KR101306576B1 - 차분 성분을 고려한 조명 변화에 강인한 얼굴 인식 시스템 - Google Patents

차분 성분을 고려한 조명 변화에 강인한 얼굴 인식 시스템 Download PDF

Info

Publication number
KR101306576B1
KR101306576B1 KR1020120127561A KR20120127561A KR101306576B1 KR 101306576 B1 KR101306576 B1 KR 101306576B1 KR 1020120127561 A KR1020120127561 A KR 1020120127561A KR 20120127561 A KR20120127561 A KR 20120127561A KR 101306576 B1 KR101306576 B1 KR 101306576B1
Authority
KR
South Korea
Prior art keywords
distance value
feature matrix
image
image feature
face recognition
Prior art date
Application number
KR1020120127561A
Other languages
English (en)
Inventor
이상헌
손명규
김동주
김병민
김현덕
Original Assignee
재단법인대구경북과학기술원
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 재단법인대구경북과학기술원 filed Critical 재단법인대구경북과학기술원
Priority to KR1020120127561A priority Critical patent/KR101306576B1/ko
Application granted granted Critical
Publication of KR101306576B1 publication Critical patent/KR101306576B1/ko

Links

Images

Classifications

    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships

Landscapes

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

Abstract

차분 성분을 고려한 조명 변화에 강인한 얼굴 인식 방법 및 장치가 개시된다. 조명 변화에 강인한 얼굴 인식 방법은 카메라로부터 얼굴 영상을 획득하는 단계, 상기 얼굴 영상을 얼굴 영역의 수직 중심선을 기초로 좌측 영역을 나타내는 좌측 영상 및 우측 영역을 나타내는 우측 영상으로 분리하는 단계, 상기 좌측 영상을 기초로 차분 성분을 고려한 2차원 주성분 분석을 이용하여 좌측 영상 특징 행렬을 획득하는 단계, 상기 좌측 영상 특징 행렬을 기초로 상기 좌측 영상 특징 행렬의 거리값 나타내는 좌측 영상 거리값을 계산하는 단계, 상기 우측 영상을 기초로 차분 성분을 고려한 2차원 주성분 분석을 이용하여 우측 영상 특징 행렬을 획득하는 단계, 상기 우측 영상 특징 행렬을 기초로 상기 우측 영상 특징 행렬의 거리값을 나타내는 우측 영상 거리값을 계산하는 단계, 상기 좌측 영상 거리값과 상기 우측 영상 거리값을 결합하여 통합값을 계산하는 단계 및 상기 통합값을 기초로 얼굴 인식을 수행하는 단계를 포함한다.

