KR101412727B1

KR101412727B1 - 얼굴 인식 장치 및 방법

Info

Publication number: KR101412727B1
Application number: KR1020130139394A
Authority: KR
Inventors: 박강령; 조경은; 김영곤
Original assignee: 동국대학교 산학협력단
Priority date: 2013-11-15
Filing date: 2013-11-15
Publication date: 2014-07-01

Abstract

얼굴 인식 장치는 하나 이상의 학습 영상 및 인식 영상을 수신하는 통신 인터페이스, 명령어에 따라 얼굴 영상에 나타난 사용자의 얼굴을 식별하는 프로세서 및 명령어를 저장하는 메모리를 포함하되, 명령어는 학습 영상을 입력 받아 블록별 히스토그램 특징 벡터를 추출하는 단계, 학습 영상에 대한 블록별 히스토그램 특징 벡터를 비교하여 매칭값을 생성하는 단계, 매칭값에 따라 블록별 학습 가중치를 산출하는 단계, 가중치에 따른 다층 신경망의 파라미터를 조정하는 단계, 인식 영상 및 미리 저장된 등록 영상의 픽셀 평균 및 표준 편차를 다층 신경망으로 입력하여 블록별 적용 가중치를 산출하는 단계, 적용 가중치를 적용하여 인식 영상 및 등록 영상 간의 최종 매칭값을 산출하는 단계 및 최종 매칭값이 미리 지정된 임계값 이상인 경우, 인식 영상의 사용자를 등록 영상의 사용자로 식별하는 단계를 수행하기 위한 명령어를 포함하는 것을 특징으로 한다.

Description

얼굴 인식 장치 및 방법{APPARATUS AND METHDO FOR IDENTIFYING FACE}

본 발명은 얼굴을 인식하는 기술에 관한 것으로 보다 상세하게는 영상의 얼굴 영역을 검출하고 검출된 얼굴 영역의 얼굴을 인식하는 기술에 관한 것이다.

기존의 사용자 인증을 위한 시스템에 적용되는 생체인식 기술에는 사용자의 신체에서 식별이 가능한 고유 생체 특징 정보를 이용한 방법이 많이 사용된다. 생체인식 기술 중 얼굴인식은 사용자의 신원을 확인하기 위해 가장 보편적으로 사용되는 기술이다. 기존 얼굴 인식 기술의 경우, 조명 환경이나 얼굴의 표정 및 포즈의 변화가 발생하는 경우 인식 성능이 저하되는 문제가 발생한다.

본 발명이 해결하고자 하는 과제는 국부 이진 패턴(LBP: Local Binary Pattern)을 이용하는 얼굴 인식 장치 및 방법을 제공하는 것이다.

본 발명의 일 측면에 따르면, 하나 이상의 학습 영상 및 인식 영상을 수신하는 통신 인터페이스; 명령어에 따라 상기 얼굴 영상에 나타난 사용자의 얼굴을 식별하는 프로세서; 및 상기 명령어를 저장하는 메모리;를 포함하되, 상기 명령어는, 상기 학습 영상을 입력 받아 블록별 히스토그램 특징 벡터를 추출하는 단계; 상기 학습 영상에 대한 블록별 상기 히스토그램 특징 벡터를 비교하여 매칭값을 생성하는 단계; 상기 매칭값에 따라 블록별 학습 가중치를 산출하는 단계; 상기 가중치에 따른 다층 신경망의 파라미터를 조정하는 단계; 상기 인식 영상 및 미리 저장된 등록 영상의 픽셀 평균 및 표준 편차를 상기 다층 신경망으로 입력하여 블록별 적용 가중치를 산출하는 단계; 상기 적용 가중치를 적용하여 상기 인식 영상 및 상기 등록 영상 간의 최종 매칭값을 산출하는 단계; 및 상기 최종 매칭값이 미리 지정된 임계값 이상인 경우, 상기 인식 영상의 사용자를 상기 등록 영상의 사용자로 식별하는 단계; 를 수행하기 위한 명령어를 포함하는 것을 특징으로 하는 얼굴 인식 장치가 제공된다.

상기 매칭값에 따라 블록별 학습 가중치를 산출하는 단계는, 상기 학습 영상의 블록별 히스토그램 특징 벡터에 대한 학습 가중치를 산출하는 단계일 수 있다.

상기 적용 가중치를 적용하여 상기 인식 영상 및 상기 등록 영상 간의 최종 매칭값을 산출하는 단계는, 상기 인식 영상 및 상기 등록 영상의 히스토그램 특징 벡터에 상기 적용 가중치를 곱하여 병합한 최종 히토그램 특징 벡터를 비교하여 최종 매칭값을 산출하는 단계일 수 있다.

상기 매칭값에 따라 블록별 학습 가중치를 산출하는 단계는, 상기 학습 영상 간의 블록별 매칭값에 대한 학습 가중치를 산출하는 단계일 수 있다.

상기 적용 가중치를 적용하여 상기 인식 영상 및 상기 등록 영상 간의 최종 매칭값을 산출하는 단계는, 상기 인식 영상 및 상기 등록 영상 간의 히스토그램 특징 벡터의 비교를 통해 산출한 매칭값에 상기 적용 가중치를 곱하여 합한 최종 매칭값을 산출하는 단계일 수 있다.

본 발명의 다른 측면에 따르면, 얼굴 인식 장치가 얼굴을 인식하는 방법에 있어서, 학습 영상을 입력 받아 블록별 히스토그램 특징 벡터를 추출하는 단계; 상기 학습 영상에 대한 블록별 상기 히스토그램 특징 벡터를 비교하여 매칭값을 생성하는 단계; 상기 매칭값에 따라 블록별 학습 가중치를 산출하는 단계; 상기 가중치에 따른 다층 신경망의 파라미터를 조정하는 단계; 인식 영상 및 미리 저장된 등록 영상의 픽셀 평균 및 표준 편차를 상기 다층 신경망으로 입력하여 블록별 적용 가중치를 산출하는 단계; 상기 적용 가중치를 적용하여 상기 인식 영상 및 상기 등록 영상 간의 최종 매칭값을 산출하는 단계; 및 상기 최종 매칭값이 미리 지정된 임계값 이상인 경우, 상기 인식 영상의 사용자를 상기 등록 영상의 사용자로 식별하는 단계;를 포함하는 얼굴 인식 방법이 제공된다.

상술한 바와 같이 본 발명의 일 실시예에 따르면, 조명 환경이나 얼굴의 표정 및 포즈의 변화가 발생하는 경우의 얼굴 인식률 저하를 방지할 수 있다.

도 1은 본 발명의 일 실시예에 따른 얼굴 인식 장치를 예시한 도면.
도 2는 본 발명의 일 실시예에 따른 얼굴 인식 장치가 얼굴을 인식하는 과정을 예시한 순서도.
도 3은 본 발명의 일 실시예에 따른 얼굴 인식 장치가 히스토그램 특징 벡터를 병합하는 과정을 예시한 도면.
도 4는 본 발명의 일 실시예에 따른 얼굴 인식 장치가 이용하는 신경망을 예시한 도면.
도 5는 본 발명의 제2 실시예에 따른 얼굴 인식 장치가 이용하는 신경망을 예시한 도면.
도 6은 본 발명의 제3 실시예에 따른 얼굴 인식 장치가 이용하는 신경망을 예시한 도면.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 이를 상세한 설명을 통해 상세히 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

또한, 본 명세서에서, 일 구성요소가 다른 구성요소로 신호를 “전송한다”로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되어 신호를 전송할 수 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 신호를 전송할 수도 있다고 이해되어야 할 것이다.

도 1은 본 발명의 일 실시예에 따른 얼굴 인식 장치를 예시한 도면이다.

도 1을 참조하면, 얼굴 인식 장치는 통신 인터페이스(110), 프로세서(120), 메모리(130)를 포함한다.

통신 인터페이스(110)는 외부 장치(카메라, 저장 매체, 통신망을 통해 연결된 단말 등)로부터 얼굴 영상을 수신한다.

프로세서(120)는 메모리(130)에 저장된 명령어에 따라 얼굴 영상에 포함된 얼굴 영역을 검출하고, 검출된 얼굴 영역을 이용하여 해당 얼굴 영상에 상응하는 사용자를 식별한다.

메모리(130)는 프로세서(120)에 의해 수행될 얼굴 영상에 나타난 사용자를 식별하기 위한 명령어를 저장한다.

이하 도 2를 참조하여 얼굴 인식 장치가 상술한 메모리(130)에 저장된 명령어에 따른 얼굴을 인식하여 얼굴 영상에 나타난 사용자를 식별하는 과정을 상세히 설명하도록 한다.

도 2는 본 발명의 일 실시예에 따른 얼굴 인식 장치가 얼굴을 인식하는 과정을 예시한 순서도이고, 도 3은 본 발명의 일 실시예에 따른 얼굴 인식 장치가 히스토그램 특징 벡터를 병합하는 과정을 예시한 도면이다. 이하, 설명하는 각 과정은 얼굴 인식 장치의 프로세서(120)가 메모리(130)에 저장된 명령어에 따라 수행하는 과정이나, 발명의 간결하고 명확한 설명을 위해 각 단계의 주체를 얼굴 인식 장치로 통칭하도록 한다.

단계 210에서 얼굴 인식 장치는 외부 장치로부터 학습 영상을 수신한다. 이 때, 학습 영상은 사용자 본인과 타인의 얼굴을 포함하는 영상일 수 있다. 이하, 학습 영상 중 사용자 본인의 영상을 본인 영상이라 지칭하고, 타인의 영상을 타인 영상이라 지칭하도록 한다.

단계 220에서 얼굴 인식 장치는 학습 영상으로부터 국부이진패턴을 이용하여 블록별 히스토그램 벡터를 추출한다. 도 3을 참조하여 예를 들면, 얼굴 인식 장치는 하나의 블록, 4개의 블록, 8개의 블록으로 분할하였을 경우, 각 블록에 대한 히스토그램 특징 벡터를 산출한다. 이후, 얼굴 인식 장치는 각 히스토그램 특징 벡터를 병합하여 해당 얼굴 영상에 대한 히스토그램 특징 벡터를 산출한다.

단계 230에서 얼굴 인식 장치는 본인 영상들 간의 히스토그램 특징 벡터를 미리 지정된 방법을 통해 비교하여 블록별 매칭값을 계산한다. 이 때, 매칭값은 두 영상의 특정 블록에 대해 매칭되는 정도를 나타내는 수치이고, 공지된 Chi-Quare, Correlation, Intersection, Bahttacharyya distance 등의 방법을 통해 산출할 수 있다. 얼굴 인식 장치는 각 블록별 할당 가능한 모든 학습 가중치의 조합 중 최종 매칭값이 가장 높게 산출되는 히스토그램 특징 벡터에 대한 블록별 학습 가중치를 선정한다. 이하, 본인 영상들 간의 히스토그램 특징 벡터를 비교하여 산출한 학습 가중치를 제1 가중치라 지칭하도록 한다. 또한, 얼굴 인식 장치는 본인 영상과 타인 영상 간의 히스토그램 특징 벡터를 미리 지정된 방법을 통해 비교하여 블록별 매칭값을 계산한다. 얼굴 인식 장치는 각 블록별 할당 가능한 모든 학습 가중치의 조합 중 최종 매칭값이 가장 낮게 산출되는 히스토그램 특징 벡터에 대한 블록별 학습 가중치를 선정한다. 이 때, 본인 영상과 타인 영상 간의 히스토그램 특징 벡터를 비교하여 산출한 학습 가중치를 제2 가중치라 지칭하도록 한다.

단계 240에서 얼굴 인식 장치는 학습 영상의 각 블록별 픽셀 평균 및 표준 편차를 입력으로 하고, 제1 가중치 또는 제2 가중치를 출력값이 되도록 다층 신경망의 파라미터를 조정한다. 즉, 얼굴 인식 장치는 본인 영상들의 각 블록별 픽셀 평균 및 표준 편차를 입력으로 하고, 제1 가중치를 출력하도록 다층 신경망의 파라미터를 조정한다. 또한, 얼굴 인식 장치는 본인 영상과 타인 영상의 블록별 픽셀 평균 및 표준 편차를 입력으로 하고, 제2 가중치를 출력하도록 다층 신경망의 파라미터를 조정한다. 이 때, 다층 신경망의 파라미터를 조정하는 것은 다층 신경망을 학습하는 과정으로 공지된 사항이므로 상세한 설명은 생략하기로 한다.

단계 250에서 얼굴 인식 장치는 인식 영상을 입력 받는다. 이 때, 인식 영상은 신원을 식별하기 위한 특정 사용자를 촬영한 영상일 수 있다.

단계 260에서 얼굴 인식 장치는 인식 영상 및 등록 영상의 블록 별 히스토그램 특징 벡터를 산출한다. 이 때, 등록 영상은 사용자의 얼굴이 포함된 미리 저장된 영상일 수 있다.

단계 270에서 얼굴 인식 장치는 인식 영상의 블록별 픽셀 평균 및 표준편차를 산출하고, 픽셀 평균 및 표준편차를 다층 신경망에 입력하여 블록별 적용 가중치를 산출한다.

단계 280에서 얼굴 인식 장치는 인식 영상 및 등록 영상의 각 블록별 히스토그램 특징 벡터에 대해 적용 가중치를 곱하고, 적용 가중치가 곱해진 각 히스토그램 특징 벡터를 병합하여 최종 히스토그램 특징 벡터를 산출한다. 얼굴 인식 장치는 각 인식 영상 및 등록 영상에 해당하는 최종 히스토그램 특징 벡터를 비교하여 매칭값을 산출한다. 얼굴인식 장치는 매칭값이 미리 지정된 임계값 이상일 경우, 인식 영상에 나타난 얼굴의 사용자를 등록 영상에 포함된 사용자로 식별한다.

도 4는 본 발명의 일 실시예에 따른 얼굴 인식 장치가 이용하는 신경망을 예시한 도면이다. 도 4를 참조하면, 신경망은 등록 영상 및 인식 영상의 블록별 평균 및 표준 편차를 입력 받아, 등록 영상의 각 블록별 가중치 및 인식 영상의 각 블록별 가중치를 산출한다. 도 4에 예시된 얼굴 인식 장치는 하나의 신경망을 이용하여 가중치를 산출하지만, 구현 방법에 따라 도 5와 같이 복수의 신경망을 이용할 수 있다.

도 5는 본 발명의 제2 실시예에 따른 얼굴 인식 장치가 이용하는 신경망을 예시한 도면이다. 도 5를 참조하면, 제1 신경망 및 제2 신경망은 등록 영상 및 인식 영상의 블록별 평균 및 표준 편차를 입력 받는다. 제1 신경망은 블록별 평균 및 표준 편차에 따라 등록 영상의 각 블록별 적용 가중치를 산출할 수 있다. 또한 제2 신경망은 블록별 평균 및 표준 편차에 따라 인식 영상의 각 블록별 적용 가중치를 산출할 수 있다.

도 2 내지 도 5를 참조하여 상술한 얼굴 인식 장치는 신경망을 통해 각 블록별 히스토그램 특징 벡터에 상응하는 적용 가중치를 산출하는 것으로 설명하였다. 하지만, 구현 방법에 따라 얼굴 인식 장치는 신경망을 통해 각 블록별 매칭값에 대한 적용 가중치를 산출하도록 변경될 수 있다.

도 6은 본 발명의 제3 실시예에 따른 얼굴 인식 장치가 이용하는 신경망을 예시한 도면이다.

도 6을 참조하면, 신경망은 등록 영상 및 인식 영상의 블록별 평균 및 표준 편차를 입력 받아, 각 블록별 매칭값에 대한 가중치를 산출한다.

따라서, 도 2의 단계 230이 얼굴 인식 장치가 최종 매칭값이 가장 높도록 매칭값에 대한 블록별 학습 가중치를 산출하는 단계로 변경되고, 단계 240에서 얼굴 인식 장치가 학습 영상의 각 블록별 픽셀 평균 및 표준 편차를 입력으로 하고, 매칭값에 대한 제1 가중치 또는 제2 가중치를 출력값이 되도록 다층 신경망의 파라미터를 조정하는 단계로 변경되고, 단계 280이 얼굴 인식 장치가 인식 영상 및 등록 영상의 각 블록별 히스토그램 특징 벡터에 따른 매칭값을 산출하고, 각 블록별 매칭값에 적용 가중치를 곱하여 최종 매칭값을 산출하는 단계로 변경될 수 있다.

따라서, 본 발명의 일 실시예에 따른 얼굴 인식 장치는 동일 사용자의 얼굴을 포함하는 두 영상에 대해 매칭값이 높게 산출되는 블록이 최종 매칭값에 반영되는 비중을 높여 인식률을 높일 수 있다. 또한, 본 발명의 일 실시예에 따른 얼굴 인식 장치는 상이한 사용자의 얼굴을 포함하는 두 영상에 대해 매칭값이 낮게 산출되는 블록이 최종 매칭값에 반영되는 비중을 높여 상이한 사용자에 대해 동일한 사용자로 인식하는 오류를 방지할 수 있다.

이제까지 본 발명에 대하여 그 실시 예를 중심으로 살펴보았다. 전술한 실시 예 외의 많은 실시 예들이 본 발명의 특허청구범위 내에 존재한다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예는 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 할 것이다.

Claims

하나 이상의 학습 영상 및 인식 영상을 수신하는 통신 인터페이스;
명령어에 따라 얼굴 영상에 나타난 사용자의 얼굴을 식별하는 프로세서; 및
상기 명령어를 저장하는 메모리;
를 포함하되,
상기 명령어는,
상기 학습 영상을 입력 받아 블록별 히스토그램 특징 벡터를 추출하는 단계;
상기 학습 영상에 대한 블록별 상기 히스토그램 특징 벡터를 비교하여 매칭값을 생성하는 단계;
상기 매칭값에 따라 블록별 학습 가중치를 산출하는 단계;
상기 가중치에 따른 다층 신경망의 파라미터를 조정하는 단계;
상기 인식 영상 및 미리 저장된 등록 영상의 픽셀 평균 및 표준 편차를 상기 다층 신경망으로 입력하여 블록별 적용 가중치를 산출하는 단계;
상기 적용 가중치를 적용하여 상기 인식 영상 및 상기 등록 영상 간의 최종 매칭값을 산출하는 단계; 및
상기 최종 매칭값이 미리 지정된 임계값 이상인 경우, 상기 인식 영상의 사용자를 상기 등록 영상의 사용자로 식별하는 단계;
를 수행하기 위한 명령어를 포함하되,
상기 매칭값에 따라 블록별 학습 가중치를 산출하는 단계는,
상기 학습 영상의 블록별 히스토그램 특징 벡터에 대한 학습 가중치를 산출하는 단계인 것을 특징으로 하는 얼굴 인식 장치.
삭제
제1 항에 있어서,
상기 적용 가중치를 적용하여 상기 인식 영상 및 상기 등록 영상 간의 최종 매칭값을 산출하는 단계는,
상기 인식 영상 및 상기 등록 영상의 히스토그램 특징 벡터에 상기 적용 가중치를 곱하여 병합한 최종 히토그램 특징 벡터를 비교하여 최종 매칭값을 산출하는 단계인 것을 특징으로 하는 얼굴 인식 장치.
하나 이상의 학습 영상 및 인식 영상을 수신하는 통신 인터페이스;
명령어에 따라 얼굴 영상에 나타난 사용자의 얼굴을 식별하는 프로세서; 및
상기 명령어를 저장하는 메모리;
를 포함하되,
상기 명령어는,
상기 학습 영상을 입력 받아 블록별 히스토그램 특징 벡터를 추출하는 단계;
상기 학습 영상에 대한 블록별 상기 히스토그램 특징 벡터를 비교하여 매칭값을 생성하는 단계;
상기 매칭값에 따라 블록별 학습 가중치를 산출하는 단계;
상기 가중치에 따른 다층 신경망의 파라미터를 조정하는 단계;
상기 인식 영상 및 미리 저장된 등록 영상의 픽셀 평균 및 표준 편차를 상기 다층 신경망으로 입력하여 블록별 적용 가중치를 산출하는 단계;
상기 적용 가중치를 적용하여 상기 인식 영상 및 상기 등록 영상 간의 최종 매칭값을 산출하는 단계; 및
