KR102415509B1 - 얼굴 인증 방법 및 장치 - Google Patents

얼굴 인증 방법 및 장치 Download PDF

Info

Publication number
KR102415509B1
KR102415509B1 KR1020170149654A KR20170149654A KR102415509B1 KR 102415509 B1 KR102415509 B1 KR 102415509B1 KR 1020170149654 A KR1020170149654 A KR 1020170149654A KR 20170149654 A KR20170149654 A KR 20170149654A KR 102415509 B1 KR102415509 B1 KR 102415509B1
Authority
KR
South Korea
Prior art keywords
image
color channel
face
query
target
Prior art date
Application number
KR1020170149654A
Other languages
English (en)
Other versions
KR20190053602A (ko
Inventor
고민수
한승주
한재준
최창규
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020170149654A priority Critical patent/KR102415509B1/ko
Priority to US16/167,994 priority patent/US10891467B2/en
Publication of KR20190053602A publication Critical patent/KR20190053602A/ko
Priority to US17/133,792 priority patent/US11551476B2/en
Application granted granted Critical
Publication of KR102415509B1 publication Critical patent/KR102415509B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4015—Image demosaicing, e.g. colour filter arrays [CFA] or Bayer patterns
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/17—Image acquisition using hand-held instruments
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/416—Exact reconstruction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Security & Cryptography (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)
  • Image Processing (AREA)

Abstract

얼굴 인증 방법 및 장치가 개시된다. 얼굴 인증 방법은 쿼리 얼굴 영상을 서로 다른 컬러 채널들의 컬러 채널 영상들로 분리하는 단계, 컬러 채널 영상들 각각의 스무딩 영상 및 그라디언트 영상을 이용하여 쿼리 얼굴 영상의 음영이 저감된 타겟 얼굴 영상을 획득하는 단계, 타겟 얼굴 영상으로부터 얼굴 특징을 추출하는 단계 및 추출된 얼굴 특징에 기초하여 얼굴 인증의 성공 여부를 결정하는 단계를 포함한다.

