KR102481538B1 - 몽타주 생성 장치 및 방법 - Google Patents

몽타주 생성 장치 및 방법 Download PDF

Info

Publication number
KR102481538B1
KR102481538B1 KR1020210024723A KR20210024723A KR102481538B1 KR 102481538 B1 KR102481538 B1 KR 102481538B1 KR 1020210024723 A KR1020210024723 A KR 1020210024723A KR 20210024723 A KR20210024723 A KR 20210024723A KR 102481538 B1 KR102481538 B1 KR 102481538B1
Authority
KR
South Korea
Prior art keywords
montage
feature value
initial setting
bit stream
dictionary
Prior art date
Application number
KR1020210024723A
Other languages
English (en)
Other versions
KR20220120929A (ko
Inventor
강규창
Original Assignee
군산대학교산학협력단
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 군산대학교산학협력단 filed Critical 군산대학교산학협력단
Priority to KR1020210024723A priority Critical patent/KR102481538B1/ko
Publication of KR20220120929A publication Critical patent/KR20220120929A/ko
Application granted granted Critical
Publication of KR102481538B1 publication Critical patent/KR102481538B1/ko

Links

Images

Classifications

    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Processing Or Creating Images (AREA)

Abstract

몽타주 생성 장치 및 방법이 개시된다. 일 실시예에 따른 몽타주 생성 장치는 복수의 얼굴 영상들로부터 얼굴 영상들보다 저차원의 특징 값을 추출하는 특징 값 추출기, 추출된 특징 값을 비트 데이터들로 표현된 비트 스트림으로 변환하는 특징 값 변환기, 변환된 비트 스트림의 비트 데이터들을 분류하여 군집을 생성하고 군집에 기초하여 특징 값 사전을 생성하는 분류기, 특징 값 사전을 저장하는 데이터베이스, 및 초기 설정 값을 입력받고, 초기 설정 값 및 저장된 특징 값 사전에 기초하여 몽타주를 생성하는 몽타주 생성기를 포함한다.

