KR20100092611A - 퍼지 및 부스팅 기법을 통한 얼굴 특징 선택 방법 및 장치 - Google Patents

Abstract

퍼지 및 부스팅 기법을 통한 얼굴 특징 선택 방법 및 장치가 제공된다. 얼굴 이미지의 특징 선택을 위한 부분 벡터의 개수를 설정하는 단계, 상기 부분 벡터의 개수에 기초하여, 부스팅(Boosting) 기법을 통해 상기 얼굴 이미지로부터 추출된 특징 벡터들을 학습하여 상기 얼굴 이미지의 특징(feature)을 선택하는 단계, 상기 얼굴 이미지의 특징에 기초하여 상기 특징의 학습에 대한 오차를 산출하는 단계, 상기 특징의 학습에 대한 오차에 기초하여, 퍼지 기법을 통해 상기 부분 벡터의 개수를 산출하는 단계, 및 상기 얼굴 이미지의 특징을 추가적으로 선택하는 단계가 개시된다.

fuzzy, boosting, 특징 벡터

Description

퍼지 및 부스팅 기법을 통한 얼굴 특징 선택 방법 및 장치{METHOD AND APPARATUS FOR FACE FEATURES SELECTION USING FUZZY AND BOOSTING}

본 발명의 실시예들은 얼굴 특징 선택 방법 및 장치에 관한 것이다.

얼굴 인식에 있어서 특징 선택 과정은 얼굴 인식률과 학습 속도를 결정짓는 매우 중요한 과정이다. 얼굴 인식은 얼굴 이미지로부터 추출된 얼굴 특징들을 이용하여 이루어지는데, 하나의 얼굴 이미지로부터 추출된 얼굴 특징들은 특징 벡터라는 하나의 벡터 형태로 표현될 수 있다.

초기에 추출된 특징들은 그 수가 방대하여 특징 벡터의 차원이 매우 클 뿐만 아니라 개개인의 얼굴 특징을 적절히 표현하지 못하는 불필요한 특징들도 상당수 존재하기 때문에, 초기의 특징 벡터를 그대로 얼굴 인식에 사용할 경우 얼굴 인식률 저하는 물론 학습 시간의 증가라는 문제점이 발생한다.

따라서, 개개인의 얼굴을 구분해 내는데 식별력을 지닌 소정의 특징들만을 선별해내는 특징 선택 과정은 얼굴 인식에 있어 필수적이며, 최근에는 부스팅(boosting) 기법을 활용한 특징 선택 방법들이 그 성능을 인정받고 활발히 개발되고 있다.

부스팅(Boosting) 기법을 통한 얼굴 특징 선택 방법에서는 특징 벡터를 개개의 특징 성분들로 나누어 학습한 후, 학습 결과 비교를 통해 한 개의 특징을 선택하는 방식을 취한다.

이보다 발전된 형태의 방법인, 부스팅 기법과 특징 벡터 분할 기법을 적용한 특징 선택 방법에서는, 특징 벡터를 다수 특징 성분들로 구성된 일정 개수의 부분 벡터로 분할 및 학습한 후 학습 결과 비교를 통해 최적의 부분 벡터 한 개를 선별하고, 선별된 부분 벡터에 대해 상기 벡터 분할 및 학습, 선별 과정을 반복하여 한 개의 특징을 선택한다. 따라서, 부스팅 기법과 특징 벡터 분할 기법을 적용한 특징 선택 방법에서는 특징 개개의 식별력뿐만 아니라 특징들 간의 상호 보완 관계를 추가 고려함으로써 상기 특징 선택 방법보다 더욱 식별력 있는 특징들을 선별해 낸다.

그러나, 상기 기존의 특징 선택 방법은 특징 벡터를 분할하는 개수에 따라 얼굴 인식률에 편차를 보이며, 벡터 분할 및 학습 후 선별하는 부분 벡터 개수를 한 개로 국한시키므로, 보다 많은 후보 특징들이 선별을 위해 고려되는 것이 제한되어 특징 선택 및 얼굴 인식 성능에 한계 요소로 작용한다.

본 발명의 일실시예는, 퍼지 및 부스팅(boosting) 기법을 사용하여 얼굴 이미지로부터 추출된 다수의 얼굴 특징들로부터 더욱 우수한 얼굴 식별력을 지닌 얼굴 특징을 보다 효과적으로 선별하여, 얼굴 인식률을 향상시키고 인식 성능의 안정성을 보장하는 얼굴 특징 선택 방법 및 장치를 제공하는 것을 목적으로 한다.

본 발명의 일실시예에 따른 얼굴 특징 선택 방법은 얼굴 이미지의 특징 선택을 위한 부분 벡터의 개수를 설정하는 단계; 상기 부분 벡터의 개수에 기초하여, 부스팅(Boosting) 기법을 통해 상기 얼굴 이미지로부터 추출된 특징 벡터들을 학습하여 상기 얼굴 이미지의 특징(feature)을 선택하는 단계; 상기 얼굴 이미지의 특징에 기초하여 상기 특징의 학습에 대한 오차를 산출하는 단계; 상기 특징의 학습에 대한 오차에 기초하여, 퍼지 기법을 통해 상기 부분 벡터의 개수를 산출하는 단계; 및 상기 얼굴 이미지의 특징을 추가적으로 선택하는 단계를 포함한다.

이때, 상기 부스팅(Boosting) 기법을 통해 상기 얼굴 이미지로부터 추출된 특징 벡터들을 학습하여 상기 얼굴 이미지의 특징을 선택하는 단계는, 다수의 상기 얼굴 이미지로부터 추출되는 상기 특징 벡터의 학습을 위한 가중치를 설정하는 단계; 상기 특징 벡터를 선정된 수의 부분 벡터로 분할하는 단계; 상기 학습을 위한 가중치에 기초하여, 상기 부분 벡터 별로 상기 얼굴 이미지의 특징을 학습하는 단계; 상기 학습한 결과에 기초하여, 상기 부분 벡터를 선별하는 단계; 상기 부분 벡 터를 병합하는 단계; 상기 얼굴 이미지의 특징을 선택하는 단계; 및 상기 선택된 특징을 저장하는 단계를 포함할 수 있다.

본 발명의 일실시예에 따른 얼굴 특징 선택 장치는 얼굴 이미지의 특징 선택을 위한 부분 벡터의 개수를 설정하고, 상기 부분 벡터의 개수에 기초하여, 부스팅(Boosting) 기법을 통해 상기 얼굴 이미지로부터 추출된 특징 벡터들을 학습하여 상기 얼굴 이미지의 특징을 선택하는 특징 선택부; 상기 얼굴 이미지의 특징에 기초하여 상기 특징의 학습에 대한 오차를 산출하는 학습 오차 산출부; 및 상기 특징의 학습에 대한 오차에 기초하여, 퍼지 기법을 통해 상기 부분 벡터의 개수를 산출하는 퍼지 추론부를 포함한다.

이때, 상기 특징 선택부는 다수의 상기 얼굴 이미지로부터 추출되는 상기 특징 벡터의 학습을 위한 가중치를 설정하는 가중치 조정부; 상기 특징 벡터를 선정된 수의 부분 벡터로 분할하고, 상기 학습을 위한 가중치에 기초하여 상기 부분 벡터 별로 상기 얼굴 이미지의 특징을 학습하는 벡터 분할 및 특징 학습부; 상기 학습한 결과에 기초하여, 상기 부분 벡터를 선별하고 상기 부분 벡터를 병합하거나 상기 얼굴 이미지의 특징을 선택하는 부분 벡터 선별부; 및 상기 선택된 특징을 저장하는 특징 저장부를 포함할 수 있다.

본 발명의 일실시예에 따르면, 퍼지 및 부스팅(boosting) 기법을 사용하여 얼굴 이미지로부터 추출된 다수의 얼굴 특징들로부터 더욱 우수한 얼굴 식별력을 지닌 얼굴 특징을 보다 효과적으로 선별하여, 얼굴 인식률을 향상시키고 인식 성능 의 안정성을 보장하는 얼굴 특징 선택 방법 및 장치를 제공할 수 있다.

이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.

도 1은 본 발명의 일실시예에 따른 얼굴 특징 선택 장치의 구성도이다. 도 1을 참조하여 본 발명의 일실시예에 따른 얼굴 특징 선택 장치를 설명하기로 한다.

본 발명의 일실시예에 따른 얼굴 특징 선택 장치는 특징 선택부(120), 학습 오차 산출부(130) 및 퍼지 추론부(140)를 포함한다.

특징 선택부(120)는 가중치 조정부(121), 벡터 분할 및 특징 학습부(122), 부분 벡터 선별부(123) 및 특징 저장부(124)를 포함할 수 있다.

가중치 조정부(121)는 학습을 위해 다수의 얼굴 이미지로부터 추출된 특징 벡터들(110)에 학습 가중치를 부여한다. 이때, 특징 저장부(124)에 저장된 특징이 없으면 모든 특징 벡터에 동일한 학습 가중치를 부여하며, 저장된 특징이 있으면 현재 선택된 특징에 대한 각 특징 벡터의 특징 벡터 학습 오차를 토대로 특징 벡터 학습 오차가 큰 특징 벡터일수록 상대적으로 큰 학습 가중치를 부여할 수 있다.

이때, 얼굴 특징 선택 장치는 현재 선택된 특징만을 가지고 각각의 특징 벡터를 분류하여, 현재 선택된 특징에 대한 각 특징 벡터의 특징 벡터 학습 오차를 산출할 수 있다.

벡터 분할 및 특징 학습부(122)는 가중치 조정부(121)로부터 특징 벡터를 입 력 받거나 부분 벡터 선별부(123)로부터 병합된 벡터를 입력 받아 이를 일정 수의 부분 벡터로 분할하고, 각 부분 벡터 별로 특징 학습을 수행한다.

부분 벡터 선별부(123)는 상기 벡터 분할 및 특징 학습부(122)로부터 부분 벡터에 대한 학습 결과를 전달받고, 학습 결과를 토대로 각 부분 벡터 별로 부분 벡터 학습 오차를 산출하여 부분 벡터 학습 오차가 적은 순으로 일정 수의 부분 벡터를 선별한다. 이때, 각 부분 벡터의 부분 벡터 학습 오차는 특정 부분 벡터에 포함된 특징들만을 가지고 상기 특징 벡터들을 분류하여 산출할 수 있으며, 부분 벡터 선별 개수는 퍼지 추론부(140)로부터 얻는다.

또한, 부분 벡터 선별부(123)는 선별된 부분 벡터의 차원이 1 보다 크면, 선별된 부분 벡터들을 한 개의 벡터로 병합한 후 벡터 분할 및 특징 학습부(122)로 전달하여 벡터 분할 및 특징 학습이 재수행 되도록 하고, 그렇지 않으면 선별된 부분 벡터 중 최소의 학습 오차를 갖는 부분 벡터를 선별하고 벡터 내에 포함된 특징을 선택한다.

특징 저장부(124)는 부분 벡터 선별부(123)에서 특징이 선택되면 선택된 특징을 특징 가중치와 함께 저장한다. 이때, 상기 부분 벡터 학습 오차가 작을수록 선택된 특징들에 상대적으로 큰 특징 가중치를 부여할 수 있다.

또한, 특징 저장부(124)는 퍼지 추론부(140)에서 추론된 부분 벡터 선택 개수를 참조하여 부분 벡터 선택 개수에 변화가 발생하면, 저장된 모든 특징들을 삭제하여 변화된 부분 벡터 선택 개수를 적용함으로써 새로운 특징들을 선택하도록 한다.

학습 오차 산출부(130)는 특징 저장부(124)에 저장된 특징들을 이용하여 특징 학습 오차를 산출한다. 이때, 학습 오차 산출부(130)는 특징 저장부(124)에 저장된 특징들을 이용하여 특징 벡터들(110)을 분류하여 특징 학습 오차를 산출할 수 있다.

퍼지 추론부(140)는 학습 오차 산출부(130)에서 산출된 특징 학습 오차에 기초하여 퍼지 기법을 적용해 주어진 조건 하에서 최적의 부분 벡터 선별 개수를 추론한다. 이때, 퍼지 추론부(140)는 상기 특징 학습 오차를 이용하여 부분 벡터 선별 개수에 따른 특징 학습 오차의 변화율 정보를 산출한 결과를 입력 받을 수 있으며, 상기 퍼지 입력에 의해 최소의 특징 학습 오차를 보일 수 있는 최적의 부분 벡터 선별 개수를 추론할 수 있도록 퍼지 추론 규칙을 정의할 수 있다.

도 2는 본 발명의 일실시예에 따른 얼굴 특징 선택 방법을 설명하기 위한 흐름도이다. 도 2를 참조하여 본 발명의 일실시예에 따른 얼굴 특징 선택 방법을 설명하기로 한다.

본 발명의 일실시예에 따른 얼굴 특징 선택 방법은 본 발명의 일실시예에 따른 얼굴 특징 선택 장치를 통해 수행될 수 있다.

상기 얼굴 특징 선택 장치는 특징 선택 시에 선별할 부분 벡터의 개수를 설정한다(S210). 이때, 상기 얼굴 특징 선택 장치는 유효한 퍼지출력 값을 얻지 못하는 초기에는 부분 벡터 선별 개수를 1부터 한 개씩 증가시킬 수 있으며, 유효한 퍼지 출력 값을 획득하기 시작하면 퍼지 출력 값에 따라 부분 벡터 선별 개수를 설정할 수 있다.

이후, 상기 얼굴 특징 선택 장치는 상기 설정된 부분 벡터 선별 개수를 이용하여 부스팅(boosting) 기법을 통해 상기 학습을 위해 다수의 얼굴 이미지로부터 추출된 특징 벡터들을 학습하여 소정의 얼굴 특징을 선택한다(S220). 이때, 상기 얼굴 특징 선택 장치가 선택하는 특징 수는 상기 특징 학습 오차를 산출하고 상기 퍼지 추론을 하기 위한 최소의 수량으로 한정 지을 수 있으며, 얼굴 인식을 위해 필요한 추가적인 수량의 특징들은 이후 추가적으로 선택할 수 있다.

이후, 상기 얼굴 특징 선택 장치는 퍼지추론을 위하여 상기 선택된 전체 특징에 대한 특징 학습 오차를 산출한다(S230). 이때, 선택된 전체 특징에 대한 특징 학습 오차는 상기 선택된 얼굴 특징들을 이용해 상기 학습에 사용된 특징 벡터들을 분류하여 산출할 수 있다.

이후, 상기 얼굴 특징 선택 장치는 상기 산출된 특징 학습 오차에 기초해 퍼지(fuzzy) 기법을 이용하여 주어진 조건 하에서 최적의 부분 벡터 선별 개수를 추론한다(S240). 이때, 상기 얼굴 특징 선택 장치는 상기 특징 학습 오차를 가지고 부분 벡터 선별 개수에 따른 특징 학습 오차의 변화 정도를 산출하여 이를 퍼지 입력으로 사용할 수 있으며, 상기 퍼지 입력에 의해 최소의 특징 학습 오차를 보일 수 있는 최적의 부분 벡터 선별 개수를 추론할 수 있도록 퍼지 추론 규칙을 정의할 수 있다.

이후, 상기 얼굴 특징 선택 장치는 추론된 부분 벡터 선별 개수와 현재의 부분 벡터 선별 개수를 비교한다(S250).

상기 얼굴 특징 선택 장치는 상기 추론된 부분 벡터 선별 개수와 현재의 부 분 벡터 선별 개수를 비교한 결과, 서로 동일하면 최적의 부분 벡터 선별 개수에 도달한 것으로 간주하고, 상기의 과정들을 통하여 획득한 최적의 부분 벡터 선별 개수를 이용하여 얼굴 인식에 필요한 추가 수량의 특징들을 선택한다(S260). 이때, 상기 얼굴 특징 선택 장치의 특징 선택 과정은 상기 S220 단계에서의 특징 선택 과정과 동일하게 구성될 수 있다.

한편, 상기 얼굴 특징 선택 장치는 상기 추론된 부분 벡터 선별 개수와 현재의 부분 벡터 선별 개수를 비교한 결과, 서로 다르면 상기 S210 단계 내지 S240 단계를 재수행할 수 있다.

도 3은 본 발명의 일실시예에 따른 부스팅 기법을 이용하여 얼굴의 특징을 선택하는 방법을 설명하기 위한 흐름도로서, 보다 상세하게는 도 2에 개시된 본 발명의 일실시예에 따른 얼굴 특징 선택 방법에 있어서의 S220 단계를 보다 상세하게 설명하기 위한 흐름도이다.

도 3을 참조하여 본 발명의 일실시예에 따른 부스팅 기법을 이용하여 얼굴의 특징을 선택하는 방법을 설명하기로 한다.

상기 얼굴 특징 선택 장치는 상기 학습을 위해 다수의 얼굴 이미지로부터 추출된 특징 벡터 각각에 학습 가중치를 부여한다(S310). 이때, 특징이 선택되지 않은 초기에는 모든 특징 벡터에 동일한 학습 가중치를 부여하며, 특징이 한 개 이상 선택되면 현재 선택된 특징에 대한 각 특징 벡터의 특징 벡터 학습 오차를 토대로 특징 벡터 학습 오차가 큰 특징 벡터일수록 상대적으로 큰 학습 가중치를 부여할 수 있다. 이때, 상기 얼굴 특징 선택 장치가 현재 선택된 특징을 이용해 각각의 특징 벡터를 분류하여, 현재 선택된 특징에 대한 각 특징 벡터의 특징 벡터 학습 오차를 산출할 수 있다.

이후, 상기 얼굴 특징 선택 장치는 상기 특징 벡터 또는 병합된 벡터를 일정 수의 부분 벡터로 분할한다(S320).

이후, 상기 얼굴 특징 선택 장치는 상기 부분 벡터 별로 벡터 내에 포함된 특징을 학습한다(S330). 이때, 얼굴 특징 선택 장치는 상기 학습 가중치가 큰 특징 벡터에 포함된 특징일수록 상대적으로 더 많은 학습을 수행할 수 있다.

이후, 상기 얼굴 특징 선택 장치는 상기 학습 결과를 토대로 각 부분 벡터 별로 부분 벡터 학습 오차를 산출하여 부분 벡터 학습 오차가 적은 순으로 일정 수의 부분 벡터를 선별한다(S340). 이때, 상기 얼굴 특징 선택 장치는 특정 부분 벡터에 포함된 특징들을 이용해 상기 특징 벡터들을 분류하여 각 부분 벡터에 대한 부분 벡터 학습 오차를 산출할 수 있다.

상기 얼굴 특징 선택 장치는 선별된 부분 벡터의 차원이 1보다 큰지의 여부를 판단하여(S350), 선별된 부분 벡터의 차원이 1보다 크지 않은 경우에는 선별된 부분 벡터 중 최소 부분 벡터 학습 오차를 갖는 부분 벡터를 선별하고 벡터 내에 포함된 특징을 선택하여(S370) 특징 가중치와 함께 저장한다(S380). 이때, 상기 얼굴 특징 선택 장치는 부분 벡터 학습 오차가 작을수록 선택된 특징들에 상대적으로 큰 특징 가중치를 부여할 수 있다.

한편, 상기 얼굴 특징 선택 장치는 선별된 부분 벡터의 차원이 1보다 크면 선별된 부분 벡터들을 한 개의 벡터로 병합하고(S360), 상기 S310 단계 내지 S340 단계를 재수행한다.

이후, 상기 얼굴 특징 선택 장치는 저장된 전체 특징 수와 기설정된 개수를 비교하여(S390), 저장된 전체 특징 수가 기설정된 개수보다 적으면 상기 S310 내지 S380 단계까지의 과정을 재수행하여 추가 특징을 선택하도록 하고, 그렇지 않으면 특징 선택 과정을 종료한다.

즉, 상기 얼굴 특징 선택 장치는 상기와 같이 퍼지 및 부스팅(boosting) 기법을 적용하여 얼굴 특징을 선택함으로써, 더욱 강한 식별력을 지닌 유용한 얼굴 특징을 보다 효과적으로 선택하여 얼굴 인식률을 향상시키고, 벡터 분할개수에 따른 영향을 최소화하여 인식 성능의 안정성을 보장할 수 있다.

이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

도 1은 본 발명의 일실시예에 따른 얼굴 특징 선택 장치의 구성도이다.

도 2는 본 발명의 일실시예에 따른 얼굴 특징 선택 방법을 설명하기 위한 흐름도이다.

도 3은 본 발명의 일실시예에 따른 부스팅 기법을 이용하여 얼굴의 특징을 선택하는 방법을 설명하기 위한 흐름도이다.

<도면의 주요 부분에 대한 부호의 설명>

110: 특징 벡터 120: 특징 선택부

121: 가중치 조정부 122: 벡터 분할 및 특징 학습부

123: 부분 벡터 선별부 124: 특징 저장부

130: 학습 오차 산출부 140: 퍼지 추론부

Claims (4)

1. 얼굴 이미지의 특징 선택을 위한 부분 벡터의 개수를 설정하는 단계;

   상기 부분 벡터의 개수에 기초하여, 부스팅(Boosting) 기법을 통해 상기 얼굴 이미지로부터 추출된 특징 벡터들을 학습하여 상기 얼굴 이미지의 특징(feature)을 선택하는 단계;

   상기 얼굴 이미지의 특징에 기초하여 상기 특징의 학습에 대한 오차를 산출하는 단계;

   상기 특징의 학습에 대한 오차에 기초하여, 퍼지 기법을 통해 상기 부분 벡터의 개수를 산출하는 단계; 및

   상기 얼굴 이미지의 특징을 추가적으로 선택하는 단계

   를 포함하는 얼굴 특징 선택 방법.
2. 제1항에 있어서,

   상기 부스팅(Boosting) 기법을 통해 상기 얼굴 이미지로부터 추출된 특징 벡터들을 학습하여 상기 얼굴 이미지의 특징을 선택하는 단계는,

   다수의 상기 얼굴 이미지로부터 추출되는 상기 특징 벡터의 학습을 위한 가중치를 설정하는 단계;

   상기 특징 벡터를 선정된 수의 부분 벡터로 분할하는 단계;

   상기 학습을 위한 가중치에 기초하여, 상기 부분 벡터 별로 상기 얼굴 이미 지의 특징을 학습하는 단계;

   상기 학습한 결과에 기초하여, 상기 부분 벡터를 선별하는 단계;

   상기 부분 벡터를 병합하는 단계;

   상기 얼굴 이미지의 특징을 선택하는 단계; 및

   상기 선택된 특징을 저장하는 단계

   를 포함하는 것을 특징으로 하는 얼굴 특징 선택 방법.
3. 얼굴 이미지의 특징 선택을 위한 부분 벡터의 개수를 설정하고, 상기 부분 벡터의 개수에 기초하여, 부스팅(Boosting) 기법을 통해 상기 얼굴 이미지로부터 추출된 특징 벡터들을 학습하여 상기 얼굴 이미지의 특징을 선택하는 특징 선택부;

   상기 얼굴 이미지의 특징에 기초하여 상기 특징의 학습에 대한 오차를 산출하는 학습 오차 산출부; 및

   상기 특징의 학습에 대한 오차에 기초하여, 퍼지 기법을 통해 상기 부분 벡터의 개수를 산출하는 퍼지 추론부

   를 포함하는 얼굴 특징 선택 장치.
4. 제3항에 있어서,

   상기 특징 선택부는,

   다수의 상기 얼굴 이미지로부터 추출되는 상기 특징 벡터의 학습을 위한 가중치를 설정하는 가중치 조정부;

   상기 특징 벡터를 선정된 수의 부분 벡터로 분할하고, 상기 학습을 위한 가중치에 기초하여 상기 부분 벡터 별로 상기 얼굴 이미지의 특징을 학습하는 벡터 분할 및 특징 학습부;

   상기 학습한 결과에 기초하여, 상기 부분 벡터를 선별하고 상기 부분 벡터를 병합하거나 상기 얼굴 이미지의 특징을 선택하는 부분 벡터 선별부; 및

   상기 선택된 특징을 저장하는 특징 저장부

   를 포함하는 것을 특징으로 하는 얼굴 특징 선택 장치.

Images