KR102154953B1 - 반지 치수 자동 측정 장치 및 방법 - Google Patents

반지 치수 자동 측정 장치 및 방법 Download PDF

Info

Publication number
KR102154953B1
KR102154953B1 KR1020200039278A KR20200039278A KR102154953B1 KR 102154953 B1 KR102154953 B1 KR 102154953B1 KR 1020200039278 A KR1020200039278 A KR 1020200039278A KR 20200039278 A KR20200039278 A KR 20200039278A KR 102154953 B1 KR102154953 B1 KR 102154953B1
Authority
KR
South Korea
Prior art keywords
finger
image
model
ring
circumference
Prior art date
Application number
KR1020200039278A
Other languages
English (en)
Inventor
김은정
Original Assignee
김은정
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 김은정 filed Critical 김은정
Priority to KR1020200039278A priority Critical patent/KR102154953B1/ko
Application granted granted Critical
Publication of KR102154953B1 publication Critical patent/KR102154953B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/08—Measuring arrangements characterised by the use of optical techniques for measuring diameters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/022—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by means of tv-camera scanning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06K9/6267—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

본 발명은 딥러닝 기반의 Mask R-CNN 프레임워크를 이용하여 손가락 사진을 분석 후 반지를 낄 손가락 이미지를 추출하며, 해당 추출된 손가락 이미지의 손가락 둘레 길이를 기 학습된 모델을 기반으로 자동 판정함으로써, 일관성 있고 신뢰할 수 있는 반지 치수를 신속히 산출할 수 있도록 하는 반지 치수 자동 측정 장치 및 방법에 관한 것이다.

Description

반지 치수 자동 측정 장치 및 방법{APPARUTUS AND METHOD FOR AUTOMATICALLY DETERMINING RING SIZE}
본 발명은 반지 치수 자동 측정 장치 및 방법에 관한 것으로서, 보다 구체적으로는, 딥러닝 기반의 Mask R-CNN 프레임워크를 이용하여 손가락 사진을 분석 후 반지를 낄 손가락 이미지를 추출하며, 해당 추출된 손가락 이미지의 손가락 둘레 길이를 기 학습된 모델을 기반으로 자동 판정함으로써, 일관성 있고 신뢰할 수 있는 반지 치수를 신속히 산출할 수 있도록 하는 반지 치수 자동 측정 장치 및 방법에 관한 것이다.
종래에 반지 치수를 결정할 때에는 도 1 및 아래 표1에 나타난 링게이지에 구비된 각호별로 제작된 각각의 내경 크기를 가지는 다수 개의 링을 이용하여 반지를 착용하고자 하는 사람의 손가락 외경 크기를 순차적으로 끼워 반지의 내경을 결정하였다.[표1]
Figure 112020033699129-pat00001
그러나, 이러한 링게이지는 일반인들이 구매하여 가지고 있는 것은 현실적으로 어렵다.
또한, 일반인들이 반지의 치수를 측정하기 위하여 사용하는 방법으로는 실이나 적당한 너비의 종이를 손가락에 감아서 손가락의 둘레 길이를 재서 반지의 치수를 재는 방법이 있다.
그러나, 이 경우에도 실이나 종이를 이용하여 손가락의 둘레 길이를 재는 것이 용이하지가 않고 측정하는 사람마다 차이가 있어서 일관성있고 신뢰성있는 측정이 어려운 문제점이 있다.
따라서, 많은 사람들이 소지하고 있는 스마트폰의 카메라 기능을 이용하여 손가락을 촬영하여 반지의 치수를 자동으로 측정할 수 있는 기술이 요구된다.
한국등록특허 10-2069278호
본 발명은 상술된 문제점을 해결하기 위해 도출된 것으로서, 딥러닝 기반의 Mask R-CNN 프레임워크를 이용하여 손가락 사진을 분석 후 반지를 낄 손가락 이미지를 추출하며, 해당 추출된 손가락 이미지의 손가락 둘레 길이를 기 학습된 모델을 기반으로 자동 판정함으로써, 일관성 있고 신뢰할 수 있는 반지 치수를 신속히 산출할 수 있도록 하는 반지 치수 자동 측정 장치 및 방법을 제공하고자 한다.
본 발명의 일측면에 의하면, 손가락의 상부, 측부, 하부를 촬영한 다수의 손가락 촬영 이미지로부터 손가락 부위별 세분화한 데이터를 학습하고, 손가락 촬영 이미지에 대한 제3 마디 손가락별 손가락 둘레 길이 라벨링 데이터를 기준치와 비교한 결과를 토대로 제3 마디 손가락 둘레 길이 라벨링 데이터를 검수 및 리라벨링하며, 다수의 제3 마디 손가락 부위 촬영 이미지의 손가락 둘레 길이를 판단한 데이터를 학습하여 모델을 생성하는 모델 생성부; 상기 모델 생성부를 통해 생성된 모델을 토대로, 사용자 단말로부터 획득되는 손가락 촬영 이미지를 보정 처리하는 이미지 전처리부; 보정 처리된 상기 손가락 촬영 이미지를 상기 모델 생성부를 통해 생성된 모델을 토대로 손가락 부위별로 파악 및 세분화하는 반지 손가락 파악부; 상기 손가락 촬영 이미지 중에서, 반지를 착용할 제3 마디 손가락 부위에 대한 이미지를 추출하는 제3 마디 손가락 이미지 추출부; 및 추출된 제3 마디 손가락 부위 이미지와 상기 모델 생성부를 통해 생성된 모델을 토대로, 해당 제3마디 손가락 둘레 길이를 기 설정된 상태에 따라 판별하는 손가락 둘레 길이 판별부를 포함하는 반지 치수 자동 측정 장치가 제공된다.
상기 이미지 전처리부는, 상기 손가락 촬영 이미지의 회전 및 반전처리를 통해 이미지를 확장(augmentation)하는 보정 처리, 또는 상기 손가락 촬영 이미지 상의 빛 반사를 제거하는 보정 처리를 수행할 수 있다.
상기 반지 손가락 파악부는 Mask R-CNN 프레임워크를 이용하여 상기 손가락 촬영 이미지 상에서 제1 마디, 제2 마디, 제3 마디, 손바닥 및 손등에 대한 손가락 부위를 파악 및 세분화할 수 있다.
