KR20060133345A - 국부이진패턴 구별 방법을 이용한 얼굴 검증 방법 및 장치 - Google Patents

국부이진패턴 구별 방법을 이용한 얼굴 검증 방법 및 장치 Download PDF

Info

Publication number
KR20060133345A
KR20060133345A KR1020050053154A KR20050053154A KR20060133345A KR 20060133345 A KR20060133345 A KR 20060133345A KR 1020050053154 A KR1020050053154 A KR 1020050053154A KR 20050053154 A KR20050053154 A KR 20050053154A KR 20060133345 A KR20060133345 A KR 20060133345A
Authority
KR
South Korea
Prior art keywords
lbp
face
kfda
image
feature
Prior art date
Application number
KR1020050053154A
Other languages
English (en)
Other versions
KR100723406B1 (ko
Inventor
자오지아리
기석철
왕하이타오
렌하이빙
황원준
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 KR1020050053154A priority Critical patent/KR100723406B1/ko
Priority to US11/454,913 priority patent/US7558763B2/en
Publication of KR20060133345A publication Critical patent/KR20060133345A/ko
Application granted granted Critical
Publication of KR100723406B1 publication Critical patent/KR100723406B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern 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
    • G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

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

Abstract

국부이진패턴 구별 방법을 이용한 얼굴 검증 방법 및 장치가 개시된다. 그 얼굴 검증 방법은 얼굴영상의 LBP 특징을 이용하여 KFDA 기저벡터를 생성하는 단계; 미리 등록된 얼굴영상의 LBP 얼굴특징과 커널 LBP 얼굴특징을 이용하여 카이 스퀘어 내적(Chi square inner product)하여 KFDA의 기저벡터에 투영하는 단계; 질의영상의 LBP 얼굴특징과 커널 LBP 얼굴특징을 이용하여 카이 스퀘어 내적하여 KFDA의 기저벡터에 투영하는 단계; 및 카이스퀘어 내적되어 KFDA 기저벡터에 투영된 타겟얼굴영상과 질의얼굴영상의 유사도를 구하는 단계를 포함하는 것을 특징으로 한다.
본 발명에 의하면, KFDA 기반 LBP는 LBP, KFDA 및 BEE 베이스 라인 알고리즘보다 우수한 성능을 나타낸다.

