KR20110103223A - Keypoint matching system and method using sift algorithm for the face recognition - Google Patents

Keypoint matching system and method using sift algorithm for the face recognition Download PDF

Info

Publication number
KR20110103223A
KR20110103223A KR1020100022447A KR20100022447A KR20110103223A KR 20110103223 A KR20110103223 A KR 20110103223A KR 1020100022447 A KR1020100022447 A KR 1020100022447A KR 20100022447 A KR20100022447 A KR 20100022447A KR 20110103223 A KR20110103223 A KR 20110103223A
Authority
KR
South Korea
Prior art keywords
image data
keypoint
key point
input image
similarity
Prior art date
Application number
KR1020100022447A
Other languages
Korean (ko)
Other versions
KR101089847B1 (en
Inventor
박혜영
조민국
Original Assignee
경북대학교 산학협력단
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 경북대학교 산학협력단 filed Critical 경북대학교 산학협력단
Priority to KR1020100022447A priority Critical patent/KR101089847B1/en
Publication of KR20110103223A publication Critical patent/KR20110103223A/en
Application granted granted Critical
Publication of KR101089847B1 publication Critical patent/KR101089847B1/en

Links

Images

Classifications

    • 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
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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

Abstract

본 발명은 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템 및 방법에 관한 것으로, 더욱 구체적으로 살펴보면, 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템은 복수 개의 학습이미지데이터와 입력이미지데이터로부터 복수 개의 키포인트를 각각 검출하고, 검출된 키포인트의 특징정보간에 최소거리를 갖는 키포인트를 검출하여, 검출된 키포인트에 클래스를 할당한 후 상기 클래스가 할당된 키포인트에 기초하여 상기 키포인트간 매칭을 수행하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템.
이러한 구성에 의해, 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템 및 방법은 학습이미지데이터로부터 획득한 키포인트와 입력이미지데이터로부터 획득한 키포인트 간의 유사도 정의를 통해, 가장 유사도가 높은 키포인트에 클래스를 할당하고, 가장 많은 클래스가 할당된 키포인트에 대하여 유사성이 높다고 판별하여, 상기 키포인트에 클래스를 최종부여한 후, 상기 키포인트 간 매칭을 수행함으로써, 이미지데이터 내 얼굴 인식의 정확성을 높일 수 있다.The present invention relates to a keypoint matching system and method using a SIFT algorithm for face recognition. More specifically, the keypoint matching system using a SIFT algorithm for face recognition according to the present invention includes a plurality of learning image data and input image data. A face that detects a plurality of keypoints, detects a keypoint having a minimum distance between feature information of the detected keypoints, assigns a class to the detected keypoints, and performs matching between the keypoints based on the keypoints to which the class is assigned. Keypoint Matching System using SIFT Algorithm for Recognition.
With this configuration, the keypoint matching system and method using the SIFT algorithm for face recognition according to the present invention classify the keypoint with the highest similarity through the definition of the similarity between the keypoint obtained from the learning image data and the keypoint obtained from the input image data. After determining that the most class is assigned to the key point assigned to the most similarity, the final point of the class is assigned to the key point, and matching between the key point, it is possible to increase the accuracy of face recognition in the image data.

Description

얼굴 인식을 위한 ＳＩＦＴ 알고리즘을 이용한 키포인트 매칭 시스템 및 방법 {Keypoint matching system and method using SIFT algorithm for the face recognition}Keypoint matching system and method using SIFT algorithm for face recognition

본 발명은 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템 및 방법에 관한 것으로, 특히 사람의 얼굴을 나타내는 이미지로부터 SIFT 알고리즘을 이용하여 얼굴의 인식 정확성을 높이는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템 및 방법에 관한 것이다.
The present invention relates to a keypoint matching system and method using a SIFT algorithm for face recognition, and more particularly, to a keypoint matching system using a SIFT algorithm for face recognition to enhance the recognition accuracy of a face using the SIFT algorithm from an image representing a human face. And to a method.

컴퓨터를 이용한 다양한 기술분야 중에서도 비전(vision)분야는 대상물에 이미지 또는 영상을 분석하여 상기 대상물을 감지하거나 인식하는 기술분야를 말한다. 이러한 비전분야는 최근 들어 로봇기술의 급격한 발전으로 인하여 많이 각광받고 있는 기술분야로서, 일반적으로 SIFT(Scale Invariant Feature Transform)알고리즘을 이용하여 키포인트 간 매칭을 통해 영상 내 포함된 대상물을 감지한다. Among various technical fields using a computer, a vision field refers to a technical field that detects or recognizes an object by analyzing an image or an image on the object. This vision field is a technology field that is receiving a lot of attention due to the rapid development of robot technology in recent years, and generally, an object included in an image is detected by matching between keypoints using a scale invariant feature transform (SIFT) algorithm.

이 때, 사용되는 상기 SIFT알고리즘은 대상물이 포함된 영상에 대하여 상기 대상물이 회전하거나, 상기 대상물의 크기가 변화하는 것과 상관없이 상기 대상물의 변화하지 않는 특징을 추출하는 알고리즘이다. In this case, the SIFT algorithm used is an algorithm for extracting a feature that does not change, regardless of whether the object rotates or the size of the object changes with respect to the image including the object.

하지만 SIFT 알고리즘은 장애물과 같은 물체 감지(object detection)에 더 적합한 방법으로서, 상기 SIFT 알고리즘을 그대로 얼굴인식에 적용하는 경우, 얼굴인식 시스템 전체의 성능 저하를 야기시키는 문제점이 발생한다.However, the SIFT algorithm is a more suitable method for detecting an object such as an obstacle, and when the SIFT algorithm is applied to face recognition as it is, a problem occurs that causes performance degradation of the entire face recognition system.

또한, 종래기술에 따른 얼굴인식 방법은 모두 학습이미지데이터와 입력이미지데이터 사이에 이미지의 비교를 통해서만 유사도를 측정하므로, 상기 이미지에 포함된 얼굴을 인식하는데 있어서, 그 정확성이 떨어지는 문제점이 있다.
In addition, since the face recognition method according to the related art measures the similarity only by comparing the images between the learning image data and the input image data, there is a problem in that the accuracy is lowered in recognizing a face included in the image.

상기와 같은 종래 기술의 문제점을 해결하기 위해, 본 발명은 사람의 얼굴을 나타내는 이미지데이터로부터 SIFT 알고리즘을 이용하여 얼굴의 인식 정확성을 높이는 얼굴 인식 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템 및 방법에 관한 것이다.
In order to solve the above problems of the prior art, the present invention relates to a keypoint matching system and method using a SIFT algorithm for face recognition to enhance the recognition accuracy of the face using the SIFT algorithm from the image data representing the human face.

위와 같은 과제를 해결하기 위한 본 발명의 한 특징에 따른 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템은 복수 개의 학습이미지데이터와 입력이미지데이터로부터 복수 개의 키포인트를 각각 검출하고, 검출된 키포인트의 특징정보간에 최소거리를 갖는 키포인트를 검출하여, 검출된 키포인트에 클래스를 할당한 후 상기 클래스가 할당된 키포인트에 기초하여 상기 키포인트간 매칭을 수행한다. Key point matching system using the SIFT algorithm for face recognition of the present invention according to an aspect of the present invention for solving the above problems is to detect a plurality of key points from a plurality of learning image data and input image data, respectively, The keypoint having the minimum distance between the feature information is detected, the class is assigned to the detected keypoint, and the matching between the keypoints is performed based on the keypoint to which the class is assigned.

바람직하게는 사람의 얼굴에 대한 기본 형태가 포함된 학습이미지데이터와 사람의 얼굴에 대한 변형 형태가 포함된 입력이미지데이터를 복수 개 입력받는 입력부; 입력받은 상기 학습이미지데이터와 상기 입력이미지데이터로부터 SIFT(Scale Invariant Feature Transform) 알고리즘을 통해 상기 학습이미지데이터 및 상기 입력이미지데이터 내 복수 개의 키포인트를 획득하는 키포인트획득부; 상기 학습이미지데이터 내 키포인트의 특징정보를 저장하는 키포인트저장부; 상기 키포인트저장부에 저장된 상기 학습이미지데이터 내 키포인트의 특징정보와 상기 입력이미지데이터로부터 획득한 키포인트의 특징정보 간에 유사도를 정의하는 키포인트유사도정의부; 정의된 유사도에 기초하여, 상기 유사도가 가장 높은 특징정보를 갖는 키포인트에 키포인트를 할당 및 최종부여하여 상기 학습이미지데이터와 상기 입력이미지데이터의 키포인트 간의 매칭을 수행하는 제어부; 를 포함하는 것을 특징으로 한다. Preferably, the input unit for receiving a plurality of input image data including the training image data including the basic shape of the person's face and the deformation form of the human face; A key point acquisition unit for acquiring a plurality of keypoints in the training image data and the input image data through a scale invariant feature transform (SIFT) algorithm from the received training image data and the input image data; A key point storage unit for storing feature information of key points in the learning image data; A key point similarity definition unit that defines a similarity between the feature information of the key point in the learning image data stored in the key point storage unit and the feature information of the key point obtained from the input image data; A controller for performing matching between the learning image data and the key point of the input image data by allocating and finally granting a key point to a key point having the feature information having the highest similarity based on the defined similarity; Characterized in that it comprises a.