상기 손가락 둘레 길이 판별부는 CNN 프레임워크의 InceptionV4 네트워크 구조를 이용하여 상기 제3 마디 손가락 둘레 길이가 반지치수 중 어느 하나의 상태에 해당하는지 여부를 판별할 수 있다.
상기 반지 손가락 파악부는, 상기 Mask R-CNN 프레임워크를 이용하여 상기 제1 마디, 제2 마디, 제3 마디, 손바닥 및 손등에 대한 영역을 마스킹하되, 서로 인접한 영역의 경계를 커버하도록 각 영역의 외곽라인보다 넓은 영역을 마스킹할 수 있다.
상기 반지 치수 자동 측정 장치는 상기 제3 마디 손가락 이미지에 대한 손가락 둘레 길이를 토대로, 반지치수 자동 측정 결과를 산출하여 이를 상기 사용자 단말로 제공하는 반지치수 측정 결과 제공부를 더 포함할 수 있다.
본 발명의 다른 측면에 의하면. 모델 생성부에서, 손가락의 상부, 측부, 하부를 촬영한 다수의 손가락 촬영 이미지로부터 손가락 부위 별 세분화한 데이터를 학습하고, 손가락 촬영 이미지에 대한 제3 마디 손가락별 손가락 둘레 길이 라벨링 데이터를 기준치와 비교한 결과를 토대로 제3 마디 손가락 둘레 길이 라벨링 데이터를 검수 및 리라벨링하며, 다수의 제3 마디 손가락 부위 촬영 이미지의 손가락 둘레 길이를 판단한 데이터를 학습하여 모델을 생성하는 단계; 이미지 전처리부에서, 상기 모델 생성부를 통해 생성된 모델을 토대로 사용자 단말로부터 획득되는 손가락 촬영 이미지를 보정 처리하는 단계; 반지 손가락 파악부에서, 보정 처리된 상기 손가락 촬영 이미지를 상기 모델 생성부를 통해 생성된 모델을 토대로 손가락 부위 별로 파악 및 세분화하는 단계; 제3 마디 손가락 이미지 추출부에서, 상기 손가락 촬영 이미지 중에서 반지를 착용할 제3 마디 손가락 부위에 대한 이미지를 추출하는 단계; 및 손가락 둘레 길이 판별부에서, 추출된 제3 마디 손가락 이미지와 상기 모델 생성부를 통해 생성된 모델을 토대로 해당 제3 마디 손가락 부위의 손가락 둘레 길이를 기 설정된 상태에 따라 판별하는 단계를 포함하는 반지 치수 자동 측정 방법이 제공된다.
상기 반지 치수 자동 측정 방법은 반지치수 측정 결과 제공부에서, 상기 제3 마디 손가락 이미지에 대한 손가락 둘레 길이를 토대로 반지치수 자동 측정 결과를 산출하여 이를 상기 사용자 단말로 제공하는 단계를 포함할 수 있다.
본 발명에 의하면, 반지를 구매하고자 하는 사람이 직접 자신이 촬영한 자신의 손가락 이미지를 토대로 일관성 있고 신뢰할 수 있는 반지 치수를 신속히 획득할 수 있는 이점을 가진다.
또한 본 발명의 일 측면에 따르면, 수만장 이상의 손가락 이미지를 토대로 학습된 딥러닝 모델을 기반으로 손가락 둘레 길이 판별 결과를 신속히 도출할 수 있는 이점을 가진다.
또한 본 발명의 일 측면에 따르면, 측정자의 판단에 따라 손가락의 손가락 둘레 길이를 결정하는 과정을 수행하지 않아도 된다. 이에 따라, 측정자별로 손가락 둘레 길이를 판단하는 기준이 정형화되어 있지 않고 주관적 판단이 개입되기 때문에, 비슷한 손가락 둘레 길이임에도 불구하고 반지 치수가 크게 달라지는 경우를 효과적으로 방지할 수 있는 이점을 가진다.
도 1은 종래의 링게이지를 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 반지 치수 자동 측정 장치의 구성을 개략적으로 도시한 도면이다.
도 3은 본 발명의 일실시예에 따른 손가락 상부를 촬영한 이미지이다.
도 4는 본 발명의 일실시예에 따른 손가락 측부를 촬영한 이미지이다.
도 5는 본 발명의 일실시예에 따른 손가락 하부를 촬영한 이미지이다.
도 6은 본 발명의 일실시예에 따른 손가락 둘레 길이와 반지호수를 보여주는 도면이다.
도 7은 본 발명의 다른 실시예에 따른 반지 치수 자동 측정 장치의 구성을 개략적으로 도시한 도면이다.
도 8은 도 1에 도시된 반지 치수 자동 측정 장치를 통해 손가락 부위별 손가락 둘레 길이를 자동으로 판정하기 위한 방법을 일련의 순서대로 도시한 도면이다.
도 9는 도 7에 도시된 반지 치수 자동 측정 장치를 통해 손가락 부위별 손가락 둘레 길이를 자동으로 판정하기 위한 다른 방법을 일련의 순서대로 도시한 도면이다.
이하, 본 발명의 이해를 돕기 위하여 바람직한 실시예를 제시한다. 그러나 하기의 실시예는 본 발명을 보다 쉽게 이해하기 위하여 제공되는 것일 뿐, 실시예에 의해 본 발명의 내용이 한정되는 것은 아니다.
도 2는 본 발명의 일 실시예에 따른 반지 치수 자동 측정 장치의 구성을 개략적으로 도시한 도면이고, 도 3은 본 발명의 일실시예에 따른 손가락 상부를 촬영한 이미지이고, 도 4는 본 발명의 일실시예에 따른 손가락 측부를 촬영한 이미지이고, 도 5는 본 발명의 일실시예에 따른 손가락 하부를 촬영한 이미지이고, 도 6은 본 발명의 일실시예에 따른 손가락 둘레 길이와 반지호수를 보여주는 도면이다.
도 2 내지 도 6을 참조하면, 본 발명의 일 실시예에 따른 반지 치수 자동 측정 장치(100)는 모델 생성부(110), 이미지 전처리부(120), 반지 손가락 파악부(130), 제3 마디 손가락 이미지 추출부(140) 및 손가락 둘레 길이 판별부(150)를 포함하여 구성될 수 있다.
모델 생성부(110)는 손가락의 상부, 측부, 하부를 촬영한 다수의 손가락 촬영 이미지로부터 손가락 부위 별 세분화한 데이터를 학습하고, 손가락 촬영 이미지에 대한 제3 마디 손가락별 손가락 둘레 길이 라벨링 데이터를 기준치와 비교한 결과를 토대로 제3 마디 손가락 둘레 길이 라벨링 데이터를 검수 및 리라벨링하며, 다수의 제3 마디 손가락 부위 촬영 이미지의 손가락 둘레 길이를 판단한 데이터를 학습하여 모델을 생성하는 역할을 한다.
보다 구체적으로, 모델 생성부(110)는 다수의 손가락 촬영 이미지 중에서 일부의 손가락 촬영 이미지를 선택한 데이터를 학습하여 제1 모델을 생성하는 역할을 한다.
모델 생성부(110)는 손가락 촬영시 손가락의 상부, 측부, 하부를 촬영한 다수(예컨대, 5만장 이상)의 손가락 촬영 이미지에 대하여 다수의 손가락 촬영 이미지(예컨대, 30장~40장의 손가락 촬영 이미지) 중에서 초점이 흐트러진 손가락 촬영 이미지를 제거함으로써 대략 10% 정도(예컨대, 3장~4장)의 손가락 촬영 이미지를 선택한 데이터를 반복 학습함으로써 제1 모델을 생성하게 된다. 이는 추후 사용자 단말을 통해 촬영된 다수의 촬영 이미지 중에서 손가락 유형 및 손가락 둘레 길이를 판단하기에 적합한 이미지를 선택함에 있어 적용될 수 있다.
모델 생성부(110)는 다수의 손가락 촬영 이미지를 이용하여 각 손가락 부위별로 파악 및 세분화한 데이터를 학습하여 제2 모델을 생성할 수 있다.
모델 생성부(110)는 Mask R-CNN 프레임워크를 이용하여 다수의 손가락 촬영 이미지 상에서 제1 마디, 제2 마디, 제3 마디, 손바닥 및 손등에 대한 손가락 부위를 파악 및 세분화한 데이터를 학습할 수 있다. 여기에서 제1 마디는 손가락 끝쪽 마디를 의미하며, 제3 마디는 손바닥쪽의 손가락 마디를 의미한다.
예컨대, 손가락의 정면부, 측면부, 후면부 등을 무작위로 촬영한 다수(예컨대, 수만장)의 손가락 촬영 이미지들 각각을 Mask R-CNN 프레임워크를 통해 제1제1 마디, 제2 마디, 제3 마디, 손바닥, 손등 등 각 손가락 부위 별로 서로 상이한 색상으로 마스킹한 후, 마스킹된 영역을 기초로 제1 마디, 제2 마디, 제3 마디, 손바닥, 손등 등 각 손가락 부위 별 위치 및 종류를 학습하게 된다.
이때 마스킹 영역은 제1 마디, 제2 마디, 제3 마디, 손바닥, 손등 등 각 손가락 부위 별 크기에 정확히 일치하는 것이 아닌, 각 손가락 부위 별 크기 보다 넓은 면적(예컨대, 110%)을 마스킹하게 된다. 따라서, 손가락 부위와 손가락 부위가 서로 접하거나 연결되는 부분의 경계를 커버하도록 마스킹함으로써, 서로 인접하거나 연결되는 경계 부분에 대해서도 인식하도록 한다.
또한, Mask R-CNN 프레임워크를 통해 파악되는 손가락 부위는 각 손가락 부위 종류 별로 적어도 수만장 이상의 샘플 이미지를 통해 기 학습된 손가락 부위를 토대로 마스킹이 이루어진다는 점에서, 학습된 손가락 부위 외에 다른 손가락 부위에 대해서는 검출되지 않는다.
한편, Mask R-CNN 프레임워크는 페이스북 사의 인공지능 연구소에서 개발된 프레임워크로써, 이를 이용하여 각 손가락 부위 별 서로 상이한 색상을 마스킹하여 손가락 부위 별 종류를 파악할 수 있다.
모델 생성부(110)는 손가락 촬영시 다수의 손가락 촬영 이미지에 대하여 보다 높은 신뢰도를 가진 손가락 둘레 길이 측정 결과를 획득할 수 있도록, 사용자에 의해 판단된 손가락 촬영 이미지의 손가락 부위별 손가락 둘레 길이 라벨링 데이터를 기준치와 비교하여 검수 및 리라벨링하는 제3 모델을 생성하는 역할을 한다.
여기에서, 리라벨링이라 함은 사용자에 의해 판단된 손가락 둘레 길이 라벨링 데이터가 사람의 실수에 완벽하지 않다고 가정하여 진행되는 과정을 의미하며, 제3 모델은 이러한 손가락 둘레 길이 라벨링 데이터를 검수하는 역할을 한다.
먼저, 모델 생성부(110)에서는 제3 마디 손가락 부위 촬영 이미지에 대하여 해당 이미지로 해당되는 것으로 추정되는 손가락 둘레 길이의 확률을 결과 데이터로써 출력하는 제3 모델을 생성한다.
이때, 모델 생성부(110)에서는 해당 제3 모델의 정확도를 높이기 위하여, 제3 모델에 손가락 부위 촬영 이미지를 입력함에 따라 출력되는 결과 데이터의 제3 마디 손가락 부위의 손가락 둘레 길이의 확률값이 임의의 확률값으로 정한 기준 확률값보다 높은지 낮은지 여부를 판단하게 된다.
만약, 손가락 촬영 이미지의 손가락 부위의 확률값이 기준 확률값보다 높을 경우에는, 앞서 생성된 제3 모델의 정확도가 높은 것으로 판단하게 된다. 이 경우에는 촬영 이미지에 대해 손가락 둘레 길이 라벨링 데이터를 유지하게 된다.
반대로, 특정 손가락 촬영 이미지의 손가락 부위 확률값이 기준 확률값보다 낮을 경우에는, 앞서 생성된 제3 모델의 정확도가 낮은 것으로 판단하게 된다. 이 경우에는 촬영 이미지에 대해 사용자가 부여한 손가락 둘레 길이 라벨링 데이터를 새로운 손가락 둘레 길이 라벨링 데이터로 수정하게 된다.
이러한 방식으로 모든 제3 마디 손가락 촬영 이미지에 대하여 리라벨링 과정을 수행함으로써, 제3 마디 손가락 촬영 이미지에 상응하는 반지 치수 판단률이 향상될 수 있고, 매 리라벨링 과정이 반복 수행될 때마다, 제3 모델의 성능이 계속해서 향상된다. 최종적으로 향상된 성능을 보이는 제3 모델은 후술되는 제4 모델의 학습에 적용될 수 있다.
모델 생성부(110)는 다수의 손가락 부위 촬영 이미지의 손가락 부위별 손가락 둘레 길이를 판단한 데이터를 학습하여 제4 모델을 생성하는 역할을 한다.
보다 구체적으로, 모델 생성부(110)는 다수(예컨대, 수만장)의 제 3마디 손가락 촬영 이미지를 토대로 제3 마디 손가락별 손가락 둘레 길이를 학습하여 제4 모델을 생성하게 된다. 이때, 모델 생성부(110)는 CNN 프레임워크의 Inception V4 네트워크 구조를 이용하여 해당 제3 마디 손가락의 손가락 둘레 길이가 반지의 치수 중 어느 하나에 해당하는지 여부를 판별하게 된다.
이때 Inception V4 네트워크 구조는 구글 사의 인공지능 연구소에서 개발된 것으로서, 이를 이용하여 제3 마디 손가락이 반지의 치수중 어느 하나에 해당하는지 여부를 학습할 수 있게 된다.
다음으로, 이미지 전처리부(120)는 상술한 모델 생성부(110)를 통해 생성된 모델을 기초로 하여, 사용자 단말을 통해 촬영된 손가락 촬영 이미지를 다양한 보정 처리함으로써, 후술되는 손가락 둘레 길이 판별부(150)를 통한 손가락 둘레 길이 판단 정확률 혹은 인식률을 높이는 역할을 한다.
이미지 전처리부(120)는 사용자 단말을 통해 촬영된 손가락 촬영 이미지를 회전 및 반전 처리함으로써 이미지를 후술되는 반지 손가락 파악부(130)에서 인식 가능한 임의의 크기로 확장(augmentation)하여 이미지 크기를 규격화 하게 된다. 또한, 빛 반사를 제거하는 보정 처리를 통해 손가락 촬영 이미지의 인식오류를 제거하여 정확도를 향상시키는 역할을 하게 된다.
반지 손가락 파악부(130)는 이미지 전처리부(120)를 통해 보정 처리된 손가락 촬영 이미지 상의 각 손가락 부위를 파악하기 위하여, 각 손가락 부위 별로 서로 다른 색상의 마스킹을 수행한 후 상술한 모델 생성부(110)를 통해 생성된 모델을 기초로 하여, 손가락 부위 별로 파악 및 세분화하게 된다.
반지 손가락 파악부(130)는 Mask R-CNN 프레임워크를 이용하여 손가락 촬영 이미지 상에서 제1 마디, 제2 마디, 제3 마디, 손바닥 및 손등 등에 대한 손가락 부위 위치를 파악 및 세분화하게 된다.
이때, Mask R-CNN 프레임워크를 통해 제1 마디, 제2 마디, 제3 마디, 손바닥, 손등 등 각 손가락 부위 별로 서로 상이한 색상이 마스킹되는데, 이때 마스킹 영역은 제1 마디, 제2 마디, 제3 마디, 손바닥, 손등 등 각 손가락 부위 별 크기에 정확히 일치하는 것이 아닌, 각 손가락 부위 별 크기 보다 넓은 면적(예컨대, 110%)을 마스킹하게 된다. 따라서, 손가락 부위와 손가락 부위가 서로 접하거나 연결되는 부분의 경계를 커버하도록 마스킹함으로써, 서로 인접하거나 연결되는 경계 부분에 대해서도 인식하도록 한다.
이때, Mask R-CNN 프레임워크를 통해 파악되는 손가락 부위는 각 손가락 부위 종류 별로 적어도 수만장 이상의 샘플 이미지를 통해 기 학습된 손가락 부위를 토대로 마스킹이 이루어진다는 점에서, 학습된 손가락 부위 외에 다른 손가락 부위에 대해서는 검출되지 않는다.
한편, Mask R-CNN 프레임워크는 페이스북 사의 인공지능 연구소에서 개발된 프레임워크로써, 이를 이용하여 각 손가락 부위 별 서로 상이한 색상을 마스킹하여 손가락 부위 별 종류를 파악할 수 있다.
제3 마디 손가락 이미지 추출부(140)는 반지 손가락 파악부(130)를 통해 손가락 부위 별 종류 및 위치가 파악된 손가락 촬영 이미지 상에서 반지가 착용될 제3 마디 손가락 부위에 대한 이미지를 추출하는 역할을 한다.
제3 마디 손가락 이미지 추출부(140)에서는 손가락 부위 검출부(120)에서 마스킹을 통해 획득된 손가락 부위에 대한 이미지 중에서 외곽라인을 기준으로 손가락 부위 외에 주변부(배경)를 모두 블랙처리함으로써 정확한 이미지를 추출하게 된다. 이를 통해, 후술되는 손가락 둘레 길이 판별부(150)에서의 손가락 둘레 길이 판단 시 판단 정확도가 상승하게 된다.
손가락 둘레 길이 판별부(150)는 상술한 모델 생성부(110)를 통해 생성된 모델을 기초로 하여 제3 마디 손가락 이미지 추출부(140)를 통해 추출된 제3 마디 손가락 이미지의 손가락 둘레 길이가 어느정도 인지를 판단하게 되는데, 이는 CNN 프레임워크의 Inception V4 네트워크 구조를 이용하여 해당 제3 마디 손가락의 둘레 길이가 반지 치수 중 어느 하나에 해당하는지 여부를 판별하게 된다.
예컨대, 손가락 둘레 길이 판별부(150)는 딥러닝 기반의 Inception V4 네트워크 구조(인셉션 V4 콘볼루션 신경망 구조)를 통해 수만장 이상의 샘플 손가락 이미지를 기초로 학습된 모형과 손가락 이미지를 서로 비교함으로써, 손가락 부위 이미지의 상태가 어느 반지 치수에 해당하는지를 자동으로 판별하게 된다.
이때 Inception V4 네트워크 구조는 구글 사의 인공지능 연구소에서 개발된 것으로서, 이를 이용하여 손가락 부위가 반지 치수 중 어느 하나에 해당하는지 여부를 판별할 수 있게 된다.
제3 마디 손가락의 손가락 둘레 길이와 반치치수는 도 6에 도시된 본 발명의 일실시예에 따른 손가락 둘레 길이와 반지호수의 데이터를 기반으로 결정될 수 있다.
또한, 이미지 전처리부(120), 반지 손가락 파악부(130), 제3 마디 손가락 이미지 추출부(140) 및 손가락 둘레 길이 판별부(150)는 텐서플로우(TensorFlow)에서 제공하는 모델서버(Model server)를 이용하여, 다수의 샘플 이미지를 통해 학습되는 모델의 학습 환경과 제3 마디 손가락 부위를 파악하고 제3 마디 손가락 이미지를 추출하며 손가락 둘레 길이를 판별하는 모델의 실행 환경을 독립적으로 구현함으로써, 학습 모델의 학습 결과가 실시간으로 실행 환경에 반영되도록 한다. 이때, 다수의 GPU를 통해 학습 모델의 학습 속도와 실행 모델의 실행 속도를 획기적으로 향상시킬 수 있다.
일 실시예에서, 이미지 전처리부(120)를 통해 획득된 손가락 촬영 이미지는 다수의 손가락 촬영 이미지 중에서 일부의 손가락 촬영 이미지를 선택한 데이터를 학습하여 얻어지는 모델을 토대로 구분될 수 있다.
예를 들어, 이때의 모델은 손가락 촬영시 손가락의 상부, 측부, 하부를 촬영한 다수(예컨대, 5만장 이상)의 손가락 촬영 이미지에 대하여 다수의 손가락 촬영 이미지(예컨대, 30장~40장의 손가락 촬영 이미지) 중에서 초점이 흐트러진 손가락 촬영 이미지를 제거함으로써 대략 10% 정도(예컨대, 3장~4장)의 손가락 촬영 이미지를 선택한 데이터를 반복 학습함으로써 제1 모델을 생성하게 된다. 이러한 모델은 사용자 단말을 통해 촬영된 다수의 촬영 이미지 중에서 손가락 유형 및 손가락 둘레 길이를 판단하기에 적합한 이미지를 선택함에 있어 적용될 수 있다.
한편, 일 실시예에서 본 발명은 사용자 단말로부터 손가락 촬영 이미지에 대하여 즉각적인 반지치수 자동 측정 결과를 사용자 단말로 다시 전송할 수 있는데, 이에 대해 살펴보면 다음과 같다.
도 7은 본 발명의 다른 실시예에 따른 반지 치수 자동 측정 장치의 구성을 개략적으로 도시한 도면이다.
도 7을 참조하면, 도 7은 도 1과 비교하였을 때 사용자 단말로부터 손가락 촬영 이미지를 획득하는 손가락 이미지 획득부(220)와, 제3 마디 손가락 이미지에 대한 손가락 둘레 길이를 토대로, 반지치수 자동 측정 결과를 산출하여 이를 사용자 단말로 다시 제공하는 반지치수 측정 결과 제공부(270)를 더 포함할 수 있다.
보다 구체적으로, 손가락 이미지 획득부(220)는 사용자 단말로부터 손가락 촬영 이미지를 획득함은 물론, 해당 손가락 촬영 이미지를 통한 반지치수 자동 측정 결과를 요청받는 역할을 한다.
이미지 전처리부(230), 반지 손가락 파악부(240), 제3 마디 손가락 이미지 추출부(250) 및 손가락 둘레 길이 판별부(260)는 도 1을 통해 살펴본 이미지 전처리부(120), 반지 손가락 파악부(130), 제3 마디 손가락 이미지 추출부(140) 및 손가락 둘레 길이 판별부(150)와 상응하므로 상세한 설명은 생략하기로 한다.
반지치수 측정 결과 제공부(270)는 손가락 둘레 길이 판별부(260)를 통해 판별된 손가락 둘레 길이를 수치적으로 산출 후 이를 토대로 반지치수 자동 측정 결과를 산출하여 이를 다시 사용자 단말로 제공하게 된다.
다음으로는, 도 8 및 도 9를 통해, 본 발명을 통해 손가락 부위별 손가락 둘레 길이를 자동으로 판정하기 위한 방법을 일련의 순서대로 살펴보기로 한다.
도 8은 도 1에 도시된 반지 치수 자동 측정 장치(100)를 통해 손가락 부위별 손가락 둘레 길이를 자동으로 판정하기 위한 방법을 일련의 순서대로 도시한 도면이다.
도 8을 참조하면, 모델 생성부에서는 손가락의 상부, 측부, 하부를 촬영한 다수의 손가락 촬영 이미지로부터 손가락 부위 별 세분화한 데이터를 학습하고, 손가락 촬영 이미지에 대한 제3마디 손가락별 손가락 둘레 길이 라벨링 데이터를 기준치와 비교한 결과를 토대로 제3 마디 손가락 둘레 길이 라벨링 데이터를 검수 및 리라벨링하며, 다수의 제3 마디 손가락 부위 촬영 이미지의 손가락 둘레 길이를 판단한 데이터를 학습하여 모델을 생성하게 된다(S11).
이미지 전처리부에서는 사용자 단말로부터 획득되는 손가락 촬영 이미지를 보정 처리하게 된다(S12). 이 단계에서는 손가락 촬영 이미지를 회전 및 반전 처리함으로써 이미지를 반지 손가락 파악부에서 인식 가능한 임의의 크기로 확장(augmentation)하여 이미지 크기를 규격화 하고, 빛 반사를 제거하는 보정 처리를 통해 손가락 촬영 이미지의 인식오류를 제거하여 정확도를 향상시키게 된다.
다음으로, 반지 손가락 파악부에서는 보정 처리된 손가락 촬영 이미지를 손가락 부위별로 파악 및 세분화하게 된다(S13). 이 단계에서는 Mask R-CNN 프레임워크를 이용하여 손가락 촬영 이미지 상에서 제1 마디, 제2 마디, 제3 마디, 손바닥 및 손등 등에 대한 손가락 부위 위치를 파악 및 세분화하게 된다.
다음으로, 제3 마디 손가락 이미지 추출부에서 손가락 촬영 이미지 중에서 반지를 착용할 제3 마디 손가락에 대한 이미지만을 추출하게 된다(S14). 이 단계에서는 손가락 부위 검출부에서 마스킹을 통해 획득된 손가락 부위에 대한 이미지 중에서 외곽라인을 기준으로 손가락 부위 외에 주변부(배경)를 모두 블랙처리함으로써 정확한 손가락 부위 이미지를 추출하게 된다.
다음으로, 손가락 둘레 길이 판별부에서는 추출된 제3 마디 손가락 이미지를 토대로 해당 제3 마디 손가락 둘레 길이를 자동 판별하게 된다(S15). 이 단계에서는 CNN 프레임워크의 Inception V4 네트워크 구조를 이용하여 해당 손가락 둘레길이가 반지치수 중 어느 하나에 해당하는지 여부를 판별하게 된다.
도 9는 도 7에 도시된 반지 치수 자동 측정 장치(200)를 통해 손가락 부위별 손가락 둘레 길이를 자동으로 판정하기 위한 다른 방법을 일련의 순서대로 도시한 도면이다.
도 9를 살펴보면, 먼저 모델 생성부에서는 손가락의 상부, 측부, 하부를 촬영한 다수의 손가락 촬영 이미지에서 손가락 부위 별 세분화한 데이터를 학습하고, 손가락 촬영 이미지에 대한 제3 마디 손가락별 손가락 둘레 길이 라벨링 데이터를 기준치와 비교한 결과를 토대로 제3마디 손가락 둘레 길이 라벨링 데이터를 검수 및 리라벨링하며, 다수의 제3 마디 손가락 부위 촬영 이미지의 손가락 둘레 길이를 판단한 데이터를 학습하여 모델을 생성하게 된다(S211).
다음으로, 손가락 이미지 획득부에서는 사용자 단말로부터 손가락 촬영 이미지를 획득함은 물론, 해당 손가락 촬영 이미지를 통한 반지치수 자동 측정 결과를 요청받는다(S22).
다음으로, 이미지 전처리부에서는 사용자 단말로부터 획득되는 손가락 촬영 이미지를 보정 처리하게 된다(S23). 이 단계에서는 손가락 촬영 이미지를 회전 및 반전 처리함으로써 이미지를 반지 손가락 파악부에서 인식 가능한 임의의 크기로 확장(augmentation)하여 이미지 크기를 규격화 하고, 빛 반사를 제거하는 보정 처리를 통해 손가락 촬영 이미지의 인식오류를 제거하여 정확도를 향상시키게 된다.
다음으로, 반지 손가락 파악부에서는 보정 처리된 손가락 촬영 이미지를 손가락 부위 별로 파악 및 세분화하게 된다(S24). 이 단계에서는 Mask R-CNN 프레임워크를 이용하여 손가락 촬영 이미지 상에서 제1 마디, 제2 마디, 제3 마디, 손바닥 및 손등 등에 대한 손가락 부위 위치를 파악 및 세분화하게 된다.
다음으로, 제3 마디 손가락 이미지 추출부에서 손가락 촬영 이미지 중에서 제3 마디 손가락 부위에 대한 이미지만을 추출하게 된다(S25). 이 단계에서는 손가락 부위 검출부에서 마스킹을 통해 획득된 손가락 부위에 대한 이미지 중에서 외곽라인을 기준으로 손가락 부위 외에 주변부(배경)를 모두 블랙처리함으로써 정확한 손가락 부위 이미지를 추출하게 된다.
다음으로, 손가락 둘레 길이 판별부에서는 추출된 제3 마디 손가락 이미지를 토대로 해당 손가락 부위의 손가락 둘레 길이를 판별하게 된다(S26). 이 단계에서는 CNN 프레임워크의 Inception V4 네트워크 구조를 이용하여 해당 손가락 둘레길이가 반지치수 중 어느 하나에 해당하는지 여부를 판별하게 된다.
다음으로, 반지치수 측정 결과 제공부에서는 제3 마디 손가락 이미지에 대한 손가락 둘레 길이를 토대로 반지치수 자동 측정 결과를 산출한 후 이를 사용자 단말로 제공하게 된다(S27).
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (8)

  1. 손가락의 상부, 측부, 하부를 촬영한 다수의 손가락 촬영 이미지로부터 손가락 부위별 세분화한 데이터를 학습하고, 손가락 촬영 이미지에 대한 제3 마디 손가락별 손가락 둘레 길이 라벨링 데이터를 기준치와 비교한 결과를 토대로 제3 마디 손가락 둘레 길이 라벨링 데이터를 검수 및 리라벨링하며, 다수의 제3 마디 손가락 부위 촬영 이미지의 손가락 둘레 길이를 판단한 데이터를 학습하여 모델을 생성하는 모델 생성부;
    상기 모델 생성부를 통해 생성된 모델을 토대로, 사용자 단말로부터 획득되는 손가락 촬영 이미지를 보정 처리하는 이미지 전처리부;
    보정 처리된 상기 손가락 촬영 이미지를 상기 모델 생성부를 통해 생성된 모델을 토대로 손가락 부위별로 파악 및 세분화하는 반지 손가락 파악부;
    상기 손가락 촬영 이미지 중에서, 반지를 착용할 제3 마디 손가락 부위에 대한 이미지를 추출하는 제3 마디 손가락 이미지 추출부; 및
    추출된 제3 마디 손가락 부위 이미지와 상기 모델 생성부를 통해 생성된 모델을 토대로, 해당 제3마디 손가락 둘레 길이를 기 설정된 상태에 따라 판별하는 손가락 둘레 길이 판별부를 포함하며,
    상기 모델 생성부는 제3 마디 손가락 부위 촬영 이미지에 대하여 해당 이미지로 해당되는 것으로 추정되는 손가락 둘레 길이의 확률을 결과 데이터로써 출력하는 모델을 생성하고,
    해당 모델에 손가락 부위 촬영 이미지를 입력함에 따라 출력되는 결과 데이터의 제3 마디 손가락 부위의 손가락 둘레 길이의 확률값이 임의의 확률값으로 정한 기준 확률값보다 높은지 낮은지 여부를 판단하고,
    손가락 촬영 이미지의 손가락 부위의 확률값이 기준 확률값보다 높을 경우에는, 앞서 생성된 모델의 정확도가 높은 것으로 판단하여 촬영 이미지에 대해 손가락 둘레 길이 라벨링 데이터를 유지하고,
    특정 손가락 촬영 이미지의 손가락 부위 확률값이 기준 확률값보다 낮을 경우에는, 앞서 생성된 모델의 정확도가 낮은 것으로 판단하여 촬영 이미지에 대해 사용자가 부여한 손가락 둘레 길이 라벨링 데이터를 새로운 손가락 둘레 길이 라벨링 데이터로 수정하여 모든 제3 마디 손가락 촬영 이미지에 대하여 리라벨링 과정을 수행하는 반지 치수 자동 측정 장치.
  2. 제1항에 있어서,
    상기 이미지 전처리부는,
    상기 손가락 촬영 이미지의 회전 및 반전처리를 통해 이미지를 확장(augmentation)하는 보정 처리, 또는 상기 손가락 촬영 이미지 상의 빛 반사를 제거하는 보정 처리를 수행하는 반지 치수 자동 측정 장치.
  3. 제1항에 있어서,
    상기 반지 손가락 파악부는 Mask R-CNN 프레임워크를 이용하여 상기 손가락 촬영 이미지 상에서 제1 마디, 제2 마디, 제3 마디, 손바닥 및 손등에 대한 손가락 부위를 파악 및 세분화하는 반지 치수 자동 측정 장치.
  4. 제1항에 있어서,
    상기 손가락 둘레 길이 판별부는 CNN 프레임워크의 InceptionV4 네트워크 구조를 이용하여 상기 제3 마디 손가락 둘레 길이가 반지치수 중 어느 하나의 상태에 해당하는지 여부를 판별하는 반지 치수 자동 측정 장치.
  5. 제3항에 있어서,
    상기 반지 손가락 파악부는,
    상기 Mask R-CNN 프레임워크를 이용하여 상기 제1 마디, 제2 마디, 제3 마디, 손바닥 및 손등에 대한 영역을 마스킹하되, 서로 인접한 영역의 경계를 커버하도록 각 영역의 외곽라인보다 넓은 영역을 마스킹하는 반지 치수 자동 측정 장치.
  6. 제1항에 있어서,
    상기 제3 마디 손가락 이미지에 대한 손가락 둘레 길이를 토대로, 반지치수 자동 측정 결과를 산출하여 이를 상기 사용자 단말로 제공하는 반지치수 측정 결과 제공부를 더 포함하는 반지 치수 자동 측정 장치.
  7. 모델 생성부에서, 손가락의 상부, 측부, 하부를 촬영한 다수의 손가락 촬영 이미지로부터 손가락 부위 별 세분화한 데이터를 학습하고, 손가락 촬영 이미지에 대한 제3 마디 손가락별 손가락 둘레 길이 라벨링 데이터를 기준치와 비교한 결과를 토대로 제3 마디 손가락 둘레 길이 라벨링 데이터를 검수 및 리라벨링하며, 다수의 제3 마디 손가락 부위 촬영 이미지의 손가락 둘레 길이를 판단한 데이터를 학습하여 모델을 생성하는 단계;
    이미지 전처리부에서, 상기 모델 생성부를 통해 생성된 모델을 토대로 사용자 단말로부터 획득되는 손가락 촬영 이미지를 보정 처리하는 단계;
    반지 손가락 파악부에서, 보정 처리된 상기 손가락 촬영 이미지를 상기 모델 생성부를 통해 생성된 모델을 토대로 손가락 부위 별로 파악 및 세분화하는 단계;
    제3 마디 손가락 이미지 추출부에서, 상기 손가락 촬영 이미지 중에서 반지를 착용할 제3 마디 손가락 부위에 대한 이미지를 추출하는 단계; 및
    손가락 둘레 길이 판별부에서, 추출된 제3 마디 손가락 이미지와 상기 모델 생성부를 통해 생성된 모델을 토대로 해당 제3 마디 손가락 부위의 손가락 둘레 길이를 기 설정된 상태에 따라 판별하는 단계를 포함하며,
    상기 모델을 생성하는 단계는,
    상기 모델 생성부에서 제3 마디 손가락 부위 촬영 이미지에 대하여 해당 이미지로 해당되는 것으로 추정되는 손가락 둘레 길이의 확률을 결과 데이터로써 출력하는 모델을 생성하고,
    해당 모델에 손가락 부위 촬영 이미지를 입력함에 따라 출력되는 결과 데이터의 제3 마디 손가락 부위의 손가락 둘레 길이의 확률값이 임의의 확률값으로 정한 기준 확률값보다 높은지 낮은지 여부를 판단하고,
    손가락 촬영 이미지의 손가락 부위의 확률값이 기준 확률값보다 높을 경우에는, 앞서 생성된 모델의 정확도가 높은 것으로 판단하여 촬영 이미지에 대해 손가락 둘레 길이 라벨링 데이터를 유지하고,
    특정 손가락 촬영 이미지의 손가락 부위 확률값이 기준 확률값보다 낮을 경우에는, 앞서 생성된 모델의 정확도가 낮은 것으로 판단하여 촬영 이미지에 대해 사용자가 부여한 손가락 둘레 길이 라벨링 데이터를 새로운 손가락 둘레 길이 라벨링 데이터로 수정하여 모든 제3 마디 손가락 촬영 이미지에 대하여 리라벨링 과정을 수행하는 반지 치수 자동 측정 방법.
  8. 제7항에 있어서,
    반지치수 측정 결과 제공부에서, 상기 제3 마디 손가락 이미지에 대한 손가락 둘레 길이를 토대로 반지치수 자동 측정 결과를 산출하여 이를 상기 사용자 단말로 제공하는 단계를 포함하는 반지 치수 자동 측정 방법.
KR1020200039278A 2020-03-31 2020-03-31 반지 치수 자동 측정 장치 및 방법 KR102154953B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200039278A KR102154953B1 (ko) 2020-03-31 2020-03-31 반지 치수 자동 측정 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200039278A KR102154953B1 (ko) 2020-03-31 2020-03-31 반지 치수 자동 측정 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102154953B1 true KR102154953B1 (ko) 2020-09-10

Family

ID=72469672

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200039278A KR102154953B1 (ko) 2020-03-31 2020-03-31 반지 치수 자동 측정 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102154953B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114562945A (zh) * 2022-02-28 2022-05-31 深圳市优美创新科技有限公司 利用手机相机拍摄手指得出戒指佩戴尺寸的方法及系统
KR102528442B1 (ko) 2023-02-27 2023-05-03 주식회사 더여운 손가락 치수 측정이 가능한 반지를 이용해 손가락 치수의 변동성이 큰 사용자에 대한 반지 사이즈 추천 서비스를 제공하는 서버, 시스템, 방법 및 프로그램
KR102528439B1 (ko) 2023-02-27 2023-05-03 주식회사 더여운 사이즈 조정 구조를 포함하는 반지를 이용한 반지 사이즈 추천 서비스를 제공하는 서버, 시스템, 방법 및 프로그램
EP4239600A1 (en) * 2022-03-04 2023-09-06 Perfect Mobile Corp. Systems and methods for contactless estimation of ring size
WO2024049199A1 (ko) * 2022-08-31 2024-03-07 주식회사 엘지에너지솔루션 학습 모델 기반의 치수 측정 장치 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101327939B1 (ko) * 2012-08-02 2013-11-13 한국기술교육대학교 산학협력단 손가락의 기하학적 특징에 대한 상대적인 비율 정보를 이용한 생체인식 시스템 및 그 방법
KR20190002344A (ko) * 2017-06-29 2019-01-08 가부시키가이샤 엠티지 상품 사이즈 판정 장치 및 상품 사이즈 판정 방법
KR102002024B1 (ko) * 2018-12-06 2019-07-22 주식회사 아임클라우드 객체 라벨링 처리 방법 및 객체 관리 서버
CN110648394A (zh) * 2019-09-19 2020-01-03 南京邮电大学 一种基于OpenGL和深度学习的三维人体建模方法
KR102069278B1 (ko) 2019-03-08 2020-03-02 주식회사 푸케앤코 반지 사이즈 측정장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101327939B1 (ko) * 2012-08-02 2013-11-13 한국기술교육대학교 산학협력단 손가락의 기하학적 특징에 대한 상대적인 비율 정보를 이용한 생체인식 시스템 및 그 방법
KR20190002344A (ko) * 2017-06-29 2019-01-08 가부시키가이샤 엠티지 상품 사이즈 판정 장치 및 상품 사이즈 판정 방법
KR102002024B1 (ko) * 2018-12-06 2019-07-22 주식회사 아임클라우드 객체 라벨링 처리 방법 및 객체 관리 서버
KR102069278B1 (ko) 2019-03-08 2020-03-02 주식회사 푸케앤코 반지 사이즈 측정장치
CN110648394A (zh) * 2019-09-19 2020-01-03 南京邮电大学 一种基于OpenGL和深度学习的三维人体建模方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114562945A (zh) * 2022-02-28 2022-05-31 深圳市优美创新科技有限公司 利用手机相机拍摄手指得出戒指佩戴尺寸的方法及系统
EP4239600A1 (en) * 2022-03-04 2023-09-06 Perfect Mobile Corp. Systems and methods for contactless estimation of ring size
WO2024049199A1 (ko) * 2022-08-31 2024-03-07 주식회사 엘지에너지솔루션 학습 모델 기반의 치수 측정 장치 및 방법
KR102528442B1 (ko) 2023-02-27 2023-05-03 주식회사 더여운 손가락 치수 측정이 가능한 반지를 이용해 손가락 치수의 변동성이 큰 사용자에 대한 반지 사이즈 추천 서비스를 제공하는 서버, 시스템, 방법 및 프로그램
KR102528439B1 (ko) 2023-02-27 2023-05-03 주식회사 더여운 사이즈 조정 구조를 포함하는 반지를 이용한 반지 사이즈 추천 서비스를 제공하는 서버, 시스템, 방법 및 프로그램

Similar Documents

Publication Publication Date Title
KR102154953B1 (ko) 반지 치수 자동 측정 장치 및 방법
Dashtbozorg et al. Retinal microaneurysms detection using local convergence index features
CN108898137B (zh) 一种基于深度神经网络的自然图像字符识别方法及系统
Chen et al. A multi-task convolutional neural network for joint iris detection and presentation attack detection
Sawant et al. Real time sign language recognition using pca
TWI469059B (zh) 用於產生及使用短長度虹膜碼之系統及方法
CN109086675A (zh) 一种基于光场成像技术的人脸识别及攻击检测方法及其装置
JP6688962B2 (ja) 判定装置、判定方法、および判定プログラム
WO2020195732A1 (ja) 画像処理装置、画像処理方法、およびプログラムが格納された記録媒体
JP2019200671A (ja) 学習装置、学習方法、プログラム、データ生成方法及び識別装置
CN110751069A (zh) 一种人脸活体检测方法及装置
WO2013122009A1 (ja) 信頼度取得装置、信頼度取得方法および信頼度取得プログラム
CN110956615A (zh) 图像质量评估模型训练方法、装置、电子设备及存储介质
KR102563550B1 (ko) 읽기 전용 프롬프트 학습 방법 및 장치
JP2020184331A (ja) ライブネス検査方法及び装置、顔認証方法及び装置
Sawant Sign language recognition system to aid deaf-dumb people using PCA
JP2010271861A (ja) オブジェクト識別装置及びオブジェクト識別方法
CN112633221A (zh) 一种人脸方向的检测方法及相关装置
CN111415339A (zh) 一种复杂纹理工业产品图像缺陷检测方法
KR20210051839A (ko) 모공정합을 통한 탈모상태 모니터링 장치 및 그 방법
JP2017058833A (ja) オブジェクト識別装置、オブジェクト識別方法及びプログラム
KR20210067606A (ko) 특징 생성 기술을 이용한 머신러닝 기반 결함 분류 장치 및 방법
JP6786015B1 (ja) 動作分析システムおよび動作分析プログラム
Wang et al. Contact-free and pose-invariant hand-biometric-based personal identification system using RGB and depth data
Tariq et al. Sign language localization: Learning to eliminate language dialects

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant