KR102016082B1

KR102016082B1 - 딥러닝 기반의 포즈 변화에 강인한 얼굴 인식 방법 및 장치

Info

Publication number: KR102016082B1
Application number: KR1020180012909A
Authority: KR
Inventors: 이성환; 강동오
Original assignee: 고려대학교 산학협력단; 주식회사 새하컴즈
Priority date: 2018-02-01
Filing date: 2018-02-01
Publication date: 2019-08-29
Also published as: KR20190098858A

Abstract

본 발명은 컴퓨터를 이용한 얼굴 인식 방법에 관한 것으로, 일 실시예에 따르면, (a) 제1 딥러닝 알고리즘을 이용하여 원본 이미지에서 얼굴 영역을 검출하고 검출된 얼굴 영역의 좌표를 포함하는 검출영역 정보를 산출하는 단계; (b) 제2 딥러닝 알고리즘을 이용하여, 검출된 얼굴 영역에서 얼굴 포즈에 관한 포즈 정보를 산출하는 단계; (c) 상기 포즈 정보 중 적어도 일부 및 상기 검출영역 정보에 기초하여, 상기 원본 이미지로부터 포즈 정규화된 얼굴 이미지를 산출하는 단계; 및 (d) 제3 딥러닝 알고리즘을 이용하여, 상기 포즈 정규화된 얼굴 이미지를 데이터베이스에 기저장된 얼굴 이미지와 비교하여 얼굴을 인식하는 단계;를 포함하는 얼굴 인식 방법을 제공할 수 있다.

Description

딥러닝 기반의 포즈 변화에 강인한 얼굴 인식 방법 및 장치 {Method and apparatus for pose-invariant face recognition based on deep learning}

본 발명은 이미지에서 사람의 얼굴을 인식하는 기술에 관한 것으로, 보다 상세하게는, 제약 조건이 없는 실제 환경 하에서 조명, 표정, 얼굴 포즈 변화 등의 조건 변화에 강인한 딥러닝 기반의 얼굴 인식 방법 및 장치에 관한 것이다.

최근 얼굴 검출 또는 얼굴 인식 기술은 컴퓨터 비전 문제에서 자주 다루어지고 있다. 기존의 얼굴 인식 방법은 정해진 환경 조건(조명, 표정, 포즈 등)에서 촬영된 영상에서 얼굴 인식을 했다면, 최근 제안된 방법들은 실제 환경과 같이 환경 조건의 제약 없이 촬영된 영상에서 얼굴을 추출하고 얼굴을 인식하도록 설계된다.

그러나 환경 조건의 제약 없이 얼굴 검출 및 인식을 하기 위해서는 몇 가지 어려운 문제들을 극복해야 하는데, 예컨대 복잡한 배경은 시각적 변화가 매우 심하여 얼굴과 비얼굴에 대한 분별력 있는 특징 검출을 매우 어렵게 한다. 또한 촬영된 영상 내에 존재하는 얼굴은 다양한 크기를 가질 수 있기 때문에 얼굴 검출을 위해 검색해야 하는 공간이 매우 크고, 시점 변화에 따른 얼굴 포즈가 변하기 때문에 얼굴 형태가 매우 다양하다.

이러한 문제를 해결하는 한가지 방법으로 최근 딥러닝 기술을 적용하여 조명변화와 정면영상에 가까운 포즈 변화에 대해 좋은 얼굴 인식 결과를 출력하는 방법이 제시되고 있지만, 포즈가 극도로 변화된 이미지 또는 포즈를 제외한 실 환경에서 발생할 수 있는 변화들(조명, 배경, 얼굴 크기)에 상관없이 높은 정확도로 얼굴 인식을 할 수 있는 기술은 여전히 부족한 상태이며 이러한 기술에 대한 필요성이 제기되고 있다.

특허문헌1: 한국 공개특허공보 제2015-0065445호 (2015년 06월 15일 공개) 특허문헌2: 한국 공개특허공보 제2017-0053069호 (2017년 05월 15일 공개)

본 발명의 일 실시예에 따르면, 이미지 내에 존재하는 얼굴에 대해 포즈의 변화에 상관없이 얼굴을 높은 정확도로 식별할 수 있는 얼굴 인식 방법을 제시하는 것을 목적으로 한다.

본 발명의 일 실시예에 따르면, 컴퓨터를 이용한 얼굴 인식 방법으로서, (a) 제1 딥러닝 알고리즘을 이용하여 원본 이미지에서 얼굴 영역을 검출하고 검출된 얼굴 영역의 좌표를 포함하는 검출영역 정보를 산출하는 단계; (b) 제2 딥러닝 알고리즘을 이용하여, 검출된 얼굴 영역에서 얼굴 포즈에 관한 포즈 정보를 산출하는 단계; (c) 상기 포즈 정보 중 적어도 일부 및 상기 검출영역 정보에 기초하여, 상기 원본 이미지로부터 포즈 정규화된 얼굴 이미지를 산출하는 단계; 및 (d) 제3 딥러닝 알고리즘을 이용하여, 상기 포즈 정규화된 얼굴 이미지를 데이터베이스에 기저장된 얼굴 이미지와 비교하여 얼굴을 인식하는 단계;를 포함하는 것을 특징으로 하는 얼굴 인식 방법을 제공할 수 있다.

