KR101507081B1 - 나이 추정 장치 및 방법 - Google Patents
나이 추정 장치 및 방법 Download PDFInfo
- Publication number
- KR101507081B1 KR101507081B1 KR20140062524A KR20140062524A KR101507081B1 KR 101507081 B1 KR101507081 B1 KR 101507081B1 KR 20140062524 A KR20140062524 A KR 20140062524A KR 20140062524 A KR20140062524 A KR 20140062524A KR 101507081 B1 KR101507081 B1 KR 101507081B1
- Authority
- KR
- South Korea
- Prior art keywords
- lbp
- feature vector
- age
- feature
- face image
- Prior art date
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
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- 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
-
- 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
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- 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
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
나이 추정 장치 및 방법이 개시된다. 나이 추정 장치는 얼굴 영상을 입력받는 입력부, 얼굴 영상에서 얼굴 영역을 검출하고, 얼굴 영역에서 눈 영역을 검출하고, 눈 영역을 이용하여 양 눈 각각의 중심 좌표를 산출하고, 양 눈 각각의 중심 좌표를 이용하여 얼굴 영상의 회전을 보정하는 보정부, 회전 보정된 얼굴 영상에서 얼굴 영역을 재검출하는 검출부, 재검출한 얼굴 영역을 복수의 블록으로 분할하여 각 블록별 특징 벡터를 생성하고, 각 블록별 특징 벡터를 합하여 하나의 특징 벡터를 생성하는 특징벡터 생성부, 블록별로 퍼지논리(Fuzzy Logic)를 이용하여 가중치를 산출하는 가중치 산출부 및 블록별 특징 벡터 및 가중치를 이용하여 입력된 얼굴 영상의 나이를 추정하는 추정부를 포함한다.
Description
본 발명은 영상인식 기술에 관한 것으로서, 보다 상세하게는 나이 추정 장치 및 방법에 관한 것이다.
나이는 각 개인의 중요한 특징으로 많은 일상 업무에 사용된다. 최근, 스마트 장비가 활발히 개발됨에 따라 얼굴 영상 기반 나이 추정 시스템은 보다 다양한 분야에 접목될 수 있다. 예를 들어, 얼굴 영상 기반 나이 추정 시스템은 내추럴 유저 인터페이스(Natural User Interface), 인터넷 접근 제어, 사람 나이 추정, 나이변화에 강인한 얼굴인식과 같은 다양한 분야에 적용될 수 있다. 그럼에도 불구하고, 얼굴 영상 기반 나이 추정은 얼굴 영상의 배경, 얼굴의 회전, 헤어스타일, 균일하지 않는 조명 환경과 같은 상황에서 나이 추정 정확도가 저하되는 문제점이 있었다.
이러한 문제를 해결하기 위한 얼굴 영상 기반 나이 추정 방법이 연구되어 왔었다. 이전 연구에서는, 나이를 추정하기 위한 특징 추출 방법으로 크게 두 가지 방법이 사용되었다. 첫 번째 방법은 영상의 전체(Global)영역에서 특징을 추출하는 것이고, 두 번째 방법은 영상의 국부(Local)영역에서 특징을 추출하는 것이다. 전체 영역에서의 특징 추출 방법은 주로 AAM(Active Appearance Model)모델을 기반으로 연구되었다. 이 방법은 얼굴의 윤곽과 외형을 모델링하여 나이 변화 특징을 추출하였다. 추출된 특징은 분류기(classification) 또는 회귀방법(regression)을 통하여 나이가 추정된다. 이 방법은 얼굴 특징점을 정확하게 추출하고 추적이 잘 되는 장점이 있으나, 반면에 얼굴 움직임을 포착하는 것이 제한적이고, 처리속도가 느린 단점이 있다. 또한, 이 방법은 최초 정합에 민감하여 AAM모델을 정합하는 과정이 어렵기 때문에, 실시간 시스템에서 적용하는데 문제가 있다.
또 다른 연구로, 국부적 특징을 사용하여 나이를 추정하는 방법은 주로 LBP(Local Binary Pattern)을 사용한다. 이는 전체 영역에서의 특징 추출 방법에 비해 처리속도가 빠르지만 얼굴의 회전변화에 민감한 단점이 있다.
본 발명은 회전변화에 강인한 MLBP(Multi-level Local Binary Pattern) 방법과 퍼지 논리를 이용하여 정확성을 향상시킨 나이 추정 장치를 제안하는 것이다.
본 발명의 일 측면에 따르면, 나이 추정 장치가 개시된다.
본 발명의 실시예에 따른 나이 추정 장치는 얼굴 영상을 입력받는 입력부, 상기 얼굴 영상에서 얼굴 영역을 검출하고, 상기 얼굴 영역에서 눈 영역을 검출하고, 상기 눈 영역을 이용하여 양 눈 각각의 중심 좌표를 산출하고, 상기 양 눈 각각의 중심 좌표를 이용하여 상기 얼굴 영상의 회전을 보정하는 보정부, 상기 회전 보정된 얼굴 영상에서 얼굴 영역을 재검출하는 검출부, 상기 재검출한 얼굴 영역을 복수의 블록으로 분할하여 각 블록별 특징 벡터를 생성하고, 각 블록별 특징 벡터를 합하여 하나의 특징 벡터를 생성하는 특징벡터 생성부, 상기 블록별로 퍼지논리(Fuzzy Logic)를 이용하여 가중치를 산출하는 가중치 산출부 및 상기 블록별 특징 벡터 및 가중치를 이용하여 상기 입력된 얼굴 영상의 나이를 추정하는 추정부를 포함한다.
상기 퍼지논리의 입력은 해당 블록에 포함된 픽셀들의 밝기값 평균과 표준편차, 얼굴 영역의 중심으로부터 해당 블록까지의 거리이다.
상기 보정부는 양 눈의 중심을 잇는 선분과 수평선이 이루는 각도를 산출하고, 양 눈의 중심을 잇는 선분이 수평이 되도록 산출한 각도만큼 얼굴 영상을 회전시켜 얼굴 영상의 회전을 보정한다.
상기 검출부는 나이 추정에 불필요한 부분이 비포함되도록, 양 눈 중심 사이의 거리를 기준으로 한 미리 설정된 비율로 박스 영역의 크기를 설정하여 얼굴 영상에서 얼굴 영역을 재정의하여 얼굴 영역을 재검출한다.
상기 특징벡터 생성부는 LBP(Local Binary Pattern)를 이용하여 상기 재검출된 얼굴 영역에서 픽셀별 LBP 특징 코드를 추출하고, 상기 픽셀별 LBP 특징 코드들을 균일(Uniform) 여부에 따라 분류하여 분류한 패턴별로 픽셀들을 그룹핑하고, 재검출된 얼굴 영역을 복수의 블록으로 분할하고, 패턴별 픽셀수를 이용하여 각 블록별 특징 벡터를 생성한다.
상기 특징벡터 생성부는 마스크의 중심 픽셀의 밝기값과 주변 픽셀의 밝기값들을 비교하여, 상기 재검출된 얼굴 영역 내의 각 픽셀의 밝기값의 변화를 이진수로 산출함으로써, 상기 LBP 특징 코드를 추출한다.
상기 특징벡터 생성부는 상기 중심 픽셀에 대한 상기 주변 픽셀의 개수와 반경을 변화시켜가면서, 상기 LBP 특징 코드를 추출한다.
상기 특징벡터 생성부는 상기 LBP 특징 코드가 회전 변화에 더욱 강인하게 하기 위하여, 이진수값이 최소가 되도록 상기 LBP 특징 코드를 원형 비트 우향 이동시킨다.
상기 특징벡터 생성부는 상기 LBP 특징 코드를 균일(Uniform) 패턴 또는 비균일(Non-uniform) 패턴으로 분류하되, 상기 균일 패턴은 상기 LBP 특징 코드의 이진 비트 0 또는 1이 연속적으로 같은 비트일 경우이며, 1의 개수에 따라 1이 하나도 포함되지 않은 경우부터 모두 1로 구성된 경우까지의 총 9가지의 패턴으로 분류되고, 상기 비균일 패턴은 이진 비트 0과 1이 연속적이지 않는 조합으로 이루어진 경우로, 1의 개수와 무관하게 하나의 그룹으로 분류된다.
상기 특징벡터 생성부는 분할되는 블록 개수를 달리하여 복수의 단일 레벨 LBP 기반 특징 벡터를 산출하고, 상기 복수의 단일 레벨 LBP 기반 특징 벡터를 융합하여 다중 레벨 LBP 기반 특징 벡터를 생성한다.
상기 추정부는 각 블록별로 특징 벡터값에 가중치값을 곱하여 스케일링된 특징 벡터를 산출하고, 상기 스케일링된 특징 벡터를 회귀방법에 적용하여 상기 입력된 얼굴 영상의 나이를 추정한다.
본 발명의 다른 측면에 따르면, 나이 추정 장치가 얼굴 영상을 이용하여 나이를 추정하는 방법이 개시된다.
본 발명의 실시예에 따른 나이 추정 방법은 상기 얼굴 영상을 입력받는 단계, 상기 얼굴 영상에서 얼굴 영역을 검출하는 단계, 상기 얼굴 영역에서 눈 영역을 검출하는 단계, 상기 눈 영역을 이용하여 양 눈 각각의 중심 좌표를 산출하는 단계, 상기 양 눈 각각의 중심 좌표를 이용하여 상기 얼굴 영상의 회전을 보정하는 단계, 상기 회전 보정된 얼굴 영상에서 얼굴 영역을 재검출하는 단계, 상기 재검출한 얼굴 영역을 복수의 블록으로 분할하여 각 블록별 특징 벡터를 생성하고, 상기 각 블록별 특징 벡터를 합하여 하나의 특징 벡터를 생성하는 단계, 상기 블록별로 퍼지논리(Fuzzy Logic)를 이용하여 가중치를 산출하는 단계 및 상기 블록별 특징 벡터 및 가중치를 이용하여 상기 입력된 얼굴 영상의 나이를 추정하는 단계를 포함한다.
상기 퍼지논리의 입력은 해당 블록에 포함된 픽셀들의 밝기값 평균과 표준편차, 얼굴 영역의 중심으로부터 해당 블록까지의 거리이다.
상기 얼굴 영상의 회전을 보정하는 단계는, 양 눈의 중심을 잇는 선분과 수평선이 이루는 각도를 산출하는 단계 및 상기 양 눈의 중심을 잇는 선분이 수평이 되도록 산출한 각도만큼 얼굴 영상을 회전시키는 단계를 포함한다.
상기 얼굴 영역을 재검출하는 단계는, 나이 추정에 불필요한 부분이 비포함되도록, 양 눈 중심 사이의 거리를 기준으로 한 미리 설정된 비율로 박스 영역의 크기를 설정하여 얼굴 영상에서 얼굴 영역을 재정의하여 얼굴 영역을 재검출하는 단계를 포함한다.
상기 하나의 특징 벡터를 생성하는 단계는, LBP(Local Binary Pattern)를 이용하여 상기 재검출된 얼굴 영역에서 픽셀별 LBP 특징 코드를 추출하는 단계, 상기 픽셀별 LBP 특징 코드들을 균일(Uniform) 여부에 따라 분류하여 분류한 패턴별로 픽셀들을 그룹핑하는 단계 및 상기 재검출한 얼굴 영역을 복수의 블록으로 분할하고, 패턴별 픽셀수를 이용하여 각 블록별 특징 벡터를 생성하는 단계를 포함한다.
상기 LBP 특징 코드를 추출하는 단계는, 마스크의 중심 픽셀의 밝기값과 주변 픽셀의 밝기값들을 비교하는 단계 및 상기 재검출된 얼굴 영역 내의 각 픽셀의 밝기값의 변화를 이진수로 산출하는 단계를 포함한다.
상기 LBP 특징 코드를 추출하는 단계는, 상기 중심 픽셀에 대한 상기 주변 픽셀의 개수와 반경을 변화시켜가면서, 상기 LBP 특징 코드를 추출하는 단계를 포함한다.
상기 LBP 특징 코드를 추출하는 단계는, 상기 LBP 특징 코드가 회전 변화에 더욱 강인하게 하기 위하여, 이진수값이 최소가 되도록 상기 LBP 특징 코드를 원형 비트 우향 이동시키는 단계를 포함한다.
상기 픽셀들을 그룹핑하는 단계는, 상기 LBP 특징 코드를 균일(Uniform) 패턴 또는 비균일(Non-uniform) 패턴으로 분류하는 단계를 포함하되, 상기 균일 패턴은 상기 LBP 특징 코드의 이진 비트 0 또는 1이 연속적으로 같은 비트일 경우이며, 1의 개수에 따라 1이 하나도 포함되지 않은 경우부터 모두 1로 구성된 경우까지의 총 9가지의 패턴으로 분류되고, 상기 비균일 패턴은 이진 비트 0과 1이 연속적이지 않는 조합으로 이루어진 경우로, 1의 개수와 무관하게 하나의 그룹으로 분류된다.
상기 하나의 특징 벡터를 생성하는 단계는, 분할되는 블록 개수를 달리하여 복수의 단일 레벨 LBP 기반 특징 벡터를 산출하는 단계 및 상기 복수의 단일 레벨 LBP 기반 특징 벡터를 융합하여 다중 레벨 LBP 기반 특징 벡터를 생성하는 단계를 포함한다.
상기 입력된 얼굴 영상의 나이를 추정하는 단계는, 각 블록별로 특징 벡터값에 가중치값을 곱하여 스케일링된 특징 벡터를 산출하는 단계 및 상기 스케일링된 특징 벡터를 회귀방법에 적용하여 상기 입력된 얼굴 영상의 나이를 추정하는 단계를 포함한다.
본 발명은 회전변화에 강인한 MLBP(Multi-level Local Binary Pattern) 방법과 퍼지 논리를 이용하여 보다 정확하게 나이를 추정할 수 있다.
도 1은 나이 추정 장치의 구성을 개략적으로 예시한 도면.
도 2는 얼굴 영상의 회전 보정을 예시한 개념도.
도 3은 얼굴 영상에서의 얼굴 영역 검출을 예시한 도면.
도 4는 LBP 특징 코드를 추출하는 방법을 예시한 도면.
도 5는 단일 레벨 LBP 기반 특징 벡터 생성 방법을 예시한 도면.
도 6은 다중 레벨 LBP(Multi-level LBP) 기반 특징 벡터 생성 방법을 예시한 도면.
도 7 내지 도 10은 퍼지논리를 이용한 가중치 산출 방법을 설명하기 위한 도면.
도 11은 가중치를 이용한 특징 벡터의 스케일링을 예시한 도면.
도 12는 도 1의 나이 추정 장치에서의 나이 추정 방법을 나타낸 흐름도.
도 2는 얼굴 영상의 회전 보정을 예시한 개념도.
도 3은 얼굴 영상에서의 얼굴 영역 검출을 예시한 도면.
도 4는 LBP 특징 코드를 추출하는 방법을 예시한 도면.
도 5는 단일 레벨 LBP 기반 특징 벡터 생성 방법을 예시한 도면.
도 6은 다중 레벨 LBP(Multi-level LBP) 기반 특징 벡터 생성 방법을 예시한 도면.
도 7 내지 도 10은 퍼지논리를 이용한 가중치 산출 방법을 설명하기 위한 도면.
도 11은 가중치를 이용한 특징 벡터의 스케일링을 예시한 도면.
도 12는 도 1의 나이 추정 장치에서의 나이 추정 방법을 나타낸 흐름도.
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.
본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 본 명세서에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.
이하, 본 발명의 실시예를 첨부한 도면들을 참조하여 상세히 설명하기로 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면 번호에 상관없이 동일한 수단에 대해서는 동일한 참조 번호를 사용하기로 한다.
도 1은 나이 추정 장치의 구성을 개략적으로 예시한 도면이다.
도 1을 참조하면, 나이 추정 장치는 입력부(10), 보정부(20), 검출부(30), 특징벡터 생성부(40), 가중치 산출부(50) 및 추정부(60)를 포함한다.
입력부(10)는 얼굴 영상을 입력받는다.
보정부(20)는 입력된 얼굴 영상에서 얼굴 영역을 검출하고, 검출한 얼굴 영역에서 눈 영역을 검출하고, 검출한 눈 영역을 이용하여 양 눈 각각의 중심 좌표를 산출하고, 양 눈 각각의 중심 좌표를 이용하여 얼굴 영상의 회전을 보정한다.
예를 들어, 보정부(20)는 Adaboost 알고리즘을 이용하여 얼굴 영역 검출과 눈 영역 검출을 수행할 수 있으며, Adaboost 알고리즘을 이용하여 검출한 양 눈 각각의 중심 지점으로 양 눈 각각의 중심 좌표를 결정할 수 있다. 이때, 보정부(20)는 얼굴 영역 검출 또는 눈 영역 검출에 성공하지 못하는 경우, 해당 얼굴 영상에 대한 나이 추정을 종료할 수 있다. 즉, 보정부(20)는 입력된 얼굴 영상에서 얼굴의 존재 유무를 파악하고, 얼굴이 존재하여 검출을 시도하였으나, 얼굴 영역 검출에 실패하는 경우, 해당 얼굴 영상에 대한 나이 추정을 종료할 수 있다. 또한, 보정부(20)는 검출한 얼굴 영역에서 눈 영역을 검출하였으나, 검출한 눈 영역이 머리카락 그림자에 가리거나, 입력된 얼굴 영상의 화질이 낮은 경우, 검출 오류가 발생하여 나이 추정의 정확성을 저하시키므로, 해당 얼굴 영상에 대한 나이 추정을 종료할 수 있다.
예를 들어, 보정부(20)는 얼굴 영상의 In-plane 회전에 강인한 나이 추정을 위하여, 양 눈의 중심을 잇는 선분이 수평이 되도록 얼굴 영상의 회전을 보정할 수 있다. 즉, 도 2는 얼굴 영상의 회전 보정을 예시한 개념도이다. 도 2를 참조하면, 보정부(20)는 양 눈의 중심을 잇는 선분과 수평선이 이루는 각도를 산출하고, 양 눈의 중심을 잇는 선분이 수평이 되도록 산출한 각도만큼 얼굴 영상을 회전시켜 얼굴 영상의 회전을 보정할 수 있다.
검출부(30)는 보정부(20)에 의하여 회전 보정된 얼굴 영상에서 얼굴 영역을 재검출한다. 이때, 검출부(30)는 배경요소가 최소화되도록 얼굴 영상에서 얼굴 영역을 재정의하여 얼굴 영역을 재검출한다.
예를 들어, 도 3은 얼굴 영상에서의 얼굴 영역 검출을 예시한 도면이다. 도 3을 참조하면, 검출부(30)는 도 3의 (b)에 도시된 바와 같은 박스 영역의 얼굴 영역을 재탐색할 수 있다. 이와 같이 재탐색된 얼굴 영역은 머리카락, 귀, 액세서리 등과 같이 나이 추정에 불필요한 부분이 포함되어 있으므로, 검출부(30)는 나이 추정에 불필요한 부분이 비포함되도록, 도 3의 (a)에 도시된 바와 같이, 양 눈 중심 사이의 거리를 기준으로 한 미리 설정된 비율로 박스 영역의 크기를 설정하여 얼굴 영역을 재정의하고, 재정의한 얼굴 영역을 적용하여 도 3의 (c)에 도시된 박스 영역과 같이, 배경요소가 최소화된 얼굴 영역을 획득할 수 있다.
특징벡터 생성부(40)는 LBP(Local Binary Pattern)를 이용하여 재검출된 얼굴 영역에서 픽셀별 LBP 특징 코드를 추출하고, 추출한 픽셀별 LBP 특징 코드들을 균일(Uniform) 여부에 따라 분류하여 분류한 패턴별로 픽셀들을 그룹핑하고, 패턴별 픽셀수를 이용하여 특징 벡터를 생성한다. 이때, 특징벡터 생성부(40)는 재검출된 얼굴 영역을 복수의 블록으로 분할하여 각 블록별 특징 벡터를 생성하고, 각 블록별 특징 벡터를 합하여 하나의 특징 벡터를 생성한다.
예를 들어, 도 4는 LBP 특징 코드를 추출하는 방법을 예시한 도면이다. 도 4의 (a)를 참조하면, 특징벡터 생성부(40)는 3 by 3 마스크의 중심 픽셀의 밝기값과 주변 픽셀의 밝기값들을 비교하여, 재검출된 얼굴 영역 내의 각 픽셀의 밝기값의 변화를 이진수로 산출함으로써, LBP특징 코드를 추출할 수 있다. 그래서, 조명 변화가 발생하여도 얼굴 영상의 특징을 나타내는 기술자는 그 특징이 불변한다. 이와 같은 LBP 특징 코드 추출 방법을 확장한 도 4의 (b)를 참조하면, 특징벡터 생성부(40)는 중심 픽셀에 대한 주변 픽셀의 개수와 반경을 변화시켜가면서, LBP 특징 코드를 추출할 수 있다. 즉, 특징벡터 생성부(40)는 도 4의 (a)에서와 같이, 3 by 3 마스크를 이용하여 8비트 해상도로 표현되는 LBP 특징 코드를 추출할 수 있으나, 도 4의 (b)에서와 같이, 마스크의 반경값(R)과 주변 픽셀의 개수값(P)을 증가시켜 보다 높은 해상도의 LBP 특징 코드를 추출할 수 있어, 얼굴 영상의 스케일 변화에 강인할 수 있다.
그리고, 특징벡터 생성부(40)는 도 4의 (c)에서와 같이, LBP 특징 코드가 회전 변화에 더욱 강인하게 하기 위하여, 이진수값이 최소가 되도록 추출한 LBP 특징 코드를 원형 비트 우향 이동시킬 수 있다.
예를 들어, 얼굴 영역 내에는 다양한 나이 변화 정보가 포함되어 있다. 이러한 나이 변화 정보는 비슷한 패턴끼리 분류되어 패턴별로 발생하는 빈도수가 산출될 수 있다. 이를 위하여, 특징벡터 생성부(40)는 회전에 불변한 LBP 특징 코드를 균일(Uniform) 패턴 또는 비균일(Non-uniform) 패턴으로 분류할 수 있다. 균일 패턴은 LBP 특징 코드의 이진 비트 0 또는 1이 연속적으로 같은 비트일 경우이며, 이때, 1의 개수에 따라 1이 하나도 포함되지 않은 경우부터 모두 1로 구성된 경우까지의 총 9가지의 패턴으로 분류될 수 있다. 1의 개수에 따라 점, 직선, 코너로 구분이 가능하다. 반면, 비균일 패턴은 이진 비트 0과 1이 연속적이지 않는 조합으로 이루어진 경우로, 1의 개수와 무관하게 하나의 그룹으로 분류될 수 있다. 이러한 그룹으로 분류된 특징들은 나이를 추정하기 위한 나이 변화 기술자로 사용될 수 있다.
예를 들어, 도 5는 단일 레벨 LBP 기반 특징 벡터 생성 방법을 예시한 도면이다. 도 5를 참조하면, 특징벡터 생성부(40)는 얼굴 영역의 국부적 영역의 특징과 전체 영역의 특징이 융합된 나이 변화 기술자를 획득하기 위하여, 재검출된 얼굴 영역을 미리 설정된 개수의 블록으로 분할할 수 있다. 그리고, 특징벡터 생성부(40)는 각 블록을 구성하고 있는 나이 변화 기술자들인 각 블록별 특징 벡터들을 생성하고, 각 블록별 특징 벡터들을 합하여 하나의 특징 벡터를 생성할 수 있다. 이러한 과정을 단일 레벨 LBP 기반 특징 벡터 생성 방법이라 할 수 있다.
예를 들어, 도 6은 다중 레벨 LBP(Multi-level LBP) 기반 특징 벡터 생성 방법을 예시한 도면이다. 나이 변화의 특징은 국부적으로 발생하기 때문에, 분할된 얼굴 영역에서 특징이 발생하는 부분만 표시하는 것이 보다 효과적이다. 그래서, 도 6을 참조하면, 특징벡터 생성부(40)는 도 5와 같은 단일 레벨 LBP 기반 특징 벡터를 확장시킨 다중 레벨 LBP 기반 특징 벡터를 생성할 수 있다. 즉, 특징벡터 생성부(40)는 복수의 단일 레벨 LBP 기반 특징 벡터를 융합하여 하나의 특징 벡터를 생성할 수 있다. 여기서, 각각의 단일 레벨 LBP 특징 벡터는 분할되는 블록 개수를 달리하여 산출될 수 있다.
가중치 산출부(50)는 특징벡터 생성부(40)에 의하여 분할된 블록별로 퍼지논리(Fuzzy Logic)를 이용하여 가중치를 산출한다. 여기서, 퍼지논리의 입력은 해당 블록에 포함된 픽셀들의 밝기값 평균과 표준편차, 얼굴 영역의 중심으로부터 해당 블록까지의 거리이다.
예를 들어, 뺨, 이마, 눈 주변, 입 주변 등과 같은 영역은 나이 변화의 특징 요소를 가장 많이 보유하고 있다. 반면, 입술, 눈 안쪽, 머리카락 등과 같은 영역은 나이 변화를 나타내는 특징 요소가 없어 불필요하다. 그래서, 나이 변화의 특징 정보는 최대한으로 획득하고, 불필요한 정보는 최소화 시키기 위하여, 선형 퍼지 멤버십 함수(Linear Fuzzy Membership Function)를 정의하여 각 블록마다 가중치를 달리한다. 배경과 머리카락 영역은 나이 변화 정보를 불 포함하므로, 가중치값은 0으로 할당한다. 반면, 나이 변화 정보를 포함하고 있을 경우, 그 정보량에 따라 가중치값이 적게 또는 많이 할당될 수 있다. 즉, 도 7 내지 도 10을 참조하면, 도 7 내지 도 10은 퍼지논리를 이용한 가중치 산출 방법을 설명하기 위한 도면이다. 도 7에 도시된 바와 같이, 해당 블록의 가중치값은 블록에 포함된 픽셀들의 밝기값 평균과 표준편차, 얼굴 영역의 중심으로부터 해당 블록까지의 거리로부터 산출될 수 있다. 배경, 머리카락, 입술, 눈은 피부영역보다 코너의 형태를 포함하며, 피부영역보다 높은 표준편차값을 가진다. 그리고, 피부영역이 아닐수록 얼굴 영역의 중심으로부터 거리가 멀어진다. 이러한 원리를 바탕으로, 도 8의 규칙에 따라 블록마다 최적화된 가중치값이 적용될 수 있다. 도 8의 규칙을 살펴보면, 블록의 픽셀의 평균, 표준편차, 중심으로부터 블록까지의 거리는 작을 경우는 (L), 중간일 경우는 (M), 클 경우는 (H)의 세 가지로 분류되어, 각각의 경우에 따라 가중치가 달리 적용될 수 있다. 도 9에 도시된 바와 같이, 표준편차와 거리는 값이 작을 경우와 클 경우에 대해서만 분류되었다. 이러한 규칙에 의하면, 나이 변화 정보를 가장 많이 포함하는 경우는 평균값이 중간이고, 표준편차와 거리가 작을 경우로 정의될 수 있다. 최종적으로, 도 10에 도시된 바와 같이, 입력값에 따른 최적화된 가중치값이 산출될 수 있다.
추정부(60)는 블록별 특징 벡터 및 가중치를 이용하여 입력된 얼굴 영상의 나이를 추정한다. 예를 들어, 도 11은 가중치를 이용한 특징 벡터의 스케일링을 예시한 도면이다. 도 11을 참조하면, 추정부(60)는 각 블록별로 특징 벡터값에 가중치값을 곱하여 스케일링된 특징 벡터를 산출할 수 있고, 스케일링된 특징 벡터를 회귀방법에 적용하여 입력된 얼굴 영상의 나이를 추정할 수 있다.
도 12는 도 1의 나이 추정 장치에서의 나이 추정 방법을 나타낸 흐름도이다.
S1211 단계에서, 나이 추정 장치는 얼굴 영상을 입력받는다.
S1212 단계에서, 나이 추정 장치는 입력된 얼굴 영상에서 얼굴 영역을 검출한다.
S1213 단계에서, 나이 추정 장치는 얼굴 영역 검출에 성공하지 못하는 경우, 해당 얼굴 영상에 대한 나이 추정을 종료한다.
S1214 단계에서, 나이 추정 장치는 얼굴 영역 검출에 성공하는 경우, 검출한 얼굴 영역에서 눈 영역을 검출한다.
S1215 단계에서, 나이 추정 장치는 눈 영역 검출에 성공하지 못하는 경우, 해당 얼굴 영상에 대한 나이 추정을 종료한다.
S1216 단계에서, 나이 추정 장치는 눈 영역 검출에 성공하는 경우, 검출한 눈 영역을 이용하여 양 눈 각각의 중심 좌표를 산출한다. 예를 들어, 나이 추정 장치는 Adaboost 알고리즘을 이용하여 얼굴 영역 검출과 눈 영역 검출을 수행할 수 있으며, Adaboost 알고리즘을 이용하여 검출한 양 눈 각각의 중심 지점으로 양 눈 각각의 중심 좌표를 결정할 수 있다.
S1217 단계에서, 나이 추정 장치는 양 눈 각각의 중심 좌표를 이용하여 얼굴 영상의 회전을 보정한다. 예를 들어, 나이 추정 장치는 얼굴 영상의 In-plane 회전에 강인한 나이 추정을 위하여, 양 눈의 중심을 잇는 선분이 수평이 되도록 얼굴 영상의 회전을 보정할 수 있다.
S1218 단계에서, 나이 추정 장치는 회전 보정된 얼굴 영상에서 얼굴 영역을 재검출한다. 이때, 나이 추정 장치는 배경요소가 최소화되도록 얼굴 영상에서 얼굴 영역을 재정의하여 얼굴 영역을 재검출한다.
S1219 단계에서, 나이 추정 장치는 LBP를 이용하여 재검출된 얼굴 영역에서 픽셀별 LBP 특징 코드를 추출한다.
S1220 단계에서, 나이 추정 장치는 추출한 픽셀별 LBP 특징 코드들을 균일(Uniform) 여부에 따라 분류하여 분류한 패턴별로 픽셀들을 그룹핑한다.
S1221 단계에서, 나이 추정 장치는 패턴별 픽셀수를 이용하여 특징 벡터를 생성한다. 이때, 나이 추정 장치는 재검출된 얼굴 영역을 복수의 블록으로 분할하여 각 블록별 특징 벡터를 생성하고, 각 블록별 특징 벡터를 합하여 하나의 특징 벡터를 생성한다. 그리고, 나이 추정 장치는 복수의 단일 레벨 LBP 기반 특징 벡터를 융합하여 하나의 특징 벡터를 생성할 수 있다. 여기서, 각각의 단일 레벨 LBP 특징 벡터는 분할되는 블록 개수를 달리하여 산출될 수 있다.
S1222 단계에서, 나이 추정 장치는 퍼지논리(Fuzzy Logic)를 이용하여 블록별 가중치를 산출한다. 여기서, 퍼지논리의 입력은 해당 블록에 포함된 픽셀들의 밝기값 평균과 표준편차, 얼굴 영역의 중심으로부터 해당 블록까지의 거리이다.
S1223 단계에서, 나이 추정 장치는 블록별 특징 벡터 및 가중치를 이용하여 입력된 얼굴 영상의 나이를 추정한다. 예를 들어, 나이 추정 장치는 각 블록별로 특징 벡터값에 가중치값을 곱하여 스케일링된 특징 벡터를 산출할 수 있고, 스케일링된 특징 벡터를 회귀방법에 적용하여 입력된 얼굴 영상의 나이를 추정할 수 있다.
한편, 본 발명의 실시예에 따른 나이 추정 방법은 다양한 전자적으로 정보를 처리하는 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 저장 매체에 기록될 수 있다. 저장 매체는 프로그램 명령, 데이터 파일, 데이터 구조등을 단독으로 또는 조합하여 포함할 수 있다.
저장 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 소프트웨어 분야 당업자에게 공지되어 사용 가능한 것일 수도 있다. 저장 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. 또한 상술한 매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 전자적으로 정보를 처리하는 장치, 예를 들어, 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
10: 입력부
20: 보정부
30: 검출부
40: 특징벡터 생성부
50: 가중치 산출부
60: 추정부
20: 보정부
30: 검출부
40: 특징벡터 생성부
50: 가중치 산출부
60: 추정부
Claims (22)
- 얼굴 영상을 입력받는 입력부;
상기 얼굴 영상에서 얼굴 영역을 검출하고, 상기 얼굴 영역에서 눈 영역을 검출하고, 상기 눈 영역을 이용하여 양 눈 각각의 중심 좌표를 산출하고, 상기 양 눈 각각의 중심 좌표를 이용하여 상기 얼굴 영상의 회전을 보정하는 보정부;
상기 회전 보정된 얼굴 영상에서 얼굴 영역을 재검출하는 검출부;
상기 재검출한 얼굴 영역을 복수의 블록으로 분할하여 각 블록별 특징 벡터를 생성하고, 각 블록별 특징 벡터를 합하여 하나의 특징 벡터를 생성하는 특징벡터 생성부;
상기 블록별로 퍼지논리(Fuzzy Logic)를 이용하여 가중치를 산출하는 가중치 산출부; 및
상기 블록별 특징 벡터 및 가중치를 이용하여 상기 입력된 얼굴 영상의 나이를 추정하는 추정부를 포함하되,
상기 퍼지논리의 입력은 해당 블록에 포함된 픽셀들의 밝기값 평균과 표준편차, 얼굴 영역의 중심으로부터 해당 블록까지의 거리인 것을 특징으로 하는 나이 추정 장치.
- 삭제
- 제1항에 있어서,
상기 보정부는 양 눈의 중심을 잇는 선분과 수평선이 이루는 각도를 산출하고, 양 눈의 중심을 잇는 선분이 수평이 되도록 산출한 각도만큼 얼굴 영상을 회전시켜 얼굴 영상의 회전을 보정하는 것을 특징으로 하는 나이 추정 장치.
- 제1항에 있어서,
상기 검출부는 나이 추정에 불필요한 부분이 비포함되도록, 양 눈 중심 사이의 거리를 기준으로 한 미리 설정된 비율로 박스 영역의 크기를 설정하여 얼굴 영상에서 얼굴 영역을 재정의하여 얼굴 영역을 재검출하는 것을 특징으로 하는 나이 추정 장치.
- 제1항에 있어서,
상기 특징벡터 생성부는 LBP(Local Binary Pattern)를 이용하여 상기 재검출된 얼굴 영역에서 픽셀별 LBP 특징 코드를 추출하고, 상기 픽셀별 LBP 특징 코드들을 균일(Uniform) 여부에 따라 분류하여 분류한 패턴별로 픽셀들을 그룹핑하고, 재검출된 얼굴 영역을 복수의 블록으로 분할하고, 패턴별 픽셀수를 이용하여 각 블록별 특징 벡터를 생성하는 것을 특징으로 하는 나이 추정 장치.
- 제5항에 있어서,
상기 특징벡터 생성부는 마스크의 중심 픽셀의 밝기값과 주변 픽셀의 밝기값들을 비교하여, 상기 재검출된 얼굴 영역 내의 각 픽셀의 밝기값의 변화를 이진수로 산출함으로써, 상기 LBP 특징 코드를 추출하는 것을 특징으로 하는 나이 추정 장치.
- 제6항에 있어서,
상기 특징벡터 생성부는 상기 중심 픽셀에 대한 상기 주변 픽셀의 개수와 반경을 변화시켜가면서, 상기 LBP 특징 코드를 추출하는 것을 특징으로 하는 나이 추정 장치.
- 제7항에 있어서,
상기 특징벡터 생성부는 상기 LBP 특징 코드가 회전 변화에 더욱 강인하게 하기 위하여, 이진수값이 최소가 되도록 상기 LBP 특징 코드를 원형 비트 우향 이동시키는 것을 특징으로 하는 나이 추정 장치.
- 제5항에 있어서,
상기 특징벡터 생성부는 상기 LBP 특징 코드를 균일(Uniform) 패턴 또는 비균일(Non-uniform) 패턴으로 분류하되,
상기 균일 패턴은 상기 LBP 특징 코드의 이진 비트 0 또는 1이 연속적으로 같은 비트일 경우이며, 1의 개수에 따라 1이 하나도 포함되지 않은 경우부터 모두 1로 구성된 경우까지의 총 9가지의 패턴으로 분류되고,
상기 비균일 패턴은 이진 비트 0과 1이 연속적이지 않는 조합으로 이루어진 경우로, 1의 개수와 무관하게 하나의 그룹으로 분류되는 것을 특징으로 하는 나이 추정 장치.
- 제5항에 있어서,
상기 특징벡터 생성부는 분할되는 블록 개수를 달리하여 복수의 단일 레벨 LBP 기반 특징 벡터를 산출하고, 상기 복수의 단일 레벨 LBP 기반 특징 벡터를 융합하여 다중 레벨 LBP 기반 특징 벡터를 생성하는 것을 특징으로 하는 나이 추정 장치.
- 제1항에 있어서,
상기 추정부는 각 블록별로 특징 벡터값에 가중치값을 곱하여 스케일링된 특징 벡터를 산출하고, 상기 스케일링된 특징 벡터를 회귀방법에 적용하여 상기 입력된 얼굴 영상의 나이를 추정하는 것을 특징으로 하는 나이 추정 장치.
- 나이 추정 장치가 얼굴 영상을 이용하여 나이를 추정하는 방법에 있어서,
상기 얼굴 영상을 입력받는 단계;
상기 얼굴 영상에서 얼굴 영역을 검출하는 단계;
상기 얼굴 영역에서 눈 영역을 검출하는 단계;
상기 눈 영역을 이용하여 양 눈 각각의 중심 좌표를 산출하는 단계;
상기 양 눈 각각의 중심 좌표를 이용하여 상기 얼굴 영상의 회전을 보정하는 단계;
상기 회전 보정된 얼굴 영상에서 얼굴 영역을 재검출하는 단계;
상기 재검출한 얼굴 영역을 복수의 블록으로 분할하여 각 블록별 특징 벡터를 생성하고, 상기 각 블록별 특징 벡터를 합하여 하나의 특징 벡터를 생성하는 단계;
상기 블록별로 퍼지논리(Fuzzy Logic)를 이용하여 가중치를 산출하는 단계; 및
상기 블록별 특징 벡터 및 가중치를 이용하여 상기 입력된 얼굴 영상의 나이를 추정하는 단계를 포함하되,
상기 퍼지논리의 입력은 해당 블록에 포함된 픽셀들의 밝기값 평균과 표준편차, 얼굴 영역의 중심으로부터 해당 블록까지의 거리인 것을 특징으로 하는 나이 추정 방법.
- 삭제
- 제12항에 있어서,
상기 얼굴 영상의 회전을 보정하는 단계는,
양 눈의 중심을 잇는 선분과 수평선이 이루는 각도를 산출하는 단계; 및
상기 양 눈의 중심을 잇는 선분이 수평이 되도록 산출한 각도만큼 얼굴 영상을 회전시키는 단계를 포함하는 것을 특징으로 하는 나이 추정 방법.
- 제12항에 있어서,
상기 얼굴 영역을 재검출하는 단계는,
나이 추정에 불필요한 부분이 비포함되도록, 양 눈 중심 사이의 거리를 기준으로 한 미리 설정된 비율로 박스 영역의 크기를 설정하여 얼굴 영상에서 얼굴 영역을 재정의하여 얼굴 영역을 재검출하는 단계를 포함하는 것을 특징으로 하는 나이 추정 방법.
- 제12항에 있어서,
상기 하나의 특징 벡터를 생성하는 단계는,
LBP(Local Binary Pattern)를 이용하여 상기 재검출된 얼굴 영역에서 픽셀별 LBP 특징 코드를 추출하는 단계;
상기 픽셀별 LBP 특징 코드들을 균일(Uniform) 여부에 따라 분류하여 분류한 패턴별로 픽셀들을 그룹핑하는 단계; 및
상기 재검출한 얼굴 영역을 복수의 블록으로 분할하고, 패턴별 픽셀수를 이용하여 각 블록별 특징 벡터를 생성하는 단계를 포함하는 것을 특징으로 하는 나이 추정 방법.
- 제16항에 있어서,
상기 LBP 특징 코드를 추출하는 단계는,
마스크의 중심 픽셀의 밝기값과 주변 픽셀의 밝기값들을 비교하는 단계; 및
상기 재검출된 얼굴 영역 내의 각 픽셀의 밝기값의 변화를 이진수로 산출하는 단계를 포함하는 것을 특징으로 하는 나이 추정 방법.
- 제17항에 있어서,
상기 LBP 특징 코드를 추출하는 단계는,
상기 중심 픽셀에 대한 상기 주변 픽셀의 개수와 반경을 변화시켜가면서, 상기 LBP 특징 코드를 추출하는 단계를 포함하는 것을 특징으로 하는 나이 추정 방법.
- 제18항에 있어서,
상기 LBP 특징 코드를 추출하는 단계는,
상기 LBP 특징 코드가 회전 변화에 더욱 강인하게 하기 위하여, 이진수값이 최소가 되도록 상기 LBP 특징 코드를 원형 비트 우향 이동시키는 단계를 포함하는 것을 특징으로 하는 나이 추정 방법.
- 제16항에 있어서,
상기 픽셀들을 그룹핑하는 단계는,
상기 LBP 특징 코드를 균일(Uniform) 패턴 또는 비균일(Non-uniform) 패턴으로 분류하는 단계를 포함하되,
상기 균일 패턴은 상기 LBP 특징 코드의 이진 비트 0 또는 1이 연속적으로 같은 비트일 경우이며, 1의 개수에 따라 1이 하나도 포함되지 않은 경우부터 모두 1로 구성된 경우까지의 총 9가지의 패턴으로 분류되고,
상기 비균일 패턴은 이진 비트 0과 1이 연속적이지 않는 조합으로 이루어진 경우로, 1의 개수와 무관하게 하나의 그룹으로 분류되는 것을 특징으로 하는 나이 추정 방법.
- 제16항에 있어서,
상기 하나의 특징 벡터를 생성하는 단계는,
분할되는 블록 개수를 달리하여 복수의 단일 레벨 LBP 기반 특징 벡터를 산출하는 단계; 및
상기 복수의 단일 레벨 LBP 기반 특징 벡터를 융합하여 다중 레벨 LBP 기반 특징 벡터를 생성하는 단계를 포함하는 것을 특징으로 하는 나이 추정 방법.
- 제12항에 있어서,
상기 입력된 얼굴 영상의 나이를 추정하는 단계는,
각 블록별로 특징 벡터값에 가중치값을 곱하여 스케일링된 특징 벡터를 산출하는 단계; 및
상기 스케일링된 특징 벡터를 회귀방법에 적용하여 상기 입력된 얼굴 영상의 나이를 추정하는 단계를 포함하는 것을 특징으로 하는 나이 추정 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20140062524A KR101507081B1 (ko) | 2014-05-23 | 2014-05-23 | 나이 추정 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20140062524A KR101507081B1 (ko) | 2014-05-23 | 2014-05-23 | 나이 추정 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101507081B1 true KR101507081B1 (ko) | 2015-04-01 |
Family
ID=53032128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR20140062524A KR101507081B1 (ko) | 2014-05-23 | 2014-05-23 | 나이 추정 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101507081B1 (ko) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017052153A1 (ko) * | 2015-09-22 | 2017-03-30 | 한국과학기술연구원 | 얼굴 부위별 나이와 환경적 요인을 기반으로 하는 나이 변환 방법, 이를 수행하기 위한 기록 매체 및 장치 |
| KR101796027B1 (ko) * | 2015-04-02 | 2017-11-10 | 동국대학교 산학협력단 | 얼굴 영상 기반 성별 인식 방법 및 장치 |
| KR101842986B1 (ko) * | 2016-11-10 | 2018-03-28 | 동국대학교 산학협력단 | 공포심리 평가 장치 및 방법 |
| KR20180037419A (ko) * | 2016-10-04 | 2018-04-12 | 재단법인대구경북과학기술원 | Ｒｅｇｉｏｎ－ｓｉｆｔ와 ｄｉｓｃｒｉｍｉｎａｎｔ ｓｖｍ 분류기를 이용한 나이 및 성별 인식 장치 및 그 방법 |
| KR20190076858A (ko) * | 2017-12-22 | 2019-07-02 | 샤넬 파르퓜 보트 | 개선된 나이 모델링 방법 |
| CN113657188A (zh) * | 2021-07-26 | 2021-11-16 | 浙江大华技术股份有限公司 | 人脸年龄识别方法、系统、电子装置和存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080033486A (ko) * | 2005-07-29 | 2008-04-16 | 텔레콤 이탈리아 소시에떼 퍼 아찌오니 | 서포트 벡터 머신 및 얼굴 인식에 기초한 자동 생체 식별 |
| KR101321840B1 (ko) | 2012-04-25 | 2013-10-23 | 연세대학교 산학협력단 | 퍼지 기반 레티넥스를 이용한 영상 정규화 방법 및 장치 |
-
2014
- 2014-05-23 KR KR20140062524A patent/KR101507081B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080033486A (ko) * | 2005-07-29 | 2008-04-16 | 텔레콤 이탈리아 소시에떼 퍼 아찌오니 | 서포트 벡터 머신 및 얼굴 인식에 기초한 자동 생체 식별 |
| KR101321840B1 (ko) | 2012-04-25 | 2013-10-23 | 연세대학교 산학협력단 | 퍼지 기반 레티넥스를 이용한 영상 정규화 방법 및 장치 |
Non-Patent Citations (2)
| Title |
|---|
| 2013년도 대한전자공학회 하계학술대회 제36권 1호 * |
| 한국항행학회 논문지 제16권 제1호 2012년 2월 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101796027B1 (ko) * | 2015-04-02 | 2017-11-10 | 동국대학교 산학협력단 | 얼굴 영상 기반 성별 인식 방법 및 장치 |
| WO2017052153A1 (ko) * | 2015-09-22 | 2017-03-30 | 한국과학기술연구원 | 얼굴 부위별 나이와 환경적 요인을 기반으로 하는 나이 변환 방법, 이를 수행하기 위한 기록 매체 및 장치 |
| KR101758825B1 (ko) | 2015-09-22 | 2017-07-18 | 한국과학기술연구원 | 얼굴 부위별 나이와 환경적 요인을 기반으로 하는 나이 변환 방법, 이를 수행하기 위한 기록 매체 및 장치 |
| US10593083B2 (en) | 2015-09-22 | 2020-03-17 | Korea Institute Of Science And Technology | Method for facial age simulation based on age of each part and environmental factors, recording medium and device for performing the method |
| KR20180037419A (ko) * | 2016-10-04 | 2018-04-12 | 재단법인대구경북과학기술원 | Ｒｅｇｉｏｎ－ｓｉｆｔ와 ｄｉｓｃｒｉｍｉｎａｎｔ ｓｖｍ 분류기를 이용한 나이 및 성별 인식 장치 및 그 방법 |
| KR101865253B1 (ko) * | 2016-10-04 | 2018-06-08 | 재단법인대구경북과학기술원 | Ｒｅｇｉｏｎ－ｓｉｆｔ와 ｄｉｓｃｒｉｍｉｎａｎｔ ｓｖｍ 분류기를 이용한 나이 및 성별 인식 장치 및 그 방법 |
| KR101842986B1 (ko) * | 2016-11-10 | 2018-03-28 | 동국대학교 산학협력단 | 공포심리 평가 장치 및 방법 |
| KR20190076858A (ko) * | 2017-12-22 | 2019-07-02 | 샤넬 파르퓜 보트 | 개선된 나이 모델링 방법 |
| KR102014660B1 (ko) | 2017-12-22 | 2019-08-26 | 샤넬 파르퓜 보트 | 개선된 나이 모델링 방법 |
| CN113657188A (zh) * | 2021-07-26 | 2021-11-16 | 浙江大华技术股份有限公司 | 人脸年龄识别方法、系统、电子装置和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101507081B1 (ko) | 나이 추정 장치 및 방법 | |
| US10049277B2 (en) | Method and apparatus for tracking object, and method and apparatus for calculating object pose information | |
| CN111899334B (zh) | 一种基于点线特征的视觉同步定位与地图构建方法及装置 | |
| CN110363047B (zh) | 人脸识别的方法、装置、电子设备和存储介质 | |
| Ioannidis et al. | Gait recognition using compact feature extraction transforms and depth information | |
| CN111241989B (zh) | 图像识别方法及装置、电子设备 | |
| US20150110349A1 (en) | Face tracking apparatuses and methods | |
| US7697752B2 (en) | Method and apparatus for performing object detection | |
| WO2012077286A1 (ja) | 物体検出装置および物体検出方法 | |
| US7929734B2 (en) | Method and apparatus for detecting eyes in face region | |
| KR20160087167A (ko) | 사용자 인증 방법 및 장치 | |
| US9262672B2 (en) | Pattern recognition apparatus and pattern recognition method that reduce effects on recognition accuracy, and storage medium | |
| KR100828411B1 (ko) | 3차원 얼굴 인식을 위한 전역적 특징 추출 방법 | |
| CN107316029B (zh) | 一种活体验证方法及设备 | |
| CN106897662A (zh) | 基于多任务学习的人脸关键特征点的定位方法 | |
| CN105320954A (zh) | 人脸认证装置和方法 | |
| Hofer et al. | Incremental Line-based 3D Reconstruction using Geometric Constraints. | |
| US20230021591A1 (en) | Model generation method, model generation apparatus, non-transitory storage medium, mobile object posture estimation method, and mobile object posture estimation apparatus | |
| Ci et al. | Stereo visual odometry based on motion decoupling and special feature screening for navigation of autonomous vehicles | |
| Zhu et al. | Vdn-nerf: Resolving shape-radiance ambiguity via view-dependence normalization | |
| Raskin et al. | Using gaussian process annealing particle filter for 3d human tracking | |
| CN108665470B (zh) | 一种交互式轮廓提取方法 | |
| Chun et al. | 3D face pose estimation by a robust real time tracking of facial features | |
| Terissi et al. | 3D Head Pose and Facial Expression Tracking using a Single Camera. | |
| Bastos et al. | Pupil segmentation using pulling & pushing and BSOM neural network |
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: 20180227 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20200228 Year of fee payment: 6 |