상기 최종 매칭값이 미리 지정된 임계값 이상인 경우, 상기 인식 영상의 사용자를 상기 등록 영상의 사용자로 식별하는 단계;
를 수행하기 위한 명령어를 포함하되,
상기 매칭값에 따라 블록별 학습 가중치를 산출하는 단계는,
상기 학습 영상 간의 블록별 매칭값에 대한 학습 가중치를 산출하는 단계인 것을 특징으로 하는 얼굴 인식 장치.
제4 항에 있어서,
상기 적용 가중치를 적용하여 상기 인식 영상 및 상기 등록 영상 간의 최종 매칭값을 산출하는 단계는,
상기 인식 영상 및 상기 등록 영상 간의 히스토그램 특징 벡터의 비교를 통해 산출한 매칭값에 상기 적용 가중치를 곱하여 합한 최종 매칭값을 산출하는 단계인 것을 특징으로 하는 얼굴 인식 장치.
얼굴 인식 장치가 얼굴을 인식하는 방법에 있어서,
학습 영상을 입력 받아 블록별 히스토그램 특징 벡터를 추출하는 단계;
상기 학습 영상에 대한 블록별 상기 히스토그램 특징 벡터를 비교하여 매칭값을 생성하는 단계;
상기 매칭값에 따라 블록별 학습 가중치를 산출하는 단계;
상기 가중치에 따른 다층 신경망의 파라미터를 조정하는 단계;
인식 영상 및 미리 저장된 등록 영상의 픽셀 평균 및 표준 편차를 상기 다층 신경망으로 입력하여 블록별 적용 가중치를 산출하는 단계;
상기 적용 가중치를 적용하여 상기 인식 영상 및 상기 등록 영상 간의 최종 매칭값을 산출하는 단계; 및
상기 최종 매칭값이 미리 지정된 임계값 이상인 경우, 상기 인식 영상의 사용자를 상기 등록 영상의 사용자로 식별하는 단계;
를 포함하되,
상기 매칭값에 따라 블록별 학습 가중치를 산출하는 단계는,
상기 학습 영상의 블록별 히스토그램 특징 벡터에 대한 학습 가중치를 산출하는 단계인 것을 특징으로 하는 얼굴 인식 방법.
삭제
제6 항에 있어서,
상기 적용 가중치를 적용하여 상기 인식 영상 및 상기 등록 영상 간의 최종 매칭값을 산출하는 단계는,
상기 인식 영상 및 상기 등록 영상의 히스토그램 특징 벡터에 상기 적용 가중치를 곱하여 병합한 최종 히토그램 특징 벡터를 비교하여 최종 매칭값을 산출하는 단계인 것을 특징으로 하는 얼굴 인식 방법.
얼굴 인식 장치가 얼굴을 인식하는 방법에 있어서,
학습 영상을 입력 받아 블록별 히스토그램 특징 벡터를 추출하는 단계;
상기 학습 영상에 대한 블록별 상기 히스토그램 특징 벡터를 비교하여 매칭값을 생성하는 단계;
상기 매칭값에 따라 블록별 학습 가중치를 산출하는 단계;
상기 가중치에 따른 다층 신경망의 파라미터를 조정하는 단계;
인식 영상 및 미리 저장된 등록 영상의 픽셀 평균 및 표준 편차를 상기 다층 신경망으로 입력하여 블록별 적용 가중치를 산출하는 단계;
상기 적용 가중치를 적용하여 상기 인식 영상 및 상기 등록 영상 간의 최종 매칭값을 산출하는 단계; 및
상기 최종 매칭값이 미리 지정된 임계값 이상인 경우, 상기 인식 영상의 사용자를 상기 등록 영상의 사용자로 식별하는 단계;
를 포함하되,
상기 매칭값에 따라 블록별 학습 가중치를 산출하는 단계는,
상기 학습 영상 간의 블록별 매칭값에 대한 학습 가중치를 산출하는 단계인 것을 특징으로 하는 얼굴 인식 방법.
제9 항에 있어서,
상기 적용 가중치를 적용하여 상기 인식 영상 및 상기 등록 영상 간의 최종 매칭값을 산출하는 단계는,
상기 인식 영상 및 상기 등록 영상 간의 히스토그램 특징 벡터의 비교를 통해 산출한 매칭값에 상기 적용 가중치를 곱하여 합한 최종 매칭값을 산출하는 단계인 것을 특징으로 하는 얼굴 인식 방법.