KR101865253B1 - Apparatus for age and gender estimation using region-sift and discriminant svm classifier and method thereof - Google Patents

Apparatus for age and gender estimation using region-sift and discriminant svm classifier and method thereof Download PDF

Info

Publication number
KR101865253B1
KR101865253B1 KR1020160127534A KR20160127534A KR101865253B1 KR 101865253 B1 KR101865253 B1 KR 101865253B1 KR 1020160127534 A KR1020160127534 A KR 1020160127534A KR 20160127534 A KR20160127534 A KR 20160127534A KR 101865253 B1 KR101865253 B1 KR 101865253B1
Authority
KR
South Korea
Prior art keywords
region
age
sift
classifier
discriminant
Prior art date
Application number
KR1020160127534A
Other languages
Korean (ko)
Other versions
KR20180037419A (en
Inventor
김현덕
손명규
이상헌
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 KR1020160127534A priority Critical patent/KR101865253B1/en
Publication of KR20180037419A publication Critical patent/KR20180037419A/en
Application granted granted Critical
Publication of KR101865253B1 publication Critical patent/KR101865253B1/en

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
    • G06V40/172—Classification, e.g. identification
    • G06K9/00288—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06K9/00281—
    • G06K9/481—
    • G06K9/6267—
    • 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
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • 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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G06K2009/6201—

Abstract

본 발명은 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 장치 및 그 방법에 대한 것이다.
본 발명에 따른 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 장치는 영상 내 얼굴 영역과 눈, 코 및 입을 포함하는 특징점을 검출하고, 상기 얼굴 영역을 정규화하는 얼굴 정규화부; 상기 검출된 특징점을 이용하여 상기 얼굴 영역을 다수의 구역으로 구분하고, Dense-SIFT(Dense Scale Invariant Feature Transform) 알고리즘을 이용하여 각 구역에서 특징 벡터를 추출하는 특징 벡터 추출부; 상기 각 구역에서 추출된 특징 벡터를 합쳐서 성별 및 나이 인식을 위한 하나의 Region-SIFT(Region Scale Invariant Feature Transform) 특징 벡터를 생성하는 특징 벡터 생성부; 및 상기 생성된 Region-SIFT 특징 벡터를 SVM(Support Vector Machine) 학습하여 Discriminant SVM 분류기를 생성하고, 상기 생성된 Discriminant SVM 분류기를 이용하여 성별 및 나이를 인식하는 인식부를 포함한다.
이와 같이 본 발명에 따르면, 수행시간이 단축되고 인식률이 향상되어 빠르고 정확하게 나이 및 성별을 인식할 수 있는 효과가 있다.The present invention relates to an apparatus and method for recognizing an age and sex using a Region-SIFT and a Discriminant SVM classifier.
An apparatus for recognizing an age and a gender using a Region-SIFT and a Discriminant SVM classifier according to the present invention includes a face normalization unit for detecting feature points including a face region, an eye, a nose, and a mouth in an image and normalizing the face region; A feature vector extracting unit for dividing the face region into a plurality of regions using the detected feature points and extracting feature vectors in each region using a Dense-SIFT (Dense Scale Invariant Feature Transform) algorithm; A feature vector generation unit for generating a Region-Scale Invariant Feature Transform (Region-SIFT) feature vector for gender and age recognition by combining feature vectors extracted from the regions; And a recognition unit recognizing the sex and age using the generated Discriminant SVM classifier by generating a Discriminant SVM classifier by learning SVM (Support Vector Machine) of the generated Region-SIFT feature vector.
As described above, according to the present invention, the execution time is shortened and the recognition rate is improved, so that age and gender can be recognized quickly and accurately.

Description

ＲＥＧＩＯＮ－ＳＩＦＴ와 ＤＩＳＣＲＩＭＩＮＡＮＴ ＳＶＭ 분류기를 이용한 나이 및 성별 인식 장치 및 그 방법{APPARATUS FOR AGE AND GENDER ESTIMATION USING REGION-SIFT AND DISCRIMINANT SVM CLASSIFIER AND METHOD THEREOF}FIELD OF THE INVENTION [0001] The present invention relates to an apparatus and method for recognizing age and gender using a REGION-SIFT and a DISCRIMINANT SVM classifier,

본 발명은 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 장치 및 그 방법에 관한 것으로서, 더욱 상세하게는 지역적 정보를 고려한 Region-SIFT와 Discriminant SVM분류기를 이용하여 나이 및 성별을 판단하는 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 장치 및 그 방법에 관한 것이다.The present invention relates to an apparatus and method for recognizing an age and a gender using a Region-SIFT and a Discriminant SVM classifier, and more particularly, to an apparatus and method for recognizing an age and a gender using a Region-SIFT and a Discriminant SVM classifier, SIFT and a discriminant SVM classifier, and a method thereof.

최근 들어 카메라를 이용하여 획득한 영상(image)으로부터 특징점(feature)을 추출하는 기술은 얼굴 인식을 통한 개인 인증, 차원 복원, 자체 추적 등 컴퓨터 비전(vision) 분야에서 광범위하게 사용되고 있다.Recently, a technology for extracting features from an image acquired by using a camera has been widely used in the field of computer vision such as personal authentication through face recognition, dimensional restoration, and self-tracking.

이러한 컴퓨터 비전 분야는 대상물에 이미지 또는 영상을 분석하여 해당 대상물을 감지하거나 인식하는 기술 분야를 말한다. 비전 분야는 최근 들어 로봇기술의 급격한 발전으로 인하여 많이 각광받고 있는 기술 분야로서, 일반적으로 SIFT(Scale Invariant Feature Transform) 알고리즘을 이용하여 키포인트 간 매칭을 통해 영상 내 포함된 대상물을 감지한다.Such a computer vision field refers to a technology field in which an image or an image is analyzed on an object to detect or recognize the object. The field of vision is a technology field that has been widely popularized due to the rapid development of robot technology in recent years. In general, SIFT (Scale Invariant Feature Transform) algorithm is used to detect an object included in an image through matching between keypoints.

여기서, SIFT 알고리즘은 영상의 특징점을 추출하는 대표적인 알고리즘인 SIFT는 『D.G. Lowe, "Distinctive image features from scale-invariant keypoints", Int. J. Comput. Vision 60 (2), 91-110, 2004.』에서 Lowe에 의해 제안되었다.Here, the SIFT algorithm is a representative algorithm for extracting feature points of an image. Lowe, "Distinctive image features from scale-invariant keypoints ", Int. J. Comput. Vision 60 (2), 91-110, 2004. "

SIFT는 이미지 회전, 스케일링, 이동, 부분 조명 변화 및 투영 변환(projective transform)에 불변인 특성을 지니고 있다. 따라서 SIFT는 로컬 이미지(local image) 특성을 고려하여 특징의 위치, 스케일 및 방향 등의 속성을 추출한다. 즉, 첫 번째 단계로, DOG(Difference-Of-Gaussian) 함수를 통해 생성한 스케일 공간에서 최대 및 최소(extrema)를 검색하여 샘플점(또는 후보 픽셀)을 선택한다(Scale-space extrema detection). 두 번째 단계로, 안정도(stability) 수치에 기반하여 키포인트들을 선택한다(Keypoint localization). 세 번째 단계로, 각각의 키포인트에 대하여 1 이상의 방향을 할당한다(Orientation assignment). 마지막 단계로, 로컬 이미지 기울기(local image gradient)들을 이용하여 키포인트 기술자를 생성한다(Keypoint descriptor).SIFT has properties that are invariant to image rotation, scaling, translation, partial illumination changes, and projective transforms. Therefore, SIFT extracts attributes such as position, scale, and direction of feature in consideration of local image characteristics. That is, as a first step, a maximum point and a minimum point (extrema) are searched in a scale space generated by a Difference-Of-Gaussian (DOG) function to select a sample point (or a candidate pixel) (Scale-space extreme detection). In the second step, keypoints are selected based on the stability value (Keypoint localization). In the third step, one or more directions are assigned to each keypoint (Orientation assignment). As a final step, a keypoint descriptor is created using local image gradients.

특히, SIFT는 얼굴 인식에 있어서 3차원 정보를 찾기 위한 첫 걸음인 기본 행렬(fundamental matrix; F)를 구하기 위해 사용된다. 즉, SIFT에 의해 크기 변화에 불변한 특징점을 추출하고, 상기 특징점들을 이용하여 상기 기본 행렬(F)을 구한다. 상기 특징점들로부터 상기 기본 행렬(F)을 구하는 과정에서, 이상값(outlier)들을 제거하여 일대일 대응 문제(corresponding problem)를 해결하기 위해 키포인트 매칭(keypoint matching), 허프 변환(Hough Transform)에 의한 클러스터링(clustering) 단계를 거친다.In particular, SIFT is used to find a fundamental matrix (F), which is the first step in finding three-dimensional information in face recognition. That is, feature points unchanged in size change are extracted by SIFT, and the basic matrix F is obtained using the feature points. In order to solve the one-to-one correspondence problem by eliminating outliers in the process of obtaining the basic matrix F from the minutiae points, keypoint matching, clustering by Hough Transform (clustering) step.

그러나, 단순한 SIFT 알고리즘은 특징점 추출을 위한 기준값을 어떤 영상이든지 고정시켜 적용하기 때문에, 특징이 적은 얼굴 영상, 내시경 영상 등에 대해서는 추출할 수 있는 특징점의 수가 적다는 한계가 있다.However, since the simple SIFT algorithm applies the reference value for extracting the feature points fixed to any image, there is a limit in that the number of feature points that can be extracted is small in the face image and the endoscopic image having small features.

또한, 수행시간이 오래 걸린다는 단점이 있어 SIFT 알고리즘을 그대로 얼굴인식에 적용하는 경우 얼굴인식 시스템 전체의 성능 저하를 야기시키는 문제점이 발생한다.In addition, since the SIFT algorithm is applied to the face recognition as it is, the performance of the entire face recognition system is deteriorated.

이를 보완한 방법이 Dense-SIF이다. Dense-SIF는 기존의 SIFT 알고리즘에서 특징점을 검출하는 과정을 생략하고 영상의 전체 영역에서 일정 간격을 두고 고르게 밀집된 특징점을 가정하고 그로부터 구분자 추출을 수행하는 방법으로 기존 SIFT에 비하여 수행 시간이 짧다는 장점이 있다.The complementary method is Dense-SIF. Dense-SIF is a method that eliminates the process of detecting feature points in the existing SIFT algorithm, assumes uniformly dense feature points at regular intervals in the whole region of the image, and extracts delimiters therefrom. .

본 발명의 배경이 되는 기술은 대한민국 등록특허공보 제10-1089847호(2011. 12. 05. 공고)에 개시되어 있다.The technology that is the background of the present invention is disclosed in Korean Patent Registration No. 10-1089847 (published on December 5, 2011).

본 발명이 이루고자 하는 기술적 과제는 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 장치 및 그 방법에 관한 것으로서, 더욱 상세하게는 지역적 정보를 고려한 Region-SIFT와 Discriminant SVM분류기를 이용하여 나이 및 성별을 판단하는 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 장치 및 그 방법을 제공하기 위한 것이다.The present invention relates to an apparatus and method for recognizing an age and a gender using a Region-SIFT and a Discriminant SVM classifier, and more particularly, to an apparatus and method for recognizing an age and a gender by using a Region-SIFT and a Discriminant SVM classifier, The present invention provides an apparatus and method for recognizing an age and a gender using a Region-SIFT and a Discriminant SVM classifier.

이러한 기술적 과제를 이루기 위한 본 발명의 실시예에 따른 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 장치는, 영상 내 얼굴 영역과 눈, 코 및 입을 포함하는 특징점을 검출하고, 상기 얼굴 영역을 정규화하는 얼굴 정규화부; 상기 검출된 특징점을 이용하여 상기 얼굴 영역을 다수의 구역으로 구분하고, Dense-SIFT(Dense Scale Invariant Feature Transform) 알고리즘을 이용하여 각 구역에서 특징 벡터를 추출하는 특징 벡터 추출부; 상기 각 구역에서 추출된 특징 벡터를 합쳐서 성별 및 나이 인식을 위한 하나의 Region-SIFT(Region Scale Invariant Feature Transform) 특징 벡터를 생성하는 특징 벡터 생성부; 및 상기 생성된 Region-SIFT 특징 벡터를 SVM(Support Vector Machine) 학습하여 Discriminant SVM 분류기를 생성하고, 상기 생성된 Discriminant SVM 분류기를 이용하여 성별 및 나이를 인식하는 인식부를 포함한다.According to an aspect of the present invention, there is provided an apparatus for recognizing an age and a gender using a Region-SIFT and a Discriminant SVM classifier, the apparatus comprising: a feature point detection unit for detecting a feature point including an eye region, A normalizing facial normalization unit; A feature vector extracting unit for dividing the face region into a plurality of regions using the detected feature points and extracting feature vectors in each region using a Dense-SIFT (Dense Scale Invariant Feature Transform) algorithm; A feature vector generation unit for generating a Region-Scale Invariant Feature Transform (Region-SIFT) feature vector for gender and age recognition by combining feature vectors extracted from the regions; And a recognition unit recognizing the sex and age using the generated Discriminant SVM classifier by generating a Discriminant SVM classifier by learning SVM (Support Vector Machine) of the generated Region-SIFT feature vector.

또한, 상기 얼굴 정규화부는, 상기 검출된 눈의 좌표를 기반으로 다음의 식에 의해 상기 얼굴 영역의 회전 각도를 산출하여 산출된 회전 각도에 대응하게 상기 눈의 기울어짐을 보정하고, 상기 눈의 위치를 상기 얼굴 영역의 1/3 지점에 위치시켜 상기 얼굴 영역을 정규화할 수 있다.The face normalization unit may calculate a rotation angle of the face region by using the following equation based on the detected eye coordinates, correct the inclination of the eye in accordance with the calculated rotation angle, The face region can be normalized by being positioned at 1/3 of the face region.

Figure 112016095807471-pat00001
Figure 112016095807471-pat00001

여기서, θ는 회전 각도, Prx는 우측 눈의 X좌표, Pry는 우측 눈의 Y좌표, Plx는 좌측 눈의 X좌표, Ply는 좌측 눈의 Y좌표이다.Where P rx is the X coordinate of the right eye, P ry is the Y coordinate of the right eye, P lx is the X coordinate of the left eye, and P ly is the Y coordinate of the left eye.

