KR101802500B1 - 영상 인식을 위한 학습 장치 및 그 학습 방법 - Google Patents

영상 인식을 위한 학습 장치 및 그 학습 방법 Download PDF

Info

Publication number
KR101802500B1
KR101802500B1 KR1020160136469A KR20160136469A KR101802500B1 KR 101802500 B1 KR101802500 B1 KR 101802500B1 KR 1020160136469 A KR1020160136469 A KR 1020160136469A KR 20160136469 A KR20160136469 A KR 20160136469A KR 101802500 B1 KR101802500 B1 KR 101802500B1
Authority
KR
South Korea
Prior art keywords
image
features
false
true
verification
Prior art date
Application number
KR1020160136469A
Other languages
English (en)
Inventor
이충희
김동영
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 KR1020160136469A priority Critical patent/KR101802500B1/ko
Application granted granted Critical
Publication of KR101802500B1 publication Critical patent/KR101802500B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G06K9/64—
    • G06N99/005—
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

영상 인식을 위한 학습 방법이 개시된다. 이 학습 방법은, 객체가 존재하는 참 영상과 객체가 존재하지 않는 거짓 영상을 포함하는 학습 영상으로부터 다수의 특징들을 추출하는 단계; 상기 학습 영상으로 추출된 다수의 특징들 중에서 상기 참 영상과 상기 거짓 영상을 구분하는 데 기여도가 큰 일정 개수의 제1 특징들을 선택하는 단계; 상기 선택된 제1 특징들을 기반으로 분류기를 생성하는 단계; 상기 생성된 분류기를 검증 영상(validation image)으로 실험하여, 객체가 존재하는 검증용 참 영상과 객체가 존재하지 않는 검증용 거짓 영상으로 분류하는 단계; 상기 검증용 참 영상과 상기 검증용 거짓 영상으로부터 다수의 특징들을 추출하고, 추출한 다수의 특징들을 분석하여 상기 검증용 참 영상과 상기 검증용 거짓 영상을 구분하는 데 기여도가 큰 일정 개수의 제2 특징들을 선택하는 단계; 상기 제2 특징들을 기반으로 상기 제1 특징들을 조정하는 단계; 및 상기 조정된 제1 특징들을 기반으로 최종 분류기를 생성하는 단계;를 포함한다.

Description

영상 인식을 위한 학습 장치 및 그 학습 방법{LEARNING DEVICE FOR IMPROVING IMAGE RECOGNTION PERFORMANCE AND LEARNING METHOD THEREOF}
본 발명은 영상 인식을 위한 학습 장치 및 그 학습 방법에 관한 것으로, 상세하게는 영상 인식 성능을 개선하기 위한 학습 장치 및 그 학습 방법에 관한 것이다.
최근 다양한 분야에서 영상 인식 기술을 접목하는 사례가 증가하면서, 영상 인식 성능을 향상시키는 연구 개발이 활발히 이루어지고 있다.
일반적으로 영상 인식 성능을 향상시키기 위한 방법으로서는 원 영상으로부터 추출한 다양한 종류의 특징들을 모두 결합하는 방법, 많은 종류의 학습 데이터를 사용하는 방법 등이 있다.
많은 종류의 학습 데이터를 사용하는 방법은 실제 학습 단계에서는 많은 시간이 필요로 하지만, 실제 사용시에는 시간의 증가가 없어 큰 문제가 없으나, 많은 종류의 특징들을 모두 결합하는 방법은 실제 사용시에도 많은 시간이 필요로 하여, 제한된 하드웨어 및 소프트웨어 시스템에서는 적용이 상당히 어렵고, 비용이 증가하는 측면이 있다.
도 1은 기존의 영상 인식을 위한 학습 데이터의 학습 과정을 도식적으로 나타낸 도면이다.
도 1을 참조하면, 기존의 학습 과정은 특징 추출 과정, 특징 결합 과정, 학습 과정 및 학습기 생성 과정으로 이루어진다.
특징 추출 과정에서는, 목표 객체가 존재하는 참 영상과 상기 목표 객체가 존재하지 않는 거짓 영상으로 이루어진 학습 영상(10)을 준비하고, 준비된 학습 영상으로부터 다양한 종류의 특징들(특징1, 특징2, 특징3)을 추출한다. 도 1에서는 3가지 종류의 특징을 추출한 예를 도시하고 있으나, 실제로는 더 많은 종류의 특징을 추출할 수 있다. 특징 결합 과정에서는, 추출한 특징들(특징1, 특징2 및 특징3)을 모두 결합하여 하나의 큰 특징을 만든다. 학습 과정에서는, 하나의 큰 특징을 학습하여 학습기 생성 과정을 통해 최종 학습기를 생성한다.
이러한 기존의 학습 과정은, 학습 영상으로부터 추출되는 특징의 개수가 증가할수록 학습기 자체의 성능은 높아지지만, 실제 시스템에 적용하는 경우, 증가된 특징의 개수만큼 실제 영상과 대비되는 특징의 개수가 증가하기 때문에 영상 인식 속도와 같은 영상 인식 성능이 저하되는 문제가 있다.
따라서, 본 발명에서 해결하고자 하는 과제는 학습 영상으로부터 추출된 특징들 중에서 중요 특징을 선별하여, 선별된 중요 특징 기반으로 학습된 학습 모델을 생성함으로써, 영상 인식 성능의 저하 없이 영상 인식 속도를 개선할 수 있는 영상 인식을 위한 학습 장치 및 그 학습 방법을 제공하는데 있다.
추가로, 본 발명에서 해결하고자 하는 다른 과제는, 상기 학습 모델의 과최적화(overfitting) 현상을 방지하기 위해, 상기 중요 특징을 선별하는 데 학습 모델 검증을 위해 사용하는 밸리데이션(validation) 영상에서 추출한 특징을 이용함으로써, 더욱 효과적으로 영상 인식 성능의 저하 없이 영상 인식 속도를 개선할 수 있는 영상 인식을 위한 학습 장치 및 그 학습 방법을 제공하는데 있다.
상술한 목적을 달성하기 위한 본 발명의 일면에 따른 영상 인식을 위한 학습 방법은, 객체가 존재하는 참 영상과 객체가 존재하지 않는 거짓 영상을 포함하는 학습 영상으로부터 다수의 특징들을 추출하는 단계; 상기 학습 영상으로 추출된 다수의 특징들 중에서 상기 참 영상과 상기 거짓 영상을 구분하는 데 기여도가 큰 일정 개수의 제1 특징들을 선택하는 단계; 상기 선택된 제1 특징들을 기반으로 분류기를 생성하는 단계; 상기 생성된 분류기를 검증 영상(validation image)으로 실험하여, 객체가 존재하는 검증용 참 영상과 객체가 존재하지 않는 검증용 거짓 영상으로 분류하는 단계; 상기 검증용 참 영상과 상기 검증용 거짓 영상으로부터 다수의 특징들을 추출하고, 추출한 다수의 특징들을 분석하여 상기 검증용 참 영상과 상기 검증용 거짓 영상을 구분하는 데 기여도가 큰 일정 개수의 제2 특징들을 선택하는 단계; 상기 제2 특징들을 기반으로 상기 제1 특징들을 조정하는 단계; 및 상기 조정된 제1 특징들을 기반으로 최종 분류기를 생성하는 단계;를 포함한다.
본 발명의 다른 일면에 따른 영상 인식을 위한 학습 장치는, 객체가 존재하는 참 영상과 객체가 존재하지 않는 거짓 영상을 포함하는 학습 영상으로부터 다수의 특징들을 추출하는 특징 추출부; 상기 학습 영상으로 추출된 다수의 특징들 중에서 상기 참 영상과 상기 거짓 영상을 구분하는 데 기여도가 큰 일정 개수의 제1 특징들을 선택하는 제1 특징 선택부; 상기 선택된 제1 특징들을 기반으로 분류기를 생성하는 분류기 생성부; 상기 생성된 분류기 의해, 검증 영상(validation image)으로부터 분류된 검증용 참 영상과 검증용 거짓 영상으로부터 다수의 특징들을 추출하고, 추출한 다수의 특징들을 분석하여 다수의 특징들 중에서 상기 검증용 참 영상과 상기 검증용 거짓 영상을 구분하는 데 기여도가 큰 일정 개수의 제2 특징들을 선택하는 특징 분석부; 상기 제2 특징들을 기반으로 상기 제1 특징들을 조정하는 특징 조정부를 포함하고, 상기 분류기 생성부는 상기 특징 조정부로부터 피드백된 상기 조정된 상기 제1 특징들을 기반으로 최종 분류기를 생성한다.
본 발명에 따르면, 학습 영상과 검증 영상을 이용하여 선별된 중요 특징 기반으로 영상 인식을 위한 분류기를 생성함으로써, 분류기의 과최적화(overfitting) 현상을 방지하고, 영상 인식 성능의 저하 없이 영상 인식 속도를 향상시킬 수 있다.
이와 같이, 영상 인식 성능의 저하 없이 영상 인식 속도가 향상된 본 발명의 학습 장치 및 그 학습 방법을 무인자동차, 지능형 자동차, 의료, 로봇, 보안 및 감시 등 다양한 영상 인식을 사용하는 분야에 적용할 경우, 해당 분야의 부가 가치를 높일 수 있다.
도 1은 기존의 영상 인식을 위한 학습 데이터의 학습 과정을 도식적으로 나타낸 도면이다.
도 2는 본 발명의 일 실시 예에 따른 영상 인식을 위한 학습 장치의 기능 블록도이다.
도 3은 도 2에 도시한 각 블록들에서 수행하는 단일 특징 요소에 대한 학습 과정들을 도식적으로 나타낸 도면이다.
도 4는 도 2에 도시한 각 블록들에서 다수의 특징 요소에 대한 학습 과정들을 도시적으로 나타낸 도면이다.
도 5는 본 발명의 일 실시 예에 따른 영상 인식을 위한 학습 방법의 흐름도이다.
이하, 본 발명의 다양한 실시예가 첨부된 도면과 연관되어 기재된다. 본 발명의 다양한 실시예는 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들이 도면에 예시되고 관련된 상세한 설명이 기재되어 있다. 그러나 이는 본 발명의 다양한 실시예를 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 다양한 실시예의 사상 및 기술 범위에 포함되는 모든 변경 및/또는 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용되었다.
본 발명의 다양한 실시 예에서 사용될 수 있는"포함한다" 또는 "포함할 수 있다" 등의 표현은 개시(disclosure)된 해당 기능, 동작 또는 구성요소 등의 존재를 가리키며, 추가적인 하나 이상의 기능, 동작 또는 구성요소 등을 제한하지 않는다. 또한, 본 발명의 다양한 실시 예에서, "포함하다" 또는 "가지다" 등의 용어는 명세서에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 발명의 실시 예에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명의 실시 예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명의 실시 예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미가 있는 것으로 해석되어야 하며, 본 발명의 다양한 실시 예에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 발명의 일 실시 예에 따른 영상 인식을 위한 학습 장치는 영상 인식 기능을 갖는 다양한 전자 장치에 탑재될 수 있다. 상기 전자 장치는, 예를 들면, 무인자동차, 지능형 자동차, 의료 장치, 로봇 장치, 보안 및 감시 기능을 갖는 장치일 수 있다. 이에 한정하지 않고, 상기 전자 장치는, 스마트 폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 비디오 전화기, 전자북 리더기(e-book reader), 데스크탑 PC(desktop personal computer), 랩탑 PC(laptop personal computer), 넷북 컴퓨터(netbook computer), PDA(personal digital assistant), PMP(portable multimedia player), MP3 플레이어, 모바일 의료기기, 카메라(camera), 또는 웨어러블 장치(wearable device)(예: 전자 안경과 같은 head-mounted-device(HMD), 전자 의복, 전자 팔찌, 전자 목걸이, 전자 앱세서리(appcessory), 또는 스마트 와치(smart watch))중 적어도 하나를 포함할 수 있다.
도 2는 본 발명의 일 실시 예에 따른 영상 인식을 위한 학습 장치의 기능 블록도이고, 도 3은 도 2에 도시한 각 블록들에서 수행하는 단일 특징 요소에 대한 학습 과정들을 도식적으로 나타낸 도면이다.
도 2 및 도 3을 참조하면, 본 발명의 일 실시 예에 따른 학습 장치는 특징 추출부(110), 제1 특징 선택부(120), 분류기 생성부(130), 분류기(140), 특징 분석부(150) 및 특징 조정부(160)를 포함할 수 있다.
특징 추출부(110)
상기 특징 추출부(110)는 학습 영상(learning image)으로부터 다수의 특징 요소 별로 다수의 특징들(또는 특징 값들)을 추출한다. 학습 영상은 참 영상과 거짓 영상을 포함한다. 참 영상은 학습하고자 하는 객체가 존재하는 영상이고, 거짓 영상은 상기 객체가 존재하지 않는 영상일 수 있다. 상기 특징 요소는 상기 학습 영상을 일정 크기로 분할한 블록에 포함된 픽셀들의 기울기(gradient) 방향과 크기에 대한 히스토그램, 에지 픽셀들(gradient magnitude가 일정 값 이상인 픽셀)의 방향에 대한 히스토그램, 상기 학습 영상 내에서의 영역들 간의 밝기 차 등일 수 있다. 이러한 특징 요소들 별로 다수의 특징들을 추출하는 방법은 특징 요소에 따라 다양한 특징 추출 알고리즘이 사용될 수 있으며, 예를 들면, SIFT(Scale Invariant Feature Transform), HOG(Histogram of Oriented Gradient), Haar feature, Ferns, LBP(Local Binary Pattern), MCT(Modified Census Transform) 등일 수 있다.
제1 특징 선택부(120)
상기 제1 특징 선택부(120)는 상기 특징 추출부(110)에 의해 상기 학습 영상으로부터 추출된 다수의 특징들 중에서 상기 참 영상과 상기 거짓 영상을 구분하는 데 기여도(또는 가중치)가 큰 일정 개수의 제1 특징들을 선택한다. 즉, 도 3에 도시된 바와 같이, n개의 특징들 중에서 객체 인식에 기여도가 가장 높은 특징을 기준으로 n1개의 제1 특징들을 선택한다. 여기서, 상기 제1 특징들을 선택하는 방법으로, 회귀 분석(Regression analysis)법을 사용할 수 있으며, 대표적으로, 최소 제곱(Least square) 알고리즘, 능형 회귀(Ridge regression) 알고리즘, Convex sparse 알고리즘 및 LASSO(Least Absolute Shrinkage and Selection Operator) 알고리즘 중 적어도 하나를 예로 들 수 있다.
회귀 분석법에 따르면, 입력되는 각각의 데이터를 변수로 설정하고, 각 변수에 가중치를 곱하여 하나의 regression 함수를 생성한다. 이 때 각각의 데이터 (특징)에 곱해지는 가중치의 크기가 존재하며, 그 가중치의 값이 크다는 것은 그 특징이 참 영상과 거짓 영상을 구분하는데 기여도가 크다는 것을 의미한다. 따라서 가중치의 크기를 기준으로 우선순위를 만들 수 있으며, 이 때 선택하는 제1 특징들의 개수(n1)는 사용자가 임의로 지정하거나 regression 수행 시 필요한 penalty를 이용하여 선택할 수도 있다.
분류기 생성부(130)
상기 분류기 생성부(130)는 상기 제1 특징 선택부(120)에서 선택한 제1 특징들을 기반으로 분류기(140)를 생성한다. 즉, 상기 제1 특징들을 기반으로 학습 영상을 학습하여 상기 분류기(140)를 생성(학습 또는 모델링)한다.
분류기(140)
상기 제1 특징들을 기반으로 생성된 분류기(140)의 과최적화(overfitting) 현상을 방지하기 위해, 상기 분류기(140)를 검증 영상(validation image)으로 실험하여, 상기 분류기(140)가 사용자가 의도한대로 정확한 분류 작업을 수행하는 지 그 성능이 검증된다. 여기서, 과최적화(overfitting) 현상은 분류기(140)가 학습 영상에 대해서는 정확도가 높지만, 실제 영상에 대해서는 정확도가 떨어지는 현상을 의미한다.
구체적으로, 상기 실험을 통해, 상기 분류기(140)는 상기 검증 영상을 검증용 참 영상과 검증용 거짓 영상으로 분류하고, 세부적으로, 도 3에 도시된 바와 같이, 상기 검증용 참 영상을 true positive(a)와 false negative(b)로 분류하고, 상기 검증용 거짓 영상을 true negative(c)와 false positive(d)로 분류한다.
여기서, true positive, false negative, true negative 및 false positive는 상기 분류기(140)에 의해 분류된 결과가 맞는지 또는 틀렸는지를 나타내는 것으로, true positive는 검증용 참 영상으로 분류된 결과(positive)가 맞음(true)을 의미하고, false negative는 검증용 거짓 영상으로 분류된 결과(negative)가 틀림(false)을 의미하고, true negative는 검증용 거짓 영상으로 분류된 결과(negative)가 맞음(true)을 의미한다. 그리고 false positive는 검증용 참 영상으로 분류된 결과(positive)가 틀림(false)을 의미한다.
즉, true positive로 분류된 검증용 참 영상(a)과 true negative로 분류된 검증용 거짓 영상(c)은 잘 분류된 결과이지만, false negative로 분류된 검증용 참 영상(b)과 false positive로 분류된 검증용 거짓 영상(d)은 잘못 분류된 결과이다. 이는 제1 특징 기반으로 생성된 분류기(140)의 한계점을 나타낸 것이다.
다시 말해, 상기 제1 특징 기반으로 생성된 분류기(140)의 한계점으로 인해, false negative로 분류된 영상(b)은 검증용 참 영상임에도, 검증용 거짓 영상으로 잘못 분류되고, false positive로 분류된 영상(d)은 검증용 거짓 영상임에도, 검증용 참 영상으로 잘못 분류되는 에러가 발행한 것이다.
따라서, 상기 true positive로 분류된 검증용 참 영상과 상기 false negative로 분류된 검증용 참 영상을 구분하는데 기여도가 큰 특징들과 상기 true negative로 분류된 검증용 거짓 영상과 상기 false positive로 분류된 검증용 거짓 영상을 구분하는데 기여도가 큰 특징들을 탐색하고, 상기 분류기(130)를 생성하는(학습하는) 과정에서 상기 탐색된 특징들을 배제한다면, 상기 분류기(140)의 에러, 즉, 과최적화(overfitting) 현상을 최소화 할 수 있다는 것이 본 발명의 기술적 핵심이다.
특징 분석부(150)
상기 특징 분석부(150)는 상기 true positive로 분류된 검증용 참 영상과 상기 false negative로 분류된 검증용 참 영상을 구분하는데 기여도가 큰 특징들과 상기 true negative로 분류된 검증용 거짓 영상과 상기 false positive로 분류된 검증용 거짓 영상을 구분하는데 기여도가 큰 특징들을 선택하는 구성으로, 이를 위해, 특징 추출부(152)와 제2 특징 선택부(154)를 포함한다.
상기 특징 추출부(152)는 상기 제1 특징 기반으로 생성된 분류기(140)에 의해 분류된 상기 true positive로 분류된 검증용 참 영상(a), 상기 false negative로 분류된 검증용 참 영상(b), 상기 true negative로 분류된 검증용 거짓 영상(c) 및 상기 false positive로 분류된 검증용 거짓 영상(d) 각각으로부터 특징들을 추출한다.
상기 제2 특징 선택부(154)는 상기 true positive로 분류된 검증용 참 영상(a)과 상기 false negative로 분류된 검증용 참 영상(b) 각각으로부터 추출된 특징들을 분석하여, 상기 분석된 특징들 중에서 상기 true positive로 분류된 검증용 참 영상과 상기 false negative로 분류된 검증용 참 영상을 구분하는데 기여도(또는 가중치)가 큰 일정 개수의 특징들 선택하고, 상기 true negative로 분류된 검증용 거짓 영상(c) 및 상기 false positive로 분류된 검증용 거짓 영상(d) 각각으로부터 추출된 특징들을 분석하여, 상기 분석된 특징들 중에서 상기 true negative로 분류된 검증용 거짓 영상과 상기 false positive로 분류된 검증용 거짓 영상을 구분하는데 기여도(또는 가중치)가 큰 일정 개수의 특징들을 제2 특징들로서 선택한다. 여기서, 상기 제2 특징들을 선택하는 방법으로, 상기 제1 선택부(120)에서 제1 특징들을 선택하는 방법과 동일하게, 회귀 분석(Regression analysis)법을 사용할 수 있으며, 전술한 바와 같이, 최소 제곱(Least square) 알고리즘, 능형 회귀(Ridge regression) 알고리즘, Convex sparse 알고리즘 및 LASSO(Least Absolute Shrinkage and Selection Operator) 알고리즘 중 적어도 하나를 예로 들 수 있다.
특징 조정부(160)
상기 특징 조정부(160)는 상기 특징 분석부(150)에 의해 선택된 제2 특징들을 기반으로 상기 제1 특징 선택부(120)에서 선택한 제1 특징들을 조정한다. 구체적으로, 상기 특징 조정부(160)는 상기 제1 특징들에서 상기 제2 특징들에 대응하는 특징들을 제거한다. 이때, 상기 제1 특징 선택부(120)에서 선택하지 않은 특징들(n1~n)에서 선별된 특징들(n1~n2)을 상기 제1 특징들에 새롭게 추가할 수 있다. 이때, 상기 제1 특징들에 새롭게 추가되는 특징들(n1~n2)은 선택하지 않은 특징들(n1~n)에서 기여도 순으로 선별될 수 있고, 그 개수는 상기 제1 특징들에서 제거된 특징들의 개수와 동일하거나, 사용자에 의해 임의로 설정될 수 있다.
이렇게 조정된 제1 특징들은 상기 분류기 생성부(130)에 의해 상기 학습 영상에 적용되어, 상기 조정된 제1 특징들 기반의 새로운 분류기를 생성하게 된다.
생성된 새로운 분류기는 다시 검증 영상으로 실험하는 과정을 수행하여, 문제가 되는 특징들을 제거하고, 새로운 특징들을 추가하는 과정을 반복함으로써, 최종 분류기가 생성된다. 이와 같이, 문제가 되는 특징들을 제거함으로써, 상기 생성된 최종 분류기는 개수가 줄어든 특징들을 기반으로 실제 영상을 분류하기 때문에, 영상 인식 속도를 개선할 수 있다. 이때, 특징들의 개수가 줄어들기 때문에, 오분류와 같은 과최적화 현상을 우려할 수도 있겠으나, 본 발명의 일 실시 예에 따라 생성된 최종 분류기는 이상 설명한 바와 같이, 학습 영상과 검증 영상의 특성이 반영된 특징들을 기반으로 생성된 것이므로, 실제 영상을 분류하는 과정에서 과최적화 현상에 대해서도 강건한 성능을 유지할 수 있다.
한편, 지금까지는, 단일 특징 요소로부터 추출한 특징들을 조정하여 최종 분류기를 생성한 예를 설명하고 있으나, 다수의 특징 요소 각각으로부터 특징들을 추출하고, 각 특징들을 조정하여 최종 분류기를 생성하는 예로 확장할 수 있다. 예를 들면, 도 4에 도시된 바와 같이, 다수의 특징 요소 각각으로부터 추출된 특징들을 조정한 후, 각 특징 요소별로 조정한 특징들을 결합하고, 결합된 특징들(특징 1, 특징 2, ...특징 n)을 기반으로 학습 영상을 학습하여 분류기 생성한 후, 생성된 분류기를 검증 영상으로 실험하여, 검증 영상으로 실험하는 과정을 수행하여, 문제가 되는 특징들을 제거하고, 새로운 특징들을 추가하는 과정을 반복함으로써, 최종 분류기가 생성될 수 있다.
도 5는 본 발명의 일 실시 예에 따른 영상 인식을 위한 학습 방법의 흐름도이다.
도 5를 참조하면, 먼저, 단계 S510에서, 객체가 존재하는 참 영상과 객체가 존재하지 않는 거짓 영상을 포함하는 학습 영상으로부터 다수의 특징들을 추출하는 과정이 수행된다. 다수의 특징들을 추출하는 방법은 특징 요소에 따라 다양한 특징 추출 알고리즘이 사용될 수 있으며, 예를 들면, SIFT(Scale Invariant Feature Transform), HOG(Histogram of Oriented Gradient), Haar feature, Ferns, LBP(Local Binary Pattern), MCT(Modified Census Transform) 등일 수 있다.
이어, 단계 S520에서, 상기 학습 영상으로 추출된 다수의 특징들 중에서 상기 참 영상과 상기 거짓 영상을 구분하는 데 기여도가 큰 일정 개수의 제1 특징들을 선택하는 과정이 수행된다. 여기서, 제1 특징들을 선택하는 방법으로, 회귀 분석(Regression analysis)법이 있을 수 있으며, 대표적으로, 최소 제곱(Least square) 알고리즘, 능형 회귀(Ridge regression) 알고리즘, Convex sparse 알고리즘 및 LASSO(Least Absolute Shrinkage and Selection Operator) 알고리즘 중 적어도 하나를 예로 들 수 있다.
이어, 단계 S530에서, 상기 선택된 제1 특징들을 기반으로 상기 학습 영상을 학습하여 분류기를 생성하는 과정이 수행된다.
이어, 단계 S540에서, 상기 생성된 분류기를 검증 영상(validation image)으로 실험하여, 객체가 존재하는 검증용 참 영상과 객체가 존재하지 않는 검증용 거짓 영상으로 분류하는 과정이 수행된다. 구체적으로, 상기 검증용 참 영상을 true positive와 false negative로 분류하고, 상기 검증용 거짓 영상을 true negative와 false positive로 분류한다.
이어, 단계 S550에서, 상기 검증용 참 영상과 상기 검증용 거짓 영상으로부터 다수의 특징들을 추출하는 과정이 수행된다. 상기 단계 S510에서 추출한 방법과 동일한 방법으로 특징들을 추출할 수 있다.
이어, 단계 S560에서, 상기 추출한 다수의 특징들을 분석하여 상기 검증용 참 영상과 상기 검증용 거짓 영상을 구분하는 데 기여도가 큰 일정 개수의 제2 특징들을 선택하는 과정이 수행된다. 여기서, 제2 특징들을 선택하는 방법으로, 상기 단계 S520에서 사용한 회귀 분석법이 사용될 수 있다.
이어, 단계 S570에서, 상기 제2 특징들을 기반으로 상기 제1 특징들을 조정하는 과정이 수행된다. 구체적으로, 상기 제1 특징들에서 상기 제2 특징들에 대응하는 특징들을 제거한 후, 상기 단계 S520에서, 선택되지 않은 특징들을 상기 제1 특징들에 추가하는 방식으로, 상기 제1 특징들을 조정한다.
이어, 단계 S580에서, 상기 조정된 제1 특징들을 기반으로 최종 분류기를 생성하는 과정이 수행된다.
본 발명의 일 실시 예에 따른 학습 장치를 나타내는 도 2의 블록도는 본 발명의 원리를 기능적 관점에서 구체화한 것으로 이해해야 한다. 이와 유사하게, 도 5의 흐름도는 컴퓨터가 판독 가능한 매체에 프로그램 형태로 저장될 수 있고, 도면에 컴퓨터 또는 프로세서가 명백히 도시되었는지 여부와 관계없이, 컴퓨터 또는 프로세서에 의해 수행되는 다양한 프로세스를 나타내는 것으로 이해되어야 한다.
도 2의 블록들과 도 5의 순서도가 프로세서에 의해 구현될 때, 도 2에 도시된 블록들의 기능은 단일 전용 프로세서, 단일 공유 프로세서 또는 복수의 개별적 프로세서에 의해 제공될 수 있고, 이들 중 일부는 공유될 수 있다. 또한, 프로세서, 제어 또는 이와 유사한 개념으로 제시되는 용어의 명확한 사용은 소프트웨어를 실행할 수 있는 하드웨어를 배타적으로 인용하여 해석되어서는 아니되고, 제한 없이 디지털 신호 프로세서(DSP) 하드웨어, 소프트웨어를 저장하기 위한 롬(ROM), 램(RAM) 및 비 휘발성 메모리를 암시적으로 포함하는 것으로 이해되어야 한다. 물론 주지관용의 다른 하드웨어도 포함될 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다. 따라서, 본 발명에 개시된 실시예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구 범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (14)

  1. 객체가 존재하는 참 영상과 객체가 존재하지 않는 거짓 영상을 포함하는 학습 영상으로부터 다수의 특징들을 추출하는 단계;
    상기 학습 영상으로 추출된 다수의 특징들 중에서 상기 참 영상과 상기 거짓 영상을 구분하는 데 기여도가 큰 일정 개수의 제1 특징들을 선택하는 단계;
    상기 선택된 제1 특징들을 기반으로 분류기를 생성하는 단계;
    상기 생성된 분류기를 검증 영상(validation image)으로 실험하여, 객체가 존재하는 검증용 참 영상과 객체가 존재하지 않는 검증용 거짓 영상으로 분류하는 단계;
    상기 검증용 참 영상과 상기 검증용 거짓 영상으로부터 다수의 특징들을 추출하고, 추출한 다수의 특징들을 분석하여 상기 검증용 참 영상과 상기 검증용 거짓 영상을 구분하는 데 기여도가 큰 일정 개수의 제2 특징들을 선택하는 단계;
    상기 제2 특징들을 기반으로 상기 제1 특징들을 조정하는 단계; 및
    상기 조정된 제1 특징들을 기반으로 최종 분류기를 생성하는 단계;
    를 포함하는 영상 인식을 위한 학습 방법.
  2. 제1항에서, 상기 제1 특징들을 선택하는 단계는,
    회귀 분석(Regression analysis)법을 이용하여 상기 제1 특징을 선택하는 단계이고,
    상기 회귀 분석법은,
    최소 제곱(Least square) 알고리즘, 능형 회귀(Ridge regression) 알고리즘, Convex sparse 알고리즘 및 LASSO(Least Absolute Shrinkage and Selection Operator) 알고리즘 중 적어도 하나를 포함함을 특징으로 하는 영상 인식을 위한 학습 방법.
  3. 제1항에서, 상기 분류하는 단계는,
    상기 검증용 참 영상을 true positive와 false negative로 분류하고, 상기 검증용 거짓 영상을 true negative와 false positive로 분류하는 단계임을 특징으로 하는 영상 인식을 위한 학습 방법.
  4. 제3항에서, 상기 제2 특징들을 선택하는 단계는,
    상기 검증용 참 영상과 상기 검증용 거짓 영상으로부터 추출된 다수의 특징들 중에서, 상기 true positive로 분류된 검증용 참 영상과 상기 false negative로 분류된 검증용 참 영상을 구분하는 데 기여도가 큰 일정개수의 특징들과 상기 true negative로 분류된 검증용 거짓 영상과 상기 false positive로 분류된 검증용 거짓 영상을 구분하는 데 기여도가 큰 일정 개수의 특징들을 상기 제2 특징들로서 선택하는 단계임을 특징으로 하는 영상 인식을 위한 학습 방법.
  5. 제1항에서, 상기 제2 특징들을 선택하는 단계는,
    회귀 분석(Regression analysis)법을 이용하여 상기 제2 특징들을 선택하는 단계이고,
    상기 회귀 분석법은,
    최소 제곱(Least square) 알고리즘, 능형 회귀(Ridge regression) 알고리즘, Convex sparse 알고리즘 및 LASSO(Least Absolute Shrinkage and Selection Operator) 알고리즘 중 적어도 하나를 포함함을 특징으로 하는 영상 인식을 위한 학습 방법.
  6. 제1항에서, 상기 제1 특징들을 조정하는 단계는,
    상기 제1 특징들에서 상기 제2 특징들에 대응하는 특징들을 제거하는 단계; 및
    상기 제1 특징들을 선택하는 단계에서, 선택되지 않은 특징들을 상기 제1 특징들에 추가하는 단계
    를 포함함을 특징으로 하는 영상 인식을 위한 학습 방법.
  7. 제6항에서, 상기 추가하는 단계에서, 상기 제1 특징들에 추가된 특징들의 개수는,
    상기 제거하는 단계에서, 제거된 특징들의 개수와 동일하거나, 사용자에 의해 설정되는 개수임을 특징으로 하는 영상 인식을 위한 학습 방법.
  8. 객체가 존재하는 참 영상과 객체가 존재하지 않는 거짓 영상을 포함하는 학습 영상으로부터 다수의 특징들을 추출하는 특징 추출부;
    상기 학습 영상으로 추출된 다수의 특징들 중에서 상기 참 영상과 상기 거짓 영상을 구분하는 데 기여도가 큰 일정 개수의 제1 특징들을 선택하는 제1 특징 선택부;
    상기 선택된 제1 특징들을 기반으로 분류기를 생성하는 분류기 생성부;
    상기 생성된 분류기 의해, 검증 영상(validation image)으로부터 분류된 검증용 참 영상과 검증용 거짓 영상으로부터 다수의 특징들을 추출하고, 추출한 다수의 특징들을 분석하여 다수의 특징들 중에서 상기 검증용 참 영상과 상기 검증용 거짓 영상을 구분하는 데 기여도가 큰 일정 개수의 제2 특징들을 선택하는 특징 분석부;
    상기 제2 특징들을 기반으로 상기 제1 특징들을 조정하는 특징 조정부를 포함하고,
    상기 분류기 생성부는
    상기 특징 조정부로부터 피드백된 상기 조정된 상기 제1 특징들을 기반으로 최종 분류기를 생성함을 특징으로 하는 영상 인식을 위한 학습 장치.
  9. 제8항에서, 상기 특징 선택부는,
    회귀 분석(Regression analysis)법을 기반으로 상기 제1 특징을 선택하고,
    상기 회귀 분석법은,
    최소 제곱(Least square) 알고리즘, 능형 회귀(Ridge regression) 알고리즘, Convex sparse 알고리즘 및 LASSO(Least Absolute Shrinkage and Selection Operator) 알고리즘 중 적어도 하나를 포함함을 특징으로 하는 영상 인식을 위한 학습 장치.
  10. 제8항에서, 상기 분류기는,
    상기 검증용 참 영상을 true positive와 false negative로 분류하고, 상기 검증용 거짓 영상을 true negative와 false positive로 분류함을 특징으로 하는 영상 인식을 위한 학습 장치.
  11. 제10항에서, 상기 특징 분석부는,
    상기 검증용 참 영상과 상기 검증용 거짓 영상으로부터 추출된 다수의 특징들 중에서, 상기 true positive로 분류된 검증용 참 영상과 상기 false negative로 분류된 검증용 참 영상을 구분하는 데 기여도가 큰 일정개수의 특징들과 상기 true negative로 분류된 검증용 거짓 영상과 상기 false positive로 분류된 검증용 거짓 영상을 구분하는 데 기여도가 큰 일정 개수의 특징들을 상기 제2 특징들로서 선택함을 특징으로 하는 영상 인식을 위한 학습 장치.
  12. 제8항에서, 상기 특징 분석부는,
    회귀 분석(Regression analysis)법을 이용하여 상기 제2 특징을 선택하고,
    상기 회귀 분석법은,
    최소 제곱(Least square) 알고리즘, 능형 회귀(Ridge regression) 알고리즘, Convex sparse 알고리즘 및 LASSO(Least Absolute Shrinkage and Selection Operator) 알고리즘 중 적어도 하나를 포함함을 특징으로 하는 영상 인식을 위한 학습 장치.
  13. 제8항에서, 상기 특징 조정부는,
    상기 제1 특징들에서 상기 제2 특징들에 대응하는 특징들을 제거하고, 상기 특징 선택부에서, 선택하지 않은 특징들을 상기 제1 특징들에 추가하여, 상기 제1 특징들을 조정함을 특징으로 하는 영상 인식을 위한 학습 장치.
  14. 제13항에서, 상기 특징 조정부는,
    상기 제거된 특징들의 개수와 동일하거나, 사용자에 의해 설정되는 개수로 상기 제1 특징들에 추가된 특징들의 개수를 결정함을 특징으로 하는 영상 인식을 위한 학습 장치.
KR1020160136469A 2016-10-20 2016-10-20 영상 인식을 위한 학습 장치 및 그 학습 방법 KR101802500B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160136469A KR101802500B1 (ko) 2016-10-20 2016-10-20 영상 인식을 위한 학습 장치 및 그 학습 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160136469A KR101802500B1 (ko) 2016-10-20 2016-10-20 영상 인식을 위한 학습 장치 및 그 학습 방법

Publications (1)

Publication Number Publication Date
KR101802500B1 true KR101802500B1 (ko) 2017-11-28

Family

ID=60811228

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160136469A KR101802500B1 (ko) 2016-10-20 2016-10-20 영상 인식을 위한 학습 장치 및 그 학습 방법

Country Status (1)

Country Link
KR (1) KR101802500B1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190065813A (ko) * 2017-12-04 2019-06-12 재단법인대구경북과학기술원 기여도에 기초하여 특징을 추출하는 방법 및 장치
KR20190100110A (ko) * 2019-08-09 2019-08-28 엘지전자 주식회사 시스템 온 칩과 이를 이용한 정보 보호 방법 및 장치
KR20190119363A (ko) * 2018-04-12 2019-10-22 (주)아이케이에스테크놀러지 템플릿 매칭 기술을 이용한 차량용 인공지능 감시시스템 및 감시방법
KR102097905B1 (ko) * 2019-06-04 2020-04-06 주식회사 딥엑스 이미지 객체 인식 장치 및 방법
KR20200094814A (ko) * 2019-01-16 2020-08-10 연세대학교 산학협력단 학습 영상 유효성 검증 장치 및 방법
KR20210054678A (ko) * 2019-11-06 2021-05-14 한국과학기술연구원 전처리 모듈을 포함하는 머신 러닝 기반의 인공지능을 이용하는 영상 분석 장치
KR20220105791A (ko) * 2021-01-21 2022-07-28 순천향대학교 산학협력단 영상 인식 검출기 및 그 동작방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006338082A (ja) 2005-05-31 2006-12-14 Sony Corp 画像処理システム、学習装置および方法、画像認識装置および方法、記録媒体、並びにプログラム
JP2010224922A (ja) 2009-03-24 2010-10-07 Denso Corp クラス識別器生成装置
KR101175597B1 (ko) 2011-09-27 2012-08-21 (주)올라웍스 아다부스트 학습 알고리즘을 이용하여 얼굴 특징점 위치를 검출하기 위한 방법, 장치, 및 컴퓨터 판독 가능한 기록 매체
KR101611267B1 (ko) 2014-10-17 2016-04-11 재단법인대구경북과학기술원 객체 인식방법 및 이를 이용한 객체 인식장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006338082A (ja) 2005-05-31 2006-12-14 Sony Corp 画像処理システム、学習装置および方法、画像認識装置および方法、記録媒体、並びにプログラム
JP2010224922A (ja) 2009-03-24 2010-10-07 Denso Corp クラス識別器生成装置
KR101175597B1 (ko) 2011-09-27 2012-08-21 (주)올라웍스 아다부스트 학습 알고리즘을 이용하여 얼굴 특징점 위치를 검출하기 위한 방법, 장치, 및 컴퓨터 판독 가능한 기록 매체
KR101611267B1 (ko) 2014-10-17 2016-04-11 재단법인대구경북과학기술원 객체 인식방법 및 이를 이용한 객체 인식장치

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102013439B1 (ko) * 2017-12-04 2019-08-22 재단법인대구경북과학기술원 기여도에 기초하여 특징을 추출하는 방법 및 장치
KR20190065813A (ko) * 2017-12-04 2019-06-12 재단법인대구경북과학기술원 기여도에 기초하여 특징을 추출하는 방법 및 장치
KR20190119363A (ko) * 2018-04-12 2019-10-22 (주)아이케이에스테크놀러지 템플릿 매칭 기술을 이용한 차량용 인공지능 감시시스템 및 감시방법
KR102194591B1 (ko) * 2018-04-12 2020-12-23 주식회사 오토디스플레이 템플릿 매칭 기술을 이용한 차량용 인공지능 감시시스템 및 감시방법
US11636670B2 (en) 2018-12-28 2023-04-25 Deepx Co., Ltd. Method for recognizing object in image
KR20200094814A (ko) * 2019-01-16 2020-08-10 연세대학교 산학협력단 학습 영상 유효성 검증 장치 및 방법
KR102211541B1 (ko) 2019-01-16 2021-02-02 연세대학교 산학협력단 학습 영상 유효성 검증 장치 및 방법
KR102097905B1 (ko) * 2019-06-04 2020-04-06 주식회사 딥엑스 이미지 객체 인식 장치 및 방법
KR20190100110A (ko) * 2019-08-09 2019-08-28 엘지전자 주식회사 시스템 온 칩과 이를 이용한 정보 보호 방법 및 장치
KR102281601B1 (ko) * 2019-08-09 2021-07-23 엘지전자 주식회사 시스템 온 칩과 이를 이용한 정보 보호 방법 및 장치
US11704432B2 (en) 2019-08-09 2023-07-18 Lg Electronics Inc. System on chip, method and apparatus for protecting information using the same
KR20210054678A (ko) * 2019-11-06 2021-05-14 한국과학기술연구원 전처리 모듈을 포함하는 머신 러닝 기반의 인공지능을 이용하는 영상 분석 장치
KR102370886B1 (ko) 2019-11-06 2022-03-07 한국과학기술연구원 전처리 모듈을 포함하는 머신 러닝 기반의 인공지능을 이용하는 영상 분석 장치
US11928589B2 (en) 2019-11-06 2024-03-12 Korea Institute Of Science And Technology Image analysis apparatus using machine learning-based artificial intelligence including preprocessing modules
KR102444495B1 (ko) * 2021-01-21 2022-09-19 순천향대학교 산학협력단 영상 인식 검출기 및 그 동작방법
KR20220105791A (ko) * 2021-01-21 2022-07-28 순천향대학교 산학협력단 영상 인식 검출기 및 그 동작방법

Similar Documents

Publication Publication Date Title
KR101802500B1 (ko) 영상 인식을 위한 학습 장치 및 그 학습 방법
US10062011B2 (en) Systems and methods for machine learning enhanced by human measurements
CN108960080B (zh) 基于主动防御图像对抗攻击的人脸识别方法
US8792722B2 (en) Hand gesture detection
JP6397986B2 (ja) 画像オブジェクト領域の認識方法及び装置
KR101896357B1 (ko) 객체를 검출하는 방법, 디바이스 및 프로그램
US20120027263A1 (en) Hand gesture detection
Feng et al. Detect faces efficiently: A survey and evaluations
US20120213422A1 (en) Face recognition in digital images
US8965115B1 (en) Adaptive multi-modal detection and fusion in videos via classification-based-learning
US9575566B2 (en) Technologies for robust two-dimensional gesture recognition
US9202109B2 (en) Method, apparatus and computer readable recording medium for detecting a location of a face feature point using an Adaboost learning algorithm
Raut Facial emotion recognition using machine learning
Wu et al. Improving pedestrian detection with selective gradient self-similarity feature
KR101268520B1 (ko) 영상 인식 장치 및 방법
KR20170109304A (ko) 객체 인식을 위한 캐스케이드 분류기의 병렬 학습 방법
Gonzalez-Reyna et al. Eigen‐Gradients for Traffic Sign Recognition
Lahiani et al. Hand pose estimation system based on Viola-Jones algorithm for android devices
Lee et al. Reinforced adaboost learning for object detection with local pattern representations
Liu et al. Presentation attack detection for face in mobile phones
Saif et al. Performance comparison of min-max normalisation on frontal face detection using haar classifiers
CN111753583A (zh) 一种识别方法及装置
Veerashetty et al. Texture-based face recognition using grasshopper optimization algorithm and deep convolutional neural network
Loderer et al. Optimization of LBP parameters
Khryashchev et al. Enhancement of Fast Face Detection Algorithm Based on A Cascade of Decision Trees

Legal Events

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