Description

차분 성분을 고려한 조명 변화에 강인한 얼굴 인식 시스템{ILLUMINATION－ROBUST FACE RECOGNITION SYSTEM BASED ON DIFFERENTIAL COMPONENTS}
아래의 실시예들은 차분 성분을 고려한 조명 변화에 강인한 얼굴 인식 시스템에 관한 것이다. 보다 구체적으로, 얼굴 영상에 대해 차분 성분을 고려한 2차원 주성분 분석을 이용하여 조명의 변화에도 강인할 수 있는 얼굴 인식 시스템에 관한 것이다.
얼굴 인식은 카메라를 이용하여 사람의 얼굴을 검출하고 인식하는 기술을 의미한다. 구체적으로, 카메라의 영성 데이터로부터 특징 벡터를 추출하고, 그 특징 벡터를 기반으로 패턴 인식 기법을 이용하여 얼굴을 인식할 수 있다.
이러한 얼굴인식은 분실과 복제의 우려가 없다는 점에서 홍채인식, 지문인식 등의 다른 생체인식과 함께 차세대 신원확인 시스템으로 각광받고 있다. 그리고, 신원확인, 범죄자 검색과 같은 보안 관련 분야뿐 아니라 디지털 카메라나 스마트 폰 등의 소비자 지향적인 분야에서도 얼굴 인식을 이용한 시스템을 쉽게 발견할 수 있다.
최근에는 얼굴 인식의 다양한 활용과 함께, 얼굴 인식의 정확성을 향상시키려는 노력이 계속되고 있다.
본 발명의 실시예들은 차분 성분을 고려한 2차원 주성분 분석을 이용하여 얼굴 인식을 수행함으로써, 조명의 변화에도 정확하게 얼굴을 인식할 수 있는 조명 변화에 강인한 얼굴 인식 방법 및 장치가 제공된다.
본 발명의 일 실시예에 따른 조명 변화에 강인한 얼굴 인식 방법은 카메라로부터 얼굴 영상을 획득하는 단계, 상기 얼굴 영상을 얼굴 영역의 수직 중심선을 기초로 좌측 영역을 나타내는 좌측 영상 및 우측 영역을 나타내는 우측 영상으로 분리하는 단계, 상기 좌측 영상을 기초로 차분 성분을 고려한 2차원 주성분 분석(Differential Two－Dimensional Principal Component Analysis： D2D－PCA)을 이용하여 좌측 영상 특징 행렬을 획득하는 단계, 상기 좌측 영상 특징 행렬을 기초로 상기 좌측 영상 특징 행렬의 거리값(distance score)을 나타내는 좌측 영상 거리값을 계산하는 단계, 상기 우측 영상을 기초로 차분 성분을 고려한 2차원 주성분 분석을 이용하여 우측 영상 특징 행렬을 획득하는 단계, 상기 우측 영상 특징 행렬을 기초로 상기 우측 영상 특징 행렬의 거리값을 나타내는 우측 영상 거리값을 계산하는 단계, 상기 좌측 영상 거리값과 상기 우측 영상 거리값을 결합하여 통합값(fused score)을 계산하는 단계 및 상기 통합값을 기초로 얼굴 인식을 수행하는 단계를 포함할 수 있다.
상기 카메라로부터 얼굴 영상을 획득하는 단계는 상기 얼굴 영상에 대해 정렬 및 리사이즈를 수행하는 단계를 포함할 수 있다.
상기 좌측 영상을 기초로 차분 성분을 고려한 2차원 주성분 분석을 이용하여 좌측 영상 특징 행렬을 획득하는 단계는 상기 좌측 영상을 기초로 2차원 주성분 분석을 이용하여 제1 좌측 영상 특징 행렬을 추출하는 단계 및 상기 제1 좌측 영상 특징 행렬을 기초로 각각의 이웃 행 성분의 차이 값을 이용하여 제2 좌측 영상 특징 행렬을 추출하는 단계를 포함할 수 있다.
상기 좌측 영상 특징 행렬을 기초로 상기 좌측 영상 특징 행렬의 거리값을 나타내는 좌측 영상 거리값을 계산하는 단계는 미리 지정된 데이터베이스로부터 복수의 좌측 훈련 영상들을 획득하는 단계, 상기 복수의 좌측 훈련 영상들을 기초로 차분 성분을 고려한 2차원 주성분 분석을 이용하여 복수의 좌측 훈련 영상 특징 행렬들을 추출하는 단계 및 상기 복수의 좌측 훈련 영상 특징 행렬들과 상기 좌측 영상 특징 행렬과의 유클리디안 거리를 계산함으로써, 좌측 영상 거리값을 획득하는 단계를 포함할 수 있다.
상기 우측 영상을 기초로 차분 성분을 고려한 2차원 주성분 분석을 이용하여 우측 영상 특징 행렬을 획득하는 단계는 상기 우측 영상을 기초로 2차원 주성분 분석을 이용하여 제1 우측 영상 특징 행렬을 추출하는 단계 및 상기 제1 우측 영상 특징 행렬을 기초로 각각의 이웃 행 성분의 차이 값을 이용하여 제2 우측 영상 특징 행렬을 추출하는 단계를 포함할 수 있다.
상기 우측 영상 특징 행렬의 거리값을 나타내는 좌측 영상 거리값을 계산하는 단계는 미리 지정된 데이터베이스로부터 복수의 우측 훈련 영상들을 획득하는 단계, 상기 복수의 우측 훈련 영상들을 기초로 차분 성분을 고려한 2차원 주성분 분석을 이용하여 복수의 우측 훈련 영상 특징 행렬들을 추출하는 단계 및 상기 복수의 우측 훈련 영상 특징 행렬들과 상기 우측 영상 특징 행렬과의 유클리디안 거리를 계산함으로써, 우측 영상 거리값을 획득하는 단계를 포함할 수 있다.
상기 좌측 영상 거리값과 우측 영상 거리값을 결합하여 통합값을 계산하는 단계는 상기 좌측 영상 거리값 및 상기 우측 영상 거리값을 정규화하는 단계 및 상기 정규화된 좌측 영상 거리값 및 상기 정규화된 우측 영상 거리값을 기초로 가중치 합(Weighted-Summation) 방법을 이용하여 통합값을 획득하는 단계를 포함할 수 있다.
상기 좌측 영상 거리값 및 상기 우측 영상 거리값을 정규화하는 단계는 상기 좌측 영상 거리값 및 상기 우측 영상 거리값을 기초로 Sigmoid 함수를 이용하여 정규화하는 단계일 수 있다.
상기 통합값을 기초로 얼굴 인식을 수행하는 단계는 상기 통합값을 기초로 최근접 분류기(nearest neighbor classifier)를 이용하여 얼굴 인식을 수행하는 단계일 수 있다.
본 발명의 일 실시예에 따른 조명 변화에 강인한 얼굴 인식 장치는 카메라로부터 얼굴 영상을 획득하는 얼굴 영상 획득부, 상기 얼굴 영상을 얼굴 영역의 수직 중심선을 기초로 좌측 영역을 나타내는 좌측 영상 및 우측 영역을 나타내는 우측 영상으로 분리하는 영상 분리부, 상기 좌측 영상을 기초로 차분 성분을 고려한 2차원 주성분 분석을 이용하여 좌측 영상 특징 행렬을 획득하는 좌측 영상 특징 행렬 획득부, 상기 좌측 영상 특징 행렬을 기초로 상기 좌측 영상 특징 행렬의 거리값을 나타내는 좌측 영상 거리값을 계산하는 좌측 영상 거리값 계산부, 상기 우측 영상을 기초로 차분 성분을 고려한 2차원 주성분 분석을 이용하여 우측 영상 특징 행렬을 획득하는 우측 영상 특징 행렬 획득부, 상기 우측 영상 특징 행렬을 기초로 상기 우측 영상 특징 행렬의 거리값을 나타내는 우측 영상 거리값을 계산하는 우측 영상 거리값 계산부, 상기 좌측 영상 거리값과 상기 우측 영상 거리값을 결합하여 통합값을 계산하는 통합값 계산부 및 상기 통합값을 기초로 얼굴 인식을 수행하는 얼굴 인식 수행부를 포함할 수 있다.
상기 얼굴 영상 획득부는 상기 얼굴 영상에 대해 정렬 및 리사이즈를 수행하는 수행부를 포함할 수 있다.
상기 좌측 영상 특징 행렬 획득부는 상기 좌측 영상을 기초로 2차원 주성분 분석을 이용하여 제1 좌측 영상 특징 행렬을 추출하는 제1 좌측 영상 특징 행렬 추출부 및 상기 제1 좌측 영상 특징 행렬을 기초로 각각의 이웃 행 성분의 차이 값을 이용하여 제2 좌측 영상 특징 행렬을 추출하는 제2 좌측 영상 특징 행렬 추출부를 포함할 수 있다.
상기 좌측 영상 거리값 계산부는 미리 지정된 데이터베이스로부터 복수의 좌측 훈련 영상들을 획득하는 좌측 훈련 영상 획득부, 상기 복수의 좌측 훈련 영상들을 기초로 차분 성분을 고려한 2차원 주성분 분석을 이용하여 복수의 좌측 훈련 영상 특징 행렬들을 추출하는 좌측 훈련 영상 특징 행렬 추출부 및 상기 복수의 좌측 훈련 영상 특징 행렬들과 상기 좌측 영상 특징 행렬과의 유클리디안 거리를 계산함으로써, 좌측 영상 거리값을 획득하는 좌측 영상 거리값 획득부를 포함할 수 있다.
상기 우측 영상 특징 행렬 획득부는 상기 우측 영상을 기초로 2차원 주성분 분석을 이용하여 제1 우측 영상 특징 행렬을 추출하는 제1 우측 영상 특징 행렬 추출부 및 상기 제1 우측 영상 특징 행렬을 기초로 각각의 이웃 행 성분의 차이 값을 이용하여 제2 우측 영상 특징 행렬을 추출하는 제2 우측 영상 특징 행렬 추출부를 포함할 수 있다.
상기 우측 영상 거리값 계산부는 미리 지정된 데이터베이스로부터 복수의 우측 훈련 영상들을 획득하는 우측 훈련 영상 획득부, 상기 복수의 우측 훈련 영상들을 기초로 차분 성분을 고려한 2차원 주성분 분석을 이용하여 복수의 우측 훈련 영상 특징 행렬들을 추출하는 우측 훈련 영상 특징 행렬 추출부 및 상기 복수의 우측 훈련 영상 특징 행렬들과 상기 우측 영상 특징 행렬과의 유클리디안 거리를 계산함으로써, 우측 영상 거리값을 획득하는 우측 영상 거리값 획득부를 포함할 수 있다.
상기 통합값 계산부는 상기 좌측 영상 거리값 및 상기 우측 영상 거리값을 정규화하는 정규화부 및 상기 정규화된 좌측 영상 거리값 및 상기 정규화된 우측 영상 거리값을 기초로 가중치 합 방법을 이용하여 통합값을 획득하는 통합값 획득부를 포함할 수 있다.
상기 정규화부는 상기 좌측 영상 거리값 및 상기 우측 영상 거리값을 기초로 Sigmoid 함수를 이용하여 정규화할 수 있다.
상기 얼굴 인식 수행부는 상기 통합값을 기초로 최근접 분류기를 이용하여 얼굴 인식을 수행할 수 있다.
본 발명의 실시예들은 차분 성분을 고려한 2차원 주성분 분석을 이용하여 얼굴 인식을 수행함으로써, 조명의 변화에도 정확하게 얼굴을 인식할 수 있는 조명 변화에 강인한 얼굴 인식 방법 및 장치가 제공된다.
도 1은 일 실시예에 따른 조명 변화에 강인한 얼굴 인식 방법을 나타낸 동작 흐름도이다.
도 2는 도 1에 도시된 단계 130 및 단계 150을 보다 구체적으로 나타낸 동작 흐름도이다.
도 3은 도 1에 도시된 단계 170을 보다 구체적으로 나타낸 동작 흐름도이다.
도 4는 일 실시예에 따른 조명 변화에 강인한 얼굴 인식 장치를 나타낸 블록도이다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 본 발명이 일 실시예들에 의해 제한되거나 한정되는 것은 아니다. 또한, 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일 실시예에 따른 조명 변화에 강인한 얼굴 인식 방법을 나타낸 동작 흐름도이다.
도 1을 참조하면, 일 실시예에 따른 조명 변화에 강인한 얼굴 인식 방법(이하, 얼굴 인식 방법)은 카메라로부터 얼굴 영상을 획득할 수 있다(110). 구체적으로, 얼굴 인식 방법은 얼굴 영역을 찍은 카메라로부터 얼굴 영상을 수신할 수 있다. 또한, 얼굴 영상은 실시간으로 찍은 영상뿐만 아니라 기존에 카메라로 찍은 영상을 포함할 수 있다.
일 실시예에서, 얼굴 인식 방법은 카메라로부터 얼굴 영역이 포함된 영상을 수신할 수 있다. 그리고, 획득한 영상의 얼굴 영역을 나타내는 얼굴 영상을 추출할 수 있다.
그리고, 얼굴 인식 방법은 얼굴 영상에 대해 정렬 및 리사이즈를 수행할 수 있다. 이는, 후술할 특징 행렬 추출 및 거리값의 계산을 보다 정확하게 수행하기 위함일 수 있다.
또한, 얼굴 인식 방법은 얼굴 영상을 얼굴 영역의 수직 중심선을 기초로 좌측 영역을 나타내는 좌측 영상 및 우측 영역을 나타내는 우측 영상으로 분리할 수 있다(120). 구체적으로, 조명의 변화가 있는 경우, 외부 조명에 따라 카메라에서 받아들이는 영상 데이터가 조명 변화가 없는 경우에 비하여 크게 달라질 수 있다. 이에 따라, 얼굴 인식의 정확성이 감소할 수 있다. 따라서, 얼굴 인식 방법은 조명의 변화를 상쇄시키기 위해 얼굴 영상을 분리할 수 있다.
보다 구체적으로, 얼굴 영역의 수직 중심선을 중심으로 좌측 영역은 좌측 영상으로, 우측 영역은 우측 영상으로 분리할 수 있다. 그리고, 좌측 영상과 우측 영상 각각에 대하여 후술할 특징 행렬 추출 및 거리값의 계산을 수행할 수 있다. 이는, 얼굴 인식 방법이 전체론적인 방법을 이용하므로 조명이 변화하는 환경에서는 성능 열화가 발생할 가능성이 많기 때문이다. 따라서, 각각의 부 영상(sub image)으로 구분하여, 각각의 부 영상에 대한 통계적인 특성을 추출하는 것이 필요할 수 있다.
또한, 얼굴 인식 방법은 좌측 영상을 기초로 차분 성분을 고려한 2차원 주성분 분석(Differential Two-Dimensional Principal Component Analysis: D2D-PCA)을 이용하여 좌측 영상 특징 행렬을 획득할 수 있다(130). 구체적으로, 주성분 분석(이하, PCA)은 다차원 특징 벡터로 이루어진 데이터에 대하여 높은 차원에서의 정보를 유지하면서 낮은 차원으로 축소시키는 다변량 데이터 처리 방법을 의미할 수 있다. 그리고, PCA는 패턴 인식, 컴퓨터 비전, 신호 처리와 같은 분야에서 특징 추출 및 데이터 표현을 위해 이용될 수 있다. PCA를 기반으로 한 일반적인 얼굴 인식 기법에서, 2차원 얼굴 영상 행렬은 1차원의 영상 벡터로 변환될 수 있다. 그러나, 2차원 행렬에서 1차원 벡터로의 연속적인 변경은 높은 차원의 벡터 공간을 발생시킬 수 있고, 이와 같은 높은 차원의 벡터 공간으로 인해 후술할 공분산 행렬의 데이터 정확성이 감소할 수 있다. 이에 반해, 2차원 주성분 분석(이하, 2D-PCA)은 행렬의 벡터 변환을 수행하지 않고 공분산 행렬의 고유 벡터를 직접 계산함으로써, 공분산 행렬의 정확성 문제를 극복할 수 있다. 그리고, 공분산 행렬의 크기는 영상의 폭과 대응될 수 있기 때문에, PCA의 공분산 행렬에 비하여 2D-PCA에서의 공분산 행렬의 크기는 작을 수 있고, 데이터 정확성도 증가할 수 있다. 따라서, 2D-PCA를 이용한 얼굴 인식 방법은 PCA를 이용한 얼굴 인식 방법에 비하여 얼굴 인식의 정확성이 증가할 수 있고, 연산이 효율적일 수 있다.
그리고, 조명 변화에 강인한 얼굴 인식을 수행하기 위해, 얼굴 인식 방법은 2D-PCA보다 적은 차원의 특징 행렬을 추출할 수 있는 차분 성분을 고려한 2차원 주성분 분석(Differential Two-Dimensional Principal Component Analysis: D2D-PCA)(이하, D2D-PCA)을 이용할 수 있다. 구체적으로, 얼굴 인식 방법은 좌측 영상을 기초로 2D-PCA를 이용하여 제1 좌측 영상 특징 행렬을 추출할 수 있다. 이 때, 제1 좌측 영상 특징 행렬의 차원은 m×d 차원일 수 있다. 여기서, m은 특징 행렬의 행의 개수를 나타낼 수 있고, d는 최적 투영축(Optimal Projection axes)의 개수를 의미할 수 있다. 그리고, 얼굴 인식 방법은 제1 좌측 영상 특징 행렬을 기초로 각각의 이웃 행 성분의 차이 값인 차분 성분을 이용하여 제2 좌측 영상 특징 행렬을 추출할 수 있다. 즉, 제2 좌측 영상 특징 행렬은 좌측 영상에 D2D-PCA를 이용하여 추출한 특징 행렬을 의미할 수 있다. 이 때, 제2 좌측 영상 특징 행렬이 차원은 (m-1)×d 차원일 수 있다. 따라서, 제2 좌측 영상 특징 행렬의 차원은 제1 좌측 영상 특징 행렬의 차원보다 더 낮을 수 있다.
또한, 얼굴 인식 방법은 영상 특징 행렬을 기초로 좌측 영상 특징 행렬의 거리값(distance score)을 나타내는 좌측 영상 거리값을 계산할 수 있다(140). 구체적으로, 얼굴 인식 방법은 D2D-PCA를 이용하여, 좌측 영상 특징 행렬을 추출한 후, 복수의 훈련 영상들과 인식하고자 하는 얼굴 영상의 유사도를 측정하기 위해 거리값을 계산할 수 있다.
보다 구체적으로, 얼굴 인식 방법은 미리 지정된 데이터베이스로부터 복수의 좌측 훈련 영상들을 획득할 수 있다. 그리고, 복수의 좌측 훈련 영상들을 기초로 D2D-PCA를 이용하여 복수의 좌측 훈련 영상 특징 행렬들을 추출할 수 있다. 그리고, 복수의 좌측 훈련 영상 특징 행렬들과 좌측 영상 특징 행렬과의 유클리디안 거리를 계산함으로써, 아래의 수학식 1과 같은 좌측 영상 거리값을 획득할 수 있다.
[수학식 1]
Figure 112012092822628-pat00001

여기서, DYk 및 dyk i ,j는 복수의 좌측 훈련 영상 특징 행렬을 나타낼 수 있고, DY 및 dyi ,j는 제2 좌측 영상 특징 행렬을 의미할 수 있다. 그리고, k는 1부터 M까지의 숫자를 의미할 수 있고, M은 복수의 좌측 훈련 영상들의 총 개수를 의미할 수 있다. 이러한 좌측 영상 거리값은 미확인 사용자를 분류하거나 후술할 통합값을 계산하는데 이용될 수 있다.
또한, 얼굴 인식 방법은 우측 영상을 기초로 D2D-PCA를 이용하여 우측 영상 특징 행렬을 획득할 수 있다(150). 이는 상술한 좌측 영상 특징 행렬의 획득과 유사한 과정을 거칠 수 있다. 구체적으로, 얼굴 인식 방법은 우측 영상을 기초로 2D-PCA을 이용하여 제1 우측 영상 특징 행렬을 추출할 수 있다. 그리고, 제1 우측 영상 특징 행렬을 기초로 각각의 이웃 행 성분의 차이 값인 차분 성분을 이용하여 제2 우측 영상 특징 행렬을 추출할 수 있다.
또한, 얼굴 인식 방법은 우측 영상 특징 행렬을 기초로 우측 영상 특징 행렬의 거리값을 나타내는 우측 영상 거리값을 계산할 수 있다(160). 구체적으로, 얼굴 인식 방법은 미리 지정된 데이터베이스로부터 복수의 우측 훈련 영상들을 획득할 수 있다. 그리고, 복수의 우측 훈련 영상들을 기초로 D2D-PCA를 이용하여 복수의 우측 훈련 영상 특징 행렬들을 추출할 수 있다. 그리고, 복수의 우측 훈련 영상 특징 행렬들과 우측 영상 특징 행렬과의 유클리디안 거리를 계산함으로써, 우측 영상 거리값을 획득할 수 있다.
또한, 얼굴 인식 방법은 좌측 영상 거리값과 우측 영상 거리값을 결합하여 통합값(fused score)을 계산할 수 있다(170). 구체적으로, 얼굴 인식 방법은 좌측 영상 거리값 및 우측 영상 거리값을 정규화할 수 있다. 이는, 좌측 영상 및 우측 영상을 기초로 계산한 거리값이 통계적인 특성이 다를 수 있고, 이에 따라 수치적인 다이내믹 레인지(Dynamic Range)가 상이할 수 있기 때문이다. 따라서, 좌측 영상 거리값 및 우측 영상 거리값을 결합하기 전에 정규화를 수행함으로써, 결합에 따른 통계적인 오차를 줄일 수 있다. 일 실시예에서, 얼굴 인식 방법은 좌측 영상 거리값 및 우측 영상 거리값을 기초로 범위가 [0, 1]인 Sigmoid 함수를 이용하여 정규화할 수 있다.
그리고, 얼굴 인식 방법은 정규화된 좌측 영상 거리값 및 상기 정규화된 우측 영상 거리값을 다양한 스코어 수준의 결합 스킴(Fusion scheme)을 이용하여 통합값을 획득할 수 있다. 여기서, 얼굴 인식 방법은 결합 스킴으로 연산 속도가 빠르고 성능이 좋은 가중치 합(Weighted-Summation) 방법을 이용하여 좌측 영상 거리값 및 우측 영상 거리값을 결합할 수 있다.
또한, 얼굴 인식 방법은 통합값을 기초로 얼굴 인식을 수행할 수 있다(180). 구체적으로, 얼굴 인식 방법은 통합값을 기초로 최근접 분류기(nearest neighbor classifier)를 이용하여 얼굴 인식을 수행할 수 있다. 여기서, 최근접 분류기는 간단하지만 성능이 좋고 연산이 빠를 수 있다. 예를 들어, 통합값을
Figure 112012092822628-pat00002
으로 나타낼 수 있고, 훈련 단계에서의 식별자는 wk로 나타낼 수 있을 때, 얼굴 영상의 통합값이 F인 경우, 얼굴 인식 결과는 거리값이 최소인 wk에 의해 결정될 수 있다. 여기서, 최소 거리값은 다음과 같은 수학식 2와 같이 나타낼 수 있다.
[수학식 2]
Figure 112012092822628-pat00003