또한 상기 특징 벡터 추출부는, 상기 얼굴 영역을 좌측 상부 및 하부, 우측 상부 및 하부, 이마, 좌측 눈, 우측 눈, 좌측 볼, 우측 볼, 턱으로 각각 나누어 상기 다수의 구역으로 구분할 수 있다.The feature vector extracting unit may divide the face region into the plurality of regions by dividing the face region into left and right upper and lower regions, right and left upper and lower regions, forehead, left eye, right eye, left ball, right ball and jaw respectively.

또한 상기 특징 벡터 생성부는, 상기 생성된Region-SIFT 특징 벡터에 대해 PCA(Principal Componant Analysis) 알고리즘과 LDA(Linear Discriminant Analysis) 알고리즘을 순차 적용하여 특징 벡터의 차원을 축소할 수 있다.In addition, the feature vector generation unit may reduce the dimension of the feature vector by sequentially applying a Principal Component Analysis (PCA) algorithm and a Linear Discriminant Analysis (LDA) algorithm to the generated Region-SIFT feature vector.

또한 상기 Discriminant SVM 분류기는, RBF(Radial Basis Function) SVM 분류기를 이용하여 생성된 성별 분류기, 여성에 대한 나이 분류기 및 남성에 대한 나이 분류기를 스트럭쳐(structure)로 엮어서 생성하고, 상기 인식부는, 상기 성별 분류기를 이용하되 상기 다수의 구역 중 좌측 상부 및 하부, 우측 상부 및 하부, 턱에 가중치를 부가하여 성별을 인식하고, 상기 인식된 성별에 대응하는 나이 분류기를 이용하되 상기 다수의 구역 중 이마, 좌측 눈, 우측 눈, 좌측 볼, 우측 볼에 가중치를 부가하여 나이를 인식할 수 있다.In addition, the Discriminant SVM classifier generates a sex classifier generated using a Radial Basis Function (SVM) classifier, an age classifier for a woman, and an age classifier for a male by combining the structure into a structure, Wherein a weight is added to upper and lower left and right and upper and lower jaws of the plurality of zones to recognize a sex and an age classifier corresponding to the recognized sex is used, The age can be recognized by weighting the eyes, the right eye, the left ball, and the right ball.

또한, 본 발명의 실시예에 따른 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 방법은, 영상 내 얼굴 영역과 눈, 코 및 입을 포함하는 특징점을 검출하고, 상기 얼굴 영역을 정규화하는 단계; 상기 검출된 특징점을 이용하여 상기 얼굴 영역을 다수의 구역으로 구분하고, Dense-SIFT(Dense Scale Invariant Feature Transform) 알고리즘을 이용하여 각 구역에서 특징 벡터를 추출하는 단계; 상기 각 구역에서 추출된 특징 벡터를 합쳐서 성별 및 나이 인식을 위한 하나의 Region-SIFT(Region Scale Invariant Feature Transform) 특징 벡터를 생성하는 단계; 상기 생성된 Region-SIFT 특징 벡터를 SVM(Support Vector Machine) 학습하여 Discriminant SVM 분류기를 생성하는 단계; 및 상기 생성된 Discriminant SVM 분류기를 이용하여 성별 및 나이를 인식하는 단계를 포함한다.In addition, an age and gender recognition method using a Region-SIFT and a Discriminant SVM classifier according to an embodiment of the present invention includes: detecting a feature point including a face region, an eye, a nose, and a mouth, and normalizing the face region; Dividing the face region into a plurality of regions using the detected feature points, and extracting feature vectors in each region using a Dense-SIFT (Dense Scale Invariant Feature Transform) algorithm; Generating one Region-SIS (Region Scale Invariant Feature Transform) feature vector for gender and age recognition by combining feature vectors extracted from the respective regions; Generating a Discriminant SVM classifier by learning SVM (Support Vector Machine) of the generated Region-SIFT feature vector; And recognizing sex and age using the generated Discriminant SVM classifier.

이와 같이 본 발명에 따르면, Dense-SIFT를 나이 및 성별 인식에 맞게 변형하고 지역적 정보가 고려된 Region-SIFT를 이용하여 특징을 추출한 뒤, Discriminant SVM 분류기를 이용하여 나이 및 성별을 판단함으로써, 수행시간이 단축되고 인식률이 향상되어 빠르고 정확하게 나이 및 성별을 인식할 수 있는 효과가 있다.As described above, according to the present invention, the Dense-SIFT is modified according to the recognition of age and sex, the features are extracted using Region-SIFT in which regional information is considered, and then the discriminant SVM classifier is used to determine age and sex, And the recognition rate is improved, so that it is possible to recognize the age and sex quickly and accurately.

또한 본 발명에 따르면, 광고 및 마케팅에 적용하여 실시간으로 고객 성향 분석 및 맞춤형 서비스가 가능한 효과가 있다.Also, according to the present invention, it is possible to apply customer analysis and customized service in real time by applying to advertisement and marketing.

도 1은 본 발명의 실시예에 따른 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 장치를 나타낸 블록구성도이다.
도 2는 본 발명의 실시예에 따른 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 방법의 동작 흐름을 도시한 순서도이다.
도 3은 본 발명의 실시예에 따른 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 방법에서 얼굴 영역을 정규화하는 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 실시예에 따른 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 방법에서 얼굴 영역을 다수의 구역으로 구분하여 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 방법에서 성별 및 나이 분류기를 나타낸 도면이다.1 is a block diagram illustrating an apparatus for recognizing an age and a gender using a Region-SIFT and a Discriminant SVM classifier according to an embodiment of the present invention.
2 is a flowchart illustrating an operation flow of an age and gender recognition method using a Region-SIFT and a Discriminant SVM classifier according to an embodiment of the present invention.
FIG. 3 is a diagram for explaining a process of normalizing a face region in the age and sex recognition method using the Region-SIFT and the Discriminant SVM classifier according to the embodiment of the present invention.
FIG. 4 is a view showing a face region divided into a plurality of regions in the age and gender recognition method using the Region-SIFT and the Discriminant SVM classifier according to the embodiment of the present invention.
5 is a diagram illustrating a sex and age classifier in the age and gender recognition method using the Region-SIFT and the Discriminant SVM classifier according to the embodiment of the present invention.

이하 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. In this process, the thicknesses of the lines and the sizes of the components shown in the drawings may be exaggerated for clarity and convenience of explanation.

또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.Further, the terms described below are defined in consideration of the functions of the present invention, which may vary depending on the intention or custom of the user, the operator. Therefore, definitions of these terms should be made based on the contents throughout this specification.

본 발명은 SIFT(Scale Invariant Feature Transform) 알고리즘의 속도를 개선한 Dense-SIFT(Dense Scale Invariant Feature Transform) 알고리즘을 기반으로 하며, 더욱 자세히는 Dense-SIFT를 나이 및 성별 인식에 맞게 변형한 Region-SIFT(Region Scale Invariant Feature Transform) 알고리즘을 기반으로 한다.The present invention is based on a Dense-SIFT (Dense-Scale Invariant Feature Transform) algorithm that improves the speed of the Scale Invariant Feature Transform (SIFT) algorithm. More specifically, the Dense-SIFT is a Region- (Region Scale Invariant Feature Transform) algorithm.