또한 본 발명의 일 실시예에 따르면, 상기 얼굴 인식 방법을 컴퓨터에서 실행시키기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다.

본 발명의 일 실시예에 따르면 제약 조건이 없는 실제 환경 하에서 조명, 표정, 얼굴 포즈 변화 등의 조건 변화에도 불구하고 높은 정확도로 얼굴 식별을 결과를 출력할 수 있는 포즈 변화에 강인한 딥러닝 기반의 얼굴 인식 방법 및 장치를 제공할 수 있다.

도1은 본 발명의 일 실시예에 따른 얼굴 인식 방법을 수행하는 얼굴 인식 시스템의 블록도,
도2는 일 실시예에 따른 얼굴 인식 방법의 예시적인 흐름도,
도3은 얼굴의 회전을 설명하기 위한 도면,
도4는 일 실시예에 따른 전처리 단계를 설명하기 위한 도면,
도5는 일 실시예에 따른 포즈 추정 단계를 설명하기 위한 도면,
도6은 일 실시예에 따른 요 난이도를 설정하는 예시적 방법을 설명하기 위한 도면,
도7은 일 실시예에 따른 포즈 추정 알고리즘의 학습에 사용되는 데이터를 설명하기 위한 도면,
도8은 일 실시예에 따른 포즈 정규화 단계를 설명하기 위한 도면,
도9는 일 실시예에 따른 얼굴 인식 단계를 설명하기 위한 도면,
도10은 일 실시예에 따른 얼굴 인식 장치를 설명하기 위한 블록도이다.

이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.

본 명세서에서 제1, 제2 등의 용어가 구성요소들을 기술하기 위해서 사용된 경우, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 여기에 설명되고 예시되는 실시예들은 그것의 상보적인 실시예들도 포함한다.

본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다(comprise)' 및/또는 '포함하는(comprising)'은 언급된 구성요소는 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.

또한 본 명세서에서 발명의 구성요소를 지칭하기 위해 사용된 "...부", "…모듈", "…블록" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미할 수 있고 이는 하드웨어나 소프트웨어 또는 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.

이하에서 도면을 참조하여 본 발명을 상세히 설명하도록 한다. 아래의 특정 실시예들을 기술하는데 있어서 여러 가지의 특정적인 내용들은 발명을 더 구체적으로 설명하고 이해를 돕기 위해 작성되었다. 하지만 본 발명을 이해할 수 있을 정도로 이 분야의 지식을 갖고 있는 독자는 이러한 여러 가지의 특정적인 내용들이 없어도 사용될 수 있다는 것을 인지할 수 있다. 어떤 경우에는 발명을 기술하는 데 있어서 흔히 알려졌으면서 발명과 크게 관련 없는 부분들은 본 발명을 설명하는 데 있어 혼돈이 오는 것을 막기 위해 기술하지 않음을 미리 언급해 둔다.

도1은 본 발명의 일 실시예에 따른 얼굴 인식 방법을 수행하는 얼굴 인식 시스템의 블록도이고, 도2는 일 실시예에 따른 얼굴 인식 방법의 예시적 흐름도이다.

도면을 참조하면, 일 실시예에 따른 얼굴 인식 시스템은 전처리부(100), 포즈 추정부(200), 포즈 정규화부(300), 및 얼굴 인식부(400)를 포함하며, 필요에 따라 하나 이상의 데이터베이스(530)를 포함할 수 있다.

이러한 얼굴 인식 시스템에 따르면, 우선 단계(S10)에서 전처리부(100)에 의한 전처리 단계가 수행된다. 전처리부(100)는 원본 이미지에서 얼굴 영역을 검출하고 검출된 얼굴 영역의 좌표를 포함하는 검출영역 정보를 산출한다. 일 실시예에서 전처리부(100)는 딥러닝 알고리즘을 이용하여 원본 이미지에서 얼굴 영역을 검출할 수 있다. 딥러닝 알고리즘은 머신 러닝(machine learning) 기법의 일종으로, 복수개의 은닉층을 포함하는 인공신경망(artificial neural network) 알고리즘을 의미한다. 딥러닝 알고리즘을 이용하기 위해 딥러닝 알고리즘 모델은 여러 다양한 얼굴 포즈를 포함하는 이미지들을 이용한 학습 단계가 선행되어야 하며, 이하의 설명에서는 본 명세서에서 언급되는 딥러닝 알고리즘이 이러한 학습단계를 완료하였다고 전제한다.

일 실시예에서 전처리부(100)는 원본 이미지에서 얼굴 영역을 검출하고, 검출된 얼굴 영역에 관한 좌표를 포함한 검출영역 정보를 산출할 수 있다. 여기서 '검출영역 정보'는 예를 들어 원본 이미지 내에서의 얼굴 영역의 x 좌표, y 좌표, 폭(width), 및 높이(height) 정보 중 적어도 일부를 포함할 수 있다. 이 때 x 좌표와 y 좌표는 예를 들어 얼굴 영역의 중심점의 좌표일 수도 있고, 대안적으로, 얼굴 영역의 좌상단의 좌표 또는 좌하단의 좌표를 의미할 수도 있다.

일 실시예에서, 전처리부(100)는 원본 이미지에서 얼굴 영역을 검출한 후 얼굴 영역을 정규화할 수 있다. 예를 들어 전처리부(100)는 검출된 얼굴 영역을 기설정된 크기의 이미지로 정규화할 수 있고 색상분포에 대한 정규화 처리도 수행할 수 있다.

전처리부(100)에서 전처리된 이미지는 포즈 추정부(200)로 입력되고, 단계(S20)에서, 포즈 추정부(200)에 의한 포즈 정보 산출 동작이 수행된다. 포즈 추정부(200)는 전처리된 이미지의 얼굴 영역에서 얼굴 포즈(pose)에 관한 포즈 정보를 산출한다. 일 실시예에서 포즈 추정부(200)는 이러한 얼굴 포즈 정보의 산출을 딥러닝 알고리즘에 의해 수행할 수 있다. 일 실시예에서 포즈 추정부(200)가 산출하는 포즈 정보는 얼굴의 회전, 요(yaw)의 회전 방향, 및 요(yaw)의 난이도에 관한 정보를 포함할 수 있다. 여기서 '요'는 임의의 물체의 3차원상에서의 회전 방향을 나타내는 것과 동일한 의미로 사용된다. 즉, 도3에 도시한 것처럼 '요(yaw)'는 Y축(얼굴의 상하 방향)을 중심축으로 하는 회전(즉, 얼굴을 좌측 또는 우측으로 돌리는 것)이다.

일 실시예에서 포즈 추정부(200)는 '얼굴의 회전'에 관한 정보를 각도로 산출한다. 예를 들어, 이미지 상의 얼굴이 기울어지지 않고 똑바로 세워져 있으면 얼굴의 회전 각도가 0이고, 얼굴이 시계 방향이나 반시계 방향으로 회전되어 있으면 회전된 각도에 따라 +90도에서 -90도 사이의 값을 가질 수 있다.

일 실시예에서 포즈 추정부(200)는 요에 관한 정보를 정면, 좌측, 우측의 3가지로 분류하여 산출할 수 있다. 즉 얼굴이 정면을 바라보면 '정면'으로 산출하고, 좌측이나 우측을 바라보면 '좌측' 또는 '우측'으로 산출한다. 이 때 일 실시예에서 '좌측', '정면', 및 '우측'을 각각 0, 1, 2에 대응시켜 이 대응되는 숫자를 산출할 수 있다. 대안적 실시예에서, 포즈 추정부(200)는 요에 관한 정보를 각도로 산출할 수도 있다. 예컨대 정면을 0도로 표시하고, 좌측이나 우측으로 회전하면 이 회전한 각도에 따라 +90도에서 -90도 사이의 값으로 표시할 수 있다.

요 난이도는 얼굴의 요 방향 회전의 정도에 따라 난이도를 분류한 것으로, 예컨대 일 실시예에서, 요 방향 회전 정도에 따라 상, 중, 하로 구분할 수 있다. 대안적 실시예에서, 포즈 추정부(200)는 얼굴의 피치(pitch) 방향, 즉 도3의 X축(얼굴의 좌우 방향)을 중심축으로 하는 회전에 관한 정보를 더 포함할 수 있다.

다음으로, 포즈 정규화부(300)에 의해 포즈 정규화 단계(S30)가 실행된다. 포즈 정규화부(300)는 전처리부(100)에서 산출된 검출영역 정보 및 포즈 추정부(200)에서 산출된 포즈 정보에 기초하여, 원본 이미지로부터 포즈 정규화된 얼굴 이미지를 산출한다. 여기서 '포즈 정규화된 얼굴 이미지'는 얼굴 인식을 하기 쉽도록 얼굴 영역을 정규화한 이미지이다. 포즈 정규화부(300)는 예를 들어 얼굴의 회전 각도가 0도가 되도록 얼굴을 수직으로 세우고, 요 방향은 얼굴이 정면을 바라보거나 또는 왼쪽을 바라보도록 이미지를 반전시킴으로써 포즈 정규화를 수행할 수 있다. 이 때 포즈 정규화를 위해, 포즈 추정부(200)에서 산출된 얼굴의 회전 및 요 정보를 이용해서 얼굴 회전이나 반전을 수행할 수 있다.

또한 포즈 정규화부(300)는 전처리부(100)에서 산출된 검출영역 정보를 이용하여, 원본 이미지 내의 얼굴 영역을 추출하고, 필요시 색상분포의 정규화도 수행할 수 있다.

포즈 정규화부(300)는 포즈 정규화된 이미지를 얼굴 인식부(400)로 전달하고, 단계(S40)에서, 얼굴 인식부(400)는 포즈 정규화된 이미지를 데이터베이스(530)에 저장된 얼굴 이미지와 비교하여 얼굴을 인식(식별)한다. 일 실시예에서 얼굴 인식부(400)는 딥러닝 알고리즘에 의해 얼굴 인식 동작을 수행할 수 있다.