특히 상기 학습이미지데이터의 인덱스정보와 상기 입력이미지데이터 내 키포인트의 인덱스정보를 이용하여 상기 학습이미지데이터 내 키포인트의 특징정보를 저장하는 키포인트저장부를 포함할 수 있다. In particular, it may include a key point storage unit for storing the characteristic information of the key point in the learning image data by using the index information of the learning image data and the index information of the key point in the input image data.

바람직하게는 상기 학습이미지데이터 내 유사도가 가장 높은 특징정보를 갖는 키포인트에 클래스를 할당하는 클래스할당모듈; 상기 클래스가 가장 할당 부여된 키포인트에 대하여 유사성이 높다고 판별하는 유사성판별모듈; 및 상기 유사성이 높다고 판별한 키포인트에 대하여 클래스를 최종 부여하는 클래스최종부여모듈; 을 포함하는 제어부를 포함할 수 있다. Preferably, the class assignment module for assigning a class to a key point having the highest feature information similarity in the learning image data; A similarity discrimination module for determining that the class has high similarity with respect to the keypoint most assigned to the class; And a class final grant module for finally assigning a class to a key point determined to have high similarity. It may include a control unit including a.

특히 상기 학습이미지데이터 및 상기 입력이미지데이터를 복수 개의 세부영역으로 분할하고, 상기 키포인트 획득 시, 획득된 키포인트를 포함하는 세부영역의 고유정보인 세부영역정보를 획득하는 세부영역분할모듈;을 더 포함하는 키포인트획득부를 포함할 수 있다. Particularly, the subdivision segmentation module divides the learning image data and the input image data into a plurality of subregions, and acquires subregion information which is unique information of a subregion including the acquired keypoint when the keypoint is acquired. It may include a key point acquisition unit.

특히 상기 학습이미지데이터 및 상기 입력이미지데이터를 복수 개의 세부영역으로 분할하고, 상기 키포인트 획득 시, 획득된 키포인트를 포함하는 세부영역의 고유정보인 세부영역정보를 획득하는 세부영역분할모듈;을 더 포함하는 키포인트획득부를 포함할 수 있다. Particularly, the subdivision segmentation module divides the learning image data and the input image data into a plurality of subregions, and acquires subregion information which is unique information of a subregion including the acquired keypoint when the keypoint is acquired. It may include a key point acquisition unit.

특히 상기 키포인트저장부에 저장된 상기 학습이미지데이터 내 키포인트와 상기 입력이미지데이터로부터 획득한 키포인트 간의 최소거리값을 기설정된 기준값과 비교하여, 상기 최소거리값이 상기 기준값보다 큰 경우에 상기 키포인트를 삭제하는 키포인트삭제모듈;을 더 포함하는 제어부를 포함할 수 있다. In particular, the minimum distance value between the key point in the learning image data stored in the key point storage unit and the key point obtained from the input image data is compared with a preset reference value, and the key point is deleted when the minimum distance value is larger than the reference value. It may include a control unit further comprises a keypoint deletion module.

위와 같은 과제를 해결하기 위한 본 발명의 한 특징에 따른 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법은 사람의 얼굴에 대한 기본 형태가 포함된 학습이미지데이터와 사람의 얼굴에 대한 변형형태가 포함된 입력이미지데이터가 복수 개 입력되는 이미지입력단계; 입력받은 상기 학습이미지데이터와 상기 입력이미지데이터에 대하여 SIFT알고리즘(Scale Invariant Feature Trasnsform)을 통해 상기 학습이미지데이터와 상기 입력이미지데이터 내 복수 개의 키포인트를 획득하는 키포인트획득단계; 상기 학습이미지데이터 내 키포인트의 특징정보를 저장하는 키포인트저장단계; 기저장된 학습이미지데이터 내 키포인트의 특징정보와 상기 입력이미지데이터로부터 획득한 키포인트의 특징정보 간에 유사도를 정의하는 키포인트유사도정의단계; 정의된 유사도에 기초하여, 유사도가 가장 높은 특징정보를 갖는 키포인트에 클래스를 할당하는 클래스할당단계; 상기 클래스가 가장 많이 할당된 키포인트에 대하여 유사성이 높다고 판별하는 유사성판별단계; 상기 유사성이 판별된 키포인트에 대하여 상기 클래스를 최종 부여하는 클래스최종부여단계; 를 포함한다. Keypoint matching method using the SIFT algorithm for face recognition of the present invention according to an aspect of the present invention for solving the above problems is a modified form of the learning image data including the basic form for the face of the person and the face of the person An image input step of inputting a plurality of input image data including; A key point acquiring step of acquiring a plurality of keypoints in the learning image data and the input image data through a scale invariant feature trasnsform (SIFT) algorithm with respect to the input training image data and the input image data; A key point storing step of storing feature information of a key point in the learning image data; A key point similarity definition step of defining similarity between feature information of key points in previously stored learning image data and feature information of key points obtained from the input image data; A class assignment step of allocating a class to a keypoint having feature information with the highest similarity based on the defined similarity; A similarity discrimination step of determining that the similarity is high with respect to the keypoint to which the class is assigned the most; A class final granting step of finally granting the class to a key point whose similarity is determined; It includes.

바람직하게는 상기 학습이미지데이터의 인덱스정보와 상기 입력이미지데이터 내 키포인트의 인덱스정보를 이용하여 하기의 수학식을 통해 Preferably, by using the index information of the learning image data and the index information of the key point in the input image data through the following equation

Figure pat00001
Figure pat00001

상기 학습이미지데이터 내 키포인트의 특징정보를 저장하는 키포인트저장단계를 포함할 수 있다. (이 때, 상기 i는 상기 학습이미지데이터의 인덱스정보를 나타내고, j는 상기 입력이미지데이터로부터 상기 SIFT알고리즘을 통해 획득한 키포인트의 인덱스정보를 나타낸다.)The method may include a key point storing step of storing feature information of a key point in the learning image data. (In this case, i denotes index information of the learning image data, and j denotes index information of key points obtained from the input image data through the SIFT algorithm.)

바람직하게는 Preferably

상기 키포인트유사도정의단계는The key point similarity definition step is

기저장된 상기 학습이미지데이터 내 키포인트의 특징정보와 상기 입력이미지데이터로부터 획득한 키포인트의 특징정보 간에 유사도를 하기의 수학식을 통해 The similarity between the feature information of the keypoint in the learning image data stored previously and the feature information of the keypoint obtained from the input image data is obtained through the following equation.

Figure pat00002
Figure pat00002

정의하는 키포인트유사도정의단계를 포함할 수 있다. (상기

Figure pat00003
은, 상기 입력이미지데이터로부터 SIFT 알고리즘을 통해 획득한 복수 개의 키포인트 중
Figure pat00004
번째 키포인트의 인덱스정보를 나타내고, 상기
Figure pat00005
은 기저장된 상기 학습이미지데이터 내 키포인트의 인덱스정보를 나타내며,
Figure pat00006
은 상기 입력이미지데이터로부터 획득한 키포인트의 특징정보이고,
Figure pat00007
은 기저장된 학습이미지데이터 내 키포인트의 특징정보를 나타낸다.) It may include defining keypoint similarity definitions. (remind
Figure pat00003
Is a plurality of key points obtained from the input image data through a SIFT algorithm.
Figure pat00004
The index information of the first key point;
Figure pat00005
Represents index information of a key point in the learning image data previously stored,
Figure pat00006
Is characteristic information of the key point obtained from the input image data,
Figure pat00007
Indicates the feature information of the keypoint in the previously stored learning image data.)

바람직하게는 기저장된 상기 학습이미지데이터 내 키포인트 중 유사도가 가장 높은 특징정보를 갖는 k번째 키포인트에 클래스를 하기의 수학식을 통해 Preferably, a class is assigned to a k-th key point having the highest feature information among the key points in the learning image data stored in advance through the following equation.

Figure pat00008
Figure pat00008

할당하는 클래스할당단계를 포함할 수 있다.

Figure pat00009
는 상기 입력이미지데이터 내 k번째 키포인트이고, 는 Keypoint-pool에 저장되어 있는 학습 데이터에 대한 키포인트이다.)The class assignment step may be included.
Figure pat00009
Is the kth keypoint in the input image data, and is the keypoint for the training data stored in the Keypoint-pool.)

바람직하게는 상기 클래스가 할당된 키포인트 중 가장 많은 클래스가 할당된 키포인트를 하기의 수학식을 통해 연산하여Preferably, the keypoint to which the most class is assigned among the keypoints to which the class is assigned is calculated through the following equation

Figure pat00010
Figure pat00010

상기 키포인트에 대하여 유사성이 높다고 판별하는 유사성판별단계를 포함할 수 있다. (δ()는 크로네커 델타(kronecker delta)함수이고, Ntest는 상기 입력이미지데이터로부터 획득한 키포인트의 총 개수이다.)And a similarity discrimination step of determining that the similarity is high with respect to the key point. (δ () is a kronecker delta function and N test is the total number of keypoints obtained from the input image data.)

특히 상기 키포인트획득단계의 수행 후 상기 키포인트저장단계의 수행 전, 상기 학습이미지데이터와 상기 입력이미지데이터를 복수 개의 세부영역으로 분할하는 세부영역분할단계;를 더 포함할 수 있다. Particularly, after performing the key point obtaining step, and before performing the key point storing step, a subdivision region dividing step may be further configured to divide the learning image data and the input image data into a plurality of subregions.

바람직하게는 상기 학습이미지데이터의 인덱스정보와, 상기 입력이미지데이터 내 키포인트의 인덱스정보 및 상기 입력이미지데이터 내 키포인트가 포함된 세부영역정보를 이용하여 하기의 수학식을 통해Preferably through the following equation by using the index information of the learning image data, the index information of the key point in the input image data and the detailed region information including the key point in the input image data

Figure pat00011
Figure pat00011

상기 학습이미지데이터 내 키포인트의 특징정보를 저장하는 키포인트저장단계를 포함할 수 있다. (이 때, 상기 i는 상기 학습이미지데이터의 인덱스정보를 나타내고, t는 상기 학습이미지데이터와 상기 입력이미지데이터 내 분할된 세부영역정보를 나타내며, j는 상기 입력이미지데이터로부터 상기 SIFT알고리즘을 통해 획득한 키포인트의 인덱스정보를 나타낸다.)The method may include a key point storing step of storing feature information of a key point in the learning image data. (Wherein i represents index information of the learning image data, t represents detailed region information divided in the learning image data and the input image data, and j is obtained from the input image data through the SIFT algorithm). Index information of one key point.)

특히 기저장된 상기 학습이미지데이터 내 키포인트와 상기 입력이미지데이터로부터 획득한 키포인트 간의 최소거리값을 기설정된 기준값과 비교하여, 상기 최소거리값이 상기 기준값보다 큰 경우에 상기 키포인트를 삭제하는 키포인트삭제과정; 을 더 포함하는 유사성판별단계를 포함할 수 있다.
In particular, a key point deletion process of deleting the key point when the minimum distance value is greater than the reference value by comparing a minimum distance value between the key points in the learning image data previously stored and the key point obtained from the input image data; It may include a similarity determination step further comprising.

본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템 및 방법은 학습이미지데이터로부터 획득한 키포인트와 입력이미지데이터로부터 획득한 키포인트 간의 유사도 정의를 통해, 가장 유사도가 높은 키포인트에 클래스를 할당하고, 가장 많은 클래스가 할당된 키포인트에 대하여 유사성이 높다고 판별하여, 상기 키포인트에 클래스를 최종부여한 후, 상기 키포인트 간 매칭을 수행함으로써, 이미지데이터 내 얼굴 인식의 정확성을 높일 수 있다.The keypoint matching system and method using the SIFT algorithm for face recognition of the present invention assigns a class to a keypoint having the highest similarity by defining a similarity between the keypoint obtained from the training image data and the keypoint obtained from the input image data. By determining that many classes have high similarity with respect to the assigned keypoints, and finally assigning a class to the keypoints, matching between the keypoints is performed to increase the accuracy of face recognition in the image data.

또한 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템 및 방법은 상기 학습이미지데이터로부터 키포인트 획득 시 획득한 키포인트의 위치정보를 통해, 상기 키포인트가 얼굴의 어느 영역으로부터 검출되었는지 확인할 수 있어, 키포인트의 유사도 정의 시 이미지데이터 내 사람의 얼굴을 보다 효율적으로 인식할 수 있다.
In addition, the keypoint matching system and method using the SIFT algorithm for face recognition of the present invention can determine from which region of the face the keypoint is detected through the location information of the keypoint obtained when the keypoint is obtained from the learning image data, the keypoint When defining the similarity of, the face of the person in the image data can be recognized more efficiently.

도 1은 본 발명의 한 실시 예에 따른 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템의 블록도이다.
도 2는 본 발명의 한 실시 예에 따른 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템의 클래스 부여 예를 나타낸 도면이다.
도 3은 본 발명의 다른 실시 예에 따른 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법의 순서도이다.
도 4는 본 발명의 또 다른 실시 예에 따른 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법의 순서도이다.
도 5는 본 발명의 또 다른 실시 예에 따른 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법의 순서도이다.
도 6은 본 발명의 또 다른 실시 예에 따른 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법의 순서도이다.
도 7은 본 발명의 키포인트 매칭 방법을 적용한 학습이미지데이터와 입력이미지데이터의 예를 나타낸 도면이다.
도 8은 다양한 종류의 상기 학습이미지데이터와 입력이미지데이터의 예를 나타낸 도면이다.
도 9는 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법을 적용한 실험결과를 나타낸 도면이다.1 is a block diagram of a keypoint matching system using an SIFT algorithm for face recognition according to an embodiment of the present invention.
2 is a diagram illustrating an example of class assignment of a keypoint matching system using an SIFT algorithm for face recognition according to an embodiment of the present invention.
3 is a flowchart illustrating a keypoint matching method using an SIFT algorithm for face recognition according to another embodiment of the present invention.
4 is a flowchart illustrating a keypoint matching method using an SIFT algorithm for face recognition according to another embodiment of the present invention.
5 is a flowchart of a keypoint matching method using an SIFT algorithm for face recognition according to another embodiment of the present invention.
6 is a flowchart of a keypoint matching method using an SIFT algorithm for face recognition according to another embodiment of the present invention.
7 is a diagram illustrating an example of the learning image data and the input image data to which the keypoint matching method of the present invention is applied.
8 is a diagram illustrating examples of various types of the learning image data and the input image data.
9 is a diagram illustrating an experimental result to which a keypoint matching method using the SIFT algorithm for face recognition according to the present invention is applied.

이하, 본 발명을 바람직한 실시 예와 첨부한 도면을 참고로 하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 여기에서 설명하는 실시 예에 한정되는 것은 아니다. Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art may easily implement the present invention. As those skilled in the art would realize, the described embodiments may be modified in various different ways, all without departing from the spirit or scope of the present invention.

이하, 도 1을 참조하여 본 발명의 한 실시 예에 따른 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템을 구체적으로 살펴본다. 도 1은 본 발명의 한 실시 예에 따른 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템의 블록도이다. Hereinafter, a keypoint matching system using an SIFT algorithm for face recognition according to an embodiment of the present invention will be described in detail with reference to FIG. 1. 1 is a block diagram of a keypoint matching system using an SIFT algorithm for face recognition according to an embodiment of the present invention.

도 1에 도시된 바와 같이, 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템(100)은 상기 복수 개의 학습이미지데이터와 입력이미지데이터로부터 복수 개의 키포인트를 각각 검출하고, 검출된 키포인트의 특징정보간에 최소거리를 갖는 키포인트를 검출하여, 검출된 키포인트에 클래스를 부여한 후 상기 클래스가 부여된 키포인트에 기초하여 이미지데이터 내 사람의 얼굴을 인식한다. As shown in FIG. 1, the keypoint matching system 100 using the SIFT algorithm for face recognition according to the present invention detects a plurality of keypoints from the plurality of learning image data and input image data, respectively, and features of the detected keypoints. A keypoint having a minimum distance between the information is detected, a class is assigned to the detected keypoint, and the face of the person in the image data is recognized based on the keypoint to which the class is assigned.

이러한 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템(100)은 입력부(110), 키포인트획득부(130), 키포인트저장부(150), 키포인트유사도정의부(170) 및 제어부(190)를 포함한다. The keypoint matching system 100 using the SIFT algorithm for face recognition according to the present invention includes an input unit 110, a keypoint acquisition unit 130, a keypoint storage unit 150, a keypoint similarity definition unit 170, and a controller 190. It includes.

입력부(110)는 사람의 얼굴에 대하여 눈, 코, 입 등에 대한 기본 형태가 포함된 학습이미지데이터 및 사람의 얼굴에 대하여 눈, 코, 입 등 부분에 대한 변형형태가 포함된 입력이미지데이터를 복수 개 입력 받는다. 이러한 상기 학습이미지데이터는 사람의 얼굴을 표현하는 눈, 코, 입, 귀 등에 대하여 안경, 마스크, 스카프 등을 착용하지 않는 기본형태의 눈, 코, 입, 귀 등이 포함된 이미지를 말한다, 또한, 상기 입력이미지데이터는 상기 학습이미지데이터와 달리, 사람의 얼굴을 표현하는 눈, 코, 입, 귀 등을 안경, 선글라스, 마스크, 스카프, 모자 등을 이용하여 일정부분 이상 가린 상태에서 촬영된 이미지데이터를 말한다. The input unit 110 includes a plurality of learning image data including basic shapes of eyes, noses, mouths, etc. of the human face, and input image data including deformation forms of parts of the eyes, nose, mouth, etc. of the human face. Take input The learning image data refers to an image including eyes, nose, mouth, ears, etc. of a basic form that does not wear glasses, masks, scarves, etc. for eyes, nose, mouth, ears, etc. representing a human face. Unlike the learning image data, the input image data is an image photographed in a state where at least a portion of an eye, a nose, a mouth, and an ear representing a face of a person is covered by using glasses, sunglasses, a mask, a scarf, a hat, and the like. Say data.

키포인트획득부(130)는 상기 입력부(110)를 통해 입력받은 상기 학습이미지데이터와 상기 입력이미지데이터로부터 SIFT(Scale Invariant Feature Transform) 알고리즘을 통해 상기 학습이미지데이터 및 상기 입력이미지데이터로부터 복수 개의 키포인트를 획득한다. 이 때, 사용되는 SIFT알고리즘은 컴퓨터의 비전분야에서 널리 사용되는 알고리즘이므로, 자세한 설명은 생략하기로 한다. The key point acquisition unit 130 obtains a plurality of keypoints from the training image data and the input image data through a scale invariant feature transform (SIFT) algorithm from the training image data and the input image data received through the input unit 110. Acquire. In this case, the SIFT algorithm used is an algorithm widely used in the field of vision of a computer, and thus a detailed description thereof will be omitted.

더불어, 이러한 키포인트획득부(130)는 상기 학습이미지데이터 및 상기 입력이미지데이터에 대하여 상기 학습이미지데이터 및 상기 입력이미지데이터에 포함된 얼굴에 눈, 코, 입, 귀 등을 기준으로 복수 개의 세부영역으로 분할하고, 키포인트 획득 시, 상기 키포인트가 획득된 세부영역의 고유정보인 세부영역정보를 획득한다. In addition, the key point acquisition unit 130 includes a plurality of detailed areas on the face included in the learning image data and the input image data with respect to the learning image data and the input image data, based on eyes, nose, mouth, and ears. When the keypoint is obtained, the detailed area information which is unique information of the detailed area where the keypoint is obtained is obtained.

예를 들어, 상기 학습이미지데이터와 상기 입력이미지데이터에 대하여 상기 이미지에 포함된 눈, 코, 입, 귀를 기준으로 복수 개의 세부영역으로 각각 분할하고, 분할된 세부영역에 대하여, 눈을 포함하여 분할된 세부영역에 '1번'의 고유정보를 할당하고, 코를 포함하여 분할된 세부영역에 '2번'의 고유정보를 할당하며, 이하 입과 귀를 포함하여 분할된 세부영역에 각각 '3번'과 '4번'의 고유정보를 할당한다. For example, the learning image data and the input image data are respectively divided into a plurality of subregions based on eyes, nose, mouth, and ears included in the image, and the divided subregions include eyes. The unique information of '1' is allocated to the divided subregions, the unique information of '2' is allocated to the subdivided subregions including the nose, and the following is divided into the detailed subregions including the mouth and ears. Assign unique information of '3' and '4'.

이에 따라, 상기 키포인트획득부(130)에서 획득한 키포인트가 이미지 내 분할된 세부영역 중 어느 세부영역에서 획득되었는지 확인된다. Accordingly, it is checked whether the key point acquired by the key point acquisition unit 130 is obtained in which detailed area of the divided detailed areas in the image.

키포인트저장부(150)는 상기 키포인트획득부(130)에서 획득한 상기 학습이미지데이터 내 키포인트에 대하여 하기의 수학식 1을 이용하여 특징정보를 저장한다. The key point storage unit 150 stores feature information on the key point in the learning image data acquired by the key point acquisition unit 130 using Equation 1 below.

[수학식 1][Equation 1]

Figure pat00012
Figure pat00012

이러한 특징정보는 상기 키포인트획득부(130)에서 획득된 키포인트가 갖는 픽셀값을 나타내며, 상기 키포인트저장부(150)는 복수 개의 학습이미지데이터에 대하여 특정 학습이미지데이터를 가리키는 인덱스정보와 상기 입력이미지데이터 내 복수 개의 키포인트 중 특정 키포인트를 가리키는 인덱스정보를 저장하고, 상기 인덱스정보들을 이용하여, 상기 학습이미지데이터 내 키포인트에 대한 특징정보를 저장한다.  The feature information indicates a pixel value of the keypoint acquired by the keypoint acquisition unit 130, and the keypoint storage unit 150 indicates index information indicating specific learning image data with respect to a plurality of learning image data and the input image data. Index information indicating a specific key point among a plurality of key points is stored, and feature information about a key point in the learning image data is stored using the index information.

키포인트유사도정의부(170)는 상기 키포인트저장부(150)에 저장된 학습이미지데이터 내 키포인트의 특징정보와 상기 입력이미지데이터로부터 획득한 키포인트의 특징정보 간에 유사도를 하기의 수학식 2를 이용하여 정의한다. The key point similarity definition unit 170 defines the similarity between the feature information of the key point in the learning image data stored in the key point storage unit 150 and the feature information of the key point obtained from the input image data using Equation 2 below. .

[수학식 2][Equation 2]

Figure pat00013
Figure pat00013

이러한 키포인트유사도정의부(170)는 상기 학습이미지데이터 내 키포인트와 상기 입력이미지데이터 내 키포인트 간의 거리를 연산하여, 가장 가까운 거리를 갖는 키포인트에 대하여, 가장 유사한 특징정보를 갖는다고 판단하여 가장 높은 유사도를 정의한다. The key point similarity definition unit 170 calculates the distance between the key point in the learning image data and the key point in the input image data, and determines that the key point having the closest distance has the most similar feature information, thereby obtaining the highest similarity. define.

제어부(190)는 상기 키포인트유사도정의부(170)로부터 정의된 유사도에 기초하여, 가장 높은 유사도가 정의된 키포인트에 클래스를 할당하고, 상기 클래스가 가장 많이 할당된 키포인트의 유사성을 판별하여 상기 키포인트에 클래스를 최종부여한 후, 키포인트 매칭을 수행한다. Based on the similarity defined by the key point similarity definition unit 170, the controller 190 assigns a class to a key point in which the highest similarity is defined, and determines the similarity of the key point to which the class is most assigned to the key point. After finalizing the class, keypoint matching is performed.

이하, 도 2를 이용하여 본 발명의 얼굴 인식 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템의 제어부에서의 클래스를 부여하는 예에 대하여 자세히 살펴보도록 한다.Hereinafter, an example of assigning a class in a controller of a keypoint matching system using the SIFT algorithm for face recognition according to the present invention will be described in detail with reference to FIG. 2.

도 2는 본 발명의 한 실시 예에 따른 얼굴 인식 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템 중 제어부의 클래스 부여 예를 나타낸 도면이다. 2 is a diagram illustrating an example of class assignment of a controller in a keypoint matching system using an SIFT algorithm for face recognition according to an embodiment of the present invention.

도 2에 도시된 바와 같이, 제어부(190)는 복수 개의 학습이미지데이터로부터 획득된 복수 개의 키포인트들과 입력이미지데이터에서 획득된 복수 개의 키 포인트들 사이에 유사도를 판별함으로써, 상기 입력이미지데이터에 나타난 얼굴을 인식하여 판별한다. As shown in FIG. 2, the controller 190 determines the similarity between the plurality of keypoints obtained from the plurality of learning image data and the plurality of keypoints obtained from the input image data, thereby displaying the same in the input image data. Recognize and discriminate face.

따라서 이러한 제어부(190)는 클래스할당모듈(191), 유사성판별모듈(193), 클래스최종부여모듈(195) 및 키포인트삭제모듈(197)을 포함한다. Accordingly, the controller 190 includes a class assignment module 191, a similarity determination module 193, a class final grant module 195, and a keypoint deletion module 197.

클래스할당모듈(191)은 상기 입력이미지데이터로부터 획득한 복수 개의 키포인트들과 및 복수 개의 상기 학습이미지데이터로부터 획득한 복수 개의 키포인트들을 이용하여, 상기 입력이미지데이터로부터 획득한 복수 개의 키포인트에 하기의 수학식 3을 이용하여 클래스를 할당한다. The class assignment module 191 uses a plurality of keypoints obtained from the input image data and a plurality of keypoints obtained from the plurality of learning image data, and assigns the following mathematical expressions to the plurality of keypoints obtained from the input image data. Assign the class using Equation 3.

[수학식 3]&Quot; (3) "

Figure pat00014
Figure pat00014

유사성판별모듈(193)은 상기 클래스가 할당된 키포인트 중 가장 많은 클래스가 할당된 키포인트에 대하여 하기의 수학식 4를 통해 상기 학습이미지데이터와 상기 입력이미지데이터 간에 유사성이 높다고 판별한다. The similarity determination module 193 determines that the similarity between the learning image data and the input image data is high through Equation 4 below with respect to the key point to which the most class is assigned among the key points to which the class is assigned.

[수학식 4]&Quot; (4) "

Figure pat00015
Figure pat00015

클래스최종부여모듈(195)은 상기 유사성판별모듈(193)이 유사성이 높다고 판단한 키포인트에 상기 클래스를 최종부여한다. The class final grant module 195 finally grants the class to a key point determined by the similarity determination module 193 to have high similarity.

키포인트매칭모듈(197)은 상기 학습이지미데이터와 상기 입력이미지데이터로부터 획득된 키포인트 중 클래스가 최종부여된 키포인트 간에 매칭을 수행한다.The key point matching module 197 performs a matching between the key point to which the class is finally given among the key points obtained from the learning image data and the input image data.

키포인트삭제모듈(199)은 상기 키포인트저장부(150)에 저장된 상기 학습이미지데이터 내 키포인트와 상기 입력이미지데이터로부터 획득한 키포인트 간의 최소거리값을 기설정된 기준값과 비교하여, 상기 최소거리값이 상기 기준값보다 큰 경우에 해당하는 키포인트를 삭제한다. 따라서, 유사도 판별에 기준이 되는 키포인트의 정확성을 높인다. The keypoint deletion module 199 compares the minimum distance value between the keypoint in the learning image data stored in the keypoint storage unit 150 and the keypoint obtained from the input image data with a preset reference value, whereby the minimum distance value is the reference value. Delete the keypoint corresponding to the larger case. Therefore, the accuracy of the key point which is a criterion for similarity determination is raised.

이하, 도 3 내지 도 6을 참조하여 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법에 대하여 자세히 살펴보도록 한다. 도 3은 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법의 순서도이고, 도 4 내지 도 6은 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법 중 제 1실시 예 내지 제3실시 예의 순서도이다. Hereinafter, the keypoint matching method using the SIFT algorithm for face recognition according to the present invention will be described in detail with reference to FIGS. 3 to 6. 3 is a flowchart of a keypoint matching method using a SIFT algorithm for face recognition according to the present invention, and FIGS. 4 to 6 are first to third embodiments of keypoint matching methods using a SIFT algorithm for face recognition according to the present invention. Example flow chart.

제1실시예First embodiment

사람의 얼굴형태가 포함된 복수 개의 학습이미지데이터와 입력이미지데이터를 입력받는다(S210).A plurality of learning image data and input image data including a human face form are received (S210).

사람의 얼굴에 대하여 눈, 코, 입, 귀 등에 대한 기본 형태가 포함된 학습이미지데이터 및 사람의 얼굴에 대하여 눈, 코, 입, 귀 등 부분에 대한 변형형태가 포함된 입력이미지데이터를 복수 개 입력 받는다. 이러한 상기 학습이미지데이터는 사람의 얼굴을 표현하는 눈, 코, 입, 귀 등에 대하여 안경, 마스크, 스카프 등을 착용하지 않는 기본형태의 눈, 코, 입, 귀 등이 포함된 이미지를 말한다, 또한, 상기 입력이미지데이터는 상기 학습이미지데이터와 달리, 사람의 얼굴을 표현하는 눈, 코, 입, 귀 등을 안경, 선글라스, 마스크, 스카프, 모자를 이용하여 일정부분 이상 가린 상태에서 촬영된 이미지를 말한다. A plurality of learning image data including basic shapes of eyes, noses, mouths, ears, etc. for the human face and a plurality of input image data including deformation shapes of eyes, nose, mouth, ears, etc., for the human face. Take input. The learning image data refers to an image including eyes, nose, mouth, ears, etc. of a basic form that does not wear glasses, masks, scarves, etc. for eyes, nose, mouth, ears, etc. representing a human face. Unlike the learning image data, the input image data is an image of the eye, nose, mouth, ear, etc. representing the face of the person, which is covered with a predetermined portion or more by using glasses, sunglasses, a mask, a scarf, and a hat. Say.

이와 같이, 입력받는 상기 학습이미지데이터와 상기 입력이미지데이터의 각각에 대하여 SIFT알고리즘을 통해 복수 개의 키포인트를 획득한다(S220). In this way, a plurality of keypoints are obtained for each of the received learning image data and the input image data through a SIFT algorithm (S220).

상기 학습이미지데이터로부터 획득한 키포인트의 특징정보를 저장한다(S230). 복수 개의 상기 학습이미지데이터의 인덱스정보와 상기 입력이미지데이터 내 키포인트의 인덱스정보를 하기의 수학식 1을 통해 상기 학습이미지 내 키포인트의 특징정보를 저장한다. The feature information of the keypoint obtained from the learning image data is stored (S230). The index information of the plurality of learning image data and the index information of the key point in the input image data is stored through the following equation 1 to store the characteristic information of the key point in the learning image.

[수학식 1][Equation 1]

Figure pat00016
Figure pat00016

이 때, 상기 i는 상기 학습이미지데이터의 인덱스정보를 나타내고, j는 상기 입력이미지데이터로부터 상기 SIFT알고리즘을 통해 획득한 키포인트의 인덱스정보를 나타낸다. In this case, i denotes index information of the training image data, and j denotes index information of key points obtained from the input image data through the SIFT algorithm.

기저장된 상기 학습이미지데이터 내 키포인트의 특징정보와, 상기 입력이미지데이터 내 키포인트의 특징정보 간에 유사도를 정의한다(S240). Similarity is defined between the feature information of the keypoint in the learning image data previously stored and the feature information of the keypoint in the input image data (S240).

상기 수학식 1을 통해 저장된 상기 학습이미지데이터 내 키포인트의 특징정보를 이용하여 상기 학습이미지데이터 내 키포인트와 상기 입력이미지데이터 내 키포인트 간의 거리를 하기의 수학식 2를 통해 연산하고, 가장 가까운 거리를 갖는 키포인트에 대하여, 가장 유사한 특징정보를 갖는다고 판단하여, 가장 높은 유사도를 정의한다. The distance between the key point in the learning image data and the key point in the input image data is calculated using Equation 2 below using the feature information of the key point in the learning image data stored through Equation 1, and has the closest distance. For the keypoint, it is determined to have the most similar feature information, and the highest similarity is defined.

[수학식 2] [Equation 2]

Figure pat00017
Figure pat00017

이 때, 상기 은, 상기 입력이미지데이터로부터 SIFT 알고리즘을 통해 획득한 복수 개의 키포인트 중 번째 키포인트의 인덱스정보를 나타내고, 상기 은 기저장된 상기 학습이미지데이터 내 키포인트의 인덱스정보를 나타내며, )은 상기 입력이미지데이터로부터 획득한 키포인트의 특징정보이고, 은 기저장된 학습이미지데이터 내 키포인트의 특징정보를 나타낸다.In this case, represents the index information of the second key point of the plurality of key points obtained from the input image data through the SIFT algorithm, the represents the index information of the key point in the previously stored learning image data,) is the input image Characteristic information of the keypoint obtained from the data, and represents the characteristic information of the keypoint in the previously stored learning image data.

가장 높은 유사도가 정의된 특징정보를 갖는 키포인트에 클래스를 할당한다(S250). 앞서 수학식 2를 통해 가장 높은 유사도가 정의된 키포인트에 대하여 클래스를 하기의 수학식 3을 이용하여 할당한다. The class is assigned to the keypoint having the characteristic information with the highest similarity defined (S250). Prior to Equation 2, a class is assigned to a key point whose highest similarity is defined using Equation 3 below.

[수학식 3]&Quot; (3) "

Figure pat00018
Figure pat00018

이 때, 는 상기 입력이미지데이터 내 k번째 키포인트이다.Is the k-th keypoint in the input image data.

이와 같이, 상기 수학식 3을 통해 클래스가 할당된 키포인트 중 가장 많은 클래스가 할당된 키포인트를 하기의 수학식 4를 통해 연산하여 검출함으로써, 상기 학습이미지데이터와 상기 입력이미지데이터가 유사하다고 판별한다(S260). As described above, by calculating and detecting the keypoint to which the most class is assigned among the keypoints to which the class is assigned through Equation 3 through Equation 4 below, it is determined that the learning image data and the input image data are similar ( S260).

[수학식 4]&Quot; (4) "

Figure pat00019
Figure pat00019

이 때, δ()는 크로네커 델타(kronecker delta)함수이고, Ntest는 상기 입력이미지데이터로부터 획득한 키포인트의 총 개수이다.In this case, δ () is a kronecker delta function and N test is the total number of key points obtained from the input image data.

이에 따라, 상기 수학식 4를 통해 검출되어, 클래스가 가장 많이 할당된 키포인트에 대하여 유사성이 높다고 판별한다(S260). Accordingly, it is detected through Equation 4, and it is determined that the similarity is high with respect to the key point to which the class is most assigned (S260).

이 후, 상기 유사성이 판별된 키포인트에 클래스를 최종 부여하여 이미지데이터 내 얼굴을 인식한다(S270).Subsequently, a class is finally assigned to the key point of which the similarity is determined to recognize a face in the image data (S270).

제2실시예Second embodiment

이하, 도 5를 참조하여, 본 발명의 키포인트 매칭 방법 중 제2실시예에 대하여 설명하기로 한다. 상기 제2실시예는 앞서 도 4를 통해 설명한 제1실시예의 키포인트 매칭 방법과 유사하며, 이하에서는 상기 제1실시예 부분과 다른 부분에 대해서만 기재하기로 한다. Hereinafter, a second embodiment of a keypoint matching method of the present invention will be described with reference to FIG. 5. The second embodiment is similar to the keypoint matching method of the first embodiment described with reference to FIG. 4, and only the parts different from the first embodiment will be described below.

도 5에 도시된 바와 같이, 얼굴이 포함된 학습이미지데이터와 입력이미지데이터에 대하여 눈, 코, 입 부분을 중심으로 복수 개의 세부영역을 분할한다. 이와 같이 세부영역이 분할된 학습이미지데이터로부터 SIFT알고리즘을 통해 복수 개의 키포인트를 획득하고, 획득한 키포인트가 상기 학습이미지데이터 내 어느 세부영역으로부터 획득되었는지 확인할 수 있도록 각각의 세부영역에 대한 고유정보인 세부영역정보를 상기 키포인트와 함께 하기의 수학식 5를 이용하여 저장한다. As illustrated in FIG. 5, a plurality of detailed areas are divided based on eyes, nose, and mouth with respect to the learning image data and the input image data including a face. As described above, a plurality of keypoints are obtained from the learning image data obtained by dividing the detailed region through the SIFT algorithm, and the detailed information, which is unique information about each detail region, can be identified from which detailed region in the learning image data. Area information is stored together with the key point by using Equation 5 below.

[수학식 5][Equation 5]

Figure pat00020
Figure pat00020

상기 수학식 5에서, i는 상기 학습이미지데이터의 인덱스정보를 나타내고, t는 상기 학습이미지데이터와 상기 입력이미지데이터 내 분할된 세부영역정보를 나타내며, j는 상기 입력이미지데이터로부터 상기 SIFT알고리즘을 통해 획득한 키포인트의 인덱스정보를 나타낸다. In Equation 5, i represents index information of the learning image data, t represents detailed region information divided in the learning image data and the input image data, and j represents the SIFT algorithm from the input image data. Indicates index information of the acquired key point.

이에 따라, 상기 학습이미지데이터 내 동일한 세부영역정보를 갖는 키포인트 중 가장 유사한 특징정보를 갖는 키포인트에 대하여 가장 높은 유사도를 정의하고, 이 때의 키포인트에 클래스를 할당한다. Accordingly, the highest similarity is defined for keypoints having the most similar feature information among keypoints having the same detailed region information in the learning image data, and a class is assigned to the keypoint at this time.

상기 클래스가 가장 많이 할당된 키포인트에 대하여 유사성이 높다고 판별하여 클래스를 최종부여하고, 최종부여된 클래스를 갖는 키포인트간 매칭을 수행한다. The class is finally determined by determining that the class has the highest similarity with respect to the keypoint most assigned, and matching between the keypoints having the class is finally performed.

제3실시예Third embodiment

이하, 도 6을 참조하여, 본 발명의 키포인트 매칭 방법 중 제3실시예에 대하여 설명하기로 한다. 상기 제3실시예는 앞서 도 5를 통해 설명한 제2실시예와 유사하며, 이하에서는 상기 제2실시예와 다른 부분에 대해서만 설명하기로 한다. Hereinafter, a third embodiment of a keypoint matching method of the present invention will be described with reference to FIG. 6. The third embodiment is similar to the second embodiment described with reference to FIG. 5, and only a portion different from the second embodiment will be described below.

얼굴이 포함된 학습이미지데이터에 대하여 SIFT알고리즘을 통해 키포인트를 획득하고, 상기 학습이미지데이터를 눈, 코, 입, 귀 등을 중심으로 복수 개의 세부영역으로 분할하고, 획득한 키포인트와 상기 키포인트가 획득된 세부영역의 고유정보인 세부영역정보를 함께 저장한 후, 유사도정의를 통해 클래스를 상기 키포인트에 할당한다. Acquire keypoints through the SIFT algorithm on the learning image data including the face, divide the learning image data into a plurality of detail areas centering on the eyes, nose, mouth, ear, etc., and acquire the acquired keypoint and the keypoint. After storing detailed region information, which is unique information of the detailed region, the class is assigned to the keypoint through similarity definition.

이 후, 도 7에 도시된 바와 같이, 상기 입력이미지데이터(좌) 내 키포인트(흰색 픽셀부분)와 상기 학습이미지데이터(우)으로부터 획득한 키포인트(흰색 픽셀부분) 간에 최소거리값을 측정하고, 측정한 최소거리값을 기설정된 기준값과 비교한다. 이 때, 상기 최소거리값이 상기 기설정된 기준값보다 큰 경우에는 해당 키포인트는 이미지 내 얼굴인식을 위해 필요하지 않는 키포인트로 판단하여, 해당 키포인트를 유사성 판별 시 고려하지 않도록 삭제한다. Subsequently, as shown in FIG. 7, a minimum distance value is measured between the key point (white pixel portion) in the input image data (left) and the key point (white pixel portion) obtained from the learning image data (right), The measured minimum distance value is compared with the preset reference value. In this case, when the minimum distance value is larger than the predetermined reference value, the corresponding key point is determined as a key point that is not necessary for face recognition in the image, and the key point is deleted so as not to be considered when determining similarity.

따라서, 이미지 내 얼굴 인식을 위해 사용되는 복수 개의 키포인트에 있어서, 얼굴인식과 상관없는 모자, 스카프 등에 의해 가려지는 비유용한 키포인트를 클래스를 부여하는 키포인트로부터 제외시킴으로써, 얼굴인식의 정확성을 높일 수 있다. Therefore, in the plurality of keypoints used for face recognition in the image, the face recognition accuracy can be improved by excluding useful keypoints that are hidden by hats, scarves, etc., which are not related to face recognition, from keypoints to which a class is assigned.

또한 도 8에 도시된 바와 같이, 본 발명에 사용되는 학습이미지데이터 및 입력이미지데이터는 얼굴의 다양한 표정변화를 포함하거나 선글라스 및 스카프 착용의 유무 등을 포함하여, 다양한 입력이미지데이터로부터 유사성여부를 판별할 수 있다. In addition, as shown in Figure 8, the learning image data and the input image data used in the present invention includes a variety of facial expression changes, including the presence or absence of wearing sunglasses and scarves, and determine the similarity from the various input image data can do.

도 9는 종래기술과 본 발명의 다양한 실시예를 이용하여 학습이미지데이터와 입력이미지데이터간에 유사성을 판별하는 실험결과를 나타낸 도표이다.9 is a diagram illustrating an experiment result of determining similarity between the learning image data and the input image data by using the prior art and various embodiments of the present invention.

도 9에 도시된 바와 같이, 종래기술을 이용한 실험결과인 학습이미지데이터와 테스트이미지영산 간에 유사성판별 확률(75%, 64%)보다 본 발명의 제1실시예와 제2실시예 및 제3실시예의 유사성판별확률이 실험 1과 실험 2에서 모두 현저히 높은 것을 알 수 있다. As shown in FIG. 9, the first, second and third embodiments of the present invention are better than the similarity discrimination probability (75%, 64%) between the training image data and the test image calculation, which are experimental results using the prior art. The similarity discrimination probability of the example is remarkably high in both Experiment 1 and Experiment 2.

본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템 및 방법은 학습이미지데이터로부터 획득한 키포인트와 입력이미지데이터로부터 획득한 키포인트 간의 유사도 정의를 통해, 가장 유사도가 높은 키포인트에 클래스를 할당하고, 가장 많은 클래스가 할당된 키포인트에 대하여 유사성이 높다고 판별하여, 상기 키포인트에 클래스를 최종부여한 후, 상기 키포인트 간 매칭을 수행함으로써, 이미지데이터 내 얼굴 인식의 정확성을 높일 수 있다.The keypoint matching system and method using the SIFT algorithm for face recognition of the present invention assigns a class to a keypoint having the highest similarity by defining a similarity between the keypoint obtained from the training image data and the keypoint obtained from the input image data. By determining that many classes have high similarity with respect to the assigned keypoints, and finally assigning a class to the keypoints, matching between the keypoints is performed to increase the accuracy of face recognition in the image data.

또한 본 발명의 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템 및 방법은 상기 학습이미지데이터로부터 키포인트 획득 시 획득한 키포인트의 위치정보를 통해, 상기 키포인트가 얼굴의 어느 영역으로부터 검출되었는지 확인할 수 있어, 키포인트의 유사도 정의 시 이미지데이터 내 사람의 얼굴을 보다 효율적으로 인식할 수 있다. In addition, the keypoint matching system and method using the SIFT algorithm for face recognition of the present invention can determine from which region of the face the keypoint is detected through the location information of the keypoint obtained when the keypoint is obtained from the learning image data, the keypoint When defining the similarity of, the face of the person in the image data can be recognized more efficiently.

상기에서는 본 발명의 바람직한 실시 예에 대하여 설명하였지만, 본 발명은 이에 한정되는 것이 아니고 본 발명의 기술 사상 범위 내에서 여러 가지로 변형하여 실시하는 것이 가능하고 이 또한 첨부된 특허청구범위에 속하는 것은 당연하다.
While the present invention has been described in connection with what is presently considered to be practical exemplary embodiments, it is to be understood that the invention is not limited to the disclosed embodiments, but, on the contrary, Do.

110: 입력부 130: 키포인트획득부
150: 키포인트저장부 170: 키포인트유사도정의부
190: 제어부110: input unit 130: key point acquisition unit
150: key point storage unit 170: key point similarity definition unit
190:

Claims (15)

복수 개의 학습이미지데이터와 입력이미지데이터로부터 복수 개의 키포인트를 각각 검출하고, 검출된 키포인트의 특징정보간에 최소거리를 갖는 키포인트를 검출하여, 검출된 키포인트에 클래스를 할당한 후 상기 클래스가 할당된 키포인트에 기초하여 상기 키포인트간 매칭을 수행하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템.
A plurality of keypoints are respectively detected from the plurality of learning image data and the input image data, a keypoint having a minimum distance between feature information of the detected keypoint is detected, a class is assigned to the detected keypoint, and the class is assigned to the assigned keypoint. A keypoint matching system using a SIFT algorithm for face recognition based on the matching between the keypoint.
제1항에 있어서,
사람의 얼굴에 대한 기본 형태가 포함된 학습이미지데이터와 사람의 얼굴에 대한 변형 형태가 포함된 입력이미지데이터를 복수 개 입력받는 입력부;
입력받은 상기 학습이미지데이터와 상기 입력이미지데이터로부터 SIFT(Scale Invariant Feature Transform) 알고리즘을 통해 상기 학습이미지데이터 및 상기 입력이미지데이터 내 복수 개의 키포인트를 획득하는 키포인트획득부;
상기 학습이미지데이터 내 키포인트의 특징정보를 저장하는 키포인트저장부;
상기 키포인트저장부에 저장된 상기 학습이미지데이터 내 키포인트의 특징정보와 상기 입력이미지데이터로부터 획득한 키포인트의 특징정보 간에 유사도를 정의하는 키포인트유사도정의부;
정의된 유사도에 기초하여, 상기 유사도가 가장 높은 특징정보를 갖는 키포인트에 키포인트를 할당 및 최종부여하여 상기 학습이미지데이터와 상기 입력이미지데이터의 키포인트 간의 매칭을 수행하는 제어부;
를 포함하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템.
The method of claim 1,
An input unit configured to receive a plurality of input image data including a deformation form of a human face and a learning image data including a basic shape of a person's face;
A key point acquisition unit for acquiring a plurality of keypoints in the training image data and the input image data through a scale invariant feature transform (SIFT) algorithm from the received training image data and the input image data;
A key point storage unit for storing feature information of key points in the learning image data;
A key point similarity definition unit that defines a similarity between the feature information of the key point in the learning image data stored in the key point storage unit and the feature information of the key point obtained from the input image data;
A controller for performing matching between the learning image data and the key point of the input image data by allocating and finally granting a key point to a key point having the feature information having the highest similarity based on the defined similarity;
Keypoint matching system using the SIFT algorithm for face recognition comprising a.
제2항에 있어서,
상기 키포인트저장부는
상기 학습이미지데이터의 인덱스정보와 상기 입력이미지데이터 내 키포인트의 인덱스정보를 이용하여 상기 학습이미지데이터 내 키포인트의 특징정보를 저장하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템.
The method of claim 2,
The key point storage unit
Keypoint matching system using the SIFT algorithm for face recognition, characterized in that for storing the characteristic information of the keypoint in the learning image data using the index information of the learning image data and the index information of the keypoint in the input image data.
제3항에 있어서,
상기 제어부는
상기 학습이미지데이터 내 유사도가 가장 높은 특징정보를 갖는 키포인트에 클래스를 할당하는 클래스할당모듈;
상기 클래스가 가장 할당 부여된 키포인트에 대하여 유사성이 높다고 판별하는 유사성판별모듈;
상기 유사성이 높다고 판별한 키포인트에 대하여 클래스를 최종 부여하는 클래스최종부여모듈;
을 포함하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템.
The method of claim 3,
The control unit
A class assignment module for allocating classes to keypoints having feature information with the highest similarity in the learning image data;
A similarity discrimination module for determining that the class has high similarity with respect to the keypoint most assigned to the class;
A class final grant module for finally assigning a class to a key point determined to have high similarity;
Keypoint matching system using the SIFT algorithm for face recognition comprising a.
제2항에 있어서,
상기 키포인트획득부는
상기 학습이미지데이터 및 상기 입력이미지데이터를 복수 개의 세부영역으로 분할하고, 상기 키포인트 획득 시, 획득된 키포인트를 포함하는 세부영역의 고유정보인 세부영역정보를 획득하는 세부영역분할모듈;
을 더 포함하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템.
The method of claim 2,
The key point acquisition unit
A detail region partitioning module for dividing the learning image data and the input image data into a plurality of detail regions, and obtaining detail region information which is unique information of a detail region including the obtained key points when the key point is obtained;
Keypoint matching system using the SIFT algorithm for face recognition further comprising a.
제5항에 있어서,
상기 키포인트저장부는
상기 학습이미지데이터 내 복수 개의 키포인트에 대한 인덱스정보와 특징정보 및 상기 키포인트를 포함하는 세부영역정보를 저장하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템.
The method of claim 5,
The key point storage unit
And index information, feature information, and detailed area information including the key points of the plurality of key points in the learning image data.
제6항에 있어서,
상기 제어부는
상기 키포인트저장부에 저장된 상기 학습이미지데이터 내 키포인트와 상기 입력이미지데이터로부터 획득한 키포인트 간의 최소거리값을 기설정된 기준값과 비교하여, 상기 최소거리값이 상기 기준값보다 큰 경우에 상기 키포인트를 삭제하는 키포인트삭제모듈;
을 더 포함하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 시스템.
The method of claim 6,
The control unit
A key point for deleting the key point when the minimum distance value is greater than the reference value by comparing a minimum distance value between the key point in the learning image data stored in the key point storage unit and the key point obtained from the input image data with a preset reference value. Delete module;
Keypoint matching system using the SIFT algorithm for face recognition further comprising a.
사람의 얼굴에 대한 기본 형태가 포함된 학습이미지데이터와 사람의 얼굴에 대한 변형형태가 포함된 입력이미지데이터가 복수 개 입력되는 이미지입력단계;
입력받은 상기 학습이미지데이터와 상기 입력이미지데이터에 대하여 SIFT알고리즘(Scale Invariant Feature Trasnsform)을 통해 상기 학습이미지데이터와 상기 입력이미지데이터 내 복수 개의 키포인트를 획득하는 키포인트획득단계;
상기 학습이미지데이터 내 키포인트의 특징정보를 저장하는 키포인트저장단계;
기저장된 학습이미지데이터 내 키포인트의 특징정보와 상기 입력이미지데이터로부터 획득한 키포인트의 특징정보 간에 유사도를 정의하는 키포인트유사도정의단계;
정의된 유사도에 기초하여, 유사도가 가장 높은 특징정보를 갖는 키포인트에 클래스를 할당하는 클래스할당단계;
상기 클래스가 가장 많이 할당된 키포인트에 대하여 유사성이 높다고 판별하는 유사성판별단계;
상기 유사성이 판별된 키포인트에 대하여 상기 클래스를 최종 부여하는 클래스최종부여단계;
를 포함하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법.
An image input step of inputting a plurality of learning image data including a basic form of a human face and input image data including a deformation form of a human face;
A key point acquiring step of acquiring a plurality of keypoints in the learning image data and the input image data through a scale invariant feature trasnsform (SIFT) algorithm with respect to the input training image data and the input image data;
A key point storing step of storing feature information of a key point in the learning image data;
A key point similarity definition step of defining similarity between feature information of key points in previously stored learning image data and feature information of key points obtained from the input image data;
A class assignment step of allocating a class to a keypoint having feature information with the highest similarity based on the defined similarity;
A similarity discrimination step of determining that the similarity is high with respect to the keypoint to which the class is assigned the most;
A class final granting step of finally granting the class to a key point whose similarity is determined;
Keypoint matching method using a SIFT algorithm for face recognition comprising a.
제8항에 있어서,
상기 키포인트저장단계는
상기 학습이미지데이터의 인덱스정보와 상기 입력이미지데이터 내 키포인트의 인덱스정보를 이용하여 하기의 수학식을 통해
Figure pat00021

상기 학습이미지데이터 내 키포인트의 특징정보를 저장하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법.
(이 때, 상기 i는 상기 학습이미지데이터의 인덱스정보를 나타내고, j는 상기 입력이미지데이터로부터 상기 SIFT알고리즘을 통해 획득한 키포인트의 인덱스정보를 나타낸다.)
The method of claim 8,
The key point storage step
By using the index information of the learning image data and the index information of the key point in the input image data through the following equation
Figure pat00021

Keypoint matching method using the SIFT algorithm for face recognition, characterized in that for storing the feature information of the keypoint in the learning image data.
(In this case, i denotes index information of the learning image data, and j denotes index information of key points obtained from the input image data through the SIFT algorithm.)
제8항에 있어서,
상기 키포인트유사도정의단계는
기저장된 상기 학습이미지데이터 내 키포인트의 특징정보와 상기 입력이미지데이터로부터 획득한 키포인트의 특징정보 간에 유사도를 하기의 수학식을 통해
Figure pat00022

정의하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법.
(상기
Figure pat00023
은, 상기 입력이미지데이터로부터 SIFT 알고리즘을 통해 획득한 복수 개의 키포인트 중
Figure pat00024
번째 키포인트의 인덱스정보를 나타내고, 상기
Figure pat00025
은 기저장된 상기 학습이미지데이터 내 키포인트의 인덱스정보를 나타내며,
Figure pat00026
은 상기 입력이미지데이터로부터 획득한 키포인트의 특징정보이고,
Figure pat00027
은 기저장된 학습이미지데이터 내 키포인트의 특징정보를 나타낸다.)
The method of claim 8,
The key point similarity definition step is
The similarity between the feature information of the keypoint in the learning image data stored previously and the feature information of the keypoint obtained from the input image data is obtained through the following equation.
Figure pat00022

Keypoint matching method using a SIFT algorithm for face recognition characterized in that it defines.
(remind
Figure pat00023
Is a plurality of key points obtained from the input image data through a SIFT algorithm.
Figure pat00024
The index information of the first key point;
Figure pat00025
Represents index information of a key point in the learning image data previously stored,
Figure pat00026
Is characteristic information of the key point obtained from the input image data,
Figure pat00027
Indicates the feature information of the keypoint in the previously stored learning image data.)
제8항에 있어서,
상기 클래스할당단계는
기저장된 상기 학습이미지데이터 내 키포인트 중 유사도가 가장 높은 특징정보를 갖는 k번째 키포인트에 클래스를 하기의 수학식을 통해
Figure pat00028

할당하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법.
(
Figure pat00029
는 상기 입력이미지데이터 내
Figure pat00030
번째 키포인트이고,
Figure pat00031
는 Keypoint-pool에 저장되어 있는 학습 데이터에 대한 키포인트이다.)
The method of claim 8,
The class assignment step
Through the following equation, a class is assigned to a kth keypoint having the highest feature information among the keypoints in the learning image data previously stored.
Figure pat00028

Keypoint matching method using SIFT algorithm for face recognition, characterized in that the assignment.
(
Figure pat00029
Is in the input image data
Figure pat00030
Second keypoint,
Figure pat00031
Is the keypoint for the training data stored in the keypoint-pool.)
제11항에 있어서,
상기 유사성판별단계는
상기 클래스가 할당된 키포인트 중 가장 많은 클래스가 할당된 키포인트를 하기의 수학식을 통해 연산하여
Figure pat00032

상기 키포인트에 대하여 유사성이 높다고 판별하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법.
(δ()는 크로네커 델타(kronecker delta)함수이고, Ntest는 상기 입력이미지데이터로부터 획득한 키포인트의 총 개수이다.)
The method of claim 11,
The similarity determining step
The keypoint to which the most class is assigned among the keypoints to which the class is assigned is calculated through the following equation.
Figure pat00032

And a keypoint matching method using a SIFT algorithm for face recognition, characterized in that the similarity is determined with respect to the keypoint.
(δ () is a kronecker delta function and N test is the total number of keypoints obtained from the input image data.)
제8항에 있어서,
상기 키포인트획득단계의 수행 후 상기 키포인트저장단계의 수행 전,
상기 학습이미지데이터와 상기 입력이미지데이터를 복수 개의 세부영역으로 분할하는 세부영역분할단계;
를 더 포함하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법.
The method of claim 8,
After performing the key point obtaining step, before performing the key point storing step,
A detailed region division step of dividing the learning image data and the input image data into a plurality of detailed regions;
Keypoint matching method using a SIFT algorithm for face recognition further comprising a.
제13항에 있어서,
상기 키포인트저장단계는
상기 학습이미지데이터의 인덱스정보와, 상기 입력이미지데이터 내 키포인트의 인덱스정보 및 상기 입력이미지데이터 내 키포인트가 포함된 세부영역정보를 이용하여 하기의 수학식을 통해
Figure pat00033

상기 학습이미지데이터 내 키포인트의 특징정보를 저장하는 것을 특징으로 하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법.
(이 때, 상기 i는 상기 학습이미지데이터의 인덱스정보를 나타내고, t는 상기 학습이미지데이터와 상기 입력이미지데이터 내 분할된 세부영역정보를 나타내며, j는 상기 입력이미지데이터로부터 상기 SIFT알고리즘을 통해 획득한 키포인트의 인덱스정보를 나타낸다.)
The method of claim 13,
The key point storage step
By using the index information of the learning image data, the index information of the key point in the input image data and the detailed area information including the key point in the input image data through the following equation
Figure pat00033

Keypoint matching method using the SIFT algorithm for face recognition, characterized in that for storing the feature information of the keypoint in the learning image data.
(Wherein i represents index information of the learning image data, t represents detailed region information divided in the learning image data and the input image data, and j is obtained from the input image data through the SIFT algorithm). Index information of one key point.)
제12항에 있어서,
상기 유사성판별단계는
기저장된 상기 학습이미지데이터 내 키포인트와 상기 입력이미지데이터로부터 획득한 키포인트 간의 최소거리값을 기설정된 기준값과 비교하여, 상기 최소거리값이 상기 기준값보다 큰 경우에 상기 키포인트를 삭제하는 키포인트삭제과정;
을 더 포함하는 얼굴 인식을 위한 SIFT 알고리즘을 이용한 키포인트 매칭 방법.
The method of claim 12,
The similarity determining step
A key point deleting step of deleting the key point when the minimum distance value is greater than the reference value by comparing a minimum distance value between the key points in the learning image data previously stored and the key point obtained from the input image data with a preset reference value;
Keypoint matching method using a SIFT algorithm for face recognition further comprising.
KR1020100022447A 2010-03-12 2010-03-12 Keypoint matching system and method using SIFT algorithm for the face recognition KR101089847B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020100022447A KR101089847B1 (en) 2010-03-12 2010-03-12 Keypoint matching system and method using SIFT algorithm for the face recognition

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100022447A KR101089847B1 (en) 2010-03-12 2010-03-12 Keypoint matching system and method using SIFT algorithm for the face recognition

Publications (2)

Publication Number Publication Date
KR20110103223A true KR20110103223A (en) 2011-09-20
KR101089847B1 KR101089847B1 (en) 2011-12-05

Family

ID=44954537

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100022447A KR101089847B1 (en) 2010-03-12 2010-03-12 Keypoint matching system and method using SIFT algorithm for the face recognition

Country Status (1)

Country Link
KR (1) KR101089847B1 (en)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101127793B1 (en) * 2011-01-04 2012-03-23 위드로봇 주식회사 System for image recognition and providing method thereof
CN103632149A (en) * 2013-12-17 2014-03-12 上海电机学院 Face recognition method based on image feature analysis
CN103988228A (en) * 2011-09-27 2014-08-13 英特尔公司 Face recognition method, apparatus, and computer-readable recording medium for executing the method
CN104268591A (en) * 2014-09-19 2015-01-07 海信集团有限公司 Face key point detecting method and device
CN105069426A (en) * 2015-07-31 2015-11-18 小米科技有限责任公司 Similar picture determining method and apparatus
CN111985500A (en) * 2020-07-28 2020-11-24 国网山东省电力公司禹城市供电公司 Method, system and device for checking relay protection constant value input

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104715227B (en) 2013-12-13 2020-04-03 北京三星通信技术研究有限公司 Method and device for positioning key points of human face

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101127793B1 (en) * 2011-01-04 2012-03-23 위드로봇 주식회사 System for image recognition and providing method thereof
CN103988228A (en) * 2011-09-27 2014-08-13 英特尔公司 Face recognition method, apparatus, and computer-readable recording medium for executing the method
CN103988228B (en) * 2011-09-27 2018-11-30 英特尔公司 Recognition algorithms, equipment and the computer readable recording medium for executing this method
CN103632149A (en) * 2013-12-17 2014-03-12 上海电机学院 Face recognition method based on image feature analysis
CN104268591A (en) * 2014-09-19 2015-01-07 海信集团有限公司 Face key point detecting method and device
CN104268591B (en) * 2014-09-19 2017-11-28 海信集团有限公司 A kind of facial critical point detection method and device
CN105069426A (en) * 2015-07-31 2015-11-18 小米科技有限责任公司 Similar picture determining method and apparatus
CN105069426B (en) * 2015-07-31 2018-09-04 小米科技有限责任公司 Similar pictures judgment method and device
CN111985500A (en) * 2020-07-28 2020-11-24 国网山东省电力公司禹城市供电公司 Method, system and device for checking relay protection constant value input
CN111985500B (en) * 2020-07-28 2024-03-29 国网山东省电力公司禹城市供电公司 Verification method, system and device for relay protection fixed value input

Also Published As

Publication number Publication date
KR101089847B1 (en) 2011-12-05

Similar Documents

Publication Publication Date Title
KR101089847B1 (en) Keypoint matching system and method using SIFT algorithm for the face recognition
CN110363047B (en) Face recognition method and device, electronic equipment and storage medium
EP1229493B1 (en) Multi-mode digital image processing method for detecting eyes
KR101244220B1 (en) Apparatus and method for recognizing fingerprint
CN112016464A (en) Method and device for detecting face shielding, electronic equipment and storage medium
US20210334998A1 (en) Image processing method, apparatus, device and medium for locating center of target object region
US9990538B2 (en) Face recognition apparatus and method using physiognomic feature information
JP2004511862A (en) IDENTIFICATION SYSTEM AND METHOD USING IRIS AND COMPUTER-READABLE RECORDING MEDIUM CONTAINING IDENTIFICATION PROGRAM FOR PERFORMING THE METHOD
WO2011042601A1 (en) Face recognition in digital images
JP6351243B2 (en) Image processing apparatus and image processing method
CN113793336B (en) Method, device and equipment for detecting blood cells and readable storage medium
CN106778731B (en) A kind of license plate locating method and terminal
KR101796027B1 (en) Method and computing device for gender recognition based on facial image
JP6784261B2 (en) Information processing equipment, image processing system, image processing method and program
CN111783665A (en) Action recognition method and device, storage medium and electronic equipment
US20070253598A1 (en) Image monitoring apparatus
JP2016099835A (en) Image processor, image processing method, and program
CN107346417B (en) Face detection method and device
KR101343623B1 (en) adaptive color detection method, face detection method and apparatus
KR20070088982A (en) Deformation-resilient iris recognition methods
KR101961462B1 (en) Object recognition method and the device thereof
KR101521136B1 (en) Method of recognizing face and face recognition apparatus
JP2014041427A (en) Object detection device and program
US20150178564A1 (en) Information processing device, information processing method, and program
JP6855175B2 (en) Image processing equipment, image processing methods and programs

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20151023

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20161011

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20171017

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20191022

Year of fee payment: 9