KR101089847B1 - 얼굴 인식을 위한 ｓｉｆｔ 알고리즘을 이용한 키포인트 매칭 시스템 및 방법 - Google Patents

얼굴 인식을 위한 ｓｉｆｔ 알고리즘을 이용한 키포인트 매칭 시스템 및 방법 Download PDF

Info

Publication number
KR101089847B1
KR101089847B1 KR1020100022447A KR20100022447A KR101089847B1 KR 101089847 B1 KR101089847 B1 KR 101089847B1 KR 1020100022447 A KR1020100022447 A KR 1020100022447A KR 20100022447 A KR20100022447 A KR 20100022447A KR 101089847 B1 KR101089847 B1 KR 101089847B1
Authority
KR
South Korea
Prior art keywords
image data
key point
keypoint
learning image
similarity
Prior art date
Application number
KR1020100022447A
Other languages
English (en)
Other versions
KR20110103223A (ko
Inventor
박혜영
조민국
Original Assignee
경북대학교 산학협력단
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 경북대학교 산학협력단 filed Critical 경북대학교 산학협력단
Priority to KR1020100022447A priority Critical patent/KR101089847B1/ko
Publication of KR20110103223A publication Critical patent/KR20110103223A/ko
Application granted granted Critical
Publication of KR101089847B1 publication Critical patent/KR101089847B1/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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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

Abstract

본 발명은 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템 및 방법에 관한 것으로, 더욱 구체적으로 살펴보면, 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템은 복수 개의 학습이미지데이터와 입력이미지데이터로부터 복수 개의 키포인트를 각각 검출하고, 검출된 키포인트의 특징정보간에 최소거리를 갖는 키포인트를 검출하여, 검출된 키포인트에 클래스를 할당한 후 상기 클래스가 할당된 키포인트에 기초하여 상기 키포인트간 매칭을 수행한다. 이러한 구성에 의해, 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템 및 방법은 학습이미지데이터로부터 획득한 키포인트와 입력이미지데이터로부터 획득한 키포인트 간의 유사도 정의를 통해, 가장 유사도가 높은 키포인트에 클래스를 할당하고, 가장 많은 클래스가 할당된 키포인트에 대하여 유사성이 높다고 판별하여, 상기 키포인트에 클래스를 최종부여한 후, 상기 키포인트 간 매칭을 수행함으로써, 이미지데이터 내 얼굴 인식의 정확성을 높일 수 있다.

Description

얼굴 인식을 위한 ＳＩＦＴ 알고리즘을 이용한 키포인트 매칭 시스템 및 방법 {Keypoint matching system and method using SIFT algorithm for the face recognition}
본 발명은 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템 및 방법에 관한 것으로, 특히 사람의 얼굴을 나타내는 이미지로부터 SIFT 알고리즘을 이용하여 얼굴의 인식 정확성을 높이는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템 및 방법에 관한 것이다.
컴퓨터를 이용한 다양한 기술분야 중에서도 비전(vision)분야는 대상물에 이미지 또는 영상을 분석하여 상기 대상물을 감지하거나 인식하는 기술분야를 말한다. 이러한 비전분야는 최근 들어 로봇기술의 급격한 발전으로 인하여 많이 각광받고 있는 기술분야로서, 일반적으로 SIFT(Scale Invariant Feature Transform)알고리즘을 이용하여 키포인트 간 매칭을 통해 영상 내 포함된 대상물을 감지한다.
이 때, 사용되는 상기 SIFT알고리즘은 대상물이 포함된 영상에 대하여 상기 대상물이 회전하거나, 상기 대상물의 크기가 변화하는 것과 상관없이 상기 대상물의 변화하지 않는 특징을 추출하는 알고리즘이다.
하지만 SIFT 알고리즘은 장애물과 같은 물체 감지(object detection)에 더 적합한 방법으로서, 상기 SIFT 알고리즘을 그대로 얼굴인식에 적용하는 경우, 얼굴인식 시스템 전체의 성능 저하를 야기시키는 문제점이 발생한다.
또한, 종래기술에 따른 얼굴인식 방법은 모두 학습이미지데이터와 입력이미지데이터 사이에 이미지의 비교를 통해서만 유사도를 측정하므로, 상기 이미지에 포함된 얼굴을 인식하는데 있어서, 그 정확성이 떨어지는 문제점이 있다.
상기와 같은 종래 기술의 문제점을 해결하기 위해, 본 발명은 사람의 얼굴을 나타내는 이미지데이터로부터 SIFT 알고리즘을 이용하여 얼굴의 인식 정확성을 높이는 얼굴 인식 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템 및 방법에 관한 것이다.
위와 같은 과제를 해결하기 위한 본 발명의 한 특징에 따른 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템은 복수 개의 학습이미지데이터와 입력이미지데이터로부터 복수 개의 키포인트를 각각 검출하고, 검출된 키포인트의 특징정보간에 최소거리를 갖는 키포인트를 검출하여, 검출된 키포인트에 클래스를 할당한 후 상기 클래스가 할당된 키포인트에 기초하여 상기 키포인트간 매칭을 수행한다.
바람직하게는 사람의 얼굴에 대한 기본 형태가 포함된 학습이미지데이터와 사람의 얼굴에 대한 변형 형태가 포함된 입력이미지데이터를 복수 개 입력받는 입력부; 입력받은 상기 학습이미지데이터와 상기 입력이미지데이터로부터 SIFT(Scale Invariant Feature Transform) 알고리즘을 통해 상기 학습이미지데이터 및 상기 입력이미지데이터 내 복수 개의 키포인트를 획득하는 키포인트획득부; 상기 학습이미지데이터 내 키포인트의 특징정보를 저장하는 키포인트저장부; 상기 키포인트저장부에 저장된 상기 학습이미지데이터 내 키포인트의 특징정보와 상기 입력이미지데이터로부터 획득한 키포인트의 특징정보 간에 유사도를 정의하는 키포인트유사도정의부; 정의된 유사도에 기초하여, 상기 유사도가 가장 높은 특징정보를 갖는 키포인트에 키포인트를 할당 및 최종부여하여 상기 학습이미지데이터와 상기 입력이미지데이터의 키포인트 간의 매칭을 수행하는 제어부; 를 포함하는 것을 특징으로 한다.
특히 상기 학습이미지데이터의 인덱스정보와 상기 입력이미지데이터 내 키포인트의 인덱스정보를 이용하여 상기 학습이미지데이터 내 키포인트의 특징정보를 저장하는 키포인트저장부를 포함할 수 있다.
바람직하게는 상기 학습이미지데이터 내 유사도가 가장 높은 특징정보를 갖는 키포인트에 클래스를 할당하는 클래스할당모듈; 상기 클래스가 가장 많이 할당 부여된 키포인트에 대하여 유사성이 높다고 판별하는 유사성판별모듈; 및 상기 유사성이 높다고 판별한 키포인트에 대하여 클래스를 최종 부여하는 클래스최종부여모듈; 을 포함하는 제어부를 포함할 수 있다.
특히 상기 학습이미지데이터 및 상기 입력이미지데이터를 복수 개의 세부영역으로 분할하고, 상기 키포인트 획득 시, 획득된 키포인트를 포함하는 세부영역의 고유정보인 세부영역정보를 획득하는 세부영역분할모듈;을 더 포함하는 키포인트획득부를 포함할 수 있다.
특히 상기 학습이미지데이터 및 상기 입력이미지데이터를 복수 개의 세부영역으로 분할하고, 상기 키포인트 획득 시, 획득된 키포인트를 포함하는 세부영역의 고유정보인 세부영역정보를 획득하는 세부영역분할모듈;을 더 포함하는 키포인트획득부를 포함할 수 있다.
특히 상기 키포인트저장부에 저장된 상기 학습이미지데이터 내 키포인트와 상기 입력이미지데이터로부터 획득한 키포인트 간의 최소거리값을 기설정된 기준값과 비교하여, 상기 최소거리값이 상기 기준값보다 큰 경우에 상기 키포인트를 삭제하는 키포인트삭제모듈;을 더 포함하는 제어부를 포함할 수 있다.
위와 같은 과제를 해결하기 위한 본 발명의 한 특징에 따른 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법은 사람의 얼굴에 대한 기본 형태가 포함된 학습이미지데이터와 사람의 얼굴에 대한 변형형태가 포함된 입력이미지데이터가 복수 개 입력되는 이미지입력단계; 입력받은 상기 학습이미지데이터와 상기 입력이미지데이터에 대하여 SIFT알고리즘(Scale Invariant Feature Trasnsform)을 통해 상기 학습이미지데이터와 상기 입력이미지데이터 내 복수 개의 키포인트를 획득하는 키포인트획득단계; 상기 학습이미지데이터 내 키포인트의 특징정보를 저장하는 키포인트저장단계; 기저장된 학습이미지데이터 내 키포인트의 특징정보와 상기 입력이미지데이터로부터 획득한 키포인트의 특징정보 간에 유사도를 정의하는 키포인트유사도정의단계; 정의된 유사도에 기초하여, 유사도가 가장 높은 특징정보를 갖는 키포인트에 클래스를 할당하는 클래스할당단계; 상기 클래스가 가장 많이 할당된 키포인트에 대하여 유사성이 높다고 판별하는 유사성판별단계; 상기 유사성이 판별된 키포인트에 대하여 상기 클래스를 최종 부여하는 클래스최종부여단계; 를 포함한다.
바람직하게는 상기 학습이미지데이터의 인덱스정보와 상기 입력이미지데이터 내 키포인트의 인덱스정보를 이용하여 하기의 수학식을 통해
Figure 112010015952951-pat00001
상기 학습이미지데이터 내 키포인트의 특징정보를 저장하는 키포인트저장단계를 포함할 수 있다.
Figure 112011090035003-pat00043
는 상기 복수의 학습이미지데이터에서 획득된 키포인트를 나타내며, i와 j는 학습이미지데이터에서 획득된 키포인트에 부여된 인덱스로서, i는 학습이미지데이터를 의미하는 인덱스이고 j는 해당 학습이미지데이터에서 획득된 키포인트를 의미하는 인덱스임, N은 상기 복수의 학습이미지데이터의 총 개수, Ni는 인덱스 i 가 부여된 학습이미지데이터에서 획득된 키포인트의 총 개수이다.
바람직하게는
상기 키포인트유사도정의단계는
기저장된 상기 학습이미지데이터 내 키포인트의 특징정보와 상기 입력이미지데이터로부터 획득한 키포인트의 특징정보 간에 유사도를 하기의 수학식을 통해
Figure 112010015952951-pat00002
정의하는 키포인트유사도정의단계를 포함할 수 있다. 상기
Figure 112011090035003-pat00003
은, 상기 입력이미지데이터로부터 SIFT 알고리즘을 통해 획득한 키포인트 중
Figure 112011090035003-pat00004
번째 키포인트이고, 상기
Figure 112011090035003-pat00005
은 기저장된 상기 학습이미지데이터 내 키포인트의 집합이며, F()는 키포인트의 특징정보를 반환하는 함수로서
Figure 112011090035003-pat00044
는 상기 입력이미지데이터로부터 획득한 키포인트인
Figure 112011090035003-pat00045
의 특징정보이고,
Figure 112011090035003-pat00046
는 기저장된 학습이미지데이터 내 키포인트인
Figure 112011090035003-pat00047
의 특징정보를 나타낸다. 또한, d(,)는 두 키포인트 간의 거리를 반환하는 함수이다.
바람직하게는 기저장된 상기 학습이미지데이터 내 키포인트 중 유사도가 가장 높은 특징정보를 갖는 k번째 키포인트에 클래스를 하기의 수학식을 통해
Figure 112010015952951-pat00008
할당하는 클래스할당단계를 포함할 수 있다.
Figure 112011090035003-pat00009
는 상기 입력이미지데이터 내 k번째 키포인트이고,
Figure 112011090035003-pat00048
는 Keypoint-pool에 저장되어 있는 학습 데이터에 대한 키포인트이다. 또한, C()는 괄호 속 인자의 클래스를 의미한다.
바람직하게는 상기 클래스가 할당된 키포인트 중 가장 많은 클래스가 할당된 키포인트를 하기의 수학식을 통해 연산하고,
Figure 112010015952951-pat00010
가장 많은 클래스가 할당된 키포인트를 클래스를 상기 입력이미지데이터의 클래스로 결정함으로써, 상기 입력이미지데이터와 상기 학습이미지데이터의 유사성을 높은 것으로 판별하는 유사성판별단계를 포함할 수 있다. δ()는 크로네커 델타(kronecker delta)함수이고, Itest는 상기 입력이미지데이터를 의미하며, Ntest는 상기 입력이미지데이터로부터 획득한 키포인트의 총 개수이다.
특히 상기 키포인트획득단계의 수행 후 상기 키포인트저장단계의 수행 전, 상기 학습이미지데이터와 상기 입력이미지데이터를 복수 개의 세부영역으로 분할하는 세부영역분할단계;를 더 포함할 수 있다.
바람직하게는 상기 학습이미지데이터의 인덱스정보와, 상기 입력이미지데이터 내 키포인트의 인덱스정보 및 상기 입력이미지데이터 내 키포인트가 포함된 세부영역정보를 이용하여 하기의 수학식을 통해
Figure 112010015952951-pat00011
상기 학습이미지데이터 내 키포인트의 특징정보를 저장하는 키포인트저장단계를 포함할 수 있다. i는 상기 학습이미지데이터의 인덱스이고, t는 상기 학습이미지데이터 내 분할된 세부영역의 인덱스이며, j는 인덱스 i를 갖는 학습이미지데이터에서 획득된 키포인트의 인덱스이다.
Figure 112011090035003-pat00049
는, i라는 인덱스를 갖는 학습이미지데이터의 t라는 세부영역에서 검출된 j라는 인덱스의 키포인트를 의미한다. N는 학습이미지데이터의 총 개수이고, T는 학습이미지데이터에서 분할된 세부영역의 총 개수이며, Nit는 i라는 인덱스를 갖는 학습이미지데이터의 t라는 세부영역에서 획득된 키포인트의 총 개수이다.
특히 기저장된 상기 학습이미지데이터 내 키포인트와 상기 입력이미지데이터로부터 획득한 키포인트 간의 최소거리값을 기설정된 기준값과 비교하여, 상기 최소거리값이 상기 기준값보다 큰 경우에 상기 키포인트를 삭제하는 키포인트삭제과정; 을 더 포함하는 유사성판별단계를 포함할 수 있다.
본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템 및 방법은 학습이미지데이터로부터 획득한 키포인트와 입력이미지데이터로부터 획득한 키포인트 간의 유사도 정의를 통해, 가장 유사도가 높은 키포인트에 클래스를 할당하고, 가장 많은 클래스가 할당된 키포인트에 대하여 유사성이 높다고 판별하여, 상기 키포인트에 클래스를 최종부여한 후, 상기 키포인트 간 매칭을 수행함으로써, 이미지데이터 내 얼굴 인식의 정확성을 높일 수 있다.
또한 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템 및 방법은 상기 학습이미지데이터로부터 키포인트 획득 시 획득한 키포인트의 위치정보를 통해, 상기 키포인트가 얼굴의 어느 영역으로부터 검출되었는지 확인할 수 있어, 키포인트의 유사도 정의 시 이미지데이터 내 사람의 얼굴을 보다 효율적으로 인식할 수 있다.
도 1은 본 발명의 한 실시 예에 따른 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템의 블록도이다.
도 2는 본 발명의 한 실시 예에 따른 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템의 클래스 부여 예를 나타낸 도면이다.
도 3은 본 발명의 다른 실시 예에 따른 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법의 순서도이다.
도 4는 본 발명의 또 다른 실시 예에 따른 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법의 순서도이다.
도 5는 본 발명의 또 다른 실시 예에 따른 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법의 순서도이다.
도 6은 본 발명의 또 다른 실시 예에 따른 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법의 순서도이다.
도 7은 본 발명의 키포인트 매칭 방법을 적용한 학습이미지데이터와 입력이미지데이터의 예를 나타낸 도면이다.
도 8은 다양한 종류의 상기 학습이미지데이터와 입력이미지데이터의 예를 나타낸 도면이다.
도 9는 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법을 적용한 실험결과를 나타낸 도면이다.
이하, 본 발명을 바람직한 실시 예와 첨부한 도면을 참고로 하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 여기에서 설명하는 실시 예에 한정되는 것은 아니다.
이하, 도 1을 참조하여 본 발명의 한 실시 예에 따른 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템을 구체적으로 살펴본다. 도 1은 본 발명의 한 실시 예에 따른 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템의 블록도이다.
도 1에 도시된 바와 같이, 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템(100)은 상기 복수 개의 학습이미지데이터와 입력이미지데이터로부터 복수 개의 키포인트를 각각 검출하고, 검출된 키포인트의 특징정보간에 최소거리를 갖는 키포인트를 검출하여, 검출된 키포인트에 클래스를 부여한 후 상기 클래스가 부여된 키포인트에 기초하여 이미지데이터 내 사람의 얼굴을 인식한다.
이러한 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템(100)은 입력부(110), 키포인트획득부(130), 키포인트저장부(150), 키포인트유사도정의부(170) 및 제어부(190)를 포함한다.
입력부(110)는 사람의 얼굴에 대하여 눈, 코, 입 등에 대한 기본 형태가 포함된 학습이미지데이터 및 사람의 얼굴에 대하여 눈, 코, 입 등 부분에 대한 변형형태가 포함된 입력이미지데이터를 복수 개 입력 받는다. 이러한 상기 학습이미지데이터는 사람의 얼굴을 표현하는 눈, 코, 입, 귀 등에 대하여 안경, 마스크, 스카프 등을 착용하지 않는 기본형태의 눈, 코, 입, 귀 등이 포함된 이미지를 말한다, 또한, 상기 입력이미지데이터는 상기 학습이미지데이터와 달리, 사람의 얼굴을 표현하는 눈, 코, 입, 귀 등을 안경, 선글라스, 마스크, 스카프, 모자 등을 이용하여 일정부분 이상 가린 상태에서 촬영된 이미지데이터를 말한다.
키포인트획득부(130)는 상기 입력부(110)를 통해 입력받은 상기 학습이미지데이터와 상기 입력이미지데이터로부터 SIFT(Scale Invariant Feature Transform) 알고리즘을 통해 상기 학습이미지데이터 및 상기 입력이미지데이터로부터 복수 개의 키포인트를 획득한다. 이 때, 사용되는 SIFT알고리즘은 컴퓨터의 비전분야에서 널리 사용되는 알고리즘이므로, 자세한 설명은 생략하기로 한다.
더불어, 이러한 키포인트획득부(130)는 상기 학습이미지데이터 및 상기 입력이미지데이터에 대하여 상기 학습이미지데이터 및 상기 입력이미지데이터에 포함된 얼굴에 눈, 코, 입, 귀 등을 기준으로 복수 개의 세부영역으로 분할하고, 키포인트 획득 시, 상기 키포인트가 획득된 세부영역의 고유정보인 세부영역정보를 획득한다.
예를 들어, 상기 학습이미지데이터와 상기 입력이미지데이터에 대하여 상기 이미지에 포함된 눈, 코, 입, 귀를 기준으로 복수 개의 세부영역으로 각각 분할하고, 분할된 세부영역에 대하여, 눈을 포함하여 분할된 세부영역에 '1번'의 고유정보를 할당하고, 코를 포함하여 분할된 세부영역에 '2번'의 고유정보를 할당하며, 이하 입과 귀를 포함하여 분할된 세부영역에 각각 '3번'과 '4번'의 고유정보를 할당한다.
이에 따라, 상기 키포인트획득부(130)에서 획득한 키포인트가 이미지 내 분할된 세부영역 중 어느 세부영역에서 획득되었는지 확인된다.
키포인트저장부(150)는 상기 키포인트획득부(130)에서 획득한 복수의 학습이미지데이터 내 키포인트를 하기의 수학식 1과 같이 저장한다.
[수학식 1]
Figure 112010015952951-pat00012
상기 수학식 1에서
Figure 112011090035003-pat00050
는 학습이미지데이터에서 획득된 키포인트를 나타내며, i와 j는 학습이미지데이터에서 획득된 키포인트에 부여된 인덱스로서 i는 학습이미지데이터를 의미하는 인덱스이고 j는 해당 학습이미지데이터에서 획득된 키포인트를 의미하는 인덱스이다. 즉,
Figure 112011090035003-pat00051
는, 복수의 학습이미지데이터 중 i 번째 학습이미지데이터에서 획득된 j 번째 키포인트로 이해될 수 있다. 따라서, N은 학습이미지데이터의 총 개수를 의미하고, Ni는 i 번째 학습이미지데이터에서 획득된 키포인트의 총 개수를 의미한다.
키포인트유사도정의부(170)는 상기 키포인트저장부(150)에 저장된 학습이미지데이터 내 키포인트의 특징정보와 상기 입력이미지데이터로부터 획득한 키포인트의 특징정보 간에 유사도를 하기의 수학식 2를 이용하여 정의한다.
[수학식 2]
Figure 112011090035003-pat00013

상기 수학식 2에서
Figure 112011090035003-pat00052
는 test라는 인덱스를 갖는 입력이미지데이터의 k번째 키포인트를 의미하며, d(,)는 두 인자간의 거리를 반환하는 함수이고, F()는 키포인트의 특징정보(descriptor)를 반환하는 함수이다.
이러한 키포인트유사도정의부(170)는 상기 학습이미지데이터 내 키포인트와 상기 입력이미지데이터 내 키포인트 간의 거리를 연산하여, 가장 가까운 거리를 갖는 키포인트에 대하여, 가장 유사한 특징정보를 갖는다고 판단하여 가장 높은 유사도를 정의한다.
제어부(190)는 상기 키포인트유사도정의부(170)로부터 정의된 유사도에 기초하여, 가장 높은 유사도가 정의된 키포인트에 클래스를 할당하고, 상기 클래스가 가장 많이 할당된 키포인트의 유사성을 판별하여 상기 키포인트에 클래스를 최종부여한 후, 키포인트 매칭을 수행한다.
이하, 도 2를 이용하여 본 발명의 얼굴 인식 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템의 제어부에서의 클래스를 부여하는 예에 대하여 자세히 살펴보도록 한다.
도 2는 본 발명의 한 실시 예에 따른 얼굴 인식 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템 중 제어부의 클래스 부여 예를 나타낸 도면이다.
도 2에 도시된 바와 같이, 제어부(190)는 복수 개의 학습이미지데이터로부터 획득된 복수 개의 키포인트들과 입력이미지데이터에서 획득된 복수 개의 키 포인트들 사이에 유사도를 판별함으로써, 상기 입력이미지데이터에 나타난 얼굴을 인식하여 판별한다.
따라서 이러한 제어부(190)는 클래스할당모듈(191), 유사성판별모듈(193), 클래스최종부여모듈(195) 및 키포인트삭제모듈(197)을 포함한다.
클래스할당모듈(191)은 상기 입력이미지데이터로부터 획득한 복수 개의 키포인트들과 및 복수 개의 상기 학습이미지데이터로부터 획득한 복수 개의 키포인트들을 이용하여, 상기 입력이미지데이터로부터 획득한 복수 개의 키포인트에 하기의 수학식 3을 이용하여 클래스를 할당한다.
[수학식 3]
Figure 112011090035003-pat00014

