KR101426039B1 - 얼굴/물체 인식을 위한 특징점 검출 장치 및 방법 - Google Patents

Abstract

본 발명은 인식 장치 및 방법에 관한 것으로, 보다 상세하게는 조명변화에 영향을 받지 않고 얼굴이나 물체를 인식할 수 있도록 특징점을 검출하는 얼굴/물체 인식을 위한 특징점 검출 장치 및 방법에 관한 것이다. 얼굴/물체 인식을 위한 특징점 검출 장치는 수신된 영상으로부터 조명효과를 제거하고, 조명효과가 제거된 영상을 벡터 변환하여 특징점을 검출하는 디지털 신호처리수단을 포함한다.

조명효과 제거, 벡터 변환

Description

얼굴/물체 인식을 위한 특징점 검출 장치 및 방법{Apparatus and method for extracting feature point to recognize face/object}

본 발명은 인식 장치 및 방법에 관한 것으로, 보다 상세하게는 조명변화에 영향을 받지 않고 얼굴이나 물체를 인식할 수 있도록 특징점을 검출하는 얼굴/물체 인식을 위한 특징점 검출 장치 및 방법에 관한 것이다.

얼굴/물체 인식 장치는 보안 시스템이나 상업적인 활용도에서 중요성이 점점 커지고 있으며, 감시 시스템과 로봇 분야에서 그 잠재적인 활용성이 높아 선진국에서 전략 산업으로 육성하고 있으며, 우리나라에서도 최근 국가 과제의 한 부분으로 지정될 만큼 중요성을 높이 평가 받고 있는 분야이다. 그런데 조명변화에 따라 얼굴/물체 인식 장치의 인식 성능이 크게 좌우되는 문제가 있다.

다양한 조명 변화에서도 높은 인식률을 얻을 수 있는 방법들은 여러 가지 제안되어 왔다. 기존의 방법들을 크게 3가지로 분류할 수 있는데, 가장 먼저 3차원 모델을 사용하여 조명의 효과를 3차원 공간에서 계산하여 그 영향을 제거하는 방법, 두 번째로 얼굴의 눈/코/입이나 물체의 두드러진 특징을 추출하여 이를 기준으로 얼굴이나 물체에 생긴 조명을 제거하는 방법, 마지막으로 얼굴이나 물체의 2차 원 영상이미지에 영상처리 기법을 사용하여 조명 효과를 제거하는 방법이 있다. 3차원 모델을 사용하는 방법은 그 정확성이나 성능은 상당히 뛰어나지만 계산량이 많이 필요하여 인식 시스템에서 사용하기에 부적합하다. 얼굴이나 물체의 특징을 추출하는 방법은 계산량은 3차원 모델을 사용하는 방법보다 적게 필요로 하지만 특징을 잘못 추출하거나, 추출된 특징의 위치가 어긋날 경우 인식률이 크게 저하되는 문제가 있다. 마지막으로 2차원 영상이미지를 사용하는 방법은 가장 계산량이 적어서 실제 시스템에 사용하기 적합하지만, 앞의 두 가지 방법보다 인식률이 떨어지는 단점이 있다.

본 발명이 해결하고자 하는 기술적인 과제는 다양한 조명 변화에 의해 발생하는 얼굴/물체 인식률 저하 문제를 해결하여 높은 인식 성능을 얻을 수 있는 얼굴/물체 인식을 위한 특징점 검출 장치 및 방법을 제공하는데 있다.

본 발명이 이루고자 하는 기술적인 과제를 해결하기 위한 얼굴/물체 인식을 위한 특징점 검출 장치는 수신된 영상으로부터 조명효과를 제거하고, 조명효과가 제거된 영상을 벡터 변환하여 특징점을 검출하는 디지털 신호처리수단을 포함하는 것이 바람직하다.

본 발명에 있어서, 상기 디지털 신호 처리수단은 수신된 영상으로부터 픽셀단위 히스토그램 평활화를 적용하여 조명효과가 제거된 영상을 획득하는 평활화부; 상기 평활화된 영상을 다운샘플링하여 축소하는 축소부; 상기 축소된 영상에 정규화를 수행하여 밝기값을 변경하는 정규화부; 상기 정규화된 영상을 벡터로 변환하는 벡터 변환부; 및 상기 변환된 벡터를 소정 차원 특징 공간의 한점에 대응시키는 제어부를 포함할 수 있다.

본 발명에 있어서, 상기 평활화부는 수신된 영상에서 임의의 픽셀에 정의된 소정 크기의 윈도우에 대해 히스토그램을 생성하고, 상기 히스토그램으로부터 누적 확률 분포 함수를 구하고, 상기 누적 확률 분포 함수를 이용하여 상기 픽셀의 새로운 밝기값을 생성하는 변환 함수를 정의한 후, 이를 모든 픽셀에 적용할 수 있다.

본 발명에 있어서, 상기 평활화부는 상기 임의의 픽셀과 이웃하는 한 픽셀의 히스토그램을 유지하면서, 상기 윈도우와 차이가 나는 윈도우 영역의 픽셀만을 접근하여 새로운 히스토그램을 생성하고, 상기 히스토그램으로부터 누적 확률 분포 함수를 구하고, 상기 누적 확률 분포 함수를 이용하여 상기 픽셀의 새로운 밝기값을 생성하는 변환 함수를 정의한 후, 이를 모든 픽셀에 적용할 수 있다.

본 발명에 있어서, 상기 정규화부는 상기 축소된 영상의 각 픽셀들의 밝기값 평균과 분산을 구한 후, 평균을 0, 분산을 1이 되도록 밝기값을 변경한 후, m × n 행렬을 생성할 수 있다.

본 발명에 있어서, 상기 벡터 변환부는 상기 m × n 개의 행렬을 m × n 원소를 가지는 벡터로 변환하고, 상기 제어부는 상기 영상을 m × n 차원 특징 공간의 한 점으로 대응시킬 수 있다.

본 발명이 이루고자 하는 기술적인 과제를 해결하기 위한 얼굴/물체 인식을 위한 특징점 검출 방법은 (a) 수신된 영상으로부터 조명효과를 제거하는 단계; 및 (b) 상기 조명효과가 제거된 영상을 벡터 변환하여 특징점을 검출하는 단계를 포함하는 것이 바람직하다.

본 발명에 있어서, 상기 (a) 단계에서 수신된 영상으로부터 픽셀단위 히스토그램 평활화를 적용하여 조명효과가 제거된 영상을 획득할 수 있다.

본 발명에 있어서, 상기 (a) 단계는 수신된 영상에서 임의의 픽셀에 정의된 소정 크기의 윈도우에 대해 히스토그램을 생성하는 단계; 상기 히스토그램으로부터 누적 확률 분포 함수를 구하는 단계; 상기 누적 확률 분포 함수를 이용하여 상기 픽셀의 새로운 밝기값을 생성하는 변환 함수를 정의하는 단계; 및 상기 과정을 모든 픽셀에 적용하는 단계를 포함할 수 있다.

본 발명에 있어서, 상기 (a) 단계는 상기 임의의 픽셀과 이웃하는 한 픽셀의 히스토그램을 유지하면서, 상기 윈도우와 차이가 나는 윈도우 영역의 픽셀만을 접근하여 새로운 히스토그램을 생성하는 단계; 상기 히스토그램으로부터 누적 확률 분포 함수를 구하는 단계; 상기 누적 확률 분포 함수를 이용하여 상기 픽셀의 새로운 밝기값을 생성하는 변환 함수를 정의하는 단계; 및 상기 과정을 모든 픽셀에 적용하는 단계를 포함할 수 있다.

본 발명에 있어서, 상기 (b) 단계는 (b-1) 상기 조명효과가 제거된 영상을 다운샘플링하여 축소하는 단계; (b-2) 상기 축소된 영상에 정규화를 수행하여 밝기값을 변경하는 단계; 및 (b-3) 상기 정규화된 영상을 벡터로 변환하고 소정 차원 특징 공간의 한점에 대응시키는 단계를 포함할 수 있다.

본 발명에 있어서, (b-2) 단계는 상기 축소된 영상의 각 픽셀들의 밝기값 평균과 분산을 구한 후, 평균을 0, 분산을 1이 되도록 밝기값을 변경한 후, m × n 행렬을 생성할 수 있다.

본 발명에 있어서, 상기 (b-3) 단계는 상기 m × n 개의 행렬을 m × n 원소를 가지는 벡터로 변환하고, 상기 영상을 m × n 차원 특징 공간의 한 점으로 대응시킬 수 있다.

본 발명에 따르면, 얼굴이나 물체에 조명이 변하더라도 정확하게 얼굴과 물 체를 인식할 수 있고, 기존의 다른 방법들보다 인식 성능과 처리 속도가 대단히 뛰어나다. 특히 조명 변화가 심한 경우에도 뛰어난 인식 성능을 나타내기 때문에 로봇 시스템이나 감시 시스템과 같이 다른 시스템에 쉽게 응용될 수 있다.

도 1은 본 발명에 따른 얼굴/물체 인식을 위한 특징점 검출 장치의 구성을 보이는 블록도로서, 영상 입력수단(110), 저장수단(120), 인식수단(130) 및 디지털 신호 처리수단(140)을 포함한다.

영상 입력수단(110)은 특징점 검출을 위한 영상을 입력받는다. 일 예로 도 2a에 영상 입력수단(110)이 입력받은 영상이 도시되어 있다.

저장수단은(120)에는 영상 입력수단(110)이 수신한 영상을 저장하고, 디지털 신호 처리수단(140)에서 생성되는 각종 데이터를 비롯하여 특징점 검출값을 저장한다.

인식수단(130)은 디지털 신호 처리수단(140)에서 검출된 특징점을 바탕으로 얼굴에 대한 특징점에 대하여 누구의 얼굴인지, 물체에 대한 특징점에 대하여 어떤 물체인지 판단한다.

디지털 신호 처리수단(140)은 영상 입력수단(110)을 통하여 수신한 영상으로부터 조명효과를 제거하고, 조명효과가 제거된 영상을 벡터 변환하여 특징점을 검출한다.

이를 위해 디지털 신호 처리수단(140)은 평활화부(141), 축소부(142), 정규화부(143), 벡터 변환부(144) 및 제어부(145)를 포함한다.

평활화부(141)는 제어부(145)의 제어 하에, 수신된 영상으로부터 픽셀단위 히스토그램 평활화(pixel-wise histogram equalization)를 적용하여 조명효과가 제거된 영상을 생성한다.

평활화부(141)의 픽셀단위 히스토그램 평활하는 5가지 단계로 진행되는데, 정의된 w×w 윈도우에 대해 히스토그램을 생성하고, 히스토그램으로부터 누적 확률 분포 함수(cumulative distribution function)을 구하고, 누적 확률 분포 함수를 이용하여 변환 함수를 정의하고, 변환 함수를 이용하여 새로운 밝기값을 결정하고, 이 과정을 영상의 모든 픽셀에 적용하는 과정으로 진행된다.

도 3에 도시된 바와 같이 영상에서 한 픽셀 P(x, y)에 대해 임의의 크기인 w×w 윈도우를 정의하고, 윈도우에 속한 픽셀들로 수학식 1과 같은 누적 확률 분포함수 C(i)를 구한다.

수학식 1에서 p(j)는 윈도우에 속한 각 픽셀의 밝기 값을 의미한다. 이 누적 확률 분포 함수 C(i)를 이용하여 수학식 2와 같은 변환 함수 i_he를 정의한다.

수학식 2에서 max와 min은 각 픽셀이 가질 수 있는 밝기값의 최대값과 최소 값을 의미한다. 이 변환 함수 i_he를 이용하여 한 픽셀 P(x, y)의 새로운 밝기값 i_he(x, y)를 계산하고, 이 과정을 영상의 모든 픽셀에 반복해서 수행하면, 조명효과가 제거된 영상을 획득할 수 있다. 도 2b에는 도 2a의 입력 영상에 대하여 평활화부(141)의 픽셀단위 히스토그램 평활화 과정을 통하여 생성된 영상 즉, 조명효과가 제거된 영상의 일 예가 도시되어 있다.

윈도우의 크기가 w×w일 때, 각 픽셀에 대하여 픽셀단위 히스토그램 평활화를 수행하려면, w×w개의 픽셀에 접근해야 한다. 그러나, 영상의 모든 픽셀에 대해 픽셀단위 히스토그램 평활화를 수행한다면 w²번의 접근이 아니라 2w번의 접근 만으로도 픽셀단위 히스토그램 평활화를 수행할 수 있다.

도 4에 도시된 바와 같이 영상에서 한 픽셀 P(x, y)에 대해 픽셀단위 히스토그램 평활화를 수행하였다면, 픽셀 P(x, y)를 중심으로한 윈도우의 히스토그램은 알고 있는 상태이다. 픽셀 P(x, y)과 이웃하는 픽셀 P'(x+1, y)에 대해 픽셀단위 히스토그램 평활화를 수행할 때 픽셀 P(x, y)를 중심으로한 윈도우의 히스토그램을 알고 있다는 것을 이용하여, 픽셀 P(x, y)를 중심으로한 윈도우의 R_O에 해당하는 픽셀들의 정보를 빼고 R_n에 해당하는 픽셀들의 정보를 더해주면 픽셀 P'(x+1, y)를 중심으로한 윈도우의 히스토그램을 구할 수 있다. 픽셀단위 히스토그램 평활화를 수행할 때 이웃한 픽셀의 히스토그램을 계속 유지하고 있으면, w²개가 아닌 2w개의 픽셀만 접근하면 새로운 히스토그램을 획득할 수 있기 때문에 고속으로 픽셀단위 히 스토그램 평활화를 수행할 수 있다.

축소부(142)는 제어부(145)의 제어 하에, 픽셀단위 히스토그램 평활화를 수행하여 조명효과가 제거된 영상을 다운샘플링하여 축소한다.

M×N 크기의 원본 영상을 그대로 사용하는 것은 너무 차원이 커서 많은 메모리와 계산량을 필요로 한다. 따라서, 데이터의 차원을 줄여야 하는데, 축소부(142)는 영상 처리에서 많이 사용되는 다운 샘플링 방법을 이용하여 영상의 크기를 원하는 m×n(M>>m, N>>n) 크기로 축소한다. 기존의 다른 방법인 주성분 분석법 (principal component analysis:PCA), 선형 판별 분석법(linear discriminant analysis:LDA)와 같은 방법을 사용하면, 데이터의 왜곡을 최소화 하면서 영상의 크기를 축소할 수 있다. 주성분 분석법 또는 선형 판별 분석법은 많은 메모리와 계산량을 필요로 하는 문제점이 있어 본원발명에서는 다운샘플링 방법을 이용하여 단순하고 빠르게 영상을 축소한다. 도 2c에는 픽셀단위 히스토그램 평활화를 수행하여 조명효과가 제거된 영상을 축소한 예가 도시되어 있다.

정규화부(143)는 제어부(145)의 제어 하에, 축소된 영상에 정규화를 수행하여 밝기값을 변경한다.

정규화부(143)는 축소된 m×n 크기의 영상 각 픽셀에 대해 밝기값의 평균(mean)과 분산(variance)을 구한 후, 평균을 0, 분산을 1이 되도록 모든 점들의 밝기값을 변경한다. 정규화부(143)의 영상 정규화 과정을 통해 m×n 크기의 행렬(matrix)를 획득할 수 있고, 도 2d에 영상 정규화 과정을 통해 생성된 행렬이 도시되어 있다.

벡터 변환부(144)는 제어부(145)의 제어 하에, 정규화된 영상을 벡터로 변환하는데, m×n 크기의 행렬을 m×n 개의 원소를 가지는 벡터로 변환한다. 도 2e에는 m×n 크기의 행렬을 m×n 개의 원소를 가지는 벡터로 변환한 예가 도시되어 있다.

제어부(145)는 벡터를 m×n 차원의 한 점에 대응시키며, 도 2f에 그 예가 도시되어 있다. 제어부(145)는 M×N 크기의 2차원 영상을 m×n 차원 특징 공간의 한 점으로 대응시키며, 이때 다른 조명 조건에서 획득한 동일 인물의 영상은 특징 공간에서 같은 점에 위치하도록 하고, 서로 다른 인물의 영상은 특징 공간에서 다른 점에 위치하도록 한다. 이렇게 되면 조명 효과에 따른 변화는 모두 제거되고 얼굴이나 물체의 고유 모양 차이에 따라 특징 공간에 위치하기 때문에 조명 변화에 강인한 인식 장치를 제작할 수 있다. 이렇게 변환된 m×n 차원 벡터는 기존의 여러 분류기들을 이용하여 쉽게 각 사람이나 물체들로 구분할 수 있다. 도 5에는 얼굴의 영상을 변환하면 동일 인물에 대해 다른 조명 조건에서 얻은 얼굴의 영상이미지는 다차원 공간 상의 동일 위치에 대응되며, 다른 인물에 대해 같은 조명 조건에서 얻은 얼굴의 영상이미지는 다차원 공간 상의 다른 위치에 대응되기 때문에 서로 다른 사람을 구분할 수 있다는 실시 예를 도시하고 있다.

이어서, 도 6 및 도 7을 참조하여 본 발명에 따른 얼굴/물체 인식을 위한 특징점 검출 방법을 설명한다. 본 발명에 따른 얼굴/물체 인식을 위한 특징점 검출 방법은 도 1에 도시된 바와 같은 얼굴/물체 인식을 위한 특징점 검출 장치 내부에서 수행될 수 있는데, 실시 예에 따라 동작 방법의 주 알고리즘은 장치 내의 주변 구성 요소들의 도움을 받아 추적 디지털 신호 처리수단(140) 내부에서 수행될 수 있다.

도 6은 본 발명에 따른 얼굴/물체 인식을 위한 특징점 검출 방법의 동작을 보이는 흐름도로서, 디지털 신호 처리부(140)가 영상을 수신하면(610단계), 영상에 픽셀단위 히스토그램 평활화를 적용하여 조명효과가 제거된 영상을 획득한다(620단계).

도 7에는 디지털 신호 처리부(140)가 적용하여 픽셀단위 히스토그램 평활화 과정의 제1 실시 예에 따른 상세 방법이 도시되어 있다.

먼저, 디지털 신호 처리부(140)는 영상에서 임의의 w×w를 정의하고, 정의된 w×w 윈도우로부터 히스토그램을 생성한다(621단계). 히스토그램 생성에 대한 내용은 이미 공지된 기술이 많으므로 이에 대한 설명은 생략하기로 한다.

히스토그램이 생성되면, 디지털 신호 처리부(140)는 히스토그램으로부터 누적 확률 분포 함수를 구한다(622단계). 도 3에 도시된 바와 같이 디지털 신호 처리부(140)는 영상에서 한 픽셀 P(x, y)에 대해 임의의 크기인 w×w 윈도우를 정의하고, 윈도우에 속한 픽셀들로 상기 수학식 1과 같은 누적 확률 분포함수 C(i)를 구한다. 수학식 1에서 p(j)는 윈도우에 속한 각 픽셀의 밝기 값을 의미한다.

누적 확률 분포 함수가 구해지면, 디지털 신호 처리부(140)는 누적 확률 분포 함수를 이용하여 변환 함수를 정의한다(623단계). 디지털 신호 처리부(140)는 누적 확률 분포 함수 C(i)를 이용하여 상기 수학식 2와 같은 변환 함수 i_he를 정의 한다. 상기 수학식 2에서 max와 min은 각 픽셀이 가질 수 있는 밝기값의 최대값과 최소값을 의미한다.

변환 함수가 정의되면, 디지털 신호 처리부(140)는 변환 함수를 이용하여 임의의 픽셀 P(x, y)의 새로운 밝기값 i_he(x, y)을 결정하고(624단계), 이 과정을 영상의 전체 픽셀에 적용하면(625단계), 조명효과가 제거된 영상을 획득할 수 있다.

윈도우의 크기가 w×w일 때, 각 픽셀에 대하여 픽셀단위 히스토그램 평활화를 수행하려면, w×w개의 픽셀에 접근해야 한다. 그러나, 영상의 모든 픽셀에 대해 픽셀단위 히스토그램 평활화를 수행한다면 w²번의 접근이 아니라 2w번의 접근 만으로도 픽셀단위 히스토그램 평활화를 수행할 수 있다. 도 4에 도시된 바와 같이 영상에서 한 픽셀 P(x, y)에 대해 픽셀단위 히스토그램 평활화를 수행하였다면, 픽셀 P(x, y)를 중심으로한 윈도우의 히스토그램은 알고 있는 상태이다. 픽셀 P(x, y)과 이웃하는 픽셀 P'(x+1, y)에 대해 픽셀단위 히스토그램 평활화를 수행할 때 픽셀 P(x, y)를 중심으로한 윈도우의 히스토그램을 알고 있다는 것을 이용하여, 픽셀 P(x, y)를 중심으로한 윈도우의 R_O에 해당하는 픽셀들의 정보를 빼고 R_n에 해당하는 픽셀들의 정보를 더해주면 픽셀 P'(x+1, y)를 중심으로한 윈도우의 히스토그램을 구할 수 있다. 픽셀단위 히스토그램 평활화를 수행할 때 이웃한 픽셀의 히스토그램을 계속 유지하고 있으면, w²개가 아닌 2w개의 픽셀만 접근하면 새로운 히스토그램을 획득할 수 있기 때문에 고속으로 픽셀단위 히스토그램 평활화를 수행할 수 있다.

다시 도 6으로 돌아와서, 조명효과가 제거된 영상이 획득되면, 디지털 신호 처리부(140)는 영상의 크기를 축소한다(630단계).

M×N 크기의 원본 영상을 그대로 사용하는 것은 너무 차원이 커서 많은 메모리와 계산량을 필요로 한다. 따라서, 데이터의 차원을 줄여야 하는데, 디지털 신호 처리부(140)는 영상 처리에서 많이 사용되는 다운 샘플링 방법을 이용하여 영상의 크기를 원하는 m×n(M>>m, N>>n) 크기로 축소한다.

영상이 축소되면, 디지털 신호 처리부(140)는 축소된 영상에 정규화를 수행하여 행렬로 변환시킨다(640단계).

디지털 신호 처리부(140)는 축소된 m×n 크기의 영상 각 픽셀에 대해 밝기값의 평균(mean)과 분산(variance)을 구한 후, 평균을 0, 분산을 1이 되도록 모든 점들의 밝기값을 변경한다. 디지털 신호 처리부(140)의 영상 정규화 과정을 통해 m×n 크기의 행렬(matrix)를 획득할 수 있다.

행렬이 획득되면, 디지털 신호 처리부(140)는 m×n 크기의 행렬을 m×n 개의 원소를 가지는 벡터로 변환한다(650단계).

벡터 변환이 완료되면, 디지털 신호 처리부(140)는 벡터를 소정 (m×n) 차원 특징 공간의 한 점에 대응시킨다(660단계).

M×N 크기의 2차원 영상을 m×n 차원 특징 공간의 한 점으로 대응시키며, 이때 다른 조명 조건에서 획득한 동일 인물의 영상은 특징 공간에서 같은 점에 위치하도록 하고, 서로 다른 인물의 영상은 특징 공간에서 다른 점에 위치하도록 한다. 이렇게 되면 조명 효과에 따른 변화는 모두 제거되고 얼굴이나 물체의 고유 모양 차이에 따라 특징 공간에 위치하기 때문에 조명 변화에 강인한 인식 장치를 제작할 수 있다. 이렇게 변환된 m×n 차원 벡터는 기존의 여러 분류기들을 이용하여 쉽게 각 사람이나 물체들로 구분할 수 있다.

도 1은 본 발명에 따른 얼굴/물체 인식을 위한 특징점 검출 장치의 구성을 보이는 블록도 이다.

도 2는 도 1의 장치에서 얼굴/물체 인식을 위한 특징점 검출 블록의 각 동작 과정을 설명하는 도면이다.

도 3은 도 1의 장치에서 픽셀단위 히스토그램 평활화의 제1 실시 예를 설명하기 위한 도면이다.

도 4는 도 1의 장치에서 픽셀단위 히스토그램 평활화의 제2 실시 예를 설명하기 위한 도면이다.

도 5는 도 1의 장치에서 동일 인물에 대해 다른 조명 조건에서 획득한 영상과, 다른 인물에 대해 같은 조명 조건에서 획득한 영상이 다차원 공간 상에서 어느 위치에 대응되는지 보여주는 도면이다.

도 6은 본 발명에 따른 얼굴/물체 인식을 위한 특징점 검출 방법의 동작을 보이는 흐름도 이다.

도 7은 도 6 중 픽셀단위 히스토그램 평활화를 적용하여 조명 효과가 제거된 영상을 획득하는 방법을 보이는 흐름도 이다.

Claims (13)

1. 삭제
2. 수신된 영상으로부터 픽셀단위 히스토그램 평활화를 적용하여 조명효과가 제거된 영상을 획득하는 평활화부;

   상기 평활화된 영상을 다운샘플링하여 축소하는 축소부;

   상기 축소된 영상의 각 픽셀들의 밝기값 평균과 분산을 구한 후, 평균을 0, 분산을 1이 되도록 밝기값을 변경한 후, m×n 행렬을 생성하는 정규화부;

   상기 m×n 행렬을 m×n 원소를 가지는 벡터로 변환하는 벡터 변환부; 및

   상기 변환된 벡터를 m×n 차원 특징 공간의 한 점에 대응시키는 제어부;를 포함하는 것을 특징으로 하는 얼굴/물체 인식을 위한 특징점 검출 장치.
3. 청구항 3은(는) 설정등록료 납부시 포기되었습니다.

   제 2항에 있어서, 상기 평활화부는

   수신된 영상에서 임의의 픽셀에 정의된 소정 크기의 윈도우에 대해 히스토그램을 생성하고,

   상기 히스토그램으로부터 누적 확률 분포 함수를 산출하고,

   상기 누적 확률 분포 함수를 이용하여 상기 픽셀의 새로운 밝기값을 생성하는 변환 함수를 정의한 후,

   상기 히스토그램 생성, 상기 누적 확률 분포 함수 산출 및 상기 변환함수 정의를 모든 픽셀에 적용하는 것을 특징으로 하는 얼굴/물체 인식을 위한 특징점 검출 장치.
4. 청구항 4은(는) 설정등록료 납부시 포기되었습니다.

   제 3항에 있어서, 상기 평활화부는

   상기 임의의 픽셀과 이웃하는 픽셀에 대한 상기 히스토그램 생성 시에, 상기 이웃하는 픽셀을 중심으로 하는 소정의 윈도우에서, 상기 임의의 픽셀을 중심으로 하는 소정의 윈도우 및 상기 이웃하는 픽셀을 중심으로 하는 소정의 윈도우의 공통된 윈도우 영역을 감산한 영역에 해당하는 차이 픽셀들만을 접근하여 새로운 히스토그램을 생성하는 것을 특징으로 하는 얼굴/물체 인식을 위한 특징점 검출 장치.
5. 삭제
6. 삭제
7. 수신된 영상으로부터 픽셀단위 히스토그램 평활화를 적용하여 조명효과가 제거된 영상을 획득하는 평활화 단계;

   상기 평활화된 영상을 다운샘플링하여 축소하는 축소 단계;

   상기 축소된 영상의 각 픽셀들의 밝기값 평균과 분산을 구한 후, 평균을 0, 분산을 1이 되도록 밝기값을 변경한 후, m × n 행렬을 생성하는 정규화 단계;

   상기 m × n 개의 행렬을 m × n 원소를 가지는 벡터로 변환하는 벡터 변환 단계; 및

   상기 변환된 벡터를 m × n 차원 특징 공간의 한 점에 대응시키는 대응단계;를 포함하는 것을 특징으로 하는 얼굴/물체 인식을 위한 특징점 검출 방법.
8. 삭제
9. 청구항 9은(는) 설정등록료 납부시 포기되었습니다.

   제 7항에 있어서, 상기 평활화 단계는

   (a) 수신된 영상에서 임의의 픽셀에 정의된 소정 크기의 윈도우에 대해 히스토그램을 생성하는 단계;

   (b) 상기 히스토그램으로부터 누적 확률 분포 함수를 구하는 단계;

   (c) 상기 누적 확률 분포 함수를 이용하여 상기 픽셀의 새로운 밝기값을 생성하는 변환 함수를 정의하는 단계; 및

   (d) 상기 (a) 내지 (c) 단계를 모든 픽셀에 적용하는 단계를 포함하는 것을 특징으로 하는 얼굴/물체 인식을 위한 특징점 검출 방법.
10. 청구항 10은(는) 설정등록료 납부시 포기되었습니다.

    제 9항에 있어서, 상기 (a) 단계는

    상기 임의의 픽셀과 이웃하는 픽셀에 대한 상기 히스토그램 생성 시에, 상기 이웃하는 픽셀을 중심으로 하는 소정의 윈도우에서, 상기 임의의 픽셀을 중심으로 하는 소정의 윈도우 및 상기 이웃하는 픽셀을 중심으로 하는 소정의 윈도우의 공통된 윈도우 영역을 감산한 영역에 해당하는 차이 픽셀들만을 접근하여 새로운 히스토그램을 생성하는 단계를 포함하는 것을 특징으로 하는 얼굴/물체 인식을 위한 특징점 검출 방법.
11. 삭제
12. 삭제
13. 삭제

Images