여기서, d(F,Fr)은 F와 Fj의 유클리디안 거리(즉, 데이터베이스로부터 추출한 후보 얼굴 영상들과 인식하려는 얼굴 영상과의 거리값)를 의미할 수 있다. 그리고, j는 1부터 d(최적 투영축의 개수)까지의 숫자를 의미할 수 있다. 따라서, 얼굴 인식 방법은 wk의 최소 거리값에 기초한 최근접 분류기를 이용하여 유클리디안 거리값이 최소가 되는 후보 얼굴 영상을 인식 결과로 결정할 수 있다.
도 2는 도 1에 도시된 단계 130 및 단계 150을 보다 구체적으로 나타낸 동작 흐름도이다.
도 2를 참조하면, 얼굴 인식 방법은 영상을 기초로 2차원 주성분 분석(이하, 2D-PCA)을 이용하여 제1 영상 특징 행렬을 추출할 수 있다(210). 여기서, 영상은 얼굴 영상을 얼굴 영역의 수직 중심선을 기초로 좌측 영역을 나타내는 좌측 영상 또는 우측 영역을 나타내는 우측 영상을 포함할 수 있다.
구체적으로, 2D-PCA는 1차원 영상 벡터를 2차원 이미지로 나타내는 PCA와 달리, 행렬로써 영상을 나타낼 수 있다. 예를 들어, 영상 행렬 A 가 m×n 차원의 행렬이고, X는 n≥d 인 정규 직교 열 성분으로 구성된 행렬로 나타낼 수 있다
Figure 112012092822628-pat00004
. 이 때, 행렬 A를 X 영역 위에 투영할 때, 아래의 수학식 3과 같은 행렬 Y를 추출할 수 있다.
[수학식 3]
Y=AX
이 때, 행렬 Y의 차원은 m×d 일 수 있다. 그리고, 2D-PCA에서, 투영된 표본들의 총 산포도는 투영 행렬 X의 성능을 결정할 수 있다.
그리고, 얼굴 인식 방법은 미리 지정된 데이터베이스로부터 M개의 훈련 영상들을 획득할 수 있다. 이 때, M개의 훈련 영상들은 차원이 m×n 인 Ak 행렬(k=1,2,…,M)로 나타낼 수 있고, 평균 영상은
Figure 112012092822628-pat00005
로 나타낼 수 있다. 따라서, 공분산 행렬 G는 아래의 수학식 4와 같이 나타낼 수 있다.
[수학식 4]
Figure 112012092822628-pat00006