상기 수학식 3에서, C( )는 해당 인자의 클래스를 의미한다. 따라서 상기 수학식 3은 우변의 C( ) 함수 인자의 클래스를 좌변의 C( ) 함수 인자의 클래스로 할당하는 것을 의미한다. 즉,
Figure 112011090035003-pat00053
의 클래스를
Figure 112011090035003-pat00054
의 특징정보와 전체 학습이미지데이터에서 획득한 키포인트의 특징정보와 거리 비교를 통해 가장 가까운(유사한) 특징정보에 해당하는 키포인트의 클래스로 할당하는 것이다.
유사성판별모듈(193)은 상기 클래스가 할당된 입력이미지데이터의 키포인트 중 가장 많은 클래스가 할당된 키포인트에 대하여 하기의 수학식 4를 통해 상기 학습이미지데이터와 상기 입력이미지데이터 간에 유사성이 높다고 판별한다.
[수학식 4]
Figure 112011090035003-pat00015

상기 수학식 4에서, Itest는 test라는 인덱스를 갖는 입력이미지데이터를 의미하고, Ntest는 test라는 인덱스를 갖는 입력이미지데이터에서 획득된 키포인트의 총 개수를 의미한다. 즉, 수학식 4에 의하면, 상기 클래스가 할당된 입력이미지데이터의 키포인트 중 가장 많은 클래스가 할당된 키포인트의 클래스를 해당 입력이미지데이터의 클래스로 결정하게 된다.
상기 수학식 4에 따르면, 가장 많은 개수의 클래스가 할당된 키포인트의 클래스를 입력이미지데이터의 클래스로 결정함으로써, 입력이미지데이터와 학습이미지데이터의 유사성 판별이 이루어진다.
클래스최종부여모듈(195)은 상기 유사성판별모듈(193)이 유사성이 높다고 판단한 키포인트에 상기 클래스를 최종부여한다.
키포인트매칭모듈(197)은 상기 학습이지미데이터와 상기 입력이미지데이터로부터 획득된 키포인트 중 클래스가 최종부여된 키포인트 간에 매칭을 수행한다.
키포인트삭제모듈(199)은 상기 키포인트저장부(150)에 저장된 상기 학습이미지데이터 내 키포인트와 상기 입력이미지데이터로부터 획득한 키포인트 간의 최소거리값을 기설정된 기준값과 비교하여, 상기 최소거리값이 상기 기준값보다 큰 경우에 해당하는 키포인트를 삭제한다. 따라서, 유사도 판별에 기준이 되는 키포인트의 정확성을 높인다.
이하, 도 3 내지 도 6을 참조하여 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법에 대하여 자세히 살펴보도록 한다. 도 3은 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법의 순서도이고, 도 4 내지 도 6은 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법 중 제 1실시 예 내지 제3실시 예의 순서도이다.
제1실시예
사람의 얼굴형태가 포함된 복수 개의 학습이미지데이터와 입력이미지데이터를 입력받는다(S210).
사람의 얼굴에 대하여 눈, 코, 입, 귀 등에 대한 기본 형태가 포함된 학습이미지데이터 및 사람의 얼굴에 대하여 눈, 코, 입, 귀 등 부분에 대한 변형형태가 포함된 입력이미지데이터를 복수 개 입력 받는다. 이러한 상기 학습이미지데이터는 사람의 얼굴을 표현하는 눈, 코, 입, 귀 등에 대하여 안경, 마스크, 스카프 등을 착용하지 않는 기본형태의 눈, 코, 입, 귀 등이 포함된 이미지를 말한다, 또한, 상기 입력이미지데이터는 상기 학습이미지데이터와 달리, 사람의 얼굴을 표현하는 눈, 코, 입, 귀 등을 안경, 선글라스, 마스크, 스카프, 모자를 이용하여 일정부분 이상 가린 상태에서 촬영된 이미지를 말한다.
이와 같이, 입력받는 상기 학습이미지데이터와 상기 입력이미지데이터의 각각에 대하여 SIFT알고리즘을 통해 복수 개의 키포인트를 획득한다(S220).
상기 학습이미지데이터로부터 획득한 키포인트를 저장한다(S230). 복수 개의 상기 학습이미지데이터를 수학식 1을 통해 인덱스화 하여 저장한다.
[수학식 1]
Figure 112010015952951-pat00016
이 때, 상기 i는 상기 학습이미지데이터의 인덱스를 나타내고, j는 i라는 인덱스를 갖는 학습이미지데이터에서 획득된 키포인트의 인덱스이다. 즉,
Figure 112011090035003-pat00055
는 i라는 인덱스를 갖는 학습이미지데이터에서 획득된 j라는 인덱스의 키포인트를 나타낸다.
기저장된 상기 학습이미지데이터 내 키포인트의 특징정보와, 상기 입력이미지데이터 내 키포인트의 특징정보 간에 유사도를 정의한다(S240).
상기 수학식 1을 통해 저장된 상기 학습이미지데이터 내 키포인트의 특징정보를 이용하여 상기 학습이미지데이터 내 키포인트와 상기 입력이미지데이터 내 키포인트 간의 거리를 하기의 수학식 2를 통해 연산하고, 가장 가까운 거리를 갖는 키포인트에 대하여, 가장 유사한 특징정보를 갖는다고 판단하여, 가장 높은 유사도를 정의한다.
[수학식 2]
Figure 112010015952951-pat00017
이 때, 상기
Figure 112011090035003-pat00056
는, test라는 인덱스를 갖는 입력이미지데이터로부터 SIFT 알고리즘을 통해 획득한 복수 개의 키포인트 중 k번째 키포인트를 나타낸다. 또한, d(,)는 두 인자간의 거리를 반환하는 함수이고, F()는 키포인트의 특징정보(descriptor)를 반환하는 함수이다. 따라서,
Figure 112011090035003-pat00057
은 상기 입력이미지데이터로부터 획득한 키포인트의 특징정보이고,
Figure 112011090035003-pat00058
은 기저장된 학습이미지데이터 내 키포인트의 특징정보를 나타낸다.
가장 높은 유사도가 정의된 특징정보를 갖는 입력이미지데이터의 키포인트에 클래스를 할당한다(S250). 앞서 수학식 2를 통해 가장 높은 유사도가 정의된 키포인트에 대하여 클래스를 하기의 수학식 3을 이용하여 할당한다.
[수학식 3]
Figure 112010015952951-pat00018
상기 수학식 3에서, C( )는 해당 인자의 클래스를 의미한다. 상기 수학식 3에 의하면, 입력이미지데이터의 키포인트에 할당되는 클래스는 학습이미지데이터의 키포인트 중 가장 거리가 짧은 학습이미지데이터의 키포인트가 속한 학습이미지데이터의 클래스가 된다.
이와 같이, 상기 수학식 3을 통해 클래스가 할당된 키포인트 중 가장 많은 클래스가 할당된 키포인트를 하기의 수학식 4를 통해 연산하여 검출함으로써, 상기 학습이미지데이터와 상기 입력이미지데이터가 유사하다고 판별한다(S260).
[수학식 4]
Figure 112010015952951-pat00019
이 때, δ()는 크로네커 델타(kronecker delta)함수이고, Ntest는 상기 입력이미지데이터로부터 획득한 키포인트의 총 개수이다. 또한, Itest는 test라는 인덱스를 갖는 입력이미지데이터를 의미한다.
상기 수학식 4에 따르면, 가장 많은 개수의 클래스가 할당된 키포인트의 클래스를 입력이미지데이터의 클래스로 결정함으로써, 입력이미지데이터와 학습이미지데이터의 유사성 판별이 이루어진다(S260).
이 후, 상기 유사성이 판별된 키포인트에 클래스를 최종 부여하여 이미지데이터 내 얼굴을 인식한다(S270).
제2실시예
이하, 도 5를 참조하여, 본 발명의 키포인트 매칭 방법 중 제2실시예에 대하여 설명하기로 한다. 상기 제2실시예는 앞서 도 4를 통해 설명한 제1실시예의 키포인트 매칭 방법과 유사하며, 이하에서는 상기 제1실시예 부분과 다른 부분에 대해서만 기재하기로 한다.
도 5에 도시된 바와 같이, 얼굴이 포함된 학습이미지데이터와 입력이미지데이터에 대하여 눈, 코, 입 부분을 중심으로 복수 개의 세부영역을 분할한다. 이와 같이 세부영역이 분할된 학습이미지데이터로부터 SIFT알고리즘을 통해 복수 개의 키포인트를 획득하고, 획득한 키포인트가 상기 학습이미지데이터 내 어느 세부영역으로부터 획득되었는지 확인할 수 있도록 각각의 세부영역에 대한 고유정보인 세부영역정보를 상기 키포인트와 함께 하기의 수학식 5를 이용하여 저장한다.
[수학식 5]
Figure 112010015952951-pat00020
상기 수학식 5에서, i는 상기 학습이미지데이터의 인덱스정보를 나타내고, t는 상기 학습이미지데이터 내 분할된 세부영역정보를 나타내며, j는 학습이미지데이터로부터 상기 SIFT알고리즘을 통해 획득한 키포인트의 인덱스정보를 나타낸다. 따라서,
Figure 112011090035003-pat00059
는, i라는 인덱스를 갖는 학습이미지데이터의 t라는 세부영역에서 검출된 j라는 인덱스의 키포인트를 의미한다. 또한, N는 학습이미지데이터의 총 개수이고, T는 학습이미지데이터에서 분할된 세부영역의 총 개수이며, Nit는 i라는 인덱스를 갖는 학습이미지데이터의 t라는 세부영역에서 획득된 키포인트의 총 개수이다.
이에 따라, 상기 학습이미지데이터 내 동일한 세부영역정보를 갖는 키포인트 중 가장 유사한 특징정보를 갖는 키포인트에 대하여 가장 높은 유사도를 정의하고, 이 때의 키포인트에 클래스를 할당한다.
상기 클래스가 가장 많이 할당된 키포인트에 대하여 유사성이 높다고 판별하여 클래스를 최종부여하고, 최종부여된 클래스를 갖는 키포인트간 매칭을 수행한다.
제3실시예
이하, 도 6을 참조하여, 본 발명의 키포인트 매칭 방법 중 제3실시예에 대하여 설명하기로 한다. 상기 제3실시예는 앞서 도 5를 통해 설명한 제2실시예와 유사하며, 이하에서는 상기 제2실시예와 다른 부분에 대해서만 설명하기로 한다.
얼굴이 포함된 학습이미지데이터에 대하여 SIFT알고리즘을 통해 키포인트를 획득하고, 상기 학습이미지데이터를 눈, 코, 입, 귀 등을 중심으로 복수 개의 세부영역으로 분할하고, 획득한 키포인트와 상기 키포인트가 획득된 세부영역의 고유정보인 세부영역정보를 함께 저장한 후, 유사도정의를 통해 클래스를 상기 키포인트에 할당한다.
이 후, 도 7에 도시된 바와 같이, 상기 입력이미지데이터(좌) 내 키포인트(흰색 픽셀부분)와 상기 학습이미지데이터(우)으로부터 획득한 키포인트(흰색 픽셀부분) 간에 최소거리값을 측정하고, 측정한 최소거리값을 기설정된 기준값과 비교한다. 이 때, 상기 최소거리값이 상기 기설정된 기준값보다 큰 경우에는 해당 키포인트는 이미지 내 얼굴인식을 위해 필요하지 않는 키포인트로 판단하여, 해당 키포인트를 유사성 판별 시 고려하지 않도록 삭제한다.
따라서, 이미지 내 얼굴 인식을 위해 사용되는 복수 개의 키포인트에 있어서, 얼굴인식과 상관없는 모자, 스카프 등에 의해 가려지는 비유용한 키포인트를 클래스를 부여하는 키포인트로부터 제외시킴으로써, 얼굴인식의 정확성을 높일 수 있다.
또한 도 8에 도시된 바와 같이, 본 발명에 사용되는 학습이미지데이터 및 입력이미지데이터는 얼굴의 다양한 표정변화를 포함하거나 선글라스 및 스카프 착용의 유무 등을 포함하여, 다양한 입력이미지데이터로부터 유사성여부를 판별할 수 있다.
도 9는 종래기술과 본 발명의 다양한 실시예를 이용하여 학습이미지데이터와 입력이미지데이터간에 유사성을 판별하는 실험결과를 나타낸 도표이다.
도 9에 도시된 바와 같이, 종래기술을 이용한 실험결과인 학습이미지데이터와 테스트이미지영산 간에 유사성판별 확률(75%, 64%)보다 본 발명의 제1실시예와 제2실시예 및 제3실시예의 유사성판별확률이 실험 1과 실험 2에서 모두 현저히 높은 것을 알 수 있다.
본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템 및 방법은 학습이미지데이터로부터 획득한 키포인트와 입력이미지데이터로부터 획득한 키포인트 간의 유사도 정의를 통해, 가장 유사도가 높은 키포인트에 클래스를 할당하고, 가장 많은 클래스가 할당된 키포인트에 대하여 유사성이 높다고 판별하여, 상기 키포인트에 클래스를 최종부여한 후, 상기 키포인트 간 매칭을 수행함으로써, 이미지데이터 내 얼굴 인식의 정확성을 높일 수 있다.
또한 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템 및 방법은 상기 학습이미지데이터로부터 키포인트 획득 시 획득한 키포인트의 위치정보를 통해, 상기 키포인트가 얼굴의 어느 영역으로부터 검출되었는지 확인할 수 있어, 키포인트의 유사도 정의 시 이미지데이터 내 사람의 얼굴을 보다 효율적으로 인식할 수 있다.
상기에서는 본 발명의 바람직한 실시 예에 대하여 설명하였지만, 본 발명은 이에 한정되는 것이 아니고 본 발명의 기술 사상 범위 내에서 여러 가지로 변형하여 실시하는 것이 가능하고 이 또한 첨부된 특허청구범위에 속하는 것은 당연하다.
110: 입력부 130: 키포인트획득부
150: 키포인트저장부 170: 키포인트유사도정의부
190: 제어부