Description

국부이진패턴 구별 방법을 이용한 얼굴 검증 방법 및 장치{Face image verification method and apparatus using LBP(Local Binary Pattern) discriminant method}
도 1은 기본적인 LBP 연산자의 예를 도시한 것이다.
도 2는 (P,R) 표기법을 사용한 예를 도시한 것으로서, (a)는 원형 (8,2) 이웃을 나타내고, (b)는 원형 (8,3) 이웃을 나타낸다.
도 3은 9개의 uniform 회전 불변 이진 패턴들을 도시한 것이다.
도 4는 본 발명에 의한 LBP 구별 방법을 이용한 얼굴 검증 장치의 구성을 블록도로 도시한 것이다.
도 5는 기저벡터 생성부의 세부 구성을 블록도로 도시한 것이다.
도 6은 본 발명에 의한 LBP 구별 방법을 이용한 얼굴 검증 방법을 흐름도로 도시한 것이다.
도 7은 도 6의 600단계를 보다 상세히 설명하는 흐름도이다.
도 8은 얼굴 영상들의 파트로서, FRGC Exp 2.0.1 얼굴영상들을 보여주고 있다.
도 9는 LBPKFDA, KFDA, LBP 및 FRGC 베이스라인에 대한 ROC를 도시한 것이다.
본 발명은 얼굴 인식기술에 관한 것으로, 보다 상세하게는 국부이진패턴(Local Binary Pattern)구별 방법을 이용한 얼굴 검증 방법 및 장치에 관한 것이다.
공항이나 빌딩에서 출입자들의 신원파악을 위해서 출입카드를 사용해야 하는 경우들이 많아지고 있으나, 지금까지의 방식은 각 개인에게 부여된 키카드(key card)나 키패드(key pad)를 카드판독기에 접촉시켜 자신의 신분을 알리는 방법을 사용하고 있다. 이 방식은 키카드나 키패드를 항상 휴대하고 다녀야 한다는 불편함과 함께, 그것들의 도난이나 분실시 타인의 출입이 허용될 수 있다는 점에서 보안상의 문제가 발생할 수 있다.
이와 같은 부작용과 역기능을 최소화하기 위해서 최근에 들어서 국내외에서는 인간이 가지는 있는 각자의 고유한 생물학적 또는 행동상의 특징들을 이용하여 자동으로 개개인의 신원을 인식하거나 확인하는 생체인식 기술이 각광을 받고 있다. 신뢰성 있는 생체인식 시스템은 현금인출카드의 비밀번호 대체 효과와 빌딩의 출입자관리시스템에 이용되는 것 이외에도 은행의 금고와 같은 고도의 주의가 요구되는 경우, 회사나 공항의 보안 시스템, 미래의 인간과 기계사이의 인터페이스 등 일반적인 활용 범위를 가지려는 추세이며, 보다 적용이 용이하면서 더욱 높은 신뢰도를 갖게 하려는 많은 연구가 이루어지고 있다.
생체 인식 시스템(Biometric System)은 신체적 특징을 이용한 개인확인 및 인증 시스템을 말한다. 생체인식 기술이란 개인의 특성을 검증하거나 신원을 인식하기 위해, 측정 가능한 물리적 특성 또는 개인의 특징을 이용하는 기술을 말한다. 이러한 생체인식 기술에서의 개인 특성은 절도나 누출에 의하여 전달될 수 없으며 변경되거나 분실할 위험성도 없으므로, 보안 침해를 누가 행했는지 추적이 가능해지는 등, 감사(Audit)기능이 완벽하게 구축될 수 있다는 장점이 있다.
이러한 생체인식 시스템을 구현하는데 있어서 사용하게 되는 개인의 특성으로서는 지문(Fingerprint), 얼굴(Face), 장문(Palmprint), 손모양(Hand geometry), 열상(Thermal image), 음성(Voice), 필체(Signature), 혈관(Vein), 타이핑(Typing keystroke dynamics), 망막(Retina) 그리고 홍채(Iris) 등이 있다. 특히, 얼굴인식 기술은 인간이 타인의 신원확인을 할 때 가장 많이 사용하는 것이 얼굴의 형상이기 때문에 가장 자연스럽고 거부감이 상대적으로 적은 생체인식 기술이다.
그러나, 종래의 얼굴인식 기술은 얼굴의 윤곽 등의 특징을 비교하여 동일성 여부를 판단함으로써, 동일 인물이 아닌 사람을 동일 인물로 인식하거나, 동일한 인물을 조명, 표정, 자세 등의 영향에 의해 동일하지 않다고 인식하는 등 얼굴 인식에 있어서 오류를 범하는 경우가 자주 발생하는 문제점이 있다.
본 발명이 이루고자 하는 기술적 과제는 LBP의 검증성능을 높이기 위해 분류기로서 LBP특징추출 방법을 갖는 KFDA를 사용하는, 국부이진패턴(Local Binary Pattern : 이하 LBP라 함)구별 방법을 이용한 얼굴 검증 방법 및 장치를 제공하는 것이다.
상기 기술적 과제를 이루기 위한 본 발명에 의한 국부이진패턴 구별 방법을 이용한 얼굴 검증 방법은, (a) 얼굴영상의 LBP 특징을 이용하여 KFDA 기저벡터를 생성하는 단계; (b) 미리 등록된 얼굴영상의 LBP 얼굴특징과 커널 LBP 얼굴특징을 이용하여 카이 스퀘어 내적(Chi square inner product)하여 상기 KFDA의 기저벡터에 투영하는 단계; (c) 질의영상의 LBP 얼굴특징과 커널 LBP 얼굴특징을 이용하여 카이 스퀘어 내적하여 상기 KFDA의 기저벡터에 투영하는 단계; 및 (d) 상기 (b)단계와 (c)단계의 결과를 이용하여 유사도를 구하는 단계를 포함하는 것을 특징으로 한다. 상기 (a)단계는 (a1) 학습을 위한 얼굴영상의 LBP 얼굴특징을 획득하는 단계; (a2) 커널 LBP 얼굴특징을 획득하는 단계; (a3) 상기 (a1)단계의 LBP 얼굴특징과 (a2)단계의 커널 LBP 얼굴특징을 이용하여 카이 스퀘어 내적하는 단계; 및 (a4) 상기 (a3)단계에서 카이 스퀘어 내적한 결과에 대해 KFDA를 수행하여 KFDA기저벡터를 획득하는 단계를 포함함이 바람직하다. 상기 카이스퀘어 내적은
[수학식 16]
Figure 112005032668420-PAT00001
(여기서,
Figure 112005032668420-PAT00002
는
Figure 112005032668420-PAT00003
에 의해 정의된다.)
상기 수학식 16에 의해 수행됨이 바람직하다. 상기 (a1)단계의 학습을 위한 얼굴영상의 LBP 얼굴특징은 얼굴영상에 대해 LBP 연산을 수행하여 LBP히스토그램으로 표현됨이 바람직하다. 상기 (d)단계의 유사도는 유클리디안 거리 비교에 의해 판단됨이 바람직하다.
상기 기술적 과제를 이루기 위한 본 발명에 의한 국부이진패턴 구별 방법을 이용한 얼굴 검증 장치는, 학습 얼굴영상의 LBP 특징을 이용하여 KFDA 기저벡터를 생성하는 기저벡터 생성부; 미리 등록된 얼굴영상의 LBP 얼굴특징과 커널 LBP 얼굴특징을 이용하여 카이 스퀘어 내적(Chi square inner product)하는 타겟영상 카이스퀘어 내적부; 상기 타겟영상 카이스퀘어 내적부에 의해 내적된 LBP 특징벡터를 KFDA의 기저벡터에 투영하는 타겟영상 KFDA 투영부; 질의영상의 LBP 얼굴특징과 커널 LBP 얼굴특징을 이용하여 카이 스퀘어 내적하는 질의영상 카이스퀘어 내적부; 상기 질의영상 카이스퀘어 내적부에 의해 내적된 LBP 특징벡터를 상기 KFDA의 기저벡터에 투영하는 질의영상 KFDA 투영부; 및 상기 타겟영상 KFDA 투영부에서 생성된 타겟영상 얼굴특징 벡터와 상기 질의영상 KFDA 투영부에서 생성된 질의영상 얼굴특징 벡터를 비교하여 상기 두 영상간의 유사도를 구하는 유사도획득부를 포함하는 것을 특징으로 한다. 상기 기저벡터 생성부는 학습을 위한 얼굴영상의 LBP 얼굴특징와 커널 LBP 얼굴특징을 이용하여 카이 스퀘어 내적하는 학습영상 카이스퀘어 내적부; 및 상기 학습영상 카이스퀘어 내적부에서 카이 스퀘어 내적한 결과에 대해 KFDA를 수행하여 KFDA기저벡터를 생성하는 KFDA 기저벡터 생성부를 포함함이 바람직하다.