그리고, 투영 행렬 Xopt는 공분산 행렬 G의 정규 직교 고유 벡터들인 X1, X2,…, Xd 로 구성될 수 있다. 여기서 d는 고유값 중 가장 큰 값을 의미할 수 있다. 따라서, Xopt는
Figure 112012092822628-pat00007
로 나타낼 수 있다. 그리고, 공분산 행렬 G의 차원은 n×n 일 수 있으므로, 공분산 행렬 G의 고유 벡터들은 효율적일 수 있다. 그리고, 투영 행렬 Xopt의 성분인 X1,…,Xd는 제1 영상 특징 행렬의 추출을 위해 이용될 수 있다. 구체적으로, 제1 영상 특징 행렬 Y는 Y=[Y1, Y2,…, Yd] 로 나타낼 수 있다. 이 때, 제1 영상 특징 행렬 Y 의 차원은 m×d 일 수 있다. 그리고, 제1 영상 특징 행렬 Y는 영상 행렬 A를 아래의 수학식 5와 같은 고유 벡터에 투영함으로써 추출할 수 있다.
[수학식 5]
Figure 112012092822628-pat00008

따라서, 제1 영상 특징 행렬 Y는 아래의 수학식 6과 같이 나타낼 수 있다.
[수학식 6]
Y = AXopt
또한, 얼굴 인식 방법은 제1 영상 특징 행렬을 기초로 각각의 이웃 행 성분의 차이값을 이용하여 제2 영상 특징 행렬을 추출할 수 있다(220). 구체적으로, 얼굴 인식 방법은 2D-PCA를 이용하여 추출한 제1 영상 특징 행렬에서 각각의 m행에 대하여 수평적으로 이웃하는 행 성분의 차이를 계산함으로써, 차분 성분들을 획득할 수 있다. 즉, 제1 영상 특징 행렬은 2D-PCA를 이용한 특징 행렬을 의미할 수 있고, 제2 영상 특징 행렬은 D2D-PCA를 이용한 영상 특징 행렬을 의미할 수 있다. 제2 영상 특징 행렬은 다음과 같은 수학식 7로 나타낼 수 있다.
[수학식 7]
Figure 112012092822628-pat00009

여기서, yi ,j는 2D-PCA를 이용하여 추출한 제1 영상 특징 행렬을 의미할 수 있고, dyi,j는 D2D-PCA를 이용하여 추출한 제2 영상 특징 행렬을 의미할 수 있다. 이 때, 얼굴 영상이 m×n 차원의 행렬이므로, 2D-PCA를 이용하여 추출한 제1 영상 특징 행렬의 차원은 m×d 일 수 있다. 여기서, d는 최적 투영축의 개수를 의미할 수 있다. 그리고, D2D-PCA를 이용하여 추출한 제2 영상 특징 행렬의 차원은 (m-1)×d 일 수 있다. 이는, 제2 영상 특징 행렬이 제1 영상 특징 행렬의 차분 성분을 이용한 것에 기인할 수 있다. 따라서, D2D-PCA를 이용한 얼굴 인식 방법은 2D-PCA를 이용한 얼굴 인식 방법보다 연산 효율성이 좋을 수 있고, 조명 변화에 강인할 수 있다.
도 3은 도 1에 도시된 단계 170을 보다 구체적으로 나타낸 동작 흐름도이다.
도 3을 참조하면, 얼굴 인식 방법은 좌측 영상 거리값 및 상기 우측 영상 거리값을 정규화할 수 있다(310). 구체적으로, 좌측 영상 거리값 및 우측 영상 거리값은 다이내믹 레인지와 같은 통계적인 특성이 다를 수 있다. 따라서, 좌측 영상 거리값 및 우측 영상 거리값은 서로 다른 통계적인 분포를 따를 수 있다. 그러므로, 얼굴 인식 방법의 성능 향상을 위해, 거리값들의 결합을 수행하기 전에 각각의 거리값에 대한 정규화를 수행할 수 있다. 일반적인 정규화 방법에는 Z-스코어 방법, 최소-최대(min-max) 방법 등이 있지만, 얼굴 인식 방법은 범위가 [0, 1]인 Sigmoid 함수를 이용하여 정규화를 수행할 수 있다. 아래의 수학식 8은 좌측 영상 거리값 및 우측 영상 거리값의 정규화를 나타낼 수 있다.
[수학식 8]
Figure 112012092822628-pat00010

여기서,
Figure 112012092822628-pat00011
은
Figure 112012092822628-pat00012
로 정의될 수 있고,
Figure 112012092822628-pat00013
은 i 번째 좌측 영상 또는 우측 영상의 거리값을 나타낼 수 있고,
Figure 112012092822628-pat00014
는 정규화된 거리값을 나타낼 수 있다. 그리고,
Figure 112012092822628-pat00015
는 전체 좌측 훈련 영상 또는 우측 훈련 영상의 거리값의 평균을 나타낼 수 있고,
Figure 112012092822628-pat00016
는 분산을 나타낼 수 있다.
또한, 얼굴 인식 방법은 정규화된 좌측 영상 거리값 및 정규화된 우측 영상 거리값을 기초로 가중치 합(Weighted-Summation) 방법을 이용하여 통합값을 획득할 수 있다(320). 구체적으로, 얼굴 인식 방법은 좌측 영상 거리값 및 우측 영상 거리값을 다양한 스코어 수준의 결합 스킴을 이용하여 결합할 수 있다. 얼굴 인식 방법에서는 성능 향상을 위해 연산 속도가 빠르고 성능이 좋은 가중치 합 방법을 이용하여 정규화된 좌측 영상 거리값 및 정규화된 우측 영상 거리값을 결합할 수 있다. 아래의 수학식 9는 가중치 합 방법을 이용한 통합값을 나타낼 수 있다.
[수학식 9]
Figure 112012092822628-pat00017

여기서, S는 통합값을 나타낼 수 있고, Sn은 n번째 좌측 영상 및 우측 영상의 정규화된 거리값을 나타낼 수 있으며, wn은
Figure 112012092822628-pat00018
을 만족하는 n번째 좌측 영상 및 우측 영상의 가중치 계수(weighting coefficient)를 나타낼 수 있다.
실시예에 따른 방법은 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 실시예를 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 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
도 4는 일 실시예에 따른 조명 변화에 강인한 얼굴 인식 장치를 나타낸 블록도이다.
도 4를 참조하면, 일 실시예에 따른 조명 변화에 강인한 얼굴 인식 장치(이하, 얼굴 인식 장치)는 카메라로부터 얼굴 영상을 획득하는 얼굴 영상 획득부를 포함할 수 있다(410).
또한, 얼굴 인식 장치는 얼굴 영상을 얼굴 영역의 수직 중심선을 기초로 좌측 영역을 나타내는 좌측 영상 및 우측 영역을 나타내는 우측 영상으로 분리하는 영상 분리부를 포함할 수 있다(420).
또한, 얼굴 인식 장치는 좌측 영상을 기초로 차분 성분을 고려한 2차원 주성분 분석을 이용하여 좌측 영상 특징 행렬을 획득하는 좌측 영상 특징 행렬 획득부를 포함할 수 있다(430).
또한, 얼굴 인식 장치는 좌측 영상 특징 행렬을 기초로 좌측 영상 특징 행렬의 거리값을 나타내는 좌측 영상 거리값을 계산하는 좌측 영상 거리값 계산부를 포함할 수 있다(440).
또한, 얼굴 인식 장치는 우측 영상을 기초로 차분 성분을 고려한 2차원 주성분 분석을 이용하여 우측 영상 특징 행렬을 획득하는 우측 영상 특징 행렬 획득부를 포함할 수 있다(450).
또한, 얼굴 인식 장치는 우측 영상 특징 행렬을 기초로 우측 영상 특징 행렬의 거리값을 나타내는 우측 영상 거리값을 계산하는 우측 영상 거리값 계산부를 포함할 수 있다(460).
또한, 얼굴 인식 장치는 좌측 영상 거리값과 우측 영상 거리값을 결합하여 통합값을 계산하는 통합값 계산부를 포함할 수 있다(470).
또한, 얼굴 인식 장치는 통합값을 기초로 얼굴 인식을 수행하는 얼굴 인식 수행부를 포함할 수 있다(480).
도 4에 도시된 일 실시예에 따른 조명 변화에 강인한 얼굴 인식 장치에는 도 1 내지 도 3를 통해 설명된 내용이 그대로 적용될 수 있으므로, 보다 상세한 내용은 설명한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (19)

  1. 카메라로부터 얼굴 영상을 획득하는 단계;
    상기 얼굴 영상을 얼굴 영역의 수직 중심선을 기초로 좌측 영역을 나타내는 좌측 영상 및 우측 영역을 나타내는 우측 영상으로 분리하는 단계;
    상기 좌측 영상을 기초로 차분 성분을 고려한 2차원 주성분 분석(Differential Two-Dimensional Principal Component Analysis: D2D-PCA)을 이용하여 좌측 영상 특징 행렬을 획득하는 단계;
    상기 좌측 영상 특징 행렬을 기초로 상기 좌측 영상 특징 행렬의 거리값(distance score)을 나타내는 좌측 영상 거리값을 계산하는 단계;
    상기 우측 영상을 기초로 상기 차분 성분을 고려한 2차원 주성분 분석을 이용하여 우측 영상 특징 행렬을 획득하는 단계;
    상기 우측 영상 특징 행렬을 기초로 상기 우측 영상 특징 행렬의 거리값을 나타내는 우측 영상 거리값을 계산하는 단계;
    상기 좌측 영상 거리값과 상기 우측 영상 거리값을 결합하여 통합값(fused score)을 계산하는 단계; 및
    상기 통합값을 기초로 얼굴 인식을 수행하는 단계
    를 포함하는 조명 변화에 강인한 얼굴 인식 방법.
  2. 제1항에 있어서,
    상기 카메라로부터 얼굴 영상을 획득하는 단계는
    상기 얼굴 영상에 대해 정렬 및 리사이즈를 수행하는 단계
    를 포함하는 조명 변화에 강인한 얼굴 인식 방법.
  3. 제1항에 있어서,
    상기 좌측 영상을 기초로 차분 성분을 고려한 2차원 주성분 분석을 이용하여 좌측 영상 특징 행렬을 획득하는 단계는
    상기 좌측 영상을 기초로 2차원 주성분 분석을 이용하여 제1 좌측 영상 특징 행렬을 추출하는 단계; 및
    상기 제1 좌측 영상 특징 행렬을 기초로 각각의 이웃 행 성분의 차이 값을 이용하여 제2 좌측 영상 특징 행렬을 추출하는 단계
    를 포함하는 조명 변화에 강인한 얼굴 인식 방법.
  4. 제1항에 있어서,
    상기 좌측 영상 특징 행렬을 기초로 상기 좌측 영상 특징 행렬의 거리값을 나타내는 좌측 영상 거리값을 계산하는 단계는
    미리 지정된 데이터베이스로부터 복수의 좌측 훈련 영상들을 획득하는 단계;
    상기 복수의 좌측 훈련 영상들을 기초로 상기 차분 성분을 고려한 2차원 주성분 분석을 이용하여 복수의 좌측 훈련 영상 특징 행렬들을 추출하는 단계; 및
    상기 복수의 좌측 훈련 영상 특징 행렬들과 상기 좌측 영상 특징 행렬과의 유클리디안 거리를 계산함으로써, 상기 좌측 영상 거리값을 획득하는 단계
    를 포함하는 조명 변화에 강인한 얼굴 인식 방법.
  5. 제1항에 있어서,
    상기 우측 영상을 기초로 차분 성분을 고려한 2차원 주성분 분석을 이용하여 우측 영상 특징 행렬을 획득하는 단계는
    상기 우측 영상을 기초로 2차원 주성분 분석을 이용하여 제1 우측 영상 특징 행렬을 추출하는 단계; 및
    상기 제1 우측 영상 특징 행렬을 기초로 각각의 이웃 행 성분의 차이 값을 이용하여 제2 우측 영상 특징 행렬을 추출하는 단계
    를 포함하는 조명 변화에 강인한 얼굴 인식 방법.
  6. 제1항에 있어서,
    상기 우측 영상 특징 행렬의 거리값을 나타내는 우측 영상 거리값을 계산하는 단계는
    미리 지정된 데이터베이스로부터 복수의 우측 훈련 영상들을 획득하는 단계;
    상기 복수의 우측 훈련 영상들을 기초로 상기 차분 성분을 고려한 2차원 주성분 분석을 이용하여 복수의 우측 훈련 영상 특징 행렬들을 추출하는 단계; 및
    상기 복수의 우측 훈련 영상 특징 행렬들과 상기 우측 영상 특징 행렬과의 유클리디안 거리를 계산함으로써, 상기 우측 영상 거리값을 획득하는 단계
    를 포함하는 조명 변화에 강인한 얼굴 인식 방법.
  7. 제1항에 있어서,
    상기 좌측 영상 거리값과 상기 우측 영상 거리값을 결합하여 통합값을 계산하는 단계는
    상기 좌측 영상 거리값 및 상기 우측 영상 거리값을 정규화하는 단계; 및
    상기 정규화된 좌측 영상 거리값 및 상기 정규화된 우측 영상 거리값을 기초로 가중치 합(Weighted-Summation) 방법을 이용하여 통합값을 획득하는 단계
    를 포함하는 조명 변화에 강인한 얼굴 인식 방법.
  8. 제7항에 있어서,
    상기 좌측 영상 거리값 및 상기 우측 영상 거리값을 정규화하는 단계는
    상기 좌측 영상 거리값 및 상기 우측 영상 거리값을 기초로 Sigmoid 함수를 이용하여 정규화하는 단계인 조명 변화에 강인한 얼굴 인식 방법.
  9. 제1항에 있어서,
    상기 통합값을 기초로 얼굴 인식을 수행하는 단계는
    상기 통합값을 기초로 최근접 분류기(nearest neighbor classifier)를 이용하여 얼굴 인식을 수행하는 단계인 조명 변화에 강인한 얼굴 인식 방법.
  10. 제1항 내지 제9항 중 어느 한 항의 방법을 수행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
  11. 카메라로부터 얼굴 영상을 획득하는 얼굴 영상 획득부;
    상기 얼굴 영상을 얼굴 영역의 수직 중심선을 기초로 좌측 영역을 나타내는 좌측 영상 및 우측 영역을 나타내는 우측 영상으로 분리하는 영상 분리부;
    상기 좌측 영상을 기초로 차분 성분을 고려한 2차원 주성분 분석(Differential Two-Dimensional Principal Component Analysis: D2D-PCA)을 이용하여 좌측 영상 특징 행렬을 획득하는 좌측 영상 특징 행렬 획득부;
    상기 좌측 영상 특징 행렬을 기초로 상기 좌측 영상 특징 행렬의 거리값(distance score)을 나타내는 좌측 영상 거리값을 계산하는 좌측 영상 거리값 계산부;
    상기 우측 영상을 기초로 차분 성분을 고려한 2차원 주성분 분석을 이용하여 우측 영상 특징 행렬을 획득하는 우측 영상 특징 행렬 획득부;
    상기 우측 영상 특징 행렬을 기초로 상기 우측 영상 특징 행렬의 거리값을 나타내는 우측 영상 거리값을 계산하는 우측 영상 거리값 계산부;
    상기 좌측 영상 거리값과 상기 우측 영상 거리값을 결합하여 통합값(fused score)을 계산하는 통합값 계산부; 및
    상기 통합값을 기초로 얼굴 인식을 수행하는 얼굴 인식 수행부
    를 포함하는 조명 변화에 강인한 얼굴 인식 장치.
  12. 제11항에 있어서,
    상기 얼굴 영상 획득부는
    상기 얼굴 영상에 대해 정렬 및 리사이즈를 수행하는 수행부
    를 포함하는 조명 변화에 강인한 얼굴 인식 장치.
  13. 제11항에 있어서,
    상기 좌측 영상 특징 행렬 획득부는
    상기 좌측 영상을 기초로 2차원 주성분 분석을 이용하여 제1 좌측 영상 특징 행렬을 추출하는 제1 좌측 영상 특징 행렬 추출부; 및
    상기 제1 좌측 영상 특징 행렬을 기초로 각각의 이웃 행 성분의 차이 값을 이용하여 제2 좌측 영상 특징 행렬을 추출하는 제2 좌측 영상 특징 행렬 추출부
    를 포함하는 조명 변화에 강인한 얼굴 인식 장치.
  14. 제11항에 있어서,
    상기 좌측 영상 거리값 계산부는
    미리 지정된 데이터베이스로부터 복수의 좌측 훈련 영상들을 획득하는 좌측 훈련 영상 획득부;
    상기 복수의 좌측 훈련 영상들을 기초로 상기 차분 성분을 고려한 2차원 주성분 분석을 이용하여 복수의 좌측 훈련 영상 특징 행렬들을 추출하는 좌측 훈련 영상 특징 행렬 추출부; 및
    상기 복수의 좌측 훈련 영상 특징 행렬들과 상기 좌측 영상 특징 행렬과의 유클리디안 거리를 계산함으로써, 상기 좌측 영상 거리값을 획득하는 좌측 영상 거리값 획득부
    를 포함하는 조명 변화에 강인한 얼굴 인식 장치.
  15. 제11항에 있어서,
    상기 우측 영상 특징 행렬 획득부는
    상기 우측 영상을 기초로 2차원 주성분 분석을 이용하여 제1 우측 영상 특징 행렬을 추출하는 제1 우측 영상 특징 행렬 추출부; 및
    상기 제1 우측 영상 특징 행렬을 기초로 각각의 이웃 행 성분의 차이 값을 이용하여 제2 우측 영상 특징 행렬을 추출하는 제2 우측 영상 특징 행렬 추출부
    를 포함하는 조명 변화에 강인한 얼굴 인식 장치.
  16. 제11항에 있어서,
    상기 우측 영상 거리값 계산부는
    미리 지정된 데이터베이스로부터 복수의 우측 훈련 영상들을 획득하는 우측 훈련 영상 획득부;
    상기 복수의 우측 훈련 영상들을 기초로 상기 차분 성분을 고려한 2차원 주성분 분석을 이용하여 복수의 우측 훈련 영상 특징 행렬들을 추출하는 우측 훈련 영상 특징 행렬 추출부; 및
    상기 복수의 우측 훈련 영상 특징 행렬들과 상기 우측 영상 특징 행렬과의 유클리디안 거리를 계산함으로써, 상기 우측 영상 거리값을 획득하는 우측 영상 거리값 획득부
    를 포함하는 조명 변화에 강인한 얼굴 인식 장치.
  17. 제11항에 있어서,
    상기 통합값 계산부는
    상기 좌측 영상 거리값 및 상기 우측 영상 거리값을 정규화하는 정규화부; 및
    상기 정규화된 좌측 영상 거리값 및 상기 정규화된 우측 영상 거리값을 기초로 가중치 합(Weighted-Summation) 방법을 이용하여 통합값을 획득하는 통합값 획득부
    를 포함하는 조명 변화에 강인한 얼굴 인식 장치.
  18. 제17항에 있어서,
    상기 정규화부는
    상기 좌측 영상 거리값 및 상기 우측 영상 거리값을 기초로 Sigmoid 함수를 이용하여 정규화하는 조명 변화에 강인한 얼굴 인식 장치.
  19. 제11항에 있어서,
    상기 얼굴 인식 수행부는
    상기 통합값을 기초로 최근접 분류기(nearest neighbor classifier)를 이용하여 얼굴 인식을 수행하는 조명 변화에 강인한 얼굴 인식 장치.
KR1020120127561A 2012-11-12 2012-11-12 차분 성분을 고려한 조명 변화에 강인한 얼굴 인식 시스템 KR101306576B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120127561A KR101306576B1 (ko) 2012-11-12 2012-11-12 차분 성분을 고려한 조명 변화에 강인한 얼굴 인식 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120127561A KR101306576B1 (ko) 2012-11-12 2012-11-12 차분 성분을 고려한 조명 변화에 강인한 얼굴 인식 시스템

Publications (1)

Publication Number Publication Date
KR101306576B1 true KR101306576B1 (ko) 2013-09-26

Family

ID=49455632

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120127561A KR101306576B1 (ko) 2012-11-12 2012-11-12 차분 성분을 고려한 조명 변화에 강인한 얼굴 인식 시스템

Country Status (1)

Country Link
KR (1) KR101306576B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101836346B1 (ko) 2016-11-09 2018-03-08 재단법인대구경북과학기술원 유사도판별장치 및 거리 계산 방법
KR20210037925A (ko) * 2019-09-30 2021-04-07 주식회사 씨엘 컴퓨터 비전을 이용한 승객 계수 장치 및 승객 모니터링 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070055653A (ko) * 2005-11-26 2007-05-31 한국전자통신연구원 얼굴 인식 방법 및 그 장치
KR20080067793A (ko) * 2007-01-17 2008-07-22 전준철 부분공간과 선형벡터양자화 분류기에 기반한 실시간 얼굴인식
KR20110109695A (ko) * 2010-03-31 2011-10-06 경북대학교 산학협력단 얼굴 인식 시스템 및 그 얼굴 인식 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070055653A (ko) * 2005-11-26 2007-05-31 한국전자통신연구원 얼굴 인식 방법 및 그 장치
KR20080067793A (ko) * 2007-01-17 2008-07-22 전준철 부분공간과 선형벡터양자화 분류기에 기반한 실시간 얼굴인식
KR20110109695A (ko) * 2010-03-31 2011-10-06 경북대학교 산학협력단 얼굴 인식 시스템 및 그 얼굴 인식 방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101836346B1 (ko) 2016-11-09 2018-03-08 재단법인대구경북과학기술원 유사도판별장치 및 거리 계산 방법
KR20210037925A (ko) * 2019-09-30 2021-04-07 주식회사 씨엘 컴퓨터 비전을 이용한 승객 계수 장치 및 승객 모니터링 시스템
KR102287683B1 (ko) * 2019-09-30 2021-08-10 주식회사 씨엘 컴퓨터 비전을 이용한 승객 계수 장치 및 승객 모니터링 시스템

Similar Documents

Publication Publication Date Title
US10242249B2 (en) Method and apparatus for extracting facial feature, and method and apparatus for facial recognition
WO2019134327A1 (zh) 一种基于边缘检测与sift的人脸表情识别特征提取方法
KR101877981B1 (ko) 가버 특징과 ｓｖｍ 분류기를 이용하여 위변조 얼굴을 인식하기 위한 시스템 및 그 방법
JP4410732B2 (ja) 顔画像検出装置、顔画像検出方法および顔画像検出プログラム
US9070041B2 (en) Image processing apparatus and image processing method with calculation of variance for composited partial features
US9626553B2 (en) Object identification apparatus and object identification method
JP5818327B2 (ja) 三次元物体認識用画像データベースの作成方法および作成装置
US9443137B2 (en) Apparatus and method for detecting body parts
WO2016138838A1 (zh) 基于投影极速学习机的唇语识别方法和装置
GB2549554A (en) Method and system for detecting an object in an image
CN110069989B (zh) 人脸图像处理方法及装置、计算机可读存储介质
US10007678B2 (en) Image processing apparatus, image processing method, and recording medium
KR20160011916A (ko) 얼굴 인식을 통한 사용자 식별 방법 및 장치
Molina-Moreno et al. Efficient scale-adaptive license plate detection system
Križaj et al. Adaptation of SIFT features for face recognition under varying illumination
KR101558547B1 (ko) 얼굴 포즈 변화에 강한 연령 인식방법 및 시스템
US20140161313A1 (en) Tracking device
KR20170108339A (ko) 영상에서 다수의 객체를 인식하는 방법
KR101491832B1 (ko) 영상 선택 장치 및 방법
CN114399731B (zh) 一种单粗点监督下的目标定位方法
EP2998928B1 (en) Apparatus and method for extracting high watermark image from continuously photographed images
JP2013218605A (ja) 画像認識装置、画像認識方法及びプログラム
KR101306576B1 (ko) 차분 성분을 고려한 조명 변화에 강인한 얼굴 인식 시스템
KR101521136B1 (ko) 얼굴 인식 방법 및 얼굴 인식 장치
Velardo et al. Face recognition with DAISY descriptors

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: 20160628

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20170628

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20190701

Year of fee payment: 7