Claims (15)

  1. 삭제
  2. 사람의 얼굴에 대한 기본 형태가 포함된 복수의 학습이미지데이터와 사람의 얼굴에 대한 변형 형태가 포함된 입력이미지데이터를 복수 개 입력받는 입력부;
    입력받은 상기 복수의 학습이미지데이터와 상기 입력이미지데이터로부터 SIFT(Scale Invariant Feature Transform) 알고리즘을 통해 상기 학습이미지데이터 및 상기 입력이미지데이터 내 복수 개의 키포인트를 획득하는 키포인트획득부;
    상기 복수의 학습이미지데이터 내 키포인트를 저장하는 키포인트저장부;
    상기 키포인트저장부에 저장된 상기 학습이미지데이터 내 키포인트의 특징정보와 상기 입력이미지데이터로부터 획득한 키포인트의 특징정보 간에 유사도를 정의하는 키포인트유사도정의부;
    정의된 유사도에 기초하여, 상기 유사도가 가장 높은 특징정보를 갖는 키포인트에 키포인트를 할당 및 최종부여하여 상기 학습이미지데이터와 상기 입력이미지데이터의 키포인트 간의 매칭을 수행하는 제어부;
    를 포함하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템.
  3. 제2항에 있어서,
    상기 키포인트저장부는
    상기 학습이미지데이터의 인덱스정보와 상기 입력이미지데이터 내 키포인트의 인덱스정보를 이용하여 상기 학습이미지데이터 내 키포인트의 특징정보를 저장하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템.
  4. 제3항에 있어서,
    상기 제어부는
    상기 학습이미지데이터 내 유사도가 가장 높은 특징정보를 갖는 키포인트에 클래스를 할당하는 클래스할당모듈;
    상기 클래스가 가장 많이 할당 부여된 키포인트에 대하여 유사성이 높다고 판별하는 유사성판별모듈;
    상기 유사성이 높다고 판별한 키포인트에 대하여 클래스를 최종 부여하는 클래스최종부여모듈;
    을 포함하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템.
  5. 제2항에 있어서,
    상기 키포인트획득부는
    상기 학습이미지데이터 및 상기 입력이미지데이터를 복수 개의 세부영역으로 분할하고, 상기 키포인트 획득 시, 획득된 키포인트를 포함하는 세부영역의 고유정보인 세부영역정보를 획득하는 세부영역분할모듈;
    을 더 포함하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템.
  6. 제5항에 있어서,
    상기 키포인트저장부는
    상기 학습이미지데이터 내 복수 개의 키포인트에 대한 인덱스정보와 특징정보 및 상기 키포인트를 포함하는 세부영역정보를 저장하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템.
  7. 제6항에 있어서,
    상기 제어부는
    상기 키포인트저장부에 저장된 상기 학습이미지데이터 내 키포인트와 상기 입력이미지데이터로부터 획득한 키포인트 간의 최소거리값을 기설정된 기준값과 비교하여, 상기 최소거리값이 상기 기준값보다 큰 경우에 상기 키포인트를 삭제하는 키포인트삭제모듈;
    을 더 포함하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템.
  8. 사람의 얼굴에 대한 기본 형태가 포함된 학습이미지데이터와 사람의 얼굴에 대한 변형형태가 포함된 입력이미지데이터가 복수 개 입력되는 이미지입력단계;
    입력받은 상기 학습이미지데이터와 상기 입력이미지데이터에 대하여 SIFT알고리즘(Scale Invariant Feature Trasnsform)을 통해 상기 학습이미지데이터와 상기 입력이미지데이터 내 복수 개의 키포인트를 획득하는 키포인트획득단계;
    상기 학습이미지데이터 내 키포인트의 특징정보를 저장하는 키포인트저장단계;
    기저장된 학습이미지데이터 내 키포인트의 특징정보와 상기 입력이미지데이터로부터 획득한 키포인트의 특징정보 간에 유사도를 정의하는 키포인트유사도정의단계;
    정의된 유사도에 기초하여, 유사도가 가장 높은 특징정보를 갖는 키포인트에 클래스를 할당하는 클래스할당단계;
    상기 클래스가 가장 많이 할당된 키포인트에 대하여 유사성이 높다고 판별하는 유사성판별단계;
    상기 유사성이 판별된 키포인트에 대하여 상기 클래스를 최종 부여하는 클래스최종부여단계;
    를 포함하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법.
  9. 제8항에 있어서,
    상기 키포인트저장단계는
    상기 학습이미지데이터의 인덱스정보와 상기 입력이미지데이터 내 키포인트의 인덱스정보를 이용하여 하기의 수학식을 통해
    Figure 112011090035003-pat00021

    상기 학습이미지데이터 내 키포인트의 특징정보를 저장하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법.
    (
    Figure 112011090035003-pat00060
    는 상기 복수의 학습이미지데이터에서 획득된 키포인트를 나타내며, i와 j는 학습이미지데이터에서 획득된 키포인트에 부여된 인덱스로서, i는 학습이미지데이터를 의미하는 인덱스이고 j는 해당 학습이미지데이터에서 획득된 키포인트를 의미하는 인덱스임, N은 상기 복수의 학습이미지데이터의 총 개수, Ni는 인덱스 i 가 부여된 학습이미지데이터에서 획득된 키포인트의 총 개수임)
  10. 제9항에 있어서,
    상기 키포인트유사도정의단계는
    기저장된 상기 학습이미지데이터 내 키포인트의 특징정보와 상기 입력이미지데이터로부터 획득한 키포인트의 특징정보 간에 유사도를 하기의 수학식을 통해
    Figure 112011090035003-pat00022

    정의하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법.
    (상기
    Figure 112011090035003-pat00061
    는, 상기 입력이미지데이터로부터 SIFT 알고리즘을 통해 획득한 키포인트 중
    Figure 112011090035003-pat00062
    번째 키포인트이고, 상기
    Figure 112011090035003-pat00063
    은 기저장된 상기 학습이미지데이터 내 키포인트의 집합이며, F()는 키포인트의 특징정보를 반환하는 함수로서
    Figure 112011090035003-pat00064
    는 상기 입력이미지데이터로부터 획득한 키포인트인
    Figure 112011090035003-pat00065
    의 특징정보이고,
    Figure 112011090035003-pat00066
    는 기저장된 학습이미지데이터 내 키포인트인
    Figure 112011090035003-pat00067
    의 특징정보를 나타내며, d(,)는 두 키포인트 간의 거리를 반환하는 함수임)
  11. 제10항에 있어서,
    상기 클래스할당단계는
    하기의 수학식을 통해
    Figure 112011090035003-pat00028

    기저장된 상기 학습이미지데이터 내 키포인트 중 유사도가 가장 높은 특징정보를 갖는 키포인트를 상기 입력이미지데이터의 k번째 키포인트에 대한 클래스로 할당하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법.
    (C( )는 해당 인자의 클래스를 의미함)
  12. 제11항에 있어서,
    상기 유사성판별단계는
    상기 클래스가 할당된 키포인트 중 가장 많은 클래스가 할당된 키포인트를 하기의 수학식을 통해 연산하고,
    Figure 112011090035003-pat00032

    가장 많은 클래스가 할당된 키포인트를 클래스를 상기 입력이미지데이터의 클래스로 결정함으로써, 상기 입력이미지데이터와 상기 학습이미지데이터의 유사성을 높은 것으로 판별하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법.
    (δ()는 크로네커 델타(kronecker delta)함수이고, Itest는 상기 입력이미지데이터를 의미하며, Ntest는 상기 입력이미지데이터로부터 획득한 키포인트의 총 개수이다.)
  13. 제8항에 있어서,
    상기 키포인트획득단계의 수행 후 상기 키포인트저장단계의 수행 전,
    상기 학습이미지데이터와 상기 입력이미지데이터를 복수 개의 세부영역으로 분할하는 세부영역분할단계;
    를 더 포함하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법.
  14. 제13항에 있어서,
    상기 키포인트저장단계는
    상기 학습이미지데이터의 인덱스정보와, 상기 입력이미지데이터 내 키포인트의 인덱스정보 및 상기 입력이미지데이터 내 키포인트가 포함된 세부영역정보를 이용하여 하기의 수학식을 통해
    Figure 112011090035003-pat00033

    상기 학습이미지데이터 내 키포인트의 특징정보를 저장하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법.
    (i는 상기 학습이미지데이터의 인덱스이고, t는 상기 학습이미지데이터 내 분할된 세부영역의 인덱스이며, j는 인덱스 i를 갖는 학습이미지데이터에서 획득된 키포인트의 인덱스이다.
    Figure 112011090035003-pat00068
    는, i라는 인덱스를 갖는 학습이미지데이터의 t라는 세부영역에서 검출된 j라는 인덱스의 키포인트를 의미함. N는 학습이미지데이터의 총 개수이고, T는 학습이미지데이터에서 분할된 세부영역의 총 개수이며, Nit는 i라는 인덱스를 갖는 학습이미지데이터의 t라는 세부영역에서 획득된 키포인트의 총 개수임)
  15. 제12항에 있어서,
    상기 유사성판별단계는
    기저장된 상기 학습이미지데이터 내 키포인트와 상기 입력이미지데이터로부터 획득한 키포인트 간의 최소거리값을 기설정된 기준값과 비교하여, 상기 최소거리값이 상기 기준값보다 큰 경우에 상기 키포인트를 삭제하는 키포인트삭제과정;
    을 더 포함하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법.
KR1020100022447A 2010-03-12 2010-03-12 얼굴 인식을 위한 ｓｉｆｔ 알고리즘을 이용한 키포인트 매칭 시스템 및 방법 KR101089847B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020100022447A KR101089847B1 (ko) 2010-03-12 2010-03-12 얼굴 인식을 위한 ｓｉｆｔ 알고리즘을 이용한 키포인트 매칭 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100022447A KR101089847B1 (ko) 2010-03-12 2010-03-12 얼굴 인식을 위한 ｓｉｆｔ 알고리즘을 이용한 키포인트 매칭 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20110103223A KR20110103223A (ko) 2011-09-20
KR101089847B1 true KR101089847B1 (ko) 2011-12-05

Family

ID=44954537

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100022447A KR101089847B1 (ko) 2010-03-12 2010-03-12 얼굴 인식을 위한 ｓｉｆｔ 알고리즘을 이용한 키포인트 매칭 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR101089847B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015088179A1 (ko) * 2013-12-13 2015-06-18 삼성전자주식회사 얼굴의 키 포인트들에 대한 포지셔닝 방법 및 장치

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101127793B1 (ko) * 2011-01-04 2012-03-23 위드로봇 주식회사 이미지 인식 시스템 및 그 제공방법
KR101130817B1 (ko) * 2011-09-27 2012-04-16 (주)올라웍스 얼굴 인식 방법, 장치, 및 이 방법을 실행하기 위한 컴퓨터 판독 가능한 기록 매체
CN103632149A (zh) * 2013-12-17 2014-03-12 上海电机学院 一种基于图像特征分析的人脸识别方法
CN104268591B (zh) * 2014-09-19 2017-11-28 海信集团有限公司 一种面部关键点检测方法及装置
CN105069426B (zh) * 2015-07-31 2018-09-04 小米科技有限责任公司 相似图片判断方法以及装置
CN111985500B (zh) * 2020-07-28 2024-03-29 国网山东省电力公司禹城市供电公司 一种继电保护定值输入的校核方法、系统及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
논문1:고려대학교 학위논문
논문2:한국정보과학회
논문3:한국정보과학회

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015088179A1 (ko) * 2013-12-13 2015-06-18 삼성전자주식회사 얼굴의 키 포인트들에 대한 포지셔닝 방법 및 장치
US10002308B2 (en) 2013-12-13 2018-06-19 Samsung Electronics Co., Ltd. Positioning method and apparatus using positioning models

Also Published As

Publication number Publication date
KR20110103223A (ko) 2011-09-20

Similar Documents

Publication Publication Date Title
US11380119B2 (en) Pose-aligned networks for deep attribute modeling
KR101089847B1 (ko) 얼굴 인식을 위한 ｓｉｆｔ 알고리즘을 이용한 키포인트 매칭 시스템 및 방법
KR102596897B1 (ko) 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치
US10049262B2 (en) Method and system for extracting characteristic of three-dimensional face image
CN110363047B (zh) 人脸识别的方法、装置、电子设备和存储介质
CN109684959B (zh) 基于肤色检测和深度学习的视频手势的识别方法及装置
US9990538B2 (en) Face recognition apparatus and method using physiognomic feature information
CN112016464A (zh) 检测人脸遮挡的方法、装置、电子设备及存储介质
KR20150143304A (ko) 화상 인식 장치 및 화상 인식 장치에의 특징량 데이터 등록 방법
JP6351243B2 (ja) 画像処理装置、画像処理方法
CN113793336B (zh) 一种检测血细胞的方法、装置、设备及可读存储介质
KR101865253B1 (ko) Ｒｅｇｉｏｎ－ｓｉｆｔ와 ｄｉｓｃｒｉｍｉｎａｎｔ ｓｖｍ 분류기를 이용한 나이 및 성별 인식 장치 및 그 방법
CN103810466A (zh) 用于面部识别的装置和方法
CN106650574A (zh) 基于PCANet的人脸识别方法
KR101796027B1 (ko) 얼굴 영상 기반 성별 인식 방법 및 장치
CN106778731B (zh) 一种车牌定位方法及终端
JP6784261B2 (ja) 情報処理装置、画像処理システム、画像処理方法及びプログラム
JP2016099835A (ja) 画像処理装置、画像処理方法、及びプログラム
WO2017054276A1 (zh) 一种生物特征身份识别方法及装置
KR101343623B1 (ko) 적응적 피부색 검출 방법, 그리고 이를 이용한 얼굴 검출 방법 및 그 장치
JP2012118927A (ja) 画像処理プログラムおよび画像処理装置
KR20070088982A (ko) 변형에 강건한 홍채 인식 방법
KR20130128097A (ko) 깊이 정보를 이용한 물체 인식 방법 및 장치
KR101961462B1 (ko) 객체 인식 방법 및 장치
EP2998928B1 (en) Apparatus and method for extracting high watermark image from continuously photographed images

Legal Events

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

Payment date: 20151023

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20161011

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20171017

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20191022

Year of fee payment: 9