KR20080097798A - 적응형 학습에 기반한 얼굴 인식 시스템 및 방법 - Google Patents

적응형 학습에 기반한 얼굴 인식 시스템 및 방법 Download PDF

Info

Publication number
KR20080097798A
KR20080097798A KR1020070043108A KR20070043108A KR20080097798A KR 20080097798 A KR20080097798 A KR 20080097798A KR 1020070043108 A KR1020070043108 A KR 1020070043108A KR 20070043108 A KR20070043108 A KR 20070043108A KR 20080097798 A KR20080097798 A KR 20080097798A
Authority
KR
South Korea
Prior art keywords
facial feature
feature vector
learning
face
registration model
Prior art date
Application number
KR1020070043108A
Other languages
English (en)
Other versions
KR100886557B1 (ko
Inventor
김현수
윤제한
심현식
박영희
김도형
윤우한
Original Assignee
삼성전자주식회사
한국전자통신연구원
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, 한국전자통신연구원 filed Critical 삼성전자주식회사
Priority to KR1020070043108A priority Critical patent/KR100886557B1/ko
Priority to US12/115,250 priority patent/US8135220B2/en
Publication of KR20080097798A publication Critical patent/KR20080097798A/ko
Application granted granted Critical
Publication of KR100886557B1 publication Critical patent/KR100886557B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning
    • 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
    • G06V40/173—Classification, e.g. identification face re-identification, e.g. recognising unknown faces across different face tracks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

본 발명은 적응형 학습에 기반한 얼굴 인식 시스템 및 방법에 관한 것으로서, 동영상 상에서 특정인을 검출 및 추적하는 특정인 검출 및 추적부와, 상기 검출 및 추적된 특정인으로부터 복수의 얼굴특징 벡터를 추출하는 얼굴특징 추출부와, 상기 추출된 얼굴특징 벡터와 사용자 등록모델 데이터베이스(Database)에 저장된 등록모델을 비교하여 해당 등록모델을 검색하는 얼굴 인식부와, 상기 추출된 얼굴특징 벡터 중에서 상기 해당 등록모델의 레코드(Record)에 추가할 얼굴특징 벡터를 선정하는 학습대상 선정부와, 상기 선정된 얼굴특징 벡터를 상기 해당 등록모델의 레코드에 추가하여 갱신하는 등록모델 학습부를 포함한다.
본 발명에 의한 적응형 학습에 기반한 얼굴 인식 시스템 및 방법에 의하여 사용자의 얼굴을 인식 시 획득되는 다양한 얼굴 형상을 수집하여 사용자 등록모델을 갱신함으로써, 다양한 환경 변화에 불구하고 안정적으로 사용자의 얼굴을 인식할 수 있는 효과가 있다.
Figure P1020070043108
얼굴 인식 시스템, 등록모델, 서브모델, 얼굴특징 벡터