Description

얼굴 인증 방법 및 장치{FACE VERIFYING METHOD AND APPARATUS}
아래의 설명은 얼굴 인증 기술에 관한 것이다.
생체 인증 기술 중 하나인 얼굴 인증 기술은 정지 영상이나 동영상에 나타난 얼굴에 기초하여 사용자가 정당한 사용자인지 여부를 결정하는 인증 기술이다. 얼굴 인증 기술은 인증 대상자를 비접촉식으로 확인이 가능하다는 장점을 가지고 있다. 최근에는, 얼굴 인증 기술의 편리함 및 효율성 때문에 보안 시스템, 모바일 인증 및 멀티미디어 데이터 검색 등의 다양한 응용 분야에서 얼굴 인증 기술이 널리 활용되고 있다.
일 실시예에 따른 얼굴 인증 방법은, 쿼리 얼굴 영상을 서로 다른 컬러 채널들의 컬러 채널 영상들로 분리하는 단계; 상기 컬러 채널 영상들 각각의 스무딩 영상 및 그라디언트 영상을 이용하여 상기 쿼리 얼굴 영상의 음영이 저감된 타겟 얼굴 영상을 획득하는 단계; 상기 타겟 얼굴 영상으로부터 얼굴 특징을 추출하는 단계; 및 상기 추출된 얼굴 특징에 기초하여 얼굴 인증의 성공 여부를 결정하는 단계를 포함할 수 있다.
상기 음영이 저감된 타겟 얼굴 영상을 획득하는 단계는, 상기 컬러 채널 영상들 각각의 스무딩 영상 및 그라디언트 영상을 이용하여 상기 서로 다른 컬러 채널들 각각에 대응하는 타겟 얼굴 영상을 획득하는 단계; 및 상기 서로 다른 컬러 채널들에 대응하는 타겟 얼굴 영상들을 조합하는 것에 의해 복수 컬러 채널의 타겟 얼굴 영상을 획득하는 단계를 포함할 수 있다.
상기 서로 다른 컬러 채널들 각각에 대응하는 타겟 얼굴 영상을 획득하는 단계는, 상기 컬러 채널 영상들 각각의 스무딩 영상 및 그라디언트 영상에 기초하여, 상기 서로 다른 컬러 채널별로 에지가 강조된 재구성 영상을 생성하는 단계; 및 컬러 채널별 가중치 파라미터를 이용하여, 상기 서로 다른 컬러 채널별로 컬러 채널 영상과 재구성 영상을 융합하는 것에 의해 상기 서로 다른 컬러 채널들 각각에 대응하는 타겟 얼굴 영상을 생성하는 단계를 포함할 수 있다.
일 실시예에서, 상기 컬러 채널별 가중치 파라미터는, 미리 정의된 상수일 수 있다.
다른 실시예에서, 상기 컬러 채널별 가중치 파라미터는, 상기 쿼리 얼굴 영상의 영상 데이터를 입력으로 하는 뉴럴 네트워크에 의해 컬러 채널 영상별로 결정될 수 있다.
또 다른 실시예에서, 상기 컬러 채널별 가중치 파라미터는, 각 컬러 채널 영상들의 픽셀 위치별로 결정될 수 있다.
상기 재구성 영상을 생성하는 단계는, 현재 컬러 채널 영상을 스무딩 처리하는 것에 의해 상기 스무딩 영상을 획득하는 단계; 상기 현재 컬러 채널 영상으로부터 수평 방향의 제1 그라디언트 영상 및 수직 방향의 제2 그라디언트 영상을 획득하는 단계; 상기 스무딩 영상을 이용하여 상기 제1 그라디언트 영상 및 상기 제2 그라디언트 영상 각각을 정규화하는 단계; 및 상기 정규화된 제1 그라디언트 영상 및 상기 정규화된 제2 그라디언트 영상을 이용하여 상기 현재 컬러 채널 영상에 대응하는 재구성 영상을 생성하는 단계를 포함할 수 있다.
일 실시예에 따른 얼굴 인증 장치는 프로세서를 포함하고, 상기 프로세서는, 사용자의 쿼리 얼굴 영상을 서로 다른 컬러 채널들의 컬러 채널 영상들로 분리하고, 상기 컬러 채널 영상들 각각의 스무딩 영상 및 그라디언트 영상을 이용하여 상기 쿼리 얼굴 영상의 음영이 저감된 타겟 얼굴 영상을 획득하고, 상기 타겟 얼굴 영상으로부터 상기 사용자의 얼굴 특징을 추출하고, 상기 추출된 얼굴 특징에 기초하여 얼굴 인증의 성공 여부를 결정할 수 있다.
상기 프로세서는, 상기 컬러 채널 영상들 각각의 스무딩 영상 및 그라디언트 영상을 이용하여 상기 서로 다른 컬러 채널들 각각에 대응하는 타겟 얼굴 영상을 획득하고, 상기 서로 다른 컬러 채널들에 대응하는 타겟 얼굴 영상들을 조합하는 것에 의해 복수 컬러 채널의 타겟 얼굴 영상을 획득할 수 있다.
도 1a 및 도 1b는 일 실시예에 따른 얼굴 인증을 설명하기 위한 도면들이다.
도 2는 일 실시예에 따른 얼굴 등록 과정과 얼굴 인증 과정을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 얼굴 인증 방법을 설명하기 위한 흐름도이다.
도 4는 일 실시예에 따른 컬러 채널별 타겟 얼굴 영상을 획득하는 과정을 설명하기 위한 흐름도이다.
도 5는 일 실시예에 따른 타겟 얼굴 영상을 생성하는 일례를 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 특정 컬러 채널의 타겟 얼굴 영상을 생성하는 과정을 보다 상세히 설명하기 위한 도면이다.
도 7은 다른 실시예에 따른 타겟 얼굴 영상을 생성하는 일례를 설명하기 위한 도면이다.
도 8은 또 다른 실시예에 따른 타겟 얼굴 영상을 생성하는 일례를 설명하기 위한 도면이다.
도 9는 일 실시예에 따른 얼굴 인증 장치의 구성을 도시하는 도면이다.
도 10은 일 실시예에 따른 컴퓨팅 장치의 구성을 도시하는 도면이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시 형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다. 또한, 어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 달리 명시되지 않는 한 일반적으로 "하나 이상의"를 의미하는 것으로 해석되어야 한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1a는 일 실시예에 따른 얼굴 인증을 설명하기 위한 도면이다.
얼굴 인증(face verification)은 사용자 인증을 위한 인증 방법 중 하나로서, 인증을 시도한 사용자의 얼굴 정보에 기초하여 해당 사용자가 유효한(valid) 사용자인지 여부를 판단하는 인증 방법이다. 얼굴 인증은 사용자 로그인, 결제 서비스 및 출입 통제 등에서 유효한 사용자를 인증하는데 이용될 수 있다. 도 1a를 참조하면, 얼굴 인증을 수행하는 장치인 얼굴 인증 장치는 컴퓨팅 장치(120)에 포함되어 동작할 수 있다. 컴퓨팅 장치(120)는, 예를 들어 스마트폰, 웨어러블 기기(wearable device), 태블릿 컴퓨터, 넷북, 랩탑, 데스크탑, PDA(personal digital assistant), 셋탑 박스, 가전 기기, 생체 도어락, 보안 장치 또는 차량 시동 장치일 수 있다.
컴퓨팅 장치(120)는 얼굴 인증을 통해 컴퓨팅 장치(120)에 액세스하려는 사용자(110)에 대한 인증 과정을 수행할 수 있다. 예를 들어, 사용자(110)가 컴퓨팅 장치(120)의 잠금 상태를 해제하고자 컴퓨팅 장치(120)에 얼굴 인증을 시도하는 경우, 컴퓨팅 장치(120)는 카메라(130)와 같은 영상 획득 장치를 이용하여 사용자(110)의 얼굴 영상을 획득하고, 획득된 얼굴 영상을 분석하여 컴퓨팅 장치(100)의 잠금 상태를 해제할지 여부를 결정할 수 있다.
일 실시예에서, 사용자(110)가 얼굴 인증을 위해 카메라(130)를 통해 촬영하는 얼굴 영상은 도 1a에 도시된 것과 같이, 컴퓨팅 장치(120)의 스크린을 통해 제공될 수 있다. 해당 얼굴 영상은 프리뷰 영상(preview image)으로서 기능한다. 사용자(110)는 프리뷰 영상을 참고하여 얼굴 인증을 위해 입력하고자 하는 얼굴의 형태를 조정할 수 있다. 다른 실시예에 따르면, 도 1b에 도시된 것과 같이, 얼굴 인증 과정에서 카메라(130)에 의해 촬영된 프리뷰 영상이 컴퓨팅 장치(120)의 스크린(150)에 나타나지 않을 수도 있다.
도 1a로 돌아오면, 컴퓨팅 장치(120)는 획득한 얼굴 영상에서 얼굴 영역(140)을 검출하고, 특징 추출기를 이용하여 얼굴 영역(140)에서 특징을 추출할 수 있다. 컴퓨팅 장치(120)는 추출된 특징과 유효한 사용자에 대한 등록 특징 간의 비교 결과에 기초하여 사용자 인증의 성공 여부를 결정할 수 있다. 특징 추출기는 입력된 정보에 기초하여 특징 정보를 출력하는 모델로서, 일례로 학습 데이터(training data)에 의해 미리 학습된 뉴럴 네트워크일 수 있다. 뉴럴 네트워크는 인간의 생물학적 신경 세포의 특성을 수학적 표현에 의해 모델링한 것이다.