먼저, 도 1을 통해 본 발명의 실시예에 따른 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 장치에 대하여 설명한다.First, an apparatus for recognizing an age and sex using a Region-SIFT and a Discriminant SVM classifier according to an embodiment of the present invention will be described with reference to FIG.

도 1은 본 발명의 실시예에 따른 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 장치를 나타낸 블록구성도이다.1 is a block diagram illustrating an apparatus for recognizing an age and a gender using a Region-SIFT and a Discriminant SVM classifier according to an embodiment of the present invention.

도 1에서와 같이 본 발명의 실시예에 따른 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 장치는, 얼굴 정규화부(110), 특징 벡터 추출부(120), 특징 벡터 생성부(130) 및 인식부(140)를 포함한다.1, an apparatus for recognizing an age and a gender using a Region-SIFT and a Discriminant SVM classifier according to an embodiment of the present invention includes a face normalization unit 110, a feature vector extraction unit 120, a feature vector generation unit 130, And a recognition unit 140.

먼저, 얼굴 정규화부(110)는 영상 내 얼굴 영역과 눈, 코 및 입을 포함하는 특징점을 검출하고 얼굴 영역을 정규화한다.First, the face normalization unit 110 detects face regions in the image, minutiae including eyes, nose, and mouth, and normalizes the face regions.

특징점 검출시 얼굴 인식 분야에서 인식률 향상을 위해 일반적으로 사용되는 얼굴 검출기를 이용할 수도 있으며, 이는 공지의 기술이므로 이에 대한 자세한 설명은 생략하기로 한다.A face detector, which is generally used for improving the recognition rate in the field of face recognition, may be used in the detection of the feature point, and the detailed description thereof will be omitted because it is a known technology.

얼굴 정규화부(110)는 검출된 눈의 좌표를 기반으로 수학식 1에 의해 얼굴 영역의 회전 각도를 산출하여 산출된 회전 각도에 대응하게 눈의 기울어짐을 보정하고, 눈의 위치를 얼굴 영역의 1/3 지점에 위치시켜 얼굴 영역을 정규화한다.The face normalization unit 110 calculates the rotation angle of the face region by using Equation 1 based on the detected eye coordinates, corrects the inclination of the eye in accordance with the calculated rotation angle, / 3 position to normalize the face area.

Figure 112016095807471-pat00002
Figure 112016095807471-pat00002

여기서, θ는 회전 각도, Prx는 우측 눈의 X좌표, Pry는 우측 눈의 Y좌표, Plx는 좌측 눈의 X좌표, Ply는 좌측 눈의 Y좌표이다.Where P rx is the X coordinate of the right eye, P ry is the Y coordinate of the right eye, P lx is the X coordinate of the left eye, and P ly is the Y coordinate of the left eye.

그리고, 특징 벡터 추출부(120)는 얼굴 정규화부(110)에서 검출된 특징점을 이용하여 얼굴 영역을 다수의 구역으로 구분하고, Dense-SIFT 알고리즘을 이용하여 각 구역에서 특징 벡터를 추출한다.Then, the feature vector extracting unit 120 divides the face region into a plurality of regions using the feature points detected by the face normalizing unit 110, and extracts feature vectors from each region using the Dense-SIFT algorithm.

이때, 다수의 구역은 얼굴 영역을 좌측 상부 및 하부, 우측 상부 및 하부, 이마, 좌측 눈, 우측 눈, 좌측 볼, 우측 볼, 턱과 같이 총 10개의 구역으로 각각 나누어 구분할 수 있다.At this time, a plurality of areas can be divided into a total of 10 areas such as a left and right upper and lower, a right upper and lower, a forehead, a left eye, a right eye, a left ball, a right ball, and a chin.

그리고, 특징 벡터 생성부(130)는 각 구역에서 추출된 특징 벡터를 합쳐서 성별 및 나이 인식을 위한 하나의 Region-SIFT 특징 벡터를 생성한다.Then, the feature vector generator 130 combines the extracted feature vectors in each region to generate one Region-SIFT feature vector for gender and age recognition.

즉, 특징 벡터 생성부(130)는 다수개의 구역에서 Region-SIFT 특징 벡터를 추출한 후, PCA(Principal Componant Analysis) 알고리즘과 LDA(Linear Discriminant Analysis) 알고리즘을 순차 적용하여 특징 벡터의 차원을 축소할 수 있다.That is, the feature vector generator 130 extracts the Region-SIFT feature vectors from a plurality of regions, and sequentially applies the Principal Component Analysis (PCA) algorithm and the LDA (Linear Discriminant Analysis) algorithm to reduce the dimension of the feature vector have.

이때, 특징 벡터는 얼굴에서 성별 및 나이 인식에서 중요한 정보를 지닌 영역에서만 SIFT 특징을 추출하므로 수행 속도도 빠르고, 불필요한 정보를 포함하지 않아서 인식률 또한 향상되는 효과를 낼 수 있다.In this case, the feature vector extracts the SIFT feature only in the region having important information in the face and sex and age recognition, so that the performance speed is fast and the recognition rate is improved because it does not include unnecessary information.

마지막으로 인식부(140)는 특징 벡터 생성부(130)에서 생성된 Region-SIFT 특징 벡터를 SVM(Support Vector Machine) 학습하여 Discriminant SVM 분류기를 생성하고, 생성된 Discriminant SVM 분류기를 이용하여 성별 및 나이를 인식한다.Finally, the recognition unit 140 generates a Discriminant SVM classifier by learning SVM (Support Vector Machine) of the Region-SIFT feature vector generated in the feature vector generator 130, and generates a discriminant SVM classifier by using the generated Discriminant SVM classifier, Lt; / RTI >

이때 Discriminant SVM 분류기는, RBF(Radial Basis Function) SVM 분류기를 이용하여 생성된 성별 분류기, 여성에 대한 나이 분류기 및 남성에 대한 나이 분류기를 스트럭쳐(structure)로 엮어서 생성할 수 있다.At this time, the Discriminant SVM classifier can generate a sex classifier generated using a RBF (Radial Basis Function) SVM classifier, an age classifier for a woman, and an age classifier for a male.

자세히는, 인식부(140)는, Discriminant SVM 분류기에 포함된 성별 분류기를 이용하여 다수의 구역 중 좌측 상부 및 하부, 우측 상부 및 하부, 턱에 가중치를 두어 성별을 인식하고, Discriminant SVM 분류기에 포함된 나이 분류기 중, 기 인식된 성별에 대응하는 나이 분류기를 이용하여 다수의 구역 중 이마, 좌측 눈, 우측 눈, 좌측 볼, 우측 볼에 가중치를 두어 나이를 인식한다.More specifically, the recognition unit 140 recognizes gender by assigning weights to upper and lower left and right and upper and lower jaws of a plurality of zones using a gender classifier included in the Discriminant SVM classifier, The age of the user is determined by weighting the forehead, the left eye, the right eye, the left ball, and the right ball among the plurality of zones using an age classifier corresponding to the recognized gender.

이하에서는 도 2 내지 도 5를 통해 본 발명의 실시예에 따른 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 방법에 대하여 설명한다.Hereinafter, the method of recognizing the age and the sex using the Region-SIFT and the Discriminant SVM classifier according to the embodiment of the present invention will be described with reference to FIG. 2 to FIG.

도 2는 본 발명의 실시예에 따른 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 방법의 동작 흐름을 도시한 순서도로서, 이를 참조하여 본 발명의 구체적인 동작을 설명한다.FIG. 2 is a flowchart illustrating an operation flow of an age and gender recognition method using a Region-SIFT and a Discriminant SVM classifier according to an embodiment of the present invention, and a specific operation of the present invention will be described with reference to FIG.

본 발명의 실시예에 따르면, 먼저, 얼굴 정규화부(110)는 영상 내 얼굴 영역과 눈, 코 및 입을 포함하는 특징점을 검출하고, 얼굴 영역을 정규화한다(S210).According to the embodiment of the present invention, first, the face normalization unit 110 detects a face region in the image, a feature point including an eye, a nose, and a mouth, and normalizes the face region (S210).

도 3은 본 발명의 실시예에 따른 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 방법에서 얼굴 영역을 정규화하는 과정을 설명하기 위한 도면이다.FIG. 3 is a diagram for explaining a process of normalizing a face region in the age and sex recognition method using the Region-SIFT and the Discriminant SVM classifier according to the embodiment of the present invention.

도 3에서와 같이, 얼굴 정규화부(110)는 검출된 눈의 좌표를 기반으로 수학식 1에 의해 얼굴 영역의 회전 각도를 산출하여 산출된 회전 각도에 대응하게 눈의 기울어짐을 보정하고, 눈의 위치를 얼굴 영역의 1/3 지점에 위치시켜 정규화한다.As shown in FIG. 3, the face normalization unit 110 calculates the rotation angle of the face region using Equation 1 based on the detected eye coordinates, corrects the inclination of the eye in accordance with the calculated rotation angle, The position is normalized by placing it at 1/3 of the face area.

그 다음, 특징 벡터 추출부(120)는 S210 단계에서 검출된 특징점을 이용하여 얼굴 영역을 다수의 구역으로 구분하고, Dense-SIFT(Dense Scale Invariant Feature Transform) 알고리즘을 이용하여 각 구역에서 특징 벡터를 추출한다(S220).Then, the feature vector extracting unit 120 divides the face region into a plurality of regions using the feature points detected in Step S210, and calculates a feature vector in each region using a Dense-SIFT (Dense-Scale Invariant Feature Transform) (S220).

도 4는 본 발명의 실시예에 따른 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 방법에서 얼굴 영역을 다수의 구역으로 구분하여 나타낸 도면이다.FIG. 4 is a view showing a face region divided into a plurality of regions in the age and gender recognition method using the Region-SIFT and the Discriminant SVM classifier according to the embodiment of the present invention.

도 4에서와 같이, 다수의 구역은 얼굴 영역을 좌측 상부(a), 좌측 하부(b), 우측 상부(c), 우측 하부(d), 이마(e), 좌측 눈(f), 우측 눈(g), 좌측 볼(h), 우측 볼(i) 및 턱(j)과 같이 총 10개의 구역으로 각각 나누어 구분한다.As shown in FIG. 4, a plurality of regions have a face region defined by a left upper portion a, a left lower portion b, a right upper portion c, a right lower portion d, a forehead e, a left eye f, the left ball h, the right ball i and the jaw j are divided into a total of 10 zones.

그 다음 특징 벡터 생성부(130)는 각 구역에서 추출된 특징 벡터를 합쳐서 성별 및 나이 인식을 위한 하나의 Region-SIFT(Region Scale Invariant Feature Transform) 특징 벡터를 생성한다(S230).Next, the feature vector generator 130 combines the feature vectors extracted from the respective regions to generate one Region-SIFT (Region Scale Invariant Feature Transform) feature vector for gender and age recognition (S230).

즉, 특징 벡터 생성부(130)는 다수의 구역에서 Region-SIFT 특징 벡터를 추출한 후, PCA(Principal Componant Analysis) 알고리즘과 LDA(Linear Discriminant Analysis) 알고리즘을 순차 적용하여 특징 벡터의 차원을 축소할 수 있다.That is, the feature vector generation unit 130 extracts the Region-SIFT feature vector from a plurality of regions, and sequentially applies the Principal Component Analysis (PCA) algorithm and the LDA (Linear Discriminant Analysis) algorithm to reduce the dimension of the feature vector have.

이에 따라 100*100 영상에서 추출한 Dense-SIFT는 225*128차원의 특징 벡터가 추출되어야 하므로 225개의 특징점을 필요로 하는 반면, 동일한 영상에서 Region-SIFT는 60*128차원의 특징 벡터가 추출되어야 하므로 60개의 특징점만 있으면 된다. 이에 따라 Dense-SIFT는 50ms의 수행 속도를 보이는 반면, Region-SIFT는 16ms의 수행 속도를 보이게 된다.Therefore, Dense-SIFT extracted from 100 * 100 image requires 225 feature points since feature vector of 225 * 128 dimension should be extracted. On the other hand, Region-SIFT needs feature vector of 60 * 128 dimension in the same image Only 60 feature points are required. As a result, the Dense-SIFT has a performance of 50 ms, while the Region-SIFT has a performance of 16 ms.

그 다음 인식부(140)는 S230 단계에서 생성된 Region-SIFT 특징 벡터를 SVM(Support Vector Machine) 학습하여 Discriminant SVM 분류기를 생성한다(S240).Then, the recognition unit 140 generates a discriminant SVM classifier by learning SVM (Support Vector Machine) of the Region-SIFT feature vector generated in operation S230 (S240).

이때 Discriminant SVM 분류기는, RBF(Radial Basis Function) SVM 분류기를 이용하여 생성된 성별 분류기, 여성에 대한 나이 분류기 및 남성에 대한 나이 분류기를 스트럭쳐(structure)로 엮어서 생성할 수 있다.At this time, the Discriminant SVM classifier can generate a sex classifier generated using a RBF (Radial Basis Function) SVM classifier, an age classifier for a woman, and an age classifier for a male.

여기서, RBF SVM 분류기는 성별 및 나이를 분류할 때 일반적으로 이용되는 분류기이므로 본 발명의 실시예에서는 자세한 언급은 생략하기로 한다.Here, since the RBF SVM classifier is a classifier generally used for classifying sex and age, detailed description will be omitted in the embodiment of the present invention.

마지막으로 인식부(140)는 S240 단계에서 생성된 Discriminant SVM 분류기를 이용하여 성별 및 나이를 인식한다(S250).Finally, the recognition unit 140 recognizes the sex and age using the discriminant SVM classifier generated in step S240 (S250).

도 5는 본 발명의 실시예에 따른 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 방법에서 성별 및 나이 분류기를 나타낸 도면이다.5 is a diagram illustrating a sex and age classifier in the age and gender recognition method using the Region-SIFT and the Discriminant SVM classifier according to the embodiment of the present invention.

도 5에서와 같이 인식부(140)는, RBF(Radial Basis Function) SVM 분류기를 이용하여 성별 분류기(141), 여성에 대한 나이 분류기(142) 및 남성에 대한 나이 분류기(143)를 생성한다.As shown in FIG. 5, the recognition unit 140 generates a sex classifier 141, an age classifier 142 for a woman, and an age classifier 143 for a male using a Radial Basis Function (SVM) classifier.

자세히는, 인식부(140)는 성별 분류기(141)를 이용하여 다수의 구역 중 좌측 상부 및 하부, 우측 상부 및 하부, 턱에 가중치를 두어 성별을 인식하고, 인식된 성별에 대응하는 나이 분류기를 이용하여 다수의 구역 중 이마, 좌측 눈, 우측 눈, 좌측 볼, 우측 볼에 가중치를 두어 나이를 인식한다.More specifically, the recognition unit 140 recognizes gender by assigning weights to upper and lower left and right and upper and lower jaws of the plurality of zones using the sex classifier 141, and outputs an age classifier corresponding to the recognized gender Weights are assigned to forehead, left eye, right eye, left ball, and right ball among a plurality of zones to recognize age.

따라서 본 발명의 실시예에 따르면 총 3개의 분류기가 구비되어, 성별 분류기(141)을 통해 영상 내 얼굴이 여성인지 남성인지 판단한 후 여성인 경우 여성에 대한 나이 분류기(142)를 이용하고, 남성인 경우 남성에 대한 나이 분류기(143)를 이용하여 대략적인 연령대를 판단할 수 있다.Therefore, according to the embodiment of the present invention, a total of three classifiers are provided, and it is determined whether the face in the image is female or male through the sex classifier 141. In the case of a female, the age classifier 142 is used for the female, The approximate age range can be determined using the age classifier 143 for the male.

아래의 표 1 및 표 2는 얼굴 공인 데이터베이스인 FERET(facial recognition technology) 데이터베이스를 이용하여 본 발명의 실시예에 따른 성능을 비교한 것으로, 총 2662개의 얼굴 영상 중 50%를 학습에 사용하였고 나머지 50%로 테스트한 결과이다.Table 1 and Table 2 below compares the performances according to the embodiment of the present invention using a facial recognition technology (FERET) database, and 50% of the total 2662 facial images were used for learning. The remaining 50 %.

먼저, 표 1은 종래의 방법과 본 발명의 실시예에 따른 방법의 인식률 성능을 비교한 것이다.First, Table 1 compares the recognition rate performance of the conventional method and the method according to the embodiment of the present invention.

성별 인식률Gender recognition rate 나이 인식률Age recognition rate Dense-SIFT + RBF SVM
(종래의 방법)Dense-SIFT + RBF SVM
(Conventional method) 89%89% 79%79% Region-SIFT + Discriminant SVM
(본 발명의 실시예에 따른 방법)Region-SIFT + Discriminant SVM
(A method according to an embodiment of the present invention) 96%96% 83%83%

표 1에서 알 수 있듯이 Dense-SIFT 특징 벡터를 RBF SVM 분류기를 이용하였을 때보다 Region-SIFT 특징 벡터를 Discriminant SVM 분류기를 이용하였을 때의 인식률이 크게 향상된 것을 확인할 수 있다.As can be seen from Table 1, the recognition rate of the Dense-SIFT feature vector is significantly improved when the Discriminant SVM classifier is used for the Region-SIFT feature vector rather than the RBF SVM classifier.

그리고, 표 2는 종래의 방법과 본 발명의 실시예에 따른 방법의 수행 속도를 비교한 것이다.Table 2 compares the execution speed of the conventional method and the method according to the embodiment of the present invention.

Dense-SIFT + RBF SVM
(종래의 방법)Dense-SIFT + RBF SVM
(Conventional method) Region-SIFT + Discriminant SVM
(본 발명의 실시예에 따른 방법)Region-SIFT + Discriminant SVM
(A method according to an embodiment of the present invention) 얼굴 정규화 수행속도Speed of face normalization 2ms2ms 2ms2ms 특징 추출 수행속도Speed of Feature Extraction 50ms50ms 16ms16ms 성별 및 나이 인식 수행속도Gender and age recognition speed 0.9ms0.9ms 0.3ms0.3ms 합계Sum 52.9ms52.9ms 18.3ms18.3 ms

표 2에서 알 수 있듯이 Dense-SIFT 특징벡터를 RBF-SVM 분류기를 이용하였을 때보다 Region-SIFT 특징 벡터를 Discriminant 분류기를 이용하였을 때의 수행속도가 크게 향상된 것을 확인할 수 있다.As can be seen from Table 2, the performance of the Dense-SIFT feature vector is significantly improved when the Region-SIFT feature vector is used with the Discriminant Classifier than when the RBF-SVM classifier is used.

상술한 바와 같이, 본 발명의 실시예에 따른 Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 장치 및 그 방법은 Dense-SIFT를 나이 및 성별 인식에 맞게 변형하고 지역적 정보가 고려된 Region-SIFT를 이용하여 특징을 추출한 뒤, Discriminant SVM 분류기를 이용하여 나이 및 성별을 판단함으로써, 수행시간이 단축되고 인식률이 향상되어 빠르고 정확하게 나이 및 성별을 인식할 수 있는 효과가 있다.As described above, the apparatus and method for recognizing the age and sex using the Region-SIFT and the Discriminant SVM classifier according to the embodiment of the present invention are adapted to modify the Dense-SIFT according to the recognition of age and sex, And discriminates the age and sex by using the discriminant SVM classifier. As a result, the execution time is shortened and the recognition rate is improved, so that the age and sex can be recognized quickly and accurately.

또한 본 발명의 실시예에 따르면, 광고 및 마케팅에 적용하여 실시간으로 고객 성향 분석 및 맞춤형 서비스가 가능한 효과가 있다.Also, according to the embodiment of the present invention, it is possible to apply customer orientation analysis and customized service in real time by applying to advertisement and marketing.

본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it will be understood by those skilled in the art that various changes and modifications may be made without departing from the scope of the invention as defined by the appended claims. will be. Therefore, the true scope of the present invention should be determined by the technical idea of the following claims.

110 : 얼굴 정규화부 120 : 특징 벡터 추출부
130 : 특징 벡터 생성부 140 : 인식부
141 : 성별 분류기 142 : 여성에 대한 나이 분류기
143 : 남성에 대한 나이 분류기110: Face normalization unit 120: Feature vector extraction unit
130: Feature vector generation unit 140:
141: Gender classifier 142: Age classifier for women
143: Age Classifier for Men

Claims (10)

Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 장치에 있어서,
영상 내 얼굴 영역과 눈, 코 및 입을 포함하는 특징점을 검출하고, 상기 얼굴 영역을 정규화하는 얼굴 정규화부;
상기 검출된 특징점을 이용하여 상기 얼굴 영역을 다수의 구역으로 구분하고, Dense-SIFT(Dense Scale Invariant Feature Transform) 알고리즘을 이용하여 각 구역에서 특징 벡터를 추출하는 특징 벡터 추출부;
상기 각 구역에서 추출된 특징 벡터를 합쳐서 성별 및 나이 인식을 위한 하나의 Region-SIFT(Region Scale Invariant Feature Transform) 특징 벡터를 생성하고, 상기 생성된 Region-SIFT 특징 벡터에 대해 PCA(Principal Componant Analysis) 알고리즘과 LDA(Linear Discriminant Analysis) 알고리즘을 순차 적용하여 특징 벡터의 차원을 축소하는 특징 벡터 생성부; 및
상기 생성된 Region-SIFT 특징 벡터를 SVM(Support Vector Machine) 학습하여 Discriminant SVM 분류기를 생성하고, 상기 생성된 Discriminant SVM 분류기를 이용하여 성별 및 나이를 인식하는 인식부를 포함하고,
상기 Discriminant SVM 분류기는,
RBF(Radial Basis Function) SVM 분류기를 이용하여 생성된 성별 분류기, 여성에 대한 나이 분류기 및 남성에 대한 나이 분류기를 스트럭쳐(structure)로 엮어서 생성하고,
상기 인식부는,
상기 성별 분류기를 이용하되 상기 다수의 구역 중 좌측 상부 및 하부, 우측 상부 및 하부, 턱에 가중치를 부가하여 성별을 인식하고,
상기 인식된 성별에 대응하는 나이 분류기를 이용하되 상기 다수의 구역 중 이마, 좌측 눈, 우측 눈, 좌측 볼, 우측 볼에 가중치를 부가하여 나이를 인식하는 나이 및 성별 인식 장치.In an age-and-gender recognition apparatus using Region-SIFT and Discriminant SVM classifiers,
A face normalization unit for detecting feature points including a face region in the image, eyes, nose and mouth, and normalizing the face region;
A feature vector extracting unit for dividing the face region into a plurality of regions using the detected feature points and extracting feature vectors in each region using a Dense-SIFT (Dense Scale Invariant Feature Transform) algorithm;
SIFT (Feature Scale Invariant Feature Transform) feature vector for sex and age recognition by combining feature vectors extracted from the respective regions, and performs PCA (Principal Component Analysis) on the generated Region- A characteristic vector generation unit for sequentially applying an algorithm and an LDA (Linear Discriminant Analysis) algorithm to reduce the dimension of the feature vector; And
A recognition unit for recognizing a sex and an age using the generated Discriminant SVM classifier by generating a Discriminant SVM classifier by learning SVM (Support Vector Machine) of the generated Region-SIFT feature vector,
The Discriminant SVM classifier comprises:
A gender classifier generated using an RBF (Radial Basis Function) SVM classifier, an age classifier for a woman, and an age classifier for a male are formed by weaving a structure,
Wherein,
Wherein the gender classifier is used to add weights to upper and lower left and right and upper and lower jaws of the plurality of zones to recognize sex,
And a weight is added to the forehead, the left eye, the right eye, the left ball, and the right ball among the plurality of regions using the age classifier corresponding to the recognized gender. 제1항에 있어서,
상기 얼굴 정규화부는,
상기 검출된 눈의 좌표를 기반으로 다음의 식에 의해 상기 얼굴 영역의 회전 각도를 산출하여 산출된 회전 각도에 대응하게 상기 눈의 기울어짐을 보정하고, 상기 눈의 위치를 상기 얼굴 영역의 1/3 지점에 위치시켜 상기 얼굴 영역을 정규화하는 나이 및 성별 인식 장치:
Figure 112016095807471-pat00003

여기서, θ는 회전 각도, Prx는 우측 눈의 X좌표, Pry는 우측 눈의 Y좌표, Plx는 좌측 눈의 X좌표, Ply는 좌측 눈의 Y좌표이다.The method according to claim 1,
Wherein the face normalization unit comprises:
Calculating a rotation angle of the face region according to the following equation based on the detected eye coordinates, correcting the inclination of the eye in accordance with the calculated rotation angle, and setting the position of the eye to 1/3 Wherein the face region is normalized by normalizing the face region to a position of the face region.
Figure 112016095807471-pat00003

Where P rx is the X coordinate of the right eye, P ry is the Y coordinate of the right eye, P lx is the X coordinate of the left eye, and P ly is the Y coordinate of the left eye. 제1항에 있어서,
상기 특징 벡터 추출부는,
상기 얼굴 영역을 좌측 상부 및 하부, 우측 상부 및 하부, 이마, 좌측 눈, 우측 눈, 좌측 볼, 우측 볼, 턱으로 각각 나누어 상기 다수의 구역으로 구분하는 나이 및 성별 인식 장치.The method according to claim 1,
Wherein the feature vector extracting unit comprises:
Wherein the face region is divided into a plurality of regions by dividing the face region into left and right upper and lower portions, a right upper portion and a lower portion, a forehead, a left eye, a right eye, a left ball, a right ball and a jaw respectively. 삭제delete 삭제delete Region-SIFT와 Discriminant SVM 분류기를 이용한 나이 및 성별 인식 장치에 의해 수행되는 나이 및 성별 인식 방법에 있어서,
영상 내 얼굴 영역과 눈, 코 및 입을 포함하는 특징점을 검출하고, 상기 얼굴 영역을 정규화하는 단계;
상기 검출된 특징점을 이용하여 상기 얼굴 영역을 다수의 구역으로 구분하고, Dense-SIFT(Dense Scale Invariant Feature Transform) 알고리즘을 이용하여 각 구역에서 특징 벡터를 추출하는 단계;
상기 각 구역에서 추출된 특징 벡터를 합쳐서 성별 및 나이 인식을 위한 하나의 Region-SIFT(Region Scale Invariant Feature Transform) 특징 벡터를 생성하고, 상기 생성된 Region-SIFT 특징 벡터에 대해 PCA(Principal Componant Analysis) 알고리즘과 LDA(Linear Discriminant Analysis) 알고리즘을 순차 적용하여 특징 벡터의 차원을 축소하는 단계;
상기 생성된 Region-SIFT 특징 벡터를 SVM(Support Vector Machine) 학습하여 Discriminant SVM 분류기를 생성하는 단계; 및
상기 생성된 Discriminant SVM 분류기를 이용하여 성별 및 나이를 인식하는 단계를 포함하고,
상기 Discriminant SVM 분류기는,
RBF(Radial Basis Function) SVM 분류기를 이용하여 생성된 성별 분류기, 여성에 대한 나이 분류기 및 남성에 대한 나이 분류기를 스트럭쳐(structure)로 엮어서 생성하고,
상기 성별 및 나이를 인식하는 단계는,
상기 성별 분류기를 이용하되 상기 다수의 구역 중 좌측 상부 및 하부, 우측 상부 및 하부, 턱에 가중치를 부가하여 성별을 인식하고,
상기 인식된 성별에 대응하는 나이 분류기를 이용하되 상기 다수의 구역 중 이마, 좌측 눈, 우측 눈, 좌측 볼, 우측 볼에 가중치를 부가하여 나이를 인식하는 나이 및 성별 인식 방법.In the age and gender recognition method performed by the age and gender recognition apparatus using the Region-SIFT and the Discriminant SVM classifier,
Detecting a feature point including a face region in the image and an eye, a nose, and a mouth, and normalizing the face region;
Dividing the face region into a plurality of regions using the detected feature points, and extracting feature vectors in each region using a Dense-SIFT (Dense Scale Invariant Feature Transform) algorithm;
SIFT (Feature Scale Invariant Feature Transform) feature vector for sex and age recognition by combining feature vectors extracted from the respective regions, and performs PCA (Principal Component Analysis) on the generated Region- Algorithm and an LDA (Linear Discriminant Analysis) algorithm sequentially to reduce the dimension of the feature vector;
Generating a Discriminant SVM classifier by learning SVM (Support Vector Machine) of the generated Region-SIFT feature vector; And
Recognizing the sex and age using the generated Discriminant SVM classifier,
The Discriminant SVM classifier comprises:
A gender classifier generated using an RBF (Radial Basis Function) SVM classifier, an age classifier for a woman, and an age classifier for a male are formed by weaving a structure,
Wherein the step of recognizing the sex and age comprises:
Wherein the gender classifier is used to add weights to upper and lower left and right and upper and lower jaws of the plurality of zones to recognize sex,
And a weight is added to the forehead, the left eye, the right eye, the left ball, and the right ball among the plurality of regions using an age classifier corresponding to the recognized gender. 제6항에 있어서,
상기 얼굴 영역을 정규화하는 단계는,
상기 검출된 눈의 좌표를 기반으로 다음의 식에 의해 상기 얼굴 영역의 회전 각도를 산출하여 산출된 회전 각도에 대응하게 상기 눈의 기울어짐을 보정하고, 상기 눈의 위치를 상기 얼굴 영역의 1/3 지점에 위치시켜 상기 얼굴 영역을 정규화하는 나이 및 성별 인식 방법:
Figure 112016095807471-pat00004

여기서, θ는 회전 각도, Prx는 우측 눈의 X좌표, Pry는 우측 눈의 Y좌표, Plx는 좌측 눈의 X좌표, Ply는 좌측 눈의 Y좌표이다.The method according to claim 6,
The step of normalizing the face region comprises:
Calculating a rotation angle of the face region according to the following equation based on the detected eye coordinates, correcting the inclination of the eye in accordance with the calculated rotation angle, and setting the position of the eye to 1/3 Wherein the face region is normalized by normalizing the face region to a position of the face region,
Figure 112016095807471-pat00004

Where P rx is the X coordinate of the right eye, P ry is the Y coordinate of the right eye, P lx is the X coordinate of the left eye, and P ly is the Y coordinate of the left eye. 제6항에 있어서,
상기 특징 벡터를 추출하는 단계는,
상기 얼굴 영역의 좌측 상부 및 하부, 우측 상부 및 하부, 이마, 좌측 눈, 우측 눈, 좌측 볼, 우측 볼, 턱으로 각각 나누어 상기 다수의 구역으로 구분하는 나이 및 성별 인식 방법.The method according to claim 6,
Wherein the extracting of the feature vector comprises:
The method comprising the steps of: dividing the face region into a plurality of regions divided into upper and lower left and right and upper and lower regions, a forehead, a left eye, a right eye, a left ball, a right ball, and a jaw. 삭제delete 삭제delete
KR1020160127534A 2016-10-04 2016-10-04 Apparatus for age and gender estimation using region-sift and discriminant svm classifier and method thereof KR101865253B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160127534A KR101865253B1 (en) 2016-10-04 2016-10-04 Apparatus for age and gender estimation using region-sift and discriminant svm classifier and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160127534A KR101865253B1 (en) 2016-10-04 2016-10-04 Apparatus for age and gender estimation using region-sift and discriminant svm classifier and method thereof

Publications (2)

Publication Number Publication Date
KR20180037419A KR20180037419A (en) 2018-04-12
KR101865253B1 true KR101865253B1 (en) 2018-06-08

Family

ID=61969224

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160127534A KR101865253B1 (en) 2016-10-04 2016-10-04 Apparatus for age and gender estimation using region-sift and discriminant svm classifier and method thereof

Country Status (1)

Country Link
KR (1) KR101865253B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3859600A1 (en) 2020-02-03 2021-08-04 GN Company System for surveying satisfaction through motion recognition in field space

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102374861B1 (en) * 2019-05-07 2022-03-17 주식회사 엘토브 O2O(On-line to Off-line) BASED SYSTEM AND METHOD FOR SUGGESTING CUSTOMIZED INFORMATION
KR102428955B1 (en) * 2020-01-23 2022-08-04 최문정 Method and System for Providing 3D Displayed Commercial Video based on Artificial Intellingence using Deep Learning
CN111460945A (en) * 2020-03-25 2020-07-28 亿匀智行(深圳)科技有限公司 Algorithm for acquiring 3D expression in RGB video based on artificial intelligence
KR102191044B1 (en) * 2020-06-15 2020-12-14 주식회사 센스비전 Advertising systems that are provided through contents analytics and recommendation based on artificial intelligence facial recognition technology
KR102261336B1 (en) * 2020-07-28 2021-06-07 주식회사 센스비전 Service systems for advertisement contents and revenue sharing that can match advertisement contents by facial recognition based on artificial intelligence technologies
CN113743236A (en) * 2021-08-11 2021-12-03 交控科技股份有限公司 Passenger portrait analysis method, device, electronic equipment and computer readable storage medium

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101507081B1 (en) * 2014-05-23 2015-04-01 동국대학교 산학협력단 Apparatus and method for estimating age

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040013951A (en) * 2002-08-09 2004-02-14 (주)워치비젼 Apparatus and method for identifying user based on face recognition and system for restricting offer of information using user identification apparatus
KR101174048B1 (en) * 2010-12-10 2012-08-16 경북대학교 산학협력단 Apparatus for recognizing a subject and method using thereof

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101507081B1 (en) * 2014-05-23 2015-04-01 동국대학교 산학협력단 Apparatus and method for estimating age

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
[논문1] *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3859600A1 (en) 2020-02-03 2021-08-04 GN Company System for surveying satisfaction through motion recognition in field space
KR20210099245A (en) 2020-02-03 2021-08-12 주식회사 지앤 A satisfaction survey system through motion recognition in field space
KR20210099496A (en) 2020-02-03 2021-08-12 주식회사 지앤 A satisfaction survey system through motion recognition in field space

Also Published As

Publication number Publication date
KR20180037419A (en) 2018-04-12

Similar Documents

Publication Publication Date Title
KR101865253B1 (en) Apparatus for age and gender estimation using region-sift and discriminant svm classifier and method thereof
US10423848B2 (en) Method, system, and computer-readable recording medium for long-distance person identification
US7929771B2 (en) Apparatus and method for detecting a face
Bicego et al. On the use of SIFT features for face authentication
KR102290392B1 (en) Method and apparatus for registering face, method and apparatus for recognizing face
US8811726B2 (en) Method and system for localizing parts of an object in an image for computer vision applications
Cristinacce et al. A comparison of shape constrained facial feature detectors
Sangineto Pose and expression independent facial landmark localization using dense-SURF and the Hausdorff distance
JP6544900B2 (en) Object identification device, object identification method and program
Križaj et al. Adaptation of SIFT features for robust face recognition
Križaj et al. Adaptation of SIFT features for face recognition under varying illumination
WO2019102608A1 (en) Image processing device, image processing method, and image processing program
KR101796027B1 (en) Method and computing device for gender recognition based on facial image
Zhou et al. Shape-appearance-correlated active appearance model
Sajid et al. The role of facial asymmetry in recognizing age-separated face images
Nambiar et al. Frontal gait recognition combining 2D and 3D data
KR101491832B1 (en) Apparatus and method for selecting image
KR20190107480A (en) Aparatus and method for face recognition
Hasan et al. Improving alignment of faces for recognition
JP2012128638A (en) Image processing device, alignment method and program
CN114399731B (en) Target positioning method under supervision of single coarse point
Quan et al. Statistical shape modelling for expression-invariant face analysis and recognition
Lin et al. Using gradient features from scale-invariant keypoints on face recognition
Jariwala et al. A real time robust eye center localization using geometric eye model and edge gradients in unconstrained visual environment
Taertulakarn et al. The preliminary investigation of ear recognition using hybrid technique

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right