Description

적응형 학습에 기반한 얼굴 인식 시스템 및 방법{SYSTEM AND METHOD FOR FACE RECOGNITION BASED ON ADAPTIVE LEARNING}
도 1은 본 발명의 실시 예에 따른 적응형 학습에 기반한 얼굴 인식 시스템의 구성도
도 2는 본 발명의 실시 예에 따른 적응형 학습에 기반한 얼굴 인식 방법의 특정인 검출 및 추적과 특정인 인식에 대한 흐름도
도 3은 본 발명의 실시 예에 따른 적응형 학습에 기반한 얼굴 인식 방법의 학습정보 수집, 학습대상 선정 및 등록모델 학습에 대한 흐름도
도 4는 본 발명의 실시 예에 따른 적응형 학습에 기반한 얼굴 인식 방법의 등록모델 학습에 대한 예시도
본 발명은 적응형 학습에 기반한 얼굴 인식 시스템 및 방법에 관한 것이다. 특히 움직이는 로봇(Robot) 환경에서 연속적으로 움직이는 사람의 얼굴을 인식하는 시스템 및 방법에 유용하다.
얼굴 인식 기술은 종래에도 많이 존재하고 있으며, 주로 일정한 조명 상태와 정면 얼굴 및 무표정 등 잘 제어된 환경에서 우수한 성능을 보이고 있다. 그러나 로봇 또는 로봇이 인식하고자 하는 사람이 각자 자유롭게 움직이는 상황에서는 기존의 얼굴 인식 기술로는 많은 제약을 가진다.
한편, 종래에도 이러한 한계를 극복하기 위해 다양한 영상을 수집하여 사람의 얼굴을 인식하려는 노력이 있으나, 주로 클러스터링 기술을 통한 대표 패턴만을 선정함에 그쳐 실제 얼굴 인식 성능의 향상에는 크게 기여하지 못하는 문제점이 있다. 그리고 인식하고자 하는 대상이 다양한 조명 하에 있거나 자세나 표정이 변하는 경우 시간의 경과에 따라 얼굴이 변하는 경우 등 여러 가지 요인에 의해 얼굴 인식을 제대로 할 수 없는 문제점이 있다.
본 발명은 특정인의 얼굴을 점진적으로 학습하여 다양한 얼굴 형상을 인식할 수 있는, 적응형 학습에 기반한 얼굴 인식 시스템 및 방법을 제공한다.
구체적으로는 움직이는 로봇 환경에서 특정인의 얼굴을 인식하기 위한, 적응형 학습에 기반한 얼굴 인식 시스템 및 방법을 제공한다.
한편, 조명이나 자세, 표정의 변화 및 시간의 경과에 따라 변하는 사람의 얼굴을 점진적으로 학습하여 인식률을 높이기 위한 얼굴 인식 시스템 및 방법을 제공한다.
상기 기술적 과제를 해결하기 위하여 본 발명은 동영상 상에서 특정인을 검출 및 추적하는 특정인 검출 및 추적부와, 상기 검출 및 추적된 특정인으로부터 복 수의 얼굴특징 벡터를 추출하는 얼굴특징 추출부와, 상기 추출된 얼굴특징 벡터와 사용자 등록모델 데이터베이스(Database)에 저장된 등록모델을 비교하여 해당 등록모델을 검색하는 얼굴 인식부와, 상기 추출된 얼굴특징 벡터 중에서 상기 해당 등록모델의 레코드(Record)에 추가할 얼굴특징 벡터를 선정하는 학습대상 선정부와, 상기 선정된 얼굴특징 벡터를 상기 해당 등록모델의 레코드에 추가하여 갱신하는 등록모델 학습부를 포함하는 적응형 학습에 기반한 얼굴 인식 시스템을 제공한다.
한편, 상기 기술적 과제를 해결하기 위하여 본 발명은 동영상 상에서 특정인을 검출 및 추적하여 복수의 얼굴특징 벡터를 추출하는 특정인 검출 및 추적단계와, 상기 검출 및 추적된 특정인으로부터 복수의 얼굴특징 벡터를 추출하는 얼굴특징 추출단계와, 상기 추출된 얼굴특징 벡터와 사용자 등록모델 데이터베이스에 미리 등록된 등록모델을 비교하여 해당 등록모델을 검색하는 특정인 인식단계와, 상기 추출된 얼굴특징 벡터 중에서 상기 해당 등록모델의 레코드에 추가할 얼굴특징 벡터를 선정하는 학습대상 선정단계와, 상기 선정된 얼굴특징 벡터를 상기 해당 등록모델의 레코드에 추가하여 갱신하는 등록모델 학습단계를 포함하는 적응형 학습에 기반한 얼굴 인식 방법을 제공한다.
이하 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명한다. 도면에서 동일한 구성 요소들에 대해서는 비록 다른 도면에 표시되더라도 가능한 동일한 참조번호 및 부호로 나타내고 있음에 유의해야 한다. 또한 본 발명을 설명함에 있어서 관련된 공지기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다.
도 1은 본 발명의 실시 예에 따른 적응형 학습에 기반한 얼굴 인식 시스템의 구성도이다. 도 1에는 적응형 학습에 기반한 얼굴 인식 시스템(100)과 각 구성의 연결 상태를 도시하고 있다. 도 1을 참조하면, 적응형 학습에 기반한 얼굴 인식 시스템(이하 얼굴 인식 시스템, 100)은 영상 입력부(110), 특정인 검출 및 추적부(120), 얼굴특징 추출부(130), 얼굴 인식부(140), 학습정보 수집부(150), 학습대상 선정부(160), 등록모델 학습부(170), 등록모델 데이터베이스(180)를 포함한다. 각 구성을 설명하면 아래와 같다.
영상 입력부(110)는 동영상을 입력받는 장치로서 캠코더 등으로부터 생성된 동영상 파일을 입력받는 구성이거나 CCTV나 USB 카메라 등으로부터 직접 연속 영상 스트림(Stream)을 입력받는 구성이 될 수 있다. 구체적으로는 보안 장치에서 사람을 인식하는 CCTV로 구성할 수도 있으며, 움직이는 로봇에서 캠코더로 피사체를 직접 찍어 동영상을 제공할 수 있다. 본 발명은 특히 사용자 인식이 가능한 움직이는 로봇 환경에 유용하다. 이러한 영상 입력부(110)는 동영상을 특정인 검출 및 추적부(120)로 전송한다.
특정인 검출 및 추적부(120)는 위 수신한 동영상에서 어느 특정인의 얼굴을 검출하고, 그 특정인이 움직일 경우 계속하여 추적한다. 동영상에 여러 사람이 있는 경우 캠코더에 가장 근접한 사람 즉, 동영상에 얼굴 영상이 가장 크게 노출된 사람이 선택되도록 할 수 있으며, 필요에 따라서 동영상에 노출된 모든 사람을 동시에 검출하도록 할 수도 있다.
이렇게 동영상 상에서 특정인이 움직이는 경우, 움직이는 특정인의 얼굴 영 역을 지속적으로 검출하여 추적하게 되는데, 움직이는 특정인이 제대로 검출되어 추적되는지 즉, 검출 및 추적된 특정인이 동일인인지 아니면 다른 사람인지 검증할 필요가 있다. 동일인 검증의 방법에는 여러 가지가 있다. 먼저, 동영상 상에서 특정인의 옷 색깔을 인지하여 옷 색깔을 검출 및 추적하거나, 특정인의 움직임이 변화하는 정도를 기준으로 검출 및 추적하는 방법이 있다. 그리고 연속된 영상에서 특정인의 얼굴 영역의 중첩 여부를 이용하는 방법도 있다. 여기서 얼굴 영역 중첩 여부를 이용하는 것은 다음과 같다. 동영상의 각 프레임(Frame)에서 얼굴 영역이 움직이는 경우 가장 중첩된 영역이 넓은 얼굴 영역이 동일인의 얼굴 영역일 확률이 높으므로, 연속된 각 프레임의 얼굴 영역의 중첩된 정도가 큰 얼굴 영역을 동일인으로 검출하여 추적하는 방법이다. 동영상에 노출된 모든 사람을 동시에 검출하여 추적하는 경우 이 역시 동시에 모든 사람을 검출 및 추적하도록 할 수 있음은 자명하다. 한편, 특정인 검출 및 추적부에서 검출 및 추적된 얼굴 영역은 얼굴특징 추출부(130)로 전송된다.
얼굴특징 추출부(130)는 특정인 검출 및 추적부에서 검출 및 추적된 특정인의 얼굴 영상에 대하여 전처리 과정을 수행한 후, 특징을 추출하여 벡터 형태로 구성한다. 이러한 얼굴특징 벡터는 동영상의 각 프레임별로 구성할 수 있다. 이러한 경우 얼굴 영상이 노출된 프레임의 수만큼 얼굴특징 벡터가 생성된다. 얼굴특징을 추출하기 위한 방법으로서는, 이미 알려진 바와 같이 주성분 분석(Principal Component Analysis: PCA), 일래스틱 번치 그래프 매칭(Elastic Bunch Graph Matching), 선형 판별 분석(Linear Discrimination Analysis: LDA) 등의 특징 추출 기법이 이용될 수 있다. 얼굴특징 추출부(130)는 이처럼 특정인에 대한 복수의 얼굴특징 벡터를 얼굴 인식부(140)로 전송한다.
얼굴 인식부(140)는 수신한 얼굴특징 벡터가 어느 사용자의 얼굴특징에 관한 것인지를 인식한다. 이를 위해 얼굴 인식부(140)는 추출된 얼굴특징 벡터를 사용자 등록모델 데이터베이스(180)에 미리 저장된 등록모델들의 얼굴특징 벡터들과 대비하여 가장 유사한 등록모델을 검색하여 인식한다. 얼굴 인식부(140)는 이러한 대비를 통해 유사도를 산출하며, 산출된 유사도가 소정의 임계치 이상의 것으로서 가장 높은 얼굴특징 벡터를 갖는 등록모델을 검색하여 인식한다. 위 사용자 등록모델 데이터베이스(180)에는 각 사용자마다 등록모델을 미리 저장하고 있어야 하므로, 각 사용자의 얼굴을 사용자 등록모델 데이터베이스(180)에 등록하는 과정을 미리 최소한 1회 이상 반드시 거쳐야만 한다. 등록모델의 얼굴특징 벡터와 가장 유사한 얼굴을 인식하는 방법으로서는 이미 알려진 인공 신경망(Artificial Neural Network)에 기반한 방법과 형판 정합(Template Matching)에 기반한 방법이 이용될 수 있다.
한편, 위 등록모델은 여러 개의 서브모델을 포함하도록 구성할 수 있다. 이러한 서브모델은 등록모델에 등록된 각 특징멤버들 중에서 서로 간에 유사도가 비교적 높은 특징멤버들에 대해 따로 그룹핑을 한 것이다. 왜냐하면, 동일한 등록모델에서도 정면의 모습, 웃는 모습, 나이가 든 후의 모습 등은 서로 간에 얼굴특징이 매우 차이가 나므로, 따로 여러 개의 서브모델을 만들 필요가 있기 때문이다. 얼굴 인식부(140)는 ① 추출된 얼굴특징 벡터 ② 추출된 얼굴특징 벡터와 가장 유 사도가 높은 것으로 산출된 등록모델의 아이디(Identification) 및 ③ 위에서 산출한 가장 높은 유사도를 학습정보 수집부(150)로 전송한다.
학습정보 수집부(150)는 소정 개수의 노드를 갖는 큐로 구성한다. 각 노드에는 얼굴 인식부(140)로부터 수신한 위 얼굴특징 벡터, 등록모델의 아이디, 등록모델과의 유사도를 저장한다. 여기서 특정인 검출 및 추적부(120)가 검출 또는 추적에 실패하는 경우에는 큐에 저장된 얼굴특징 벡터를 모두 삭제하고, 다시 검출 및 추적된 얼굴특징 벡터들을 큐에 수집 및 저장하게 된다. 큐가 모두 찬 경우 학습대상 선정부(160)를 가동한다.
학습대상 선정부(160)는 먼저 위 학습정보 수집부(150)에 저장된 등록모델들 중에서, 학습할 등록모델을 먼저 선정하고, 해당 등록모델 레코드에 추가하여 갱신할 얼굴특징 벡터들을 선정한다. 학습할 등록모델이란 현재 시점까지 큐에 수집 및 저장된 등록모델들의 아이디를 이용하여 최종적으로 인식된 특정인에 관한 등록모델이다. 큐에서 가장 많은 개수의 노드를 차지하는 등록모델의 아이디가 학습할 등록모델이 될 것이다. 그리고 나서, 큐의 각 노드에 저장된 얼굴특징 벡터들 중에서 학습대상이 되는 얼굴특징 벡터를 선정한다. 학습대상이 되는 얼굴특징 벡터란 사용자의 우는 얼굴 모습이라든가 웃는 모습, 옆모습, 나이가 든 모습처럼 이미 등록된 얼굴특징 벡터들과 다르거나 특이한 얼굴 형상이다. 따라서 큐에 저장된 얼굴특징 벡터들 중에서 사용자 등록모델 데이터베이스(180) 내의 해당 등록모델에 이미 등록된 얼굴특징 벡터들과 비교할 때 유사도가 가장 낮은 얼굴특징 벡터 또는 다른 아이디로 인식된 얼굴특징 벡터가 학습대상으로서 가장 적합할 것이다. 학습 대상 선정부(160)는 선정한 학습대상을 등록모델 학습부(170)로 전송한다.
등록모델 학습부(170)는 사용자 등록모델 데이터베이스(180)의 해당 등록모델에 학습대상으로 선정된 얼굴특징 벡터를 추가 및 갱신한다. 학습대상이 등록모델의 각 서브모델에 포함된 특징멤버들과 유사하다고 판단되면 해당 서브모델에 얼굴특징 벡터를 추가하고, 학습대상이 어느 서브모델의 얼굴특징 벡터와도 유사하지 않다고 판단되면 새로운 서브모델을 생성하여 학습대상을 추가한다. 이처럼 등록모델에 새로운 얼굴 영상이 점진적으로 갱신되므로, 사용자 등록모델 데이터베이스(180)를 참조하여 사용자를 인식하는 얼굴 인식부에서는 시간이 지남에 따라 더욱 안정적으로 사용자를 인식할 수 있다. 위에서 언급한 유사 여부를 판단함에 있어서 유사도의 산출 방법은 이미 알려진 교차상관관계(Cross-Correlation) 또는 기하학적 거리 계산 등의 방법을 이용할 수 있다.
이하 도 2 내지 도 4를 참조하여 적응형 학습에 기반한 얼굴 인식 방법에 관하여 설명한다.
도 2는 본 발명의 실시 예에 따른 적응형 학습에 기반한 얼굴 인식 방법의 특정인 검출 및 추적과 특정인 인식에 대한 흐름도이다. 도 2를 참조하면, 영상 입력부(110)에 의해 동영상을 입력받으면,(S210) 얼굴 검출 및 추적부(120)에서 동영상 상의 특정인 얼굴을 검출 및 추적한다.(S220) 특정인의 얼굴 영역은 각 프레임마다 겹치는 정도가 많을 것이므로 그러한 얼굴 영역을 특정인의 얼굴 영역으로 검출하여 추적한다. 또는 특정인의 옷 색깔이나 움직임의 변화 정도를 이용하여 특정인의 얼굴을 검출 및 추적할 수 있다. 그리고 나서 동영상의 각 프레임마다 특정인 얼굴의 검출 및 추적에 성공하는지 판단한다.(S230) 얼굴 검출 및 추적부(120)는 얼굴 검출에 성공하면, 현재 검출된 얼굴이 이전에 검출된 얼굴과 동일인의 얼굴인지 검증한다.(S240) 동일인이라고 판단되면, 검출 및 추적된 특정인의 얼굴 영역에 관한 정보를 추적정보 데이터베이스에 갱신하여 저장한다.(S260) 만약 특정인이 동영상에서 사라지거나, 특정인의 얼굴 영역에 다른 인물의 등장함으로써 얼굴 검출 또는 추적에 실패하거나, 동일인 여부 검증 시 동일인이 아니라고 판단되면 얼굴 검출 및 추적을 종료하고, 특정인을 다시 지정하여 얼굴 검출 및 추적을 시도한다.(S235)
위와 같이 추적정보 데이터베이스에 저장된 특정인의 얼굴 영역에 관한 정보를 이용하여 얼굴특징 추출부(130)가 얼굴특징을 추출하여 얼굴특징 벡터를 생성한다. 얼굴특징 벡터는 각 프레임의 얼굴 영역에 관한 정보마다 생성될 수 있다. 그리고, 얼굴 인식부(140)에서는 생성된 얼굴특징 벡터를 사용자 등록모델 데이터베이스에 이미 등록되어 있는 사용자 등록모델 별 얼굴특징 벡터와 비교하여 해당 등록모델을 검색한다.(S270)
도 3의 흐름도는 도 2와 연결된 것으로서, 본 발명의 실시 예에 따른 적응형 학습에 기반한 얼굴 인식 방법의 학습정보 수집, 학습대상 선정 및 등록모델 학습에 대한 흐름도이다. 학습정보 수집부(150)는 ① 얼굴특징 추출부(130)에서 추출한 특정인의 얼굴특징 벡터, ② 얼굴 인식부(140)에서 검색한 해당 등록모델의 아이디 및 ③ 특정인의 얼굴특징 벡터와 해당 등록모델의 얼굴특징 벡터와의 유사도를 수집하여 저장한다.(S310) 이러한 학습정보는 학습대상 선정부(160)에서 학습 대상을 선정하기 위한 정보로 이용된다. 학습정보 수집부(150)는 일정한 개수의 노드(Node)를 갖는 큐(Que)로 구성되며, 영상 입력부(110)에서 얼굴을 검출 및 추적할 때마다 학습정보들이 큐의 각 노드에 저장하며, 각 노드마다 위 ①, ② 및 ③의 학습정보를 저장한다.
학습대상 선정부(160)는 큐의 전체 노드에 학습정보 수집 및 저장이 완료되면,(S320) 수집된 학습정보가 학습정보로서의 자격이 있는지 일정한 조건에 따라 검증한다.(S330) 그러한 조건은 아래와 같이 설정할 수 있다.
조건1
① 인식된 등록모델의 아이디가 동일한 노드의 개수가 전체 노드의 개수에서 차지하는 비율이 1차 검증비율 임계치 이상이고, ② 위 ①을 만족하는 노드들의 유사도의 최대값이 1차 검증유사도 임계치 이상일 것
조건2
① 인식된 등록모델의 아이디가 동일한 노드의 개수가 전체 노드의 개수에서 차지하는 비율이 1.0이고, ② 위 ①을 만족하는 노드들의 유사도의 최대값이 2차 검증유사도 임계치 이상일 것.
예를 들면, 위 조건1에서 큐에 저장된 아이디 및 유사도가 A(0.4) A(0.5) A(0.7) A(0.2) B(0.4)일 때, 1차 검증비율 임계치가 0.8, 1차 검증 유사도 임계치 가 0.6이면 학습정보로서 자격이 있다고 판단된다. 한편, 위 조건2에서 큐에 저장된 아이디 및 유사도가 A(0.2) A(0.1) A(0.2) A(0.3) A(0.4)일 때, 2차 검증유사도 임계치가 0.3 이상이면 학습정보로서 자격이 있다고 판단된다.(S340)
위 조건1 또는 조건2를 모두 만족하지 못하여 검증 과정을 통과하지 못 할 경우 학습대상 선정부(160)는 큐에 저장된 학습정보가 적절하지 않다고 판단하여 가장 먼저 저장된 노드의 학습정보들을 삭제하고, 새로운 학습정보가 저장되기를 기다려서 다시 검증을 시도한다.(S345)
학습정보가 위의 두 조건 중 하나를 만족하여 검증을 통과하면, 학습대상 선정부(160)는 학습정보 중에서 학습할 등록모델과 학습할 얼굴특징 벡터를 학습대상으로서 최종 선정한다.(S350) 이러한 학습대상은 검색된 해당 등록모델에 대해 가장 다른 성질을 가진 얼굴특징 벡터가 선정된다. 기본적으로 이미 등록된 등록모델과 가장 다른 성격을 가진 얼굴특징 벡터가 좋은 학습대상이 되기 때문이다. 위 조건1의 경우에는, 각 노드의 등록모델 중 1차 검증비율 임계치 이상의 아이디에 해당하는 등록모델이 학습할 등록모델이 되며 위 해당 등록모델의 아이디와 다른 아이디를 갖는 노드의 얼굴특징 벡터가 학습할 얼굴특징 벡터가 된다. 조건2의 경우에는, 각 노드의 등록모델이 모두 동일한 아이디를 가지므로 그 등록모델과 각 노드의 얼굴특징 벡터 중 유사도가 가장 낮은 얼굴특징 벡터가 학습대상으로 선정된다.
위에서 선정된 학습대상을 이용하여 등록모델 학습부(170)가 학습한다.(S360) 이러한 학습의 의미는 등록모델에 새로운 얼굴특징 벡터를 추가적으로 갱 신하여 얼굴 인식부(140)의 인식률을 높인다는 견지에서 그 의미가 있다. 따라서 선정된 등록모델에 선정된 얼굴특징 벡터를 추가하여 갱신함으로써 등록모델을 학습한다. 여기서 각 등록모델은 복수의 서브모델을 포함하도록 구성할 수 있다. 각 서브모델은 동일한 등록모델에 등록된 얼굴특징 벡터들 중에서 비교적 유사한 얼굴특징 벡터들을 다시 그룹핑한 것으로서, 얼굴특징 벡터들 간에 유사도를 산출하여 소정의 서브모델 임계치 이상이면 같은 서브모델에 속하도록 설정할 수 있다. 등록모델 학습부(170)는 선정된 얼굴특징 벡터와 소정의 서브모델의 유사도가 서브모델 임계치(e.g. 0.3) 이상이면 그 서브모델에 학습대상을 추가하여 갱신하고, 서브모델 임계치 이하이면 새로운 서브모델을 생성하여 이에 학습대상을 추가한다. 도 4는 적응형 학습에 기반한 얼굴 인식 방법의 등록모델 학습에 대한 예시도로서, 위 설명과 같다.
상기한 바와 같이 구성된 본 발명에 의하여 사용자의 얼굴을 인식할 때 획득되는 다양한 얼굴 형상을 수집하여 사용자 등록모델을 갱신함으로써, 다양한 환경 변화에 불구하고 안정적으로 사용자의 얼굴을 인식할 수 있는 효과가 있다.
그리고 사용자를 인식하는 로봇과 사용자가 각자 움직이는 환경에서도 다양한 사용자의 얼굴 영상을 학습함으로써, 안정적으로 사용자의 얼굴을 인식할 수 있는 효과가 있다.

Claims (18)

  1. 적응형 학습에 기반한 얼굴 인식 시스템에 있어서,
    동영상 상에서 특정인을 검출 및 추적하는 특정인 검출 및 추적부와,
    상기 검출 및 추적된 특정인으로부터 복수의 얼굴특징 벡터를 추출하는 얼굴특징 추출부와,
    상기 추출된 얼굴특징 벡터와 사용자 등록모델 데이터베이스(Database)에 저장된 등록모델을 비교하여 해당 등록모델을 검색하는 얼굴 인식부와,
    상기 추출된 얼굴특징 벡터 중에서 상기 해당 등록모델 레코드(Record)에 추가할 얼굴특징 벡터를 선정하는 학습대상 선정부와,
    상기 선정된 얼굴특징 벡터를 상기 해당 등록모델의 레코드에 추가하여 갱신하는 등록모델 학습부를 포함하는 적응형 학습에 기반한 얼굴 인식 시스템.
  2. 제1항에 있어서,
    상기 적응형 학습에 기반한 얼굴 인식 시스템이, 움직이는 로봇(Robot)에 적용됨을 특징으로 하는 적응형 학습에 기반한 얼굴 인식 시스템.
  3. 제2항에 있어서,
    상기 동영상을 촬영하여 상기 특정인 검출 및 추적부로 전송하는 영상 입력부를 더 포함하는 상기 적응형 학습에 기반한 얼굴 인식 시스템.
  4. 제1항에 있어서,
    상기 특정인 검출 및 추적부가, 상기 동영상 상에서 상기 특정인의 얼굴 영역이 시간의 경과에 따라 겹치는 정도를 기준으로 상기 특정인을 검출 및 추적함을 특징으로 하는 적응형 학습에 기반한 얼굴 인식 시스템.
  5. 제1항에 있어서,
    상기 얼굴 인식부가, 상기 추출된 얼굴특징 벡터와 상기 사용자 등록모델 데이터베이스에 저장된 등록모델의 얼굴특징 벡터의 유사도를 산출하여 상기 해당 등록모델을 인식함을 특징으로 하는 적응형 학습에 기반한 얼굴 인식 시스템.
  6. 제5항에 있어서,
    상기 얼굴 인식부에서 검색된 해당 등록모델이 있는 경우, 상기 해당 등록모델의 아이디(Identification), 상기 추출된 얼굴특징 벡터, 상기 유사도를 저장하는 학습정보 수집부를 더 포함하는 적응형 학습에 기반한 얼굴 인식 시스템.
  7. 제6항에 있어서,
    상기 학습정보 수집부가, 소정 개수의 노드를 가지는 큐(Que)의 각 노드에 상기 해당 등록모델의 아이디, 상기 추출된 얼굴특징 벡터, 상기 유사도를 저장함을 특징으로 하는 적응형 학습에 기반한 얼굴 인식 시스템.
  8. 제7항에 있어서,
    상기 학습대상 선정부가, 상기 해당 등록모델을 학습할 등록모델로 선정하고, 상기 학습정보가 저장된 노드 중에서 상기 해당 등록모델과 유사도가 가장 낮은 노드의 얼굴특징 벡터를 학습할 얼굴특징 벡터로 선정함을 특징으로 하는 적응형 학습에 기반한 얼굴 인식 시스템.
  9. 제1항에 있어서,
    상기 사용자 등록모델 데이터베이스에 미리 등록된 등록모델이 복수의 서브모델로 구성되고, 상기 서브모델의 얼굴특징 벡터들이 서로 간에 소정 임계치 이상의 유사도를 가짐을 특징으로 하는 적응형 학습에 기반한 얼굴 인식 시스템.
  10. 제9항에 있어서,
    상기 등록모델 학습부가, 상기 선정된 얼굴특징 벡터와 상기 서브모델의 얼굴특징 벡터의 유사도가 소정 임계치 보다 크면 상기 얼굴특징 벡터를 상기 서브모델의 레코드에 추가하고, 상기 임계치보다 작으면 새로운 서브모델을 생성하여 상기 얼굴특징 벡터를 상기 서브모델의 레코드에 추가함을 특징으로 하는 적응형 학습에 기반한 얼굴 인식 시스템.
  11. 적응형 학습에 기반한 얼굴 인식 방법에 있어서,
    동영상 상에서 특정인을 검출 및 추적하여 복수의 얼굴특징 벡터를 추출하는 특정인 검출 및 추적단계와,
    상기 검출 및 추적된 특정인으로부터 복수의 얼굴특징 벡터를 추출하는 얼굴특징 추출단계와,
    상기 추출된 얼굴특징 벡터와 사용자 등록모델 데이터베이스에 미리 등록된 등록모델을 비교하여 해당 등록모델을 검색하는 특정인 인식단계와,
    상기 추출된 얼굴특징 벡터 중에서 상기 해당 등록모델의 레코드에 추가할 얼굴특징 벡터를 선정하는 학습대상 선정단계와,
    상기 선정된 얼굴특징 벡터를 상기 해당 등록모델의 레코드에 추가하여 갱신하는 등록모델 학습단계를 포함하는 적응형 학습에 기반한 얼굴 인식 방법.
  12. 제11항에 있어서,
    상기 특정인 검출 및 추적단계가, 상기 동영상 상에서 상기 특정인의 얼굴 영역이 시간의 경과에 따라 겹치는 정도를 기준으로 상기 특정인을 검출 및 추적함을 특징으로 하는 적응형 학습에 기반한 얼굴 인식 방법.
  13. 제11항에 있어서,
    상기 얼굴 인식단계가, 상기 추출된 얼굴특징 벡터와 상기 사용자 등록모델 데이터베이스에 저장된 등록모델의 얼굴특징 벡터의 유사도를 산출하여 상기 해당 등록모델을 인식함을 특징으로 하는 적응형 학습에 기반한 얼굴 인식 방법.
  14. 제13항에 있어서,
    상기 얼굴 인식단계 이후 상기 학습대상 선정단계 이전에, 상기 상기 검색된 해당 등록모델이 있는 경우, 상기 해당 등록모델의 아이디, 상기 추출된 얼굴특징 벡터, 상기 유사도를 저장하는 학습정보 수집단계를 더 포함하는 적응형 학습에 기반한 얼굴 인식 방법.
  15. 제14항에 있어서,
    상기 학습정보 수집단계가, 소정 개수의 노드를 가지는 큐의 각 노드에 상기 해당 등록모델의 아이디, 상기 추출된 얼굴특징 벡터, 상기 유사도를 저장함을 특징으로 하는 적응형 학습에 기반한 얼굴 인식 방법.
  16. 제15항에 있어서,
    상기 학습대상 선정단계가, 상기 해당 등록모델을 학습할 등록모델로 선정하고, 상기 학습정보가 저장된 노드 중에서 상기 해당 등록모델과 유사도가 가장 낮은 노드의 얼굴특징 벡터를 학습할 얼굴특징 벡터로 선정함을 특징으로 하는 적응형 학습에 기반한 얼굴 인식 방법.
  17. 제11항에 있어서,
    상기 사용자 등록모델 데이터베이스에 미리 등록된 등록모델이 복수의 서브 모델로 구성되고, 상기 서브모델의 얼굴특징 벡터들이 서로 간에 소정 임계치 이상의 유사도를 가짐을 특징으로 하는 적응형 학습에 기반한 얼굴 인식 방법.
  18. 제17항에 있어서,
    상기 등록모델 학습단계가, 상기 선정된 얼굴특징 벡터와 상기 서브모델의 유사도가 소정 임계치 보다 크면 상기 얼굴특징 벡터를 상기 서브모델의 레코드에 추가하고, 상기 임계치보다 작으면 새로운 서브모델을 생성하여 상기 얼굴특징 벡터를 상기 서브모델의 레코드에 추가함을 특징으로 하는 적응형 학습에 기반한 얼굴 인식 방법.
KR1020070043108A 2007-05-03 2007-05-03 적응형 학습에 기반한 얼굴 인식 시스템 및 방법 KR100886557B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020070043108A KR100886557B1 (ko) 2007-05-03 2007-05-03 적응형 학습에 기반한 얼굴 인식 시스템 및 방법
US12/115,250 US8135220B2 (en) 2007-05-03 2008-05-05 Face recognition system and method based on adaptive learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020070043108A KR100886557B1 (ko) 2007-05-03 2007-05-03 적응형 학습에 기반한 얼굴 인식 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20080097798A true KR20080097798A (ko) 2008-11-06
KR100886557B1 KR100886557B1 (ko) 2009-03-02

Family

ID=39939571

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020070043108A KR100886557B1 (ko) 2007-05-03 2007-05-03 적응형 학습에 기반한 얼굴 인식 시스템 및 방법

Country Status (2)

Country Link
US (1) US8135220B2 (ko)
KR (1) KR100886557B1 (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110032347A (ko) * 2009-09-22 2011-03-30 삼성전자주식회사 동영상에서의 인물 정보 추출방법 및 그 장치
CN102009879A (zh) * 2010-11-18 2011-04-13 无锡中星微电子有限公司 电梯自动按键控制系统、方法和人脸模型训练系统、方法
KR101311297B1 (ko) * 2012-04-06 2013-09-25 주식회사 유진로봇 텔레프리전스 로봇을 이용한 원격 교육 제공 방법 및 장치와 이를 이용한 시스템
KR20150085644A (ko) * 2014-01-16 2015-07-24 한국전자통신연구원 초고해상도 얼굴 동영상 데이터베이스를 이용한 서비스 로봇 얼굴인식 성능 평가 시스템 및 방법
CN106599784A (zh) * 2016-11-10 2017-04-26 中国电力科学研究院 一种数据采集方法及系统
KR102103557B1 (ko) * 2019-05-03 2020-04-22 주식회사 페이스테그 얼굴 인식 방법, 얼굴 인식 장치, 이를 위한 컴퓨터 프로그램
KR20200057099A (ko) * 2015-01-26 2020-05-25 알리바바 그룹 홀딩 리미티드 얼굴 생체 내 검출 방법 및 장치
US10769255B2 (en) 2015-11-11 2020-09-08 Samsung Electronics Co., Ltd. Methods and apparatuses for adaptively updating enrollment database for user authentication

Families Citing this family (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008144825A1 (en) * 2007-06-01 2008-12-04 National Ict Australia Limited Face recognition
US9086785B2 (en) 2007-06-08 2015-07-21 Apple Inc. Visualization object receptacle
JP5361524B2 (ja) * 2009-05-11 2013-12-04 キヤノン株式会社 パターン認識システム及びパターン認識方法
TWI447658B (zh) * 2010-03-24 2014-08-01 Ind Tech Res Inst 人臉影像擷取方法與裝置
JP5783759B2 (ja) * 2011-03-08 2015-09-24 キヤノン株式会社 認証装置、認証方法、および認証プログラム、並びに記録媒体
US8600106B1 (en) * 2010-08-31 2013-12-03 Adobe Systems Incorporated Method and apparatus for tracking objects within a video frame sequence
KR101472452B1 (ko) 2010-11-17 2014-12-17 한국전자통신연구원 멀티미디어 데이터 검색 방법, 장치 및 패턴인식 방법
US8903198B2 (en) * 2011-06-03 2014-12-02 International Business Machines Corporation Image ranking based on attribute correlation
JP2013069155A (ja) * 2011-09-22 2013-04-18 Sogo Keibi Hosho Co Ltd 顔認証データベース構築方法、顔認証装置及び顔認証プログラム
CN103902962B (zh) * 2012-12-28 2017-10-31 汉王科技股份有限公司 一种遮挡或光源自适应人脸识别方法和装置
WO2014167880A1 (ja) * 2013-04-09 2014-10-16 株式会社日立国際電気 画像検索装置、画像検索方法、および記録媒体
KR20150043795A (ko) * 2013-10-15 2015-04-23 삼성전자주식회사 영상처리장치 및 그 제어방법
CN103577806A (zh) * 2013-11-07 2014-02-12 宁波首正信息科技有限公司 一种基于oled显示的ups充电式人脸识别系统及其方法
CN103632147A (zh) * 2013-12-10 2014-03-12 公安部第三研究所 实现面部特征标准化语义描述的系统及方法
US9251567B1 (en) * 2014-03-13 2016-02-02 Google Inc. Providing color corrections to photos
KR102200950B1 (ko) 2014-03-14 2021-01-12 삼성전자주식회사 오브젝트 인식 장치 및 그 제어 방법
US9384386B2 (en) 2014-08-29 2016-07-05 Motorola Solutions, Inc. Methods and systems for increasing facial recognition working rang through adaptive super-resolution
CN104301669A (zh) * 2014-09-12 2015-01-21 重庆大学 基于双摄像头协同的可疑目标检测跟踪与识别方法
KR102349059B1 (ko) 2014-11-07 2022-01-10 삼성전자주식회사 영상의 관심영역으로부터 랜드마크를 결정하는 장치 및 방법
KR101556598B1 (ko) 2014-11-25 2015-10-13 연세대학교 산학협력단 주요 픽셀 정보에 기반한 물체 검출 장치 및 그 방법
CN104537336B (zh) * 2014-12-17 2017-11-28 厦门立林科技有限公司 一种具备自学习功能的人脸识别方法和系统
US9986289B2 (en) 2015-03-02 2018-05-29 The Nielsen Company (Us), Llc Methods and apparatus to count people
CN105404861B (zh) * 2015-11-13 2018-11-02 中国科学院重庆绿色智能技术研究院 人脸关键特征点检测模型的训练、检测方法及系统
JP2017091431A (ja) * 2015-11-17 2017-05-25 ソニー株式会社 情報処理装置、情報処理方法およびプログラム
US10497014B2 (en) * 2016-04-22 2019-12-03 Inreality Limited Retail store digital shelf for recommending products utilizing facial recognition in a peer to peer network
EP4350647A3 (en) * 2016-06-03 2024-04-24 Magic Leap, Inc. Augmented reality identity verification
CN108241836A (zh) * 2016-12-23 2018-07-03 同方威视技术股份有限公司 用于安检的方法及装置
KR102476756B1 (ko) * 2017-06-20 2022-12-09 삼성전자주식회사 사용자 인증을 위한 등록 데이터베이스의 적응적 갱신 방법 및 장치
US10832035B2 (en) * 2017-06-22 2020-11-10 Koninklijke Philips N.V. Subject identification systems and methods
CN107273871A (zh) * 2017-07-11 2017-10-20 夏立 一种人脸特征模型的训练方法及装置
CN107480658B (zh) * 2017-09-19 2020-11-06 苏州大学 基于多角度视频的人脸识别装置和方法
CN108009531B (zh) * 2017-12-28 2022-01-07 北京工业大学 一种多策略防欺诈的人脸识别方法
US11176597B2 (en) * 2018-10-30 2021-11-16 Ncr Corporation Associating shoppers together
US11062127B2 (en) 2019-09-26 2021-07-13 Gracenote, Inc. Obtaining artist imagery from video content using facial recognition
CN112949346A (zh) * 2019-11-26 2021-06-11 中兴通讯股份有限公司 一种特征库更新方法、装置、推理服务器及存储介质
CN112989096B (zh) * 2021-03-05 2023-03-14 浙江大华技术股份有限公司 脸部特征迁移方法、电子设备及存储介质
US11915429B2 (en) 2021-08-31 2024-02-27 Gracenote, Inc. Methods and systems for automatically generating backdrop imagery for a graphical user interface

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6647139B1 (en) * 1999-02-18 2003-11-11 Matsushita Electric Industrial Co., Ltd. Method of object recognition, apparatus of the same and recording medium therefor
JP4590717B2 (ja) * 2000-11-17 2010-12-01 ソニー株式会社 顔識別装置及び顔識別方法
US20020136433A1 (en) * 2001-03-26 2002-09-26 Koninklijke Philips Electronics N.V. Adaptive facial recognition system and method
TW505892B (en) * 2001-05-25 2002-10-11 Ind Tech Res Inst System and method for promptly tracking multiple faces
US7308133B2 (en) * 2001-09-28 2007-12-11 Koninklijke Philips Elecyronics N.V. System and method of face recognition using proportions of learned model
KR100442834B1 (ko) * 2002-07-19 2004-08-02 삼성전자주식회사 얼굴/유사얼굴 영상으로 학습된 패턴 분류기를 이용한얼굴 검출 방법 및 시스템
KR100474848B1 (ko) * 2002-07-19 2005-03-10 삼성전자주식회사 영상시각 정보를 결합하여 실시간으로 복수의 얼굴을검출하고 추적하는 얼굴 검출 및 추적 시스템 및 방법
JP4543644B2 (ja) * 2003-09-16 2010-09-15 富士ゼロックス株式会社 データ認識装置
US7551755B1 (en) * 2004-01-22 2009-06-23 Fotonation Vision Limited Classification and organization of consumer digital images using workflow, and face detection and recognition
KR100621883B1 (ko) * 2004-12-27 2006-09-19 학교법인 성균관대학 학습에 기반을 둔 적응형 실시간 얼굴검출방법
US7315631B1 (en) * 2006-08-11 2008-01-01 Fotonation Vision Limited Real-time face tracking in a digital image acquisition device
JP4613617B2 (ja) * 2005-01-07 2011-01-19 ソニー株式会社 画像処理システム、学習装置および方法、並びにプログラム
KR20070008271A (ko) * 2005-07-13 2007-01-17 엘지전자 주식회사 실시간으로 전방향 사람 검출 및 추적방법 및 이를 이용한로봇
CN100472556C (zh) * 2005-10-09 2009-03-25 欧姆龙株式会社 特定被摄体检测装置及方法
JP2009145500A (ja) * 2007-12-12 2009-07-02 Sony Corp 映像表示装置、及び、その駆動方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110032347A (ko) * 2009-09-22 2011-03-30 삼성전자주식회사 동영상에서의 인물 정보 추출방법 및 그 장치
CN102009879A (zh) * 2010-11-18 2011-04-13 无锡中星微电子有限公司 电梯自动按键控制系统、方法和人脸模型训练系统、方法
KR101311297B1 (ko) * 2012-04-06 2013-09-25 주식회사 유진로봇 텔레프리전스 로봇을 이용한 원격 교육 제공 방법 및 장치와 이를 이용한 시스템
KR20150085644A (ko) * 2014-01-16 2015-07-24 한국전자통신연구원 초고해상도 얼굴 동영상 데이터베이스를 이용한 서비스 로봇 얼굴인식 성능 평가 시스템 및 방법
KR20200057099A (ko) * 2015-01-26 2020-05-25 알리바바 그룹 홀딩 리미티드 얼굴 생체 내 검출 방법 및 장치
US10769255B2 (en) 2015-11-11 2020-09-08 Samsung Electronics Co., Ltd. Methods and apparatuses for adaptively updating enrollment database for user authentication
US10769256B2 (en) 2015-11-11 2020-09-08 Samsung Electronics Co., Ltd. Methods and apparatuses for adaptively updating enrollment database for user authentication
US11537698B2 (en) 2015-11-11 2022-12-27 Samsung Electronics Co., Ltd. Methods and apparatuses for adaptively updating enrollment database for user authentication
CN106599784A (zh) * 2016-11-10 2017-04-26 中国电力科学研究院 一种数据采集方法及系统
KR102103557B1 (ko) * 2019-05-03 2020-04-22 주식회사 페이스테그 얼굴 인식 방법, 얼굴 인식 장치, 이를 위한 컴퓨터 프로그램

Also Published As

Publication number Publication date
KR100886557B1 (ko) 2009-03-02
US20080273766A1 (en) 2008-11-06
US8135220B2 (en) 2012-03-13

Similar Documents

Publication Publication Date Title
KR100886557B1 (ko) 적응형 학습에 기반한 얼굴 인식 시스템 및 방법
Gowsikhaa et al. Automated human behavior analysis from surveillance videos: a survey
Ahmed et al. Vision based hand gesture recognition using dynamic time warping for Indian sign language
Ni et al. Multilevel depth and image fusion for human activity detection
Yang et al. Online learned discriminative part-based appearance models for multi-human tracking
CN109558810B (zh) 基于部位分割与融合目标人物识别方法
CN109614882A (zh) 一种基于人体姿态估计的暴力行为检测系统及方法
KR20210090139A (ko) 정보처리장치, 정보처리방법 및 기억매체
Li et al. Headnet: An end-to-end adaptive relational network for head detection
JP6904651B2 (ja) 複数の認識エンジンを用いて人物の行動を認識するプログラム、装置及び方法
WO2019153175A1 (zh) 基于机器学习的遮挡人脸识别系统、方法及存储介质
KR100988326B1 (ko) 사용자 맞춤형 표정 인식 방법 및 장치
Li et al. Robust multiperson detection and tracking for mobile service and social robots
KR102305038B1 (ko) 미아 추적 서버 및 미아 추적 서버에서의 딥러닝 기반 미아 이동 경로 추적 방법
CN112989889A (zh) 一种基于姿态指导的步态识别方法
Liang et al. Egocentric hand pose estimation and distance recovery in a single RGB image
CN109711232A (zh) 基于多目标函数的深度学习行人重识别方法
KR20080073598A (ko) 실시간 얼굴 인식을 위한 방법 및 장치
García et al. Algorithm for the Recognition of a Silhouette of a Person from an Image
KR20230081016A (ko) 복수의 카메라를 이용하여 객체를 추적하는 장치, 방법 및 컴퓨터 프로그램
Zhang et al. Combine object detection with skeleton-based action recognition to detect smoking behavior
CN114359646A (zh) 一种视频分析方法、装置、系统、电子设备和介质
Chen et al. Continuous human action segmentation and recognition using a spatio-temporal probabilistic framework
Naikal et al. Joint detection and recognition of human actions in wireless surveillance camera networks
Murthy et al. The influence of temporal information on human action recognition with large number of classes

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
FPAY Annual fee payment

Payment date: 20130130

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20140128

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20150129

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20160128

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20170125

Year of fee payment: 9

FPAY Annual fee payment

Payment date: 20180130

Year of fee payment: 10

FPAY Annual fee payment

Payment date: 20190130

Year of fee payment: 11

FPAY Annual fee payment

Payment date: 20200130

Year of fee payment: 12