사용자 인증이 성공한 것으로 결정된 경우, 사용자(110)는 컴퓨팅 장치(120)의 잠금 모드를 성공적으로 해제시킬 수 있다. 반대로, 사용자 인증이 실패한 것으로 결정된 경우, 컴퓨팅 장치(120)는 계속적으로 잠금 모드에서 동작하게 된다. 유효한 사용자는 얼굴 등록 과정을 통해 자신의 얼굴을 컴퓨팅 장치(120)에 미리 등록할 수 있고, 컴퓨팅 장치(120)는 저장 장치 또는 클라우드 저장매체(cloud storage)에 해당 유효한 사용자를 식별하기 위한 정보를 저장할 수 있다. 예를 들어, 유효한 사용자의 얼굴 영상 또는 해당 얼굴 영상으로부터 추출된 얼굴 특징이 유효한 사용자의 등록 정보로서 저장될 수 있다.
얼굴 인증에 있어, 조도(illumination) 및 조명의 위치와 같은 조명 환경에 따라 카메라(130)에 의해 촬영되는 얼굴 영상은 다양하게 변할 수 있다. 예를 들어, 어두운 환경, 조명의 방향, 역광 또는 빛 번짐 등으로 인하여 얼굴 영상에 사용자의 얼굴이 제대로 나타나지 않을 수 있고, 이로 인하여 얼굴 인증의 정확도가 저하될 수 있다. 얼굴 인증의 유용성을 높이고, 정확도를 개선시키기 위해서는 다양한 조도 환경에 강인하게 얼굴 인증을 수행하는 것이 바람직하다. 이하에서는, 도면들을 참조하여 실시예들이 다양한 조도 환경에 강인하게 얼굴 인증을 수행하는 방법에 대해 설명하도록 한다.
도 2는 일 실시예에 따른 얼굴 등록 과정과 얼굴 인증 과정을 설명하기 위한 도면이다.
도 2를 참조하면, 얼굴 등록 과정(210)에서는 얼굴 등록의 대상이 되는 영상인 등록 얼굴 영상으로부터 유효한 사용자의 얼굴 특징이 등록된다. 일 실시예에서, 사용자는 얼굴 등록을 위해 카메라를 이용하여 자신의 얼굴을 촬영하고, 카메라에 의해 촬영된 영상에서 얼굴 영역이 검출될 수 있다. 검출된 얼굴 영역에 대응하는 영상이 등록 얼굴 영상으로서 이용될 수 있다. 얼굴 영역의 검출을 위해, Haar 기반의 캐스케이드 에이다부스트 분류기(Haar-based cascade adaboost classifier) 또는 Viola-Jones 검출기 등이 이용될 수 있으나, 실시예의 범위가 이에 한정되는 것은 아니다. 실시예에 따라, 등록 얼굴 영상에 영상 크롭핑(image cropping), 아핀 변환(affine transform) 또는 영상 스케일링(image scaling) 등과 같은 영상 정규화 과정이 수행될 수도 있다.
위 과정에 따라 등록 얼굴 영상이 획득되면, 아래에서 설명될 영상 처리 과정이 동일하게 적용되어 등록 얼굴 영상의 음영(shading)이 저감된 타겟 얼굴 영상이 생성(220)된다. 타겟 얼굴 영상으로부터 얼굴 특징이 추출(230)되고, 추출된 얼굴 특징이 해당 사용자의 등록 얼굴 특징으로서 저장(240)된다. 여기서, 얼굴 특징은 뉴럴 네트워크 기반의 특징 추출기에 의해 추출될 수 있다.
얼굴 인증 과정(250)에서는 얼굴 인증을 시도한 사용자가 유효한 사용자 인지 여부가 결정된다. 일 실시예에서, 사용자가 얼굴 인증을 위해 카메라(예를 들어, 디지털 스틸 카메라 또는 비디오 카메라)를 이용하여 자신의 얼굴을 촬영하고, 카메라에 의해 촬영된 영상에서 얼굴 영역이 검출될 수 있다. 검출된 얼굴 영역에 대응하는 영상이 얼굴 인증의 대상이 되는 쿼리 얼굴 영상(query facial image)으로 이용될 수 있다. 얼굴 등록 과정(210)에서와 마찬가지로, 실시예에 따라 쿼리 얼굴 영상에 영상 크롭핑, 아핀 변환 또는 영상 스케일링과 같은 영상 정규화 과정이 수행될 수 있다.
위 과정에 따라 쿼리 얼굴 영상이 획득되면, 아래에서 설명될 영상 처리 과정에 의해 쿼리 얼굴 영상의 음영이 저감된 타겟 얼굴 영상이 생성(260)된다. 여기서, 타겟 얼굴 영상은 얼굴 등록 과정(210)에서 타겟 얼굴 영상을 생성할 때 이용된 영상 처리 과정과 동일한 영상 처리 과정에 의해 생성된다. 이후에, 얼굴 등록 과정(210)에서 이용된 특징 추출기와 동일한 특징 추출기에 의해 타겟 얼굴 영상으로부터 얼굴 특징이 추출(270)되고, 추출된 얼굴 특징과 얼굴 등록 과정(210)에서 저장된 등록 얼굴 특징 간의 비교 결과에 기초하여 얼굴 인증의 성공 여부가 판단(280)된다. 예를 들어, 얼굴 특징과 등록 얼굴 특징 간의 유사도가 계산되고, 해당 유사도에 기초한 스코어(score)가 임계 값보다 큰 경우에 얼굴 인증이 성공한 것으로 결정되고, 해당 스코어가 임계 값 이하인 경우에는 얼굴 인증이 실패한 것으로 결정될 수 있다. 다른 예로, 얼굴 특징과 등록 얼굴 특징 간의 거리(예를 들어, 유클리디안 거리(Euclidean distance))가 계산되고, 계산된 거리가 임계 값 이하인 경우에 얼굴 인증이 성공한 것으로 결정되고, 해당 거리가 임계 값보다 큰 경우에는 얼굴 인증이 실패한 것으로 결정될 수 있다. 여기서, 얼굴 특징과 등록 얼굴 특징 간의 유사도와 거리는, 얼굴 특징을 나타내는 특징 벡터 값과 등록 얼굴 특징을 나타내는 특징 벡터 값에 기초하여 계산될 수 있고, 해당 유사도와 거리는 서로 반비례 관계에 있을 수 있다. 이하, 설명의 일관성을 위하여 유사도를 이용하여 얼굴 인증의 결과를 결정하는 것으로 실시예들을 설명하나, 아래에서 설명하는 실시예들에는 유사도 대신 거리를 이용하여 얼굴 인증의 결과를 결정하는 것으로 변경 또는 확장될 수 있다.
도 3은 일 실시예에 따른 얼굴 인증 방법을 설명하기 위한 흐름도이다.
도 3을 참조하면, 단계(310)에서 얼굴 인증 장치는 쿼리 얼굴 영상을 서로 다른 컬러 채널들의 컬러 채널 영상들로 분리할 수 있다. 예를 들어, 얼굴 인증 장치는 쿼리 얼굴 영상을 레드(red), 블루(blue) 및 그린(green) 컬러 채널의 컬러 채널 영상들로 분리할 수 있다. 컬러 영상인 쿼리 얼굴 영상은 레드, 블루 및 그린의 컬러 성분들로 분리될 수 있고, 컬러 채널 영상은 해당 각각의 컬러 성분을 포함하는 영상을 나타낸다.
도면에는 도시되어 있지 않지만, 실시예에 따라 얼굴 인증 장치는 쿼리 얼굴 영상을 컬러 채널 영상들로 분리하기 이전에, 쿼리 얼굴 영상에 대해 영상 전처리 과정을 수행할 수도 있다. 해당 영상 전처리 과정은 얼굴 인증에 보다 적합한 형태가 되도록 쿼리 얼굴 영상을 수정 또는 변경하는 하나 이상의 과정을 포함한다. 예를 들어, 전처리 과정은 쿼리 얼굴 영상의 크기를 조정하는 과정, 쿼리 얼굴 영상을 회전하는 과정, 쿼리 얼굴 영상에 포함된 노이즈를 제거하는 과정, 쿼리 얼굴 영상의 컨트라스트(contrast)를 증가시키는 과정, 쿼리 얼굴 영상에 포함된 블러(blur)를 제거하는 디블러링(deblurring) 과정, 쿼리 얼굴 영상에 나타난 배경 영역(background region)을 제거하는 과정, 쿼리 얼굴 영상에 포함된 왜곡(distortion)을 보정하는 와핑(warping) 과정 또는 쿼리 얼굴 영상에서 특정 영역을 크롭핑하는 과정 등을 포함할 수 있다.
단계(320)에서, 얼굴 인증 장치는 컬러 채널 영상들 각각의 스무딩 영상(smoothing image) 및 그라디언트 영상(gradient image)을 이용하여 쿼리 얼굴 영상의 음영이 저감된 타겟 얼굴 영상을 획득한다. 여기서, 스무딩 영상은 컬러 채널 영상에 스무딩 처리를 수행하는 것에 의해 노이즈가 저감된 영상을 나타내고, 그라디언트 영상은 컬러 채널 영상의 한 픽셀을 중심으로 주변 픽셀들의 픽셀 값 변화를 나타내는 영상이다. 그라디언트 영상은 인접한 픽셀들 간의 픽셀 값 차이를 나타내며, 객체의 에지(edge) 정보를 포함할 수 있다.
얼굴 인증 장치는 컬러 채널 영상들 각각의 스무딩 영상 및 그라디언트 영상에 기초한 정규화(normalization) 과정을 통해 서로 다른 컬러 채널별로 에지가 강조된 재구성 영상(reconstructed image)을 생성할 수 있다. 얼굴 인증 장치는 컬러 채널별 가중치 파라미터를 이용하여, 서로 다른 컬러 채널별로 컬러 채널 영상과 재구성 영상을 융합(fusion)하는 것에 의해 서로 다른 컬러 채널들 각각에 대응하는 타겟 얼굴 영상을 생성할 수 있다. 여기서, 컬러 채널별 가중치 파라미터는 서로 다른 컬러 채널별로 컬러 채널 영상과 재구성 영상 간의 융합도(degree of fusion)를 결정하는 역할을 한다. 해당 가중치 파라미터에 의해 타겟 얼굴 영상에 컬러 채널 영상 및 재구성 영상이 얼마나 반영될 것인지가 결정될 수 있다. 예를 들어, 가중치 파라미터의 값이 클수록 타겟 얼굴 영상에 재구성 영상보다는 컬러 채널 영상이 보다 많이 반영되고, 가중치 파라미터가 작을수록 타겟 얼굴 영상에 반영되는 컬러 채널 영상의 비중이 낮아질 수 있다.
