KR101464446B1 - 얼굴 인식과 자세 추정을 이용한 개인 인증 방법 및 그 장치 - Google Patents

얼굴 인식과 자세 추정을 이용한 개인 인증 방법 및 그 장치 Download PDF

Info

Publication number
KR101464446B1
KR101464446B1 KR1020130119231A KR20130119231A KR101464446B1 KR 101464446 B1 KR101464446 B1 KR 101464446B1 KR 1020130119231 A KR1020130119231 A KR 1020130119231A KR 20130119231 A KR20130119231 A KR 20130119231A KR 101464446 B1 KR101464446 B1 KR 101464446B1
Authority
KR
South Korea
Prior art keywords
face
personal authentication
node
posture
user
Prior art date
Application number
KR1020130119231A
Other languages
English (en)
Inventor
김현덕
이상헌
손명규
김동주
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 KR1020130119231A priority Critical patent/KR101464446B1/ko
Application granted granted Critical
Publication of KR101464446B1 publication Critical patent/KR101464446B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • 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
    • 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
    • G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
    • 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
    • G06V40/174—Facial expression recognition
    • G06V40/176—Dynamic expression

Abstract

본 발명은 얼굴 인식과 자세 추정을 이용한 개인 인증 방법 및 그 장치에 관한 것이다. 본 발명에 따르면, 카메라의 획득 영상으로부터 사용자의 얼굴 영역을 검출하는 단계와, 상기 얼굴 영역의 각 화소를 ECSP(Exetended Center Symmetric Pattern) 값들로 변환하여 상기 얼굴 영역을 전처리하는 단계와, 상기 전처리된 얼굴 영역으로부터 특징 벡터를 추출하는 단계와, 상기 특징 벡터를 사전에 학습된 분류기에 반영하여 상기 사용자의 1차 개인 인증을 수행하는 단계와, 패턴 인식을 위한 키패드를 화면 상에 노출하는 단계와, 상기 1차 개인 인증된 사용자에 대해 얼굴 영역을 검출하고, 시간에 따른 상기 얼굴의 자세 변화를 추정하는 단계, 및 상기 추정된 얼굴의 자세 변화에 대응되는 패턴이 기 저장된 보안 패턴과 일치하면 상기 사용자의 2차 개인 인증을 완료하는 단계를 포함하는 얼굴 인식과 자세 추정을 이용한 개인 인증 방법을 제공한다.
상기 얼굴 인식과 자세 추정을 이용한 개인 인증 방법 및 그 장치에 따르면, 사용자의 얼굴 인식을 이용한 1차 개인 인증 이후 사용자의 얼굴 자세 변화의 추정을 이용한 패턴 인식에 따른 2차 개인 인증을 수행함에 따라 개인 인증 절차에 대한 보안성을 강화시킬 수 있으며 보다 안전한 개인 인증이 가능한 이점이 있다.

Description

얼굴 인식과 자세 추정을 이용한 개인 인증 방법 및 그 장치{Method for user vertification using face recognition and head pose estimation and apparatus thereof}
본 발명은 얼굴 인식과 자세 추정을 이용한 개인 인증 방법 및 그 장치에 관한 것으로서, 보다 상세하게는 카메라로 촬영된 사용자의 얼굴 정보에 기반하여 개인 인증을 수행하는 얼굴 인식과 자세 추정을 이용한 개인 인증 방법 및 그 장치에 관한 것이다.
최근 들어, 시스템 보안에 관련된 연구가 활발히 진행되고 있다. 또한, 이에 따른 개인 인증에 대한 관심이 날로 증가하고 있다. 개인 인증에 사용되는 종래의 가장 흔한 방법은 패스워드 입력 방식이다. 패스워드 입력 방식은 사용자가 숫자나 문자의 조합으로 비밀 번호를 입력하여 개인 인증하는 방법이다. 그러나 이러한 패스워드 입력 방식은 개인의 생일이나 전화 번호와 같이 쉽게 추측되는 번호가 사용되는 경우가 많아 타인에게 쉽게 노출될 수 있는 문제점이 있다.
이러한 문제점으로 인하여 최근 패턴 인식을 이용한 개인 인증 방식이 대두 되었다. 이는 사용자가 사전에 정해 놓은 패턴을 직접 그려서 개인 인증을 수행하는 방식이다.
또 다른 개인 인증 방식으로는 생체 정보를 이용한 개인 인증 방식이 있다. 이는 개인의 고유한 특징인 지문이나 얼굴, 음성, 눈의 홍채 등을 이용하여 개인 인증하는 방식으로, 얼굴 인식을 이용하여 개인 인증하는 방법이 많이 사용된다. 하지만 이 또한 실제 사용자가 아닌 타인이 피인증자의 얼굴 사진을 도용하여 개인 인증을 수행하는 등의 문제점이 발생한다. 따라서 얼굴 인식을 통한 개인 인증 방식과 더불어 새로운 접근 방법의 필요성이 요구된다.
본 발명의 배경이 되는 기술은 한국등록특허 제0442835호(2004.07.23 등록)에 개시되어 있다.
본 발명은 개인 인증 절차에 대한 보안성을 강화시킬 수 있는 얼굴 인식과 자세 추정을 이용한 개인 인증 방법 및 그 장치를 제공하는데 목적이 있다.
본 발명은, 카메라의 획득 영상으로부터 사용자의 얼굴 영역을 검출하는 단계와, 상기 얼굴 영역의 각 화소를 ECSP(Exetended Center Symmetric Pattern) 값들로 변환하여 상기 얼굴 영역을 전처리하는 단계와, 상기 전처리된 얼굴 영역으로부터 특징 벡터를 추출하는 단계와, 상기 특징 벡터를 사전에 학습된 분류기에 반영하여 상기 사용자의 1차 개인 인증을 수행하는 단계와, 패턴 인식을 위한 키패드를 화면 상에 노출하는 단계와, 상기 1차 개인 인증된 사용자에 대해 얼굴 영역을 검출하고, 시간에 따른 상기 얼굴의 자세 변화를 추정하는 단계, 및 상기 추정된 얼굴의 자세 변화에 대응되는 패턴이 기 저장된 보안 패턴과 일치하면 상기 사용자의 2차 개인 인증을 완료하는 단계를 포함하는 얼굴 인식과 자세 추정을 이용한 개인 인증 방법을 제공한다.
여기서, 상기 얼굴의 자세의 변화를 추정하는 단계는, 트리 타입의 분류기들을 앙상블 형태로 결합한 랜덤 포레스트 분류기(Random Forest classifier)를 사용할 수 있다.
또한, 상기 랜덤 포레스트 분류기는, 상기 얼굴 영역에 대한 각각의 패치 영상이 입력되면, 상기 패치 영상을 상기 트리의 각 노드에 저장된 이진 평가 함수를 통해 이진 분류하여, 상기 트리의 하단에 존재하는 잎(leaf) 노드들 중 해당 잎 노드에 각각 최종 도달하도록 하고, 상기 이진 평가 함수(BP)는 아래의 수학식과 같이 상기 패치 영상을 구성하는 두 영역 내에 존재하는 각 화소별 ECSP 값들의 평균값 차이를 기 저장된 임계값과 비교하여 이진 분류를 수행할 수 있다.
Figure 112013090633863-pat00001
여기서, F1 및 F2는 상기 패치 영상을 임의 크기와 위치를 갖는 두 영역으로 구분한 제1 및 제2 서브패치 영역, |A1| 및 |A2|는 상기 F1 및 F2에 각각 존재하는 화소 수, p 및 q는 상기 F1 및 F2 내의 화소,
Figure 112013090633863-pat00002
는 상기 임계값을 나타낸다.
또한, 상기 랜덤 포레스트 분류기는, 해당 노드에 입력된 패치 영상에 대하여 상기 F1 및 F2를 상기 임의 크기와 위치를 가지는 복수의 쌍으로 랜덤으로 생성하여 상기 이진 평가 함수를 복수 개로 구성하고, 상기 복수의 이진 평가 함수 중에서 아래의 수학식을 최대값으로 하는 이진 평가 함수를 상기 해당 노드에 저장할 수 있다.
Figure 112013090633863-pat00003
여기서, i는 상기 해당 노드에 대한 좌측(L)과 우측(R)의 자식 노드, ni 및 μi는 상기 자식 노드 i에 학습된 패치 영상들의 개수 및 상기 학습된 패치 영상들의 얼굴 자세 라벨의 평균, cij는 상기 자식 노드 i에 학습된 j번째 패치 영상의 얼굴 자세 라벨, μ는 상기 해당 노드에 학습된 패치 영상들의 얼굴 자세 라벨의 평균을 나타낸다.
또한, 상기 랜덤 포레스트 분류기는, 상기 입력된 패치 영상이 최종 도달한 상기 해당 잎 노드에 기 저장되어 있는 얼굴 자세 라벨들의 분산값이 기 설정된 기준값 이하이면, 상기 해당 잎 노드에 저장된 대표 얼굴 자세 라벨을 추출하여 출력하며, 상기 각각의 패치 영상이 개별 도달한 복수의 해당 잎 노드들로부터 출력된 모든 대표 얼굴 자세 라벨들 중에서 최대 빈도로 출력된 얼굴 자세 라벨을 상기 사용자의 현재 얼굴 자세로 추정할 수 있다.
그리고, 본 발명은, 카메라의 획득 영상으로부터 사용자의 얼굴 영역을 검출하는 얼굴 영역 검출부와, 상기 얼굴 영역의 각 화소를 ECSP(Exetended Center Symmetric Pattern) 값들로 변환하여 상기 얼굴 영역을 전처리하는 영상 전처리부와, 상기 전처리된 얼굴 영역으로부터 특징 벡터를 추출하는 특징 벡터 추출부와, 상기 특징 벡터를 사전에 학습된 분류기에 반영하여 상기 사용자의 1차 개인 인증을 수행하는 1차 개인 인증부와, 패턴 인식을 위한 키패드를 화면 상에 노출하는 키패드 노출부와, 상기 1차 개인 인증된 사용자에 대해 얼굴 영역을 검출하고, 시간에 따른 상기 얼굴의 자세 변화를 추정하는 자세 변화 추정부, 및 상기 추정된 얼굴의 자세 변화에 대응되는 패턴이 기 저장된 보안 패턴과 일치하면 상기 사용자의 2차 개인 인증을 완료하는 2차 개인 인증부를 포함하는 얼굴 인식과 자세 추정을 이용한 개인 인증 장치를 제공한다.
본 발명에 따른 얼굴 인식과 자세 추정을 이용한 개인 인증 방법 및 그 장치에 따르면, 사용자의 얼굴 인식을 이용한 1차 개인 인증 이후 승인된 사용자에 한하여 사용자의 얼굴 자세 변화의 추정에 따른 패턴 인식을 이용한 2차 개인 인증을 수행함에 따라 개인 인증 절차에 대한 보안성을 강화시킬 수 있으며 보다 안전한 개인 인증이 가능한 이점이 있다.
도 1은 본 발명의 실시예에 따른 개인 인증 방법의 개념도이다.
도 2는 본 발명의 실시예에 따른 얼굴 인식과 자세 추정을 이용한 개인 인증 장치의 구성도이다.
도 3은 도 2를 이용한 개인 인증 방법의 흐름도이다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
도 1은 본 발명의 실시예에 따른 개인 인증 방법의 개념도이다. 도 1을 참조하면, 본 발명의 실시예는 얼굴 인식을 이용한 1차 개인 인증 단계와, 얼굴 자세 추정을 이용한 패턴 인식에 따른 2차 개인 인증 단계로 크게 구분된다. 즉, 본 실시예의 경우, 사전에 학습된 사용자의 안면 이미지를 이용한 얼굴 인식을 이용하여 1차적으로 개인 인증을 수행한 뒤, 얼굴 자세 추정을 통하여 정해진 패턴을 인식하여 2차적인 개인 인증을 수행한다.
도 2는 본 발명의 실시예에 따른 얼굴 인식과 자세 추정을 이용한 개인 인증 장치의 구성도이고, 도 3은 도 2를 이용한 개인 인증 방법의 흐름도이다.
도 2 및 도 3을 참조하면, 본 발명의 실시예에 따른 개인 인증 장치(100)는 얼굴 영역 검출부(110), 영상 전처리부(120), 특징 벡터 추출부(130), 1차 개인 인증부(140), 키패드 노출부(150), 자세 변화 추정부(160), 2차 개인 인증부(170)를 포함한다.
먼저, 1차 개인 인증 단계로서, 얼굴 영역 검출부(110)는 카메라의 획득 영상으로부터 사용자의 얼굴 영역을 검출한다(S300). 카메라는 개인 인증 장치(100)의 전면에 설치되어 얼굴의 정면 영상을 획득할 수 있다. 이러한 카메라는 PC 및 노트북에 탑재된 웹캠 및 모바일 단말기에 탑재된 카메라 등 활용 분야에 따라 다양하게 이용 가능하다. 물론, 본 발명이 반드시 이에 한정되는 것은 아니다.
상기 얼굴 검출 방법은 기 공지된 다양한 방식 중 선택적으로 적용 가능하다. 일반적으로 얼굴 검출 방법은 지식 기반 방법, 특징 기반 방법, 템플릿 매칭 방법, 외형기반 방법 등으로 구분할 수 있다. 본 실시예에서는 대표적인 얼굴 검출 방법으로 Haar-like 특징 기반의 Adaboost 알고리즘을 이용하여 입력 영상으로부터 얼굴 영역을 검출할 수 있다.
다음, 영상 전처리부(120)는 상기 얼굴 영역의 각 화소를 ECSP(Exetended Center Symmetric Pattern) 값들로 변환하여 상기 얼굴 영역을 전처리한다(S310).
얼굴 인식 과정은 동일한 사람의 얼굴이라도 외부 조명 변화에 따라 매우 다른 영상으로 표현될 수 있다. 이 때문에 인식 성능의 저하는 얼굴 인식 시스템의 상용화에 가장 큰 걸림돌이 된다. 이를 해결하기 위하여 이진 패턴 변환을 이용한 전처리 과정을 이용하여 조명 변화에 강인한 얼굴 인식 시스템을 구성할 수 있다.
이진 패턴 변환 연사자로는 LBP(Local Binary Pattern)와 CS-LBP(Center Symmetric Local Binary Pattern), 그리고 ECSP(Exetended Center Symmetric Pattern)가 알려져 있다. 본 실시예의 경우 얼굴의 텍스쳐 성분을 더 잘 표현할 수 있는 ECSP를 이용한다.
ECSP는 CS-LBP의 변형된 형태로서, 중심 화소를 기준으로 대칭되는 주변 화소 값들을 비교하는 방법은 CS-LBP와 동일하나, 가중치를 다르게 하여 패턴을 구성한다는 것에 특징이 있다.
일반적으로 얼굴의 텍스처는 수직이나 수평 방향의 성분보다는 대각 방향의 성분이 보다 더 중요한 정보를 포함한다. ECSP는 중심 화소를 기준으로 수직 또는 수평 방향의 성분보다 대각 방향으로 대칭되는 성분에 중요도를 높게 부여하여 얼굴의 텍스쳐를 생성하며, 아래의 수학식 1과 같이 표현된다.
Figure 112013090633863-pat00004
여기서,
Figure 112013090633863-pat00005
이다. 또한, P는 중심 화소에 대한 이웃 화소의 개수, R은 사용된 원의 반지름을 의미한다. gp는 이웃 화소의 화소 값, WP ,R(P)는 이진 패턴 생성 과정에서 비트 가중치를 결정하는 함수를 의미한다.
상기 S310 단계는 S300 단계에서 검출된 얼굴 영역의 각 화소를 수학식 1을 이용하여 ECSP 값들로 변환하여 얼굴 영역을 전처리한다. 이러한 전처리에 따라 영상이 조명 변화와 외부 노이즈에 덜 민감하게 되고 얼굴 텍스처 성분이 더 현저하게 표현될 수 있다.
이와 같이, 얼굴 영역에 대한 전처리가 완료되면, 특징 벡터 추출부(130)는 상기 전처리된 얼굴 영역으로부터 특징 벡터를 추출한다(S320). 얼굴 영역으로부터 특징 벡터의 추출은 기 공지된 다양한 방법을 사용할 수 있다.
특징 벡터의 추출 방법으로는 공분산 행렬을 이용하여 고유 값과 고유 벡터를 계산하여 특징을 추출하는 주성분 분석법(PCA;Principal Component Analusis), 클래스 사이(between-class) 분포와 클래스 내(within-class) 분포의 비율을 최대화하는 선형 판별 분석법(LDA;Linear Disciminant Analysis) 등을 사용할 수 있다.
다음, 1차 개인 인증부(140)는 상기 추출된 특징 벡터를 사전에 학습된 분류기에 반영하여 상기 사용자의 1차 개인 인증을 수행한다(S330~S340). 이러한 1차 개인 인증 단계는 사전에 학습된 정보로부터 얼굴 인식과정을 거쳐 사용자를 인증하는 과정이다. 해당 사용자가 아니면 인증을 불허하고, 해당 사용자가 맞으면 인증을 허여하여 다음의 2차 개인 인증 단계로 넘어간다.
상기 1차 개인 인증은 베이지안 분류기(Bayesian classifier), 피셔 분류기(Fisher classifier), 서포트 벡터 머신 분류기(SVM;support vector machine classifier), 근접 이웃 분류기(K-NN;k-Nearest Neighbor), 랜덤 포레스트 분류기(Random Forest classifier) 등의 분류 알고리즘을 사용할 수 있다. 이와 같이 사전에 학습된 분류기를 이용하여 얼굴 인증을 수행하는 구체적인 구성 및 원리는 기 공지되어 있으므로 상세한 설명은 생략한다.
이렇게 1차 개인 인증이 완료되면, 얼굴 자세에 대응하는 패턴 형성을 이용한 2차 인증 단계로 돌입한다. 2차 인증 단계는 얼굴 자세 추정을 이용한 개인 인증 과정으로서 화면에 키패드를 나타내고 그에 따른 사용자의 얼굴 자세의 변화를 추정하여 인식된 패턴과 사전에 정의된 패턴과의 일치 여부를 이용하여 사용자를 2차 인증한다. 이를 위해 키패드 노출부(150)는 패턴 인식을 위한 키패드를 화면 상에 노출한다(S350). 노출된 키패드의 모습과 패턴 인식 동작은 도 1을 참조한다.
다음, 자세 변화 추정부(160)는 상기 1차 개인 인증된 사용자에 대해 얼굴 영역을 검출하고(S360), 시간에 따른 상기 얼굴의 자세 변화를 추정한다(S370). 이에 따라 자세 변화 추정부(160)는 추정된 얼굴의 자세 변화에 대응되는 패턴을 획득할 수 있다(S380). 도 1의 경우, 사용자의 얼굴 자세 변화에 따라 키패드 5→4→2→6→8 순서에 대응하는 패턴이 획득된 예이다.
이후에는, 상기 추정된 얼굴의 자세 변화에 대응되는 패턴이 기 저장된 보안 패턴과 일치하면, 2차 개인 인증부(170)는 상기 사용자의 2차 개인 인증을 완료한다(S390). 물론, 패턴이 일치하지 않는 경우에는 사용자 인증을 불허한다.
본 실시예에서는 얼굴 자세의 변화 추정을 위하여, 랜덤 포레스트 분류기(Random Forest classifier)를 사용한다. 랜덤 포레스트 분류기는 Breiman에 의해 개발된 것으로서 트리(tree) 타입의 분류기들을 앙상블(ensemble) 형태로 결합한 것이다. 이러한 랜덤 포레스트 분류 방법에 관한 구체적인 구성 및 원리는 기 공지되어 있으므로 상세한 설명은 생략한다.
이하에서는 상기 자세 변화 추정부(160)에서 랜덤 포레스트 분류기를 이용하여 얼굴 자세 변화를 추정하는 과정(S370)에 관하여 상세히 설명한다.
우선 S360 단계에서 검출된 얼굴 영역은 복수의 패치 영상으로 구분(분할)될 수 있다. 즉, 패치 영상은 상기 얼굴 영역의 크기보다 작은 서브 영상에 해당된다. 상기 랜덤 포레스트 분류기에는 상기 얼굴 영역에 대한 각각의 패치 영상이 입력된다. 본 실시예의 경우 80×80 픽셀 크기의 패치 영상을 사용한다. 입력된 패치 영상은 기 학습된 랜덤 포레스트 분류기를 통해 해당 클래스로 분류된다.
랜덤 포레스트 분류기는 학습 데이터 영상으로부터 결정 트리를 구성해 나간 것으로, 각각의 학습 데이터 영상은 얼굴 자세 라벨을 포함하고 있다. 얼굴 자세 라벨이란 해당 영상의 얼굴 자세를 나타내는 코드 또는 번호를 의미한다. 결정 트리는 크게 일반 노드와 잎 노드(Leaf)로 구성된다.
랜덤 포레스트 분리기에 사용되는 이진 트리의 분류 방법은 상단의 뿌리 노드에서 하단의 마지막 잎 노드(Leaf)까지 이진 결정이 가능한 질문(이진 평가 함수)을 통하여 최종 의사결정을 하는 방법이다. 각 노드에서 사용되는 질문인 이진 평가(test) 함수는 해당 노드에 대한 두 하위 노드인 좌측 노드의 경로 및 우측 노드의 경로 중 분류될 경로를 선택하는 기준이 된다. 즉, 이진 평가 함수는 입력된 영상 패치를 현재 노드로부터 두 자식 노드 중 하나의 자식 노드로 분할해서 보내는 역할을 한다.
이상과 같은 내용을 바탕으로 랜덤 포레스트 분류기를 이용한 얼굴 자세 추정 방법은 다음과 같다. 우선, 랜덤 포레스트 분류기는 상기 얼굴 영상에 대한 각각의 패치 영상이 입력되면, 상기 패치 영상을 상기 트리의 각 노드에 저장된 이진 평가 함수를 통해 이진 분류하여, 상기 트리의 하단에 존재하는 잎(leaf) 노드들 중 해당 잎 노드에 각각 최종 도달하도록 한다.
이러한 이진 평가 함수(BP)는 아래의 수학식 2로 정의될 수 있다.
Figure 112013090633863-pat00006
여기서, F1 및 F2는 상기 패치 영상을 임의 크기와 위치를 갖는 두 영역으로 구분한 제1 및 제2 서브패치 영역, |A1| 및 |A2|는 상기 F1 및 F2에 각각 존재하는 화소 수, p 및 q는 상기 F1 및 F2 내의 화소,
Figure 112013090633863-pat00007
는 상기 임계값을 나타낸다.
즉, 이진 평가 함수는 상기 패치 영상을 구성하는 두 영역 즉, 제1 서브패치 영역(F1) 내에 존재하는 화소들의 ECSP 값의 평균과, 제2 서브패치 영역(F2) 내에 존재하는 화소들의 ECSP 값의 평균의 차이 값을 구한 다음, 이 차이 값을 기 저장된 임계값과 비교하여 이진 분류를 수행한다.
만약, 제1 서브패치 영역(F1) 내에 속한 화소들의 ECSP 값의 평균과, 제2 서브패치 영역(F2) 내에 속한 화소들의 ECSP 값의 평균의 차이가
Figure 112013090633863-pat00008
보다 크면, 오른쪽 자식 노드로 보내고 작으면 왼쪽 자식 노드로 보낸다.
즉, 현재 노드에 대해 패치 영상이 입력되면, 두 자식 노드 중에서 하나의 노드로 이진 분류를 수행하되, 수학식 2와 같은 이진 평가 함수를 사용하며, 패치 영상이 말단의 임의 잎 노드로 도달할 때까지 이진 분류를 수행한다. 트리 상에서 잎 노드는 트리 말단에 복수 개로 존재하며 이진 분류에 따라 복수의 잎 노드 중에서 해당 노드로 최종 도달하게 된다.
여기서, 본 실시예의 경우, 이진 분류를 위한 이진 평가 함수에 각 픽셀의 값을 그대로 사용하지 않고 평균 값을 이용함에 따라 노이즈에 덜 민감하게 되며, 더욱이 ECSP 값을 사용하기 때문에 조명 변화에도 덜 민감하게 된다.
이진 평가 함수는 상술한 바와 같이, 서브패치 영역 F1, F2, 그리고
Figure 112013090633863-pat00009
에 의해 결정된다. 그런데, 상기와 같이 트리를 구성하는 각 노드에 이진 평가 함수를 저장하기 위해서, 본 실시예의 경우 다음의 방법을 사용한다.
트리의 각 노드에 이진 평가 함수를 저장하는 원리는 동일하므로, 설명의 편의를 위하여 현재의 한 노드에 대하여 설명한다.
우선 현재의 해당 노드에 대해, 복수의 이진 평가 함수(ex, 2000개)를 랜덤하게 구성한다. 이는 해당 노드에 입력된 패치 영상에 대한 두 영역인 F1 및 F2를 임의 크기 및 위치를 가지는 영역으로 랜덤으로 생성하여 이로부터 이진 평가 함수를 복수 개로 구성하면 된다.
패치 영상으로부터 F1 및 F2 영역이 어떤 식으로 구분되느냐에 따라 수학식 2의 이진 평가 함수 값은 달라지게 된다. 이후에는 이렇게 생성된 복수의 이진 평가 함수들 중에서 최적의 이진 평가 함수를 탐색한다.
본 실시예에서는 아래의 수학식 3의 방법을 이용하여 최적의 이진 평가 함수를 선택한다.
Figure 112013090633863-pat00010
여기서, i는 상기 해당 노드에 대한 좌측(L)과 우측(R)의 자식 노드, ni 및 μi는 상기 자식 노드 i에 학습된 패치 영상들의 개수 및 상기 학습된 패치 영상들의 얼굴 자세 라벨의 평균, cij는 상기 자식 노드 i에 학습된 j번째 패치 영상의 얼굴 자세 라벨, μ는 상기 해당 노드에 학습된 패치 영상들의 얼굴 자세 라벨의 평균을 나타낸다.
즉, 랜덤 포레스트 분류기는, 해당 노드에 입력된 패치 영상에 대하여 상기 F1 및 F2를 상기 임의 크기와 위치를 가지는 복수의 쌍으로 랜덤으로 생성하여 상기 이진 평가 함수를 복수 개로 구성한다. 이후, 상기 복수의 이진 평가 함수 중에서 수학식 3을 최대값으로 하는 이진 평가 함수를 상기 해당 노드에 저장한다.
여기서, 현재의 해당 노드에서 수학식 3을 최대값으로 하는 이진 평가 함수란, 현재의 해당 노드에 대한 복수의 이진 평가 함수(ex, 2000개의 후보군) 중에서도 현재의 해당 노드로부터 두 자식 노드로 가장 최적의 이진 분류를 수행할 수 있는 단 하나의 이진 평가 함수를 의미한다.
이상과 같이, 랜덤 포레스트 분류기에 입력된 패치 영상은 상기 각 노드에 저장된 이진 평가 함수를 통해 이진 분류되어 해당 잎 노드로 최종 도달하게 된다.
여기서, 각각의 잎 노드에는 기 학습 과정에 따라, 각각의 잎 노드에 대응하는 얼굴 자세 라벨들의 값과 그 평균 및 분산, 그리고 대표 얼굴 자세 라벨 값을 저장하고 있다. 그 개념을 간단히 설명하면 다음과 같다.
예를 들어, 학습 과정에 따라 제1 잎 노드에는 얼굴 자세 라벨이 #1인 패치 영상 10개, 라벨이 #2인 패치 영상 2개, 라벨이 #3인 패치 영상 1개가 분류된 바 있다고 가정한다. 여기서 #1이 10개, #2가 2개, #3이 1개로서, 제1 잎 노드에 저장되는 얼굴 자세 라벨들의 평균 값은 1.31(=(1*10+2*2+3*1)/13), 분산 값은 0.37이다. 또한, 제1 잎 노드에 저장되는 대표 얼굴 자세 라벨은 가장 분류의 빈도가 높은 #1이 된다.
여기서, 상기 랜덤 포레스트 분류기는 상기 입력된 패치 영상이 최종 도달한 상기 해당 잎 노드에 기 저장되어 있는 얼굴 자세 라벨들의 분산값이 기 설정된 기준값 이하이면, 상기 해당 잎 노드에 저장된 대표 얼굴 자세 라벨을 추출하여 출력한다.
본 실시예에서는 상기 S360 단계에서 검출된 얼굴 영역의 영상이 들어오면, 이를 좌상단에서 우하단까지 80×80 크기로 5픽셀 씩 오버랩(Overlap)되도록 이동하면서 패치 영상을 추출한다. 추출한 영상 패치는 앞서와 같이 사전에 학습된 결정트리에 입력되어 이동해 나간다.
만약, 입력된 패치 영상이 상기 제1 잎 노드에 최종 도달하면, 이 제1 잎 노드에 저장된 얼굴 자세 라벨들의 분산 값(ex, 0.37)이 기 저장된 기준값 이하인지 판단하고, 기준값 이하인 경우에 한하여 제1 잎 노드에 저장된 대표 얼굴 자세 라벨(ex, #1)을 출력한다. 이는 해당 잎 노드에 대한 분산 값을 기준 값과 비교하여 신뢰성 있는 데이터만 얼굴 자세 분류에 이용하기 위한 것이다. 일반적으로 분산 값이 작을수록 데이터에 신뢰성이 있음은 자명한 것이다.
여기서, 하나의 얼굴 영상에 대한 패치 영상은 복수 개이므로, 모든 복수의 패치 영상 각각에 대하여 상술한 방법을 수행하게 된다. 이후에는, 상기 각각의 패치 영상이 개별 도달한 복수의 해당 잎 노드들로부터 출력된 모든 대표 얼굴 자세 라벨들 중에서 최대 빈도로 출력된 얼굴 자세 라벨을 상기 사용자의 현재 얼굴 자세로 추정한다.
즉, 제1 패치 영상이 최종 도달한 잎 노드로부터 출력된 대표 얼굴 자세 라벨, 제2 패치 영상이 최종 도달한 잎 노드로부터 출력된 대표 얼굴 자세 라벨, ... 제N 패치 영상이 도달한 잎 노드로부터 출력된 대표 얼굴 자세 라벨을 모두 획득한 다음, 그 중에서 최다 빈도로 출력된 대표 얼굴 자세 라벨(최빈값)을 현재 입력된 얼굴 영상에 대한 얼굴 자세인 것으로 추정한다. 여기서, 물론 분산 값과 기준 값의 비교과정에 따라 대표 얼굴 자세 라벨이 출력되지 않는 잎 노드도 존재한다.
이를 각 시점별로 획득하면, 시간에 따른 얼굴 자세의 변화를 확인할 수 있다. 이러한 얼굴 자세의 추정을 이용하여 패턴을 그리게 된다.
이러한 본 실시예의 경우, 1차 개인 인증 이후 전면부 화면에 키패드가 노출되면 사전에 정의된 패턴에 따른 얼굴 자세의 변화를 이용하여 2차 개인 인증을 추가로 수행하게 된다. 여기서, 노이즈를 제거하기 위하여 일정한 시간 동안 획득한 영상에서 각 영상마다 얼굴 자세를 추정하고 최빈값을 이용하여 대표 얼굴 자세를 결정한다. 또한, 패턴 형성의 시작과 끝을 구분하기 위하여, 본 시스템은 최초 일정 시간 동안 정면을 바라보면 시작으로 간주하고 이후 다시 일정 시간 동안 정면을 바라보면 끝으로 간주하고 패턴 일치 여부를 판단할 수 있다.
이상과 같은 본 발명에 따른 얼굴 인식과 자세 추정을 이용한 개인 인증 방법 및 그 장치에 따르면, 사용자의 얼굴 인식을 이용한 1차 개인 인증 이후 승인된 사용자에 한하여 사용자의 얼굴 자세 변화의 추정에 따른 패턴 인식을 이용한 2차 개인 인증을 수행함에 따라 개인 인증 절차에 대한 보안성을 강화시킬 수 있으며 보다 안전한 개인 인증이 가능하다. 더불어, 그 과정에서 영상의 화소 값 대신에 ECSP 값을 사용함에 따라 조명 변화와 외부 노이즈에 덜 민감한 이점이 있다.
이러한 본 발명에 따른 개인 인증 방법은 별도의 키보드 및 키패드 등의 입력 과정이 필요 없으며 설치된 카메라에서 획득한 영상만으로 보다 안전한 개인 인증을 수행할 수 있다. 또한, 활용 분야에 따라서 모바일에서의 잠금 해제, 개인 컴퓨터 로그인, 출입구에서 출입 권환 부여 등 다양하게 적용 가능하다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100: 얼굴 인식과 자세 추정을 이용한 개인 인증 장치
110: 얼굴 영역 검출부 120: 영상 전처리부
130: 특징 벡터 추출부 140: 1차 개인 인증부
150: 키패드 노출부 160: 자세 변화 추정부
170: 2차 개인 인증부

Claims (10)

  1. 카메라의 획득 영상으로부터 사용자의 얼굴 영역을 검출하는 단계;
    상기 얼굴 영역의 각 화소를 ECSP(Exetended Center Symmetric Pattern) 값들로 변환하여 상기 얼굴 영역을 전처리하는 단계;
    상기 전처리된 얼굴 영역으로부터 특징 벡터를 추출하는 단계;
    상기 특징 벡터를 사전에 학습된 분류기에 반영하여 상기 사용자의 1차 개인 인증을 수행하는 단계;
    패턴 인식을 위한 키패드를 화면 상에 노출하는 단계;
    상기 1차 개인 인증된 사용자에 대해 얼굴 영역을 검출하고, 시간에 따른 상기 얼굴의 자세 변화를 추정하는 단계; 및
    상기 추정된 얼굴의 자세 변화에 대응되는 패턴이 기 저장된 보안 패턴과 일치하면 상기 사용자의 2차 개인 인증을 완료하는 단계를 포함하며,
    상기 얼굴의 자세의 변화를 추정하는 단계는,
    트리 타입의 분류기들을 앙상블 형태로 결합한 랜덤 포레스트 분류기(Random Forest classifier)를 사용하는 얼굴 인식과 자세 추정을 이용한 개인 인증 방법.
  2. 삭제
  3. 청구항 1에 있어서,
    상기 랜덤 포레스트 분류기는,
    상기 얼굴 영역에 대한 각각의 패치 영상이 입력되면, 상기 패치 영상을 상기 트리의 각 노드에 저장된 이진 평가 함수를 통해 이진 분류하여, 상기 트리의 하단에 존재하는 잎(leaf) 노드들 중 해당 잎 노드에 각각 최종 도달하도록 하고,
    상기 이진 평가 함수(BP)는 아래의 수학식과 같이 상기 패치 영상을 구성하는 두 영역 내에 존재하는 각 화소별 ECSP 값들의 평균값 차이를 기 저장된 임계값과 비교하여 이진 분류를 수행하는 얼굴 인식과 자세 추정을 이용한 개인 인증 방법:
    Figure 112014083375915-pat00011

    여기서, F1 및 F2는 상기 패치 영상을 임의 크기와 위치를 갖는 두 영역으로 구분한 제1 및 제2 서브패치 영역, |A1| 및 |A2|는 상기 F1 및 F2에 각각 존재하는 화소 수, p 및 q는 상기 F1 및 F2 내의 화소,
    Figure 112014083375915-pat00012
    는 상기 임계값을 나타낸다.
  4. 청구항 3에 있어서,
    상기 랜덤 포레스트 분류기는,
    해당 노드에 입력된 패치 영상에 대하여 상기 F1 및 F2를 상기 임의 크기와 위치를 가지는 복수의 쌍으로 랜덤으로 생성하여 상기 이진 평가 함수를 복수 개로 구성하고,
    상기 복수의 이진 평가 함수 중에서 아래의 수학식을 최대값으로 하는 이진 평가 함수를 상기 해당 노드에 저장하는 얼굴 인식과 자세 추정을 이용한 개인 인증 방법:
    Figure 112013090633863-pat00013

    여기서, i는 상기 해당 노드에 대한 좌측(L)과 우측(R)의 자식 노드, ni 및 μi는 상기 자식 노드 i에 학습된 패치 영상들의 개수 및 상기 학습된 패치 영상들의 얼굴 자세 라벨의 평균, cij는 상기 자식 노드 i에 학습된 j번째 패치 영상의 얼굴 자세 라벨, μ는 상기 해당 노드에 학습된 패치 영상들의 얼굴 자세 라벨의 평균을 나타낸다.
  5. 청구항 3에 있어서,
    상기 랜덤 포레스트 분류기는,
    상기 입력된 패치 영상이 최종 도달한 상기 해당 잎 노드에 기 저장되어 있는 얼굴 자세 라벨들의 분산값이 기 설정된 기준값 이하이면, 상기 해당 잎 노드에 저장된 대표 얼굴 자세 라벨을 추출하여 출력하며,
    상기 각각의 패치 영상이 개별 도달한 복수의 해당 잎 노드들로부터 출력된 모든 대표 얼굴 자세 라벨들 중에서 최대 빈도로 출력된 얼굴 자세 라벨을 상기 사용자의 현재 얼굴 자세로 추정하는 얼굴 인식과 자세 추정을 이용한 개인 인증 방법.
  6. 카메라의 획득 영상으로부터 사용자의 얼굴 영역을 검출하는 얼굴 영역 검출부;
    상기 얼굴 영역의 각 화소를 ECSP(Exetended Center Symmetric Pattern) 값들로 변환하여 상기 얼굴 영역을 전처리하는 영상 전처리부;
    상기 전처리된 얼굴 영역으로부터 특징 벡터를 추출하는 특징 벡터 추출부;
    상기 특징 벡터를 사전에 학습된 분류기에 반영하여 상기 사용자의 1차 개인 인증을 수행하는 1차 개인 인증부;
    패턴 인식을 위한 키패드를 화면 상에 노출하는 키패드 노출부;
    상기 1차 개인 인증된 사용자에 대해 얼굴 영역을 검출하고, 시간에 따른 상기 얼굴의 자세 변화를 추정하는 자세 변화 추정부; 및
    상기 추정된 얼굴의 자세 변화에 대응되는 패턴이 기 저장된 보안 패턴과 일치하면 상기 사용자의 2차 개인 인증을 완료하는 2차 개인 인증부를 포함하며,
    상기 자세 변화 추정부는,
    트리 타입의 분류기들을 앙상블 형태로 결합한 랜덤 포레스트 분류기(Random Forest classifier)를 사용하는 얼굴 인식과 자세 추정을 이용한 개인 인증 장치.
  7. 삭제
  8. 청구항 6에 있어서,
    상기 랜덤 포레스트 분류기는,
    상기 얼굴 영역에 대한 각각의 패치 영상이 입력되면, 상기 패치 영상을 상기 트리의 각 노드에 저장된 이진 평가 함수를 통해 이진 분류하여, 상기 트리의 하단에 존재하는 잎(leaf) 노드들 중 해당 잎 노드에 각각 최종 도달하도록 하고,
    상기 이진 평가 함수(BP)는 아래의 수학식과 같이 상기 패치 영상을 구성하는 두 영역 내에 존재하는 각 화소별 ECSP 값들의 평균값 차이를 기 저장된 임계값과 비교하여 이진 분류를 수행하는 얼굴 인식과 자세 추정을 이용한 개인 인증 장치:
    Figure 112014083375915-pat00014

    여기서, F1 및 F2는 상기 패치 영상을 임의 크기와 위치를 갖는 두 영역으로 구분한 제1 및 제2 서브패치 영역, |A1| 및 |A2|는 상기 F1 및 F2에 각각 존재하는 화소 수, p 및 q는 상기 F1 및 F2 내의 화소,
    Figure 112014083375915-pat00015
    는 상기 임계값을 나타낸다.
  9. 청구항 8에 있어서,
    상기 랜덤 포레스트 분류기는,
    해당 노드에 입력된 패치 영상에 대하여 상기 F1 및 F2를 상기 임의 크기와 위치를 가지는 복수의 쌍으로 랜덤으로 생성하여 상기 이진 평가 함수를 복수 개로 구성하고,
    상기 복수의 이진 평가 함수 중에서 아래의 수학식을 최대값으로 하는 이진 평가 함수를 상기 해당 노드에 저장하는 얼굴 인식과 자세 추정을 이용한 개인 인증 장치:
    Figure 112013090633863-pat00016

    여기서, i는 상기 해당 노드에 대한 좌측(L)과 우측(R)의 자식 노드, ni 및 μi는 상기 자식 노드 i에 학습된 패치 영상들의 개수 및 상기 학습된 패치 영상들의 얼굴 자세 라벨의 평균, cij는 상기 자식 노드 i에 학습된 j번째 패치 영상의 얼굴 자세 라벨, μ는 상기 해당 노드에 학습된 패치 영상들의 얼굴 자세 라벨의 평균을 나타낸다.
  10. 청구항 8에 있어서,
    상기 랜덤 포레스트 분류기는,
    상기 입력된 패치 영상이 최종 도달한 상기 해당 잎 노드에 기 저장되어 있는 얼굴 자세 라벨들의 분산값이 기 설정된 기준값 이하이면, 상기 해당 잎 노드에 저장된 대표 얼굴 자세 라벨을 추출하여 출력하며,
    상기 각각의 패치 영상이 개별 도달한 복수의 해당 잎 노드들로부터 출력된 모든 대표 얼굴 자세 라벨들 중에서 최대 빈도로 출력된 얼굴 자세 라벨을 상기 사용자의 현재 얼굴 자세로 추정하는 얼굴 인식과 자세 추정을 이용한 개인 인증 장치.
KR1020130119231A 2013-10-07 2013-10-07 얼굴 인식과 자세 추정을 이용한 개인 인증 방법 및 그 장치 KR101464446B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130119231A KR101464446B1 (ko) 2013-10-07 2013-10-07 얼굴 인식과 자세 추정을 이용한 개인 인증 방법 및 그 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130119231A KR101464446B1 (ko) 2013-10-07 2013-10-07 얼굴 인식과 자세 추정을 이용한 개인 인증 방법 및 그 장치

Publications (1)

Publication Number Publication Date
KR101464446B1 true KR101464446B1 (ko) 2014-11-24

Family

ID=52291398

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130119231A KR101464446B1 (ko) 2013-10-07 2013-10-07 얼굴 인식과 자세 추정을 이용한 개인 인증 방법 및 그 장치

Country Status (1)

Country Link
KR (1) KR101464446B1 (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160071263A (ko) * 2014-12-11 2016-06-21 엘지전자 주식회사 이동단말기 및 그 제어방법
WO2017065576A1 (ko) * 2015-10-14 2017-04-20 주식회사 하렉스인포텍 가변 키패드를 이용한 본인 인증 방법 및 시스템
CN106650637A (zh) * 2016-12-02 2017-05-10 华中师范大学 一种基于条件随机森林的笑脸检测器及方法
KR20170082024A (ko) * 2016-01-05 2017-07-13 한국전자통신연구원 얼굴 인식 장치 및 방법
KR20180074565A (ko) * 2016-12-23 2018-07-03 삼성전자주식회사 전자 장치 및 그 동작 방법
CN109086752A (zh) * 2018-09-30 2018-12-25 北京达佳互联信息技术有限公司 人脸识别方法、装置、电子设备及存储介质
US10387739B2 (en) 2015-10-21 2019-08-20 Samsung Electronics Co., Ltd. Method and device for complex authentication
WO2023101167A1 (ko) * 2021-12-02 2023-06-08 (주)셀빅 후면 영상정보 생성 장치 및 방법
KR102659288B1 (ko) * 2016-12-23 2024-04-22 삼성전자주식회사 전자 장치 및 그 동작 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101133225B1 (ko) * 2010-11-12 2012-04-05 홍익대학교 산학협력단 자세 추정을 이용한 얼굴 인식 시스템 및 방법
KR20120108320A (ko) * 2011-03-23 2012-10-05 주식회사 캐프 무선 환경에서의 ｈｄ급 다중 영상 기반 얼굴 신원확인 장치 및 방법
KR20130093757A (ko) * 2011-12-28 2013-08-23 김종성 미션실행 제스처 인식을 이용한 사용자 인증방법, 및 미션실행 제스처 인식을 이용한 사용자 인증 프로그램을 기록한 컴퓨터로 판독가능한 기록매체

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101133225B1 (ko) * 2010-11-12 2012-04-05 홍익대학교 산학협력단 자세 추정을 이용한 얼굴 인식 시스템 및 방법
KR20120108320A (ko) * 2011-03-23 2012-10-05 주식회사 캐프 무선 환경에서의 ｈｄ급 다중 영상 기반 얼굴 신원확인 장치 및 방법
KR20130093757A (ko) * 2011-12-28 2013-08-23 김종성 미션실행 제스처 인식을 이용한 사용자 인증방법, 및 미션실행 제스처 인식을 이용한 사용자 인증 프로그램을 기록한 컴퓨터로 판독가능한 기록매체

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160071263A (ko) * 2014-12-11 2016-06-21 엘지전자 주식회사 이동단말기 및 그 제어방법
KR102365393B1 (ko) * 2014-12-11 2022-02-21 엘지전자 주식회사 이동단말기 및 그 제어방법
WO2017065576A1 (ko) * 2015-10-14 2017-04-20 주식회사 하렉스인포텍 가변 키패드를 이용한 본인 인증 방법 및 시스템
US10387739B2 (en) 2015-10-21 2019-08-20 Samsung Electronics Co., Ltd. Method and device for complex authentication
KR20170082024A (ko) * 2016-01-05 2017-07-13 한국전자통신연구원 얼굴 인식 장치 및 방법
CN106650637A (zh) * 2016-12-02 2017-05-10 华中师范大学 一种基于条件随机森林的笑脸检测器及方法
KR20180074565A (ko) * 2016-12-23 2018-07-03 삼성전자주식회사 전자 장치 및 그 동작 방법
KR102530045B1 (ko) * 2016-12-23 2023-05-09 삼성전자주식회사 전자 장치 및 그 동작 방법
KR102659288B1 (ko) * 2016-12-23 2024-04-22 삼성전자주식회사 전자 장치 및 그 동작 방법
CN109086752A (zh) * 2018-09-30 2018-12-25 北京达佳互联信息技术有限公司 人脸识别方法、装置、电子设备及存储介质
WO2023101167A1 (ko) * 2021-12-02 2023-06-08 (주)셀빅 후면 영상정보 생성 장치 및 방법

Similar Documents

Publication Publication Date Title
KR101464446B1 (ko) 얼굴 인식과 자세 추정을 이용한 개인 인증 방법 및 그 장치
US7092555B2 (en) System for registering and authenticating human face using support vector machines and method thereof
KR100734849B1 (ko) 얼굴 인식 방법 및 그 장치
JP5010905B2 (ja) 顔認証装置
KR101314293B1 (ko) 조명변화에 강인한 얼굴인식 시스템
KR20120069922A (ko) 얼굴 인식 장치 및 그 방법
US10922399B2 (en) Authentication verification using soft biometric traits
CN113646806A (zh) 图像处理设备、图像处理方法和存储程序的记录介质
Davuluri et al. A Novel Approach to Human Iris Recognition And Verification Framework Using Machine Learning Algorithm
JP2018055231A (ja) 生体認証装置
Meenakshi Real-Time Facial Recognition System—Design, Implementation and Validation
KR102063745B1 (ko) 측면 프로파일링 기반 신원확인 장치 및 방법
KR100702226B1 (ko) 얼굴 검출 및 인증 장치 및 그 방법
Olufade et al. Biometric authentication with face recognition using principal component analysis and feature based technique
Jayasekara et al. An evolving signature recognition system
KR101567686B1 (ko) 인증 방법 및 이를 이용한 인증 장치
Arriaga-Gómez et al. A comparative survey on supervised classifiers for face recognition
Nguyen et al. User re-identification using clothing information for smartphones
Chen Design and simulation of AI remote terminal user identity recognition system based on reinforcement learning
JP3841482B2 (ja) 顔画像認識装置
Shukla et al. Comparison of Face Recognition algorithms & its subsequent impact on side face
Patil et al. Enhancement of feature extraction in image quality
Jena et al. Multimodal Biometric Authentication: Deep Learning Approach
Jain et al. Face recognition
KR100702225B1 (ko) 얼굴 검출 및 인증 장치 및 그 방법

Legal Events

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

Payment date: 20170918

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20180918

Year of fee payment: 5