Description

몽타주 생성 장치 및 방법{APPARATUS AND METHOD FOR GENERATING MONTAGE}
아래 실시예들은 몽타주 생성 기술에 관한 것이다.
대한민국 경찰에서는 1975-1995년까지 몽타주 연구관을 경찰관으로 특채하여 연필스케치 작업, 사진필름 투영식 합성법 등을 통해서 몽타주를 생성하였다. 1996년에는 미국 인포텍사 컴퓨터 몽타주 시스템을 도입하였고 1999년에는 한국 건아정보 컴퓨터 몽타주 시스템을 도입하여 활용해왔다. 최근에는 몽타주에서 대상의 나이를 변환하거나 얼굴의 방향을 변환하는 등의 효과를 주입하는 기술이 적용되고 있다.
일 실시예에 따른 몽타주 생성 장치는 복수의 얼굴 영상들로부터 상기 얼굴 영상들보다 저차원의 특징 값을 추출하는 특징 값 추출기; 상기 추출된 특징 값을 비트 데이터들로 표현된 비트 스트림으로 변환하는 특징 값 변환기; 상기 변환된 비트 스트림의 비트 데이터들을 분류하여 군집을 생성하고 상기 군집에 기초하여 특징 값 사전을 생성하는 분류기; 상기 특징 값 사전을 저장하는 데이터베이스; 및 초기 설정 값을 입력받고, 상기 초기 설정 값 및 상기 저장된 특징 값 사전에 기초하여 몽타주를 생성하는 몽타주 생성기를 포함할 수 있다.
상기 특징 값 변환기는, 상기 추출된 특징 값을 희소분포표현(Sparse Distributed Representation; SDR)으로 변환할 수 있다.
상기 분류기는, 상기 특징 값 사전의 크기를 결정하고, 상기 결정된 크기에 대응되는 개수의 상기 비트 스트림을 포함하여 상기 특징 값 사전을 생성할 수 있다.
상기 몽타주 생성기는, 상기 저장된 특징 값 사전의 상기 군집 중에서 상기 초기 설정 값에 대응되는 대상 군집으로부터 상기 대상 군집의 비트 스트림을 추출하는 역분류기; 상기 대상 군집의 비트 스트림으로부터 상기 대상 군집의 비트 스트림과 대응되는 특징 값을 복원하는 특징 값 역변환기; 및 상기 특징 값으로부터 상기 몽타주를 생성하는 특징 값 역추출기를 포함할 수 있다.
상기 저장된 특징 값 사전은, 상기 비트 스트림에 대한 자연어 태그를 포함할 수 있다.
상기 초기 설정 값은, 적어도 하나의 상기 자연어 태그에 의해 제한된 범위 내에서 설정될 수 있다.
상기 자연어 태그는, 상기 몽타주가 묘사하고자 하는 대상을 포함하는 영상에 기초하여 설정될 수 있다.
일 실시예에 따른 몽타주 생성 장치는 상기 몽타주에 대한 목격자 피드백에 기초하여 상기 초기 설정 값을 수정하는 검토 인터페이스를 더 포함할 수 있다.
상기 몽타주 생성기는, 상기 검토 인터페이스에서 수정된 초기 설정 값에 기초하여 상기 몽타주와 다른 몽타주를 생성할 수 있다.
상기 수정된 초기 설정 값은, 상기 목격자 피드백에 의해 변경된 적어도 하나의 상기 자연어 태그에 의해 제한된 범위 내에서 설정될 수 있다.
일 실시예에 따른 몽타주 생성 방법은 복수의 얼굴 영상들로부터 상기 얼굴 영상들보다 저차원의 특징 값을 추출하는 단계; 상기 추출된 특징 값을 비트 데이터들로 표현된 비트 스트림으로 변환하는 단계; 상기 변환된 비트 스트림의 비트 데이터들을 분류하여 군집을 생성하고 상기 군집에 기초하여 특징 값 사전을 생성하는 단계; 상기 특징 값 사전을 저장하는 단계; 및 초기 설정 값을 입력받고, 상기 초기 설정 값 및 상기 저장된 특징 값 사전에 기초하여 몽타주를 생성하는 단계를 포함할 수 있다.
상기 변환하는 단계는, 상기 추출된 특징 값을 희소분포표현(Sparse Distributed Representation; SDR)으로 변환할 수 있다.
상기 특징 값 사전을 생성하는 단계는, 상기 특징 값 사전의 크기를 결정하고, 상기 결정된 크기에 대응되는 개수의 상기 비트 스트림을 포함하여 상기 특징 값 사전을 생성할 수 있다.
상기 몽타주를 생성하는 단계는, 상기 저장된 특징 값 사전의 상기 군집 중에서 상기 초기 설정 값에 대응되는 대상 군집으로부터 상기 대상 군집의 비트 스트림을 추출하는 단계; 상기 대상 군집의 비트 스트림으로부터 상기 대상 군집의 비트 스트림과 대응되는 특징 값을 복원하는 단계; 및 상기 특징 값으로부터 상기 몽타주를 생성하는 단계를 포함할 수 있다.
상기 저장된 특징 값 사전은, 상기 비트 스트림에 대한 자연어 태그를 포함할 수 있다.
상기 초기 설정 값은, 적어도 하나의 상기 자연어 태그에 의해 제한된 범위 내에서 설정될 수 있다.
상기 자연어 태그는, 상기 몽타주가 묘사하고자 하는 대상을 포함하는 영상에 기초하여 설정될 수 있다.
일 실시예에 따른 몽타주 생성 방법은 상기 몽타주에 대한 목격자 피드백을 입력받는 단계; 및 상기 목격자 피드백에 기초하여 상기 초기 설정 값을 수정하는 단계를 더 포함할 수 있다.