일 실시예에서, 컬러 채널별 가중치 파라미터는 미리 정의된 상수(constant)일 수 있다. 이 경우, 레드, 그린 및 블루의 각 컬러 채널에 대응하는 상수 값의 가중치 파라미터들이 존재할 수 있다. 해당 컬러 채널별 가중치 파라미터는 얼굴 등록 및 얼굴 인증에 이용되는 특징 추출기의 학습(training) 과정에서 함께 학습될 수 있다. 학습 과정에서, 특징 추출기에 의해 추출된 특징과 목적하는 특징 간의 차이에 기초하여 손실(loss)이 계산되고, 계산된 손실이 줄어들도록 특징 추출기를 구성하는 파라미터들과 함께 컬러 채널별 가중치 파라미터가 조정될 수 있다. 많은 양의 학습 데이터에 대해 위 과정을 반복적으로 수행함으로써 특징 추출기의 파라미터들과 컬러 채널별 가중치 파라미터가 점차 바람직한 방향으로 조정될 수 있다.
다른 실시예에서, 컬러 채널별 가중치 파라미터의 값은 고정된 것 아닌, 컬러 채널 영상별로 결정될 수 있다. 예를 들어, 컬러 채널별 가중치 파라미터는 쿼리 얼굴 영상의 영상 데이터를 입력으로 하는 뉴럴 네트워크에 의해 컬러 채널 영상별로 결정될 수 있다. 해당 뉴럴 네트워크는 쿼리 얼굴 영상의 영상 화질 측정(image quality assessment) 결과에 기초하여 컬러 채널별 가중치 파라미터를 결정할 수 있다.
또 다른 실시예에서, 컬러 채널별 가중치 파라미터는 각 컬러 채널 영상들의 픽셀 위치별로 결정될 수도 있다. 예를 들어, 쿼리 얼굴 영상의 영상 데이터를 입력으로 하는 뉴럴 네트워크에 의해 각 컬러 채널 영상들의 픽셀 위치마다 가중치 파라미터가 개별적으로 결정될 수 있다.
컬러 채널별 가중치 파라미터가 고정된 것이 아닌 각 컬러 채널 영상에 따라 결정되는 경우, 원래의 영상 데이터를 포함하는 컬러 채널 영상과 일련의 영상 처리가 수행된 재구성 영상을 타겟 얼굴 영상에 어느 정도 반영할 지가 컬러 채널 영상의 상태(condition)에 따라 적응적으로 결정될 수 있다. 예를 들어, 쿼리 얼굴 영상이 바람직한 조명 환경에서 촬영된 것이라면, 영상 처리가 수행되지 않은 컬러 채널 영상이 타겟 얼굴 영상에 상대적으로 많이 반영되도록 컬러 채널별 가중치 파라미터가 결정될 수 있다. 이와 반대로, 쿼리 얼굴 영상이 저조도 환경이나 역광, 빛 번짐 등과 같은 바람직하지 않은 조명 환경에서 촬영된 것이라면, 일련의 영상 처리 과정이 수행되어 생성된 재구성 영상이 타겟 얼굴 영상에 상대적으로 많이 반영되도록 컬러 채널별 가중치 파라미터가 결정될 수 있다. 위와 같이 컬러 채널별 가중치를 컬러 채널 영상들(쿼리 얼굴 영상)의 상태에 따라 적응적으로 결정하는 것에 의해, 바람직하지 않은 조명 환경에 강인하게 얼굴 인증을 수행하는 것이 가능해 진다.
서로 다른 컬러 채널들에 대응하는 타겟 얼굴 영상들이 생성되면, 이들 타겟 얼굴 영상들을 조합하는 것에 의해 복수 컬러 채널의 타겟 얼굴 영상이 획득될 수 있다. 예를 들어, 해당 조합에 의해 레드, 그린 및 블루의 컬러 성분을 가지는 타겟 얼굴 영상이 획득될 수 있다. 타겟 얼굴 영상을 생성하는 과정에 대해서는 도 4에서 보다 자세히 설명하도록 한다.
단계(330)에서, 얼굴 인증 장치는 단계(320)에서 획득된 타겟 얼굴 영상으로부터 얼굴 특징을 추출한다. 일 실시예에서, 얼굴 인증 장치는 해당 타겟 얼굴 영상의 영상 데이터를 입력으로 하는 뉴럴 네트워크 기반의 특징 추출기를 이용하여 얼굴 특징을 추출할 수 있다. 특징 추출기는 입력된 영상 데이터에 대응하는 특징 값을 얼굴 특징으로서 출력할 수 있다. 특징 추출기는 얼굴 인증 과정 이전에 학습 데이터에 기초하여 미리 학습될 수 있다.
단계(340)에서, 얼굴 인증 장치는 단계(330)에서 추출된 얼굴 특징에 기초하여 얼굴 인증의 성공 여부를 결정한다. 얼굴 인증 장치는 해당 추출된 얼굴 특징과 얼굴 등록 과정에서 저장된 등록 얼굴 특징을 비교하고, 해당 비교 결과에 기초하여 얼굴 인증의 성공 여부를 결정할 수 있다. 예를 들어, 얼굴 인증 장치는 추출된 얼굴 특징과 등록 얼굴 특징 간의 유사도를 결정하고, 유사도가 임계 값보다 큰 경우에 얼굴 인증이 성공한 것으로 결정하고, 유사도가 임계 값 이하인 경우에는 얼굴 인증이 실패한 것으로 결정할 수 있다. 추출된 얼굴 특징과 등록 얼굴 특징 간의 차이가 클수록 유사도는 작아지고, 해당 차이가 작을수록 유사도는 커질 수 있다.
위와 같이, 쿼리 얼굴 영상을 서로 다른 컬러 채널별로 분리하여 영상 처리를 수행하여 음영이 저감된 타겟 얼굴 영상을 생성하고, 해당 타겟 얼굴 영상에 기초하여 얼굴 인증을 수행하는 것에 의해 다양한 조명 환경에 강인하게 얼굴 인증을 수행하고, 얼굴 인증의 정확도를 개선시킬 수 있다. 또한, 복수 컬러 채널의 타겟 얼굴 영상을 이용함으로써 피부색 등의 특징이 얼굴 인증에 이용되어 얼굴 인증의 성능이 개선될 수 있다.
도 4는 일 실시예에 따른 컬러 채널별 타겟 얼굴 영상을 획득하는 과정을 설명하기 위한 흐름도이다.
도 4를 참조하면, 단계(410)에서 얼굴 인증 장치는 현재 컬러 채널 영상을 스무딩 처리하는 것에 의해 스무딩 영상을 획득한다. 예를 들어, 얼굴 인증 장치는 노이즈를 필터링하기 위한 필터를 이용하여 컬러 채널 영상을 스무딩 처리하는 것에 의해 해당 스무딩 영상을 획득할 수 있다. 단계(420)에서, 얼굴 인증 장치는 현재 컬러 채널 영상으로부터 수평 방향(또는 x축 방향)의 제1 그라디언트 영상 및 수직 방향(또는 y축 방향)의 제2 그라디언트 영상을 획득한다. 얼굴 인증 장치는 현재 컬러 채널 영상에서 수평 방향으로 주변 픽셀들 간의 픽셀 값 차이를 계산하고, 해당 픽셀 값 차이를 맵(map) 형태로 나타내어 제1 그라디언트 영상을 획득할 수 있다. 또한, 얼굴 인증 장치는 현재 컬러 채널 영상에서 수직 방향으로 주변 픽셀들 간의 픽셀 차이를 계산하고, 해당 픽셀 값 차이를 맵 형태로 나타내어 제2 그라디언트 영상을 획득할 수 있다.
단계(430)에서, 얼굴 인증 장치는 스무딩 영상을 이용하여 제1 그라디언트 영상 및 제2 그라디언트 영상 각각을 정규화할 수 있다. 예를 들어, 얼굴 인증 장치는 제1 그라디언트 영상 및 제2 그라디언트 영상 각각을 스무딩 영상으로 나누는 것에 의해 정규화된 제1 그라디언트 영상 및 정규화된 제2 그라디언트 영상을 획득할 수 있다. 해당 정규화 과정에 의해 조도 및 조명의 색 등의 영향이 줄어들어 얼굴 인증의 성능이 개선될 수 있다.
단계(440)에서, 얼굴 인증 장치는 정규화된 제1 그라디언트 영상 및 정규화된 제2 그라디언트 영상을 통합하는 것에 의해 현재 컬러 채널 영상에 대응하는 재구성 영상을 생성할 수 있다. 단계(450)에서, 얼굴 인증 장치는 가중치 파라미터에 기초하여 현재 컬러 채널 영상과 재구성 영상을 융합하는 것에 의해 현재 컬러 채널 영상에 대응하는 타겟 얼굴 영상을 생성한다.
얼굴 인증 장치는 각 컬러 채널 영상들마다 단계(410) 내지 단계(450)의 과정을 수행하여 각 컬러 채널 영상들에 대응하는 타겟 얼굴 영상을 생성할 수 있다. 이와 같은 컬러 채널 영상별 타겟 얼굴 영상의 생성은 컬러 채널 영상별로 병렬적으로 수행될 수 있다.
도 5는 일 실시예에 따른 타겟 얼굴 영상을 생성하는 일례를 설명하기 위한 도면이다.
도 5를 참조하면, 얼굴 인증 장치는 쿼리 얼굴 영상(510)을 각각 레드 컬러 채널의 컬러 채널 영상(522), 그린 컬러 채널의 컬러 채널 영상(524) 및 블루 컬러 채널의 컬러 채널 영상(526)으로 분리할 수 있다. 그 후, 얼굴 인증 장치는 레드 컬러 채널에 대응하는 가중치 파라미터에 기초하여 도 4에서 설명한 과정에 따라 레드 컬러 채널의 타겟 얼굴 영상을 생성(532)할 수 있다. 이와 마찬가지로, 얼굴 인증 장치는 그린 컬러 채널 및 블루 컬러 채널 각각에 대응하는 가중치 파라미터에 기초하여 그린 컬러 채널의 타겟 얼굴 영상과 블루 컬러 채널의 타겟 얼굴 영상을 생성(534, 536)할 수 있다. 각 컬러 채널의 타겟 얼굴 영상들이 조합되어 쿼리 얼굴 영상의 음영이 저감된 복수 컬러 채널의 타겟 얼굴 영상(540)이 생성되고, 타겟 얼굴 영상(540)의 영상 데이터가 뉴럴 네트워크 기반의 특징 추출기(550)에 입력된다. 특징 추출기(550)는 입력된 영상 데이터에 기초하여 타겟 얼굴 영상(540)으로부터 얼굴 특징(예를 들어, 특징 벡터)을 추출한다.
