KR100815291B1 - 사용자의 피드백을 이용하여, 얼굴 인식기 또는 얼굴검출기의 파라미터를 최적화하는 방법 및 시스템 - Google Patents

Abstract

본 발명은 디지털 데이터로부터 인물 식별 정보를 추출할 때 보다 높은 정확도로 추출할 수 있도록 사용자의 피드백을 통하여 사용 패턴을 파악한 후 얼굴 인식기 및/또는 얼굴 검출기의 파라미터를 최적화하는 방법 및 시스템에 관한 것이다.

더욱 자세하게는, 보다 정확한 얼굴 인식 및/또는 얼굴 검출을 위해 활용될 수 있는 부가 정보인 다양한 파라미터가 사용자마다의 상이한 사용 패턴에 의해 영향을 받을 수 있다는 사실을 고려하여 사용자의 피드백을 통하여 각 사용자에 있어서의 특유한 사용 패턴을 파악함으로써, 사용자마다 자신에 맞는 최적의 파라미터를 산출하여 얼굴 인식기 및/또는 얼굴 검출기의 성능을 향상시킬 수 있는 방법 및 시스템을 제시한다.

얼굴 인식, 얼굴 검출, 피드백, 강화 학습

Description

사용자의 피드백을 이용하여, 얼굴 인식기 또는 얼굴 검출기의 파라미터를 최적화하는 방법 및 시스템{METHOD AND SYSTEM FOR OPTIMIZING PARAMETERS OF FACE RECOGNIZER OR FACE DETECTOR BY USING FEEDBACK OF USER}

본 발명은 얼굴 인식 및/또는 얼굴 검출 작업을 수행함에 있어서 보다 높은 정확도를 달성하기 위하여 사용자의 피드백을 통하여 사용자의 사용 패턴을 파악한 후 얼굴 인식기 및/또는 얼굴 검출기의 파라미터를 최적화하는 방법 및 시스템에 관한 것으로서, 구체적으로는 보다 정확한 얼굴 인식 및/또는 얼굴 검출을 위해 활용될 수 있는 부가 정보인 다양한 파라미터가 사용자마다 상이한 사용 패턴에 의해 영향을 받으므로, 사용자의 피드백에 의한 강화 학습을 통하여 각 사용자에 있어서의 특유한 사용 패턴을 반영함으로써 사용자 및 촬영 대상에 따라 최적의 파라미터를 산출하여 얼굴 인식기 및/또는 얼굴 검출기의 성능을 향상시킬 수 있는 방법 및 시스템에 관한 것이다.

근래에 들어 디지털 카메라, 디지털 캠코더 등의 촬영 전용 디지털 기기를 비롯하여, 촬영 가능한 장치가 내장된 이동통신 단말기 및 MP3 플레이어 등의 디지털 기기가 널리 보급되면서 디지털 사진 및 동영상과 같은 디지털 데이터를 생성하 는 사용자의 수가 크게 증가하게 되었다.

그러한 결과, 생성되는 디지털 데이터의 양 역시 급증하게 되었으며, 방대해진 데이터의 양을 관리하고 이용하는데 불편함이 발생하게 되었다.

이와 같은 디지털 데이터의 관리와 이용에 있어서의 불편함을 해결하고, 사용자가 보다 편리하게 디지털 데이터를 관리할 수 있도록 하기 위하여, 디지털 데이터 내의 인물 식별을 통해 태그를 부여하는 기술이 제안된 바 있으며, 보다 높은 정확도로 디지털 데이터로부터 태그를 추출하는 다양한 방법들이 시도되고 있다. 여기서, "태그"란 데이터에 대한 신속한 억세스 또는 검색을 위해 디지털 데이터에 부착되는 부가 데이터로 이해될 수 있으며, 일련의 문자, 숫자, 또는 문자 및 숫자의 조합으로 이루어지는 것이 일반적이다.

디지털 데이터로부터 태그를 추출하는 방법에 관한 특허 중에는, 본 출원인에 의해 2006년 8월 17일 출원되어 2007년 3월 23일에 등록된 바 있는 한국특허등록 제701163호가 있으며, 이에 따르면 디시젼 퓨전(decision fusion)을 이용하여 디지털 데이터 내의 인물 식별을 통해 태그를 부여하고 부가 태그를 추천하는 방법이 개시되어 있음을 알 수 있다.

상기 특허에 따르면, 디지털 데이터 관리 시스템에서, 디지털 데이터의 속성 및 내용에 따라 디지털 데이터로부터 인물 식별 정보를 추출하여 이를 기초로 디지털 데이터에 자동적으로 인물 태그를 부여할 때에, 다양한 부가 정보를 이용하여 보다 정확한 인물 식별 정보를 획득하고 이를 디지털 데이터에 태깅하는 방법과 새로 생성된 디지털 데이터에 부여되어 있는 태그와 동일한 태그를 부여받은 기존의 디지털 데이터에 자주 사용된 태그를 파악하여 이를 디지털 데이터에 추가적으로 부여하도록 하는 방법에 관하여 개시되어 있다.

상기 다양한 부가 정보란 디지털 데이터에 포함된 인물의 얼굴 인식률을 높이기 위해 사용되는 다양한 정보로서, 예를 들면 2인 이상의 인물들이 만남을 가지기 전에 e-mail, 전화통화, SMS 메시지 등을 이용하여 상기 만남의 약속 또는 약속의 확인을 위해 서로 통신을 하게 되는 것이 일반적이므로, 만남 중에 촬영된 디지털 데이터에 나타난 인물은 디지털 데이터가 생성되기 전에 행하여진 통신의 발신자 또는 수신자에 해당될 확률이 높다는 점에 착안하면, 상기 디지털 데이터의 생성 전에 행하여진 특정 인물들과의 통신의 송수신 내역이 상기의 부가 정보가 될 수 있으며, 이와 같은 부가 정보를 활용하면 인물의 얼굴에 대한 인식률을 높일 수 있게 된다.

그러나, 상기 등록 특허에 의하면, 상기 부가 정보들을 이용하여 현재 생성된 디지털 데이터에 포함된 인물을 인식하는데 있어서, 상기 디지털 데이터를 생성하는 사용자마다 상이한 특유의 생활 패턴 등을 가지고 있다는 점을 고려하지 않고 있으며, 이와 같이 사용자들을 구별하지 않고 상기 부가 정보들을 일률적으로 적용할 경우에는 얼굴 인식의 정확도가 떨어질 수 있다는 단점이 있다.

예를 들어, 사용자의 통화 기록 정보와 같은 부가 정보를 이용하여 얼굴 인식률을 높이고자 하는 경우, A라는 사용자는 인물 촬영 전에 반드시 해당 인물과 통화를 하는 통화 패턴을 가지고 있고, B라는 사용자는 인물 촬영 전에 해당 인물과는 통화를 하지 않고 다른 인물과 통화를 하는 통화 패턴을 가지고 있다면, 사용 자 A와 사용자 B는 촬영 전에 행하여지는 통화의 패턴이 다르므로 사용자 A가 생성한 디지털 데이터와 사용자 B가 생성한 디지털 데이터에 각각 포함된 인물을 인식함에 있어서 상기 부가 정보의 적용을 달리해야 한다고 할 수 있는데, 상기 특허에서는 사용자 A와 사용자 B의 양측에 대해 동일한 파라미터를 적용하여 얼굴 인식을 수행하도록 되어 있는바, 사용자마다의 상이한 패턴을 반영하지 못하여 얼굴 인식의 정확도가 떨어지게 된다.

따라서, 본 발명의 목적은, 종래의 얼굴 인식 방법의 문제점을 해결하고 현저히 높은 정확도로 디지털 데이터에 포함된 인물의 얼굴을 인식하기 위하여, 사용자마다 상이한 사용 패턴을 사용자에 의한 피드백에 의한 강화 학습을 통하여 반영함으로써, 사용자에 따라 최적화된 파라미터를 가지는 얼굴 인식기(face recognizer)를 제공할 수 있도록 하는 것이다.

더 나아가, 본 발명의 추가적인 목적은, 종래의 얼굴 검출 방법보다 현저히 높은 정확도로 디지털 데이터에 포함된 인물의 얼굴 영역을 검출하기 위하여, 사용자의 피드백에 의한 강화 학습을 통하여 얼굴로 판단될 수 있는 임계치(threshold)를 조정할 수 있고 최적화된 파라미터를 가질 수 있는 얼굴 검출기(face detector)를 제공할 수 있도록 하는 것이다.

본 발명의 일 태양에 따르면, 사용자의 피드백을 이용하여, 상기 사용자의 이용 특성에 맞게 얼굴 인식기의 파라미터를 자동으로 최적화하여, 생성된 디지털 데이터에 포함된 제1 인물의 얼굴에 대한 인식률을 높이기 위한 방법으로서, (a) 복수의 후보 인물의 이미지 또는 통신 기록이 포함된 디지털데이터를 포함하고 있는 데이터베이스를 참조로 하여 상기 생성된 디지털 데이터에 포함된 상기 제1 인물로 판단될 가능성이 높은 후보 인물 리스트를 제공하기 위하여, 상기 제1 인물의 얼굴을 인식하는데 사용되는 적어도 하나의 판단 정보 각각이 상기 제1 인물의 얼굴을 인식하는데 있어서 어느 정도 기여하는지를 점수로 나타낸 개별 스코어를 상기 데이터베이스에 포함된 상기 후보 인물마다 계산하는 단계, (b) 상기 각 판단 정보마다 할당된 가중치를 각 판단 정보가 기록한 상기 개별 스코어에 곱하여 각각의 개별 가중치 스코어를 산출한 후, 상기 개별 가중치 스코어를 이용하여 상기 후보 인물마다 토털 스코어를 계산하는 단계, (c) 상기 토털 스코어가 높은 상위 n 명을 포함하는 상기 후보 인물 리스트를 상기 사용자에게 제공하는 단계, 및 (d) 상기 사용자에 의해 상기 제1 인물의 정체로서 상기 후보 인물 리스트 중 특정 인물이 선택되면, 상기 특정 인물에 대한 상기 개별 스코어 중 가장 높은 점수를 획득한 특정 개별 스코어에 할당된 상기 가중치를 높이는 단계를 포함하는 얼굴 인식기의 파라미터를 최적화하는 방법이 제공된다.

본 발명의 다른 태양에 따르면, 사용자의 피드백을 이용하여 얼굴 검출기의 파라미터를 자동으로 최적화하여, 생성된 디지털 데이터에 포함된 적어도 하나의 인물의 얼굴 영역에 대한 검출률을 높이기 위한 방법으로서, (a) 상기 생성된 디지털 데이터에 포함된 상기 인물의 얼굴 영역으로 판단될 가능성이 높은 후보 영역을 제공하기 위하여, 상기 인물의 얼굴 영역을 검출하는데 사용되는 적어도 하나의 판단 정보 각각이 상기 얼굴 영역을 검출하는데 있어서 어느 정도 기여하는지를 점수로 나타낸 개별 스코어를 상기 후보 영역마다 계산하는 단계, (b) 상기 각 판단 정보마다 할당된 가중치를 각 판단 정보가 기록한 상기 개별 스코어에 곱하여 각각의 개별 가중치 스코어를 산출한 후, 상기 개별 가중치 스코어를 이용하여 상기 후보 영역마다 토털 스코어를 계산하는 단계, (c) 상기 후보 영역 중 상기 토털 스코어가 임계치 이상인 후보 영역을 상기 인물의 얼굴 영역으로 표시하여 상기 사용자에게 제공하는 단계, 및 (d) 상기 얼굴 영역으로 표시된 후보 영역 중 상기 사용자에 의해 특정 후보 영역이 옳게 표시되었다고 판단되면, 상기 특정 후보 영역에 대한 상기 개별 스코어 중 가장 높은 점수를 획득한 특정 개별 스코어에 할당된 가중치를 높이는 단계를 포함하는 얼굴 검출기의 파라미터를 최적화하는 방법이 제공된다.

본 발명의 또 다른 태양에 따르면, 사용자의 피드백을 이용하여, 상기 사용자의 이용 특성에 맞게 얼굴 인식기의 파라미터를 자동으로 최적화하여, 생성된 디지털 데이터에 포함된 제1 인물의 얼굴에 대한 인식률을 높이기 위한 시스템으로서, 복수의 후보 인물의 이미지 또는 통신 기록이 포함된 디지털데이터를 포함하고 있는 데이터베이스를 참조로 하여 상기 생성된 디지털 데이터에 포함된 상기 제1 인물로 판단될 가능성이 높은 후보 인물 리스트를 제공하기 위하여, 상기 제1 인물의 얼굴을 인식하는데 사용되는 적어도 하나의 판단 정보 각각이 상기 제1 인물의 얼굴을 인식하는데 있어서 어느 정도 기여하는지를 점수로 나타낸 개별 스코어를 상기 데이터베이스에 포함된 상기 후보 인물마다 계산하는 구성 요소 스코어 계산부, 상기 각 판단 정보마다 할당된 가중치를 각 판단 정보가 기록한 상기 개별 스코어에 곱하여 각각의 개별 가중치 스코어를 산출한 후, 상기 개별 가중치 스코어를 이용하여 상기 후보 인물마다 토털 스코어를 계산하는 토털 스코어 계산부, 상기 토털 스코어가 높은 상위 n 명을 포함하는 상기 후보 인물 리스트를 상기 사용자에게 제공하는 Top n 리스트 제공부, 및 상기 사용자에 의해 상기 제1 인물의 정체로서 상기 후보 인물 리스트 중 특정 인물이 선택되면, 상기 특정 인물에 대한 상기 개별 스코어 중 가장 높은 점수를 획득한 특정 개별 스코어에 할당된 상기 가중치를 높이는 가중치 적용부를 포함하는 얼굴 인식기의 파라미터를 최적화하는 시스템이 제공된다.

본 발명의 또 다른 태양에 따르면, 사용자의 피드백을 이용하여 얼굴 검출기의 파라미터를 자동으로 최적화하여, 생성된 디지털 데이터에 포함된 적어도 하나의 인물의 얼굴 영역에 대한 검출률을 높이기 위한 시스템으로서, 상기 생성된 디지털 데이터에 포함된 상기 인물의 얼굴 영역으로 판단될 가능성이 높은 후보 영역을 제공하기 위하여, 상기 인물의 얼굴 영역을 검출하는데 사용되는 적어도 하나의 판단 정보 각각이 상기 얼굴 영역을 검출하는데 있어서 어느 정도 기여하는지를 점수로 나타낸 개별 스코어를 상기 후보 영역마다 계산하는 구성 요소 스코어 계산부, 상기 각 판단 정보마다 할당된 가중치를 각 판단 정보가 기록한 상기 개별 스코어에 곱하여 각각의 개별 가중치 스코어를 산출한 후, 상기 개별 가중치 스코어를 이용하여 상기 후보 영역마다 토털 스코어를 계산하는 토털 스코어 계산부, 상 기 후보 영역 중 상기 토털 스코어가 임계치 이상인 후보 영역을 상기 인물의 얼굴 영역으로 표시하여 상기 사용자에게 제공하는 얼굴 영역 판단부, 및 상기 얼굴 영역으로 표시된 후보 영역 중 상기 사용자에 의해 특정 후보 영역이 옳게 표시되었다고 판단되면, 상기 특정 후보 영역에 대한 상기 개별 스코어 중 가장 높은 점수를 획득한 특정 개별 스코어에 할당된 가중치를 높이는 가중치 적용부를 포함하는 얼굴 검출기의 파라미터를 최적화하는 시스템이 제공된다.

본 발명에 의하면, 사용자마다 상이한 사용 패턴을 사용자에 의한 피드백에 의한 강화 학습을 통하여 반영함으로써, 사용자에 따라 최적화된 파라미터를 가지는 얼굴 인식기를 제공하여 현저히 높은 정확도로 디지털 데이터에 포함된 인물의 얼굴을 인식할 수 있도록 해주는 효과가 있다.

또한, 본 발명에 의하면, 사용자의 피드백에 의한 강화 학습을 통하여 얼굴로 판단될 수 있는 임계치를 조정할 수 있고 최적화된 파라미터를 가질 수 있는 얼굴 검출기를 제공하여 현저히 높은 정확도로 디지털 데이터에 포함된 인물의 얼굴 영역을 검출할 수 있도록 해주는 효과가 있다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일 또는 유사한 기능을 지칭한다.

[본 발명의 바람직한 실시예]

이하에서는 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명하도록 한다.

도 1은 본 발명의 실시예에 따라, 사용자의 피드백을 이용하여 인굴 인식기 및/또는 얼굴 검출기의 파라미터를 최적화하는 전체 시스템(100)의 구성도이다.

도 1에 도시되어 있는 바와 같이, 전체 시스템(100)은 얼굴 인식부(110), 얼굴 검출부(120), 데이터베이스(130), 인터페이스부(140), 통신부(150), 제어부(160) 등을 포함할 수 있다.

본 발명의 일 실시예에 따르면, 얼굴 인식부(110), 얼굴 검출부(120), 데이터베이스(130), 인터페이스부(140), 통신부(150)는 그 중 적어도 일부가 사용자 단말 장치에 포함되거나 사용자 단말 장치와 통신하는 프로그램 모듈들일 수 있다(다 만, 도 1에서는 얼굴 인식부(110), 얼굴 검출부(120), 데이터베이스(130), 인터페이스부(140), 통신부(150)가 모두 사용자 단말 장치에 포함되어 있는 것으로 예시하고 있다). 이러한 프로그램 모듈들은 운영 시스템, 응용 프로그램 모듈 및 기타 프로그램 모듈의 형태로 사용자 단말 장치에 포함될 수 있으며, 물리적으로 여러가지 공지의 기억 장치 상에 저장될 수도 있다. 또한, 이러한 프로그램 모듈들은 사용자 단말 장치와 통신 가능한 원격 기억 장치에 저장될 수도 있다. 이러한 프로그램 모듈들은 본 발명에 따라 후술할 특정 업무를 수행하거나 특정 추상 데이터 유형을 실행하는 루틴, 서브루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조 등을 포괄하지만, 이에 제한되지는 않는다.

얼굴 인식부(110)는 데이터베이스(130)의 다양한 정보를 참조하여 얼굴을 인식하는데 있어서, 생성된 디지털 데이터에 포함된 인물로서 판단될 가능성이 높은 상위 n 명의 후보 인물에 관한 정보에 대해 인터페이스부(140)를 통해 단말에 디스플레이되도록 하여 사용자의 선택을 도와주고, 인터페이스부(140)를 통해 사용자의 선택에 관한 피드백을 받아 파라미터(또는 가중치)를 조정함으로써 사용자마다의 고유의 특성을 반영하여 얼굴 인식의 정확도를 높이는 기능을 수행한다.

얼굴 검출부(120)는 다양한 정보를 참조하여 각각 얼굴을 인식하고 얼굴 영역을 검출하는데 있어서, 생성된 디지털 데이터에 포함된 인물의 얼굴 영역으로서 판단될 가능성이 높은 후보 영역을 인터페이스부(140)를 통해 단말에 디스플레이되도록 하여 사용자의 판단을 도와주고, 인터페이스부(140)를 통해 사용자의 판단에 관한 피드백을 받아 파라미터(또는 가중치)를 조정함으로써 다양한 얼굴 모양 및 다양한 얼굴 색깔의 변형예를 반영하여 얼굴 검출의 정확도를 높이는 기능을 수행한다.

본 발명의 시스템(100)은 데이터베이스(130)를 포함할 수 있는데, 여기서 데이터베이스는 협의의 데이터베이스뿐만 아니라, 파일 시스템에 기반한 데이터 기록 등을 포함하는 넓은 의미의 데이터베이스도 포함하며, 단순한 로그(log)의 집합이라도 이를 검색하여 데이터를 추출할 수 있다면 본 발명에서 말하는 데이터베이스에 포함된다. 데이터베이스(130)는 시스템(100) 내에 포함되어 있을 수도 있으나, 시스템(100)과 통신 가능한 원격 기억 장치에 존재할 수도 있을 것이다.

구체적으로, 데이터베이스(130)는 영상 데이터베이스(130a), 통신 기록 데이터베이스(130b), 상관 관계 데이터베이스(130c) 등을 포함할 수 있다.

여기서 영상 데이터베이스(130a)는 기존에 생성된 디지털 데이터를 저장하고 있으며, 이러한 디지털 데이터에는 인물에 관한 이미지가 포함되어 있을 수 있다.

또한, 통신 기록 데이터베이스(130b)에는 디지털 데이터를 생성한 사용자가 디지털 데이터의 생성 전에 특정 인물과 통신한 내역에 관한 데이터가 저장되어 있으며, 상기 생성된 디지털 데이터에 상기 특정 인물에 관한 이미지가 포함되어 있는지에 대한 정보도 포함되어 있다.

또한, 상관 관계 데이터베이스(130c)에는 영상 데이터베이스(130a)에 저장된 디지털 데이터를 대상으로 자주 같이 사진을 찍는 인물들의 조합을 파악하여 이에 관한 정보를 저장한다.

그 밖에 도면에는 도시되지 않았지만, 데이터베이스(130)는 얼굴 인식 부(110) 또는 얼굴 검출부(120)의 기능 수행을 서포트할 수 있도록 다양한 내용의 정보를 포함할 수 있다.

한편, 인터페이스부(140)는 얼굴 인식부(110)로부터 추천된 상위 n 명의 후보 인물(일명, Top n 리스트)을 단말에 디스플레이하고, 사용자가 Top n 리스트에 포함된 후보 인물 중 어느 한 명을 선택하는지에 관한 피드백을 받을 수 있으며, Top n 리스트에 해당되는 사람이 없는 경우 단말에 차순위 후보 인물에 관한 정보를 디스플레이하는 기능을 수행한다.

또한, 인터페이스부(140)는 얼굴 검출부(120)로부터 추천된 얼굴 영역으로 판단될 가능성이 있는 후보 영역을 단말에 디스플레이하고, 사용자로부터 각각의 후보 영역이 실제 사람의 얼굴 영역인지에 관한 판단(즉, 피드백)을 받을 수 있다.

본 발명에 따른 제어부(160)는 얼굴 인식부(110), 얼굴 검출부(120), 데이터베이스(130), 인터페이스부(140), 통신부(150) 간의 데이터의 흐름을 제어하는 기능을 수행한다. 즉, 본 발명에 따른 제어부(160)는 통신부(150)를 통하여 각 구성 모듈 간에 송수신되는 신호를 제어함으로써, 얼굴 인식부(110), 얼굴 검출부(120), 데이터베이스(130), 인터페이스부(140)에서 각각의 고유의 기능을 수행하도록 제어한다.

도 2는 얼굴 인식부(110)의 내부 구성을 자세하게 도시한 도면이며, 도 2를 참조하면, 얼굴 인식부(110)는 구성 요소 스코어 계산부(110a), 가중치 적용부(110b), 토털 스코어 계산부(110c), Top n 리스트 제공부(110d), 차순위 리스트 제공부(110e) 등을 포함한다.

얼굴 인식부(110)의 구성 요소 스코어 계산부(110a)는, 디지털 데이터에 포함된 인물에 대한 정체를 판단하기 위해, 상기 인물의 인식률을 높이는데 사용될 수 있는 적어도 하나의 판단 정보 각각이 상기 인물의 인식률에 얼마만큼 기여했는지에 관한 스코어를 계산하게 된다.

예를 들면, 구성 요소 스코어 계산부(110a)는 생성된 디지털 데이터에 포함된 인물 이미지에 대하여 영상 처리를 행한 후 기존의 영상 데이터베이스(130a)에 기록되어 있는 복수의 후보 인물 이미지와의 유사한 정도를 나타내는 유사도 스코어를 계산할 수 있고, 특정 인물을 포함하는 디지털 데이터를 생성한 사용자가 상기 디지털 데이터의 생성 전에 상기 특정 인물과 전화, 이메일, SMS 등과 같은 통신을 행하는 패턴을 가지고 있는지에 대한 사용자 성향 분석을 통하여 통신 스코어를 계산할 수 있으며, 2명 이상의 인물이 포함된 디지털 데이터 전체에 대해 특정 두 사람 이상이 같이 등장하는 디지털 데이터의 비율을 참조로 상관 관계 스코어 등을 계산할 수 있다.

좀 더 구체적으로, 유사도 스코어에 관해 살펴보면, 생성된 디지털 데이터에 포함된 인물과 영상 데이터베이스(130a)에 기록되어 있는 복수의 후보 인물과의 유사도 비교를 통하여 상기 복수의 인물과의 유사도를 인물마다 점수 형식으로 나타내는데, 상기 복수의 인물 중 유사도가 높다고 판단되는 인물일수록 유사도 스코어가 높게 책정될 것이다.

또한, 통신 스코어에 관해 살펴보면, 특정 인물을 포함하는 디지털 데이터를 생성한 사용자가 상기 디지털 데이터의 생성 전의 일정 기간 동안에 상기 특정 인 물과 약속 또는 약속의 확인을 위한 통신을 행하는 패턴이 있다는 사실을 통신 기록 데이터베이스(130b)에 저장된 통신 내역을 참조로 획득한 경우, 상기 생성된 디지털 데이터에 포함된 인물은 상기 디지털 데이터가 생성되기 전에 행하여진 통신의 수신자 또는 발신자일 확률이 높아지게 되므로, 영상 데이터베이스(130a)에 포함된 후보 인물들 중 상기 통신의 수신자 또는 발신자에 해당되는 후보 인물들에게는 통신 스코어가 높게 책정될 것이다.

다음으로, 상관 관계 스코어에 관해 살펴보면, 상관 관계 데이터베이스(130c)를 참조로 하여 2명 이상의 인물이 포함된 전체 디지털 데이터를 대상으로 특정 한 사람과 자주 사진을 찍는 사람들이 누구인지에 대한 분석이 가능하며, 이러한 분석 결과에 의거하여 상기 특정 한 사람과 자주 사진을 찍은 사람일수록 상기 특정 한 사람에 대한 상관 관계 스코어를 높게 책정받을 것이다. 따라서, 디지털 데이터에 포함된 두 사람 이상 중 한 사람의 정체가 상기 특정 한 사람으로 정해지면 나머지 사람들의 정체는 영상 데이터베이스(130a)에 포함된 후보 인물들 중 상기 특정 한 사람에 대한 상관 관계 스코어를 높게 책정받은 인물들로 정하여질 확률이 높을 것이다.

이 밖에도, 다양한 구성 요소 스코어를 생각할 수 있을 것이며, 예를 들면,사용자 생활 습관 구성 요소 스코어를 상정해 볼 수 있을 것이다. 구체적으로, 수요일 오후 4시에는 반드시 A라는 사람의 이미지가 포함된 디지털 데이터를 생성하는 생활 습관이 있는 사용자가 있다고 가정하면, 상기 사용자에 의해 수요일 오후 4시에 생성된 디지털 데이터에 포함된 인물의 정체를 판단함에 있어서, A라는 인물 이 생활 습관 구성 요소 스코어를 현저하게 높게 책정받았다는 이유로 영상 데이터베이스(130a)에 포함된 후보 인물 중 A를 상위에 랭크되게 하여 Top n 리스트를 추천해 줄 수 있을 것이다.

이러한 다양한 구성 요소 스코어를 사용하여 디지털 데이터에 포함된 인물에 대한 인식을 수행함에 있어서, 각 구성 요소 스코어는 유사도 비교의 정확도, 사용자의 사용 패턴, 촬영 대상 등에 따라 천차만별로 달라질 수 있으므로 경우마다 각 구성 요소 스코어를 반영함에 있어서 그 경중을 달리하여야 할 필요가 있으며, 이를 위해 가중치 적용부(110b)는 각 구성 요소 스코어에 대해 가중치를 부여하거나 조정할 수 있다.

토털 스코어 계산부(110c)는 각 구성 요소 스코어에 대해 가중치를 적용하여 각각의 개별 가중치 스코어를 구한 후 각각의 개별 가중치를 전부 합하여 토털 스코어를 계산할 수 있으며, 토털 스코어를 높게 획득한 인물일수록, 생성된 디지털 데이터에 포함된 인물로서 판단될 가능성이 높은 인물일 것이다. 토털 스코어의 계산은 이하의 식에 의해 이루어질 것이다.

토털 스코어(Total Score) = w_Face * s_Face + w_Communication * s_Communication + w_Correlation * s_Correlation ...식 1

식 1에 따르면, s_Face, s_Communication, s_Correlation는 각각 유사도 스코어, 통신 스코어, 상관 관계 스코어를 의미하고, w_Face, w_Communication, w_Correlation 파라미터는 각각 유사도 스코어에 대한 가중치, 통신 스코어에 대한 가중치, 상관 관계 스코어에 대한 가중치를 의미하는데, 이들 가중치는 최초에는 특정 초기값으로 정해져 있을 수 있다.

다만, 토털 스코어 값은 식 1에 나타난 구성 요소 스코어에 한정되는 것은 아니며, 상기에서 살펴본 바와 같이 사용자 생활 습관 구성 요소 스코어 등과 같은 다양한 구성 요소 스코어에 가중치를 적용하여 추가할 수 있을 것이다.

한편, 토털 스코어 값의 계산은 식 1에 나타난 바와 같이 각 구성 요소 스코어에 대해 가중치를 적용한 후 이들 전부에 대해 합산을 행하여 계산하는 계산법(일명, linear weighted summation)에만 한정되는 것은 아니며, 당업자가 쉽게 생각할 수 있는 다양한 변형예에까지 확장가능함은 물론이다. 예를 들면, 개별 가중치 스코어 중 가장 높은 가중치 스코어를 곧바로 토털 스코어로 정할 수도 있으며, 반대로 개별 가중치 스코어 중 가장 낮은 가중치 스코어를 토털 스코어로 정할 수도 있다. 그 밖에도, 개별 가중치 스코어 중 두 번째로 높은 가중치 스코어를 토털 스코어로 정할 수도 있으며, 개별 가중치 스코어 중 가장 높은 가중치 스코어와 두 번째로 높은 가중치 스코어를 합한 수치를 토털 스코어로 정할 수도 있는 등 다양한 변형예를 생각해 볼 수 있을 것이다.

Top n 리스트 제공부(110d)는 영상 데이터베이스(130a)에 저장된 디지털데이터에 포함된 후보 인물 중 토털 스코어 계산부(110c)에 의해 계산된 토털 스코어가 높은 인물 n 명에 대한 리스트(일명, Top n 리스트)를 인터페이스부(140)를 통해 사용자의 단말에 디스플레이하며, 사용자는 Top n 리스트에 포함된 인물 중 한 사 람을 선택함으로써, 생성된 디지털 데이터에 포함된 인물의 정체를 간편하게 결정할 수 있다. 다만, 디지털 데이터에 포함된 인물에 해당되는 사람이 Top n 리스트에 포함되어 있지 않다고 사용자에 의해 판단된 경우, 차순위 리스트 제공부(110e)는 인터페이스부(140)를 통하여 사용자에게 Top n 리스트에 포함되어 있지 않은 차순위 후보 인물에 관한 정보를 제공받을 수 있다. 마찬가지로, 사용자에 의해 차순위 후보 인물 중 하나가 선택되면, 상기 생성된 디지털 데이터에 포함된 인물의 정체가 결정될 것이다.

디지털 데이터에 포함된 인물의 정체가 결정되면, 가중치 적용부(110b)는 디지털 데이터에 포함된 인물의 정체로서 결정된 후보 인물이 기록한 구성 요소 스코어, 예를 들면 s_Face, s_Communication, s_Correlation 중 가장 높은 스코어에 할당된 가중치를 높여준다. 가령, 특정 인물이 s_Communication는 높은데 w_Communication이 낮아서 Top n 리스트에조차 포함되지 못했지만, 사용자가 상기 특정 인물이 정확한 사람이라고 피드백을 주었다면, 현재의 가중치 파라미터(즉, w_Communication)가 제시하는 것보다 더 s_Communication이 얼굴 인식에 미치는 비중이 높다고 할 수 있으므로, w_Communication을 높임으로써 향후에는 s_Communication의 비중이 높아지게 할 수 있다.

물론, 이에 한정되는 것은 아니며, 가장 높은 구성 요소 스코어의 가중치를 가장 높게 조정하고, 두 번째로 높은 구성 요소 스코어의 가중치를 약간 높게 조정하며, 가장 낮은 구성 요소 스코어의 가중치를 낮출 수 있는 등의 다양한 변형예를 생각해 볼 수 있을 것이다. 또한, 어느 특정 구성 요소 스코어가 나머지에 비해 편차가 크게 높은 스코어를 획득했다면 가중치 변경을 좀 더 크게 행하는 예도 생각할 수 있을 것이다.

이와 같이 사용자의 피드백을 반영하여 가중치를 변경하는 것은, 해당 데이터가 얼굴 인식에 미치는 비중을 변경하는 것으로서, 사용자의 이용 특성에 맞도록 얼굴 인식기의 파라미터를 최적화할 수 있다.

따라서, 사용자의 이러한 피드백을 받아 계속 진화하는 성능을 가지는 얼굴 인식기의 구현이 가능하며, 이러한 피드백을 통해 가중치가 변화무쌍하게 조절됨으로써 보다 정확한 Top n 리스트의 제공이 가능해진다.

상기와 같은 사용자의 피드백에 의한 성능의 향상은 일명 강화학습(reinforcement learning)에 기인한 것인데, 1996년에 Kaelbling, Leslie P. 등이 Journal of Artificial Intelligence Research 4를 통해 발표한 논문인 “Reinforcement Learning”을 참조로 하면, 강화학습이란 기계학습의 한 종류로서, 기계가 외부 환경에서 보상을 극대화하기 위해 취해야 하는 액션을 선택하는 방법에 관한 분야를 일컫는다. 다시 말하면, 주어진 외부 환경의 상태에서 취해야 하는 액션을 선택하는데 도움을 준다. 여기서, 외부 환경은 각종 스코어, 사용자 및 사용자의 피드백이고, 극대화해야 할 보상은 얼굴 인식 성능이며, 액션은 인물 후보 n 개이다. 즉, 상기 알고리즘은 현재의 각종 스코어, 사용자 및 사용자의 피드백을 활용하여 가장 가능성이 높은 인물 후보 n 개를 추천한다.

이하에서는 도 3a 내지 도 3c를 참조하여 본 발명의 실시예에 따른 얼굴 인식기의 파라미터를 최적화하는 과정에 관하여 보다 구체적으로 살펴 보기로 한다.

도 3a 는 본 발명의 실시예에 따라, 최초에 할당된 가중치를 사용하여 계산된 토털 스코어 값 및 후보 인물 순위에 대한 결과를 나타낸 도면이다.

도 3a를 참조하면, 각 구성 요소 스코어, 즉 유사도 스코어, 통신 스코어, 상관 관계 스코어 등에 해당하는 가중치의 초기값은 1로 표시되어 있으며 후보 인물들의 점수를 자연수 형식으로 표기하였으나, 설명의 편리함을 위하여 예를 든 것으로서 다른 적절한 방법 및 수치로 표기가 가능할 수 있음은 물론이다.

또한, 도 3a를 참조하면, 각 구성 요소 스코어를 각각에 할당된 가중치에 곱한 후 이를 합산하여 계산된 토털 스코어가 표시되어 있고, 이 토탈 스코어를 내림 차순으로 소팅(sorting)함으로써, Top n 리스트에 포함될 상위 후보 인물을 리스팅할 수 있다.

도 3a에 따르면, 1순위 후보 인물은 토털 스코어를 가장 높게 획득한 C이고, 2순위 후보 인물은 D, 11순위 후보 인물은 E 등임을 알 수 있다. 참고로, Top n 리스트에서 n 을 9로 정하면, Top n 리스트 제공부(110d)는 11순위와 12순위인 인물 E와 인물 F를 화면 상에 디스플레이하지 않을 것이다.

앞에서 살펴본 바와 같이, 구성 요소 스코어 계산부(110a)는 영상 데이터 베이스(130a), 통신 기록 데이터베이스(130b), 상관 관계 데이터베이스(130c)를 참조로 하여 유사도 스코어, 통신 스코어, 상관 관계 스코어를 계산하고 토털 스코어 계산부(110c)는 각각의 구성 요소 스코어에 자신에 할당된 가중치를 곱하고 이들을 합하여 토털 스코어를 계산한다.

예를 들어, 도 3a를 참조하면, 인물 C의 경우 유사도 스코어를 10점, 통신 스코어를 7점, 상관 관계 스코어를 8점 획득하였고, 세 구성 요소 스코어에 할당된 최초의 가중치가 전부 1이므로 상기한 식을 적용하면 토털 스코어 값은 25가 된다.

Top n 리스트 제공부(110d)는 토털 스코어 계산부(110c)로부터 계산된 인물들의 토털 스코어 값을 전송받아 토털 스코어가 높은 순서로 후보 인물에 대한 Top n 리스트를 만든다.

예를 들어, Top n 리스트 제공부(110d)가 상위 9명의 후보 인물에 관한 리스트를 작성한다고 가정한다면, 인물 C와 인물 D를 포함한 상위 9명의 명단이 사용자에게 제공되며, 11 위인 인물 E 및 12 위인 인물 F를 포함하여 10위 이하는 Top 9 리스트에 포함되지 않는다.

이 때, 사용자가 자신에게 제공된 Top 9 리스트를 통해 추천된 9명의 후보 인물 중에 인물 D를 정확한 사람이라고 선택하였다고 가정하면, 가중치 적용부(110b)는 인물 D의 구성 요소 스코어(즉, 유사도 스코어, 통신 스코어, 상관 관계 스코어) 중 가장 높은 구성 요소 스코어에 할당된 가중치를 올릴 수 있다. 인물 D의 경우 유사도 스코어가 5점, 통신 스코어가 10점, 상관 관계 스코어가 7점이므로, 가중치 적용부(110b)는 통신 스코어에 할당된 가중치를 적절하게 높임으로서 얼굴 인식기의 파라미터를 최적화 할 수 있다. 물론, 변형예로서 가장 낮은 점수를 획득한 유사도 스코어에 할당된 가중치를 낮출 수도 있으며, 이들을 적절한 팩터로 혼합할 수도 있을 것이다.

도 3b는 인물 D가 정확한 사람으로 선택됨에 따라 통신 스코어에 대한 가중치를 1 에서 3 으로 높인 결과를 나타낸 도면이다.

도 3b를 참조하면, 통신 스코어에 대한 가중치 변화로 통신 스코어에 대한 가중치가 1 이었을 때 후보 순위 2위이었던 인물 D는 1위가 되었고, 후보 순위 11위이었던 인물 E는 2위가 된 것을 알 수 있다. 이와 같이 변경된 가중치를 가지는 시스템으로 같은 조건 하에서 새롭게 디지털 데이터를 생성하면 인물 D 또는 인물 E와 같이 약속 전에 통신 수단에 의해 통신을 행한 빈도가 높은 인물을 좀 더 높은 순위의 후보 인물로 추천할 수 있게 되므로, 사용자의 피드백에 의해 기기의 성능이 향상되고 있음을 알 수 있다.

앞서 설명한 바와 같이, 가중치를 어느 폭으로 변경하는지에 대해서는 다양한 예를 상정할 수 있으며, 가령 통신 스코어가 기타 다른 스코어보다 얼마나 큰 편차를 가지고 있는지 등을 판단하여 편차가 클수록 가중치 변경의 폭을 늘리는 방안 등을 생각해 볼 수 있을 것이다.

한편, 도 3a에 도시된 Top 9 리스트에 의하여 1위부터 9위까지 9명의 인물 후보가 사용자에게 추천되었고, 사용자가 추천된 9명의 후보를 확인한 결과 정확한 사람이 포함되어 있지 않았다는 의사 표시를 하면, 차순위 리스트 제공부(110e)는 사용자에게 Top 9 리스트에 들지 못한 차순위의 후보 인물에 대한 정보를 제공할 수 있으며, 사용자는 제공된 정보를 바탕으로 이 중 정확한 사람이 누구인지를 선택할 수 있다. 여기서 사용자가 12위에 있는 인물 F를 정확한 사람이라고 선택했을 경우, 가중치 적용부(110b)는 인물 F의 구성 요소 스코어 중 가장 높은 스코어를 획득한 구성 요소에 대한 가중치를 높인다. 인물 F의 경우 유사도 스코어가 11점, 통신 스코어가 1점, 상관 관계 스코어가 3점이므로, 가장 높은 스코어를 획득 한 유사도 스코어에 배정된 가중치를 높임으로서 얼굴 인식기의 파라미터를 최적화할 수 있다.

도 3c는 유사도 스코어에 대한 가중치를 1에서 20으로 높인 결과를 나타낸 도면이다. 참고로, 유사도 스코어가 나머지 다른 스코어에 비해 편차가 크게 높은 점수를 획득하였는바, 도 3b에서의 가중치 변경보다 그 변경 폭을 크게 정하였으며, 이러한 가중치 변경의 정확한 수치를 결정하는 방법에도 다양한 방법이 있음은 물론이다.

도 3c를 참조하면, 유사도 스코어에 대한 가중치의 변화로 유사도 스코어에 대한 가중치가 1이었을 때 후보 순위 12위였던 인물 F가 1위로 되었고, 후보 순위 11위이었던 인물 E는 12위가 된 것을 알 수 있다.

이와 같이 강화 학습에 의해 진화하는 얼굴 인식기를 구현할 수 있게 되므로, 사용자에게 보다 높은 얼굴 인식률을 가지는 얼굴 인식기를 제공하여 사용자가 보다 편리하게 디지털 데이터에 포함된 인물에 대한 인물 태그(personal tag)를 부여할 수 있도록 도움을 줄 수 있을 것이다.

상기에서 살펴본 바와 같이, 얼굴 인식기에 있어서 강화 학습에 의한 인식 성능의 향상이 이루어짐을 알 수 있으나, 이러한 강화 학습에 의한 성능의 향상은 얼굴 인식기에만 한정되는 것이 아니라 이하에서 설명하는 바와 같이 얼굴 검출기(face detector)에도 적용될 수 있을 것이다.

도 4는 도 1의 얼굴 검출부(120)의 구성을 좀 더 자세하게 표현한 도면이며, 도 4를 참조하면, 얼굴 검출부(120)는 구성 요소 스코어 계산부(120a), 가중치 적 용부(120b), 토털 스코어 계산부(120c), 얼굴 영역 판단부(120d), 임계치 조절부(120e) 등을 포함한다.

얼굴 검출부(120)의 구성 요소 스코어 계산부(120a)는 디지털 데이터에 포함된 인물의 얼굴을 검출하기 위해, 상기 인물의 얼굴 영역에 대한 검출률을 높이는데 사용될 수 있는 적어도 하나의 판단 정보 각각이 상기 인물의 얼굴 영역에 대한 검출률에 얼마만큼 기여했는제 관한 스코어를 계산하게 된다.

예를 들면, 구성 요소 스코어 계산부(120a)는 생성된 디지털 데이터에 포함된 인물의 얼굴을 검출하기 위하여 얼굴 모양 스코어, 얼굴 색깔 스코어 등을 계산할 수 있는데, 얼굴 모양 스코어는 눈, 코, 입, 머리카락, 얼굴 윤곽 등의 특징점 또는 특징량의 배치를 분석하여 얼굴 영역으로서 판단될 수 있는 가능성을 점수로서 매긴 것으로서, 얼굴 모양 스코어가 높을수록 얼굴 영역으로 판단될 수 있는 후보 영역으로 추천될 가능성이 높아지게 되며, 얼굴 색깔 스코어는 피부 영역의 색깔을 인종의 차이, 의상 색깔과의 대비, 조명의 영향 등을 고려하여 얼굴 영역으로서 판단될 수 있는 가능성을 점수로서 매긴 것으로서, 얼굴 색깔 스코어가 높을수록 얼굴 영역으로 판단될 수 있는 후보 영역으로 추천될 가능성이 높아지게 된다.

이러한 다양한 구성 요소 스코어를 사용하여 디지털 데이터에 포함된 인물의 얼굴 영역에 대한 검출을 수행함에 있어서, 각 구성 요소 스코어는 디지털 데이터 촬영 시의 얼굴의 각도, 조명의 영향, 촬영 대상 등에 따라 천차만별로 달라질 수 있으므로 경우마다 각 구성 요소 스코어를 반영함에 있어서 그 경중을 달리하여야 할 필요가 있으며, 이를 위해 가중치 적용부(120b)는 각 구성 요소 스코어에 대해 적절한 가중치를 부여하거나 조정할 수 있다.

토털 스코어 계산부(120c)는 각 구성 요소 스코어에 대해 가중치를 적용하여 합산을 행하여 토털 스코어를 계산할 수 있으며, 토털 스코어를 높게 획득한 후보 영역일수록, 인물의 얼굴 영역으로서 판단될 가능성이 높은 영역일 것이다. 토털 스코어의 계산은 이하의 식에 의해 이루어질 것이다.

토털 스코어(Total Score) = w_Shape * s_Shape + w_Color * s_Color...식 2

식 2에 따르면, s_Shape, s_Color는 각각 얼굴 모양 스코어, 얼굴 색깔 스코어를 의미하고, w_Shape, w_Color 파라미터는 각각 얼굴 모양 스코어에 대한 가중치, 얼굴 색깔 스코어에 대한 가중치를 의미하는데, 이들 가중치는 최초에는 특정 초기값으로 정해져 있을 수 있다.

얼굴 영역 판단부(120d)는 토털 스코어 계산부(120c)에 의해 계산된 토털 스코어가 특정 임계치(threshold value)보다 높은 영역을 얼굴 영역으로 판단될 가능성이 높은 후보 영역으로서 사용자의 단말에 디스플레이할 수 있는데, 사용자는 상기 후보 영역에 실제로 인물의 얼굴이 포함되어 있는지를 판단하며, 이러한 사용자의 판단(즉, 피드백)은 시스템(100)의 얼굴 검출률을 높이는데 사용될 수 있다.

가령, 임계치가 75 이면, 토털 스코어가 75 이상인 후보 영역이 사용자의 단말에 디스플레이되는데, 사용자로부터 토털 스코어가 75~79인 후보 영역의 경우에 인물의 얼굴을 포함하지 않는 경우가 자주 있었다는 피드백이 전달되면, 임계치 조 절부(120e)는 75이었던 임계치를 80으로 상향 조절하여 얼굴 검출의 정확도를 높일 수 있게 된다. 물론, 반대로 사용자로부터 토털 스코어가 70~74인 영역의 경우에 인물의 얼굴을 포함하고 있음에도 불구하고 후보 영역으로서 표시되지 않았다는 피드백이 전달되면, 임계치 조절부(120e)는 75이었던 임계치를 70으로 하향 조절하는 경우도 상정해 볼 수 있을 것이며, 이들이 혼합된 시스템도 상정해 볼 수 있을 것이다.

한편, 가중치 적용부(120b)는 후보 영역이 인물의 얼굴을 포함하고 있음이 확인되면, 상기 후보 영역이 기록한 스코어, 예를 들면 s_Shape, s_Color 중 높은 것이 있다면 해당 가중치를 높여준다. 가령, 특정 영역이 s_Color는 높은데 w_Color가 낮아서 후보 영역으로서 표시되지 못했지만, 사용자가 상기 특정 영역이 얼굴 영역이라고 피드백을 주었다면, 현재의 가중치 파라미터(즉, w_Color)가 제시하는 것보다 더 s_Color가 얼굴 검출에 미치는 비중이 높다고 할 수 있으므로, w_Color를 높임으로써 향후에는 s_Color의 비중이 높아지게 할 수 있다. 물론, 가중치의 변경에 있어서, 얼굴 인식부(110)에서 살펴본 바와 같은 다양한 변형예가 가능할 것이며, 그 내용이 상당 부분 중복되는바 자세한 설명을 줄이도록 한다.

이와 같이 사용자의 피드백을 반영하여 가중치를 변경하는 것은, 해당 데이터가 얼굴 검출에 미치는 비중을 변경하는 것으로서, 사용자의 이용 특성에 맞도록 얼굴 검출기의 파라미터를 최적화할 수 있다.

따라서, 사용자의 이러한 피드백을 받아 계속 진화하는 성능을 가지는 얼굴 검출기의 구현이 가능하며, 이러한 피드백을 통해 가중치가 변화무쌍하게 조절됨으 로써 보다 정확한 얼굴 영역의 검출이 가능해진다.

본 발명에 따른 실시예들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(Floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.

따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

도 1은 본 발명의 실시예에 따라, 사용자의 피드백을 이용하여 인굴 인식기 및/또는 얼굴 검출기의 파라미터를 최적화하는 전체 시스템의 구성도이다.

도 2는 얼굴 인식부(110)의 내부 구성을 자세하게 도시한 도면이다.

도 3a 는 본 발명의 실시예에 따라, 초기값으로 설정된 가중치를 사용하여 계산된 토털 스코어 값 및 후보 인물에 대한 결과를 나타낸 도면이다.

도 3b 는 본 발명의 일 실시예에 따라, 사용자로부터 피드백을 받아 가중치에 변화를 주어 파라미터를 최적화한 결과를 나타낸 도면이다.

도 3c 는 본 발명의 다른 실시예에 따라, 사용자로부터 피드백을 받아 가중치에 변화를 주어 파라미터를 최적화한 결과를 나타낸 도면이다.

도 4는 얼굴 검출부(120)의 내부 구성을 자세하게 도시한 도면이다.

<주요 도면 부호에 관한 간단한 설명>

110: 얼굴 인식부

120: 얼굴 검출부

130: 데이터베이스

140: 인터페이스부

150: 통신부

160: 제어부

110a: 구성 요소 스코어 계산부

110b: 가중치 적용부

110c: 토털 스코어 계산부

110d: Top n 리스트 제공부

110e: 차순위 리스트 제공부

120a: 구성 요소 스코어 계산부

120b: 가중치 적용부

120c: 토털 스코어 계산부

120d: 얼굴 영역 판단부

120e: 임계치 조절부

Claims (46)

1. 사용자의 피드백을 이용하여, 상기 사용자의 이용 특성에 맞게 얼굴 인식기의 파라미터를 자동으로 최적화하여, 생성된 디지털 데이터에 포함된 제1 인물의 얼굴에 대한 인식률을 높이기 위한 방법으로서,

   (a) 복수의 후보 인물의 이미지 또는 통신 기록이 포함된 디지털데이터를 포함하고 있는 데이터베이스를 참조로 하여 상기 생성된 디지털 데이터에 포함된 상기 제1 인물로 판단될 가능성이 높은 후보 인물 리스트를 제공하기 위하여, 상기 제1 인물의 얼굴을 인식하는데 사용되는 적어도 하나의 판단 정보 각각이 상기 제1 인물의 얼굴을 인식하는데 있어서 어느 정도 기여하는지를 점수로 나타낸 개별 스코어를 상기 데이터베이스에 포함된 상기 후보 인물마다 계산하는 단계,

   (b) 상기 각 판단 정보마다 할당된 가중치를 각 판단 정보가 기록한 상기 개별 스코어에 곱하여 각각의 개별 가중치 스코어를 산출한 후, 상기 개별 가중치 스코어를 이용하여 상기 후보 인물마다 토털 스코어를 계산하는 단계,

   (c) 상기 토털 스코어가 높은 상위 n 명을 포함하는 상기 후보 인물 리스트를 상기 사용자에게 제공하는 단계, 및

   (d) 상기 사용자에 의해 상기 제1 인물의 정체로서 상기 후보 인물 리스트 중 특정 인물이 선택되면, 상기 특정 인물에 대한 상기 개별 스코어 중 가장 높은 점수를 획득한 특정 개별 스코어에 할당된 상기 가중치를 높이는 단계를 포함하는

   얼굴 인식기의 파라미터를 최적화하는 방법.
2. 제1항에 있어서,

   상기 판단 정보는,

   상기 생성된 디지털 데이터에 포함된 상기 제1 인물에 대하여 영상 처리를 행한 후 상기 데이터베이스에 기록되어 있는 상기 후보 인물의 영상과의 유사한 정도를 나타내는 유사도 정보를 포함하는 것을 특징으로 하는

   얼굴 인식기의 파라미터를 최적화하는 방법.
3. 제2항에 있어서,

   상기 개별 스코어는 상기 유사도 정보가 상기 제1 인물의 얼굴을 인식하는데 있어서 어느 정도 기여하는지를 점수로 나타낸 유사도 스코어를 포함하는 것을 특징으로 하는

   얼굴 인식기의 파라미터를 최적화하는 방법.
4. 제3항에 있어서,

   상기 판단 정보는,

   상기 제1 인물을 포함하는 상기 디지털 데이터를 생성한 상기 사용자가 상기 디지털 데이터의 생성 전에 상기 제1 인물과 행한 통신에 관한 정보를 더 포함하는 것을 특징으로 하는

   얼굴 인식기의 파라미터를 최적화하는 방법.
5. 제4항에 있어서,

   상기 제1 인물과 행한 통신은,

   전화, 이메일, 단문 메시지 서비스(SMS), 및 채팅 중 적어도 하나를 사용해 이루어지는 것을 특징으로 하는

   얼굴 인식기의 파라미터를 최적화하는 방법.
6. 제4항에 있어서,

   상기 개별 스코어는 상기 제1 인물과 행한 통신에 관한 정보가 상기 제1 인물의 얼굴을 인식하는데 있어서 어느 정도 기여하는지를 점수로 나타낸 통신 스코어를 더 포함하는 것을 특징으로 하는

   얼굴 인식기의 파라미터를 최적화하는 방법.
7. 제6항에 있어서,

   상기 제1 인물과 행한 통신에 관한 정보는 상기 사용자가 상기 제1 인물과 통신을 행한 시점 및 통신을 행한 빈도 중 적어도 하나를 포함하는 것을 특징으로 하는

   얼굴 인식기의 파라미터를 최적화하는 방법.
8. 제7항에 있어서,

   상기 판단 정보는,

   상기 데이터베이스에 포함된 디지털 데이터 중 하나의 디지털 데이터에 2명 이상의 인물이 포함된 디지털 데이터에 대해 특정 두 사람 이상이 같이 등장하는 디지털 데이터의 비율을 나타내는 상관 관계 정보를 더 포함하는 것을 특징으로 하는

   얼굴 인식기의 파라미터를 최적화하는 방법.
9. 제8항에 있어서,

   상기 개별 스코어는 상기 상관 관계 정보가 상기 제1 인물의 얼굴을 인식하는데 있어서 어느 정도 기여하는지를 점수로 나타낸 상관 관계 스코어를 더 포함하는 것을 특징으로 하는

   얼굴 인식기의 파라미터를 최적화하는 방법.
10. 제9항에 있어서,

    상기 유사도 스코어에 할당된 가중치를 제1 가중치, 상기 통신 스코어에 할당된 가중치를 제2 가중치, 상기 상관 관계 스코어에 할당된 가중치를 제3 가중치라고 할 때,

    상기 토털 스코어는 (상기 제1 가중치 x 상기 유사도 스코어) + (상기 제2 가중치 x 상기 통신 스코어) + (상기 제3 가중치 x 상기 상관 관계 스코어)로 계산되는 것을 특징으로 하는

    얼굴 인식기의 파라미터를 최적화하는 방법.
11. 제10항에 있어서,

    상기 (d) 단계에서,

    상기 사용자에 의해 상기 제1 인물의 정체로서 상기 후보 인물 리스트 중 상기 특정 인물이 선택되면, 상기 특정 인물에 대한 상기 개별 스코어 중 가장 낮은 점수를 획득한 특정 개별 스코어에 할당된 가중치를 낮추는 단계를 더 포함하는 것을 특징으로 하는

    얼굴 인식기의 파라미터를 최적화하는 방법.
12. 제11항에 있어서,

    상기 (d) 단계에서,

    상기 사용자에 의해 상기 제1 인물의 정체로서 상기 후보 인물 리스트 중 상기 특정 인물이 선택되면, 상기 특정 인물에 대한 상기 개별 스코어 중 가장 높은 점수를 획득한 특정 개별 스코어가 나머지 개별 스코어에 비해 큰 편차로 차이가 날수록 상기 특정 개별 스코어에 할당된 가중치에 대한 변경의 폭을 크게 하여 가중치를 높이는 단계를 더 포함하는 것을 특징으로 하는

    얼굴 인식기의 파라미터를 최적화하는 방법.
13. 제12항에 있어서,

    상기 (d) 단계에서,

    상기 사용자에 의해 상기 제1 인물의 정체로서 상기 후보 인물 리스트 중 상 기 특정 인물이 선택되면, 상기 특정 인물에 대한 상기 개별 스코어 중 가장 낮은 점수를 획득한 특정 개별 스코어가 나머지 개별 스코어에 비해 큰 편차로 차이가 날수록 상기 특정 개별 스코어에 할당된 가중치에 대한 변경의 폭을 크게 하여 가중치를 낮추는 단계를 더 포함하는 것을 특징으로 하는

    얼굴 인식기의 파라미터를 최적화하는 방법.
14. 제1항에 있어서,

    상기 n 은 9인 것을 특징으로 하는

    얼굴 인식기의 파라미터를 최적화하는 방법.
15. 제1항에 있어서,

    상기 사용자에 의해 상기 상위 n 명의 후보 인물 리스트에 상기 제1 인물에 해당되는 인물이 없는 것으로 판단되면, 차순위 후보 인물에 관한 정보를 상기 사용자에게 제공하는 단계를 더 포함하는 것을 특징으로 하는

    얼굴 인식기의 파라미터를 최적화하는 방법.
16. 제15항에 있어서,

    상기 사용자에 의해 상기 차순위 후보 인물 중 특정 인물이 선택되면, 상기 특정 인물에 대한 상기 개별 스코어 중 가장 높은 점수를 획득한 특정 개별 스코어에 할당된 가중치를 높이는 단계를 더 포함하는 것을 특징으로 하는

    얼굴 인식기의 파라미터를 최적화하는 방법.
17. 제16항에 있어서,

    상기 사용자에 의해 상기 차순위 후보 인물 중 특정 인물이 선택되면, 상기 특정 인물에 대한 상기 개별 스코어 중 가장 낮은 점수를 획득한 특정 개별 스코어에 할당된 가중치를 낮추는 단계를 더 포함하는 것을 특징으로 하는

    얼굴 인식기의 파라미터를 최적화하는 방법.
18. 사용자의 피드백을 이용하여 얼굴 검출기의 파라미터를 자동으로 최적화하여, 생성된 디지털 데이터에 포함된 적어도 하나의 인물의 얼굴 영역에 대한 검출률을 높이기 위한 방법으로서,

    (a) 상기 생성된 디지털 데이터에 포함된 상기 인물의 얼굴 영역으로 판단될 가능성이 높은 후보 영역을 제공하기 위하여, 상기 인물의 얼굴 영역을 검출하는데 사용되는 적어도 하나의 판단 정보 각각이 상기 얼굴 영역을 검출하는데 있어서 어느 정도 기여하는지를 점수로 나타낸 개별 스코어를 상기 후보 영역마다 계산하는 단계,

    (b) 상기 각 판단 정보마다 할당된 가중치를 각 판단 정보가 기록한 상기 개별 스코어에 곱하여 각각의 개별 가중치 스코어를 산출한 후, 상기 개별 가중치 스코어를 이용하여 상기 후보 영역마다 토털 스코어를 계산하는 단계,

    (c) 상기 후보 영역 중 상기 토털 스코어가 임계치 이상인 후보 영역을 상기 인물의 얼굴 영역으로 표시하여 상기 사용자에게 제공하는 단계, 및

    (d) 상기 얼굴 영역으로 표시된 후보 영역 중 상기 사용자에 의해 특정 후보 영역이 옳게 표시되었다고 판단되면, 상기 특정 후보 영역에 대한 상기 개별 스코어 중 가장 높은 점수를 획득한 특정 개별 스코어에 할당된 가중치를 높이는 단계를 포함하는

    얼굴 검출기의 파라미터를 최적화하는 방법.
19. 제18항에 있어서,

    상기 사용자에 의해 상기 얼굴 영역으로 표시된 후보 영역이 옳게 표시되었다고 판단되면, 상기 임계치를 내리는 단계를 더 포함하는 것을 특징으로 하는

    얼굴 검출기의 파라미터를 최적화하는 방법.
20. 제19항에 있어서,

    상기 사용자에 의해 상기 얼굴 영역으로 표시된 후보 영역이 틀리게 표시되었다고 판단되면, 상기 임계치를 올리는 단계를 더 포함하는 것을 특징으로 하는

    얼굴 검출기의 파라미터를 최적화하는 방법.
21. 제20항에 있어서,

    상기 얼굴 영역으로 표시된 후보 영역 중 상기 사용자에 의해 특정 후보 영역이 틀리게 표시되었다고 판단되면, 상기 특정 후보 영역에 대한 상기 개별 스코 어 중 가장 낮은 점수를 획득한 특정 개별 스코어에 할당된 가중치를 낮추는 단계를 더 포함하는 것을 특징으로 하는

    얼굴 검출기의 파라미터를 최적화하는 방법.
22. 제18항에 있어서,

    상기 판단 정보는,

    눈, 코, 입, 머리카락, 및 얼굴 윤곽 중 적어도 하나의 특징점 또는 특징량의 배치로부터 얼굴을 검출하기 위한 얼굴 모양 정보를 포함하는 것을 특징으로 하는

    얼굴 검출기의 파라미터를 최적화하는 방법.
23. 제22항에 있어서,

    상기 개별 스코어는 상기 얼굴 모양 정보가 상기 디지털 데이터에 포함된 상기 인물의 얼굴을 검출하는데 있어서 어느 정도 기여하는지를 점수로 나타낸 얼굴 모양 스코어를 포함하는 것을 특징으로 하는

    얼굴 검출기의 파라미터를 최적화하는 방법.
24. 제23항에 있어서,

    상기 판단 정보는,

    피부 영역의 색깔에 관한 정보를 더 포함하는 것을 특징으로 하는

    얼굴 검출기의 파라미터를 최적화하는 방법.
25. 제24항에 있어서,

    상기 피부 영역의 색깔에 관한 정보는 인종의 차이, 의상 색깔과의 대비, 조명의 영향 중 적어도 하나를 참조하여 획득되는 것을 특징으로 하는

    얼굴 검출기의 파라미터를 최적화하는 방법.
26. 제24항에 있어서,

    상기 개별 스코어는 상기 피부 영역의 색깔에 관한 정보가 상기 디지털 데이터에 포함된 상기 인물의 얼굴을 검출하는데 있어서 어느 정도 기여하는지를 점수로 나타낸 얼굴 색깔 스코어를 더 포함하는 것을 특징으로 하는

    얼굴 검출기의 파라미터를 최적화하는 방법.
27. 제26항에 있어서,

    상기 얼굴 모양 스코어에 할당된 가중치를 제1 가중치, 상기 얼굴 색깔 스코어에 할당된 가중치를 제2 가중치라고 할 때,

    상기 토털 스코어는 (상기 제1 가중치 x 상기 얼굴 모양 스코어) + (상기 제2 가중치 x 상기 얼굴 색깔 스코어)로 계산되는 것을 특징으로 하는

    얼굴 검출기의 파라미터를 최적화하는 방법.
28. 제1항 내지 제27항 중 어느 한 항에 따른 방법을 실행하기 위한 컴퓨터 프로 그램을 기록하는 컴퓨터 판독 가능 매체.
29. 사용자의 피드백을 이용하여, 상기 사용자의 이용 특성에 맞게 얼굴 인식기의 파라미터를 자동으로 최적화하여, 생성된 디지털 데이터에 포함된 제1 인물의 얼굴에 대한 인식률을 높이기 위한 시스템으로서,

    복수의 후보 인물의 이미지 또는 통신 기록이 포함된 디지털데이터를 포함하고 있는 데이터베이스를 참조로 하여 상기 생성된 디지털 데이터에 포함된 상기 제1 인물로 판단될 가능성이 높은 후보 인물 리스트를 제공하기 위하여, 상기 제1 인물의 얼굴을 인식하는데 사용되는 적어도 하나의 판단 정보 각각이 상기 제1 인물의 얼굴을 인식하는데 있어서 어느 정도 기여하는지를 점수로 나타낸 개별 스코어를 상기 데이터베이스에 포함된 상기 후보 인물마다 계산하는 구성 요소 스코어 계산부,

    상기 각 판단 정보마다 할당된 가중치를 각 판단 정보가 기록한 상기 개별 스코어에 곱하여 각각의 개별 가중치 스코어를 산출한 후, 상기 개별 가중치 스코어를 이용하여 상기 후보 인물마다 토털 스코어를 계산하는 토털 스코어 계산부,

    상기 토털 스코어가 높은 상위 n 명을 포함하는 상기 후보 인물 리스트를 상기 사용자에게 제공하는 리스트 제공부, 및

    상기 사용자에 의해 상기 제1 인물의 정체로서 상기 후보 인물 리스트 중 특정 인물이 선택되면, 상기 특정 인물에 대한 상기 개별 스코어 중 가장 높은 점수를 획득한 특정 개별 스코어에 할당된 상기 가중치를 높이는 가중치 적용부를 포함하는

    얼굴 인식기의 파라미터를 최적화하는 시스템.
30. 제29항에 있어서,

    상기 구성 요소 스코어 계산부는,

    상기 개별 스코어로서, 상기 생성된 디지털 데이터에 포함된 상기 제1 인물에 대하여 영상 처리를 행한 후 상기 데이터베이스에 기록되어 있는 상기 후보 인물의 영상과의 유사한 정도를 점수로 나타내는 유사도 스코어를 계산하는 것을 특징으로 하는

    얼굴 인식기의 파라미터를 최적화하는 시스템.
31. 제30항에 있어서,

    상기 구성 요소 스코어 계산부는,

    상기 개별 스코어로서,

    상기 제1 인물을 포함하는 상기 디지털 데이터를 생성한 상기 사용자가 상기 디지털 데이터의 생성 전에 상기 제1 인물과 통신을 행한 정도를 점수로 나타내는 통신 스코어를 계산하는 것을 특징으로 하는

    얼굴 인식기의 파라미터를 최적화하는 시스템.
32. 제31항에 있어서,

    상기 제1 인물과의 통신은 전화, 이메일, 단문 메시지 서비스(SMS), 및 채팅 중 적어도 하나를 사용해 이루어지는 것을 특징으로 하는

    얼굴 인식기의 파라미터를 최적화하는 시스템.
33. 제31항에 있어서,

    상기 사용자가 상기 제1 인물과의 통신을 행한 시점이 상기 디지털 데이터가 생성되기 일정 기간 전이거나 상기 제1 인물과의 통신을 행한 빈도가 높을수록 상기 통신 스코어를 높게 책정하는 것을 특징으로 하는

    얼굴 인식기의 파라미터를 최적화하는 시스템.
34. 제31항에 있어서,

    상기 구성 요소 스코어 계산부는,

    상기 개별 스코어로서,

    상기 데이터베이스에 포함된 디지털 데이터 중 하나의 디지털 데이터에 2명 이상의 인물이 포함된 디지털 데이터에 대해 특정 두 사람 이상이 같이 등장하는 디지털 데이터의 비율을 점수로 나타내는 상관 관계 스코어를 계산하는 것을 특징으로 하는

    얼굴 인식기의 파라미터를 최적화하는 시스템.
35. 제34항에 있어서,

    상기 토털 스코어 계산부는,

    상기 유사도 스코어에 할당된 가중치를 제1 가중치, 상기 통신 스코어에 할당된 가중치를 제2 가중치, 상기 상관 관계 스코어에 할당된 가중치를 제3 가중치라고 할 때,

    (상기 제1 가중치 x 상기 유사도 스코어) + (상기 제2 가중치 x 상기 통신 스코어) + (상기 제3 가중치 x 상기 상관 관계 스코어)의 값을 상기 토털 스코어로 계산하는 것을 특징으로 하는

    얼굴 인식기의 파라미터를 최적화하는 시스템.
36. 제29항에 있어서,

    상기 사용자에 의해 상기 상위 n 명의 후보 인물 리스트에 상기 제1 인물에 해당되는 인물이 없는 것으로 판단되면, 차순위 후보 인물에 관한 정보를 상기 사용자에게 제공하는 차순위 리스트 제공부를 더 포함하는 것을 특징으로 하는

    얼굴 인식기의 파라미터를 최적화하는 시스템.
37. 제36항에 있어서,

    상기 가중치 적용부는,

    상기 사용자에 의해 상기 차순위 후보 인물 중 특정 인물이 선택되면, 상기 특정 인물에 대한 상기 개별 스코어 중 가장 높은 점수를 획득한 특정 개별 스코어에 할당된 가중치를 높이는 것을 특징으로 하는

    얼굴 인식기의 파라미터를 최적화하는 시스템.
38. 제37항에 있어서,

    상기 가중치 조정부는,

    상기 사용자에 의해 상기 차순위 후보 인물 중 특정 인물이 선택되면, 상기 특정 인물에 대한 상기 개별 스코어 중 가장 낮은 점수를 획득한 특정 개별 스코어에 할당된 가중치를 낮추는 것을 특징으로 하는

    얼굴 인식기의 파라미터를 최적화하는 시스템.
39. 사용자의 피드백을 이용하여 얼굴 검출기의 파라미터를 자동으로 최적화하여, 생성된 디지털 데이터에 포함된 적어도 하나의 인물의 얼굴 영역에 대한 검출률을 높이기 위한 시스템으로서,

    상기 생성된 디지털 데이터에 포함된 상기 인물의 얼굴 영역으로 판단될 가능성이 높은 후보 영역을 제공하기 위하여, 상기 인물의 얼굴 영역을 검출하는데 사용되는 적어도 하나의 판단 정보 각각이 상기 얼굴 영역을 검출하는데 있어서 어느 정도 기여하는지를 점수로 나타낸 개별 스코어를 상기 후보 영역마다 계산하는 구성 요소 스코어 계산부,

    상기 각 판단 정보마다 할당된 가중치를 각 판단 정보가 기록한 상기 개별 스코어에 곱하여 각각의 개별 가중치 스코어를 산출한 후, 상기 개별 가중치 스코어를 이용하여 상기 후보 영역마다 토털 스코어를 계산하는 토털 스코어 계산부,

    상기 후보 영역 중 상기 토털 스코어가 임계치 이상인 후보 영역을 상기 인물의 얼굴 영역으로 표시하여 상기 사용자에게 제공하는 얼굴 영역 판단부, 및

    상기 얼굴 영역으로 표시된 후보 영역 중 상기 사용자에 의해 특정 후보 영역이 옳게 표시되었다고 판단되면, 상기 특정 후보 영역에 대한 상기 개별 스코어 중 가장 높은 점수를 획득한 특정 개별 스코어에 할당된 가중치를 높이는 가중치 적용부를 포함하는

    얼굴 검출기의 파라미터를 최적화하는 시스템.
40. 제39항에 있어서,

    상기 사용자에 의해 상기 얼굴 영역으로 표시된 후보 영역이 옳게 표시되었다고 판단되면, 상기 임계치를 내리는 임계치 조절부를 더 포함하는 것을 특징으로 하는

    얼굴 검출기의 파라미터를 최적화하는 시스템.
41. 제40항에 있어서,

    상기 임계치 조절부는,

    상기 사용자에 의해 상기 얼굴 영역으로 표시된 후보 영역이 틀리게 표시되었다고 판단되면, 상기 임계치를 올리는 것을 특징으로 하는

    얼굴 검출기의 파라미터를 최적화하는 시스템.
42. 제41항에 있어서,

    상기 가중치 적용부는,

    상기 사용자에 의해 상기 얼굴 영역으로 표시된 후보 영역이 틀리게 표시되었다고 판단되면, 상기 특정 후보 영역에 대한 상기 개별 스코어 중 가장 낮은 점수를 획득한 특정 개별 스코어에 할당된 가중치를 낮추는 것을 특징으로 하는

    얼굴 검출기의 파라미터를 최적화하는 시스템.
43. 제39항에 있어서,

    상기 구성 요소 스코어 계산부는,

    상기 개별 스코어로서,

    눈, 코, 입, 머리카락, 및 얼굴 윤곽 중 적어도 하나의 특징점 또는 특징량의 배치로부터 얼굴 모양에 근접한 정도를 점수로 나타내는 얼굴 모양 스코어를 계산하는 것을 특징으로 하는

    얼굴 검출기의 파라미터를 최적화하는 시스템.
44. 제43항에 있어서,

    상기 구성 요소 스코어 계산부는,

    상기 개별 스코어로서,

    피부 영역의 색깔이 실제 사람의 피부 색깔에 근접한 정도를 점수로 나타내는 얼굴 색깔 스코어를 계산하는 것을 특징으로 하는

    얼굴 검출기의 파라미터를 최적화하는 시스템.
45. 제44항에 있어서,

    상기 피부 영역의 색깔을 판단함에 있어서, 인종의 차이, 의상 색깔과의 대비, 조명의 영향 중 적어도 하나를 고려하여 판단하는 것을 특징으로 하는

    얼굴 검출기의 파라미터를 최적화하는 시스템.
46. 제45항에 있어서,

    상기 얼굴 모양 스코어에 할당된 가중치를 제1 가중치, 상기 얼굴 색깔 스코어에 할당된 가중치를 제2 가중치라고 할 때,

    상기 토털 스코어 계산부는 (상기 제1 가중치 x 상기 얼굴 모양 스코어) + (상기 제2 가중치 x 상기 얼굴 색깔 스코어)를 상기 토털 스코어로서 계산하는 것을 특징으로 하는

    얼굴 검출기의 파라미터를 최적화하는 시스템.

Images