KR102282471B1 - 평균 얼굴 패치 및 메시 기반 나이 추정 시스템 및 방법 - Google Patents

평균 얼굴 패치 및 메시 기반 나이 추정 시스템 및 방법 Download PDF

Info

Publication number
KR102282471B1
KR102282471B1 KR1020140110960A KR20140110960A KR102282471B1 KR 102282471 B1 KR102282471 B1 KR 102282471B1 KR 1020140110960 A KR1020140110960 A KR 1020140110960A KR 20140110960 A KR20140110960 A KR 20140110960A KR 102282471 B1 KR102282471 B1 KR 102282471B1
Authority
KR
South Korea
Prior art keywords
face
age
patch
mesh
average
Prior art date
Application number
KR1020140110960A
Other languages
English (en)
Other versions
KR102282471B9 (ko
KR20160024309A (ko
Inventor
전승선
홍윤정
김대진
강봉남
신종주
Original Assignee
한화테크윈 주식회사
포항공과대학교 산학협력단
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 한화테크윈 주식회사, 포항공과대학교 산학협력단 filed Critical 한화테크윈 주식회사
Priority to KR1020140110960A priority Critical patent/KR102282471B1/ko
Publication of KR20160024309A publication Critical patent/KR20160024309A/ko
Application granted granted Critical
Publication of KR102282471B1 publication Critical patent/KR102282471B1/ko
Publication of KR102282471B9 publication Critical patent/KR102282471B9/ko

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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

본 발명에 따른 평균 얼굴 패치 및 메시 기반 나이 추정 시스템 및 방법에 의하면, 영상에 포함된 얼굴로부터 평균 얼굴 패치를 추출하고, 메시를 이용하여 추출한 특징 벡터를 계층적으로 구성된 분류 모델의 입력값으로 하여, 더 많고 정확한 나이 추정 정보를 획득함으로써, 영상에 포함된 얼굴의 방향성에 의존하지 않고, 종래의 나이 추정 기법에 비해 더 정확한 나이 추정이 가능하다.

Description

평균 얼굴 패치 및 메시 기반 나이 추정 시스템 및 방법 {System and method for estimating age using mesh and average face patch}
본 발명은 평균 얼굴 패치 및 메시 기반 나이 추정 시스템 및 방법에 관한 것으로, 구체적으로는 영상 및 사진에 포함된 얼굴로부터 나이를 추측할 수 있는 특징을 추출하고, 그 특징으로부터 나이를 추정하는 시스템 및 방법에 관한 것이다.
생물학적 발상 특징(Bio-Inspired Feature, 이하 BIF) 방법은 사진이나 영상속에 포함된 사람의 얼굴로부터, 각종 정보를 추출할 수 있는 방법이다.
기존의 BIF 방법은 각 사진이나 영상에 포함된 얼굴을 정규화하는 과정에서 얼굴 영역이 잘리거나(큰 얼굴의 경우), 불필요한 얼굴의 외각 영역이 많이 포함되어(작은 얼굴의 경우) 나이를 추정하는 데에 필요한 정보가 충분하지 못한 단점이 있었다.
또한, 기존의 정규화 및 격자별 표준편차를 이용한 나이 특징 추출 방법은 얼굴의 방향성을 충분히 고려하고 있지 않아 다양한 얼굴의 방향에 따른 나이 추정이 어려우며, 추출된 나이 특징을 한 개의 나이 분류 모델에 적용하므로, 다양한 노화의 진행 사항을 충분히 파악 및 분석하기 어렵다는 한계가 존재했다.
국내공개특허 2013-0072058호
본 발명이 이루고자 하는 기술적 과제는, 종래의 나이 추정 방법보다 더 다양한 나이 특징을 추출할 수 있고, 그로부터 더 정확한 나이 추정을 가능하게 하는 평균 얼굴 패치 및 메시 기반 나이 추정 시스템 및 방법을 제공하는 데에 있다.
상기 기술적 과제를 해결하기 위한 본 발명의 제1 실시 예에 따른 평균 얼굴 패치 및 메시 기반 나이 추정 시스템은 영상으로부터 검출된 얼굴의 경계선 및 특징점을 추출하는 특징점 추출부; 상기 경계선 및 특징점을 이용하여, 상기 얼굴의 정면의 모습을 반영한 평균 얼굴 패치와, 상기 얼굴의 고유한 특성을 반영하고 기설정된 크기에 맞게 상기 얼굴의 크기를 변경시킨 본 얼굴 패치를 산출하는 영상 정규화부; 상기 평균 얼굴 패치와 본 얼굴 패치로부터 상기 얼굴의 주름 특징을 추출하고, 상기 주름 특징으로부터 상기 얼굴의 굴곡 특징을 추출하는 나이 특징 추출부; 및 상기 굴곡 특징을 1차 분류 모델의 입력값으로 하여, 상기 얼굴의 소유자의 나이의 범위를 한정하고, 한정된 나이의 범위내에서 학습시킨 2차 분류 모델을 적용하여, 상기 얼굴의 소유자의 나이를 추정하는 계층적 나이 추정부를 포함한다.
상기 기술적 과제를 해결하기 위한 본 발명의 제2 실시 예에 따른 평균 얼굴 패치 및 메시 기반 나이 추정 방법은 영상으로부터 검출된 얼굴의 경계선 및 특징점을 추출하는 특징점 추출 단계; 상기 경계선 및 특징점을 이용하여, 상기 얼굴의 정면의 모습을 반영한 평균 얼굴 패치와, 상기 얼굴의 고유한 특성을 반영하고 기설정된 크기에 맞게 상기 얼굴의 크기를 변경시킨 본 얼굴 패치를 산출하는 영상 정규화 단계; 상기 평균 얼굴 패치와 본 얼굴 패치로부터 상기 얼굴의 주름 특징을 추출하고, 상기 주름 특징으로부터 상기 얼굴의 굴곡 특징을 추출하는 나이 특징 추출 단계; 및 상기 굴곡 특징을 1차 분류 모델의 입력값으로 하여, 상기 얼굴의 소유자의 나이의 범위를 한정하고, 한정된 나이의 범위내에서 학습시킨 2차 분류 모델을 적용하여, 상기 얼굴의 소유자의 나이를 추정하는 계층적 나이 추정 단계; 를 포함한다.
본 발명에 따른 평균 얼굴 패치 및 메시 기반 나이 추정 시스템 및 방법에 의하면, 종래 나이 추정 시스템 및 방법에 비해 영상에 포함된 얼굴로부터 더 폭넓은 나이 특징을 추출하는 것이 가능하고, 나아가 추출된 나이 특징으로부터 영상에 포함된 얼굴의 소유자의 나이를 더 정확하게 추정할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 평균 얼굴 패치 기반 나이 추정 시스템에 대한 블록도이다.
도 2는 본 얼굴로부터 평균 얼굴 패치 및 본 얼굴 패치가 산출되는 것을 도식적으로 나타낸다.
도 3은 2개의 주름 특징의 인텐시티 맵을 비교하여 최대값 맵을 산출하는 것을 나타낸다.
도 4는 최대값 맵 배치와 표준편차를 이용하여 굴곡 특징을 추출하는 구성을 도식적으로 나타낸다.
도 5는 본 발명의 일 실시 예에 따른 나이 추정 시스템의 계층적 나이 추정부가 SVM과 SVR로 구현되었을 때의 나이 추정 과정을 나타낸다.
도 6은 본 발명의 일 실시 예에 따른 평균 얼굴 패치 기반 나이 추정 방법에 대한 순서도이다.
도 7은 본 발명의 일 실시 예에 따른 평균 얼굴 패치 및 메시 기반 나이 추정 시스템에 대한 블록도이다.
도 8은 도 2를 참조했을 때, 특징점이 추출된 컬러 본 얼굴(210)의 메시 결합으로부터 산출된 평균 얼굴 패치를 나타낸다.
도 9는 계층적 나이 추정부가 마진(Margin) 값을 이용하여 나이를 추정하는 과정과 마진 값이 적용되는 것을 도식화하여 나타낸다.
도 10은 본 발명의 일 실시 예에 따른 평균 얼굴 패치 및 메시 기반 나이 추정 방법에 대한 순서도이다.
이하 본 발명의 바람직한 실시 예가 첨부된 도면들을 참조하여 설명될 것이다. 도면들 중 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 참조번호들 및 부호들로 나타내고 있음에 유의해야 한다.
본 발명을 설명함에 있어서 관련된 공지 기능 혹은 구성에 대해 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략하거나 간략하게 설명하는 것으로 한다.
한편, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
후술하는 "본 얼굴"은 "입력 영상에 포함된 얼굴"로 가정한다.
도 1은 본 발명의 일 실시 예에 따른 평균 얼굴 패치 기반 나이 추정 시스템에 대한 블록도이다.
도 1에 도시된 평균 얼굴 패치 기반 나이 추정 시스템은 특징점 추출부(110), 영상 정규화부(130), 나이 특징 추출부(150), 계층적 나이 추정부(170)를 포함한다.
특징점 추출부(110)는 영상으로부터 검출된 얼굴의 경계선 및 특징점을 추출한다. 상세하게는, 특징점 추출부(110)는 얼굴을 포함한 입력 영상으로부터 얼굴을 검출하고, 얼굴의 경계선 및 눈썹, 눈, 코, 입 등의 위치를 나타내는 특징점을 추출한다.
영상 정규화부(130)는 특징점 추출부에 의해 추출된 경계선 및 특징점을 이용하여, 본 얼굴의 정면의 모습을 반영한 평균 얼굴 패치와, 본 얼굴의 고유한 특성을 반영하고 기설정된 크기에 맞게 본 얼굴의 크기를 변경시킨 본 얼굴 패치를 산출한다. 구체적으로는, 영상 정규화부(130)는 입력된 컬러(RGB) 영상을 그레이(Gray) 영상으로 변환한 뒤, 얼굴의 특징점을 이용하여 평균 얼굴 패치(patch)와 본 얼굴 패치로 정규화시킨다.
도 2는 본 얼굴로부터 평균 얼굴 패치 및 본 얼굴 패치가 산출되는 것을 도식적으로 나타낸다.
도 2는 특징점이 추출된 컬러 본 얼굴(210), 평균 얼굴 패치(230), 본 얼굴 패치(250)를 포함한다.
특징점이 추출된 컬러 본 얼굴(210)은 입력 영상으로부터 검출된 얼굴이 특징점 추출부(110)를 거쳐서 특징점이 찍혀져 있는 본 얼굴을 의미한다. 이때 본 얼굴은 그레이(Gray) 영상으로 변환되기 전 상태이므로, 컬러(RGB)로 표현된다.
평균 얼굴 패치(230)는 입력 영상에 포함된 얼굴의 크기, 모양, 포즈에 상관없이 다양한 얼굴을 눈, 코, 입의 위치와 크기가 같게 표준화시킨 것을 의미한다. 평균 얼굴 패치(230)를 산출하는 이유는, 영상에 포함된 얼굴이 지나치게 커서 얼굴의 특정 영역이 잘리거나, 반대로 얼굴이 지나치게 작아서 나이 추정에 필요하지 않은 외곽 부분이 많이 포함된 경우, 후술하는 본 얼굴 패치(250)만으로 나이 추정에 필요한 특징을 충분히 추출하지 못할 수도 있기 때문이다.
평균 얼굴 패치(230)는 다양한 얼굴을 눈, 코, 입의 위치와 크기가 같게 표준화시킨 것이므로, 본 얼굴의 방향과 관계없이 정면을 바라보는 얼굴의 형태로 산출되며, 그레이 영상으로 변환된 본 얼굴에는 특징점이 찍혀있으므로, 각 특징점의 상대적인 좌표나 위치를 기반으로 입력 영상의 얼굴로부터 평균적인 얼굴을 구현할 수 있다.
여기서 평균적인 얼굴이란, 정확히 정면을 바라보는 얼굴 외에도, 나이 추정을 하기 위해서 가장 이상적인 각도로 찍힌 얼굴로도 정의될 수 있으며, 턱이나 뺨 등, 얼굴의 외곽영역이 출력화면에 의해 잘리지 않으면서, 불필요한 외각 부분도 포함되지 않는 크기의 얼굴을 의미한다.
예를 들어, 평균 얼굴 패치를 산출하기 위해서, 영상 정규화부(130)에는 눈의 좌표, 코의 좌표, 및 턱의 좌표가 미리 설정되어 있다고 가정한다. 이 경우, 영상에 포함된 얼굴은, 특징점 추출부(110)에 의해 경계선 및 특징점이 추출된 후, 미리 설정된 눈의 좌표, 코의 좌표, 및 턱의 좌표에 따라, 눈, 코, 및 턱이 배치되고, 배치된 눈, 코, 및 턱의 좌표를 기준점으로 하여 본 얼굴의 경계선 및 특징점의 상대적인 위치를 반영한 평균 얼굴 패치로 산출된다.
특징점은 각 얼굴에 따라 다르므로, 입력 영상의 얼굴마다 다른 평균 얼굴 패치를 가지게 되나, 평균 얼굴 패치 각각의 눈, 코, 턱의 위치는 모두 미리 설정된 좌표(위치)에 놓이게 되며, 눈, 코, 턱뿐만 아니라, 눈썹이나 특정 대칭 부위가 설정으로 추가될 수 있다.
입력 영상에 포함된 얼굴이 특정 방향에 치우쳐서 얼굴의 반대측 부분에 대한 정보가 없는 경우, 3D 모델링(3-Dimension Modeling)으로 인한 보정이나, 어파인 변환(Affine Transform) 등을 통해서 대칭성 있는 정보를 산출하여, 평균 얼굴 패치를 만드는 데에 이용할 수 있으며, 3D 모델링과 어파인 변환 외에 다른 변환 및 예측 기법을 통해서도 평균 얼굴 패치를 산출하는 것이 가능하다.
즉, 입력 영상에서 얼굴이 지나치게 크게 촬영되거나, 작게 촬영되어도 특징점을 추출할 수 있을 정도라면, 평균 얼굴 패치를 산출함으로써, 정면을 향한 대칭성 있는 얼굴 형태에 대한 정보를 얻을 수 있게 된다.
본 얼굴 패치(250)는 두 눈 좌표가 본 얼굴과 같고, 본 얼굴을 정규화 크기에 맞게 얼굴을 확대 및 축소시켜 고유한 얼굴의 크기, 특징들을 보존하도록 정규화시킨 것을 의미한다. 이 경우, 본 얼굴 패치(250)는 본 얼굴의 방향 및 크기에 대한 정보를 보존하게 된다.
위와 같이 산출된 평균 얼굴 패치(230)와 본 얼굴 패치(250)는 각각 대비 제한 적응 히스토그램 평활화(Contrast Limited Adaptive Histogram Equalization, CLAHE)를 적용하여 조명 변화의 영향을 최소화하는 과정을 거칠 수 있다.
나이 특징 추출부(150)는 평균 얼굴 패치와 본 얼굴 패치로부터 얼굴의 주름 특징을 추출하고, 추출된 주름 특징으로부터 얼굴의 굴곡 특징을 추출한다.
나이 특징 추출부(150)는 먼저 평균 얼굴 패치와 본 얼굴 패치로부터 주름 특징을 추출한다. 주름 특징을 추출하는 데에는 가버 필터가 사용될 수 있으며, 다른 차원의 가버 필터나 다른 방식을 사용하여 주름 특징을 추출하는 것도 본 발명의 범주를 벗어나지 않는다.
Figure 112014080666982-pat00001
수학식 1은 주름 특징을 추출하는 데 사용되는 피라미드 가버 필터(Pyramid Gabor Filter)에 관한 식이다.
피라미드 가버 필터는 물체 인식, 얼굴 인식 등에 많이 사용되는 방법으로 얼굴 부위에 나타나는 주름의 위치, 성질, 방향, 크기 등 나이를 추정하기에 알맞은 특징을 추출할 수 있다. 피라미드 가버 필터의 그래프는 가우시안(Gaussian) 형태를 띄게 되고, 수학식 1에서 X= x * cosθ + y * sinθ이고 Y= -x * sinθ + y * cosθ으로 정의된다. 여기서, x 와 y는 각각 가버 필터의 중심점에서 x축과 y축으로의 거리를 나타내며, θ값은 가버 필터의 방향을 나타내는 값으로 0과 π(radian)사이의 값을 갖는다. 또한, γ는 종횡비로서 가우시안의 가로와 세로의 비율을 나타내고, σ는 가우시안의 반경을, λ는 파형의 길이를 나타낸다.
본 발명의 일 실시 예에 따른 나이 추정 시스템 및 방법에 적용되는 피라미드 가버 필터의 크기는 표 1과 같다.
가버 필터 크기
3x3 5x5 7x7 9x9 11x11 13x13 15x15 17x17 19x19 21x21 23x23 25x25
기존의 BIF에서 피라미드 가버 필터의 크기는 5×5로 시작되지만 본 발명에서는 보다 더 세밀한 주름 특징 추출을 위해 시작 크기를 3×3으로 잡았으며, 25×25보다 더 크거나 가버 필터를 적용하거나 더 작은 크기의 가버 필터의 적용을 배제하는 것도 본 발명의 범주를 벗어나지 않는다.
피라미드 가버 필터로 추출된 특징들은 고차원형태이기 때문에 분류 모델의 학습을 복잡하게 만들어 시간이 오래 걸리게 된다. 게다가 정규화에 따라 같은 사람의 같은 위치의 주름이라도 크기나 위치가 변하면서 다른 주름으로 인식할 수 있기 때문에 인접한 2개의 다른 크기의 가버 필터를 적용한 후의 결과를 이용하여 최대값 맵을 산출하고, 각 최대값 맵에서의 표준편차 연산을 이용해 굴곡 특징을 추출한다.
표 2는 수학식 1에서 정의된 변수와 가버 필터의 크기 및 최대값 맵의 관계를 나타낸 것이다.
최대값과 표준편차 피라미드 가버 필터
밴드 이동 격자 크기 가버 필터 크기 σ λ
Band1 6×6 3×3
5×5		 1.3
2.0		 1.6
2.5
Band2 8×8 7×7
9×9		 2.8
3.6		 3.5
4.6
Band3 10×10 11×11
13×13		 4.5
5.4		 5.6
6.8
Band4 12×12 15×15
17×17		 6.3
7.3		 7.9
9.1
Band5 14×14 19×19
21×21		 8.2
9.2		 10.3
11.5
Band6 16×16 23×23
25×25		 10.2
11.3		 12.7
14.1
σ, λ, 및 γ는 피라미드 가버 필터의 크기를 직접적으로 결정하는 변수로, 종횡비 γ는 0.3을 가정했다. 예를 들어, σ가 1.3, λ가 1.6, γ가 0.3을 수학식 1에 대입하여 산출되는 가버 필터의 크기는 3×3 가 된다.
종횡비 γ는 0.3을 유지하고, σ와 λ을 변경할 때마다 달라지는 홀수×홀수 크기의 피라미드 가버 필터는 영상 정규화부에서 추출된 평균 얼굴 패치 및 본 얼굴 패치에 적용되어 주름 특징을 산출하도록 한다.
밴드와 이동 격자 크기는 주름 특징으로부터 최대값 맵을 산출하고, 격자 단위별 표준편차 연산에 필요한 값으로서, 도 3 및 도 4와 함께 후술한다.
도 3은 2개의 주름 특징의 인텐시티 맵을 비교하여 최대값 맵을 산출하는 것을 나타낸다.
여기서 인텐시티(Intensity)란, 평균 얼굴 패치 및 본 얼굴 패치에 가버 필터를 적용했을 때, 산출되는 주름 특징을 수치화한 값으로서, 각 패치의 특정 위치에서의 명도를 의미한다.
최대값 맵을 산출하는 것을 설명하기 위해, 도 3의 좌측 상단에 있는 것은 3×3의 크기의 가버 필터를 통과시켰을 때에 산출되는 인텐시티 맵(이하, 3×3 인텐시티 맵(310)), 좌측 하단에 있는 것은 5×5의 크기의 가버 필터를 통과시켰을 때에 산출되는 인텐시티 맵(이하, 5×5 인텐시티 맵(330))으로 가정한다.
최대값 맵(Max map)은 3×3 인텐시티 맵(310)과 5×5 인텐시티 맵(330)의 각 대응되는 격자의 숫자인 인텐시티를 비교하여, 더 큰 값만 남기는 방식을 반복하여 생성된다. 동일한 방식으로 7×7 인텐시티 맵과 9×9 인텐시티 맵에 대해서도 반복하여 표 1 및 표 2에 개시된 모든 가버 필터의 크기마다 적용하면, 밴드(Band)수와 동일한 6개의 최대값 맵이 생성된다.
최대값 맵의 개수는 적용하는 가버 필터 크기의 가지 수에 따라 달라질 수 있으므로, 주름 특징으로부터 산출되는 최대값 맵의 개수가 6개보다 많거나 적더라도 다른 구성을 포함한다면 본 발명의 범주를 벗어나지 않는다.
위와 같이 산출된 최대값 맵은 영상 정규화부에서 산출된 두 패치에 각각 적용되고, 각 패치로부터 굴곡 특징을 추출하는 데에 이용된다. 구체적으로는, 각 패치에 최대값 맵이 배치되고, 해당 밴드의 이동 격자가 정해진 방향으로 격자 단위로 움직이며, 이동 격자 크기의 반씩 겹쳐지는 격자들만을 대상으로 격자별 표준편차를 구하고, 그 값으로부터 굴곡 특징을 추출한다.
도 3과 표 2를 참조하면, 밴드1에서 정의된 이동 격자 크기는 6×6이고, 그에 따라 격자 단위로 움직이면서 겹쳐지는 격자의 수는 이동 격자 크기의 반인 3×3형태(이하, 반 이동 격자)에 의하므로 9개가 된다. 최대값 맵의 좌측 상단부터 한 격자씩 한 방향으로 움직이면서 3×3에 포함된 인텐시티에 대한 표준편차를 구하며, 표준편차를 구하는 식은 수학식 2와 같다.
Figure 112014080666982-pat00002
수학식 2에서 N은 반 이동 격자에 포함된 격자의 개수(여기서는 3×3형태이므로 9개), Fi는 최대값 맵에서의 특정 격자의 인텐시티, Fav는 반 이동 격자에 포함된 격자의 인텐시티의 평균이 된다. 이 과정을 반복하면 하나의 최대값 맵에서는, 최대값 맵을 구성하는 격자 개수만큼의 차원을 갖는 하나의 표준편차 맵이 생성된다.
피라미드 가버 필터의 크기를 표 1에 개시된 크기를 적용하고, 정규화된 영상이 900개의 균일한 격자로 표현된다고 가정하면, 하나의 최대값 맵당 900차원의 표준편차 맵이 생성되고, 표 2를 참조하면 최대값 맵은 밴드 수와 동일한 6개가 산출되므로, 900차원의 표준편차 맵이 총 6개 생성된다. 위와 같은 방법으로 생성된 각 최대값 맵에 따른 표준편차 맵을, 차례대로 연결(concatenation)시켜 5400차원의 특징 벡터를 구성할 수 있고, 이 특징 벡터는 본 얼굴의 굴곡 특징이 된다.
이동 격자를 이동시키면서 표준편차를 산출하는 것은, 격자 기반으로 영상을 정규화하는 경우에는 동일인의 얼굴이라도 항상 같은 정규화 영상을 만들기 힘들고, 뺨, 입 주변, 눈가, 이마 등 주름 요소가 많은 부분에 대해 정확한 위치 특정이 어렵기 때문이다. 위와 같이 겹침(오버랩핑) 방식을 이용하면, 격자 기반에서도 동일한 얼굴에서 같은 나이 특징을 추출할 수 있다. 표준편차 연산에 있어서 겹침 방식을 필요로 하지 않는, 메시 기반에서 나이 특징을 추출하는 방법은 도 8과 함께 후술한다.
최대값 맵 배치와 표준편차 연산을 통해 추출한 굴곡 특징은 나이 추정에 중요한 주름의 지역적 변화를 그대로 포함하며, 영상에서 회전된 얼굴에 대해서 적용해도 일관된 효과를 보인다. 굴곡 특징을 구하기 위한 격자 단위별 표준편차 연산은 최대값 연산이나 합 연산 등의 방식으로도 구현될 수 있다.
도 4는 최대값 맵 배치와 표준편차를 이용하여 굴곡 특징을 추출하는 구성을 도식적으로 나타낸다.
계층적 나이 추정부(170)는 나이 특징 추출부에 의해 산출된 굴곡 특징을 1차 분류 모델의 입력값으로 하여, 얼굴의 소유자의 나이의 범위를 한정하고, 한정된 나이의 범위내에서 학습시킨 2차 분류 모델을 적용하여, 얼굴의 소유자의 나이를 추정한다.
굴곡 특징은 적게는 수백에서, 많게는 수천, 수만 차원의 벡터로 표현되므로, 1차 분류 모델의 입력값으로 들어가기 전에, 더 정확하고 빠른 나이 추정을 위해서, 차원을 줄일 수 있으며, PCA(Principal Component Analysis), LDA(Linear Discriminant Analysis), OLPP(Orthogonal Localith Preserving Projection), SVD(Singular Value Decomposition), NMF(Non-negative Matrix Factorization)등이 사용될 수 있다.
굴곡 특징의 차원을 축소하는 것은 노이즈를 제거하는 측면도 있으나, 필요 연산량을 대폭 감소시키는 의미도 있으므로, 다른 방법으로 차원을 축소하거나, 차원을 축소시키지 않더라도 다른 구성이 유사하다면 본 발명의 범주를 벗어나지 않는다.
굴곡 특징으로부터 나이를 추정하기 위해서, 분류모델은 KNN(K-Near Neighbor), SVM(Support Vector Machine), SVR(Support Vector Regression) 등이 사용될 수 있고, 크기와 방향을 가지는 벡터를 입력값으로만 한다면 다른 분류 모델을 사용하는 것도 가능하다.
계층적 나이 추정부(170)는 2개 이상의 분류 모델을 계층적으로 결합하여, 한 개의 나이 분류 모델만으로는 다양한 노화의 진행 사항을 충분히 파악 및 분석하기 어려운 종래 기술의 한계를 극복할 수 있다.
도 5는 본 발명의 일 실시 예에 따른 나이 추정 시스템의 계층적 나이 추정부가 SVM과 SVR로 구현되었을 때의 나이 추정 과정을 나타낸다.
SVM1은 굴곡 특징을 입력값으로 받아서, 본 얼굴의 소유자의 나이가 20세 이상 또는 20세 미만인지 특정한다.
본 얼굴의 소유자의 나이가 20세 미만으로 SVM1에 의해 판단된 경우, 0세에서 20세까지 학습시킨 SVR1로 본 얼굴의 소유자의 나이를 추정할 수 있다. 여기서 20세는 문턱값(Threshold value) 중 하나로서, SVM1이 본 얼굴의 소유자의 나이를 20세 미만으로 판단한 경우에도, SVR1은 본 얼굴의 소유자의 나이를 20세로 추정하는 것이 가능하다.
본 얼굴의 소유자의 나이가 20세 이상으로 SVM1에 의해 판단된 경우, SVM2에 굴곡 특징이 입력되고, 본 얼굴의 소유자의 나이가 40세 이상 또는 40세 미만인지 특정한다.
본 얼굴의 소유자의 나이가 40세 미만으로 SVM2에 의해 판단된 경우, 20세에서 40세까지 학습시킨 SVR2로 본 얼굴의 소유자의 나이를 추정할 수 있다. 여기서 40세는 문턱값 중 하나로서, SVM2이 본 얼굴의 소유자의 나이를 40세 미만으로 판단한 경우에도, SVR2는 본 얼굴의 소유자의 나이를 40세로 추정하는 것이 가능하다.
본 얼굴의 소유자의 나이가 40세 이상으로 SVM2에 의해 판단된 경우, SVM3에 굴곡 특징이 입력되고, 본 얼굴의 소유자의 나이가 60세 이상 또는 60세 미만인지 특정한다.
본 얼굴의 소유자의 나이가 60세 미만으로 SVM3에 의해 판단된 경우, 40세에서 60세까지 학습시킨 SVR3로 본 얼굴의 소유자의 나이를 추정할 수 있다. 여기서 60세는 문턱값 중 하나로서, SVM3이 본 얼굴의 소유자의 나이를 60세 미만으로 판단한 경우에도, SVR3은 본 얼굴의 소유자의 나이를 60세로 추정하는 것이 가능하다.
본 얼굴의 소유자의 나이가 60세 이상으로 SVM3에 의해 판단된 경우, 60세 이상으로 학습시킨 SVR4로 본 얼굴의 소유자의 나이를 추정할 수 있다.
더 정확한 나이를 추정하기 위해 계층적 나이 추정부에서 이용된 SVM, SVR의 두 분류 모델로부터 추정된 나이의 평균을 낸 것을 최종 나이로 결정할 수도 있으며, 이 과정은 SVM 및 SVR이 아닌 다른 분류모델을 이용한 경우에도 적용될 수 있다.
도 6은 본 발명의 일 실시 예에 따른, 평균 얼굴 패치 기반 나이 추정 방법에 대한 순서도이다.
명세서의 간명화를 위해서, 도 1의 설명과 중복되는 내용은 생략한다.
특징점 추출부는 영상으로부터 검출된 얼굴의 경계선 및 특징점을 추출한다.(S610)
영상 정규화부는 특징점 추출부에 의해 추출된 경계선 및 특징점을 이용하여, 본 얼굴의 정면의 모습을 반영한 평균 얼굴 패치와, 본 얼굴의 고유한 특성을 반영하고 기설정된 크기에 맞게 상기 얼굴의 크기를 변경시킨 본 얼굴 패치를 산출한다.(S630)
나이 특징 추출부는 평균 얼굴 패치와 본 얼굴 패치로부터 얼굴의 주름 특징을 추출하고, 추출된 주름 특징으로부터 얼굴의 굴곡 특징을 추출한다.(S650)
계층적 나이 추정부는 굴곡 특징을 1차 분류 모델의 입력값으로 하여, 얼굴의 소유자의 나이의 범위를 한정하고, 한정된 나이의 범위내에서 학습시킨 2차 분류 모델을 적용하여, 본 얼굴의 소유자의 나이를 추정한다.(S670)
도 7은 본 발명의 일 실시 예에 따른 평균 얼굴 패치 및 메시 기반 나이 추정 시스템에 대한 블록도이다.
특징점 추출부(710)는 영상으로부터 검출된 얼굴의 경계선 및 특징점을 추출한다. 특징점 추출부(710)는 얼굴을 포함한 입력 영상으로부터 얼굴을 검출하고, 얼굴의 경계선 및 눈썹, 눈, 코, 입 등의 위치를 나타내는 특징점을 추출한다.
영상 정규화부(730)는 메시 결합 생성부(731)를 포함하며, 특징점 추출부(710)에서 추출된 경계선 및 특징점을 이용하여, 본 얼굴의 정면의 모습을 반영한 평균 얼굴 패치와, 본 얼굴의 고유한 특성을 반영하고 기설정된 크기에 맞게 본 얼굴의 크기를 변경시킨 본 얼굴 패치를 산출한다.
메시 결합 생성부(731)는 특징점 추출부(710)에서 추출된 경계선 및 특징점을 연결하여, 메시(Mesh) 결합을 생성한다. 메시 결합 생성부(731)에서 생성되는 각각의 메시는 들로네 삼각분할(Delaunay triangulation) 등을 이용하여 생성될 수 있으며, 메시의 모양, 개수, 크기는 한정되어 있지 않으므로, 다른 방식으로 경계선 및 특징점을 연결하여 다른 모양, 개수, 크기의 메시를 생성해도 본 발명의 범주를 벗어나는 것은 아니다.
도 8은 도 2를 참조했을 때, 특징점이 추출된 컬러 본 얼굴(210)의 메시 결합으로부터 산출된 평균 얼굴 패치를 나타낸다.
도 8의 평균 얼굴 패치는 복수 개의 메시의 결합으로 구성되어 있고, 특징점이 추출된 컬러 본 얼굴(210)의 메시 결합에서의 메시의 수보다, 3배 가량 많은 메시로 구성된다.
충분한 양의 메시의 수를 확보하기 위해서, 한 개의 큰 메시의 중심점을 기준으로 세 개의 작은 메시를 산출하는 방식이 적용될 수 있으며, 이 방법은 메시 결합 생성부(731)에서 메시의 모양, 개수, 크기를 어떻게 결정하여 생성하는지에 따라 달라질 수 있다.
도 8의 메시 결합으로 구성된 평균 얼굴 패치는 본 얼굴의 정면의 모습을 반영하고 있으며, 보다 더 높은 정확도의 나이 추정을 위해서 눈, 코, 및 입 등의 위치를 미리 설정된 위치에 놓이도록 할 수도 있다.
얼굴 형태와 입력된 영상에 포함된 얼굴 각도에 따라, 본 얼굴의 정면의 모습도 매번 달라질 수 밖에 없는데, 위와 같은 방법으로 얼굴의 특정 부위에 대한 위치를 미리 설정해놓은 뒤, 평균 얼굴 패치를 산출하면, 산출되는 평균 얼굴 패치에는 늘 같은 좌표(위치)에 같은 부위가 위치하게 된다. 이 경우, 눈과 입 부분과 같이 노화와 관계없는 부분을 제외할 수 있어서, 결과적으로 더 정확한 나이 추정을 위한 정보를 얻어낼 수 있다.
나이 특징 추출부(750)는 평균 얼굴 패치와 본 얼굴 패치로부터 얼굴의 주름 특징을 추출하고, 추출된 주름 특징으로부터 얼굴의 굴곡 특징을 추출한다.
나이 특징 추출부(750)는 메시의 결합으로 표현되는 평균 얼굴 패치와 본 얼굴 패치에 피라미드 가버 필터를 적용하여, 피라미드 가버 필터의 크기에 따른 인텐시티 맵을 산출 후, 각 인텐시티 맵을 비교하여 최대값 맵을 산출하고, 최대값 맵과 특징점을 이용하여 메시 단위로 표준편차를 구하여 크기와 방향을 가지는 굴곡 특징을 추출한다.
주름 특징을 숫자로 표현하는 인텐시티 맵으로부터, 메시 기반 최대값 맵을 산출하는 과정은 도 3과 함께 상술한 격자 기반 최대값 맵을 산출하는 과정을 따른다. 결과적으로, 메시 기반으로 산출되는 최대값 맵은 도 8을 참조했을 때, 각 메시에 각 인텐시티가 적용된 형태로 표현되며, 메시 기반으로 산출된 최대값 맵에서 메시 단위로 표준편차 연산을 수행하여 굴곡 특징을 추출한다. 메시 단위로 표준편차를 구하는 방법은 수학식 3를 이용한다.
Figure 112014080666982-pat00003
수학식 3은 메시 기반으로 산출된 최대값 맵에서 메시 단위별 표준편차를 구하기 위한 식을 나타낸다.
수학식 3에서 Nm은 메시 기반으로 산출된 최대값 맵에 속해 있는 메시의 개수, Fmi는 Nm은 메시 기반으로 산출된 최대값 맵에 속해 있는 각 메시의 인텐시티, Fmav는 최대값 맵에 속한 모든 메시의 인텐시티의 평균을 의미한다. 메시 기반으로 산출된 최대값 맵에 수학식 3을 통한 연산을 반복하면, 최종적으로 하나의 최대값 맵에서 최대값 맵을 구성하는 메시 개수만큼의 차원을 갖는 하나의 표준편차 맵이 생성된다.
피라미드 가버 필터의 크기를 표 1에 개시된 크기를 적용하고, 정규화된 영상이 100개의 메시의 결합으로 표현된다고 가정하면, 하나의 최대값 맵당 100차원의 표준편차 맵이 생성되고, 최대값 맵은 밴드 수와 동일한 6개가 산출되므로, 100차원의 표준편차 맵이 총 6개 생성된다. 위와 같은 방법으로 생성된 각 최대값 맵에 따른 표준편차 맵을, 차례대로 연결(concatenation)시켜 600차원의 특징 벡터를 구성할 수 있고, 이 특징 벡터는 본 얼굴의 굴곡 특징이 된다.
수학식 2와 함께 상술한 격자 단위로 표준편차를 구해서 굴곡 특징을 추출하는 방식에 비해, 수학식 3과 함께 상술한 메시 단위로 표준편차를 구해서 굴곡 특징을 추출하는 방식이 갖는 장점은, 특정점 추출부에 의해 추출된 경계선 및 특징점을 연결하여 생성된 메시의 특성상 얼굴 정보 외에 다른 정보를 포함하고 있지 않으므로, 동일인의 얼굴에 대한 정규화 영상을 만들 때마다 항상 같은 정규화 영상을 만들 수 있어서, 겹침(오버랩핑) 방식을 적용하여 표준편차를 연산할 필요가 없다는 점이다.
위와 같이 평균 얼굴 패치와 메시를 이용하여 추출된 굴곡 특징은, 도 4와 함께 설명한 격자 단위별 표준편차 연산에 의한 굴곡 특징보다 더 정확하게 나이를 추정하는 것을 가능하게 한다. 또한, 겹침(오버랩핑) 방식을 적용하지 않고도 항상 같은 정규화 영상을 만들 수 있고, 눈이나 입 부분 같이 노화와 관계없는 부분을 제외한 채 굴곡 특징을 추출하는 방식으로 응용이 가능하여 연산량에 있어서도 효율성 증대를 기대할 수 있다.
계층적 나이 추정부(770)는 굴곡 특징을 1차 분류 모델의 입력값으로 하여, 본 얼굴의 소유자의 나이의 범위를 한정하고, 한정된 나이의 범위보다 넓은 범위에서 학습시킨 2차 분류 모델을 적용하여, 얼굴의 소유자의 나이를 추정한다.
도 9는 계층적 나이 추정부가 마진(Margin) 값을 이용하여 나이를 추정하는 과정과 마진 값이 적용되는 것을 도식화하여 나타낸다.
도 9의 계층적 나이 추정부는 1차 분류 모델을 SVM으로, 2차 분류 모델을 SVR을 적용한 것을 가정하며, 입력값을 크기와 방향을 갖는 벡터로 하는 분류 모델이라면 다른 분류 모델로 치환도 가능하다.
SVM1은 굴곡 특징을 입력값으로 받아서, 본 얼굴의 소유자의 나이가 20세 이상 또는 20세 미만인지 특정한다.
본 얼굴의 소유자의 나이가 20세 미만으로 SVM1에 의해 판단된 경우, 0세에서 25세까지 학습시킨 SVR1로 본 얼굴의 소유자의 나이를 추정할 수 있다.
원래대로라면, SVR1의 학습된 나이의 범위는 도 5와 같이 0세에서 20세까지가 되어야 하나, 더 정확한 나이 추정을 위해서 SVM1에 의해 한정된 범위에 마진 값 5을 적용한 나이의 범위로 SVR1을 학습시킨다. 다만, 음수의 나이는 정의될 수 없으므로, 0세에 대해서는 마진 값 5가 적용되지 않는다.
본 얼굴의 소유자의 나이가 20세 이상으로 SVM1에 의해 판단된 경우, SVM2에 굴곡 특징이 입력되고, 본 얼굴의 소유자의 나이가 40세 이상 또는 40세 미만인지 특정한다.
본 얼굴의 소유자의 나이가 40세 미만으로 SVM2에 의해 판단된 경우, 15세에서 45세까지 학습시킨 SVR2로 본 얼굴의 소유자의 나이를 추정할 수 있다.
마찬가지로, SVR2의 학습된 나이의 범위는 20세에서 40세까지가 되어야 하나, 더 정확한 나이 추정을 위해서 SVM2에 의해 한정된 범위의 최소값 및 최대값에 마진 값 5을 적용한 나이의 범위로 SVR2을 학습시킨다.
본 얼굴의 소유자의 나이가 40세 이상으로 SVM2에 의해 판단된 경우, SVM3에 굴곡 특징이 입력되고, 본 얼굴의 소유자의 나이가 60세 이상 또는 60세 미만인지 특정한다.
본 얼굴의 소유자의 나이가 60세 미만으로 SVM3에 의해 판단된 경우, 30세에서 70세까지 학습시킨 SVR3로 본 얼굴의 소유자의 나이를 추정할 수 있다.
SVR3의 학습된 나이의 범위는 40세에서 60세까지가 되어야 하나, 더 정확한 나이 추정을 위해서 SVM3에 의해 한정된 범위의 최소값 및 최대값에 마진 값 10을 적용한 나이의 범위로 SVR3을 학습시킨다.
본 얼굴의 소유자의 나이가 60세 이상으로 SVM3에 의해 판단된 경우, 50세 이상으로 학습시킨 SVR4로 본 얼굴의 소유자의 나이를 추정할 수 있다.
SVR4의 학습된 나이의 범위는 60세 이상이 되어야 하나, 더 정확한 나이 추정을 위해서 SVM3에 의해 한정된 범위의 최소값에 마진 값 10을 적용한 나이의 범위로 SVR4을 학습시킨다.
굴곡 특징은 적게는 수백에서, 많게는 수천, 수만 차원의 벡터로 표현되므로, 1차 분류 모델의 입력값으로 들어가기 전에, 더 정확하고 빠른 나이 추정을 위해서, PCA, LDA, OLPP, SVD, MNF 등으로 차원을 줄일 수 있다.
분류 모델은 KNN, SVM, SVR 등이 사용될 수 있고, 입력값을 크기와 방향을 가지는 벡터로 하는 분류 모델이면 그 외의 분류 모델도 종류와 관계없이 사용될 수 있다.
도 9의 하단부에 도시된 마진 값이 적용되는 과정을 참조하면, 문턱(Threshold)값에 해당하는 나이를 기준으로 마진 값만큼 SVR을 학습시킬 나이의 범위를 늘리는 것을 알 수 있다. 또한, 더 낮출 수 없는 0세일 때와, 미리 설정된 최고 나이가 SVR을 학습시킬 나이의 범위에 포함되는 경우에는, 0세나 미리 설정된 최고 나이에 대해서는 마진 값이 적용되지 않는 것을 알 수 있다.
도 10은 본 발명의 일 실시 예에 따른 평균 얼굴 패치 및 메시 기반 나이 추정 방법에 대한 순서도이다.
특징점 추출부는 영상으로부터 검출된 얼굴의 경계선 및 특징점을 추출한다.(S1010) 특징점 추출부는 얼굴을 포함한 입력 영상으로부터 얼굴을 검출하고, 얼굴의 경계선 및 눈썹, 눈, 코, 입 등의 위치를 나타내는 특징점을 추출한다.
영상 정규화부는 메시 결합 생성부로부터 산출된 메시 결합을 이용하여, 메시로 구성된 평균 얼굴 패치와 본 얼굴 패치를 산출한다.(S1030)
영상 정규화부에 의해 산출된 평균 얼굴 패치는 본 얼굴의 정면의 모습을 반영하는 메시의 결합이며, 본 얼굴 패치는 본 얼굴의 고유한 특성을 반영하고 기설정된 크기에 맞게 본 얼굴의 크기를 변경시킨 메시의 결합이다.
나이 특징 추출부는 평균 얼굴 패치와 본 얼굴 패치로부터 얼굴의 주름 특징을 추출하고, 추출된 주름 특징으로부터 얼굴의 굴곡 특징을 추출한다.(S1050)
나이 특징 추출부는 메시의 결합으로 표현되는 평균 얼굴 패치와 본 얼굴 패치에 피라미드 가버 필터를 적용하여, 피라미드 가버 필터의 크기에 따른 인텐시티 맵을 산출 후, 각 인텐시티 맵을 비교하여 최대값 맵을 산출하고, 최대값 맵과 특징점을 이용하여 메시 단위로 표준편차를 구하여 크기와 방향을 가지는 굴곡 특징를 산출한다.
계층적 나이 추정부는 굴곡 특징을 1차 분류 모델의 입력값으로 하여, 얼굴의 소유자의 나이의 범위를 한정하고, 한정된 나이의 범위보다 넓은 범위에서 학습시킨 2차 분류 모델을 적용하여, 얼굴의 소유자의 나이를 추정한다.(S1070)
한정된 나이의 범위보다 넓은 범위를 산출하기 위해, 한정된 나이의 범위에 더해지는 마진 값은, 한정된 나이의 범위마다 다르게 설정될 수 있다.
본 발명에 따른 평균 얼굴 패치 및 메시 기반 나이 추정 시스템 및 방법은, 영상에 포함된 얼굴로부터 본 얼굴 패치뿐만 아니라 평균 얼굴 패치를 산출하고, 두 가지 패치를 메시 결합으로 나타낸 뒤, 추출되는 굴곡 특징을 계층적 나이 추정부의 입력값으로 이용함으로써, 영상에 포함된 얼굴 크기와 방향성을 고려하지 못하는 종래 나이 추정 기법의 한계를 극복할 수 있으며, 나아가 더 정확한 나이 추정이 가능하다.
본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
본 발명은 상술한 실시형태 및 첨부된 도면에 의해 한정되지 아니하고, 첨부된 청구범위에 의해 권리범위를 한정하고자 하며, 청구범위에 기재된 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양한 형태의 치환, 변형 및 변경할 수 있다는 것은 당 기술분야의 통상의 지식을 가진 자에게 자명할 것이다.
본 발명에 따른 나이 추정 시스템 및 방법은 성인 인증의 자동화, 연령대 맞춤 광고, 생체 인식 시스템, 미아 탐색 등에서 영상이나 사진에 포착된 특정인의 나이를 추정하는 데에 이용될 수 있다.
710 : 특징점 추출부
730 : 영상 정규화부
731 : 메시 결합 생성부
750 : 나이 특징 추출부
770 : 계층적 나이 추정부

Claims (6)

  1. 영상으로부터 검출된 얼굴의 경계선 및 특징점을 추출하는 특징점 추출부;
    상기 경계선 및 특징점을 이용하여, 상기 얼굴의 정면의 모습을 반영한 평균 얼굴 패치와, 상기 얼굴의 고유한 특성을 반영하고 기설정된 크기에 맞게 상기 얼굴의 크기를 변경시킨 본 얼굴 패치를 산출하는 영상 정규화부;
    상기 얼굴의 위치 및 크기를 평균화 한 평균 얼굴 패치 및 상기 얼굴의 고유 특징을 포함하는 본 얼굴 패치를 이용하여, 상기 얼굴의 주름 특징을 추출하고, 상기 주름 특징으로부터 상기 얼굴의 굴곡 특징을 추출하는 나이 특징 추출부; 및
    상기 굴곡 특징을 1차 분류 모델의 입력값으로 하여, 상기 얼굴의 소유자의 나이의 범위를 한정하고, 한정된 나이의 범위내에서 학습시킨 2차 분류 모델을 적용하여, 상기 얼굴의 소유자의 나이를 추정하는 계층적 나이 추정부; 를 포함하는 평균 얼굴 패치 및 메시 기반 나이 추정 시스템.
  2. 제1항에 있어서, 상기 영상 정규화부는,
    상기 경계선 및 특징점을 연결하여 메시(Mesh) 결합을 생성하는 메시 결합 생성부를 포함하고,
    상기 평균 얼굴 패치는, 상기 메시 결합으로부터 산출되고 상기 얼굴의 정면의 모습을 반영하는 메시의 결합이고,
    상기 본 얼굴 패치는, 상기 메시 결합으로부터 산출되고 상기 얼굴의 고유한 특성을 반영하고 기설정된 크기에 맞게 상기 얼굴의 크기를 변경시킨 메시의 결합인 것을 특징으로 하는 평균 얼굴 패치 및 메시 기반 나이 추정 시스템.
  3. 제1항 또는 제2항에 있어서, 상기 2차 분류 모델은,
    상기 한정된 나이의 범위마다 마진 값을 설정하고, 상기 한정된 나이의 범위보다 상기 마진 값만큼 더 넓은 범위내에서 학습시킨 것을 특징으로 하는 평균 얼굴 패치 및 메시 기반 나이 추정 시스템.
  4. 삭제
  5. 삭제
  6. 삭제
KR1020140110960A 2014-08-25 2014-08-25 평균 얼굴 패치 및 메시 기반 나이 추정 시스템 및 방법 KR102282471B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140110960A KR102282471B1 (ko) 2014-08-25 2014-08-25 평균 얼굴 패치 및 메시 기반 나이 추정 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140110960A KR102282471B1 (ko) 2014-08-25 2014-08-25 평균 얼굴 패치 및 메시 기반 나이 추정 시스템 및 방법

Publications (3)

Publication Number Publication Date
KR20160024309A KR20160024309A (ko) 2016-03-04
KR102282471B1 true KR102282471B1 (ko) 2021-07-27
KR102282471B9 KR102282471B9 (ko) 2021-10-27

Family

ID=55535978

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140110960A KR102282471B1 (ko) 2014-08-25 2014-08-25 평균 얼굴 패치 및 메시 기반 나이 추정 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102282471B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113869092A (zh) * 2020-06-30 2021-12-31 广州慧睿思通科技股份有限公司 一种人脸图像识别的方法、装置和可读存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014032605A (ja) * 2012-08-06 2014-02-20 Nec Corp 画像認識装置、画像認識方法および画像認識プログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080068988A (ko) * 2007-01-22 2008-07-25 뷰웨이 주식회사 점진적 활성형상모델을 이용한 얼굴 윤곽 검출
KR101877981B1 (ko) 2011-12-21 2018-07-12 한국전자통신연구원 가버 특징과 ｓｖｍ 분류기를 이용하여 위변조 얼굴을 인식하기 위한 시스템 및 그 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014032605A (ja) * 2012-08-06 2014-02-20 Nec Corp 画像認識装置、画像認識方法および画像認識プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Age estimationusingahierarchicalclassifierbasedonglobalandlocal facial features, Pattern Recognition, 2011.06.*

Also Published As

Publication number Publication date
KR102282471B9 (ko) 2021-10-27
KR20160024309A (ko) 2016-03-04

Similar Documents

Publication Publication Date Title
US11386701B2 (en) Face recognition method and apparatus
JP6754619B2 (ja) 顔認識方法及び装置
US9633044B2 (en) Apparatus and method for recognizing image, and method for generating morphable face images from original image
JP4483334B2 (ja) 画像処理装置
JP5895703B2 (ja) 画像処理装置及び画像処理方法、並びにコンピューター・プログラム
CN105139000B (zh) 一种去除眼镜痕迹的人脸识别方法及装置
Tzimiropoulos et al. Active orientation models for face alignment in-the-wild
JP2016091566A (ja) 改善されたデータ比較方法
CN113591763B (zh) 人脸脸型的分类识别方法、装置、存储介质及计算机设备
CN116310008B (zh) 一种基于少样本学习的图像处理方法及相关设备
JP2017102622A (ja) 画像処理装置、画像処理方法及びプログラム
US20100322486A1 (en) Hand-based gender classification
CN112270747A (zh) 一种人脸识别方法、装置及电子设备
KR20130059212A (ko) 지역적 특징의 통계적 학습을 통한 강건한 얼굴인식방법
CN114387656B (zh) 基于人工智能的换脸方法、装置、设备及存储介质
TWI731919B (zh) 圖像識別方法與裝置及度量學習方法與裝置
KR102282471B1 (ko) 평균 얼굴 패치 및 메시 기반 나이 추정 시스템 및 방법
Kumar et al. Palmprint Recognition in Eigen-space
CN111950403A (zh) 一种虹膜分类方法及系统、电子设备和存储介质
Ambika et al. Periocular authentication based on FEM using Laplace–Beltrami eigenvalues
JP2007299051A (ja) 画像処理装置、方法およびプログラム
Lanitis et al. On the analysis of factors influencing the performance of facial age progression
Monteiro et al. Multimodal hierarchical face recognition using information from 2.5 D images
Panchal et al. 3d face recognition based on pose correction using Euler angle method
US20240037986A1 (en) Computer-readable recording medium storing training program and identification program, and training method

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
G170 Re-publication after modification of scope of protection [patent]