일 실시예에서 얼굴 인식부(400)는 포즈 추정부(200)에서 산출된 요 난이도 정보를 이용할 수 있다. 예를 들어 다수의 레이어(계층)로 구성된 딥러닝 알고리즘을 이용할 경우, 얼굴 인식부(400)는 요 난이도에 따라 서로 상이한 가중치를 갖는 복수개의 서브 레이어를 적어도 한 계층 포함한다. 이 경우, 얼굴 특징을 나타내는 특징 벡터가 요 난이도에 따라 상기 복수개의 서브 레이어 중 하나의 서브 레이어로 전달되도록 구성되고, 이 서브 레이어에서 처리된 특징 벡터는 요 난이도에 상관없는 소정 벡터 공간의 특징 값으로 매핑(mapping)된다. 따라서 원본 이미지에서 검출된 얼굴이 다양한 포즈를 가지고 있더라도, 상기 복수개의 서브 레이어로 구성된 계층을 통과하면서 포즈 변화에 강인한 특징 값을 추출할 수 있고, 이 추출된 특징 값을 데이터베이스(530)에 저장된 이미지들과 비교하여 얼굴을 식별할 수 있다.

한편 상술한 얼굴 인식 시스템은 복수개의 서로 다르게 학습된 딥러닝 알고리즘을 포함할 수 있다. 예를 들어 전처리부(100)는 원본 이미지에서 얼굴 영역을 검출하기 위한 제1 딥러닝 알고리즘을 포함하고, 포즈 추정부(200)는 전처리된 이미지에서 포즈 정보를 산출하기 위한 제2 딥러닝 알고리즘을 포함하고, 얼굴 인식부(400)는 포즈 정규화된 이미지에서 얼굴을 추출하고 데이터베이스 내의 이미지와 비교하여 얼굴을 인식하기 위한 제3 딥러닝 알고리즘을 포함할 수 있다.

일 실시예에서 이러한 딥러닝 알고리즘 중 일부는 컨벌루션 신경망(CNN: convolution neural network) 알고리즘으로 구현될 수 있다. 일 실시예에서 컨벌루션 신경망 알고리즘은 하나 이상의 컨벌루션 레이어, 하나 이상의 활성 함수, 및 하나 이상의 풀링(pooling) 레이어를 포함할 수 있고, 이 때 각각의 컨벌루션 레이어는 하나 이상의 컨벌루션 필터로 구성될 수 있다. 이러한 컨벌루션 신경망의 구조는 본 발명의 구체적 실시 형태에 따라 달라질 수 있으며, 신경망을 구성하는 컨벌루션 레이어, 활성 함수, 풀링 레이어 등은 당업계에 공지된 기술이므로 상세한 설명은 생략한다.

일 실시예에서, 상기 제1 내지 제3 딥러닝 알고리즘은 각 딥러닝 알고리즘마다 처리하는 대상과 출력 값이 다르기 때문에 각기 다른 계층들로 구성된다. 예를 들어 전처리부(100)의 제1 딥러닝 알고리즘은 원본 이미지에서 얼굴 영역을 검출하기 위한 알고리즘이며, 검색 공간을 최소화하기 위해 예컨대 이미지 피라미드(image pyramid) 또는 캐스케이드(cascade) 방법을 포함할 수 있다.

포즈 추정부(200)의 제2 딥러닝 알고리즘은 얼굴의 회전, 요의 회전 방향, 및 요의 난이도 등의 복수개의 포즈 정보를 산출해야 하므로, 단일 딥러닝 알고리즘을 기반으로 멀티 태스크(얼굴의 회전, 요의 회전 방향, 및 요의 난이도)를 할 수 있는 네트워크를 구성하여 각 포즈 정보를 산출할 수 있다. 이 때 포즈 정보 중 얼굴의 회전은 회귀(regression)에 관한 문제이고 요의 회전 방향 및 요의 난이도는 분류(classification)에 관한 문제이므로 구하려는 대상의 갑에 따라 손실 함수를 다르게 정의하여 단일 네트워크에서 멀티 태스크를 수행할 수 있도록 구성하는 것이 바람직하다.

얼굴 인식부(400)의 제3 딥러닝 알고리즘은 포즈 정규화된 이미지에서 얼굴의 특징 벡터를 추출하고 이 추출된 특징 벡터를 데이터베이스(530)에 기저장된 얼굴 이미지들과 비교하여 얼굴을 식별하며, 이를 위한 일 실시예에서, 얼굴의 특징 벡터를 추출하는 특징추출 신경망 및 얼굴 유사도를 측정할 수 있는 기계학습 알고리즘(예를 들어, 인공 신경망, 코사인 유사도(Cosine Similarity), 서포트 벡터 머신(SVM: Support Vector Machine), 최근접 이웃 규칙(Nearest Neighbors) 등)으로 구성될 수 있다. 특징추출 신경망은 예컨대 하나 이상의 컨벌루션 레이어 및 하나 이상의 풀링 레이어를 포함할 수 있고, 컨벌루션 레이어는 하나 이상의 컨벌루션 필터로 이루어져 있으며, 다양한 활성 함수(ReLU, PReLU, Tanh, Sigmoid 등의 함수)를 이용하여 구성할 수 있다.

이제 상기 얼굴 인식 시스템의 각 단계별 동작을 도4 내지 도9를 참조하여 상술하기로 한다.

도4는 일 실시예에 따른 전처리부(100)에 의한 전처리 단계(S10)를 나타낸다. 도면을 참조하면, 전처리부(100)는 원본 이미지로부터 얼굴 영역을 검출하고 검출된 이미지를 정규화하는 단계를 실행한다. 일 실시예에서 전처리부(100)는 제1 딥러닝 알고리즘을 이용하여 원본 이미지에서 얼굴 영역을 검출할 수 있다. 제1 딥러닝 알고리즘은 하나 이상의 컨벌루션 레이어, 하나 이상의 활성 함수, 및 하나 이상의 풀링 레이어를 포함하는 컨벌루션 신경망 및 얼굴 영역을 식별하여 검출하고 검출영역 정보를 추출하는 신경망을 포함할 수 있다.

일 실시예에서 검출영역 정보는 원본 이미지 내에서의 얼굴 영역의 x 좌표, y 좌표, 폭(width), 및 높이(height) 정보 중 적어도 일부를 포함할 수 있다. 여기서 x 좌표와 y 좌표는 예를 들어 얼굴 영역의 중심점의 좌표일 수도 있고, 대안적 실시예에서, 얼굴 영역의 좌상단의 좌표 또는 좌하단의 좌표 등의 임의의 기준점의 좌표를 의미할 수도 있다.

한편, 실환경에서 촬영된 원본 이미지의 배경 화면이 각기 상이하고 원본 이미지 속의 얼굴 크기도 각기 다르기 때문에 검색 공간의 수가 급속도로 증가하는 문제를 해결하는 것이 바람직하다. 이를 위해, 일 실시예에서, 이미지 피라미드나 캐스케이드, 영역 추천 네트워크(Region Proposal Network: 영상 내에 얼굴이 있을 것 같은 곳을 추천하는 네트워크) 방식 등을 이용하여 검색 공간을 줄일 수 있다.

또한 원본 이미지에서 검출된 얼굴 영역의 크기와 색상이 각기 다르기 때문에, 검출된 얼굴 영역의 크기와 색상분포를 정규화하여 일정한 크기와 색상 분포를 갖도록 처리할 수 있다.

도5는 일 실시예에 따른 포즈 추정부(200)에 의한 포즈 추정 단계(S20)를 나타낸다. 도면을 참조하면, 단계(S20)에서 포즈 추정부(200)는 전처리된 이미지의 얼굴 영역에서 얼굴 자세(포즈)에 관한 포즈 정보를 산출한다. 일 실시예에서 포즈 추정부(200)는 제2 딥러닝 알고리즘을 이용하여 포즈 정보를 산출할 수 있다.

일 실시예에서 포즈 정보는 얼굴의 회전 각도, 요(yaw)의 회전 방향, 및 요의 난이도에 관한 정보를 포함한다. 얼굴의 회전 각도는 이미지 내에서 얼굴이 기울어지지 않고 똑바로 세워진 것을 기준으로 +90도 내지 -90도 사이의 값을 가질 수 있다. 요 방향은 정면을 바라보는 것을 기준으로 좌측, 정면, 우측 중 하나를 나타내는 값(예컨대 각각 0, 1, 2)을 가질 수 있다.

요 난이도는 얼굴의 요 방향 회전의 정도에 따라 난이도를 분류한 것으로, 예컨대 일 실시예에서, 요 방향 회전 정도에 따라 상, 중, 하로 구분할 수 있다. 이와 관련하여 도6은 얼굴 회전 정도에 따라 요 난이도를 분류하는 예시적 기준을 나타낸다. 도6에 다수의 사진이 나열되어 있는데, 정면을 바라보는 사진부터 왼쪽으로 90도 방향을 바라보는 장면까지 점차 요 방향이 바뀌는 사진들이 나열되어 있다. 일 실시예에서 요 난이도를 상, 중, 하로 분류할 수 있고, 이 때 요 난이도 '하'(Easy)는 도6의 위쪽 3개 얼굴과 같이 양쪽 눈동자가 모두 완전히 보이는 경우이다. 요 난이도 '중'(Middle)은 도6의 중간 2개 얼굴과 같이, 한쪽 눈동자는 완전히 보이고 다른쪽 눈동자는 부분적으로 보이는 경우이고, 요 난이도 '상'(Hard)은 도6의 아래 2개 얼굴과 같이 한쪽 눈동자만 보이고 다른쪽 눈동자는 전혀 보이지 않는 경우를 각각 나타낸다.

이와 같이, 일 실시예에서 포즈 추정부(200)의 제2 딥러닝 알고리즘은, 전처리된 이미지에서 얼굴의 특징을 나타내는 특징 벡터를 이용하여 해당 이미지에 대한 요 난이도를 상, 중, 하로 분류할 수 있다.

한편 포즈 추정부(200)의 제2 딥러닝 알고리즘을 설계할 때 본 발명에 따른 포즈 추정을 효과적으로 하기 위한 학습 데이터를 구성하는 것이 중요하다. 예를 들어 동일 인물에 대한 얼굴의 회전 방향에 따른 얼굴 사진이 많이 없는 경우, 즉 예컨대 도7에 가운데 사진과 같이 특정 요 방향(90도 좌측을 보는 방향)의 얼굴만 있는 경우, 이 사진에 존재하는 얼굴을 기준으로 시계 방향과 반시계 방향으로 랜덤하게 회전시키고 얼굴 영역을 추출함으로써 얼굴의 회전이 상이한 다수의 학습 데이터를 생성할 수 있다. 그리고 이렇게 생성된 학습 데이터들은 처음 원본 사진(도7의 가운데 사진)과 동일한 요의 회전 방향 및 요의 난이도를 갖도록 설정하면 된다.

도8은 일 실시예에 따른 포즈 정규화부(300)에 의한 포즈 정규화 단계(S30)를 나타낸다. 도면을 참조하면, 포즈 정규화부(300)는 상기 얼굴의 회전 각도와 요의 회전 방향 및 상기 검출영역 정보에 기초하여, 원본 이미지로부터 포즈 정규화된 얼굴 이미지를 산출한다. 포즈 정규화 단계의 일 실시예에서, 우선 포즈 추정부(200)에서 산출된 얼굴의 회전 각도를 이용하여, 원본 이미지의 얼굴 영역의 얼굴의 회전 각도가 0도가 되도록 원본 이미지를 회전시킨다.

그 후 전처리부(100)에서 산출한 검출영역 정보에 기초하여 원본 이미지로부터 얼굴 영역을 추출하고, 포즈 추정부(200)에서 산출한 요 방향에 기초하여 얼굴이 정면이나 왼쪽을 바라보도록 이미지를 반전시킨다. 예컨대 정면을 바라보는 얼굴에 대해서는 이미지 반전을 하지 않고, 오른쪽을 바라보는 얼굴에 대해서는 왼쪽을 바라보도록 이미지를 반전시킬 수 있다. 정면 및 한쪽 측면의 얼굴 영상을 입력영상으로 사용하는 이유는 얼굴의 코를 중심으로 좌-우가 매우 유사한 형태를 가지고 있기 때문에, 얼굴 방향에 따른 변화를 최소화하기 위해서이다.

그 후 포즈 정규화에 의해 회전 및/또는 반전된 얼굴 영역을 기설정된 크기의 이미지로 변환하고 색상분포도 정규화할 수 있다.

한편 위의 설명에서 검출영역 정보에 기초하여 원본 이미지에서 얼굴 영역을 추출한 후 요 방향에 따른 반전을 수행하는 것을 설명하였지만, 대안적 실시예에서, 요 방향에 따른 이미지 반전 작업을 먼저 수행한 후 검출영역 정보에 기초하여 얼굴 영역을 추출할 수도 있다. 또한 대안적 실시예에서, 요 방향에 기초한 반전 작업시 얼굴이 정면이나 오른쪽을 바라보도록 필요에 따라 이미지를 반전할 수도 있다.

도9는 일 실시예에 따른 얼굴 인식부(400)에 의한 얼굴 인식 단계(S40)를 나타낸다. 도면을 참조하면, 단계(S40)에서 얼굴 인식부(400)는 포즈 정규화된 이미지에서 얼굴의 특징 벡터를 추출하고 이 추출된 특징 벡터를 데이터베이스(530)에 기저장된 얼굴 이미지들과 비교하여 얼굴을 식별할 수 있다.

일 실시예에서 얼굴 인식부(400)는 제3 딥러닝 알고리즘을 이용한다. 제3 딥러닝 알고리즘은 특징 추출용 딥러닝 알고리즘(410), 완전연결(FC) 레이어(420), 및 얼굴 인식용 알고리즘(430)으로 구성될 수 있다.

특징 추출용 딥러닝 알고리즘은 포즈 정규화된 이미지에서 얼굴의 특징 벡터를 추출하는 알고리즘일 수 있다. 일 실시예에서 특징 추출용 딥러닝 알고리즘은 하나 이상의 컨벌루션 레이어, 하나 이상의 활성 함수, 및 하나 이상의 풀링 레이어를 포함할 수 있다. 여기서 '특징 벡터'는 얼굴의 특징(feature) 값들의 집합이다. 얼굴의 특징은 예를 들어 눈동자의 위치, 눈동자간 거리, 눈의 형태, 코의 위치 및/또는 높이, 입술의 위치, 입술의 길이, 인중의 위치, 귀의 위치, 양쪽 귀의 거리 등과 같이 얼굴을 다른 얼굴과 구별하는 성분들 중에서 선택될 수 있다.

FC 레이어(420)는 특징추출용 딥러닝 알고리즘(410)에서 추출된 특징 벡터에 요 난이도에 따른 서로 다른 가중치를 부가하기 위한 계층(레이어)이다. 도시한 실시예에서 FC 레이어(420)는 요 난이도의 하, 중, 상에 따라 각기 서로 상이한 제1 내지 제3 가중치를 각각 부가하는 제1 FC 레이어(421), 제2 FC 레이어(422), 및 제3 FC 레이어(423)를 포함한다.

이러한 구성에 따라, 예를 들어 포즈 정규화된 이미지의 요 난이도가 '하'인 경우, 특징 추출 알고리즘(410)에서 추출된 특징 벡터는 제1 FC 레이어(421)에 입력된다. 다른 예로서, 포즈 정규화된 이미지의 요 난이도가 '중'인 경우 특징 벡터는 제2 FC 레이어(422)에 입력되고, 요 난이도가 '상'인 경우 특징 벡터가 제3 FC 레이어(423)에 입력됨을 이해할 것이다.

제1 내지 제3 FC 레이어(421,422,423)의 각각은 서로 다른 가중치를 특징 벡터에 부가하도록 구성된다. 바람직한 일 실시예에서, 특징 추출용 알고리즘(410)에서 추출된 특징 벡터의 적어도 하나의 특징 성분에 대해, 이 특징 성분이 제1 내지 제3 FC 레이어(421,422,423)에서 각각 처리되면 요 난이도에 상관없는 소정 벡터 공간의 동일한 특징 값으로 매핑(mapping) 되도록, 제1 내지 제3 가중치가 각각 설정되어 있다.

이와 같이 본 발명의 일 실시예에 따른 얼굴 인식부(400)의 제3 딥러닝 알고리즘이 요 난이도에 따라 서로 다른 가중치를 특징 벡터에 부가하는 FC 레이어(420)를 포함하고, 이 FC 레이어(420)가 동일한 사람의 요 방향이 서로 상이한 복수의 포즈 정규화된 얼굴에 대해 특징 벡터의 적어도 일부 특징 성분을 요 난이도에 상관없는 소정 벡터 공간의 동일한 특징 값으로 매핑하도록 구성됨으로써, 원본 이미지에서 검출된 얼굴이 다양한 포즈를 가지고 있더라도 FC 레이어(420)를 통과하면서 포즈 변화에 강인한 특징 값을 추출할 수 있게 된다.

얼굴 인식용 알고리즘(430)은 FC 레이어(420)에서 출력되는 특징 벡터와 데이터베이스(530)에 저장된 데이터를 비교하여 원본 이미지의 얼굴이 누구인지 인식(식별)하는 알고리즘으로, 얼굴 인식을 위한 분류 신경망으로 구성될 수 있다. 일 실시예에서 얼굴 인식용 딥러닝 알고리즘(430)은 일반적인 인공신경망 알고리즘과 동일 또는 유사하게 입력층, 2개 이상의 은닉층, 및 출력층으로 구현될 수 있다.

일 실시예에서 얼굴인식용 알고리즘(430)은 예를 들어 인공 신경망, 코사인 유사도(Cosine Similarity), 서포트 벡터 머신(SVM: Support Vector Machine), 최근접 이웃 규칙(Nearest Neighbors) 등의 기계학습 기반의 유사도 측정 방법들을 이용하여 포즈 변화에 강인한 얼굴 인식을 수행할 수 있다.

도10은 일 실시예에 따른 얼굴 인식 방법을 수행하는 예시적인 시스템 구성을 설명하기 위한 블록도이다. 도면을 참조하면, 일 실시예에 따른 얼굴 인식 시스템(500)은 도1 내지 도9를 참조하여 설명한 얼굴 인식 방법을 실행할 수 있는 임의의 단말 장치나 서버일 수 있고, 도시한 것처럼 프로세서(510), 메모리(520), 및 데이터베이스(530), 및 저장장치(540)를 포함할 수 있다.

데이터베이스(530)는 얼굴 인식을 위해 미리 저장한 얼굴 이미지들에 관한 데이터를 저장할 수 있다. 일 실시예에서 데이터베이스(530)는 각 얼굴 이미지의 특징 벡터에 관한 정보를 저장할 수 있다.

저장장치(540)는 하드 디스크 드라이브 또는 플래시 메모리 등과 같이 데이터를 반영구적으로 저장할 수 있는 저장매체로서, 상술한 제1 내지 제3 딥러닝 알고리즘 등의 각종 알고리즘과 데이터들 중 하나 이상을 저장할 수 있다. 예를 들어 저장장치(540)는 전처리부(100)가 전처리 동작을 수행하기 위한 전처리 알고리즘(541), 포즈 추정부(200)가 포즈 추정 동작을 수행하기 위한 포즈 추정 알고리즘(542), 포즈 정규화부(300)가 포즈 정규화 동작을 수행하기 위한 포즈 정규화 알고리즘(543), 및 얼굴 인식부(400)가 얼굴 인식 동작을 수행하기 위한 얼굴 인식 알고리즘(544), 그리고 그 외의 여러 소프트웨어나 프로그램을 저장할 수 있다. 이 때 전처리 알고리즘(541)은 상술한 제1 딥러닝 알고리즘을 포함할 수 있고, 포즈 추정 알고리즘(542)은 상술한 제2 딥러닝 알고리즘을 포함하고, 얼굴 인식 알고리즘(544)은 특징 추출용 딥러닝 알고리즘(410), FC 레이어(420), 및 얼굴 인식용 알고리즘(430)을 포함할 수 있음을 이해할 것이다.

이 구성에서 이러한 각종 프로그램이나 알고리즘이 저장장치(540)에 저장되어 있다가 프로세서(510)의 제어 하에 메모리(520)에 로딩되어 실행될 수 있다. 대안적으로, 일부 프로그램이나 알고리즘은 얼굴 인식 시스템(500)과는 별도로 존재하는 외부 장치나 서버에 존재할 수 있고, 시스템(500)에서 데이터나 변수를 해당 외부 장치나 서버로 전송하면 이 외부 장치나 서버가 프로그램 또는 알고리즘을 실행한 뒤 그 결과 데이터를 시스템(500)에 전달할 수도 있다.

상기와 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되지 않는다. 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 상술한 기재로부터 다양한 수정 및 변형이 가능함을 이해할 것이다. 그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

100: 전처리부
200: 포즈 추정부
300: 포즈 정규화부
400: 얼굴 인식부

Claims

컴퓨터를 이용한 얼굴 인식 방법으로서,
(a) 제1 딥러닝 알고리즘을 이용하여 원본 이미지에서 얼굴 영역을 검출하고 검출된 얼굴 영역의 좌표를 포함하는 검출영역 정보를 산출하는 단계;
(b) 제2 딥러닝 알고리즘을 이용하여, 검출된 얼굴 영역에서 얼굴 포즈에 관한 포즈 정보를 산출하는 단계;
(c) 상기 포즈 정보 중 적어도 일부 및 상기 검출영역 정보에 기초하여, 상기 원본 이미지로부터 포즈 정규화된 얼굴 이미지를 산출하는 단계; 및
(d) 제3 딥러닝 알고리즘을 이용하여, 상기 포즈 정규화된 얼굴 이미지를 데이터베이스에 기저장된 얼굴 이미지와 비교하여 얼굴을 인식하는 단계;를 포함하고,
상기 포즈 정보는 검출된 얼굴 포즈의 얼굴의 회전 각도, 요(yaw) 방향, 및 상기 요 방향에 따른 요(yaw) 난이도에 관한 정보를 포함하고,
상기 제3 딥러닝 알고리즘은,
상기 포즈 정규화된 얼굴 이미지에서 특징 벡터를 추출하는 특징 추출 알고리즘(410);
추출된 상기 특징 벡터에 요 난이도에 따른 서로 다른 가중치를 부가하는 복수개의 완전연결(FC) 레이어(420); 및
상기 FC 레이어(420)에서 출력된 특징 벡터를 데이터베이스에 기저장된 얼굴 이미지와 비교하여 얼굴을 인식하는 얼굴인식 알고리즘;을 포함하며,
상기 제3 딥러닝 알고리즘의 각각의 상기 FC레이어는, 동일한 사람의 요 방향이 서로 상이한 복수의 포즈 정규화된 얼굴에 대해, 상기 특징 벡터의 적어도 일부 특징 성분을 요 난이도에 상관없는 소정 벡터 공간의 동일한 특징 값으로 매핑(mapping) 하도록 구성된 것을 특징으로 하는 얼굴 인식 방법.
삭제
삭제
제 1 항에 있어서,
상기 얼굴의 회전 각도는 -90도 내지 +90도 범위내의 값을 가지며,
상기 요 방향은 좌측, 정면, 및 우측 중 하나를 나타내는 값을 가지며,
상기 요 난이도는 검출된 얼굴 포즈에서 (i) 양쪽 눈동자가 보이는 경우, (ii) 한쪽 눈동자는 보이고 다른쪽 눈동자가 부분적으로 보이는 경우, 및 (iii) 한쪽 눈동자만 보이는 경우를 각각 난이도 하, 중, 상으로 나타내도록 설정된 것을 특징으로 하는 얼굴 인식 방법.
제 1 항에 있어서,
상기 포즈 정규화된 얼굴 이미지를 산출하는 (c) 단계가, 상기 얼굴의 회전 각도와 요 방향 및 상기 검출영역 정보에 기초하여, 상기 포즈 정규화된 얼굴 이미지를 산출하는 것을 특징으로 하는 얼굴 인식 방법.
삭제
제 1 항에 있어서,
상기 특징 추출 알고리즘(410)은 하나 이상의 컨벌루션 레이어, 하나 이상의 활성 함수, 및 하나 이상의 풀링 레이어를 포함하는 것을 특징으로 하는 얼굴 인식 방법.
제 1 항에 있어서, 상기 FC 레이어(420)가, 요 난이도의 하, 중, 상에 따라 각기 서로 상이한 제1 내지 제3 가중치를 각각 부가하는 제1 FC 레이어(421), 제2 FC 레이어(422), 및 제3 FC 레이어(423)를 포함하는 것을 특징으로 하는 얼굴 인식 방법.
제 8 항에 있어서,
상기 요 난이도가 하인 경우 상기 특징 추출 알고리즘(410)에서 추출된 특징 벡터가 제1 FC 레이어(421)에 입력되고, 요 난이도가 중인 경우 특징 벡터가 제2 FC 레이어(422)에 입력되고, 요 난이도가 상인 경우 특징 벡터가 제3 FC 레이어(423)에 입력되도록 구성된 것을 특징으로 하는 얼굴 인식 방법.
제 9 항에 있어서,
상기 특징 추출 알고리즘에서 추출된 특징 벡터의 적어도 하나의 특징 성분에 대해, 이 특징 성분이 제1 내지 제3 FC 레이어(421,422,423)에서 각각 처리되면 요 난이도에 상관없는 소정 벡터 공간의 동일한 특징 값으로 매핑되도록 상기 제1 내지 제3 가중치가 각각 설정된 것을 특징으로 하는 얼굴 인식 방법.
제1항, 제4항 내지 제5항, 및 제7항 내지 제10항 중 어느 한 항에 기재된 얼굴 인식 방법을 컴퓨터에서 실행시키기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체.