그리고 상기 기재된 발명을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공한다.
이하, 첨부된 도면들을 참조하여 본 발명에 따른 LBP 구별 방법을 이용한 얼굴 검증 방법 및 장치에 대해 상세히 설명한다.
얼굴검증 또는 얼굴인식을 위한 주요한 단계로 얼굴특징 추출과 분류기(classifier) 설계가 있다. 얼굴특징 추출의 목표는 동일한 사람이 각기 다른 영상에서 표정, 조명, occlusion이 달라져도 이에 민감하지 않는 얼굴특징을 추출하는 것이다. LBP(Local Binary Pattern)와 Gabor wavelet은 많은 전문가들의 관심을 끌고 있는 얼굴특징들 중의 하나이며, 이 분야에서 좋은 성능을 이루어내고 있다.
상기 LBP는 얼굴특징 추출방법의 하나로서, shape와 텍스쳐 정보 둘 다 고려하여 얼굴영상을 표현하며, 얼굴특징벡터(히스토그램)를 얼굴영상으로부터 직접 추출한다. 얼굴영상은 먼저 LBP 얼굴특징이 추출되는 작은 영역으로 나누어지고 상기 영역들은 얼굴영상을 효율적으로 표현할 수 있는 단일 특징 히스토그램에 의해 서로 연결된다. 얼굴영역의 텍스쳐들은 얼굴특징 히스토그램의 건설에 의해 전체 얼굴이 복원되는 동안에 LBP 패턴들에 의해 국부적으로 부호화된다. LBP 특징을 이용한 아이디어는 얼굴영상이 단일톤의 그레이 스케일(monotonic grey scale) 변환에 대해 변하지 않는 마이크로 패턴들의 조합으로 보여질 수 있다는 것이다. 이러한 마이크로 패턴들을 결합함으로써, 얼굴영상을 전체적(global)으로 기술할 수 있다.
본 발명에서는 LBP 특징추출방법을 갖는 분류기로서 Fisher Discriminant Analysis를 사용하여 얼굴검증 성능을 개선한다. 만일 직접 LBP를 갖는 FLDA(Fisher Linear Discriminant Analysis)를 사용한다면, LBP의 히스토그램에 의해 채용되는 Chi square statistic similarity를 사용하는 것은 어렵다.
또한 본 발명에서는 Kernel Fisher Discriminant Analysis(KFDA)라 불리는 커널 기반 비선형 discriminant 분석을 사용한다. 상기 KFDA는 커널의 장점과 FLDA를 결합한 것이다. 비선형 커널 방법은 입력데이터를 implicit 특징 공간 F에 투영되도록 채용되며, FLDA는 F에서 수행되어 입력데이터의 비선형 discriminant 특징을 생성한다.
LBP를 갖는 KFDA를 성공적으로 사용하기 위해, 본 발명에서는 카이 스퀘어 통계 유사도 측정을 사용하여 다른 커널 함수로 F에서 두 벡터의 내적을 계산한다. 이 새로운 방법으로, LBP의 특징과 유사성 특정 장점이 사용된다. KFDA 기반 LBP는 또한 LBP와 KFDA 둘다의 성능을 개선한다.
먼저, 얼굴특징 선택을 위한 LBP를 설명하기로 한다. 원래의 LBP 연산자는 텍스쳐를 기술하기 위한 강력한 수단으로서, 그레이 스케일과 회전에 불변하는 텍스쳐 분류에 대한 효율적이고도 멀티해상도 접근방식이다.
평균 조명에서 조명의 변화에 의해 영향받지 않는 얼굴특징을 추출하기 위해, LBP의 목적은 그레이 스케일 이동에도 변하지 않는 얼굴특징을 찾는 것이다.
원래의 LBP는 3x3 픽셀의 중앙 픽셀을 임계값으로 하여 상기 중앙 픽셀의 이웃하는 픽셀들의 값을 이진값으로 나타내어 영상의 픽셀에 레이블을 붙인다. 그리고 나서 각 레이블의 히스토그램은 텍스쳐 기술자로 사용될 수 있다. 도 1은 기본적인 LBP 연산자의 예를 도시한 것이다.
어떤 텍스쳐의 주된 특징이 될 수 있는 큰 스케일 구조(large scale structure)를 캡쳐하기 위해, LBP는 다른 크기의 이웃 픽셀들을 사용하여 확장될 수 있다. 원형 이웃들과 이진선형 간섭을 사용함으로써 픽셀 값들은 반지름과 이웃하는 픽셀들을 허용한다. 이웃픽셀에 대해, LBP는 반지름 R상의 원에 존재하는 P개의 샘플링 점을 나타내는 (P,R) 표기법을 사용한다. 도 2는 (P,R) 표기법을 사용한 예를 도시한 것이다. 도 2의 (a)는 원형 (8,2) 이웃을 나타내고, (b)는 원형 (8,3) 이웃을 나타낸다.
원래의 연산자에 대한 또 다른 확장은 소위 균일한 패턴을 사용한다. 이진 스트링이 원형을 나타낼 때, 많아야 두 개의 bitwise 변환(0에서 1 또는 1에서 0으로의 변환)을 포함할 때 LBP는 균일(uniform)하다고 말한다.
Ojala는 uniform circular structure는 하나의 공통적인 것을 가지고 있는데 이러한 근본적인 패턴을 uniform하다고 부른다. 균일한 원형(uniform cicular) 구조는 극히 작은 수의 공간 이동(transition)을 갖는다. Uniform 패턴은 마이크로 구조 예를 들어 bright spot, flat area 또는 dark spot 및 변화하는 양 또는 음의 만곡(curvature)의 에지를 위한 템플릿으로 기능한다. Ojala는 텍스쳐 영상을 갖는 실험에서 (8,1) 이웃을 사용할 때 uniform 패턴들은 모든 패턴들의 90% 보다 작은 비트로 설명하고, (16,2) 이웃에서는 70% 부근으로 설명한다. 도 3은 9개의 uniform 회전 불변 이진 패턴들을 도시한 것이다. 도 3의 패턴 안에 있는 숫자는 고유한
Figure 112005032668420-PAT00004
코드에 상응하는 것이다.
얼굴인식을 위한 LBP 작업을 하기 위해, Ahonen은 회전 불변 성질이 없는 LBP를 얼굴 기술자 즉
Figure 112005032668420-PAT00005
로 사용한다. 아래 첨자는 (P,R) 이웃에서의 연산자를 사용하여 나타낸다. 윗첨자 u2는 uniform 패턴들을 사용하여 단일 라벨(label)을 갖는 모든 잔여 패턴들을 레이블링하는 것을 나타낸다.
얼굴 기술자는 라벨들의 히스토크램을 사용한다, 본 발명에서는 채용된
Figure 112005032668420-PAT00006
를 Ahonen의 방법으로 사용한다. 모든 LBP 값들은 uniform 전략에 따라 59 bins로 정량화된다. 59 bins 에 대한 설명은 다음과 같다. 도 3에 도시된 바와 같이 1부터 7 까지 코드는 8개의 회전된 패턴들을 각각 갖는다. 이석은 전체적으로 7*8 =56 bins이다. 플러스 코드 0,8과 다른 비균일 패??들은 1개의 unique한 bin으로 취급하되므로 전체적으로 56+3 =59 bins가 된다.
레이블이 붙여진 영상 fi(x,y)의 히스토그램은 수학식 1과 같이 정의된다.
Figure 112005032668420-PAT00007
n=59는 LBP 연산자에 의해 만들어진 다른 라벨들의 수이다.
Figure 112005032668420-PAT00008
상기 LBP의 히스토그램은 전체 영상에 대해 에지, spots 및 flat area와 같은 국부 마이크로 패턴들의 분포에 관한 정보를 포함하고 있다. 효율적인 얼굴표 현에 대해, 공간 정보를 또한 보유하고 있어야 한다. 이러한 목적으로, 영상은 영역 R0, R1, ..., Rm-1로 나누어진고, 공간적으로 향상된 히스토그램은 수학식 3과 같이 정의된다.
Figure 112005032668420-PAT00009
히스토그램은 3개의 다른 수준의 국부성(locality)을 효과적으로 기술한다. 히스토그램을 위한 레이블들은 픽셀 레벨 패턴에 관한 정보를 포함한다. 그리고 상기 라벨들은 작은 영역에 걸쳐 더해져서 지역적인레벨 정보를 생성하고 지역적인 히스토그램들은 연결되어 얼굴의 전체적인 기술(global description)을 이루어낸다.
얼굴검증은 두 얼굴 영상의 유사도를 계산하여 판단한다. Chi squre statistic similarity measures는 LBP 히스트그램을 위해 Ahonen에 의해 제안되었다.
Figure 112005032668420-PAT00010
여기서 S와 M은 비교되는 두 개의 영상의 LBP 히스토그램이다.
LBP얼굴인식방법은 FERET 테스트에 대한 유망한 결과로 성취되었다. 그러나 아직도 그것을 계산할 여지는 있다. LBP 서술자를 갖는 분류기로서 커널 비선형 discriminant 분석법을 사용하고 검증 성능을 높이고자한다.
FLDA(Fisher Linear discriminant analysis)는 특히 얼굴인식분야에서 패턴 분류를 위한 방법으로 널리 알려져 있다. 상기 FLDA는 Fisher discriminant 함수를 최대화시킴으로써, 클래스간(between-class) 스캐터(scatter)SB는 최대화하고 클래스 내(within-class) 스캐터 SW는 최소화하는 선형 투영을 구한다.
Figure 112005032668420-PAT00011
본 발명에서는 discriminant 분석 기준으로 상기 식을 사용하여 LBP성능을 향상시킨다. 문제는 만일 직접 FLDA를 사용한다면 LBP 히스토그램에 의해 채용된 카이스퀘어 통계 유사도(Chi square statistic similarity)를 사용하기 어렵다는 것이다.
FLDA에 대한 다른 문제점은 선형 표현방법으로서 상기 FLDA는 얼굴표정과 조명이 바뀌면 실제 얼굴영상에서 복잡한 비선형 변형을 기술하는 것이 적당하지 않다는 것이다. 패턴분리에 관한 Cover의 이론에 따르면 비선형적으로 분리되는 패턴들은 입력공간에서 비선형적으로 고차원의 특징 공간으로 변환되면 높은 확률을 가지고 선형적으로 분리할 수 있다. 또한 커널기반 비선형 discriminant 분석은 커널 트릭(trick)과 FLDA를 조합한다. 비선형 커널 트릭은 먼저 입력데이터를 implicit 특징공간 F에 투영시기키 위해 채용되었다. 이 때 상기 FLDA는 F에서 수 행되여 입력데이터의 비선형 discriminant 특징들을 생성한다. 이를 KFDA(Kernel Fisher Discriminant Analysis)라 부른다.
본 발명에서는 LBP를 갖는 KFDA를 사용하여 얼굴 검증을 개선한다. LBP의 히스토그램을 위한 카이 스퀘어 통계의 이점을 취하기 위해 전통적인 KFDA를 수정한다. KGDA의 개념은 비선형 매핑에 의해 구축된 implicit 특징공간 F에서 FLDA의 문제를 해결하는 것이다.
Figure 112005032668420-PAT00012
구현함에 있어서, implicit 특징벡터
Figure 112005032668420-PAT00013
는 explicitly하게 게산될 필요는 없다. 대신에 커널함수를 갖는 F에서 두 벡터의 내적을 계산하면 된다.
Figure 112005032668420-PAT00014
x가 n 개의 엘리멘트와 C개의 클래스를 갖는 입력셋(input set)의 벡터라 하자. 그리고 ni는 샘플 수를 나타낸다고 하자. xi의 맵핑은 다음식으로 표현된다.
Figure 112005032668420-PAT00015
FLDA를 수행하는 것은 다음과 같은 Fisher discriminan함수를 최대화하는 것이다.
Figure 112005032668420-PAT00016
여기서,
Figure 112005032668420-PAT00017
와
Figure 112005032668420-PAT00018
는 F에서 클래스 간(between class) 스캐터와 클래스 내(within class) 스캐터를 각각 나타낸다.
Figure 112005032668420-PAT00019
Figure 112005032668420-PAT00020
여기서,
Figure 112005032668420-PAT00021
Figure 112005032668420-PAT00022
는 모든 샘플들의 스팬에 놓여있어야 하므로 w는 선형 조합에 의해 표현될 수 있다. 즉
Figure 112005032668420-PAT00023
이다.
따라서 수학식 9는 다음과 같이 다시 나타낼 수 있다.
Figure 112005032668420-PAT00024
그리고 KGDA의 문제는
Figure 112005032668420-PAT00025
의 선도적인 아이젠벡터(leading eigenvector)를 찾는 것으로 변환된다.
Figure 112005032668420-PAT00026
Figure 112005032668420-PAT00027
여기서
Figure 112005032668420-PAT00028
이다.
Figure 112005032668420-PAT00029
그리고
Figure 112005032668420-PAT00030
는 모든
Figure 112005032668420-PAT00031
의 평균이다.
커널 함수의 세가지 클래스가 널리 사용되고 있다. 즉 다음과 같은 가우시안 커널, 다항식(polynomial) 커널, sigmoid 커널들이다.
Figure 112005032668420-PAT00032
Figure 112005032668420-PAT00033
Figure 112005032668420-PAT00034
도 4는 본 발명에 의한 LBP 구별 방법을 이용한 얼굴 검증 장치의 구성을 블록도로 도시한 것으로서, 기저벡터 생성부(400), 타겟영상 카이스퀘어 내적부(420), 타겟영상 KFDA 투영부(440), 질의영상 카이스퀘어 내적부(460), 질의영상 KFDA 투영부(480), 유사도획득부(490)를 포함하여 이루어진다.
상기 기저벡터 생성부(400)는 학습을 위한 얼굴영상의 LBP 특징을 이용하여 KFDA 기저벡터를 생성하며, 도 5에 도시된 바와 같이 학습영상 카이스퀘어 내적부(402) 및 KFDA 기저벡터 생성부(404)를 구비한다.
상기 학습영상 카이스퀘어 내적부(402)는 학습을 위한 얼굴영상의 LBP 얼굴특징와 커널 LBP 얼굴특징을 이용하여 카이 스퀘어 내적(Chi square inner product)한다. 상기 학습을 위한 얼굴영상의 LBP 얼굴특징은 얼굴영상에 대해 LBP 연산을 수행하여 LBP히스토그램으로 표현됨이 바람직하다. 상기 커널 LBP 얼굴특징은 많은 수, 예를 들어 수 만장의 얼굴영상에 대해 LBP 연산을 한 후 미리 등록된 얼굴특징 벡터들이 될 수 있다. 결국 상기 학습영상 카이스퀘어 내적부(402)는 커널 얼굴특징 벡터들을 이용하여 비선형적인 구별가능한 패턴을 만들어 낸다.
상기 KFDA 기저벡터 생성부(404)는 상기 학습영상 카이스퀘어 내적부(402)에서 카이 스퀘어 내적한 결과에 대해 KFDA를 수행하여 KFDA기저벡터를 생성한다. 상기 카이 스퀘어 내적(Chi square inner product)은 LBP의 장점을 갖는 KFDA를 사용하기 위해, 수학식 16에 같이 두 벡터를 내적한다. 카이 스퀘어 통계 유사도 측정을 사용하여 F에서 다른 RBF 커널 함수를 갖는 두 벡터의 내적을 계산한다.
Figure 112005032668420-PAT00035
상기 수학식 16에서, LBP의 특징과 유사도 측정 장점 둘 다 사용된다.
여기서
Figure 112005032668420-PAT00036
는 수학식 4에 의해 정의되어 있다.
상기 타겟영상 카이스퀘어 내적부(420)는 미리 등록된 얼굴영상의 LBP 얼굴특징과 커널 LBP 얼굴특징을 이용하여 카이 스퀘어 내적(Chi square inner product)한다. 상기 미리 등록된 얼굴영상은 타겟(target) 얼굴영상을 LBP연산하여 히스토그램으로 표현되는 것이 바람직하다. 그리고 상기 커널 LBP 얼굴특징은 상기 학습영상 카이스퀘어 내적부(402)의 입력으로 사용되는 커널 LBP 얼굴특징과 동일하다.
상기 타겟영상 KFDA 투영부(440)는 상기 타겟영상 카이스퀘어 내적부(420)에 의해 내적된 LBP 특징벡터를 KFDA의 기저벡터에 투영한다.
상기 질의영상 카이스퀘어 내적부(460)는 질의영상(query image)의 LBP 얼굴특징과 커널 LBP 얼굴특징을 이용하여 카이 스퀘어 내적한다. 상기 커널 LBP 얼굴특징은 상기 타겟영상 카이스퀘어 내적부(420)에 입력되는 커널 LBP 얼굴특징과 동일하다.
상기 질의영상 KFDA 투영부(480)는 상기 질의영상 카이스퀘어 내적부(460)에 의해 내적된 LBP 특징벡터를 상기 KFDA의 기저벡터에 투영한다.
상기 유사도획득부(490)는 상기 타겟영상 KFDA 투영부에서 생성된 타겟영상 얼굴특징 벡터와 상기 질의영상 KFDA 투영부에서 생성된 질의영상 얼굴특징 벡터를 비교하여 상기 두 영상간의 유사도를 구한다. 상기 유사도는 유클리디안 거리(Euclidian distance) 비교에 의해 판단됨이 바람직하다.
도 6은 본 발명에 의한 LBP 구별 방법을 이용한 얼굴 검증 방법을 흐름도로 도시한 것으로서, 도 5 및 도 6을 참조하여 LBP 구별 방법을 이용한 얼굴 검증 방법과 장치의 동작을 설명하기로 한다. 먼저, 기저벡터 생성부(400)에서 얼굴영상의 LBP 특징을 이용하여 KFDA 기저벡터가 생성된다.(600단계)
도 7은 상기 600단계를 보다 상세히 설명하는 흐름도이다. 도 7을 참조하여 상기 600단계를 보다 상세히 설명하면, 먼저 학습을 위한 얼굴영상의 LBP 얼굴특징을 획득한다.(602단계) 커널 LBP 얼굴특징을 획득한다.(604단계) 상기 602단계의 LBP 얼굴특징과 604단계의 커널 LBP 얼굴특징을 이용하여 학습영상 카이스퀘어 내적부(402)를 통해 카이 스퀘어 내적한다.(606단계) 그리고 나서 KFDA 기저벡터 생성부(404)를 통해 상기 606단계에서 카이 스퀘어 내적한 결과에 대해 KFDA를 수행하여 KFDA기저벡터를 획득한다.(608단계)
상술한 바와 같이 KFDA 기저벡터가 생성되면, 타겟영상 카이스퀘어 내적부(420)를 통해 미리 등록된 얼굴영상의 LBP 얼굴특징과 커널 LBP 얼굴특징을 이용하여 카이 스퀘어 내적(Chi square inner product)하여, 타겟영상 KFDA 투영부(440)를 통해 상기 KFDA의 기저벡터에 투영한다.(620단계) 또한 질의영상 카이스퀘어 내적부(460)를 통해 질의영상의 LBP 얼굴특징과 커널 LBP 얼굴특징을 이용하여 카 이 스퀘어 내적하여, 질의영상 KFDA 투영부(480)를 통해 상기 KFDA의 기저벡터에 투영한다.(640단계) 유사도 획득부(490)는 상기 620단계와 640단계의 결과를 이용하여 유사도를 구한다.(660단계) 상기 유사도는 유클리디안 거리를 구함으로써 획득할 수 있다.
한편, 수학식 15로 표현되는 sigmoid 커널은 사실상 양(positive)의 semi-definite Gram 매트릭스를 정의한다. 따라서 수학식 16에 의한 커널 함수가 아니다. 그럼에도 불구하고, sigmoid 커널은 빌딩 지원 벡터 기계와 같이 실제로 성공적으로 사용되어 왔다. 본 발명에서는 수학식 13에 의해 정의된 내적 커널은 수학식 16에 의해 정의되는 카이 스퀘어 통계 유사도 측정으로 대체한다.
실제의 커널 특징을 추출하기 위해, Sw를 위한 아이젠 문제를 해결함으로써 LDA방법을 채용한다. 그리고 나서 양의 아이젠 값과 관련된 커널 아이젠 벡터들을 적용한다.
본 발명에서는 모든 영상들은 정렬된 두 개의 눈을 가진다. 전통적인 얼굴 검증이나 인식 방법과 달리, 본 발명은 히스토그램 등화, 감마 정정(Gamma correction) 등과 같은 다른 전처리 단계가 필요하지 않다. 이런 면에서 LBP는 영상 조정에 있어서 일종의 불변(invariant)이다.
상술한 바와 같이 본 발명은 얼굴영상의 특징을 나타내기 위한 것으로 LBP를 사용하며, 분류기(classifier)로서 KFDA를 사용한다. 또한 종래의 LBP는 단지 카이 스퀘어를 거리 측정으로만 사용하였다. 그리고 KFDA 또는 KLDA는 얼굴특징 추출을 위해 다른 특징들을 사용한다. LBP특징과 KFDA를 둘다 사용하므로써, 본 발 명은 카이 스퀘어 통계 유사도 특정을 사용하여 내적을 계산하게 된다. 결국 LBP의 모든 장점을 가지는 KFDA를 사용하기 위해, 수학식 16에 정의된 바와 같이 카이 스퀘어 통계 유사도 측정을 사용하여 다른 RBF 커널 함수를 갖는 F에서 두 벡터의 내적을 계산한다.
본 발명의 FRGC(Face Recognition Grand Chanllenge) 상의 실험 결과는 다음과 같다. 상기 FRGC는 여섯 개의 실험으로 구성된다. FRGC Exp2.0.1로 명명되는 실험 1에서는 갤러리는 사람의 단일 제어 정지영상으로 구성되고 각각의 프로브는 단일 제어 정지영상으로 구성된다. 도 8은 얼굴 영상들의 파트로서, FRGC Exp 2.0.1 얼굴영상들을 보여주고 있다.
합계 16028개의 타겟 영상들이 있으며, 16028 질의 영상들과 12776개의 학습영상이 FRGC 2.0.1에 의해 제공된다. 타겟 및 질의 세트에서, 466명의 사람이 있다. EER과, FAR=0.1%를 갖는 검증율(VR@0.1%로 표기), FAR=1%를 갖는 검증율(VR@1%로 표기)을 검증평가로 사용하고 있다.
KFDA에 기반을 둔 LBP는 표 1과 도 9에 도시된 바와 같이 LBP, KFDA 및 BEE 베이스라인 알고리즘과 비교되었다.
Figure 112005032668420-PAT00037
도 9에 ROC가 도시되어 있다. KFDA기반 LBP이 LBP, KFDA 및 BEE 베이스라인 알고리즘보다 우수한 성능을 나타낸다.
본 발명은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터(정보 처리 기능을 갖는 장치를 모두 포함한다)가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 장치의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등이 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.
본 발명에 의한 국부이진패턴(Local Binary Pattern : 이하 LBP라 함)구별 방법을 이용한 얼굴 검증 방법 및 장치에 의하면, KFDA 기반 LBP는 LBP, KFDA 및 BEE 베이스 라인 알고리즘보다 우수한 성능을 나타낸다. 그 이유는 본 발명에 의한 KFDA기반 LBP에서는 수학식 16에 의해 새로 정의된 커널 함수는 LBP의 모든 잇점을 취하고 있다. 즉 본 발명은 히스토그램을 위한 적정한 거리측정인 LBP의 카이 스퀘어 통계 유사도 측정 뿐만아니라, 표정과 조명에 강인한 LBP의 히스토그램 특징을 이용하고 있다. 그 결과 KFDA기반 LBP에서는 LBP 및 KFDA의 장점들이 함께 사용되어 LBP 및 FDA 보다 더 나은 결과를 나타낸다.

Claims (11)

  1. (a) 얼굴영상의 LBP 특징을 이용하여 KFDA 기저벡터를 생성하는 단계;
    (b) 미리 등록된 얼굴영상의 LBP 얼굴특징과 커널 LBP 얼굴특징을 이용하여 카이 스퀘어 내적(Chi square inner product)하여 상기 KFDA의 기저벡터에 투영하는 단계;
    (c) 질의영상의 LBP 얼굴특징과 커널 LBP 얼굴특징을 이용하여 카이 스퀘어 내적하여 상기 KFDA의 기저벡터에 투영하는 단계; 및
    (d) 상기 (b)단계와 (c)단계의 결과를 이용하여 유사도를 구하는 단계를 포함하는 것을 특징으로 하는 국부이진패턴 구별 방법을 이용한 얼굴 검증 방법.
  2. 제1항에 있어서, (a)단계는
    (a1) 학습을 위한 얼굴영상의 LBP 얼굴특징을 획득하는 단계;
    (a2) 커널 LBP 얼굴특징을 획득하는 단계;
    (a3) 상기 (a1)단계의 LBP 얼굴특징과 (a2)단계의 커널 LBP 얼굴특징을 이용하여 카이 스퀘어 내적하는 단계; 및
    (a4) 상기 (a3)단계에서 카이 스퀘어 내적한 결과에 대해 KFDA를 수행하여 KFDA기저벡터를 획득하는 단계를 포함함을 특징으로 하는 국부이진패턴 구별 방법을 이용한 얼굴 검증 방법.
  3. 제1항 또는 제2항에 있어서, 상기 카이스퀘어 내적은
    [수학식 16]
    Figure 112005032668420-PAT00038
    (여기서,
    Figure 112005032668420-PAT00039
    는
    Figure 112005032668420-PAT00040
    에 의해 정의된다.)
    상기 수학식 16에 의해 수행됨을 특징으로 하는 국부이진패턴 구별 방법을 이용한 얼굴 검증 방법.
  4. 제3항에 있어서, 상기 (a1)단계의 학습을 위한 얼굴영상의 LBP 얼굴특징은
    얼굴영상에 대해 LBP 연산을 수행하여 LBP히스토그램으로 표현됨을 특징으로 하는 국부이진패턴 구별 방법을 이용한 얼굴 검증 방법.
  5. 제1항 또는 제2항에 있어서, 상기 (d)단계의 유사도는
    유클리디안 거리 비교에 의해 판단됨을 특징으로 하는 국부이진패턴 구별 방법을 이용한 얼굴 검증 방법.
  6. 학습 얼굴영상의 LBP 특징을 이용하여 KFDA 기저벡터를 생성하는 기저벡터 생성부;
    미리 등록된 얼굴영상의 LBP 얼굴특징과 커널 LBP 얼굴특징을 이용하여 카이 스퀘어 내적(Chi square inner product)하는 타겟영상 카이스퀘어 내적부;
    상기 타겟영상 카이스퀘어 내적부에 의해 내적된 LBP 특징벡터를 KFDA의 기저벡터에 투영하는 타겟영상 KFDA 투영부;
    질의영상의 LBP 얼굴특징과 커널 LBP 얼굴특징을 이용하여 카이 스퀘어 내적하는 질의영상 카이스퀘어 내적부;
    상기 질의영상 카이스퀘어 내적부에 의해 내적된 LBP 특징벡터를 상기 KFDA의 기저벡터에 투영하는 질의영상 KFDA 투영부; 및
    상기 타겟영상 KFDA 투영부에서 생성된 타겟영상 얼굴특징 벡터와 상기 질의영상 KFDA 투영부에서 생성된 질의영상 얼굴특징 벡터를 비교하여 상기 두 영상간의 유사도를 구하는 유사도획득부를 포함하는 것을 특징으로 하는 국부이진패턴 구별 방법을 이용한 얼굴 검증 장치.
  7. 제6항에 있어서, 상기 기저벡터 생성부는
    학습을 위한 얼굴영상의 LBP 얼굴특징와 커널 LBP 얼굴특징을 이용하여 카이 스퀘어 내적하는 학습영상 카이스퀘어 내적부; 및
    상기 학습영상 카이스퀘어 내적부에서 카이 스퀘어 내적한 결과에 대해 KFDA를 수행하여 KFDA기저벡터를 생성하는 KFDA 기저벡터 생성부를 포함함을 특징으로 하는 국부이진패턴 구별 방법을 이용한 얼굴 검증 장치.
  8. 제6항 또는 제7항에 있어서, 상기 카이스퀘어 내적은
    [수학식 16]
    Figure 112005032668420-PAT00041
    (여기서,
    Figure 112005032668420-PAT00042
    는
    Figure 112005032668420-PAT00043
    에 의해 정의된다.)
    상기 수학식 16에 의해 수행됨을 특징으로 하는 국부이진패턴 구별 방법을 이용한 얼굴 검증 장치.
  9. 제8항에 있어서, 상기 학습을 위한 얼굴영상의 LBP 얼굴특징은
    얼굴영상에 대해 LBP 연산을 수행하여 LBP히스토그램으로 표현됨을 특징으로 하는 국부이진패턴 구별 방법을 이용한 얼굴 검증 장치.
  10. 제6항 또는 제7항에 있어서, 상기 유사도획득부의 유사도는
    유클리디안 거리 비교에 의해 판단됨을 특징으로 하는 국부이진패턴 구별 방법을 이용한 얼굴 검증 장치.
  11. 제1항 내지 제5항 중 어느 한 항에 기재된 발명을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
KR1020050053154A 2005-06-20 2005-06-20 국부이진패턴 구별 방법을 이용한 얼굴 검증 방법 및 장치 KR100723406B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020050053154A KR100723406B1 (ko) 2005-06-20 2005-06-20 국부이진패턴 구별 방법을 이용한 얼굴 검증 방법 및 장치
US11/454,913 US7558763B2 (en) 2005-06-20 2006-06-19 Image verification method, medium, and apparatus using a kernel based discriminant analysis with a local binary pattern (LBP)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020050053154A KR100723406B1 (ko) 2005-06-20 2005-06-20 국부이진패턴 구별 방법을 이용한 얼굴 검증 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20060133345A true KR20060133345A (ko) 2006-12-26
KR100723406B1 KR100723406B1 (ko) 2007-05-30

Family

ID=37812257

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020050053154A KR100723406B1 (ko) 2005-06-20 2005-06-20 국부이진패턴 구별 방법을 이용한 얼굴 검증 방법 및 장치

Country Status (2)

Country Link
US (1) US7558763B2 (ko)
KR (1) KR100723406B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100860989B1 (ko) * 2006-12-18 2008-09-30 삼성전자주식회사 얼굴 영상의 유사도 산출 방법 및 장치와 이를 이용한 얼굴영상 검색 방법 및 장치 그리고 얼굴 합성 방법
KR100866792B1 (ko) * 2007-01-10 2008-11-04 삼성전자주식회사 확장 국부 이진 패턴을 이용한 얼굴 기술자 생성 방법 및장치와 이를 이용한 얼굴 인식 방법 및 장치
KR100869554B1 (ko) * 2007-02-23 2008-11-21 재단법인서울대학교산학협력재단 영역 밀도 표현에 기반한 점진적 패턴 분류 방법
WO2009003314A1 (fr) * 2007-07-02 2009-01-08 Shanghai Isvision Technologies Co. Ltd. Procédé de réalisation d'un système de reconnaissance du visage d'une personne
KR101066343B1 (ko) * 2009-11-24 2011-09-20 포항공과대학교 산학협력단 상호 정보 최대화 기반의 국부 이진 패턴 코드를 이용한 패턴 인식 방법, 장치 및 그 기록 매체
US9111137B2 (en) 2009-02-09 2015-08-18 Samsung Electronics Co., Ltd Apparatus and method for recognizing hand shape in portable terminal

Families Citing this family (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4751866B2 (ja) * 2006-09-13 2011-08-17 エーエスエムエル マスクツールズ ビー．ブイ． ターゲットパターンを複数のパターンに分解するための方法、そのコンピュータプログラムを記憶するコンピュータ読取可能記憶媒体、デバイス製造方法、およびマスクを生成するための方法
KR100846500B1 (ko) * 2006-11-08 2008-07-17 삼성전자주식회사 확장된 가보 웨이브렛 특징 들을 이용한 얼굴 인식 방법 및장치
US8023742B2 (en) * 2007-10-09 2011-09-20 Microsoft Corporation Local image descriptors using linear discriminant embedding
US8569980B2 (en) 2008-02-01 2013-10-29 Simplehuman, Llc Trash can with power operated lid
US8024152B2 (en) * 2008-09-23 2011-09-20 Microsoft Corporation Tensor linear laplacian discrimination for feature extraction
US8406483B2 (en) 2009-06-26 2013-03-26 Microsoft Corporation Boosted face verification
US9218648B2 (en) * 2009-10-27 2015-12-22 Honeywell International Inc. Fourier domain blur estimation method and system
US20110293189A1 (en) * 2010-05-28 2011-12-01 Microsoft Corporation Facial Analysis Techniques
CN102855634B (zh) * 2011-06-28 2017-03-22 中兴通讯股份有限公司 一种图像检测方法及装置
US20130004028A1 (en) * 2011-06-28 2013-01-03 Jones Michael J Method for Filtering Using Block-Gabor Filters for Determining Descriptors for Images
US10279996B2 (en) 2011-09-16 2019-05-07 Simplehuman, Llc Receptacle with low friction and low noise motion damper for lid
JP5913940B2 (ja) * 2011-12-01 2016-05-11 キヤノン株式会社 画像認識装置、画像認識装置の制御方法、およびプログラム
US8872459B2 (en) 2012-03-09 2014-10-28 Simplehuman, Llc Trash cans with variable gearing assemblies
US9202108B2 (en) 2012-04-13 2015-12-01 Nokia Technologies Oy Methods and apparatuses for facilitating face image analysis
CN102880870B (zh) * 2012-08-31 2016-05-11 电子科技大学 人脸特征的提取方法及系统
JP2014085802A (ja) * 2012-10-23 2014-05-12 Pioneer Electronic Corp 特徴量抽出装置、特徴量抽出方法及びプログラム
JP6055391B2 (ja) * 2012-11-05 2016-12-27 株式会社デンソーアイティーラボラトリ 関連性判定装置、関連性判定プログラム、及び関連性判定方法
CN104463085A (zh) * 2013-09-23 2015-03-25 深圳市元轩科技发展有限公司 一种基于局部二值模式与kfda的人脸识别方法
CN103761515B (zh) * 2014-01-27 2018-07-10 中国科学院深圳先进技术研究院 一种基于lbp的人脸特征提取方法及装置
US10279997B2 (en) 2014-03-14 2019-05-07 Simplehuman, Llc Trash can assembly
CN103903017B (zh) * 2014-03-26 2017-09-26 浙江大学 一种基于自适应软直方图局部二值模式的人脸识别方法
CN103955690B (zh) * 2014-04-15 2017-03-01 合肥工业大学 一种紧凑的图像局部特征描述子的构造方法
US9747518B2 (en) * 2014-05-06 2017-08-29 Kla-Tencor Corporation Automatic calibration sample selection for die-to-database photomask inspection
CN104102907B (zh) * 2014-07-19 2017-09-22 福州大学 一种消除光照不均匀的lbp人脸识别方法
CN105260749B (zh) * 2015-11-02 2018-11-13 中国电子科技集团公司第二十八研究所 基于方向梯度二值模式和软级联svm的实时目标检测方法
USD804133S1 (en) 2015-12-09 2017-11-28 Simplehuman, Llc Trash can
CN105740878B (zh) * 2015-12-11 2019-06-21 中国地质调查局发展研究中心 地理信息系统的符号识别方法和装置
CN107766774A (zh) * 2016-08-17 2018-03-06 鸿富锦精密电子(天津)有限公司 人脸识别系统及方法
KR101812969B1 (ko) 2017-11-06 2018-01-31 주식회사 올아이티탑 인체정보를 이용한 보안 및 해킹 방지기능을 구비하는 디지털 가상화폐의 거래방법
US11538257B2 (en) * 2017-12-08 2022-12-27 Gatekeeper Inc. Detection, counting and identification of occupants in vehicles
KR101973592B1 (ko) * 2017-12-20 2019-05-08 주식회사 올아이티탑 인체정보를 이용한 보안 및 해킹 방지기능을 구비하는 디지털 가상화폐의 거래방법
TWI688902B (zh) * 2018-08-31 2020-03-21 國立中正大學 應用於表情辨識之拓展式局部二值模式方法及其系統
CN109344902B (zh) * 2018-10-12 2021-07-20 吉林大学 一种基于局部时空连续性聚合描述的视频纹理描述方法
US10867193B1 (en) 2019-07-10 2020-12-15 Gatekeeper Security, Inc. Imaging systems for facial detection, license plate reading, vehicle overview and vehicle make, model, and color detection
US11196965B2 (en) 2019-10-25 2021-12-07 Gatekeeper Security, Inc. Image artifact mitigation in scanners for entry control systems

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL138123A0 (en) * 2000-08-28 2001-10-31 Accuramed 1999 Ltd Medical decision support system and method
US7129095B2 (en) * 2002-03-29 2006-10-31 Smiths Detection Inc. Method and system for using a weighted response
JP4292837B2 (ja) * 2002-07-16 2009-07-08 日本電気株式会社 パターン特徴抽出方法及びその装置
KR20040042501A (ko) * 2002-11-14 2004-05-20 엘지전자 주식회사 형판 정합 기반 얼굴 검출방법
KR100482933B1 (ko) * 2002-12-04 2005-04-14 박근형 진도홍주색소의 감별방법
FI20031835A (fi) * 2003-12-15 2005-06-16 Instrumentarium Corp Menetelmä ja järjestelmä referenssimerkin paikantamiseksi digitaalisista projektiokuvista

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100860989B1 (ko) * 2006-12-18 2008-09-30 삼성전자주식회사 얼굴 영상의 유사도 산출 방법 및 장치와 이를 이용한 얼굴영상 검색 방법 및 장치 그리고 얼굴 합성 방법
KR100866792B1 (ko) * 2007-01-10 2008-11-04 삼성전자주식회사 확장 국부 이진 패턴을 이용한 얼굴 기술자 생성 방법 및장치와 이를 이용한 얼굴 인식 방법 및 장치
KR100869554B1 (ko) * 2007-02-23 2008-11-21 재단법인서울대학교산학협력재단 영역 밀도 표현에 기반한 점진적 패턴 분류 방법
WO2009003314A1 (fr) * 2007-07-02 2009-01-08 Shanghai Isvision Technologies Co. Ltd. Procédé de réalisation d'un système de reconnaissance du visage d'une personne
US9111137B2 (en) 2009-02-09 2015-08-18 Samsung Electronics Co., Ltd Apparatus and method for recognizing hand shape in portable terminal
KR101066343B1 (ko) * 2009-11-24 2011-09-20 포항공과대학교 산학협력단 상호 정보 최대화 기반의 국부 이진 패턴 코드를 이용한 패턴 인식 방법, 장치 및 그 기록 매체

Also Published As

Publication number Publication date
US20070112699A1 (en) 2007-05-17
US7558763B2 (en) 2009-07-07
KR100723406B1 (ko) 2007-05-30

Similar Documents

Publication Publication Date Title
KR100723406B1 (ko) 국부이진패턴 구별 방법을 이용한 얼굴 검증 방법 및 장치
Yang et al. Fvras-net: An embedded finger-vein recognition and antispoofing system using a unified cnn
Heisele et al. Face recognition: component-based versus global approaches
Qin et al. Deep representation for finger-vein image-quality assessment
Kang et al. Contactless palm vein recognition using a mutual foreground-based local binary pattern
Charfi et al. Bimodal biometric system for hand shape and palmprint recognition based on SIFT sparse representation
KR100846500B1 (ko) 확장된 가보 웨이브렛 특징 들을 이용한 얼굴 인식 방법 및장치
Fiérrez-Aguilar et al. Fusion strategies in multimodal biometric verification
US8977040B2 (en) Method and apparatus to generate object descriptor using extended curvature gabor filter
Kusakunniran et al. Automatic cattle identification based on fusion of texture features extracted from muzzle images
Ali et al. Multimodal biometrics enhancement recognition system based on fusion of fingerprint and palmprint: a review
Zhao et al. LBP discriminant analysis for face verification
Yılmaz Offline signature verification with user-based and global classifiers of local features
Shawkat et al. The new hand geometry system and automatic identification
Roy et al. Optimal features subset selection and classification for iris recognition
González‐Soler et al. Local feature encoding for unknown presentation attack detection: An analysis of different local feature descriptors
Salamh et al. A Novel Feature Extraction Descriptor for Face Recognition
Galbally et al. Iris image reconstruction from binary templates
Ripon et al. Convolutional neural network based eye recognition from distantly acquired face images for human identification
Kumar et al. A novel multimodal framework for automatic recognition of individual cattle based on hybrid features using sparse stacked denoising autoencoder and group sparse representation techniques
Aggarwal et al. Face Recognition System Using Image Enhancement with PCA and LDA
Bhatt et al. Covariates of face recognition
Soviany et al. An optimized biometric system with intra-and inter-modal feature-level fusion
Jaiswal Morphological method, pca and lda with neural networks-face recognition
Ramachandra A survey on unknown presentation attack detection for fingerprint

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
LAPS Lapse due to unpaid annual fee