위 실시예에서, 가중치 파라미터는 미리 정의된 상수로서, 그 값은 컬러 채널별로 서로 다를 수 있다. 가중치 파라미터는 특징 추출기(550)를 학습시키는 과정에서 각 컬러 채널별로 학습되어 결정될 수 있다. 해당 학습 과정에서는, 특징 추출기(550)가 다양한 조도 환경에 강인해 지도록 컬러 채널별 가중치 파라미터가 결정된다. 결정된 컬러 채널별 가중치 파라미터는 얼굴 등록 과정 및 얼굴 인증 과정에서 이용된다.
본 실시예의 경우, 다양한 조도 환경에 의해 쿼리 얼굴 영상에 나타나는 얼굴의 피부 색 변화를 보정할 수 있으며, 피부 색이 가지는 각각의 컬러 채널별로 쿼리 얼굴 영상을 얼굴 인증에 보다 적합하게 보정하여 얼굴 인증의 정확도를 개선시킬 수 있다.
도 6은 일 실시예에 따른 특정 컬러 채널의 타겟 얼굴 영상을 생성하는 과정을 보다 상세히 설명하기 위한 도면이다.
도 6을 참조하면, 얼굴 인증 장치는 특정한 A 컬러 채널의 컬러 채널 영상을 스무딩 처리(610)하여 스무딩 영상을 생성한다. 스무딩 영상은, 예를 들어 다음의 수학식 1에 기초하여 생성될 수 있다.
Figure 112017111834729-pat00001
여기서,
Figure 112017111834729-pat00002
는 A 컬러 채널의 컬러 채널 영상을 나타내고,
Figure 112017111834729-pat00003
는 스무딩 처리를 위한 스무딩 커널(smoothing kernel)을 나타낸다.
Figure 112017111834729-pat00004
는 컨볼루션(convolution) 연산을 나타내고,
Figure 112017111834729-pat00005
는 스무딩 영상을 나타낸다. 여기서, 램버시안 반사 모델(Lambertian reflection model)을 가정하였을 때, 컬러 채널 영상
Figure 112017111834729-pat00006
는 다음의 수학식 2와 같이 나타낼 수 있다.
Figure 112017111834729-pat00007
여기서,
Figure 112017111834729-pat00008
는 컬러 채널 영상에서의 위치
Figure 112017111834729-pat00009
와 관련된 표면 텍스쳐(surface texture)를 나타내고,
Figure 112017111834729-pat00010
는 컬러 채널 영상에서의 위치
Figure 112017111834729-pat00011
와 관련된 표면 노멀 방향(surface normal direction)을 나타내며,
Figure 112017111834729-pat00012
는 조명(또는 광원)의 방향을 나타낸다.
Figure 112017111834729-pat00013
는 벡터의 내적 연산(vector dot production)을 나타내고, T는 벡터의 트랜스포즈(transpose)를 나타낸다. 이 때, 복수의 광원들
Figure 112017111834729-pat00014
이 존재하는 경우에는, 수학식 2는 다음의 수학식 3으로 확장될 수 있다.
Figure 112017111834729-pat00015
여기서,
Figure 112017111834729-pat00016
는 복수의 광원들을 구별하기 위한 인덱스이다.
한편, 얼굴 인증 장치는 A 컬러 채널의 컬러 채널 영상
Figure 112017111834729-pat00017
에 대해 그라디언트 연산(620)을 수행하여 그라디언트 영상을 생성한다. 그라디언트 연산은, 예를 들어 다음의 수학식 4에 기초하여 수행될 수 있다.
Figure 112017111834729-pat00018
수학식 4에서, 근사(approximation) 관계는 컬러 채널 영상의 전체 영역에 걸쳐 표면 노멀 방향
Figure 112017111834729-pat00019
과 조명의 방향
Figure 112017111834729-pat00020
는 느리게 변하는데 반하여, 표면 텍스쳐
Figure 112017111834729-pat00021
는 상대적으로 빠르게 변한다고 가정하는 것으로부터 도출될 수 있다.
얼굴 인증 장치는 컬러 채널 영상에서 주변 픽셀들 간의 수평 방향에서의 픽셀 값 차이에 기초하여 제1 그라디언트 영상을 생성하고, 주변 픽셀들 간의 수직 방향에서의 픽셀 값 차이에 기초하여 제2 그라디언트 영상을 생성할 수 있다. 예를 들어, 수학식 4를 통해 제1 그라디언트 영상 및 제2 그라디언트 영상
Figure 112017111834729-pat00022
이 생성될 수 있다.
이후에, 얼굴 인증 장치는 스무딩 영상에 기초하여 제1 그라디언트 영상과 제2 그라디언트 영상을 각각 정규화(630)할 수 있다. 예를 들어, 정규화는 다음의 수학식 5에서와 같이, 제1 그라디언트 영상 및 제2 그라디언트 영상을 스무딩 영상으로 나누는 것에 의해 수행될 수 있다.
Figure 112017111834729-pat00023
여기서, N은
Figure 112017111834729-pat00024
으로, 정규화된 제1 그라디언트 영상
Figure 112017111834729-pat00025
과 정규화된 제2 그라디언트 영상
Figure 112017111834729-pat00026
을 포함한다. 얼굴 인증 장치는 정규화된 제1 그라디언트 영상과 정규화된 제2 그라디언트 영상을 통합하여 재구성 영상
Figure 112017111834729-pat00027
을 생성(640)할 수 있다.
얼굴 인증 장치는 A 컬러 채널에 대응하는 가중치 파라미터
Figure 112017111834729-pat00028
에 기초하여 A 컬러 채널의 컬러 채널 영상과 재구성 영상을 융합(650)시킬 수 있다. 해당 융합에 의해 A 컬러 채널의 타겟 얼굴 영상이 생성될 수 있다. 예를 들어, 융합은 다음의 수학식 6에 기초하여 수행될 수 있다.
Figure 112017111834729-pat00029
여기서,
Figure 112017111834729-pat00030
는 A 컬러 채널의 타겟 얼굴 영상을 나타내며, 가중치 파라미터
Figure 112017111834729-pat00031
의 범위는
Figure 112017111834729-pat00032
이다.
얼굴 인증 장치는 다른 컬러 채널의 컬러 채널 영상에 대해 위와 같은 과정을 동일하게 수행하여 다른 컬러 채널에 대응하는 타겟 얼굴 영상을 생성한다.
도 7은 다른 실시예에 따른 타겟 얼굴 영상을 생성하는 일례를 설명하기 위한 도면이다.
도 7을 참조하면, 얼굴 인증 장치는, 도 5에서와 동일하게 쿼리 얼굴 영상(510)을 각각 레드 컬러 채널의 컬러 채널 영상(522), 그린 컬러 채널의 컬러 채널 영상(524) 및 블루 컬러 채널의 컬러 채널 영상(526)으로 분리할 수 있다. 다만, 도 5에서와 다르게, 얼굴 인증 장치는 컬러 채널 영상들의 타겟 얼굴 영상을 생성하는데 있어 쿼리 얼굴 영상(510)의 상태에 따라 가중치 파라미터를 적응적으로 결정할 수 있다. 이 때, 레드, 그린 및 블루의 컬러 채널 각각에 대응하는 가중치 파라미터가 결정(710)될 수 있다. 얼굴 인증 장치는 컬러 채널별 가중치 파라미터에 기초하여 레드 컬러 채널, 그린 컬러 채널 및 블루 컬러 채널 각각의 타겟 얼굴 영상을 생성(722, 724, 726)하고, 각 컬러 채널의 타겟 얼굴 영상들이 조합되어 쿼리 얼굴 영상의 음영이 저감된 복수 컬러 채널의 타겟 얼굴 영상(730)이 생성할 수 있다. 이후에, 특징 추출기(550)에 의해 타겟 얼굴 영상(730)으로부터 얼굴 특징이 추출된다.
일 실시예에서, 가중치 파라미터는 쿼리 얼굴 영상(510)의 영상 데이터가 입력되는 뉴럴 네트워크 기반의 가중치 파라미터 결정기에 의해 결정될 수 있다. 가중치 파라미터 결정기를 구성하는 파라미터들은 학습 과정을 통해 최적화될 수 있다. 학습 과정에서, 가중치 파라미터 결정기는 가중치 파라미터 결정기에 입력되는 학습 영상의 영상 화질 측정(Image Quality Assessment; IQA) 결과에 따라 컬러 채널별 가중치 파라미터의 바람직한 값을 출력하도록 학습될 수 있다. 이에 따라, 가중치 파라미터 결정기는 얼굴 인증에서 쿼리 얼굴 영상(510)의 영상 화질 측정 결과에 따른 컬러 채널별 가중치 파라미터를 출력할 수 있다. 쿼리 얼굴 영상(510)의 상태에 따라 컬러 채널별 가중치 파라미터를 결정하는 것에 의해, 정상적인 조도 환경에서 촬영된 쿼리 얼굴 영상과 다양한 조도 환경에서 촬영된 쿼리 얼굴 영상 간의 차이를 줄일 수 있어 조도 변화에 강인하게 얼굴 인증을 수행할 수 있다.
도 8은 또 다른 실시예에 따른 타겟 얼굴 영상을 생성하는 일례를 설명하기 위한 도면이다.
도 8을 참조하면, 얼굴 인증 장치는, 도 7에서와 동일하게 쿼리 얼굴 영상(510)을 각각 레드 컬러 채널의 컬러 채널 영상(522), 그린 컬러 채널의 컬러 채널 영상(524) 및 블루 컬러 채널의 컬러 채널 영상(526)으로 분리하고, 각 컬러 채널 별로 가중치 파라미터를 결정할 수 있다. 다만, 도 7에서와 다르게, 얼굴 인증 장치는 컬러 채널 영상 단위가 아닌, 각 컬러 채널 영상의 픽셀 위치별로 가중치 파라미터를 결정(810)할 수 있다. 픽셀 위치별로 결정된 가중치 파라미터에 기초하여 레드 컬러 채널, 그린 컬러 채널 및 블루 컬러 채널 각각의 타겟 얼굴 영상이 생성(822, 824, 826)되고, 각 컬러 채널의 타겟 얼굴 영상들이 조합되어 복수 컬러 채널의 타겟 얼굴 영상(830)이 생성된다. 이후에 특징 추출기(550)에 의해 타겟 얼굴 영상(830)으로부터 얼굴 특징이 추출된다.
도 7에서와 유사하게, 가중치 파라미터는 쿼리 얼굴 영상(510)의 영상 데이터가 입력되는 뉴럴 네트워크 기반의 가중치 파라미터 결정기에 의해 결정될 수 있다. 가중치 파라미터 결정기는 학습 과정을 통해 가중치 파라미터 결정기에 입력되는 학습 영상의 영상 화질 측정 결과에 따라 각 컬러 채널 영상들의 각 픽셀 위치별로 가중치 파라미터의 바람직한 값을 출력하도록 학습될 수 있다.
본 실시예와 같이, 픽셀 위치별로 결정된 가중치 파라미터를 이용하는 것에 의해 쿼리 얼굴 영상(510)에 나타날 수 있는 방향성 광(directional light), 부분적인 그림자와 같은 픽셀 단위의 국부적인 조명 변화까지 보정하여 다양한 조명 환경에 강인하게 얼굴 인증을 수행할 수 있다. 예를 들어, 타겟 얼굴 영상을 생성하는데 있어, 방향성 광이 나타나는 영역에서는 원래의 영상 데이터를 포함하는 쿼리 얼굴 영상(510)의 비중이 낮고, 영상 처리가 수행된 재구성 영상의 비중이 높도록 가중치 파라미터가 결정될 수 있다.
도 9는 일 실시예에 따른 얼굴 인증 장치의 구성을 도시하는 도면이다.
도 9를 참조하면, 얼굴 인증 장치(900)는 얼굴 인증을 위한 쿼리 얼굴 영상을 수신한다. 얼굴 인증 장치(900)는 쿼리 얼굴 영상으로부터 추출된 얼굴 특징과 데이터베이스(930)에 미리 저장된 등록 얼굴 특징 간의 비교 결과에 기초하여 얼굴 인증의 성공 여부를 결정할 수 있다. 유효한 사용자는 얼굴 등록 과정을 통해 자신의 얼굴 특징을 미리 등록할 수 있고, 이렇게 등록된 얼굴 특징에 대한 정보는 데이터베이스(930)에 저장될 수 있다. 얼굴 인증 장치(900)는 얼굴 인증 방법과 관련하여 본 명세서에 기술되거나 또는 도시된 하나 이상의 동작을 수행할 수 있고, 얼굴 인증의 결과를 사용자에게 제공할 수 있다.
얼굴 인증 장치(900)는 하나 이상의 프로세서(910) 및 메모리(920)를 포함할 수 있다. 프로세서(910)는 도 1 내지 도 8을 참조하여 설명된 하나 이상의 동작을 실행하기 위한 인스트럭션들을 실행할 수 있다. 예를 들어, 프로세서(910)는 사용자의 쿼리 얼굴 영상을 서로 다른 컬러 채널들의 컬러 채널 영상들로 분리하고, 컬러 채널 영상들 각각의 스무딩 영상 및 그라디언트 영상을 이용하여 서로 다른 컬러 채널들 각각에 대응하는 타겟 얼굴 영상을 획득할 수 있다. 이 때, 프로세서(910)는 컬러 채널 영상들 각각의 스무딩 영상 및 그라디언트 영상을 이용하여 서로 다른 컬러 채널별로 에지가 강조된 재구성 영상을 생성하고, 컬러 채널별 가중치 파라미터를 이용하여 서로 다른 컬러 채널별로 컬러 채널 영상과 재구성 영상을 융합하는 것에 의해 서로 다른 컬러 채널들 각각에 대응하는 타겟 얼굴 영상을 생성할 수 있다. 일 실시예에서, 컬러 채널별 가중치 파라미터는 상수이거나, 컬러 채널 영상별로 결정되거나 또는 각 컬러 채널 영상의 각 픽셀 위치별로 결정될 수 있다. 프로세서(910)는 서로 다른 컬러 채널들에 대응하는 타겟 얼굴 영상들을 조합하는 것에 의해 복수 컬러 채널의 타겟 얼굴 영상을 획득하고, 복수 컬러 채널의 타겟 얼굴 영상으로부터 사용자의 얼굴 특징을 추출할 수 있다. 프로세서(910)는 추출된 얼굴 특징과 등록 얼굴 특징 간의 유사도를 계산하고, 해당 유사도에 기초한 스코어가 임계 값보다 크면 얼굴 인증이 성공한 것으로 결정하고, 스코어가 임계 값 이하이면 얼굴 인증이 실패한 것으로 결정할 수 있다.
메모리(920)는 프로세서(910)에 연결되고, 프로세서(910)에 의해 실행가능한 인스트럭션들 및 프로세서(910)가 연산할 데이터 또는 프로세서(910)에 의해 처리된 데이터를 저장할 수 있다. 메모리(920)는 비일시적인 컴퓨터 판독가능 매체, 예컨대 고속 랜덤 액세스 메모리 및/또는 비휘발성 컴퓨터 판독가능 저장 매체를 포함할 수 있다.
도 10은 일 실시예에 따른 컴퓨팅 장치의 구성을 도시하는 도면이다.
도 10을 참조하면, 컴퓨팅 장치(1000)는 사용자의 얼굴이 나타난 쿼리 얼굴 영상을 획득하고, 획득된 쿼리 얼굴 영상에서 추출한 얼굴 특징을 미리 등록된 등록 특징과 비교하는 과정을 통해 얼굴 인증 과정을 수행할 수 있다. 컴퓨팅 장치(1000)는 도 1의 컴퓨팅 장치(120)에 대응할 수 있고, 기능적으로 도 9의 얼굴 인증 장치(900)의 기능을 포함할 수 있다.
컴퓨팅 장치(1000)는 프로세서(1010), 저장 장치(1020), 카메라(1030), 입력 장치(1040), 출력 장치(1050) 및 네트워크 인터페이스(1060)를 포함할 수 있다. 프로세서(1010), 저장 장치(1020), 카메라(1030), 입력 장치(1040), 출력 장치(1050) 및 네트워크 인터페이스(1060)는 통신 버스(1070)를 통해 서로 통신할 수 있다.
프로세서(1010)는 컴퓨팅 장치(1000) 내에서 실행하기 위한 기능 및 인스트럭션들을 실행한다. 예를 들어, 프로세서(1010)는 저장 장치(1040)에 저장된 인스트럭션들을 처리할 수 있다. 프로세서(1010)는 도 1 내지 도 9를 통하여 전술한 하나 이상의 동작을 수행할 수 있다.
저장 장치(1020)는 얼굴 인증을 수행하기 위한 정보를 저장한다. 저장 장치(1020)는 컴퓨터 판독가능한 저장 매체 또는 컴퓨터 판독가능한 저장 장치를 포함할 수 있다. 저장 장치(1020)는 프로세서(1010)에 의해 실행하기 위한 인스트럭션들을 저장할 수 있고, 컴퓨팅 장치(1000)에 의해 소프트웨어 또는 애플리케이션이 실행되는 동안 관련 정보를 저장할 수 있다. 저장 장치(1020)는 얼굴 등록 과정에서 등록된 정보(예를 들어, 등록 얼굴 특징)을 포함하는 데이터베이스를 저장할 수 있다.
카메라(1030)는 정지 영상, 비디오 영상, 또는 이들 모두를 캡쳐할 수 있다. 카메라(1030)는 사용자가 얼굴 인증을 시도하기 위해 입력하는 얼굴 영역을 캡쳐하여 쿼리 얼굴 영상을 획득할 수 있다.
입력 장치(1040)는 촉각, 비디오, 오디오 또는 터치 입력을 통해 사용자로부터 입력을 수신할 수 있다. 예를 들어, 입력 장치(1040)는 키보드, 마우스, 터치 스크린, 마이크로폰, 또는 사용자로부터 입력을 검출하고, 검출된 입력을 컴퓨팅 장치(1000)에 전달할 수 있는 임의의 다른 장치를 포함할 수 있다.
출력 장치(1050)는 시각적, 청각적 또는 촉각적인 채널을 통해 사용자에게 컴퓨팅 장치(1000)의 출력을 제공할 수 있다. 출력 장치(1050)는 예를 들어, 디스플레이, 터치 스크린, 스피커, 진동 발생 장치 또는 사용자에게 출력을 제공할 수 있는 임의의 다른 장치를 포함할 수 있다. 네트워크 인터페이스(1060)는 유선 또는 무선 네트워크를 통해 외부 장치와 통신할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

Claims (18)

  1. 쿼리 얼굴 영상(query facial image)을 서로 다른 컬러 채널들의 컬러 채널 영상들로 분리하는 단계;
    상기 컬러 채널 영상들 각각의 스무딩 영상(smoothing image) 및 그라디언트 영상(gradient image)을 이용하여 상기 쿼리 얼굴 영상의 음영(shading)이 저감된 타겟 얼굴 영상을 획득하는 단계;
    상기 타겟 얼굴 영상으로부터 얼굴 특징을 추출하는 단계; 및
    상기 추출된 얼굴 특징에 기초하여 얼굴 인증의 성공 여부를 결정하는 단계
    를 포함하고,
    상기 음영이 저감된 타겟 얼굴 영상을 획득하는 단계는,
    상기 컬러 채널 영상들 각각의 스무딩 영상 및 그라디언트 영상을 이용하여 상기 서로 다른 컬러 채널들 각각에 대응하는 타겟 얼굴 영상을 획득하는 단계; 및
    상기 서로 다른 컬러 채널들에 대응하는 타겟 얼굴 영상들을 조합하는 것에 의해 복수 컬러 채널의 타겟 얼굴 영상을 획득하는 단계를 포함하는,
    얼굴 인증 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 서로 다른 컬러 채널들 각각에 대응하는 타겟 얼굴 영상을 획득하는 단계는,
    상기 컬러 채널 영상들 각각의 스무딩 영상 및 그라디언트 영상에 기초하여, 상기 서로 다른 컬러 채널별로 에지(edge)가 강조된 재구성 영상(reconstructed image)을 생성하는 단계; 및
    컬러 채널별 가중치 파라미터를 이용하여, 상기 서로 다른 컬러 채널별로 컬러 채널 영상과 재구성 영상을 융합(fusion)하는 것에 의해 상기 서로 다른 컬러 채널들 각각에 대응하는 타겟 얼굴 영상을 생성하는 단계
    를 포함하는 얼굴 인증 방법.
  4. 제3항에 있어서,
    상기 컬러 채널별 가중치 파라미터는,
    상기 서로 다른 컬러 채널별로 상기 컬러 채널 영상과 상기 재구성 영상 간의 융합도(degree of fusion)를 결정하는, 얼굴 인증 방법.
  5. 제3항에 있어서,
    상기 컬러 채널별 가중치 파라미터는, 미리 정의된 상수인, 얼굴 인증 방법.
  6. 제3항에 있어서,
    상기 컬러 채널별 가중치 파라미터는,
    상기 쿼리 얼굴 영상의 영상 화질 측정(image quality assessment) 결과에 기초하여 결정되는, 얼굴 인증 방법.
  7. 제3항에 있어서,
    상기 컬러 채널별 가중치 파라미터는,
    상기 쿼리 얼굴 영상의 영상 데이터를 입력으로 하는 뉴럴 네트워크에 의해 컬러 채널 영상별로 결정되는, 얼굴 인증 방법.
  8. 제3항에 있어서,
    상기 컬러 채널별 가중치 파라미터는,
    각 컬러 채널 영상들의 픽셀 위치별로 결정되는, 얼굴 인증 방법.
  9. 제3항에 있어서,
    상기 재구성 영상을 생성하는 단계는,
    현재 컬러 채널 영상을 스무딩 처리하는 것에 의해 상기 스무딩 영상을 획득하는 단계;
    상기 현재 컬러 채널 영상으로부터 수평 방향의 제1 그라디언트 영상 및 수직 방향의 제2 그라디언트 영상을 획득하는 단계;
    상기 스무딩 영상을 이용하여 상기 제1 그라디언트 영상 및 상기 제2 그라디언트 영상 각각을 정규화하는 단계; 및
    상기 정규화된 제1 그라디언트 영상 및 상기 정규화된 제2 그라디언트 영상을 이용하여 상기 현재 컬러 채널 영상에 대응하는 재구성 영상을 생성하는 단계
    를 포함하는 얼굴 인증 방법.
  10. 쿼리 얼굴 영상(query facial image)을 서로 다른 컬러 채널들의 컬러 채널 영상들로 분리하는 단계;
    상기 컬러 채널 영상들 각각의 스무딩 영상(smoothing image) 및 그라디언트 영상(gradient image)을 이용하여 상기 쿼리 얼굴 영상의 음영(shading)이 저감된 타겟 얼굴 영상을 획득하는 단계;
    상기 타겟 얼굴 영상으로부터 얼굴 특징을 추출하는 단계; 및
    상기 추출된 얼굴 특징에 기초하여 얼굴 인증의 성공 여부를 결정하는 단계
    를 포함하고,
    상기 추출하는 단계는,
    상기 쿼리 얼굴 영상의 음영이 저감된 상기 타겟 얼굴 영상의 영상 데이터를 입력으로 하는 뉴럴 네트워크를 이용하여 상기 얼굴 특징을 추출하는, 얼굴 인증 방법.
  11. 쿼리 얼굴 영상(query facial image)을 서로 다른 컬러 채널들의 컬러 채널 영상들로 분리하는 단계;
    상기 컬러 채널 영상들 각각의 스무딩 영상(smoothing image) 및 그라디언트 영상(gradient image)을 이용하여 상기 쿼리 얼굴 영상의 음영(shading)이 저감된 타겟 얼굴 영상을 획득하는 단계;
    상기 타겟 얼굴 영상으로부터 얼굴 특징을 추출하는 단계; 및
    상기 추출된 얼굴 특징에 기초하여 얼굴 인증의 성공 여부를 결정하는 단계
    를 포함하고,
    상기 분리하는 단계는,
    상기 쿼리 얼굴 영상을 레드, 블루 및 그린 컬러 채널의 컬러 채널 영상들로 분리하는, 얼굴 인증 방법.
  12. 제1항 및 제3항 내지 제11항 중 어느 하나의 항의 방법을 실행하기 위한 인스트럭션들을 저장하는 컴퓨터 판독 가능한 저장 매체.
  13. 프로세서를 포함하고,
    상기 프로세서는,
    사용자의 쿼리 얼굴 영상을 서로 다른 컬러 채널들의 컬러 채널 영상들로 분리하고,
    상기 컬러 채널 영상들 각각의 스무딩 영상 및 그라디언트 영상을 이용하여 상기 쿼리 얼굴 영상의 음영이 저감된 타겟 얼굴 영상을 획득하고,
    상기 타겟 얼굴 영상으로부터 상기 사용자의 얼굴 특징을 추출하고,
    상기 추출된 얼굴 특징에 기초하여 얼굴 인증의 성공 여부를 결정하고,
    상기 프로세서는,
    상기 컬러 채널 영상들 각각의 스무딩 영상 및 그라디언트 영상을 이용하여 상기 서로 다른 컬러 채널들 각각에 대응하는 타겟 얼굴 영상을 획득하고,
    상기 서로 다른 컬러 채널들에 대응하는 타겟 얼굴 영상들을 조합하는 것에 의해 복수 컬러 채널의 타겟 얼굴 영상을 획득하는, 얼굴 인증 장치.
  14. 삭제
  15. 제13항에 있어서,
    상기 프로세서는,
    상기 컬러 채널 영상들 각각의 스무딩 영상 및 그라디언트 영상에 기초하여, 상기 서로 다른 컬러 채널별로 에지가 강조된 재구성 영상을 생성하고,
    컬러 채널별 가중치 파라미터를 이용하여, 상기 서로 다른 컬러 채널별로 컬러 채널 영상과 재구성 영상을 융합하는 것에 의해 상기 서로 다른 컬러 채널들 각각에 대응하는 타겟 얼굴 영상을 생성하는, 얼굴 인증 장치.
  16. 제15항에 있어서,
    상기 컬러 채널별 가중치 파라미터는, 미리 정의된 상수인, 얼굴 인증 장치.
  17. 제15항에 있어서,
    상기 컬러 채널별 가중치 파라미터는,
    상기 쿼리 얼굴 영상의 영상 데이터를 입력으로 하는 뉴럴 네트워크에 의해 컬러 채널 영상별로 결정되는, 얼굴 인증 장치.
  18. 제15항에 있어서,
    상기 컬러 채널별 가중치 파라미터는,
    상기 쿼리 얼굴 영상의 영상 데이터를 입력으로 하는 뉴럴 네트워크에 의해 각 컬러 채널 영상의 픽셀 위치별로 결정되는, 얼굴 인증 장치.
KR1020170149654A 2017-11-10 2017-11-10 얼굴 인증 방법 및 장치 KR102415509B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020170149654A KR102415509B1 (ko) 2017-11-10 2017-11-10 얼굴 인증 방법 및 장치
US16/167,994 US10891467B2 (en) 2017-11-10 2018-10-23 Facial verification method and apparatus
US17/133,792 US11551476B2 (en) 2017-11-10 2020-12-24 Facial verification method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170149654A KR102415509B1 (ko) 2017-11-10 2017-11-10 얼굴 인증 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20190053602A KR20190053602A (ko) 2019-05-20
KR102415509B1 true KR102415509B1 (ko) 2022-07-01

Family

ID=66433422

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170149654A KR102415509B1 (ko) 2017-11-10 2017-11-10 얼굴 인증 방법 및 장치

Country Status (2)

Country Link
US (2) US10891467B2 (ko)
KR (1) KR102415509B1 (ko)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102415509B1 (ko) * 2017-11-10 2022-07-01 삼성전자주식회사 얼굴 인증 방법 및 장치
JP7344023B2 (ja) * 2019-07-01 2023-09-13 日本放送協会 顔認識装置、学習装置及びプログラム
CN112417930B (zh) * 2019-08-23 2023-10-13 深圳市优必选科技股份有限公司 一种处理图像的方法及机器人
US11900246B2 (en) * 2019-09-02 2024-02-13 Samsung Electronics Co., Ltd. Method and apparatus for recognizing user based on on-device training
CN110851457A (zh) * 2019-10-21 2020-02-28 广东优世联合控股集团股份有限公司 登录信息检索方法
US11157811B2 (en) * 2019-10-28 2021-10-26 International Business Machines Corporation Stub image generation for neural network training
US11080833B2 (en) * 2019-11-22 2021-08-03 Adobe Inc. Image manipulation using deep learning techniques in a patch matching operation
CN111241985B (zh) * 2020-01-08 2022-09-09 腾讯科技（深圳）有限公司 一种视频内容识别方法、装置、存储介质、以及电子设备
US11776210B2 (en) * 2021-01-22 2023-10-03 Sony Group Corporation 3D face modeling based on neural networks
CN113111807B (zh) * 2021-04-20 2024-06-07 北京嘀嘀无限科技发展有限公司 一种目标识别的方法和系统
CN113933294B (zh) * 2021-11-08 2023-07-18 中国联合网络通信集团有限公司 浓度检测方法及装置
US11949493B2 (en) * 2021-12-20 2024-04-02 Hughes Network Systems, Llc Mobile terminal and methods of use
KR102562740B1 (ko) * 2022-09-29 2023-08-02 노을 주식회사 이미지 정규화를 이용한 기생충 충란 식별 방법 및 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101129386B1 (ko) * 2005-06-20 2012-03-28 삼성전자주식회사 영상의 음영(ｓｈａｄｉｎｇ)제거 방법 및 장치
KR101738278B1 (ko) * 2015-12-31 2017-05-22 성균관대학교산학협력단 영상을 이용한 감정 인식 방법

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010006367A1 (en) * 2008-07-16 2010-01-21 Imprezzeo Pty Ltd Facial image recognition and retrieval
KR20100034843A (ko) 2008-09-25 2010-04-02 (주)엠엑스알커뮤니케이션즈 3차원 얼굴 인식 보안 장치 및 그 방법
US20120213419A1 (en) 2011-02-22 2012-08-23 Postech Academy-Industry Foundation Pattern recognition method and apparatus using local binary pattern codes, and recording medium thereof
KR101352002B1 (ko) 2012-05-09 2014-01-22 주식회사 에스원 영상의 해상도 변환 장치 및 방법과 이를 포함한 얼굴 인식 장치
KR101370514B1 (ko) 2012-05-24 2014-03-06 한국과학기술원 얼굴 인식 방법 및 그 장치
US9256617B2 (en) * 2012-07-06 2016-02-09 Samsung Electronics Co., Ltd. Apparatus and method for performing visual search
US9270959B2 (en) * 2013-08-07 2016-02-23 Qualcomm Incorporated Dynamic color shading correction
KR101515928B1 (ko) 2013-11-29 2015-05-06 재단법인대구경북과학기술원 가변 가중치 결합을 이용하는 얼굴 인식 장치 및 방법
KR20160061856A (ko) * 2014-11-24 2016-06-01 삼성전자주식회사 객체 인식 방법 및 장치, 및 인식기 학습 방법 및 장치
US10034005B2 (en) * 2015-06-05 2018-07-24 Sony Corporation Banding prediction for video encoding
KR102477190B1 (ko) 2015-08-10 2022-12-13 삼성전자주식회사 얼굴 인식 방법 및 장치
US20170186170A1 (en) 2015-12-24 2017-06-29 Thomas A. Nugraha Facial contour recognition for identification
KR102415509B1 (ko) * 2017-11-10 2022-07-01 삼성전자주식회사 얼굴 인증 방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101129386B1 (ko) * 2005-06-20 2012-03-28 삼성전자주식회사 영상의 음영(ｓｈａｄｉｎｇ)제거 방법 및 장치
KR101738278B1 (ko) * 2015-12-31 2017-05-22 성균관대학교산학협력단 영상을 이용한 감정 인식 방법

Also Published As

Publication number Publication date
US20210117657A1 (en) 2021-04-22
US10891467B2 (en) 2021-01-12
US20190147227A1 (en) 2019-05-16
US11551476B2 (en) 2023-01-10
KR20190053602A (ko) 2019-05-20

Similar Documents

Publication Publication Date Title
KR102415509B1 (ko) 얼굴 인증 방법 및 장치
KR102299847B1 (ko) 얼굴 인증 방법 및 장치
KR102466998B1 (ko) 영상 융합 방법 및 장치
KR102359558B1 (ko) 얼굴 인증 방법 및 장치
KR102707594B1 (ko) 홍채 영역 추출 방법 및 장치
KR102370063B1 (ko) 얼굴 인증 방법 및 장치
KR102387571B1 (ko) 라이브니스 검사 방법 및 장치
KR102455633B1 (ko) 라이브니스 검사 방법 및 장치
KR102483642B1 (ko) 라이브니스 검사 방법 및 장치
KR102655949B1 (ko) 3d 영상 기반의 얼굴 인증 방법 및 장치
KR101494874B1 (ko) 사용자 인증 방법, 이를 실행하는 장치 및 이를 저장한 기록 매체
US9613428B2 (en) Fingerprint authentication using stitch and cut
US11869272B2 (en) Liveness test method and apparatus and biometric authentication method and apparatus
KR102352345B1 (ko) 라이브니스 검사 방법 및 장치
KR20210069404A (ko) 라이브니스 검사 방법 및 라이브니스 검사 장치
CN111382666A (zh) 具有用户验证的设备和方法
KR102558736B1 (ko) 지문 인식 방법 및 장치
KR102380426B1 (ko) 얼굴 인증 방법 및 장치
KR20210050649A (ko) 모바일 기기의 페이스 인증 방법
KR20210050650A (ko) 모바일 기기의 페이스 인증을 통한 잠금 해제 방법
KR101802061B1 (ko) 얼굴 시공간 특징에 기반한 자동 생체 인증 방법 및 시스템
KR102665968B1 (ko) 블러 추정 방법 및 장치

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
GRNT Written decision to grant