일 실시예에 따른 몽타주 생성 방법은 상기 수정된 초기 설정 값에 기초하여 상기 몽타주와 다른 몽타주를 생성하는 단계를 더 포함할 수 있다.
상기 목격자 피드백에 기초하여 상기 초기 설정 값을 수정하는 단계 및 상기 다른 몽타주를 생성하는 단계는 여러 번 수행될 수 있다.
도 1은 일 실시예에 따른 몽타주 생성 장치의 구성을 설명하기 위한 블록도이다.
도 2는 일 실시예에 따른 특징 값 추출기에서 수행되는 동작을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 특징 값 변환기에서 수행되는 동작을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 분류기에서 수행되는 동작을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 몽타주 생성기 및 검토 인터페이스의 동작을 설명하기 위한 블록도이다.
도 6은 일 실시예에 따른 몽타주 생성 방법을 설명하기 위한 흐름도이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 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.
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 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 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.
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 1은 일 실시예에 따른 몽타주 생성 장치의 구성을 설명하기 위한 블록도이다.
종래의 몽타주 생성 기술은 목격자가 진술하는 언어적 증언을 통해 얼굴 구성요소를 하나씩 만들어 가거나 CCTV 영상을 기반으로 화질개선 처리하여 생성하였으나 종래의 기술에 의하면 목격자가 진술하는 언어적 설명 및 증언을 넘어서는 특징을 반영하기는 힘들다. 여기서 몽타주의 사전적 의미는 범죄수사에서 범인을 목격한 피해자나 목격인의 진술을 토대로 범인의 모습과 비슷한 눈, 코, 잎 등 각 부위별 자료를 합성해 용의자의 모습과 유사한 특징을 찾아 그린 얼굴 사진를 의미한다.
일 실시예에 따른 몽타주 생성 장치(100)는 불특정 다수의 얼굴 영상을 사전에 기계학습하여 얼굴 영상에서 자동으로 얼굴에 대한 특징 값을 찾아내는 방식을 이용한 것으로, 몽타주 생성 장치(100)에 의하면 목격자가 언어적으로 표현할 수 있는 제한된 범위의 얼굴의 특징을 넘어서는 다양한 얼굴의 특징 값을 반영하여 몽타주를 생성할 수 있다. 몽타주 생성 장치(100)는 불특정 다수의 얼굴 영상으로부터 특징 값을 추출하여 특징 값 사전을 구축하고, 구축된 특징 값 사전을 기반으로 특징 값의 크기 및 합성 비율을 가변 적용하고, 인공지능 알고리즘의 하나인 생성모델을 통해 몽타주를 생성하고 생성된 몽타주에 대한 목격자 피드백을 통해 정밀 정합 (fine tuning)할 수 있다.
도 1을 참조하면, 일 실시예에 따른 몽타주 생성 장치(100)는 복수의 얼굴 영상들로부터 저차원 특징 값을 추출하는 특징 값 추출기(105), 추출된 특징 값을 비트 데이터들로 표현된 비트 스트림으로 변환하는 특징 값 변환기(110), 변환된 비트 스트림의 비트 데이터들을 분류하여 군집을 생성하고 군집에 기초하여 특징 값 사전을 생성하는 분류기(115), 특징 값 사전을 저장하는 데이터베이스(120), 및 초기 설정 값을 입력받고, 초기 설정 값 및 저장된 특징 값 사전에 기초하여 몽타주를 생성하는 몽타주 생성기(125)를 포함할 수 있다.
몽타주 생성 장치(100)는 생성된 몽타주에 대한 목격자 피드백을 입력받고 피드백에 기초하여 초기 설정 값을 조절함으로써 보다 정확한 몽타주를 생성하기 위한 검토 인터페이스(130)를 더 포함할 수 있다.
몽타주 생성 장치(100)의 각 구성에 대해서는 도 2 내지 도 5를 참조하여 자세히 설명한다.
도 2는 일 실시예에 따른 특징 값 추출기(105)에서 수행되는 동작을 설명하기 위한 도면이다.
도 2를 참조하면, 특징 값 추출기(105)에는 복수의 얼굴 영상들이 입력될 수 있다. 특징 값 추출기(105)는 입력된 복수의 얼굴 영상들로부터 복수의 얼굴 영상들보다 저차원의 특징 값(205)을 추출할 수 있다.
일 실시예에서, 특징 값 추출기(105)는 복수의 얼굴 영상들에 대한 매니폴드 학습을 통해 고차원의 얼굴 영상으로부터 저차원의 특징 값(205)을 추출할 수 있다. 예를 들어, 입력되는 얼굴 영상은 RGB 영상으로, 256(픽셀) x 256(픽셀) x 3(컬러)의 고차원 이미지일 수 있다. 특징 값 추출기(105)는 해당 영상으로부터 100(픽셀) x 100(픽셀)의 저차원의 특징 값(205)을 추출할 수 있다.
매니폴드 학습은 입력 영상의 데이터 분포의 비선형 구조를 직접적으로 고려하는 기술로서, 고차원 공간(예를 들어, 얼굴 영상)에 내재된 저차원 공간(예를 들어, 추출 결과의 특징 값)에 대한 학습을 통해 파라미터를 결정하는 학습이다.
매니폴드 학습에는 VAE(Variational Autoencoder), AE(Autoencoder), GAN (Generative Adversarial Network)의 방법 중 하나를 사용할 수 있고, 사용되는 방법에 따라 파라미터는 달라질 수 있다. VAE를 기반으로 한 매니폴드 변환을 사용할 경우, 학습되는 파라미터는 특징 값(205)의 개수(N), 입력 영상의 확률분포를 추정하는 가우시안 확률 분포의 평균(
Figure 112021022323177-pat00001
), 표준편차(
Figure 112021022323177-pat00002
) 및 정규분포에서 샘플링한 임의의 값(
Figure 112021022323177-pat00003
)을 기준으로 하는 특징 벡터(
Figure 112021022323177-pat00004
)일 수 있다.
도 3은 일 실시예에 따른 특징 값 변환기(110)에서 수행되는 동작을 설명하기 위한 도면이다.
도 3을 참조하면, 특징 값 추출기(105)로부터 출력된 특징 값(205)은 특징 값 변환기(110)로 입력될 수 있다. 입력된 특징 값(205)은 특징 값 변환기(110)에서 비트 데이터들로 표현되는 비트 스트림(305)으로 변환될 수 있다.
일 실시예에서, 비트 스트림(305)은 희소분포표현(305)(Sparse Distributed Representation; SDR)일 수 있다. 부동소숫점 숫자로 표현되는 특징 값(205)은 이진 값을 가지는 SDR(305)로 표현하기 위해 HTM (Hierarchical Temporal Memory) 이론의 공간풀러(Spatial Pooler) 기법을 활용하여 SDR(305)로 변환될 수 있다.
여기서 SDR(305)은 ‘0’과 ‘1’로 표현되는 이진형식으로서 ‘1’의 비트가 희소하게 분포하고 대부분은 ‘0’으로 표현되는 형식이다. ‘1’로 나타나는 비트의 위치는 입력 정보(예를 들어, 얼굴 영상)의 시맨틱 정보를 반영하도록 공간풀러에 의해 변환될 수 있다. 공간풀러는 다양한 입력 데이터를 SDR(305)로 변환하는 툴(tool)로서, 유사한 입력데이터에 대해 유사한 SDR(305)을 생성할 수 있다. 예를 들어, 얼굴 영상으로부터 추출된 특징 값(205) 중 유사한 특징 값(205)에 대해 ‘1’의 비트 위치가 겹치도록 SDR(305)을 생성할 수 있다.
도 4는 일 실시예에 따른 분류기(115)에서 수행되는 동작을 설명하기 위한 도면이다.
도 4를 참조하면, 특징 값 변환기(110)로부터 출력된 비트 스트림(305)은 분류기(115)로 입력될 수 있다. 분류기(115)는 변환된 비트 스트림(305)의 비트들을 분류하여 군집을 생성하고 군집에 기초하여 특징 값 사전(405)을 생성할 수 있다.
일 실시예에서, 분류기(115)는 비트 스트림(305)에서 '1'의 비트로 나타나는 비트들을 분류하여 군집을 생성하고, 생성된 군집에 기초하여 정해진 크기의 특징 값 사전(405)을 생성할 수 있다.
분류기(115)는 생성될 특징 값 사전(405)의 크기를 결정하여 결정된 크기에 대응되는 개수의 비트 스트림(305)을 포함하도록 특징 값 사전(405)을 생성하거나 별도의 크기를 결정하지 않고 변환된 비트 스트림(305) 모두를 저장할 수 있다.
생성된 특징 값 사전(405)은 몽타주 생성 장치(100)의 데이터베이스(120)에 저장될 수 있다. 데이터베이스(120)에 저장된 특징 값 사전(405)은 몽타주 생성기(125)에 입력되어 몽타주 생성에 이용될 수 있다.
일 실시예에서, 특징 값 사전(405)은 비트 스트림(305)의 비트 패턴에 기초하여 결정된 비트 스트림(305)에 대해 결정된 자연어 태그를 포함하여 생성될 수 있다. 예를 들어, 특징 값 사전(405)은 성별, 헤어스타일, 나이, 수염, 눈, 코, 입, 귀 및 턱에 관한 자연어 태그와 비트 스트림(305)을 함께 저장하여 생성될 수 있다. 다만, 자연어 태그는 이에 한정되는 것은 아니고, 필요에 따라 다양한 자연어 태그가 포함될 수 있다.
도 5는 일 실시예에 따른 몽타주 생성기(125) 및 검토 인터페이스(130)의 동작을 설명하기 위한 블록도이다.
도 5를 참조하면, 일 실시예에 따른 몽타주 생성기(125)는 역분류기(515), 특징 값 역변환기(510) 및 특징 값 역추출기(505)를 포함할 수 있다.
데이터베이스(120)에 저장된 특징 값 사전에서 초기 설정 값을 이용하여 역분류기(515), 특징 값 역변환기(510) 및 특징 값 역추출기(505)를 거쳐 몽타주(520)가 생성될 수 있다. 역분류기(515)는 데이터베이스(120)에 저장된 특징 값 사전의 군집 중에서 초기 설정 값에 대응되는 대상 군집의 비트 스트림을 추출할 수 있다. 일 실시예에서, 비트 스트림은 SDR일 수 있고, 역분류기(515)는 대상 군집으로부터 역분류 과정을 통해 SDR 초기 값을 추출할 수 있다.
역분류기(515)에서 추출된 비트 스트림은 특징 값 역변환기(510)로 입력될 수 있다. 특징 값 역변환기(510)는 추출된 비트 스트림으로부터 비트 스트림과 대응되는 특징 값을 복원할 수 있다. 특징 값 역변환기(510)에서 복원된 특징 값은 특징 값 역추출기(505)로 입력될 수 있다. 특징 값 역추출기(505)는 복원된 특징 값으로부터 대상 군집의 평균적인 몽타주(520)를 생성할 수 있다. 생성된 몽타주(520)는 학습에 사용된 복수의 얼굴 영상들 각각의 특징 값을 평균적으로 반영한 몽타주(520)로 간주될 수 있다.
일 실시예에서, 초기 설정 값은 특징 값 사전에 비트 스트림과 함께 저장된 자연어 태그 중 적어도 하나에 기초하여 제한된 범위 내에서 설정될 수 있다. 초기 설정 값의 설정에 이용되는 자연어 태그는 부가 정보에 대응되도록 결정될 수 있다. 예를 들어, 부가 정보는 성별, 나이, 헤어스타일, 수염, 눈, 코, 입, 귀 및 턱 등에 관한 정보를 포함할 수 있다. 다만, 이에 제한되는 것은 아니고, 부가 정보는 얼굴 영상에 대한 다양한 정보를 포함할 수 있다. 부가 정보는 목격자의 초기 진술에 기초하여 획득될 수 있고, 몽타주로 묘사하고자 하는 대상을 포함하고 CCTV를 통해서 미리 확보된 영상의 영상 정보를 기준으로 몽타주 생성 장치(100)에 의해 자동으로 설정될 수 있다. 부가 정보는 몽타주 생성 장치(100)의 관리자에 의해 임의로 설정될 수 있다.
몽타주 생성기(125)에서 생성된 몽타주(520)는 검토 인터페이스(130)를 통해 목격자에 의해 검토될 수 있고, 목격자는 몽타주(520)에 대한 피드백을 제공할 수 있다. 몽타주 생성기(125)는 목격자의 피드백을 반영하여 몽타주(520)를 다시 생성할 수 있다.
일 실시예에서, 몽타주 생성 장치(100)는 검토 인터페이스(130)를 더 포함할 수 있다. 생성된 몽타주(520)에 대한 목격자의 피드백이 검토 인터페이스(130)를 통해 반영되어 초기 설정 값이 수정될 수 있다. 목격자의 피드백에 기초하여 수정이 가능한 값은 특징 값 사전으로서 저장된 사전 수에 대응될 수 있다.
목격자의 피드백에 기초하여 수정이 가능한 값은 자연어 태그에 대응되는 항목이거나, 비트 스트림(예를 들어, SDR)에서 '1'로 표시되는 비트를 '0'으로 표시할지 여부일 수 있다. 비트 스트림에서 특정 비트를 '0'으로 설정할 경우 생성되는 몽타주(520)에 미세한 차이가 생길 수 있다.
몽타주 생성기(125)는 수정된 초기 설정 값에 기초하여 몽타주(520)를 다시 생성할 수 있다. 다시 생성된 몽타주(520)는 검토 인터페이스(130)를 통해 목격자에 의해 검토될 수 있고, 목격자의 피드백에 기초하여 초기 설정 값을 수정하고 몽타주(520)를 생성하는 과정이 여러 번 반복될 수 있다. 목격자의 검토를 통해 초기 설정 값을 수정하고 몽타주(520)를 생성하는 과정을 반복함으로써 정확한 몽타주(520)를 생성할 수 있다.
도 6은 일 실시예에 따른 몽타주 생성 방법을 설명하기 위한 흐름도이다.
도 6을 참조하면, 단계(605)에서, 몽타주 생성 장치(100)는 복수의 얼굴 영상들을 입력받고 입력된 복수의 얼굴 영상들로부터 복수의 얼굴 영상들보다 저차원의 특징 값을 추출할 수 있다.
몽타주 생성 장치(100)는 복수의 얼굴 영상들에 대한 매니폴드 학습을 통해 고차원의 얼굴 영상으로부터 저차원의 특징 값을 추출할 수 있다. 예를 들어, 입력되는 얼굴 영상은 RGB 영상으로, 256(픽셀) x 256(픽셀) x 3(컬러)의 고차원 이미지일 수 있다. 특징 값 추출기(105)는 해당 영상으로부터 100(픽셀) x 100(픽셀)의 저차원의 특징 값을 추출할 수 있다.
매니폴드 학습에 관하여는 도 2에서 자세히 설명하였으므로 중복되는 설명은 생략한다.
단계(610)에서, 몽타주 생성 장치(100)는 추출된 특징 값을 비트 데이터들로 표현되는 비트 스트림으로 변환할 수 있다. 일 실시예에서, 비트 스트림은 희소분포표현(SDR, Sparse Distributed Representation)일 수 있다. SDR에 관하여는 도 3에서 자세히 설명하였으므로, 중복되는 설명은 생략한다.
단계(615)에서, 몽타주 생성 장치(100)는 변환된 비트 스트림의 비트들을 분류하여 군집을 생성하고 군집에 기초하여 특징 값 사전을 생성할 수 있다. 몽타주 생성 장치(100)는 비트 스트림에서 ‘1’의 비트로 나타나는 비트들을 분류하여 군집을 생성하고, 생성된 군집에 기초하여 정해진 크기의 특징 값 사전을 생성할 수 있다. 몽타주 생성 장치(100)는 특징 값 사전의 크기를 결정하여 결정된 크기에 대응되는 개수의 비트 스트림을 포함하도록 특징 값 사전을 생성하거나 별도의 크기를 결정하지 않고 변환된 비트 스트림 모두를 저장할 수 있다.
특징 값 사전은 비트 스트림의 비트 패턴에 기초하여 비트 스트림에 대해 결정된 자연어 태그를 포함하여 생성될 수 있다.
단계(620)에서, 몽타주 생성 장치(100)는 생성된 특징 값 사전을 데이터베이스(120)에 저장할 수 있다. 데이터베이스(120)에 저장된 특징 값 사전은 몽타주 생성에 이용될 수 있다.
단계(625)에서, 몽타주 생성 장치(100)는 데이터베이스(120)에 저장된 특징 값 사전으로부터 초기 설정 값을 이용하여 몽타주를 생성할 수 있다. 초기 설정 값은 특징 값 사전에 비트 스트림과 함께 저장된 자연어 태그 중 적어도 하나에 기초하여 제한된 범위 내에서 설정될 수 있다. 초기 설정 값의 설정에 이용되는 자연어 태그는 부가 정보에 대응되도록 결정될 수 있다. 부가 정보는 얼굴 영상에 대한 다양한 정보를 포함할 수 있다. 부가 정보는 목격자의 초기 진술에 기초하여 획득될 수 있고, CCTV를 통해서 미리 확보된 영상 정보를 기준으로 몽타주 생성 장치(100)에 의해 자동으로 설정될 수 있다. 부가 정보는 몽타주 생성 장치(100)의 관리자에 의해 임의로 설정될 수 있다.
생성된 몽타주는 검토 인터페이스(130)를 통해 목격자에 의해 검토될 수 있고, 목격자는 몽타주에 대한 피드백을 제공할 수 있다. 단계(630)에서, 몽타주 생성 장치(100)는 목격자 피드백에 기초하여 생성된 몽타주가 목격자의 검토를 통과했는지 여부를 결정할 수 있다. 몽타주가 목격자의 검토를 통과한 경우, 몽타주가 올바르게 생성된 것으로 더 이상의 조치가 필요하지 않을 수 있다.
몽타주가 목격자의 검토를 통과하지 못한 경우, 단계(635)에서 목격자의 피드백을 반영하여 초기 설정 값이 수정될 수 있다. 목격자의 피드백을 통해서 수정이 가능한 값은 특징 값 사전으로서 저장된 사전 수에 대응될 수 있다.
목격자의 피드백을 통해서 수정이 가능한 값은 자연어 태그에 대응되는 항목일 수 있다. 수정된 초기 설정 값은 목격자 피드백에 의해 변경된 적어도 하나의 상기 자연어 태그에 의해 제한된 범위 내에서 설정될 수 있다. 목격자의 피드백을 통해서 수정이 가능한 값은 비트 스트림(예를 들어, SDR)에서 '1'로 표시되는 비트를 '0'으로 표시할지 여부일 수 있다. 비트 스트림에서 특정 비트를 '0'으로 설정할 경우 생성되는 몽타주에 미세한 차이가 생길 수 있다.
몽타주 생성 장치(100)는 다시 단계(625)에서 초기 설정 값에 기초하여 몽타주를 생성할 수 있다. 단계(630)에서, 다시 생성된 몽타주는 검토 인터페이스(130)를 통해 목격자에 의해 검토될 수 있고, 다시 생성된 몽타주가 목격자의 검토를 통과했는지 여부가 판단될 수 있다. 단계(625) 내지 단계(630)는 몽타주가 올바르게 생성될 때까지 반복될 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, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 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 컨트롤러를 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. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 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 있으며 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.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 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.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (20)

  1. 얼굴 특징을 이용한 몽타주 생성 장치에 있어서,
    복수의 얼굴 영상들로부터 상기 얼굴 영상들보다 저차원의 특징 값을 추출하는 특징 값 추출기;
    상기 추출된 특징 값을 비트 데이터들로 표현된 비트 스트림으로 변환하는 특징 값 변환기;
    상기 변환된 비트 스트림의 비트 데이터들을 분류하여 군집을 생성하고 상기 군집에 기초하여 특징 값 사전을 생성하는 분류기;
    상기 특징 값 사전을 저장하는 데이터베이스; 및
    초기 설정 값을 입력받고, 상기 초기 설정 값 및 상기 저장된 특징 값 사전에 기초하여 몽타주를 생성하는 몽타주 생성기를 포함하고,
    상기 몽타주 생성기는,
    상기 저장된 특징 값 사전의 상기 군집 중에서 상기 초기 설정 값에 대응되는 대상 군집으로부터 상기 대상 군집의 비트 스트림을 추출하는 역분류기;
    상기 대상 군집의 비트 스트림으로부터 상기 대상 군집의 비트 스트림과 대응되는 특징 값을 복원하는 특징 값 역변환기; 및
    상기 복원된 특징 값으로부터 상기 몽타주를 생성하는 특징 값 역추출기를 포함하고,
    상기 초기 설정 값은, 상기 특징 값 사전에 상기 비트 스트림과 함께 저장된 자연어 태그에 기초하여 설정되는,
    몽타주 생성 장치.
  2. 제1항에 있어서,
    상기 특징 값 변환기는,
    상기 추출된 특징 값을 희소분포표현(Sparse Distributed Representation; SDR)으로 변환하는,
    몽타주 생성 장치.
  3. 제1항에 있어서,
    상기 분류기는,
    상기 특징 값 사전의 크기를 결정하고, 상기 결정된 크기에 대응되는 개수의 상기 비트 스트림을 포함하여 상기 특징 값 사전을 생성하는,
    몽타주 생성 장치.
  4. 삭제
  5. 제1항에 있어서,
    상기 저장된 특징 값 사전은,
    상기 비트 스트림에 대한 자연어 태그를 포함하는,
    몽타주 생성 장치.
  6. 제5항에 있어서,
    상기 초기 설정 값은,
    적어도 하나의 상기 자연어 태그에 의해 제한된 범위 내에서 설정되는,
    몽타주 생성 장치.
  7. 제5항에 있어서,
    상기 자연어 태그는,
    상기 몽타주가 묘사하고자 하는 대상을 포함하는 영상에 기초하여 설정되는,
    몽타주 생성 장치.
  8. 제6항에 있어서,
    상기 몽타주에 대한 목격자 피드백에 기초하여 상기 초기 설정 값을 수정하는 검토 인터페이스
    를 더 포함하는,
    몽타주 생성 장치.
  9. 제8항에 있어서,
    상기 몽타주 생성기는,
    상기 검토 인터페이스에서 수정된 초기 설정 값에 기초하여 상기 몽타주와 다른 몽타주를 생성하는,
    몽타주 생성 장치.
  10. 제9항에 있어서,
    상기 수정된 초기 설정 값은,
    상기 목격자 피드백에 의해 변경된 적어도 하나의 상기 자연어 태그에 의해 제한된 범위 내에서 설정되는,
    몽타주 생성 장치.
  11. 얼굴 특징을 이용한 몽타주 생성 방법에 있어서,
    복수의 얼굴 영상들로부터 상기 얼굴 영상들보다 저차원의 특징 값을 추출하는 단계;
    상기 추출된 특징 값을 비트 데이터들로 표현된 비트 스트림으로 변환하는 단계;
    상기 변환된 비트 스트림의 비트 데이터들을 분류하여 군집을 생성하고 상기 군집에 기초하여 특징 값 사전을 생성하는 단계;
    상기 특징 값 사전을 저장하는 단계; 및
    초기 설정 값을 입력받고, 상기 초기 설정 값 및 상기 저장된 특징 값 사전에 기초하여 몽타주를 생성하는 단계
    를 포함하고,
    상기 몽타주를 생성하는 단계는,
    상기 저장된 특징 값 사전의 상기 군집 중에서 상기 초기 설정 값에 대응되는 대상 군집으로부터 상기 대상 군집의 비트 스트림을 추출하는 단계;
    상기 대상 군집의 비트 스트림으로부터 상기 대상 군집의 비트 스트림과 대응되는 특징 값을 복원하는 단계; 및
    상기 복원된 특징 값으로부터 상기 몽타주를 생성하는 단계를 포함하고,
    상기 초기 설정 값은, 상기 특징 값 사전에 상기 비트 스트림과 함께 저장된 자연어 태그에 기초하여 설정되는,
    몽타주 생성 방법.
  12. 제11항에 있어서,
    상기 변환하는 단계는,
    상기 추출된 특징 값을 희소분포표현(Sparse Distributed Representation; SDR)으로 변환하는,
    몽타주 생성 방법.
  13. 제11항에 있어서,
    상기 특징 값 사전을 생성하는 단계는,
    상기 특징 값 사전의 크기를 결정하고, 상기 결정된 크기에 대응되는 개수의 상기 비트 스트림을 포함하여 상기 특징 값 사전을 생성하는,
    몽타주 생성 방법.
  14. 삭제
  15. 제11항에 있어서,
    상기 저장된 특징 값 사전은,
    상기 비트 스트림에 대한 자연어 태그를 포함하는,
    몽타주 생성 방법.
  16. 제15항에 있어서,
    상기 초기 설정 값은,
    적어도 하나의 상기 자연어 태그에 의해 제한된 범위 내에서 설정되는,
    몽타주 생성 방법.
  17. 제15항에 있어서,
    상기 자연어 태그는,
    상기 몽타주가 묘사하고자 하는 대상을 포함하는 영상에 기초하여 설정되는,
    몽타주 생성 방법.
  18. 제16항에 있어서,
    상기 몽타주에 대한 목격자 피드백을 입력받는 단계; 및
    상기 목격자 피드백에 기초하여 상기 초기 설정 값을 수정하는 단계
    를 더 포함하는,
    몽타주 생성 방법.
  19. 제18항에 있어서,
    상기 수정된 초기 설정 값에 기초하여 상기 몽타주와 다른 몽타주를 생성하는 단계
    를 더 포함하는,
    몽타주 생성 방법.
  20. 제19항에 있어서,
    상기 목격자 피드백에 기초하여 상기 초기 설정 값을 수정하는 단계 및 상기 다른 몽타주를 생성하는 단계는 여러 번 수행되는,
    몽타주 생성 방법.
KR1020210024723A 2021-02-24 2021-02-24 몽타주 생성 장치 및 방법 KR102481538B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210024723A KR102481538B1 (ko) 2021-02-24 2021-02-24 몽타주 생성 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210024723A KR102481538B1 (ko) 2021-02-24 2021-02-24 몽타주 생성 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220120929A KR20220120929A (ko) 2022-08-31
KR102481538B1 true KR102481538B1 (ko) 2022-12-26

Family

ID=83061727

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210024723A KR102481538B1 (ko) 2021-02-24 2021-02-24 몽타주 생성 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102481538B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101418878B1 (ko) * 2013-04-22 2014-07-17 명지대학교 산학협력단 얼굴특징을 이용한 몽타주 작성 시스템 및 그 방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080046490A (ko) * 2006-11-22 2008-05-27 한국전자통신연구원 몽타주 얼굴 영상을 이용한 얼굴 인식 방법 및 그 장치
KR100902995B1 (ko) * 2007-10-23 2009-06-15 에스케이 텔레콤주식회사 최적화 비율의 얼굴영상 형성 방법 및 이에 적용되는 장치
KR101635730B1 (ko) * 2014-10-08 2016-07-20 한국과학기술연구원 몽타주 생성 장치 및 방법, 그 방법을 수행하기 위한 기록 매체
WO2018009666A1 (en) * 2016-07-06 2018-01-11 Facebook, Inc. Combining faces from source images with target images based on search queries

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101418878B1 (ko) * 2013-04-22 2014-07-17 명지대학교 산학협력단 얼굴특징을 이용한 몽타주 작성 시스템 및 그 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
강규창, 배창석, "시각 기억 순환 모델링을 위한 시각 자극의 저차원추상화 표현", 한국차세대컴퓨팅학회 논문지(2019)*

Also Published As

Publication number Publication date
KR20220120929A (ko) 2022-08-31

Similar Documents

Publication Publication Date Title
Khabarlak et al. Fast facial landmark detection and applications: A survey
Rozantsev et al. Beyond sharing weights for deep domain adaptation
Tomei et al. Art2real: Unfolding the reality of artworks via semantically-aware image-to-image translation
US20220121932A1 (en) Supervised learning techniques for encoder training
Ding et al. Latent low-rank transfer subspace learning for missing modality recognition
Levi et al. Emotion recognition in the wild via convolutional neural networks and mapped binary patterns
Tommasi et al. Frustratingly easy nbnn domain adaptation
Kumar et al. An object detection technique for blind people in real-time using deep neural network
US20200349414A1 (en) Systems and methods for neuronal networks for associative gestalt learning
Tuzel et al. Global-local face upsampling network
Huang et al. Efficient inference in occlusion-aware generative models of images
KR102095097B1 (ko) 생성적 적대 네트워크를 이용한 비디오 시퀀스 생성 시스템 및 그 방법
US10062013B2 (en) Method of image processing
CN107909114B (zh) 训练有监督机器学习的模型的方法和装置
KR102445932B1 (ko) 지식 증류 기반의 멀티모달 매핑 정보를 활용한 이미지 생성 기법
CN115810215A (zh) 面部图像生成方法、装置、设备及存储介质
KR102504722B1 (ko) 감정 표현 영상 생성을 위한 학습 장치 및 방법과 감정 표현 영상 생성 장치 및 방법
KR102481538B1 (ko) 몽타주 생성 장치 및 방법
KR20200112191A (ko) 영상 속 2d 오브젝트에 3d 텍스처를 자동으로 매핑해서 3d 오브젝트를 생성하는 시스템 및 방법
US11670023B2 (en) Artificial intelligence techniques for performing image editing operations inferred from natural language requests
Do et al. A multi-scale context encoder for high quality restoration of facial images
Yan et al. Deep vanishing component analysis network for pattern classification
Ntavelis et al. Same same but different: Augmentation of tiny industrial datasets using generative adversarial networks
Shelke et al. Approaches for harvesting on emotion extraction from human facial expressions
Jam et al. Foreground-guided facial inpainting with fidelity preservation

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant