KR20010044393A - 인간의 얼굴정보를 이용한 출입통제 및 보안 방법 - Google Patents

Abstract

본 발명은 인간의 생체 정보 중 얼굴을 이용한 보안 및 출입통제 시스템 및 이용 방법에 관한 것이다.

본 발명의 얼굴 정보를 이용한 보안 및 출입통제 시스템은 오프라인에서 이용 가능한 출입 인증 시스템과 온라인 상에서 이용 가능한 보안 시스템으로서 카메라로부터 취득된 영상에서 인간의 얼굴을 분리해 내는 얼굴 영상 검출부, 검출된 얼굴 영상에서 얼굴의 특징점을 검출하는 특징추출부, 추출된 특징을 입력으로 하여 인간 개개인에 대해 인식이 가능하도록 시스템이 학습을 수행하는 얼굴 영상 학습부, 학습된 개개인의 얼굴영상 정보 및 학습결과를 저장하는 데이터 베이스부, 데이터 베이스와 새로운 입력정보를 이용하여 인증을 수행하는 얼굴영상 인증부를 포함한다.

본 발명은 얼굴인증에 대한 과정을 출입 시스템 등과 같은 오프라인 방식은 물론 현금인출, 유무선 보안 시스템 등과 같은 온라인 방식에 이용할 수 있으므로 가정 및 사무실 보안, 시스템 보안을 효율적으로 수행할 수 있으므로 보다 안전한 개인정보 보호에 일익을 담당할 수 있다

Description

인간의 얼굴정보를 이용한 출입통제 및 보안 방법{Pass and security method using human face information}

본 발명은 가정 및 사무실 출입 통제 및 시스템 보안을 위해 온라인 및 오프라인을 통해 이를 실행할 수 있는 방법에 관한 것이다.

카메라나 입력장치로부터 입력된 영상에서 인간의 얼굴을 검출한 후 검출된 얼굴에서 특징을 추출하는 방법에는 영상의 윤곽이나 어느 특징 부분의 특징을 추출하는 지역적 특징 추출법과 영상을 블록화한 후 처리하여 특징 파라미터를 추출해 내는 전체적 특징 추출 방법이 있다. 특징 위치 검출 방법에는 기하학적인 대칭에 의한 방법, 눈 ·코 ·입 등의 특징 템플리트와 영상의 상호관계를 이용하는 방법, snakelets를 이용하여 얼굴 후보 에지들을 찾아 얼굴을 검출하는 방법, 자기 조직화 특징 지도를 이용하여 얼굴 특징을 검출하는 방법, FFT, DCT와 DWT와 같은 주파수 영역에서 특징을 추출하는 방법 등이 있다.

템플리트를 이용하는 방법은 여러 방향의 얼굴 특징을 검출하는데 적합하나 연산량이 큰 것이 단점이나 주파수 영역에서의 특징 추출방법은 영상을 주파수 영역으로의 변환하여 효율적으로 특징을 검출할 수 있다.

특징을 추출하여 인식하는 방법은 주로 유클리디안 거리를 이용한 방법과 신경회로망을 이용하는 방법을 많이 이용하고 있다. 전자는 시스템 구현이 용이하다는 장점이 있으나 데이터가 많을 경우 인식률이 떨어지는 단점이 있다. 후자를 이용하여 패턴 인식을 할 경우 입력 패턴의 잡음이나 왜곡, 크기의 다양성, 위치의 변화 등에 유연하게 적용하여 패턴을 인식할 수 있는 장점이 있으나 입력 수가 너무 많으면 그에 따른 많은 노드 수가 필요하며 연결 개수도 증가하기 때문에 패턴 인식 시스템 구현에 있어서 어려움이 있다. 그러나 입력 대상에 따라 공간 영역 또는 주파수 영역으로 변환한 후 물체에 대한 특징 파라미터를 추출한 후 신경회로망을 이용하면 소수의 입력벡터를 사용하기 때문에 노드 수와 연결선의 수를 줄일 수 있어 처리 시간 단축 및 시스템 구현이 용이하다.

본 발명은 차영상을 적용하여 마스크를 생성하고 이를 이용하여 얼굴을 분할한 후 얼굴의 특징영역을 정의하여 특징 추출시 연산량을 줄이고 웨이브렛 변환을 이용하여 정교한 특징벡터를 추출한다. 이와 같은 과정을 통해 본 발명에서는 시스템에 입력되는 얼굴의 특징 벡터의 수를 감소시켜 신경망 학습시 필요한 학습 데이터를 최대한 줄여 실제 인증 작업을 수행할 때 시스템이 잡음과 미세한 조도변환에 유연하게 대처할 수 있도록 하는데 그 목적이 있다.

본 발명의 인간의 얼굴정보를 이용한 보안 및 출입통제 시스템은 얼굴영상 검출부, 특징추출부, 얼굴영상 학습부, 데이터 베이스부, 그리고 얼굴영상 인증부를 포함한다.

본 발명의 인간의 얼굴정보를 이용한 보안 및 출입통제 시스템은 얼굴영상 검출부, 특징추출부, 얼굴영상 학습부, 데이터 베이스부, 그리고 얼굴영상 인증부를 포함한다.

얼굴영상 검출부는 설정된 환경에서 입력된 영상으로부터 자동적으로 얼굴을 분할한다. 먼저 일정한 조도 상태에서 취득된 배경영상과 얼굴이 포함된 두 영상에서 차영상을 적용하여 얼굴을 분할한다. 이를 위해 동일거리에 있는 M×N 크기의 그레이 스케일 K 레벨로 취득하여 가우시안 필터링에 의해 영상 내에 존재하는 잡음을 제거한다.

다음으로 배경 영상과 얼굴이 포함된 입력 영상의 차를 구하는데 얼굴이 포함된 입력영상에서 얼굴 밖의 픽셀 값과 얼굴이 포함되지 않는 배경영상의 픽셀 값이 정확히 일치하지 않으므로 임계값을 주어 동일 카메라로 얻어진 영상의 픽셀 값이 미소하게 변화해도 원하는 영상을 구할 수 있도록 한다. 도 1은 차영상의 예를 나타낸다.

배경의 픽셀 값과 얼굴의 픽셀 값이 비슷한 경우, 차영상을 적용하면 얼굴 영역의 일부가 배경 픽셀 값에 의해 제거되고 배경 영역에서 임계값보다 크게 변화되는 부분은 차영상 내에서 잡음으로 발생하게 되므로 이를 직접 마스크로 사용할 수가 없다. 그러나 약간의 조도 변화와 빛의 반사에 의하여 생기는 잡음은 발생 확률이 적어 영상 내에서 미소 면적을 차지하게 되므로 차영상을 이진화 하면서 영상을 축소시킨다. 영상의 축소는 물체의 경계면에서 픽셀 값을 바꾸는 방법으로 지정된 이웃 픽셀 값들을 이용하여 픽셀을 변화시킨다. 출력 이미지에서 지정된 픽셀의 상태(0 또는 1)는 입력 이미지에서 부합되는 이웃 픽셀에 대한 규칙성을 적용시켜 결정한다. 즉, 입력 픽셀의 이웃 픽셀에서 어떤 픽셀 값이 1이면, 그에 대한 출력 픽셀 값은 1이고 그렇지 않으면 0의 값을 가진다. 이웃 픽셀들은 임의로 정할 수 있는 형태와 크기로 0과 1의 값을 가진 행렬로 표시되는 행렬 구성 요소에 의해 대치되어진다. 도 2는 이진영상을 나타낸다.

축소된 이진 이미지는 얼굴영상의 크기에 맞게 팽창 되어야한다. 다음으로 픽셀 값을 조사하여 마스크를 생성한 후 마스크를 얼굴이 존재하는 원 영상에 투영하여 배경에서 얼굴을 검출한다. 도 3은 검출된 얼굴 영상의 예를 보이고 도 4는 얼굴영상 검출부의 동작과정을 설명한다.

얼굴의 특징을 검출해내는 특징추출부는 특징영역 검출부와 특징벡터 추출부로구성된다. 이 과정은 인간의 얼굴에서 개개인 마다의 고유한 특징을 추출하는데 이는 사람의 얼굴에서 대부분의 특징정보가 눈썹, 눈, 코, 입, 뺨에 존재하는 사실에 의거한다. 분할된 얼굴영상의 특징검출을 위해 sobel 연산자를 이용하여 에지를 검출한 후 에지 성분들의 수평선분과 수직 방향 성분을 이용하여 눈의 영역과 얼굴의 중심을 찾는다. 도 5는 얼굴의 특징을 검출하기 위한 특징벡터 추출부의 처리 과정을 나타낸다.

일정 거리에 있는 사람의 얼굴의 크기는 비슷하므로 눈썹, 눈, 코, 뺨 그리고 입이 포함되도록 사각영역을 정의하여 얼굴인식을 위한 특징영역으로 한다. 이렇게 추출된 특징영역에 대해 웨이브렛 변환을 한 후 특징을 추출한다. 도 6은 특징 검출을 위한 거리를 정의한다.

특징벡터 추출부의 특징 파라미터의 추출 과정은 먼저 해상도가 [M×N×2ⁿ]인 입력 영상 신호에서 검출된 크기가 J×K인 화소를 갖는 특징영역을 웨이브렛 변환하여 웨이브렛 변환 계수 행렬을 구한다.

도 7은 4레벨 웨이브렛 변환 계수 행렬의 분포를 나타내는데 여기서 cA4는 4레벨 저주파 계수 행렬을 의미하고, cH(i)는 (i)레벨의 수평 고주파 계수 행렬, cV(i)는 (i)레벨의 수직 고주파 계수 행렬 그리고, cD(i)는 (i)레벨의 대각 고주파 계수 행렬을 의미한다. 도 8은 실제 얼굴영상에 웨이브렛 변환을 적용한 결과이다.

검출된 얼굴의 특징영역에 대해 4레벨 DWT를 수행하면 a×b의 크기를 가진 계수행렬 cA4, cH4, cV4 그리고 cD4를 구할 수 있다. 여기서 cA4는 4레벨 저주파 계수행렬, cH4는 수평 고주파 계수행렬, cV4는 수직 고주파 계수행렬 그리고 cD4는 대각 고주파 계수행렬인데 이들의 분포 특성을 분석한 후 특징벡터 추출을 한 후 추출된 정규화 벡터의 평균자승 오차를 구한 후 오차의 크기에 근거하여 이를 신경망의 학습 벡터로 이용한다.

학습된 개개인의 얼굴영상 정보 및 학습결과를 저장하는 데이터 베이스부는 인간들의 얼굴 영상정보와 특징벡터 추출결과를 데이터 베이스화하여 저장하고 이를 이용하여 학습을 수행한다. 마지막으로 학습결과 역시 데이터 베이스에 저장한다. 도 9는 샘플 영상에 대해 추출된 신경망 입력벡터 분포의 예이다.

얼굴영상 인증부는 다층신경망을 이용하여 구성되는데 신경망은 입력층, 중간층, 출력층으로 구성된다. 입력층에는 얼굴영상의 특징정보가 입력되고 출력층은 인식을 위한 패턴 값을 지정한다. 도 10은 본 발명의 상세흐름도를 나타낸다.

이와 같은 본 발명은 개개인의 얼굴 정보를 이용하여 온라인 및 오프라인에 적용할 수 있으므로 개인정보 보안 및 출입통제 시스템에 효율적으로 적용될 수 있을 것이다.

Claims (5)

1. 카메라로부터 입력받은 영상정보에서 차영상을 구한 후 얼굴영상을 분리하고 분리된 얼굴영상의 특징영역을 결정한 후 이를 웨이브렛 변환하여 특징을 추출하는 방법
2. 제 1항에 있어서, 얼굴영상의 특징영역을 도 7의 방법에 의해 삼각, 사각 형태로 결정하는 방법
3. 제 2항에 있어서, 결정된 특징영역을 웨이브렛 변환하여 특징벡터를 추출하는 방법
4. 제 3항에 있어서, 특징벡터를 구할 때 변환된 웨이브렛 계수 행렬의 가로 방향, 수직방향의 연산에 의해 구하는 방법
5. 제 1항에 있어서, 차영상을 구한 후 얼굴을 분리하기 위해 구해진 차영상을 이진화 한 후 팽창과 축소를 하는 방법