KR100846500B1 - 확장된 가보 웨이브렛 특징 들을 이용한 얼굴 인식 방법 및장치 - Google Patents

확장된 가보 웨이브렛 특징 들을 이용한 얼굴 인식 방법 및장치 Download PDF

Info

Publication number
KR100846500B1
KR100846500B1 KR1020060110170A KR20060110170A KR100846500B1 KR 100846500 B1 KR100846500 B1 KR 100846500B1 KR 1020060110170 A KR1020060110170 A KR 1020060110170A KR 20060110170 A KR20060110170 A KR 20060110170A KR 100846500 B1 KR100846500 B1 KR 100846500B1
Authority
KR
South Korea
Prior art keywords
gabor wavelet
wavelet
face image
features
gabor
Prior art date
Application number
KR1020060110170A
Other languages
English (en)
Other versions
KR20080041931A (ko
Inventor
황산성
황원준
기석철
문영수
박규태
이종하
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 KR1020060110170A priority Critical patent/KR100846500B1/ko
Priority to US11/797,886 priority patent/US20080107311A1/en
Priority to JP2007290085A priority patent/JP2008123521A/ja
Publication of KR20080041931A publication Critical patent/KR20080041931A/ko
Application granted granted Critical
Publication of KR100846500B1 publication Critical patent/KR100846500B1/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
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis

Landscapes

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

Abstract

본 발명은 확장된 가보 웨이브렛 특징 들(Gabor Wavelet Features)을 이용한 얼굴 인식 방법 및 장치에 관한 것으로서, 본 발명에 따른 얼굴 인식 방법은 가보 웨이브렛 확장 필터를 확장시켜 얼굴 이미지로부터 확장된 가보 웨이브렛 특징 들을 추출하고, 확장된 가보 웨이브렛 특징 들에 대한 감독 학습을 통해 가보 웨이브렛 특징 들을 선별하여 선별된 가보 웨이브렛 특징 셋을 얼굴 인식에 활용함으로써, 가보 웨이브렛 필터의 파라미터가 제한됨에 따른 얼굴 인식의 에러 발생률이 높고 인증률이 낮은 문제 및 가보 웨이브렛 필터의 확장에 따라 계산량이 증가되는 문제를 극복하고, 표정 변화와 조명 변화에 강한 얼굴 인식을 수행할 수 있다.
가보 웨이브렛 특징, 얼굴 인식, 얼굴 검증, 부스팅 학습, 선형판별분석 학습

Description

확장된 가보 웨이브렛 특징 들을 이용한 얼굴 인식 방법 및 장치{Method and apparatus for recognizing face using extended Gabor wavelet features}
도1은 본 발명의 일 실시예에 따른 얼굴 기술자 생성 장치를 나타낸 블록도이다.
도2는 본 발명의 일 실시예에 따른 얼굴 기술자 생성 방법을 나타낸 흐름도이다.
도3은 도2에서 200단계를 세부적으로 나타낸 흐름도이다.
도4는 도2에서 200단계에 따라 확장된 가보 웨이브렛 특징 들을 구축하는 예를 나타낸 흐름도이다.
도5는 도2에서 300단계를 세부적으로 나타낸 흐름도이다.
도6은 도2에서 300단계의 패러렐 부스팅 학습에 대한 개념도이다.
도7은 도5에서 320단계를 세부적으로 나타낸 흐름도이다.
도8은 도2에서 400단계를 세부적으로 나타낸 흐름도이다.
도9는 도8에서 410단계를 세부적으로 나타낸 흐름도이다.
도10은 도8에서 430단계를 세부적으로 나타낸 흐름도이다.
도11은 본 발명의 일 실시예에 따른 얼굴 인식 장치를 나타낸 블록도이다.
도12은 본 발명의 일 실시예에 따른 얼굴 인식 방법을 나타낸 흐름도이다.
본 발명은 가보 웨이브렛 특징 들을 이용한 얼굴 인식 방법 및 장치에 관한 것으로서, 특히 가보 웨이브렛 필터(Gabor Wavelet Filter), 부스팅(Boosting) 학습 및 선형 판별 분석(Linear Discriminant Analysis) 학습을 이용한 얼굴 인식 분야 및 얼굴 검증 분야에 사용되는 얼굴 인식 방법 및 장치에 관한 것이다.
근래 들어, 테러와 정보 도난이 빈번하게 발생함에 따라 얼굴 인식을 통한 보안의 중요성은 점점 더 중요해지고 있다. 테러의 위험에 대비하기 위하여 생체 인식 솔루션을 구축하는 것은 흥미로운 일이다. 이를 위한 하나의 효과적인 방법은 경계 보완(border security)과 신원 검증(identity verification)을 강화하는 것이다. 국제민간항공기구 (International Civil Aviation Organization, ICAO)는 기계 판독 여행 서류 판독기에서 생체 인식 정보를 사용할 것을 권고하고 있다. 미국의 국경안전강화법은 생체 인식 장치와 소프트웨어 도입 수준을 강화하고 있으며, 여행 서류, 여권 그리고 비자에 생체인식 정보의 사용을 요구하고 있다. 현재까지 생체 인식 여권은 유럽, 미국, 일본 및 몇몇 나라에서 채택되어 있다. 사용자의 생체인식 정보를 갖고 있는 칩을 임베디드한 새로운 형태의 생체 인식 여권도 사용된 바 있다.
오늘날 많은 대행 기관, 회사, 다른 종류의 기관 들은 그들의 피고용자 또는 방문자에게 신원 확인 목적을 위한 어드미션 카드(admission card)를 사용할 것을 요구하고 있으며, 피고용자 또는 방문자는 카드 리더기에 사용되는 키 카드 또는 키 패드를 지정된 허락 구간 내에 있을 때 항상 소지하여야 한다.
그러나, 이 경우 어떤 사람이 키 카드 또는 키 패드를 분실하거나 도단을 당한 경우, 인증되지 못한 사람이 제한 구역으로 침투할 수 있는 등 보안상의 문제가 발생할 수 있다. 이러한 보안상의 문제를 해결하기 위한 하나의 방법으로서, 인간의 생체 인식 정보 또는 행동 특성을 이용하여 개인의 신원을 자동으로 인식하고, 검증하는 생체 인식 시스템이 개발되었다. 생체 인식 시스템은 은행, 공항, 높은 보안 시설 등에서 사용되고 있으며, 좀더 간편하고 신뢰성이 높은 생체인식 시스템에 대한 연구가 수행되고 있다.
생체 인식 시스템에서 사용되는 개인 특성 들은 지문, 얼굴, 손바닥 지문, 손 형상, 열 이미지, 음성, 서명, 정맥 모양, 타이핑(typing keystroke dynamics), 망막, 홍채 등이 있다. 얼굴 인식 기술은 가장 많이 사용되는 신원 확인 기술로서, 정지 영상이나 동영상에 존재하는 한 사람 이상의 얼굴에 대하여 주어진 얼굴 데이터베이스를 이용하여 그 신원을 확인하는 기술을 일컫는다. 얼굴 이미지 데이터는 포즈나 조명에 따른 변화 정도가 크기 때문에, 동일한 신원의 다양한 포즈 데이터에 대하여 동일한 클래스로 분류하는 것이 쉽지 않은 문제가 있다.
얼굴 인식에서의 오차를 줄이기 위한 다양한 이미지 처리 방식이 제안되고 있는데, 기존의 얼굴 인식 방식은 선형 분포에 대한 가정과 가우시안 분포의 가정을 포함함에 따른 에러 발생의 문제가 있다.
특히, 얼굴 인식에 활용되고 있는 가보 웨이브렛 필터는 얼굴 영상의 표정 변화와 조명 변화와 같은 다양한 변화를 포착하는 방법으로서 비교적 적합한 것이지만, 가보 웨이브렛 특징 들을 이용하여 얼굴 인식을 할 경우 복잡한 계산 과정을 거쳐야 하기 때문에 가보 웨이브렛 필터의 파라미터에는 일정한 제한이 있었다. 이러한 제한적인 특성을 갖는 가보 웨이브렛 필터의 사용은 얼굴 인식에서의 에러 발생률은 높이고, 얼굴 인식에 있어서의 인증률을 향상시키지 못하는 원인이 되었으며, 특히 얼굴 영상의 표정 변화와 조명 변화가 클 경우에 얼굴 인식 효율을 저하시키는 문제가 된다.
본 발명이 이루고자 하는 기술적 과제는, 얼굴 인식에 있어서 가보 웨이브렛 필터의 파라미터를 제한하여 사용함에 따른 높은 에러 발생률의 문제, 낮은 인증률의 문제 및 가보 웨이브렛 필터의 확장에 따라 계산량이 증가되는 문제를 극복하고, 표정 변화와 조명 변화에 강한 얼굴 인식 방법 및 장치를 제공하는 데 있다.
상기 기술적 과제를 달성하기 위한 본 발명에 따른 얼굴 기술자 생성 방법은 가보 웨이브렛 확장 필터를 트레이닝 얼굴 이미지에 적용하여 트레이닝 얼굴 이미지로부터 가보 웨이브렛 특징 들을 추출하는 단계; 상기 추출된 트레이닝 얼굴 이미지의 가보 웨이브렛 특징 들에 대하여 얼굴 이미지 분류를 위한 감독 학습을 수행함으로써 가보 웨이브렛 특징 들을 선별하고, 상기 선별된 가보 웨이브렛 특징 들을 포함하는 가보 웨이브렛 특징 셋을 구축하는 단계; 입력 얼굴 이미지에 상기 구축된 가보 웨이브렛 특징 셋을 적용함으로써 상기 입력 얼굴 이미지로부터 가보 웨이브렛 특징 들을 추출하는 단계 및 상기 구축된 가보 웨이브렛 특징 셋과 상기 입력 얼굴 이미지로부터 추출된 가보 웨이브렛 특징 들을 이용하여 얼굴 인식을 위한 얼굴 기술자를 생성하는 단계를 포함한다.
상기 다른 기술적 과제를 해결하기 위한 본 발명에 따른 얼굴 인식 방법은 가보 웨이브렛 확장 필터를 트레이닝 얼굴 이미지에 적용하여 트레이닝 얼굴 이미지로부터 가보 웨이브렛 특징 들을 추출하는 단계; 상기 추출된 트레이닝 얼굴 이미지의 가보 웨이브렛 특징 들에 대하여 얼굴 이미지 분류를 위한 감독 학습을 수행함으로써 가보 웨이브렛 특징 들을 선별하고, 상기 선별된 가보 웨이브렛 특징 들을 포함하는 가보 웨이브렛 특징 셋을 구축하는 단계; 입력 얼굴 이미지와 타겟 얼굴 이미지에 상기 구축된 가보 웨이브렛 특징 셋을 적용함으로써 상기 입력 얼굴 이미지와 타겟 얼굴 이미지 각각으로부터 가보 웨이브렛 특징 들을 추출하는 단계;
상기 입력 얼굴 이미지와 타겟 얼굴 이미지로부터 추출된 가보 웨이브렛 특징 들과 상기 구축된 가보 웨이브렛 특징 셋을 이용하여 입력 얼굴 이미지와 타겟 얼굴 이미지의 얼굴 기술자를 각각 생성하는 단계; 및 상기 생성된 입력 이미지와 타겟 이미지의 얼굴 기술자가 소정의 유사도를 갖는지 여부를 판단하는 단계를 포함한다.
상기 다른 기술적 과제를 해결하기 위한 본 발명에 따른 얼굴 기술자 생성 장치는 트레이닝 얼굴 이미지에 가보 웨이브렛 확장 필터를 적용하여 트레이닝 얼굴 이미지로부터 확장된 가보 웨이브렛 특징 들을 추출하는 가보 웨이브렛 제 1 특징 추출부; 상기 가보 웨이브렛 제 1 특징에 대하여 얼굴 이미지 분류를 위한 감독 학습을 수행함으로써 가보 웨이브렛 특징 들을 선별하고, 상기 선별된 가보 웨이브렛 특징 들을 포함하는 가보 웨이브렛 특징 셋을 생성하는 선별부; 입력 이미지에 상기 가보 웨이브렛 특징 셋을 적용함으로써 입력 이미지로부터 가보 웨이브렛 특징 들을 추출하는 가보 웨이브렛 제 2 특징 추출부; 및 상기 가보 웨이브렛 제 2 특징 추출부에 의해 추출된 가보 웨이브렛 특징 들을 이용하여 얼굴 기술자를 생성하는 얼굴 기술자 생성부를 포함한다.
상기 다른 기술적 과제를 해결하기 위한 본 발명에 따른 얼굴 인식 장치는 트레이닝 얼굴 이미지에 가보 웨이브렛 확장 필터를 적용하여 트레이닝 얼굴 이미지로부터 확장된 가보 웨이브렛 특징 들을 추출하는 가보 웨이브렛 특징 추출부; 상기 추출된 가보 웨이브렛 특징 들에 대하여 얼굴 이미지 분류를 위한 감독 학습을 수행함으로써 가보 웨이브렛 특징 들을 선별하고, 상기 선별된 가보 웨이브렛 특징 들을 포함하는 가보 웨이브렛 특징 셋을 생성하는 선별부; 입력 이미지에 상기 생성된 가보 웨이브렛 특징 셋을 적용함으로써 입력 이미지로부터 가보 웨이브렛 특징 들을 추출하는 입력 이미지의 가보 웨이브렛 특징 추출부; 타겟 이미지에 상기 생성된 가보 웨이브렛 특징 셋을 적용함으로써 타겟 이미지로부터 가보 웨이브렛 특징 들을 추출하는 타겟 이미지의 가보 웨이브렛 특징 추출부; 상기 입력 이미지의 가보 웨이브렛 특징 들과 타겟 이미지의 가보 웨이브렛 특징 들을 이용하여 각각의 얼굴 기술자를 생성하는 얼굴 기술자 생성부; 및 상기 생성된 입력 이미지와 타겟 이미지의 얼굴 기술자가 소정의 유사도를 갖는지 여부를 판단하는 유사도 판단부를 포함한다.
상기 다른 기술적 과제를 해결하기 하여, 본 발명은 얼굴 기술자 생성 방법과 얼굴 인식 방법을 실행할 수 있는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체를 제공한다.
이하에서는 본 발명의 도면과 실시예를 참조하여 본 발명의 얼굴 기술자 생성 장치에 대하여 상세히 설명한다.
도1은 본 발명의 일 실시예에 따른 얼굴 기술자 생성 장치를 나타낸 블록도이다.
본 실시예에서 얼굴 기술자 생성 장치(1)는 트레이닝 얼굴 이미지 데이터 베이스(10), 트레이닝 얼굴 이미지 전처리부(20), 가보 웨이브렛 제1특징 추출부(30), 선별부(40), 베이시스 벡터 생성부(50), 입력 이미지 획득부(60), 입력 이미지 전처리부(70), 가보 웨이브렛 제2특징 추출부(80) 및 얼굴 기술자 생성부(90)를 포함한다.
트레이닝 얼굴 이미지 데이터베이스(10)는 신원 확인의 대상이 되는 집단에 소속된 사람들 각각의 얼굴 이미지에 대한 정보를 저장한다. 얼굴 인식 효율을 향상시키기 위해서는 다양한 얼굴 표정, 각도, 밝기를 갖는 다수개의 얼굴 이미지 정보가 필요하다. 얼굴 이미지 정보는 얼굴 기술자 생성을 위한 소정의 전처리 과정을 거친 후 데이터 베이스에 저장된다.
트레이닝 얼굴 이미지 전처리부(20)는 트레이닝 얼굴 이미지 데이터베이스에 저장된 모든 얼굴 이미지에 대한 소정의 전처리를 수행한다. 소정의 전처리 과정은 배경 영역을 제거하고, 눈의 위치를 기준으로 이미지의 크기를 조정한 후, 조명의 분산도를 낮추기 위한 전처리 과정을 통해 얼굴 기술자 생성에 적합하도록 얼굴 이미지를 변경하는 과정을 포함한다.
가보 웨이브렛 제 1 특징 추출부(30)는 전처리된 얼굴 이미지 각각에 가보 웨이브렛 확장 필터를 적용하여 각각의 얼굴 이미지로부터 확장된 가보 웨이브렛 특징 들을 추출한다. 가보 웨이브렛 필터의 개념에 대하여는 후술한다.
선별부(40)는 확장된 가보 웨이브렛 특징 들을 대상으로 감독 학습(supervised learning)을 수행하여 효율적인 가보 웨이브렛 특징 들을 선별한다. 감독 학습은 분류, 예측 등의 명확하게 학습의 목표가 주어진 학습 방법으로서, 본 실시예에서 선별부(40)는 클래스 분류(동일인 분류), 신원 확인의 효율을 향상시키는 목표에 따른 감독 학습을 수행한다. 특히, 통계적인 리샘플링 알고리즘(statistical resampling algorithm)의 하나인 부스팅 학습을 통해 효율적인 가보 웨이브렛 특징 들을 선별할 수 있다. 부스팅 학습 이외에 사용될 수 있는 통계적인 리샘플링 알고리즘으로는 배깅(Bagging) 학습 방법, 그리디(Greedy) 학습 방법 등이 있다.
가보 웨이브렛 제1특징 추출부(30)에서 추출된 가보 웨이브렛 특징 들은 가보 웨이브렛 확장 필터를 통해 추출된 것으로서 종래의 가보 웨이브렛 특징 들과 비교할 때, 거대한 규모의 데이터로서 이를 대상으로 얼굴 인식, 검증을 할 경우 데이터 처리에 시간이 너무 오래 소요되는 문제가 있다.
선별부(40)는 가보 웨이브렛 제1추출부(30)에서 추출한 거대 가보 웨이브렛 특징 들을 서브셋 단위로 분할하는 서브셋 분할부(41), 부스팅 학습을 위한 부스팅 학습부(42)와 가보 웨이브렛 셋 저장부(43)를 더욱 구비한다. 거대 가보 웨이브렛 특징 들은 서브셋 분할부(41)를 통해 분할함으로써 데이터 처리 시간을 단축할 수 있다. 또한, 부스팅 학습부(42)는 서브셋으로 분할된 가보 웨이브렛 특징 들에 대한 패러렐(parallel) 부스팅 학습을 통해 효율적인 가보 웨이브렛 특징 들을 선별하는데, 선별된 가보 웨이브렛 특징 들은 병렬적 처리를 통해 선별된 것이므로 서로 보충성을 갖기 때문에 얼굴 인식 효율을 향상할 수 있다. 부스팅 학습 알고리즘에 대하여는 후술한다. 가보 웨이브렛 셋 저장부(43)는 부스팅 학습부(42)를 통해 선별된 효율적인 가보 웨이브렛 특징 셋을 저장한다.
베이시스 벡터 생성부(50)는 선별부(40)를 통해 생성된 가보 웨이브렛 특징 셋에 대하여 선형판별분석학습을 수행하고 베이시스 벡터를 생성한다. 베이시스 벡터 생성부(50)는 선형판별분석(커널 LDA)을 수행하기 위하여, 커널 센터 선택부(51), 제1내적부(52), LDA학습부(53)을 구비한다.
커널 센터 선택부(51)는 부스팅 학습을 통해 선별된 얼굴 이미지 각각으로부터 커널 센터를 랜덤하게 선택하고, 제1내적부(52)는 커널 센터와 가보 웨이브렛 특징 셋의 내적을 통해 새로운 특징 벡터를 추출하며, LDA학습부(53)은 LDA학습을 통해 생성된 특징 벡터로부터 LDA 베이시스를 생성시키는데, 보다 상세한 선형판별 분석 알고리즘에 대하여는 후술한다.
입력 이미지 획득부(60)는 얼굴 인식을 위한 입력 얼굴 이미지를 획득한다. 입력 이미지 획득부(60)는 얼굴 이미지를 획득할 수 있는 카메라, 캠코더 등이 영상 인식 장치(미도시)를 통해 얼굴 인식을 하고자 하는 또는 신원 검증을 하고자 하는 사람의 얼굴 이미지를 획득한다. 입력 이미지 획득부(60)는 입력 이미지 전처리부(70)를 통하여 획득된 입력 영상에 대하여 전처리를 수행한다.
입력 이미지 전처리부(70)는 입력 이미지 획득부(60)를 통해 획득된 얼굴 이미지로부터 배경 이미지를 제거하고, 가우시안 저역 통과 필터를 이용하여 배경 이미지가 제거된 얼굴 이미지를 필터링 한 다음, 필터링된 이미지로부터 눈 영역을 찾아 눈의 위치를 기준으로 이미지를 정규화시키고, 조명의 분산을 제거하기 위해 조명을 변화시키는 전처리를 수행한다.
가보 웨이브렛 제2특징 추출부(80)는 입력 이미지 획득부(60)를 통해 획득된 입력 얼굴 이미지에, 선별부(40)를 통해 생성된 확장된 가보 웨이브렛 특징 셋을 가보 필터로서 적용하여, 입력 얼굴 이미로부터 확장된 가보 웨이브렛 특징 들을 추출한다.
얼굴 기술자 생성부(90)는 가보 웨이브렛 제2특징을 이용하여 얼굴 기술자를 생성한다. 얼굴 기술자 생성부(90)는 제2내적부(91)와 프로젝션부(92)를 구비한다. 제2내적부(91)는 커널 센터 선택부(51)를 통해 선택된 커널 센터에 가보 웨이브렛 제2특징을 내적하여 새로운 특징 벡터를 생성한다. 프로젝션부(52)는 생성된 특징 벡터를 베이시스 벡터에 투영하여 얼굴 기술자(얼굴 특징 벡터)를 생성시킨다. 얼굴 기술자 생성부(90)를 통해 생성된 얼굴 기술자는 트레이닝 얼굴 이미지 데이터베이스(10)에 저장된 얼굴 이미지와의 유사도 판단을 통해 얼굴 인식, 신원 검증을 위해 사용된다.
이하에서는 본 발명의 도면과 실시예를 참조하여 본 발명의 얼굴 기술자 생 성 방법에 대하여 상세히 설명한다.
도2는 본 발명의 일 실시예에 따른 얼굴 기술자 생성 방법을 설명하는 흐름도이다. 본 실시예에 따른 얼굴 기술자 생성 방법은 얼굴 기술자 생성 장치(1)에서 시계열적으로 처리되는 다음과 같은 단계 들로 구성된다.
100단계에서 가보 웨이브렛 제1특징 추출부(30)는 가보 웨이브렛 필터를 확장시킨다. 본 실시예는 얼굴의 이미지로부터 특징을 추출하기 위하여 가보 웨이브렛 확장 필터를 이용한다. 가보 웨이브렛을 이용하면 한 개의 기본 함수로부터 다중 해상 다중 방향의 필터를 구성할 수 있기 때문에, 저역 공간 주파수 필터로서 전역적인 분석이 가능하고, 고역 공간 주파수 필터로서 지역적인 분석이 가능하다. 가보 웨이브렛 함수는 얼굴 영상의 표정 변화와 조명 변화와 같은 다양한 변화를 포착하는 방법으로서 적합한 것이며, 가보 웨이브렛 함수는 다음과 같은 2차원 형태로 일반화될 수 있다.
[수학식1]
Figure 112006081880892-pat00001
여기에서,
Figure 112006081880892-pat00002
는 가우시안 함수에 의하여 포락된(enveloped) 벡터
Figure 112006081880892-pat00003
에 의해 특성을 갖는 평면파를 나타내는 가보 웨이브렛 함수이고,
Figure 112006081880892-pat00004
는
Figure 112006081880892-pat00005
이며,
Figure 112006081880892-pat00006
는 영상을 이루는 각각의 화소를 나타내는 벡터이고,
Figure 112006081880892-pat00007
는
Figure 112006081880892-pat00008
이며, kmax는 최대주파수로서 π/2이고, f는 공간 성분(spacing factor)으로서
Figure 112006081880892-pat00009
이고,
Figure 112006081880892-pat00010
는 2πμ/8 이며, μ는 가보 커널의 방위이고, ν는 가보 커널의 스캐일이며, σx 와 σy는 각각 가우시안 포락선이 갖는 x, y축 방향으로의 표준편차이다.
기존의 가보 웨이브렛 함수는 계산의 복잡성과 성능을 고려하여 스캐일 파라미터 ν가 5(여기에서 5는 ν가 5개의 값을 가지는 것을 의미함, ν∈ {0, 1, 2, 3, 4})로 한정되어 있으나, 본 발명에서는 얼굴 이미지의 사이즈에 따라 스캐일 파라미터를 5~15 (여기에서 5~15는 ν가 5~15개의 값을 가지는 것을 의미함, ν∈ {0,1,2,3,4,5,6,7,8,9,10,11,12,13,14}) 까지 확장시킨다. 또한, 파라미터 σx와 σy는 일반적으로는 x, y 두 개의 방향에 대하여 같은 값의 표준 편차 값을 가지나, 본 발명에서는 서로 다른 두 개의 값을 가지며, 각각의 표준 편차 값은 0.75π~2π의 값을 갖도록 확장된다. 또한, kmax는 π/2에서 π/2~π까지 확장된다.
종래 기술의 관점에서 볼 때, 가보 웨이브렛 함수의 확장 또는 가보 웨이브렛 확장 필터를 사용하는 것은 계산의 복잡성을 크게 증가시키는 문제가 있기 때문에 가보 웨이브렛 확장 필터를 사용한 예가 없다. 그러나 본 발명에서는 가보 웨이브렛 확장 필터를 이용하여 추출한 특징 들에 대하여 부스팅 학습을 수행함으로써 효율적인 특징들을 선별하는 과정을 도입하고 있기 때문에, 계산의 복잡성이 증가되는 문제를 해소할 수 있다.
200단계에서 가보 웨이브렛 제1특징 추출부(30)는 트레이닝 얼굴 이미지 전처리부(20)를 통해 전처리 과정을 거친 트레이닝 얼굴 이미지에 대하여 가보 웨이브렛 확장 필터를 적용하여 확장된 가보 웨이브렛 특징 들을 추출한다. 200단계에 앞서 얼굴 이미지는 소정의 전처리 과정을 통해 얼굴 이미지를 정규화될 수 있다. 얼굴 이미지에 대한 전처리 과정을 더 포함하는 가보 웨이브렛 특징 들 추출 단계는 도3에 도시되어 있다.
200단계에서 가보 웨이브렛 제1특징 추출부(30)는 얼굴 이미지에 가보 웨이브렛 확장 필터를 회전시키면서 적용함으로써 확장된 가보 웨이브렛 특징 들을 추출한다. 가보 웨이브렛 특징 들은 가보 커널과 얼굴의 특징점을 컨벌루션한 결과로 구성되며, 이러한 결과인 확장된 가보 웨이브렛 특징 들은 이후의 커널 LDA 학습부(53)의 입력 데이터로 사용된다.
도3은 도2에서 200단계를 세부적으로 나타낸 흐름도이다.
210단계에서 트레이닝 얼굴 이미지 전처리부(20)는 얼굴 이미지 각각으로부터 배경 영역을 분리시킨다.
220단계에서 트레이닝 얼굴 이미지 전처리부(20)는 눈의 위치를 기준으로 배경 영역이 제거된 얼굴 이미지의 크기를 재조정함으로써 얼굴 이미지를 정규화시킨다. 예를 들어, 여백이 잘려진 얼굴 이미지는 120*160(픽셀)로 정규화될 수 있다. 또한, 이미지 전처리부는 가우시안 저역 통과 필터를 통해 얼굴 이미지를 필터링하여 노이즈가 제거된 얼굴 이미지를 얻을 수 있다.
230단계에서 트레이닝 얼굴 이미지 전처리부(20)는 정규화된 얼굴 이미지에 조도의 분산을 낮추기 위한 조명 전처리를 수행한다. 정규화된 얼굴 이미지에서 조도(illumination)의 편차는 얼굴 인식 효율을 떨어뜨릴 수 있으므로, 조도의 분산을 제거할 필요가 있다. 예를 들어, 딜라이팅 알고리즘(delighting algorithm)을 이용하여 정규화된 얼굴 이미지에서 조도의 분산을 제거할 수 있다.
240단계는 트레이닝 얼굴 이미지 전처리부(20)는 기술자 생성 및 얼굴 인식에 사용될 수 있는 트레이닝 얼굴 이미지 셋을 구축한다.
250단계에서 가보 웨이브렛 제1특징 추출부(30)는 100단계를 통해 가보 웨이브렛 확장 필터를 트레이닝 얼굴 이미지 각각에 대하여 적용하여, 트레이닝 얼굴 이미지들로부터 가보 웨이브렛 특징 들 들을 추출한다. 예를 들어, 얼굴 이미지의 사이즈가 120x160 [pixels] 일 때, 확장된 가보 웨이브렛 특징 들의 수는 120(width)x160(height)x8(orientations)x10(scales)x3(σx=1.5π이고 σy=0.75; σx=π이고 σy=π ; σx=0.75π이고, σy=1.5π이다) x (크기, 위상)이 된다.
도4은 도2에서 200단계에 따라 확장된 가보 웨이브렛 특징 들을 구축하는 예를 나타낸 흐름도이다.
도4에 도시된 바와 같이 가보 웨이브렛 확장 필터의 입력은 전처리된 얼굴 이미지 정보이다. 가보 웨이브렛 필터링을 통해 전처리된 얼굴 이미지 정보로부터 다음과 같은 식을 만족시키는 실수부와 허수부 값을 얻을 수 있다.
가보 웨이브렛 확장 필터에서 실수부의 필터는 하기 수학식2와 같이 정의될 수 있다.
[수학식2]
Figure 112006081880892-pat00011
가보 웨이브렛 확장 필터에서 허수부의 필터는 하기 수학식3과 같이 정의될 수 있다.
[수학식3]
Figure 112006081880892-pat00012
상기 실수부와 허수부 필터를 통해 얻은 실수부와 허수부는 하기 수학식으로 정의되는 크기 특징(magnitude feature)와 위상 특징(phase feature)을 갖는 가보 웨이브렛 특징 들로 변환된다. 크기 특징은 하기 수학식4으로 정의되고, 위상 특징은 수학식5로 정의된다.
[수학식4]
Figure 112006081880892-pat00013
[수학식5]
Figure 112006081880892-pat00014
300단계에서, 선별부(40)는 통계적인 리샘플링 알고리즘의 하나인 부스팅 학습을 이용하여 가보 웨이브렛 제1특징 추출부로부터 추출된 확장(extended) 가보 웨이브렛 특징 들로 부터 효율적인 가보 웨이브렛 특징 들을 선별하여 가보 웨이브렛 특징 셋을 구축한다.
도5는 도2에서 부스팅 학습을 통해 얼굴 이미지 분류에 적합한 가보 웨이브렛 특징 셋을 선별하는 단계(300단계)를 더욱 상세하게 설명하는 흐름도이다.
200단계에서 추출한 가보 웨이브렛 특징 들은 가보 웨이브렛 확장 필터를 통해 추출된 것으로서, 가보 웨이브렛 특징 들의 수가 크다는 문제가 있다. 본 실시예에서는 300단계를 통해 부스팅 학습과정을 통해 얼굴 인식에 효율적인 가보 웨이브렛 특징 들을 추출함으로써 복잡한 계산량을 감소시킨다.
310단계에서 서브셋 분할부(41)는 가보 웨이브렛 특징 들을 서브셋 단위로 분할한다. 200단계를 통해 추출된 거대 가보 웨이브렛 특징 들은 9,216,000 (120x160x8x10x3x2)로서, 310단계에서 서브셋 분할부는 20개의 서브 셋들로 분리한다. 즉, 각각의 서브셋은 460,800개의 가보 웨이브렛 특징 들을 포함한다.
320단계에서 부스팅 학습부(42)는 부스팅 학습을 통해 각각의 서브셋으로 부터 가보 웨이브렛 특징 후보를 선별한다. 내부인(intra person)과 외부인(extra person)의 가보 웨이브렛 특징 들을 이용하면, 여러 사람의 얼굴 인식에 있어서 멀티 클래스(한 사람이 1 클래스 임)의 문제를 내부인 또는 외부인의 2 클래스의 문제로 전환시킬 수 있다. 여기서 내부인이란 특정의 1인으로부터 획득된 얼굴 이미지 그룹을 의미하고, 외부인이란 특정된 1인이 아닌 다른 사람으로부터 획득된 얼굴 이미지 그룹을 의미한다. 내부인과 외부인인 간의 가보 웨이브렛 특징 들 값의 차이는 내부인과 외부인을 분류하는 기준이 되며, 트레이닝의 대상이 되는 모든 가 보 웨이브렛 특징 들을 조합함으로써, 내부인의 얼굴 이미지와 외부인 얼굴 이미지 쌍을 생성할 수 있다. 부스팅 학습에 앞서 각각의 서브셋으로부터 적정 수의 얼굴 이미지 쌍, 예를 들어 무작위로 10000쌍의 내부인 얼굴 이미지와 외부인 얼굴 이미지 쌍을 선택할 수 있다.
도6은 도2에서 300단계의 패러렐(parallel) 부스팅 학습에 대한 개념도이다.
얼굴 이미지 인식에 효과적인 후보 가보 웨이브렛 특징 들을 각각의 서브셋으로 부터 선택하는 과정이 동시에 병렬적으로 수행될 수 있다는 것은 분산된 컴퓨팅과 빠른 통계적인 학습을 위한 중요한 메커니즘이 된다.
예를 들어, 각각 서브셋으로부터 무작위로 선택된 10000쌍의 내부인 및 외부인 얼굴 이미지 특징에 대하여 부스팅 학습을 함으로써, 효과적이고 보충적인 특성을 갖는 2000쌍의 내부인 및 외부인 얼굴 이미지 특징을 가보 웨이브렛 특징 후보로서 선별할 수 있다.
330단계에서, 320단계를 통해 각각의 서브셋으로부터 선별된 가보 웨이브렛 특징 후보를 수집함으로써 새로운 가보 웨이브렛 특징 풀을 생성한다. 본 실시예에서는 서브셋의 수가 20개이므로 총 40000쌍의 내부인 및 외부인 얼굴 이미지 쌍으로 이루어진 새로운 가보 웨이브렛 특징 풀을 생성할 수 있다. 그리고 40000쌍의 내부인 및 외부인 얼굴 이미지 쌍을 대상으로 부스팅 학습을 함으로써, 좀더 강력한 가보 웨이브렛 특징 들을 선택할 수 있다.
340단계에서, 부스팅 학습부(42)는 330단계를 통해 생성된 가보 웨이브렛 특징 후보 풀(Candidate Pool)을 대상으로 다시 부스팅 학습을 함으로써 일반적인 가 보 웨이브렛 특징 셋을 생성한다.
도 7은 도5의 320단계와 340단계의 부스팅 학습 과정에 대한 흐름도이다.
321단계에서, 부스팅 학습부(42)는 모든 트레이닝 얼굴 이미지들을 부스팅 학습 이전에 동일한 가중치로 초기화한다.
322단계에서 부스팅 학습부(42)는 현재의 가중치 분포에 따라 가장 좋은 가보 웨이브렛 특징 들을 선택한다. 즉, 서브셋 내의 가보 웨이브렛 특징 들 중에서 얼굴 이미지의 인식 효율을 향상할 수 있는 가보 웨이브렛 특징 들을 선별한다. 얼굴 이미지의 인식 효율과 관련된 계수로는 본인임을 확인하는 인증률(VR: verification ratio)이 있으며 인증률을 기준으로 가보 웨이브렛 특징 들을 선별할 수 있다.
323단계에서 부스팅 학습부(42)는 선별된 가보 웨이브렛 특징 들을 이용하여, 모든 트레이닝 얼굴 이미지들의 가중치를 재조정한다. 모든 트레이닝 얼굴 이미지들에 대하여 미분류된 샘플의 가중치는 향상시키고, 확인된 샘플의 가중치는 줄인다.
324단계에서 부스팅 학습부(42)는 선택된 특성이 FAR(예를 들어 0.0001)와 FRR(예를 들어 0.01)을 만족시키지 못하는 경우에는, 현재의 가중치 분포에 따라 하나의 가보 웨이브렛 특징 들을 더 선택하고, 모든 트레이닝 얼굴 이미지들에 대하여 가중치를 다시 부여한다. 여기에서, FAR(False Acceptance Rate)은 오인식률로서 본인이 아님에도 본인으로 승인되는 것을 말하고, FRR(False Reject Rate)은 본인임에도 거부당하는 인식 오류율을 의미한다.
기존의 부스팅 학습 방법으로는 AdaBoost, GentleBoost, realBoost, KLBoost와 JSBoost 등의 학습 방법이 있다. 부스팅 학습을 이용하여 각각의 서브셋으로부터 상호 보완적인 가보 웨이브렛 특징 들을 선택하는 것은 결과적으로 얼굴 이미지의 인식 효율을 향상시키는 하나의 이유가 된다.
도8은 도2에서 선형 판별 분석을 통해 베이시스 벡터를 계산하는 과정을 설명하는 흐름도이다. 선형 판별 분석 방법은 집단들 사이의 특성 차이를 극대화시켜 줄 수 있는 변수들의 선형결합을 도출하고 이러한 선형결합에 의해 새로운 변수상에 집단들이 어떻게 배열되는지를 살펴보고, 각 변수에 부여된 가중치를 재조정함으로써, 두개 또는 두개 이상의 클래스를 가장 잘 분류할 수 있는 특징들(features)의 조합을 찾는 방법이다. 선형 판별 분석 방법의 예로는 LDA(linear discriminant analysis) 방법과 피셔의 선형 분별(FLD) 방법이 있다. 본 실시예에서는 커널 LDA학습 방식을 이용하여 얼굴을 인식하는 방법에 대하여 설명한다.
410단계에서 커널 센터 선택부(51)는 부스팅 학습 결과에 따라 추출된 모든 트레이닝 얼굴 이미지 각각에 대하여 커널 센터를 랜덤하게 선택한다.
420단계에서 내적부(52)는 가보 웨이브렛 특징셋과 커널 센터와의 내적을 통해 특징 벡터를 추출한다. 내적을 위한 커널 함수는 하기 수학식6으로 표현된다.
[수학식6]
Figure 112006081880892-pat00015
여기에서 x'는 커널 센터 들 중의 하나이고, x는 트레이닝 샘플 중의 하나이다. 각각의 트레이닝 샘플에 대한 새로운 특징 백터의 차원은 대표 샘플들의 차원과 같다.
430단계에서, LDA 학습부(53)는 LDA 학습을 통해 추출된 특징 벡터로부터 LDA 베이시스 벡터를 생성한다.
도9는 도8에서 410 단계를 세부적으로 나타낸 흐름도이다. 도9에 도시된 알고리즘은 연속 포워드 선정 알고리즘(sequential forward selection algorithm)으로서 다음과 같은 단계를 포함한다.
411단계에서 커널 센터 선택부(51)은 1인의 모든 트레이닝 얼굴 이미지로부터 하나의 샘플을 대표적인 샘플(커널 센터)로서 랜덤하게 선택한다.
412단계에서 커널 센터 선택부(51)는 커널 센터가 아닌 나머지 얼굴 이미지로부터 하나의 후보 이미지를 선택하되, 후보와 커널 센터의 최단 거리가 최대가 되도록 하나의 후보가 나머지의 얼굴 이미지로부터 선택한다. 얼굴 이미지 후보의 선택은 하기 수학식7로 표현될 수 있다.
[수학식 7]
Figure 112006081880892-pat00016
여기에서 S는 나머지 샘플들이고, K는 선택된 대표 샘플(kernel centers)이다.
413단계에서, 커널 센터의 개수가 충분한지 여부를 판단한다. 413단계의 판단에 따라 커널 센터의 개수가 충분하지 않다면, 대표 샘플을 하나 더 선택하는 과정을 커널 센터의 개수가 충분할 때까지 411 내지 413단계를 반복한다. 커널 센터의 개수가 충분한지 여부는 인증률(VR : verification ratio)과 소정의 기준치를 비교함으로써 판단할 수 있다. 예를 들어, 1인에 대하여 10개의 커널 센터를 선택하고, 트레이닝 셋에 200명이 있다면 총 2000개 정도의 대표 샘플(커널 센터)이 있는 것이고, 420단계를 통해서 얻어지는 특성 벡터의 차원은 대표 샘플의 차원(2000)과 같게 된다.
도10은 도8에서 430단계를 설명하는 선형 판별 분류 학습 과정에 대한 세부 흐름도이다. 선형 판별 분석(LDA) 방법은 클래스 내의 스캐터(within-class scatter)를 줄이면서 클래스간 스캐터(between-class scatter)를 최대화하는 서브 공간으로 데이터를 선형으로 투영하도록(linear projection)하는 방법이다. 본 단계를 통해 생성되는 LDA 베이시스 벡터는 얼굴 인식의 대상이 되는 집단의 특성을 대표하고, 그 집단의 구성원의 얼굴 인식에 효율적으로 사용될 수 있는 대표값으로서, LDA 베이시스 벡터는 다음과 같은 과정을 통해 계산할 수 있다.
431단계에서, 클래스 내의 분산을 나타내는 스캐터 행렬 Sw 과 클래스 간의 분산을 나타내는 스캐터 행렬 Sb을 새로운 특성 벡터를 가진 모든 트레이닝 샘플들을 이용하여 계산할 수 있으며, 하기 수학식8로 정의된다.
[수학식8]
Figure 112006081880892-pat00017
여기서, 트레이닝 얼굴 이미지 세트가 C개의 클래스로 이루어지고, x를 c번째 클래스(χc)의 성분인 데이터 벡터라 하고, c번째 클래스(χc)가 Mc개의 데이터 벡터로 이루어지는 경우, μc는 c번째 클래스의 평균벡터를 나타내고, μ는 트레이닝 얼굴 이미지 세트 전체의 평균 벡터를 나타낸다.
432단계에서, Sw를 고유 분해(eigen decomposition)하게 되면 고유값 값 행렬(eigen value matrix)인 D 와 고유 벡터 행렬(eigen vector matrix)인 V 를 계산할 수 있으며, 하기 수학식 9와 같이 표현된다.
[수학식9]
Figure 112006081880892-pat00018
433단계에서 클래스간 스캐터 행렬 Sb 로부터 수학식10에 따른 St를 계산할 수 있다.
[수학식10]
Figure 112006081880892-pat00019
434단계에서 St를 고유 분해함으로써 하기 수학식11과 같이 행렬 St로부터 고유 벡터 행렬인 U와 고유 값 행렬 R을 계산할 수 있다.
[수학식11]
Figure 112006081880892-pat00020
434단계에서 수학식12에 따라 베이시스 벡터 P를 계산할 수 있다.
[수학식12]
Figure 112006081880892-pat00021
500단계에서, 가보 웨이브렛 제2특징 추출부(80)는 입력 이미지에 가보 웨이브렛 셋을 적용하여 입력 이미지로부터 가보 웨이브렛 특징 들을 추출한다.
도2에 도시되지는 않았지만, 500단계는 입력 이미지를 획득하고 입력 이미지를 전처리하는 과정을 더 포함한다. 상기 전처리 과정은 이미 설명한 전처리 과정(200, 300단계)와 동일하다. 입력 이미지에 대한 가보 웨이브렛 특징 들은 전처리 과정을 통과한 입력 이미지에 대하여 300단계를 통해 선별된 가보 웨이브렛 특징셋을 적용함으로써 추출할 수 있다.
600단계에서, 얼굴 기술자 생성부(90)는 500단계에서 추출된 가보 웨이브렛 특징 들을 이용한 베이시스벡터(bases vector)와의 프로젝션을 통해 얼굴 기술자를 생성한다.
600단계에서 제2내적부(91)은 500단계에서 추출된 가보 웨이브렛 특징 들과 커널센터 선택부(51)를 통해 선택된 커널 센터의 내적을 통해 새로운 특징 벡터를 생성하고, 프로젝션부(92)는 새로운 특징 벡터를 베이시스 벡터에 투영함으로써 얼굴 기술자를 생성시킨다.
이하에서는 본 발명의 도면과 실시예를 참조하여 본 발명의 얼굴 인식 장치와 인식 방법에 대하여 상세히 설명한다.
도11은 본 발명의 일 실시예에 따른 얼굴 인식 장치(2000)의 블록도이다.
본 실시예의 얼굴 인식 장치(2000)는 트레이닝 얼굴이미지 데이터베이스(2010), 트레이닝 얼굴 이미지 전처리부(2020), 가보 웨이브렛 제1특징 추출부(2030), 선별부(2040), 베이시스 벡터 생성부(2050), 유사도 판단부(2060), 승인부(2070), ID입력부(2100), 입력이미지 획득부(2110), 입력 이미지 전처리부(2120), 입력이미지의 가보웨이브렛 특징 추출부(2130), 입력이미지의 얼굴기술자 생성부(2140), 타겟 이미지 독취부(2210), 타겟 이미지 전처리부(2220), 타겟 이미지의 가보 웨이브렛 특징 추출부(2230) 및 타겟 이미지의 얼굴기술자 생성부(2240)를 포함한다.
도11에 도시된 2010~2050에 기재된 구성요소 들은 도1에 기재된 구성요소에 대응되므로 이하 중복된 설명은 생략한다.
ID 입력부(2100)는 얼굴 인식의 대상(또는 얼굴 검증의 대상)이 되는 사람으로부터 ID 를 수신한다.
입력이미지 획득부(2110)는 디지털 카메라 등의 영상획득수단을 통해 얼굴 인식의 대상이 되는 사람의 얼굴 이미지를 획득한다.
타겟 이미지 독취부(2210)은 ID 입력부(2110)로 부터의 입력 ID에 따른 얼굴 이미지를 트레이닝 얼굴 이미지 데이터베이스로(2010)부터 독취한다.
입력 이미지 전처리부(2120)와 타겟 이미지 전처리부(2220)을 통한 이미지 전처리 과정은 앞서 설명한 바 있다.
입력 이미지의 가보 웨이브렛 특징 추출부(2130)는 입력 이미지에 가보 웨이 브렛 특징셋을 적용하여, 입력 이미지로부터 가보 웨이브렛 특징 들을 추출한다. 가보 웨이브렛 특징셋은 사전의 부스팅 학습을 통해 선별부(2040)에 저장된 것이다.
입력 이미지 내적부(2141)는 입력 이미지에서 추출된 가보 웨이브렛 특징 들과 커널 센터의 내적을 계산하여 입력 이미지의 특징 벡터를 생성한다. 타겟 이미지 내적부(2241)은 타겟 이미지에서 추출된 가보 웨이브렛 특징 들과 커널 센터와의 내적을 통해 타겟 이미지의 특징 벡터를 생성한다. 커널 센터는 커널 센터 선택부(2051)를 통해 사전에 선별된다.
입력 이미지 프로젝션부(2142)는 입력 이미지의 특징 벡터를 베이시스 벡터에 투영하여 입력 이미지의 얼굴 기술자를 생성한다. 타겟 이미지 프로젝션부(2242)는 타겟 이미지의 특징 벡터를 베이시스 벡터에 투영하여 타겟 이미지의 얼굴 기술자를 생성한다. 베이시스 벡터는 LDA학습부(2053)에 의한 사전의 LDA학습을 통해 생성된 것이다.
얼굴 기술자 유사도 판단부(2060)는 입력 이미지 프로젝션부(2142)와 타겟 이미지 프로젝션부(2242)로부터 생성된 입력 이미지와 타겟 이미지의 얼굴 기술자간의 유사도를 판단한다. 유사도는 각각의 얼굴 기술자 간의 코사인 거리를 계산함으로써 판단할 수 있다. 코사인 거리 이외에도 유클리디안 거리(Euclidean distance), 마하라오비스 거리(Mahalanobis distance)가 얼굴 인식을 위해 사용될 수 있다.
승인부(2060)은 얼굴 기술자 유사도 판단부(2050)의 판단 결과 동일인으로 판단된 경우에는 ID를 입력한 사람을 승인처리한다. 만약, 동일인이 아닌 것으로 판단된 경우에는 얼굴 이미지를 다시 촬영하거나 또는 승인거부를 할 수 있다.
도12는 본 발명의 일 실시예에 따른 얼굴 인식 방법을 나타낸 흐름도이다. 본 실시예에 따른 얼굴 인식 방법은 얼굴 인식 장치(2000)에서 시계열적으로 처리되는 다음과 같은 단계들로 구성된다.
1000단계에서 ID입력부(2100)는 얼굴 인식(또는 신원 확인)의 대상이 되는 사람의 ID를 수신한다.
1100단계에서 입력 이미지 획득부(2110)는 얼굴 인식의 대상이 되는 사람의 얼굴 이미지를 획득한다. 1100'단계는 1000단계를 통해 수신된 ID에 따른 얼굴 이미지를 트레이닝 얼굴 이미지 데이터베이스(2010)로부터 독출하는 단계이다.
1200단계에서 입력 이미지의 가보 웨이브렛 특징 추출부(2130)는 입력 얼굴 이미지로부터 가보 웨이브렛 특징 들을 추출하는 단계이다. 1200단계에 앞서, 1100단계를 통해 획득된 얼굴 이미지는 도3에 따른 전처리 프로세스를 더 포함하는 것이 바람직하다. 1200단계에서 입력 이미지의 가보 웨이브렛 특징 추출부(2130)는 전처리된 입력 얼굴 이미지에 선별부를 통해 생성된 확장된 가보 웨이브렛 특징 셋을 가보 필터로서 적용함으로써, 입력 얼굴 이미지의 가보 웨이브렛 특징 들을 추출한다.
1200'단계는 타겟 이미지의 가보 웨이브렛 특징 추출부(2230)는 ID에 따라 선별되고 전처리 과정에 따라 획득한 얼굴 이미지에 상기 가보 웨이브렛 특징 셋을 가보 필터로서 적용함으로써, 타겟 이미지의 가보 웨이브렛 특징 들을 추출한다. 트레이닝 얼굴 이미지 데이터베이스(2010)에 타겟 이미지의 가보 웨이브렛 특징 들이 이미 데이터베이스로서 구축되어 있다면 1200'단계는 불필요하게 된다.
1300단계에서 입력 이미지 내적부(2141)가 입력 이미지의 가보 웨이브렛 특징 들과 커널센터 선택부(2030)를 통해 선택된 커널 센터와의 내적을 통해 입력 이미지의 특징 벡터를 계산한다. 마찬가지로, 1300'단계에서 타겟 이미지 내적부(2241)는 타겟 이미지의 가보 웨이브렛 특징 들과 커널 센터와의 내적을 통해 타겟 이미지 특징 벡터를 계산한다.
1400단계에서 입력 이미지 프로젝션부(2142)는 1300단계를 통해 계산된 입력 이미지의 특징 벡터를 LDA 베이시스 벡터에 투영함으로써 입력 이미지의 얼굴 기술자를 생성한다. 마찬가지로, 타겟 이미지 프로젝션부(2242)는 타겟 이미지의 특징 벡터를 LDA 베이시스 벡터에 투영함으로써 타겟 이미지의 얼굴 기술자를 생성한다.
1500단계에서 코사인 거리 계산부(미도시)는 입력 이미지의 얼굴 기술자와 타겟 이미지의 얼굴 기술자 간의 코사인 거리를 계산한다. 본 단계에서, 두 개의 얼굴 기술자 사이의 거리는 얼굴 인식과 얼굴 검증(face reorganization and face verification)을 위해 계산된다. 코사인 거리 이외에도 유클리디안 거리, 마하라오비스 거리가 얼굴 인식을 위해 사용될 수 있다.
1600단계에서 유사도 판단부(2060)는 1500단계에서 계산된 코사인 거리가 소정의 값보다 작은 경우 동일한 인물로 판단(1700단계)하고, 소정의 값보다 큰 경우 다른 인물로 판단(1800)함으로써 얼굴 인식 과정은 종료된다.
한편, 본 발명은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.
컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현하는 것을 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트 들은 본 발명이 속하는 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.
이제까지 본 발명에 대하여 바람직한 실시예를 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명을 구현할 수 있음을 이해할 것이다. 그러므로 상기 개시된 실시예 들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 한다.
본 발명에 따르면, 얼굴 이미지로부터 추출되는 확장된 거대 가보 웨이브렛 특징 들을 이용하여 얼굴 기술자를 생성하고 이를 얼굴 인식에 활용함으로써, 조명, 표정, 포즈에 따른 얼굴 인식(또는 얼굴 검증)에서의 에러 발생을 억제할 수 있고, 얼굴 인식에 있어서의 인증률을 향상시킬 수 있다. 또한, 본 발명에서는 감독 학습을 통해 거대 가보 웨이브렛 특징 들로부터 일부의 특징만을 선별 함으로써, 확장된 거대 가보 웨이브렛 특징 들에 따라 계산량이 복잡해지는 문제를 방지하는 효과가 있다. 특히, 본 발명에서는 거대 가보 웨이브렛 특징 들에 대한 병렬적인 부스팅 학습에 따라 가보 웨이브렛 특징 들을 선별함으로써, 상호 보완성을 갖는 가보 웨이브렛 특징 들을 선별할 수 있기 때문에 얼굴 인식 효율을 더욱 향상시킬 수 있다.

Claims (25)

  1. (a) 가보 웨이브렛 확장 필터를 트레이닝 얼굴 이미지에 적용하여 트레이닝 얼굴 이미지로부터 가보 웨이브렛 특징 들을 추출하는 단계;
    (b) 상기 추출된 트레이닝 얼굴 이미지의 가보 웨이브렛 특징 들에 대하여 얼굴 이미지 분류를 위한 감독 학습을 수행함으로써 가보 웨이브렛 특징 들을 선별하고, 상기 선별된 가보 웨이브렛 특징 들을 포함하는 가보 웨이브렛 특징 셋을 구축하는 단계;
    (c) 입력 얼굴 이미지에 상기 구축된 가보 웨이브렛 특징 셋을 적용함으로써 상기 입력 얼굴 이미지로부터 가보 웨이브렛 특징 들을 추출하는 단계 및
    (d) 상기 구축된 가보 웨이브렛 특징 셋과 상기 입력 얼굴 이미지로부터 추출된 가보 웨이브렛 특징 들을 이용하여 얼굴 인식을 위한 얼굴 기술자를 생성하는 단계를 포함하는 얼굴 기술자 생성 방법.
  2. 제 1 항에 있어서, 상기 (d) 단계는
    (d1) 상기 구축된 가보 웨이브렛 특징 셋에 대한 선형 판별 분석을 수행함으로써 베이시스 벡터를 생성하는 단계; 및
    (d2) 상기 (c) 단계에서 추출된 입력 얼굴 이미지의 가보 웨이브렛 특징 들과 상기 생성된 베이시스 벡터를 이용하여 얼굴 기술자를 생성하는 단계를 포함하는 얼굴 기술자 생성 방법.
  3. 제 1 항에 있어서, 상기 (b) 단계는
    상기 추출된 트레이닝 얼굴 이미지의 가보 웨이브렛 특징 들을 서브셋 들로 분할하는 단계를 더 포함하고,
    상기 감독 학습을 수행하는 것은 상기 분할된 서브셋 들 각각에 대하여 병렬적으로 부스팅 학습을 수행하는 것임을 특징으로 하는 얼굴 기술자 생성 방법.
  4. 제 1 항에 있어서, 상기 (a)단계는
    (a1) 상기 트레이닝 얼굴 이미지로부터 배경 이미지를 제거하는 단계;
    (a2) 가보 웨이브렛 필터의 파라미터를 확장하여 가보 웨이브렛 확장 필터를 획득하는 단계; 및
    (a3) 상기 (a1)에 따라 배경 이미지가 제거된 트레이닝 얼굴 이미지에 상기 획득된 가보 웨이브렛 확장 필터를 적용함으로써 가보 웨이브렛 특징 들을 추출하는 단계를 포함하는 것을 특징으로 하는 얼굴 기술자 생성 방법.
  5. 제 1 항에 있어서, 상기 가보 웨이브렛 확장 필터는 다음 수학식을 만족하는 것을 특징으로 하는 얼굴 기술자 생성 방법.
    수학식
    Figure 112006081880892-pat00022
    여기에서,
    Figure 112006081880892-pat00023
    는 가보 웨이브렛 함수이고,
    Figure 112006081880892-pat00024
    는
    Figure 112006081880892-pat00025
    이며,
    Figure 112006081880892-pat00026
    는 영상을 이루는 각각의 화소를 나타내는 벡터이고,
    Figure 112006081880892-pat00027
    는
    Figure 112006081880892-pat00028
    이며, kmax는 최대주파수로서 π/2 ~ π이고, f는 공간 성분(spacing factor)이며,
    Figure 112006081880892-pat00029
    는 2πμ/8 이고, μ는 가보 커널의 방위이며, ν는 가보 커널의 스캐일로서 5~10이고, σx와 σy는 각각 x, y축 방향으로의 표준편차로서 서로 다른 값을 갖는다.
  6. 제 4 항에 있어서, 상기 (a1)단계와 (a2)단계 사이에는
    (a11) 가우시안 저역 통과 필터를 이용하여 상기 얼굴 이미지를 필터링하는 단계;
    (a12) 상기 필터링된 얼굴 이미지에서 눈 영역을 찾는 단계;
    (a13) 상기 눈을 기준으로 얼굴 이미지를 정규화시키는 단계; 및
    (a14) 조명의 분산을 제거하기 위하여 조명을 변화시키는 단계를 포함하는 얼굴 기술자 생성 방법.
  7. 제 1 항에 있어서, 상기 (b) 단계는
    (b1) 상기 (a) 단계에서 추출된 확장된 가보 웨이브렛 특징 들을 서브셋으로 분할하는 단계;
    (b2) 상기 분할된 상기 서브셋에 대하여 병렬적인 부스팅 학습을 수행함으로써 FAR(False Accept Rate) 또는 FRR(False Reject Rate)을 소정의 값보다 작게하는 가보 웨이브렛 특징 후보를 선별하는 단계;
    (b3) 상기 각각의 서브셋으로부터 선별된 가보 웨이브렛 특징 후보를 수집하여 가보 웨이브렛 특징 풀을 생성하는 단계; 및
    (b4) 상기 생성된 가보 웨이브렛 특징 풀에 대하여 부스팅 학습을 수행함으로써 FAR 또는 FRR을 소정의 값보다 작게 하는 웨이브렛 특징 들을 선별하고, 상기 선별된 가보 웨이브렛 특징 들을 포함하는 가보 웨이브렛 특징 셋을 구축하는 단계를 포함하는 것을 특징으로 하는 얼굴 기술자 생성 방법.
  8. 제 2 항에 있어서, 상기 (d1) 단계는
    (d11) 상기 구축된 가보 웨이브렛 특징 셋으로부터 커널 센터를 선택하는 단계;
    (d12) 상기 구축된 가보 웨이브렛 특징 셋과 상기 커널 센터와의 내적을 통해 특징 벡터를 생성하는 단계; 및
    (d13) 선형 판별 분석 방법으로써 LDA(Linear Discriminant Analysis) 학습을 상기 (d12) 단계를 통해 추출된 특징 벡터에 대하여 수행함으로써 베이시스 벡터를 생성하는 단계를 포함하는 것을 특징으로 하는 얼굴 기술자 생성 방법.
  9. 제 8 항에 있어서, 상기 (d11) 단계는
    (d111) 상기 가보 웨이브렛 특징 셋 중 하나를 커널 센터로 선택하는 단계;
    (d112) 상기 선택된 커널 센터를 제외한 상태에서 상기 가보 웨이브렛 특징 셋 중 하나를 후보로 선택하되, 상기 커널 센터와 후보 사이의 최단 거리가 최대가 되도록 후보를 선택하는 단계; 및
    (d113) 커널 센터가 충분한지 여부를 판단하는 단계를 포함하고,
    상기 판단 결과에 따라 선택적으로 상기 (d111) 내지 (d113) 단계를 반복하는 단계를 더 포함하는 것을 특징으로 하는 얼굴 기술자 생성 방법.
  10. 제 8 항에 있어서, 상기 (d13) 단계는
    상기 (d12) 단계를 통해 얻어진 특징 벡터에 대하여 클래스간 스캐터 행렬과 클래스내 스캐터 행렬을 계산하는 단계 및 상기 클래스간 스캐터 행렬과 클래스내 스캐터 행렬을 이용하여 LDA 베이시스 벡터를 생성하는 단계인 것을 특징으로 하는 얼굴 기술자 생성 방법.
  11. 제 8 항에 있어서, 상기 (d12) 단계는
    (d121) 상기 (d11) 단계에서 선택된 커널 센터에 상기 (c) 단계에서 추출된 입력 이미지의 가보 웨이브렛 특징 들을 내적하여 입력 이미지의 특징 벡터를 생성하는 단계 및
    (d122) 상기 입력 이미지의 특징 벡터를 상기 베이시스 벡터에 투영하여 얼굴 기술자를 생성하는 단계를 포함하는 특징으로 하는 얼굴 기술자 생성 방법.
  12. 제 1 항에 기재된 방법을 실행할 수 있는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체.
  13. (a) 가보 웨이브렛 확장 필터를 트레이닝 얼굴 이미지에 적용하여 트레이닝 얼굴 이미지로부터 가보 웨이브렛 특징 들을 추출하는 단계;
    (b) 상기 추출된 트레이닝 얼굴 이미지의 가보 웨이브렛 특징 들에 대하여 얼굴 이미지 분류를 위한 감독 학습을 수행함으로써 가보 웨이브렛 특징 들을 선별하고, 상기 선별된 가보 웨이브렛 특징 들을 포함하는 가보 웨이브렛 특징 셋을 구축하는 단계;
    (c) 입력 얼굴 이미지와 타겟 얼굴 이미지에 상기 구축된 가보 웨이브렛 특징 셋을 적용함으로써 상기 입력 얼굴 이미지와 타겟 얼굴 이미지 각각으로부터 가보 웨이브렛 특징 들을 추출하는 단계 ;
    (d) 상기 입력 얼굴 이미지와 타겟 얼굴 이미지로부터 추출된 가보 웨이브렛 특징 들과 상기 (b) 단계에서 구축된 가보 웨이브렛 특징 셋을 이용하여 입력 얼굴 이미지와 타겟 얼굴 이미지의 얼굴 기술자를 각각 생성하는 단계; 및
    (e) 상기 생성된 입력 얼굴 이미지와 타겟 얼굴 이미지의 얼굴 기술자가 소정의 유사도를 갖는지 여부를 판단하는 단계를 포함하는 얼굴 인식 방법.
  14. 제 13 항에 있어서, 상기 (d) 단계는
    (d1) 상기 구축된 가보 웨이브렛 특징 셋에 대한 선형 판별 분석을 수행함으로써 베이시스 벡터를 생성하는 단계;
    (d2) 상기 (c) 단계에서 추출된 입력 얼굴 이미지와 타겟 얼굴 이미지의 가보 웨이브렛 특징 들과 상기 생성된 베이시스 벡터를 이용하여 각각의 얼굴 기술자를 생성하는 단계를 포함하는 얼굴 인식 방법.
  15. 제 13 항에 있어서, 상기 (b) 단계는
    상기 추출된 트레이닝 얼굴 이미지의 가보 웨이브렛 특징 들을 서브셋 들로 분할하는 단계를 더 포함하고,
    상기 감독 학습을 수행하는 것은 상기 분할된 서브셋 들 각각에 대하여 병렬적으로 부스팅 학습을 수행하는 것임을 특징으로 하는 얼굴 인식 방법.
  16. 제 13 항에 있어서,
    상기 가보 웨이브렛 확장 필터는 다음 수학식을 만족하는 것을 특징으로 하는 얼굴 인식 방법.
    수학식
    Figure 112006081880892-pat00030
    여기에서,
    Figure 112006081880892-pat00031
    는 가보 웨이브렛 함수이고,
    Figure 112006081880892-pat00032
    는
    Figure 112006081880892-pat00033
    이며,
    Figure 112006081880892-pat00034
    는 영상을 이루는 각각의 화소 위치를 나타내는 벡터이고,
    Figure 112006081880892-pat00035
    는
    Figure 112006081880892-pat00036
    이며,
    Figure 112006081880892-pat00037
    는 최대 주파수로서 π/2 ~ π이고, f는 공간 성분이며,
    Figure 112006081880892-pat00038
    는 2πμ/8 이고,μ는 가보 커널의 방위이며, ν는 가보 커널의 스캐일로서 5~10이고, σx 와 σy는 각각 x, y축 방향으로의 표준편차로서 서로 다른 값을 갖는다.
  17. 제 13 항에 있어서, 상기 (b) 단계는
    (b1) 상기 (a) 단계에서 추출된 확장된 가보 웨이브렛 특징 들을 서브셋으로 분할하는 단계;
    (b2) 상기 분할된 상기 서브셋에 대하여 병렬적인 부스팅 학습을 수행함으로써 FAR(False Accept Rate) 또는 FRR(False Reject Rate)을 소정의 값보다 작게하는 가보 웨이브렛 특징 후보를 선별하는 단계;
    (b3) 상기 각각의 서브셋으로부터 선별된 가보 웨이브렛 특징 후보를 수집하여 가보 웨이브렛 특징 풀을 생성하는 단계; 및
    (b4) 상기 생성된 가보 웨이브렛 특징 풀에 대하여 부스팅 학습을 수행함으 로써 FAR 또는 FRR을 소정의 값보다 작게 하는 웨이브렛 특징 들을 선별하고, 상기 선별된 가보 웨이브렛 특징 들을 포함하는 가보 웨이브렛 특징 셋을 구축하는 단계를 포함하는 것을 특징으로 하는 얼굴 인식 방법.
  18. 제 14 항에 있어서, 상기 (d1)단계는
    (d11) 상기 가보 웨이브렛 특징 셋으로부터 커널 센터를 선택하는 단계;
    (d12) 상기 가보 웨이브렛 특징 셋과 상기 커널 센터와의 내적을 통해 특징 벡터를 생성하는 단계; 및
    (d13) 상기 선형 판별 분석 방법으로서 LDA(Linear Discriminant Analysis) 학습을 상기 (d12) 단계를 통해 추출된 특징 벡터에 대하여 수행함으로써 베이시스 벡터를 생성하는 단계를 포함하는 것을 특징으로 하는 얼굴 인식 방법.
  19. 제 13 항에 기재된 방법을 실행할 수 있는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체.
  20. 트레이닝 얼굴 이미지에 가보 웨이브렛 확장 필터를 적용하여 트레이닝 얼굴 이미지로부터 확장된 가보 웨이브렛 특징 들을 추출하는 가보 웨이브렛 제 1 특징 추출부;
    상기 가보 웨이브렛 제 1 특징에 대하여 얼굴 이미지 분류를 위한 감독 학습을 수행함으로써 가보 웨이브렛 특징 들을 선별하고, 상기 선별된 가보 웨이브렛 특징 들을 포함하는 가보 웨이브렛 특징 셋을 생성하는 선별부;
    입력 이미지에 상기 가보 웨이브렛 특징 셋을 적용함으로써 입력 이미지로부터 가보 웨이브렛 특징 들을 추출하는 가보 웨이브렛 제 2 특징 추출부; 및
    상기 가보 웨이브렛 제 2 특징 추출부에 의해 추출된 가보 웨이브렛 특징 들을 이용하여 얼굴 기술자를 생성하는 얼굴 기술자 생성부를 포함하는 얼굴 기술자 생성 장치.
  21. 제20항에 있어서,
    상기 생성된 가보 웨이브렛 특징 셋에 대하여 선형판별분석학습을 수행함으로써 베이시스 벡터를 생성하는 베이시스 벡터 생성부를 더 포함하고,
    상기 얼굴 기술자 생성부는 상기 가보 웨이브렛 제 2 특징 추출부에 의해 추출된 가보 웨이브렛 특징 들과 상기 베이시스 벡터를 이용하여 얼굴 기술자를 생성하는 것을 특징으로 하는 얼굴 기술자 생성 장치.
  22. 제 20 항에 있어서, 상기 선별부는
    상기 가보 웨이브렛 제 1 특징 추출부로부터 추출된 가보 웨이브렛 특징 들을 서브 셋으로 분할하는 서브셋 분할부 및
    상기 서브셋으로 분할된 서브셋에 대하여 병렬적인 부스팅 학습을 수행함으로써 상기 가보 웨이브렛 특징 들을 선별하는 학습부를 더 포함하는 것을 특징으로 하는 얼굴 기술자 생성 장치.
  23. 제 21 항에 있어서, 상기 베이시스 벡터 생성부는,
    상기 가보 웨이브렛 특징 셋으로부터 커널 센터를 선택하는 커널 센터 선택부;
    상기 가보 웨이브렛 특징 셋과 상기 커널 센터와의 내적을 통해 제 1 특징 벡터를 생성하는 제 1 내적부; 및
    상기 생성된 제 1 특징 벡터에 대한 선형 판별 분석 학습을 수행하여 베이시스 벡터를 생성하는 선형 판별 분석 학습부를 포함하는 것을 특징으로 하는 얼굴 기술자 생성 장치.
  24. 제 23 항에 있어서,
    상기 커널 센터 선택부에 의해 선택된 커널 센터와, 상기 가보 웨이브렛 제 2 특징 추출부에 의해 추출된 입력 이미지의 가보 웨이브렛 특징 들을 내적하여 입력 이미지의 제 2 특징 벡터를 생성하는 제 2 내적부를 더 포함하고,
    상기 얼굴 기술자 생성부는 제 2 내적부에서 생성된 제 2 특징 벡터를 상기 베이시스 벡터에 투영함으로써 얼굴 기술자를 생성하는 것을 특징으로 하는 얼굴 기술자 생성 장치.
  25. 트레이닝 얼굴 이미지에 가보 웨이브렛 확장 필터를 적용하여 트레이닝 얼굴 이미지로부터 확장된 가보 웨이브렛 특징 들을 추출하는 가보 웨이브렛 특징 추출 부;
    상기 추출된 가보 웨이브렛 특징 들에 대하여 얼굴 이미지 분류를 위한 감독 학습을 수행함으로써 가보 웨이브렛 특징 들을 선별하고, 상기 선별된 가보 웨이브렛 특징 들을 포함하는 가보 웨이브렛 특징 셋을 생성하는 선별부;
    입력 이미지에 상기 생성된 가보 웨이브렛 특징 셋을 적용함으로써 입력 이미지로부터 가보 웨이브렛 특징 들을 추출하는 입력 이미지의 가보 웨이브렛 특징 추출부;
    타겟 이미지에 상기 생성된 가보 웨이브렛 특징 셋을 적용함으로써 타겟 이미지로부터 가보 웨이브렛 특징 들을 추출하는 타겟 이미지의 가보 웨이브렛 특징 추출부;
    상기 입력 이미지의 가보 웨이브렛 특징 들과 타겟 이미지의 가보 웨이브렛 특징 들을 이용하여 각각의 얼굴 기술자를 생성하는 얼굴 기술자 생성부; 및
    상기 생성된 입력 이미지와 타겟 이미지의 얼굴 기술자가 소정의 유사도를 갖는지 여부를 판단하는 유사도 판단부를 포함하는 얼굴 인식 장치.
KR1020060110170A 2006-11-08 2006-11-08 확장된 가보 웨이브렛 특징 들을 이용한 얼굴 인식 방법 및장치 KR100846500B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020060110170A KR100846500B1 (ko) 2006-11-08 2006-11-08 확장된 가보 웨이브렛 특징 들을 이용한 얼굴 인식 방법 및장치
US11/797,886 US20080107311A1 (en) 2006-11-08 2007-05-08 Method and apparatus for face recognition using extended gabor wavelet features
JP2007290085A JP2008123521A (ja) 2006-11-08 2007-11-07 拡張されたガボールウェーブレット特徴を利用したフェース認識方法及び装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020060110170A KR100846500B1 (ko) 2006-11-08 2006-11-08 확장된 가보 웨이브렛 특징 들을 이용한 얼굴 인식 방법 및장치

Publications (2)

Publication Number Publication Date
KR20080041931A KR20080041931A (ko) 2008-05-14
KR100846500B1 true KR100846500B1 (ko) 2008-07-17

Family

ID=39359780

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020060110170A KR100846500B1 (ko) 2006-11-08 2006-11-08 확장된 가보 웨이브렛 특징 들을 이용한 얼굴 인식 방법 및장치

Country Status (3)

Country Link
US (1) US20080107311A1 (ko)
JP (1) JP2008123521A (ko)
KR (1) KR100846500B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160053833A (ko) * 2014-11-05 2016-05-13 모르포 개선된 데이터 비교 방법

Families Citing this family (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8335346B2 (en) * 2007-03-23 2012-12-18 Raytheon Company Identifying whether a candidate object is from an object class
US8270711B2 (en) * 2007-08-10 2012-09-18 Asian Institute Of Technology Method and apparatus for recognition of an object by a machine
KR100932537B1 (ko) * 2007-11-26 2009-12-17 한국전자통신연구원 이미지 필터를 이용한 포렌식 증거 분석 시스템 및 방법
US8442278B2 (en) * 2008-02-28 2013-05-14 Honeywell International Inc. Covariance based face association
US8655079B2 (en) * 2008-03-17 2014-02-18 Raytheon Company Reducing false alarms in identifying whether a candidate image is from an object class
US8098938B1 (en) * 2008-03-17 2012-01-17 Google Inc. Systems and methods for descriptor vector computation
US8442279B2 (en) * 2008-06-27 2013-05-14 Lockheed Martin Corporation Assessing biometric sample quality using wavelets and a boosted classifier
KR101174057B1 (ko) * 2008-12-19 2012-08-16 한국전자통신연구원 인덱스 분석장치와 인덱스 검색장치 및 그 방법
US8406483B2 (en) 2009-06-26 2013-03-26 Microsoft Corporation Boosted face verification
KR101743927B1 (ko) 2010-09-09 2017-06-20 삼성전자주식회사 확장된 곡선형 가버 필터를 이용한 객체 기술자 생성 방법 및 장치
KR101877981B1 (ko) * 2011-12-21 2018-07-12 한국전자통신연구원 가버 특징과 ｓｖｍ 분류기를 이용하여 위변조 얼굴을 인식하기 위한 시스템 및 그 방법
KR101310886B1 (ko) * 2012-08-09 2013-09-25 주식회사 에스원 얼굴 특징량 추출 방법 및 그 장치
US9165180B2 (en) 2012-10-12 2015-10-20 Microsoft Technology Licensing, Llc Illumination sensitive face recognition
CN103268623B (zh) * 2013-06-18 2016-05-18 西安电子科技大学 一种基于频域分析的静态人脸表情合成方法
US9113036B2 (en) * 2013-07-17 2015-08-18 Ebay Inc. Methods, systems, and apparatus for providing video communications
JP6167733B2 (ja) * 2013-07-30 2017-07-26 富士通株式会社 生体特徴ベクトル抽出装置、生体特徴ベクトル抽出方法、および生体特徴ベクトル抽出プログラム
JP6850606B2 (ja) * 2013-12-20 2021-03-31 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 自動超音波ビームステアリング及びニードルアーチファクト抑制
CN103902977B (zh) * 2014-03-31 2017-04-05 华为技术有限公司 基于Gabor二值模式的人脸识别方法及装置
KR102486699B1 (ko) * 2014-12-15 2023-01-11 삼성전자주식회사 영상 인식 방법, 영상 검증 방법, 장치, 및 영상 인식 및 검증에 대한 학습 방법 및 장치
CN104700089A (zh) * 2015-03-24 2015-06-10 江南大学 一种基于Gabor小波和SB2DLPP的人脸识别方法
CN104700018B (zh) * 2015-03-31 2016-09-21 江苏祥和电子科技有限公司 一种用于智能机器人的识别方法
CN104794434B (zh) * 2015-04-02 2017-03-15 南京邮电大学 一种基于Gabor响应域重构的指关节纹识别方法
CN104794444A (zh) * 2015-04-16 2015-07-22 美国掌赢信息科技有限公司 一种即时视频中的表情识别方法和电子设备
JP6624878B2 (ja) * 2015-10-15 2019-12-25 キヤノン株式会社 画像処理装置、画像処理方法、及びプログラム
CN106326827B (zh) * 2015-11-08 2019-05-24 北京巴塔科技有限公司 掌静脉识别系统
US10282595B2 (en) 2016-06-24 2019-05-07 International Business Machines Corporation Facial recognition encode analysis
CN106778563A (zh) * 2016-12-02 2017-05-31 江苏大学 一种基于空间连贯特征的快速任意姿态人脸表情识别方法
KR101993729B1 (ko) * 2017-02-15 2019-06-27 동명대학교산학협력단 다중채널 가버 필터와 중심대칭지역 이진 패턴기반 얼굴인식기술
CN106991385A (zh) * 2017-03-21 2017-07-28 南京航空航天大学 一种基于特征融合的人脸表情识别方法
CN109522865A (zh) * 2018-11-29 2019-03-26 辽宁工业大学 一种基于深度神经网络的特征加权融合人脸识别方法
CN114008663A (zh) * 2019-06-18 2022-02-01 华为技术有限公司 实时视频超分辨率
CN110516544B (zh) * 2019-07-19 2024-04-09 平安科技（深圳）有限公司 基于深度学习的人脸识别方法、装置及计算机可读存储介质
CN111723714B (zh) * 2020-06-10 2023-11-03 上海商汤智能科技有限公司 识别人脸图像真伪的方法、装置及介质
CN113673345B (zh) * 2021-07-20 2024-04-02 中国铁道科学研究院集团有限公司电子计算技术研究所 人脸识别方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000031751A (en) * 1998-11-10 2000-06-05 Korea Electronics Telecomm Method for extracting and indexing multimedia characteristic in multimedia indexing system

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3141004B2 (ja) * 1998-08-31 2001-03-05 インターナショナル・ビジネス・マシーンズ・コーポレ−ション 動画中のオブジェクトを分類する方法
GB0028491D0 (en) * 2000-11-22 2001-01-10 Isis Innovation Detection of features in images
US6917703B1 (en) * 2001-02-28 2005-07-12 Nevengineering, Inc. Method and apparatus for image analysis of a gabor-wavelet transformed image using a neural network
US6826300B2 (en) * 2001-05-31 2004-11-30 George Mason University Feature based classification
US7254257B2 (en) * 2002-03-04 2007-08-07 Samsung Electronics Co., Ltd. Method and apparatus of recognizing face using component-based 2nd-order principal component analysis (PCA)/independent component analysis (ICA)
KR100723406B1 (ko) * 2005-06-20 2007-05-30 삼성전자주식회사 국부이진패턴 구별 방법을 이용한 얼굴 검증 방법 및 장치
KR100745981B1 (ko) * 2006-01-13 2007-08-06 삼성전자주식회사 보상적 특징에 기반한 확장형 얼굴 인식 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000031751A (en) * 1998-11-10 2000-06-05 Korea Electronics Telecomm Method for extracting and indexing multimedia characteristic in multimedia indexing system

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160053833A (ko) * 2014-11-05 2016-05-13 모르포 개선된 데이터 비교 방법
KR102399025B1 (ko) 2014-11-05 2022-05-17 아이데미아 아이덴티티 앤드 시큐리티 프랑스 개선된 데이터 비교 방법

Also Published As

Publication number Publication date
KR20080041931A (ko) 2008-05-14
JP2008123521A (ja) 2008-05-29
US20080107311A1 (en) 2008-05-08

Similar Documents

Publication Publication Date Title
KR100846500B1 (ko) 확장된 가보 웨이브렛 특징 들을 이용한 얼굴 인식 방법 및장치
KR100866792B1 (ko) 확장 국부 이진 패턴을 이용한 얼굴 기술자 생성 방법 및장치와 이를 이용한 얼굴 인식 방법 및 장치
Liau et al. Feature selection for support vector machine-based face-iris multimodal biometric system
KR101743927B1 (ko) 확장된 곡선형 가버 필터를 이용한 객체 기술자 생성 방법 및 장치
Sudha et al. Comparative study of features fusion techniques
Elnasir et al. Proposed scheme for palm vein recognition based on linear discrimination analysis and nearest neighbour classifier
Ramya et al. Certain investigation on iris image recognition using hybrid approach of Fourier transform and Bernstein polynomials
Ammar et al. Evaluation of histograms local features and dimensionality reduction for 3D face verification
Othman et al. A novel approach for occluded ear recognition based on shape context
KR20090005920A (ko) 곡선형 가버 필터를 이용한 객체 기술자 생성 방법 및 장치
Galbally et al. Iris image reconstruction from binary templates
Mukherjee et al. Image gradient based iris recognition for distantly acquired face images using distance classifiers
Veigas et al. Deep learning approach for touchless palmprint recognition based on alexnet and fuzzy support vector machine
Dubovečak et al. Face detection and recognition using raspberry PI computer
Bharathi et al. Discriminative DCT: An efficient and accurate approach for off-line signature verification
Bouridane Imaging for forensics and security
Makinde et al. Enhancing the accuracy of biometric feature extraction fusion using Gabor filter and Mahalanobis distance algorithm
Shubhangi et al. Multi-biometric approaches to face and fingerprint biometrics
Darini et al. Personal authentication using palm-print features–a SURVEY
Kenneth et al. Averaging Dimensionality Reduction and Feature Level Fusion for Post-Processed Morphed Face Image Attack Detection
Hadiprakoso et al. Performance Comparison of Feature Extraction and Machine Learning Classification Algorithms for Face Recognition
Bakshe et al. Hand geometry techniques: a review
Sundaran et al. Biometrie liveness authentication detection
Sai Shreyashi et al. A Study on Multimodal Approach of Face and Iris Modalities in a Biometric System
Zanchettin Face recognition based on global and local features

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
FPAY Annual fee payment

Payment date: 20130627

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20140627

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20150629

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20160629

Year of fee payment: 9

LAPS Lapse due to unpaid annual fee