) Learning device and learning method for object detection
US7376270B2 (en) Detecting human faces and detecting red eyes
Chaudhari et al. Face detection using viola jones algorithm and neural networks
JP5010905B2 (ja) 顔認証装置
US8023701B2 (en) Method, apparatus, and program for human figure region extraction
KR100882476B1 (ko) 음란성 이미지의 판별 방법과 그 장치
JP2004199669A (ja) 顔検出
JP6532317B2 (ja) 物体追尾装置、物体追尾方法及びプログラム
JP2004192637A (ja) 顔検出
KR20060133563A (ko) 온라인 학습을 통한 지속적인 얼굴 인식
JP2014093023A (ja) 物体検出装置、物体検出方法及びプログラム
US20110243398A1 (en) Pattern recognition apparatus and pattern recognition method that reduce effects on recognition accuracy, and storage medium
CN109344720B (zh) 一种基于自适应特征选择的情感状态检测方法
JP6977624B2 (ja) 物体検出装置、物体検出方法、およびプログラム
CN102314591A (zh) 静止前景物体的检测方法和设备
Bhatia et al. Face detection using fuzzy logic and skin color segmentation in images
Chandran et al. Pedestrian crowd level estimation by Head detection using bio-inspired retina model
Li et al. Face detection technology based on combining skin color model with improved adaboost algorithm
Chaikhumpha et al. Real—time two hand gesture recognition with condensation and hidden Markov models
JP7509212B2 (ja) 情報処理システム、情報処理方法、及びコンピュータプログラム

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]
FPAY Annual fee payment

Payment date: 20110225

Year of fee payment: 4

LAPS Lapse due to unpaid annual fee