KR20110029805A - 시각 기반 사용자 연령대 구분 및 추정 방법 - Google Patents

시각 기반 사용자 연령대 구분 및 추정 방법 Download PDF

Info

Publication number
KR20110029805A
KR20110029805A KR1020090087632A KR20090087632A KR20110029805A KR 20110029805 A KR20110029805 A KR 20110029805A KR 1020090087632 A KR1020090087632 A KR 1020090087632A KR 20090087632 A KR20090087632 A KR 20090087632A KR 20110029805 A KR20110029805 A KR 20110029805A
Authority
KR
South Korea
Prior art keywords
age group
age
estimating
classification
image
Prior art date
Application number
KR1020090087632A
Other languages
English (en)
Inventor
윤영우
윤호섭
이재연
지수영
김도형
김혜진
윤우한
Original Assignee
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020090087632A priority Critical patent/KR20110029805A/ko
Publication of KR20110029805A publication Critical patent/KR20110029805A/ko

Links

Images

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • 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
    • 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
    • G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

입력 영상으로부터 정면 얼굴과 눈을 검출하여, 눈의 위치를 기준으로 입력 영상을 조정한 다음, 조정된 영상으로부터 Histogram of Gradients(HOG) 방식으로 특징벡터를 추출한다. 추출된 특징벡터의 차원을 축소하여 노이즈를 제거하고 차원이 축소된 특징벡터를 이용하여 사용자의 연령대를 구분한다. 이와 같은 연령대 구분을 연속된 영상 프레임에 대해 반복하여 일정한 개수의 구분결과를 축적한 후 이 중 뒤쪽에 위치하는 일정 개수의 구분결과 중 가장 빈번하게 나타난 연령대를 사용자의 연령대로 추정한다.
사용자 인식, 연령대, 얼굴 영상, 맞춤형 서비스, 시각 기반

Description

시각 기반 사용자 연령대 구분 및 추정 방법{Vision-based Age Classification and Estimation Method}
본 발명은 시각 기반 사용자 연령대 구분 및 추정 방법에 관한 것으로서, 보다 상세하게는 사용자의 얼굴 영역 이미지를 입력받아 연령대를 구분하고 추정하는 방법에 관한 것이다.
본 발명은 지식경제부 IT원천기술개발사업의 일환으로 수행한 연구로부터 도출된 것이다[과제관리번호: 2008-F-037-01, 과제명: u-로봇 HRI 솔루션 및 핵심 소자 기술 개발].
다양한 지능형, 맞춤형 서비스를 위해서는 인지 기술이 필수적이며, 특히 별도의 장치를 사용하지 않고 카메라 영상만으로 사용자 정보를 얻는 것은 매우 중요한 일이다.
이와 같이 영상으로부터 얻어진 사용자 정보는 사용자에게 맞춤형 서비스를 제공하기 위해 사용될 뿐 아니라, 광고나 서비스 유지관리 등을 위해 유용한 통계를 제공한다. 예를 들어 지능형 서비스 로봇의 경우 노인이나 어린이 사용자에 대해 폰트의 크기를 늘려서 표시하는 등의 서비스를 제공할 수 있고, 상품의 진열대 위에 카메라를 설치하여 어떤 연령대의 사용자가 해당 상품에 관심을 갖는지 등의 정보를 획득할 수 있다.
사람의 얼굴 영역 이미지를 바탕으로 기존에 등록된 사용자인지를 인식하거나, 성별을 인식하는 등의 종래 기술이 존재하며, 얼굴 영역 이미지를 바탕으로 한 연령대 인식의 종래 기술로는 얼굴의 각 영역별 특징점을 추출하여 눈, 코, 입 등의 얼굴 구성요소간의 거리 비율을 이용한 연령대 분석 방법이 있다.
본 발명의 목적은 사용자에게 맞춤형 서비스를 제공하기 위하여 높은 정확도를 가지는 연령대 구분 및 추정 방법을 제공하고자 하는 것이다.
상기와 같은 본 발명의 목적은, 입력 영상으로부터 얼굴을 검출하는 단계와, 검출된 얼굴로부터 눈을 검출하는 단계와, 눈의 위치를 기준으로 입력 영상을 조정하는 단계와, 조정된 입력 영상으로부터 특징벡터를 추출하는 단계와, 특징벡터의 차원을 축소하는 단계와, 차원이 축소된 특징벡터를 이용하여 연령대를 구분하는 단계를 포함하는 연령대 구분 방법에 의해 달성 가능하다.
상기 입력 영상을 조정하는 단계에서는, 눈의 위치가 미리 정한 특정 지점에 위치하도록 하고 입력 영상을 미리 정한 소정의 크기로 조정하며, 상기 특징벡터를 추출하는 단계에서는, Histogram of Gradients(HOG) 방법을 이용하여 특징벡터를 추출하는 것이 바람직하다.
또한, 상기와 같은 본 발명의 목적은, 영상을 입력받아 상기와 같은 연령대 구분 방법으로 연령대를 구분하는 단계와, 연령대 구분결과를 저장하는 단계와, 저장된 연령대 구분결과가 미리 정한 n개(n은 자연수) 이상이면 구분결과를 바탕으로 연령대를 추정하는 단계와, 추정된 연령대를 출력하는 단계를 포함하는 연령대 추정 방법에 의하여도 달성 가능하다.
상기 연령대를 추정하는 단계에서는, 상기 n개의 구분결과 중 가장 빈번하게 나타난 결과로 연령대를 추정하거나, 구분결과 중 뒤쪽에 저장된 m개(m은 n보다 작은 자연수)의 구분결과를 바탕으로 하여 그 중 가장 빈번하게 나타난 결과로 연령대를 추정할 수 있다.
본 발명에 의하면, 높은 정확도로 사용자의 연령대를 추정할 수 있다.
또한, 추정된 연령대를 이용하여 사용자에게 맞춤형 서비스를 제공할 수 있으며, 광고나 서비스의 유지관리에 필요한 연령별 사용자의 통계자료를 축적할 수 있다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
도 1은 본 발명의 일 실시예에 따른 연령대 구분 방법의 흐름도이다.
도 1에 나타난 바와 같이, 먼저 카메라 등의 영상획득장치로부터 이미지가 입력되면 얼굴을 검출하여 정면 얼굴 영역을 찾는다(S110). 이 때 Viola and Jones 기반 얼굴 검출 방법 등을 사용할 수 있다.
다음은 이와 같이 검출된 얼굴 영역을 더 세밀하게 조정하기 위하여 눈의 위치를 찾는다(S120). 눈의 위치를 찾기 위해서는 Active Appearance Model과 같은 얼굴 영역 검출 방법을 이용할 수 있다.
다음, 검출된 눈의 위치를 기준으로 하여 얼굴 영역에 대한 이미지 조정을 수행한다(S130). 이미지 조정은 얼굴 영역 이외의 부분을 잘라내거나(crop), 얼굴 영역이 이미지의 중앙에 위치하도록 정렬하거나(align), 얼굴을 회전하거나(rotate), 크기를 조정하는(scale) 등의 과정을 통해 수행된다. 이는 눈의 위치를 기준으로 수행되는데, 눈의 위치가 검출되면 기준 크기(예를 들면 50*50 화소)의 이미지 상에서 오른쪽과 왼쪽 눈의 위치가 특정 위치에 오도록 이미지를 조정한다. 이와 같이 조정된 이미지의 예가 도 2에 나타나 있다.
조정된 이미지를 이용하여 인식에 유리하도록 이미지 변환작업을 수행하여 특징벡터를 추출한다(S140). 이를 위해서는 Histogram of Gradients 기술을 이용할 수 있다. 위에서 예로 든 50*50 화소 크기의 이미지에서는 HOG 특징벡터를 추출할 경우 그 크기(차원)가 2500 정도인 벡터가 생성된다. 이 벡터의 차원은 HOG 생성에 관련된 파라미터에 따라 약간의 변동이 생길 수 있다.
다음으로는, 약 2500 정도 차원의 특징 벡터를 연령대 인식에 유리하도록 차 원을 줄인다(S150). 차원을 줄이기 위해서는 Manifold Learning 방식이 사용되는데, Linear Discriminant Analysis와 유사한 Orthogonal Localith Preserving Projections (OLPP) 방법 등을 사용할 수 있다. 이와 같이 벡터의 차원(크기)을 줄임으로서 연령대 인식에 있어서 노이즈가 되는 특징들을 없앨 수 있고 이는 곧 연령대 인식 성능의 향상으로 이어진다.
OLPP를 이용하여 줄여진 저차원의 특징 벡터를 이용하여 연령대를 구분한다(S160). 연령대 구분을 위해서는 kNN 알고리즘을 이용할 수 있다. 즉, 미리 구축된 다량의 연령대 이미지 데이터베이스와 현재 이미지의 특징 벡터를 비교하여 k개의 가장 가까운 데이터베이스 상에서의 이미지를 찾는다. k개의 이미지 중에서 가장 많이 존재하는 연령대를 최종 결과로 선택한다. 이 때 연령대는 10세 미만, 10대, 20대, 30대, ..., 80대 이상과 같이 나눌 수 있다.
이와 같이 연령대를 결정하는 데 사용되는 연령대 데이터베이스는 상술한 바와 같은 이미지 분석 단계를 동일하게 거친 저차원의 특징 벡터와 실제 연령대의 쌍으로 이루어져 미리 구축된다.
한편, 위의 방법의 각 단계에서 사용할 수 있는 알고리즘을 예시하였으나 이는 상술한 예에 제한되지 않으며 그밖의 다양한 알고리즘이 대체되어 쓰일 수 있다. 예를 들면, 이미지 변환(특징 추출) 단계에서 HOG 뿐 아니라 Image Normalization, Self-Quotient Image(SQI), Modified Census Transform(MCT) 등이 사용될 수 있다.
자체적으로 수행한 실험 결과에 따르면 네 가지 특징벡터 중 HOG를 사용한 경우가 가장 탁월한 성능을 보이는 것으로 나타났다. HOG는 이미지 상에서의 사람 검출 및 사용자 인식에 있어서 탁월한 효과를 가지고 있는 바, 이를 연령대 인식에도 도입함으로써 그 인식 성능을 높일 수 있다. 이는 HOG가 얼굴 이미지에서의 미세한 변화 등에 강인하기 때문인 것으로 생각된다.
도 3은 Image Normalization, SQI, MCT 및 HOG 방식으로 이미지의 특징을 추출한 후 연령대를 구분한 결과의 정확도를 나타낸 그래프이다. 이 중 Basis 1은 구분된 연령대가 실제 연령대와 정확히 일치하는 경우를 나타낸 것이고, Basis 2는 구분된 연령대가 실제 연령대와 인접한 상하위 하나의 연령대인 경우를 포함하여 나타낸 것이다. 도 3에서 나타난 바와 같이, HOG 방식의 특징벡터를 이용한 경우 연령대 구분의 정확도가 다른 방식에 비해 탁월한 것을 볼 수 있다.
특징벡터의 차원을 줄이는 데에도 OLPP 외의 다양한 Manifold Learning 방법이 쓰일 수 있다. 대표적으로는 PCA, LDA 등이 사용될 수 있다.
최종적인 연령대의 분류에서도 kNN 대신 Multiclass SVM이 쓰일 수도 있다. kNN의 경우 데이터베이스 상의 잘못된 샘플들이 최종 인식 결과에 악영향을 미칠 수 있지만 SVM을 사용하면 이러한 악영향을 줄일 수 있다는 장점이 있다.
도 4는 상술한 바와 같은 연령대 구분 기술을 적용하여 사용자의 연령대를 실시간으로 추정하는 방법을 나타낸 흐름도이다.
실제 응용에서 사용되는 연령대 추정 방법에서는 순간적으로 변하는 사용자의 표정, 카메라와 얼굴의 방향, 조명 등의 효과를 줄이기 위하여 연속적인 n 프레임의 연령대 구분 정보를 바탕으로 현재 사용자의 연령대를 추정한다.
즉, 도 4에 나타난 바와 같이, 카메라 등의 영상 입력 장치로부터 영상 프레임이 입력되면(S410), 도 1을 참조로 설명한 바와 같은 방법을 이용하여 사용자의 연령대를 구분한다(S420). 구분된 결과는 각 프레임별로 기억장치에 저장되고(S430), 저장된 구분결과가 n개에 이를 때까지(S440) 사용자 연령대 구분 과정(S410 내지 S430)이 반복된다.
저장된 구분결과의 수가 n에 이르면(S440), 저장된 구분결과 정보를 이용하여 해당 사용자의 연령대를 추정한다(S450). 이 때 저장된 n 프레임의 연령대 정보 중에서 뒤쪽에 저장된 m 프레임의 정보만을 사용하여 그 중에서 가장 빈번하게 나타난 연령대를 최종적으로 해당 사용자의 연령대로 추정한다. 여기에서 n 프레임 전체의 정보를 쓰지 않고 m 프레임만을 쓰는 이유는 정면 얼굴이 검출되기 시작하는 이미지 프레임에서는 약간 측면으로 돌아간 얼굴, 빠른 움직임으로 인해 흐려진 얼굴이 검출되는 경우가 많기 때문이다. 그러나 이는 저장된 n 프레임의 연령대 정보를 모두 이용하여 연령대를 추정하는 것을 배제하는 것은 아니다.
마지막으로 추정된 연령대를 출력한다(S460). 연령대 추정 결과는 직접 사용자에게 출력되는 경우보다는 연령대 추정 방법을 활용한 각각의 응용에서 요구되는 방식으로 출력되는 경우가 많을 것이다. 예를 들어 사용자에 의해 정보 기기가 사용될 때 사용자의 연령대가 해당 응용으로 출력되어 연령대에 따라 선호하는 화면 인터페이스, 메뉴, 정보 등을 해당 사용자에게 제공할 수 있다.
또한, 카메라 앞의 사용자 연령대를 추정함으로써 현재 카메라가 설치된 지역에서 어느 연령대의 사용자가 빈번하게 나타나는지의 통계 자료를 축적할 수 있 다.
이상에서 바람직한 실시예를 기준으로 본 발명을 설명하였지만, 본 발명의 연령대 구분 및 추정 방법은 반드시 상술된 실시예에 제한되는 것은 아니며, 본 발명에 대해서 발명의 요지와 범위로부터 벗어남이 없이 다양한 수정이나 변형을 하는 것이 가능하다. 따라서 첨부된 특허청구의 범위에는 본 발명의 요지에 속하는 한 이러한 수정이나 변형을 포함할 것이다.
도 1은 본 발명의 실시예에 따른 연령대 구분 방법의 흐름도이고,
도 2는 본 발명의 실시예에 따른 연령대 구분 방법에서 이미지 조정 결과를 거친 이미지의 예이고,
도 3은 본 발명의 실시예에 따른 연령대 구분 방법에서 다양한 특징벡터 추출방법을 이용한 연령대 구분결과를 나타내는 그래프이고,
도 4는 본 발명의 실시예에 따른 연령대 추정 방법을 나타내는 흐름도이다.

Claims (7)

  1. 입력 영상으로부터 얼굴을 검출하는 단계와,
    검출된 상기 얼굴로부터 눈을 검출하는 단계와,
    상기 눈의 위치를 기준으로 상기 입력 영상을 조정하는 단계와,
    조정된 상기 입력 영상으로부터 특징벡터를 추출하는 단계와,
    상기 특징벡터의 차원을 축소하는 단계와,
    상기 차원이 축소된 특징벡터를 이용하여 연령대를 구분하는 단계를 포함하는 연령대 구분 방법.
  2. 제1항에 있어서,
    상기 입력 영상을 조정하는 단계에서는, 상기 눈의 위치가 미리 정한 특정 지점에 위치하도록 하고 상기 입력 영상을 미리 정한 크기로 조정하는 연령대 구분 방법.
  3. 제1항에 있어서,
    상기 특징벡터를 추출하는 단계에서는, Histogram of Gradients(HOG) 방법을 이용하여 상기 특징벡터를 추출하는 연령대 구분 방법.
  4. 영상을 입력받는 단계와,
    제1항 내지 제3항 중 어느 한 항의 연령대 구분 방법으로 연령대를 구분하는 단계와,
    상기 연령대 구분결과를 저장하는 단계와,
    저장된 상기 연령대 구분결과가 미리 정한 n개(n은 자연수) 이상이면 상기 구분결과를 바탕으로 연령대를 추정하는 단계와,
    추정된 상기 연령대를 출력하는 단계를 포함하는 연령대 추정 방법.
  5. 제4항에 있어서,
    상기 연령대를 추정하는 단계에서는, 상기 n개의 구분결과 중 가장 빈번하게 나타난 결과로 상기 연령대를 추정하는 연령대 추정 방법.
  6. 제4항에 있어서
    상기 연령대를 추정하는 단계에서는, 상기 구분결과 중 뒤쪽에 저장된 m개(m은 n보다 작은 자연수)의 구분결과를 바탕으로 연령대를 추정하는 연령대 추정 방법.
  7. 제6항에 있어서,
    상기 연령대를 추정하는 단계에서는, 상기 m개의 구분결과 중 가장 빈번하게 나타난 결과로 상기 연령대를 추정하는 연령대 추정 방법.
KR1020090087632A 2009-09-16 2009-09-16 시각 기반 사용자 연령대 구분 및 추정 방법 KR20110029805A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020090087632A KR20110029805A (ko) 2009-09-16 2009-09-16 시각 기반 사용자 연령대 구분 및 추정 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020090087632A KR20110029805A (ko) 2009-09-16 2009-09-16 시각 기반 사용자 연령대 구분 및 추정 방법

Publications (1)

Publication Number Publication Date
KR20110029805A true KR20110029805A (ko) 2011-03-23

Family

ID=43935646

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020090087632A KR20110029805A (ko) 2009-09-16 2009-09-16 시각 기반 사용자 연령대 구분 및 추정 방법

Country Status (1)

Country Link
KR (1) KR20110029805A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013022226A2 (ko) * 2011-08-09 2013-02-14 Lee In Kwon 고객 인적정보 생성방법 및 생성장치, 그 기록매체 및 포스 시스템
KR20130049099A (ko) * 2011-11-03 2013-05-13 한국전자통신연구원 얼굴 영상을 이용하여 나이 또는 성별을 추정하는 방법 및 장치
WO2020141754A1 (ko) * 2018-12-31 2020-07-09 이준호 안면착용 제품 추천 방법 및 그 장치

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013022226A2 (ko) * 2011-08-09 2013-02-14 Lee In Kwon 고객 인적정보 생성방법 및 생성장치, 그 기록매체 및 포스 시스템
WO2013022226A3 (ko) * 2011-08-09 2013-04-04 Lee In Kwon 고객 인적정보 생성방법 및 생성장치, 그 기록매체 및 포스 시스템
KR20130049099A (ko) * 2011-11-03 2013-05-13 한국전자통신연구원 얼굴 영상을 이용하여 나이 또는 성별을 추정하는 방법 및 장치
WO2020141754A1 (ko) * 2018-12-31 2020-07-09 이준호 안면착용 제품 추천 방법 및 그 장치
KR20200085723A (ko) * 2018-12-31 2020-07-15 이준호 안면착용 제품 추천 방법 및 그 장치

Similar Documents

Publication Publication Date Title
Barnouti et al. Face detection and recognition using Viola-Jones with PCA-LDA and square euclidean distance
Chao et al. Facial expression recognition based on improved local binary pattern and class-regularized locality preserving projection
US8170280B2 (en) Integrated systems and methods for video-based object modeling, recognition, and tracking
US7912246B1 (en) Method and system for determining the age category of people based on facial images
Vandal et al. Event detection: Ultra large-scale clustering of facial expressions
KR101558547B1 (ko) 얼굴 포즈 변화에 강한 연령 인식방법 및 시스템
JP2010108494A (ja) 画像内の顔の特性を判断する方法及びシステム
CN104636756A (zh) 一种用于家庭老人监护的姿态识别方法
JP2007048172A (ja) 情報分類装置
Pavlov et al. Application for video analysis based on machine learning and computer vision algorithms
KR20110029805A (ko) 시각 기반 사용자 연령대 구분 및 추정 방법
Khryashchev et al. Audience analysis system on the basis of face detection, tracking and classification techniques
Zhang et al. Human action recognition based on global silhouette and local optical flow
Yamamoto et al. Algorithm optimizations for low-complexity eye tracking
Tin Age Dependent Face Recognition using Eigenface
Khryashchev et al. Gender and age recognition for video analytics solution
Song-Lin et al. Human behavior recognition based on sitting postures
Fan et al. Model-based varying pose face detection and facial feature registration in colour images
Calvo et al. Study of the pre-processing impact in a facial recognition system
Pnevmatikakis et al. Subclass linear discriminant analysis for video-based face recognition
Kaur et al. An analysis on gender classification and age estimation approaches
Ren et al. Real-time head pose estimation on mobile platforms
Mostafa et al. Rejecting pseudo-faces using the likelihood of facial features and skin
Wang et al. Skin color and feature-based face detection in complicated backgrounds
Zhang et al. Region-based anomaly localisation in crowded scenes via trajectory analysis and path prediction

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid