KR20120066462A - 얼굴 인식 방법 및 시스템, 얼굴 인식을 위한 학습용 특징 벡터 추출 장치 및 테스트용 특징 벡터 추출 장치 - Google Patents

얼굴 인식 방법 및 시스템, 얼굴 인식을 위한 학습용 특징 벡터 추출 장치 및 테스트용 특징 벡터 추출 장치 Download PDF

Info

Publication number
KR20120066462A
KR20120066462A KR1020100127817A KR20100127817A KR20120066462A KR 20120066462 A KR20120066462 A KR 20120066462A KR 1020100127817 A KR1020100127817 A KR 1020100127817A KR 20100127817 A KR20100127817 A KR 20100127817A KR 20120066462 A KR20120066462 A KR 20120066462A
Authority
KR
South Korea
Prior art keywords
feature vector
face
extracting
learning
face recognition
Prior art date
Application number
KR1020100127817A
Other languages
English (en)
Inventor
박소희
정윤수
이한성
이용진
김정녀
조현숙
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 KR1020100127817A priority Critical patent/KR20120066462A/ko
Publication of KR20120066462A publication Critical patent/KR20120066462A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

본 발명은 포즈 및 표정에 강인한 얼굴 인식을 위한 방법 및 장치에 관한 것으로, 보다 상세하게는 포즈(pose) 및 표정 변화로 인한 얼굴 이미지의 변화에 따른 얼굴 인식 성능 저하를 극복하기 위한 것이다. 입력된 얼굴 영상의 정보를 가장 잘 표현할 수 있는 로컬 특징점을 추출하여 인식에 사용하고, 필요하다면 균일 특징점에 추가하여 얼굴 인식에 사용함으로써 포즈 및 표정으로 인해 변화된 얼굴 이미지의 정보를 반영하고자 한다.

Description

얼굴 인식 방법 및 시스템, 얼굴 인식을 위한 학습용 특징 벡터 추출 장치 및 테스트용 특징 벡터 추출 장치{METHOD AND SYSTEM FOR PROVIDING FACE RECOGNITION, FEATURE VECTOR EXTRACTION APPARATUS FOR FACE RECOGNITION}
본 발명은 얼굴 인식 기술에 관한 것으로, 특히 포즈(pose) 및 표정 변화에 강인한 얼굴 인식 방법 및 시스템, 얼굴 인식을 위한 학습용 특징 벡터 추출 장치 및 테스트용 특징 벡터 추출 장치에 관한 것이다.
종래의 얼굴 인식 및 검색 시스템의 상용화에 걸림돌이 되는 문제는 크게 조명 변화, 포즈 및 표정 변화 및 에이징(aging) 문제로 인한 인식 성능의 저하 등을 들 수 있다. 이 중 포즈 및 표정 변화는 균일한 조명을 제공하는 환경 하에서도 해결해야 할 문제점으로 평균적으로 5~10% 정도의 인식률 저하를 가져온다.
현재, 보편적으로 사용되는 포즈 및 표정 변화에 대한 극복 방안은 AAM(Active Appearance Model)과 같이 학습 얼굴 이미지의 얼굴 특징점들을 학습하여 포즈 변화가 있는 얼굴 이미지가 입력되면 학습된 얼굴 특징점값들과 비교하여 정면 얼굴을 추정하여 이를 인식에 사용하고 있다. 그러나, 이러한 방법은 학습 시간이 많이 걸리고, 학습된 영상이 아닌 얼굴 이미지가 입력되면 인식 성능이 많이 저하되는 문제점을 가지고 있다.
이에 본 발명의 실시예에서는, 입력된 얼굴 영상의 정보를 가장 잘 표현할 수 있는 로컬 특징점을 추출하여 인식에 사용하고, 이러한 로컬 특징점을 균일 특징점에 추가하여 얼굴 인식에 사용함으로써 포즈 및 표정으로 인해 변화된 얼굴 이미지의 정보를 반영하여 얼굴 인식 성능 저하를 극복할 수 있는 얼굴 인식 기술을 제안하고자 한다.
또한, 본 발명의 실시예에서는, 학습 얼굴 이미지의 특징을 잘 반영하도록 하기 위해 학습 얼굴 이미지의 로컬 특징점을 추출하고, 이를 학습 가중치(Weight Factor)로 재구성하여 얼굴 특징 벡터 비교 시에 이용하여 얼굴 인식 성능 저하를 극복할 수 있는 얼굴 인식 기술을 제안하고자 한다.
또한, 본 발명의 실시예에서는, 인증이나 검색을 하고자 입력되는 얼굴 이미지의 포즈 및 표정 변화를 잘 반영하도록 하기 위해 입력 얼굴 이미지의 로컬 특징점을 추출하고, 이를 가중치(Weight Factor)로 재구성하여 얼굴 특징 벡터 비교 시에 이용하여 얼굴 인식 성능 저하를 극복할 수 있는 얼굴 인식 기술을 제안하고 한다.
또한, 본 발명의 실시예에서는, 학습 가중치와 입력 얼굴 이미지의 가중치의 특징을 서로 비교하여 최종 가중치를 추출하여 학습 얼굴 이미지와 입력 얼굴 이미지의 특징의 상관 관계를 반영하도록 하여 얼굴 인식 성능 저하를 극복할 수 있는 얼굴 인식 기술을 제안하고자 한다.
본 발명의 실시예에 따른 얼굴 인식 시스템은, 정규화된 얼굴 학습 이미지에 대해 특징 벡터 및 학습 가중치(Weight Factor)를 추출하는 학습용 특징 벡터 추출 장치와, 정규화된 얼굴 이미지에 대해 특징 벡터 및 가중치를 추출하는 테스트용 특징 벡터 추출 장치와, 상기 학습용 특징 벡터 추출 장치에서 추출된 상기 학습 가중치와 상기 테스트용 특징 벡터 추출 장치에서 추출된 상기 얼굴 이미지의 가중치를 비교하여 각 영역별로 최종 가중치를 추출하는 최종 가중치 추출 장치와, 상기 최종 가중치 추출 장치의 최종 가중치와 로컬 특징 벡터의 유사도(similarity)를 비교하는 로컬 특징 벡터 비교 장치를 포함할 수 있다.
여기서, 상기 얼굴 인식 시스템은, 상기 학습용 특징 벡터 추출 장치 및 상기 테스트용 특징 벡터 추출 장치에서 추출한 균일 특징 벡터를 비교하는 균일 특징 벡터 비교 장치를 더 포함할 수 있다.
또한, 상기 균일 특징 벡터 비교 장치는, 상기 균일 특징 벡터의 유사도를 비교할 수 있다.
또한, 상기 얼굴 인식 시스템은, 상기 균일 특징 벡터 비교 장치의 유사도와 상기 로컬 특징 벡터 비교 장치의 유사도를 상호 연결(concatenation)하여 최종 유사도를 결정하는 인식 및 검색 처리 장치를 더 포함할 수 있다.
본 발명의 실시예에 따른 얼굴 인식을 위한 학습용 특징 벡터 추출 장치는, 입력되는 얼굴 학습 이미지를 특정 영역으로 분할하는 얼굴 이미지 분할부와, 상기 얼굴 이미지 분할부를 통해 분할된 상기 특정 영역 내에서 특정한 점을 균일하게 선택하여 균일 특징점을 추출하는 균일 특징점 추출부와, 상기 균일 특징점 추출부를 통해 추출된 상기 균일 특징점에 대해 균일 특징 벡터를 추출하는 균일 특징 벡터 추출부와, 상기 얼굴 학습 이미지의 얼굴 정보를 포함하는 점들을 추출하는 로컬 특징점 추출부와, 상기 로컬 특징점 추출부에서 추출된 로컬 특징점에 대해 분할된 영역 내에서 분포도를 파악하여 학습 가중치를 추출하는 학습 가중치 추출부와, 상기 학습 가중치 추출부에서 추출된 학습 가중치에 대해 로컬 특징 벡터를 추출하는 로컬 특징 벡터 추출부를 포함할 수 있다.
여기서, 상기 특정 영역은, 10x10 또는 7x7 영역을 포함할 수 있다.
또한, 상기 얼굴 학습 이미지는, 정규화된 얼굴 이미지를 포함할 수 있다.
또한, 상기 정규화된 얼굴 이미지는, 두 눈을 중심으로 특정 크기의 얼굴 영상으로 크기 변화 및 각도 보정을 한 얼굴 이미지를 포함할 수 있다.
또한, 상기 특정한 점은, 시작점 및 중점을 포함할 수 있다.
또한, 상기 얼굴 정보는, 에지(edge) 정보 또는 밸리(valley) 정보를 포함할 수 있다.
본 발명의 실시예에 따른 얼굴 인식을 위한 테스트용 특징 벡터 추출 장치는, 입력되는 얼굴 이미지를 특정 영역으로 분할하는 얼굴 이미지 분할부와, 상기 얼굴 이미지 분할부를 통해 분할된 상기 특정 영역 내에서 특정한 점을 균일하게 선택하여 균일 특징점을 추출하는 균일 특징점 추출부와, 상기 균일 특징점 추출부를 통해 추출된 상기 균일 특징점에 대해 균일 특징 벡터를 추출하는 균일 특징 벡터 추출부와, 상기 얼굴 이미지의 얼굴 정보를 포함하는 점들을 추출하는 로컬 특징점 추출부와, 상기 로컬 특징점 추출부에서 추출된 로컬 특징점에 대해 분할된 영역 내에서 분포도를 파악하여 가중치를 추출하는 가중치 추출부와, 상기 가중치 추출부에서 추출된 가중치에 대해 로컬 특징 벡터를 추출하는 로컬 특징 벡터 추출부를 포함할 수 있다.
여기서, 상기 특정 영역은, 10x10 또는 7x7 영역을 포함할 수 있다.
또한, 상기 얼굴 이미지는, 정규화된 얼굴 이미지를 포함할 수 있다.
또한, 상기 정규화된 얼굴 이미지는, 두 눈을 중심으로 특정 크기의 얼굴 영상으로 크기 변화 및 각도 보정을 한 얼굴 이미지를 포함할 수 있다.
또한, 상기 특정한 점은, 시작점 및 중점을 포함할 수 있다.
또한, 상기 얼굴 정보는, 에지 정보 또는 밸리 정보를 포함할 수 있다.
본 발명의 실시예에 따른 얼굴 인식 방법은, 학습에 의한 가중치를 추출하는 단계와, 인증 및 검색에 의한 가중치를 추출하는 단계와, 추출되는 상기 학습에 의한 가중치와 상기 인증 및 검색에 의한 가중치를 비교하는 단계와, 상기 비교하는 과정에 의한 결과값에 따른 각 영역별 최종 가중치값을 추출하는 단계를 포함할 수 있다.
여기서, 상기 학습에 의한 가중치를 추출하는 단계는, 입력되는 얼굴 학습 이미지에서 로컬 특징점을 추출하는 단계와, 상기 로컬 특징점에 대한 추출 과정이 N회 반복되었으면, N개의 얼굴 학습 이미지에서 추출된 로컬 특징점을 각 영역별로 중첩하는 단계와, 중첩되는 상기 로컬 특징점의 개수를 계산하여 학습 가중치를 각 영역별 학습 가중치로 정규화하는 단계를 포함할 수 있다.
또한, 상기 인증 및 검색에 의한 가중치를 추출하는 단계는, 입력되는 얼굴 이미지에서 로컬 특징점을 추출하는 단계와, 추출되는 상기 로컬 특징점의 개수를 계산하여 가중치를 각 영역별 가중치로 정규화하는 단계를 포함할 수 있다.
또한, 상기 비교하는 단계는, 최소값에 의한 비교 과정을 포함할 수 있다.
본 발명에 의하면, 입력된 얼굴 영상의 정보를 가장 잘 표현할 수 있는 로컬 특징점을 추출하여 인식에 사용하고, 이러한 로컬 특징점을 균일 특징점에 추가하여 얼굴 인식에 사용함으로써 포즈 및 표정으로 인해 변화된 얼굴 이미지의 정보를 반영하여 얼굴 인식 성능 저하를 극복할 수 있다. 또한, 본 발명은 학습 얼굴 이미지의 특징을 잘 반영하도록 하기 위해 학습 얼굴 이미지의 로컬 특징점을 추출하고 이를 학습 가중치(Weight Factor)로 재구성하여 얼굴 특징 벡터 비교 시에 이용하여 얼굴 인식 성능 저하를 극복할 수 있다. 또한, 본 발명은 인증이나 검색을 하고자 입력되는 얼굴 이미지의 포즈 및 표정 변화를 잘 반영하도록 하기 위해 입력 얼굴 이미지의 로컬 특징점을 추출하고 이를 가중치로 재구성하여 얼굴 특징 벡터 비교 시에 이용하여 얼굴 인식 성능 저하를 극복할 수 있다. 또한, 본 발명은 학습 가중치와 입력 얼굴 이미지의 가중치의 특징을 서로 비교하여 최종 가중치를 추출하여 학습 얼굴 이미지와 입력 얼굴 이미지의 특징의 상관 관계를 반영하도록 하여 얼굴 인식 성능 저하를 극복할 수 있다.
도 1은 본 발명의 실시예에 따른 학습된 얼굴 이미지의 특징 벡터와 테스트를 위해 입력되는 얼굴 이미지의 특징 벡터를 비교하는 얼굴 인식 시스템에 대한 구성 블록도,
도 2는 본 발명의 실시예에 따른 얼굴 인식 시스템에서 학습을 위해 입력되는 얼굴 이미지에 대한 특징 벡터 추출을 위한 학습용 특징 벡터 추출 장치의 구성 블록도,
도 3은 본 발명의 실시예에 따른 얼굴 인식 시스템에서 테스트를 위해 얼굴 이미지에 대한 특징 벡터 추출을 위한 테스트용 특징 벡터 추출 장치의 구성 블록도,
도 4는 본 발명의 실시예에 따른 얼굴 인식 방법, 구체적으로 최종 가중치(Weight Factor)를 결정하는 일련의 과정을 예시적으로 도시한 흐름도,
도 5는 본 발명의 실시예에 따른 얼굴 인식 방법, 구체적으로 학습 가중치 추출 과정을 예시적으로 도시한 흐름도,
도 6은 발명의 실시예에 따른 얼굴 인식 방법, 구체적으로 테스트 얼굴 이미지의 가중치를 추출하는 과정을 예시한 흐름도,
도 7은 학습 가중치를 추출하는 과정을 예시한 도면,
도 8은 인증 및 검색 단계의 가중치를 추출하는 과정을 예시한 도면.
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 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 도면부호는 동일 구성 요소를 지칭한다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또한, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
포즈 및 표정 변화로 인한 얼굴 이미지의 변화는 얼굴 인식 성능 저하의 원인이 될 수 있다. 이에 본 발명의 실시예에서는, 입력된 얼굴 영상의 정보를 가장 잘 표현할 수 있는 로컬 특징점을 추출하여 인식에 사용하고, 필요하다면 균일 특징점에 추가하여 얼굴 인식에 사용함으로써 포즈(pose) 및 표정으로 인해 변화된 얼굴 이미지의 정보를 반영하고자 한다.
이하, 본 발명의 실시예에 대해 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 실시예에 따른 얼굴 인식 시스템, 구체적으로 학습된 얼굴 이미지의 특징 벡터와 테스트를 위해 입력되는 얼굴 이미지의 특징 벡터를 비교하는 인증 또는 검색을 하는 얼굴 인증 또는 검색 시스템의 구성을 나타내는 블록도로서, 학습용 특징 벡터 추출 장치(100), 테스트용 특징 벡터 추출 장치(200), 최종 가중치 추출 장치(300), 로컬 특징 벡터 비교 장치(400), 균일 특징 벡터 비교 장치(500), 인식 및 검색 처리 장치(600) 등을 포함할 수 있다.
도 1을 참조하면, 학습용 특징 벡터 추출 장치(100)는 정규화된 얼굴 학습 이미지에 대해 특징 벡터 및 학습 가중치(Weight Factor)를 추출하는 역할을 할 수 있다.
테스트용 특징 벡터 추출 장치(200)는 정규화된 얼굴 이미지에 대해 특징 벡터 및 가중치를 추출하는 역할을 할 수 있다.
최종 가중치 추출 장치(300)는 학습용 특징 벡터 추출 장치(100)에서 추출된 학습 가중치와 테스트용 특징 벡터 추출 장치(200)에서 추출된 얼굴 이미지의 가중치를 비교하여 각 영역별로 최종 가중치를 추출하는 역할을 할 수 있다.
로컬 특징 벡터 비교 장치(400)는 최종 가중치 추출 장치(300)의 최종 가중치와 로컬 특징 벡터의 유사도(similarity)를 비교하는 역할을 할 수 있다.
균일 특징 벡터 비교 장치(500)는 학습용 특징 벡터 추출 장치(100)와 테스트용 특징 벡터 추출 장치(200)에서 추출한 균일 특징 벡터를 비교하는 수단으로, 이러한 균일 특징 벡터 비교 장치(500)는 균일 특징 벡터의 유사도를 비교할 수 있다.
인식 및 검색 처리 장치(600)는 이러한 균일 특징 벡터 비교 장치(500)의 유사도와 로컬 특징 벡터 비교 장치(400)의 유사도를 연결(concatenation)하여 최종 유사도를 결정하고, 결정되는 최종 유사도를 인식이나 검색에 이용할 수 있다.
상술한 실시예의 설명은 균일 특징 벡터와 로컬 특징 벡터를 모두 사용하는 경우를 예시한 것이고, 얼굴 인식 및 검색 시스템의 특징에 따라 로컬 특징 벡터만을 사용하여 얼굴 인식을 수행할 수도 있음을 주지할 필요가 있다.
도 2는 도 1의 얼굴 인식 시스템에서 학습을 위해 입력되는 얼굴 이미지에 대한 특징 벡터 추출을 위한 학습용 특징 벡터 추출 장치의 구성 블록도로서, 얼굴 이미지 분할부(102), 균일 특징점 추출부(104), 균일 특징 벡터 추출부(106), 로컬 특징점 추출부(108), 학습 가중치 추출부(110), 로컬 특징 벡터 추출부(112) 등을 포함할 수 있다.
도 2를 참조하면, 얼굴 이미지 분할부(102)는 입력되는 얼굴 학습 이미지를 특정 영역, 예를 들어 10x10 또는 7x7 등으로 분할하는 역할을 할 수 있다. 여기서, 얼굴 학습 이미지는 정규화된 얼굴 이미지를 의미하며, 정규화된 얼굴 이미지라 함은, 두 눈을 중심으로 특정 크기의 얼굴 영상으로 크기 변화 및 각도 보정을 한 얼굴 이미지를 의미할 수 있다.
균일 특징점 추출부(104)는 얼굴 이미지 분할부(102)를 통해 분할된 영역 내에서 특정한 점, 예를 들어 시작점 및 중점 등을 균일하게 선택하여 균일 특징점을 추출하는 역할을 할 수 있다.
균일 특징 벡터 추출부(106)는 균일 특징점 추출부(104)를 통해 추출된 균일 특징점에 대해 균일 특징 벡터를 추출하는 역할을 할 수 있다. 이러한 균일 특징 벡터 추출은 특정 영역 내에서 특징 벡터를 추출하는 어떠한 방법도 가능하며, 특정한 방법에 국한하지 않는다. 또한, 분할된 영역의 크기는 특징 벡터 추출 방법에 의존할 수 있다.
로컬 특징점 추출부(108)는 얼굴의 에지(edge) 또는 밸리(valley) 등 얼굴에 대한 정보를 다수 포함하고 있는 점들을 추출하는 역할을 하며, 로컬 특징점 추출부(108)의 추출 방법은 특정한 방법에 국한되지 않는다.
학습 가중치 추출부(110)는 로컬 특징점 추출부(108)에서 추출된 로컬 특징점에 대해 분할된 영역 내에서 분포도를 파악하여 학습 가중치(Weight Factor)를 추출하는 역할을 할 수 있다.
로컬 특징 벡터 추출부(112)는 학습 가중치 추출부(110)에서 추출된 학습 가중치에 대해 로컬 특징 벡터를 추출하는 역할을 할 수 있다. 이러한 로컬 특징 벡터 추출은 특정 영역 내에서 특징 벡터를 추출하는 어떠한 방법도 가능하며, 특정한 방법에 국한하지 않는다. 또한, 분할된 영역의 크기는 특징 벡터 추출 방법에 의존할 수 있다.
도 3은 도 1의 얼굴 인식 시스템에서 인증 또는 검색하고자 하는 테스트를 위해 입력되는 얼굴 이미지에 대한 특징 벡터 추출을 위한 테스트용 특징 벡터 추출 장치의 구성 블록도로서, 얼굴 이미지 분할부(202), 균일 특징점 추출부(204), 균일 특징 벡터 추출부(206), 로컬 특징점 추출부(208), 가중치 추출부(210), 로컬 특징 벡터 추출부(212) 등을 포함할 수 있다.
도 3을 참조하면, 얼굴 이미지 분할부(202)는 입력되는 얼굴 이미지를 특정 영역, 예를 들어 10x10 또는 7x7 등으로 분할하는 역할을 할 수 있다. 여기서, 얼굴 이미지는 정규화된 얼굴 이미지를 의미하며, 정규화된 얼굴 이미지라 함은, 두 눈을 중심으로 특정 크기의 얼굴 영상으로 크기 변화 및 각도 보정을 한 얼굴 이미지를 의미할 수 있다.
균일 특징점 추출부(204)는 얼굴 이미지 분할부(202)를 통해 분할된 영역 내에서 특정한 점, 예를 들어 시작점 및 중점 등을 균일하게 선택하여 균일 특징점을 추출하는 역할을 할 수 있다.
균일 특징 벡터 추출부(206)는 균일 특징점 추출부(204)를 통해 추출된 균일 특징점에 대해 균일 특징 벡터를 추출하는 역할을 할 수 있다. 이러한 균일 특징 벡터 추출은 특정 영역 내에서 특징 벡터를 추출하는 어떠한 방법도 가능하며, 특정한 방법에 국한하지 않는다. 또한, 분할된 영역의 크기는 특징 벡터 추출 방법에 의존할 수 있다.
로컬 특징점 추출부(208)는 얼굴의 에지 또는 밸리 등 얼굴에 대한 정보를 다수 포함하고 있는 점들을 추출하는 역할을 하며, 로컬 특징점 추출부(208)의 추출 방법은 특정한 방법에 국한되지 않는다.
가중치 추출부(210)는 로컬 특징점 추출부(208)에서 추출된 로컬 특징점에 대해 분할된 영역 내에서 분포도를 파악하여 가중치를 추출하는 역할을 할 수 있다.
로컬 특징 벡터 추출부(212)는 가중치 추출부(210)에서 추출된 학습 가중치에 대해 로컬 특징 벡터를 추출하는 역할을 할 수 있다. 이러한 로컬 특징 벡터 추출은 특정 영역 내에서 특징 벡터를 추출하는 어떠한 방법도 가능하며, 특정한 방법에 국한하지 않는다. 또한, 분할된 영역의 크기는 특징 벡터 추출 방법에 의존할 수 있다.
이하, 상술한 구성과 함께, 본 발명의 실시예에 따른 얼굴 인식 방법을 첨부한 도 4 내지 도 8을 참조하여 상세히 설명하기로 한다.
먼저, 도 4는 본 발명의 실시예에 따른 얼굴 인식 방법으로서, 최종 가중치(Weight Factor)를 결정하는 일련의 과정을 나타낸 흐름도이다.
단계(S400)에서는 학습에 의한 가중치(A)를 추출할 수 있다.
단계(S402)에서는 인증 및 검색에 의한 가중치(B)를 추출할 수 있다.
그리고 단계(S404)에서는 이러한 가중치(A)와 가중치(B)를 비교할 수 있다. 이때의 비교는, 예를 들어 최소(minimum)의 값을 비교할 수 있다.
단계(S404)에서 가중치(A)와 가중치(B)를 비교한 결과값이 구해지면, 단계(S406)에서는 이 결과값에 따른 각 영역별 최종 가중치값을 추출할 수 있게 된다.
도 5는 도 4의 얼굴 인식 방법에서 학습용 가중치 추출 과정을 구체적으로 예시한 흐름도이다.
도 5를 참조하면, 학습 단계에서는 얼굴 학습 이미지, 예를 들어 정규화된 토큰 이미지가 입력될 때, 로컬 특징점 추출부(108)는 이러한 얼굴 학습 이미지에서 로컬 특징점을 추출할 수 있다(S500)(S502).
로컬 특징점이 추출되면, 기 설정 개수의 얼굴 학습 이미지, 예를 들어 N개의 얼굴 학습 이미지를 가정했을 때, 로컬 특징점 추출 과정이 N회 반복되는지를 판단할 수 있다(S504).
로컬 특징점 추출 과정이 N회 반복되었으면, N개의 얼굴 학습 이미지에서 추출된 로컬 특징점을 각 영역별로 중첩할 수 있다(S506).
이후, 학습용 특징 벡터 추출 장치(100)는 영역별로 중첩된 로컬 특징점의 개수를 계산하여 학습 가중치를 각 영역별 학습 가중치, 예를 들어 0~1 사이의 값으로 정규화할 수 있다(S5100(S512). 이를 수식으로 표현하면 다음 [수학식 1]과 같이 예시될 수 있다.
Figure pat00001
도 6은 도 4의 얼굴 인식 방법에서 테스트용 가중치 추출 과정을 구체적으로 예시한 흐름도이다.
도 6을 참조하면, 인증/검색 단계에서는 얼굴 이미지, 예를 들어 정규화된 토큰 이미지가 입력될 때, 로컬 특징점 추출부(108)는 이러한 얼굴 이미지에서 로컬 특징점을 추출할 수 있다(S600)(S602).
로컬 특징점이 추출되면, 영역별로 추출된 로컬 특징점의 개수를 계산하여 가중치를 각 영역별 가중치, 예를 들어 0~1 사이의 값으로 정규화할 수 있다(S604)(S606). 이를 수식으로 표현하면 다음 [수학식 2]와 같이 예시될 수 있다.
Figure pat00002
도 7은 본 발명의 실시예에 따른 학습 가중치를 추출하는 과정을 예시한 도면이다.
도 7을 참조하면, 도 5의 학습 단계의 학습 가중치 추출에 대한 설명을 용이하게 하기 위한 것이다.
도 8은 인증 및 검색 단계의 가중치를 추출하는 과정을 예시한 도면이다.
도 8을 참조하면, 도 6의 인증/검색 단계의 가중치 추출에 대한 설명을 용이하게 하기 위한 것이다.
본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함할 수 있다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이상 설명한 바와 같은 본 발명의 실시예에 의하면, 입력된 얼굴 영상의 정보를 가장 잘 표현할 수 있는 로컬 특징점을 추출하여 인식에 사용하고, 이러한 로컬 특징점을 균일 특징점에 추가하여 얼굴 인식에 사용함으로써 포즈 및 표정으로 인해 변화된 얼굴 이미지의 정보를 반영하여 얼굴 인식 성능 저하를 극복할 수 있다. 또한, 본 발명은 학습 얼굴 이미지의 특징을 잘 반영하도록 하기 위해 학습 얼굴 이미지의 로컬 특징점을 추출하고 이를 학습 가중치(Weight Factor)로 재구성하여 얼굴 특징 벡터 비교 시에 이용하여 얼굴 인식 성능 저하를 극복할 수 있다. 또한, 본 발명은 인증이나 검색을 하고자 입력되는 얼굴 이미지의 포즈 및 표정 변화를 잘 반영하도록 하기 위해 입력 얼굴 이미지의 로컬 특징점을 추출하고 이를 가중치로 재구성하여 얼굴 특징 벡터 비교 시에 이용하여 얼굴 인식 성능 저하를 극복할 수 있다. 또한, 본 발명은 학습 가중치와 입력 얼굴 이미지의 가중치의 특징을 서로 비교하여 최종 가중치를 추출하여 학습 얼굴 이미지와 입력 얼굴 이미지의 특징의 상관 관계를 반영하도록 하여 얼굴 인식 성능 저하를 극복할 수 있다.
100: 학습용 특징 벡터 추출 장치
200: 테스트용 특징 벡터 추출 장치
102, 202: 얼굴 이미지 분할부
104, 204: 균일 특징점 추출부
106, 206: 균일 특징 벡터 추출부
108, 208: 로컬 특징점 추출부
110: 학습 가중치 추출부
112, 212: 로컬 특징 벡터 추출부
210: 가중치 추출부
300: 최종 가중치 추출 장치
400: 로컬 특징 벡터 비교 장치
500: 균일 특징 벡터 비교 장치
600: 인식 및 검색 처리 장치

Claims (20)

  1. 정규화된 얼굴 학습 이미지에 대해 특징 벡터 및 학습 가중치(Weight Factor)를 추출하는 학습용 특징 벡터 추출 장치와,
    정규화된 얼굴 이미지에 대해 특징 벡터 및 가중치를 추출하는 테스트용 특징 벡터 추출 장치와,
    상기 학습용 특징 벡터 추출 장치에서 추출된 상기 학습 가중치와 상기 테스트용 특징 벡터 추출 장치에서 추출된 상기 얼굴 이미지의 가중치를 비교하여 각 영역별로 최종 가중치를 추출하는 최종 가중치 추출 장치와,
    상기 최종 가중치 추출 장치의 최종 가중치와 로컬 특징 벡터의 유사도(similarity)를 비교하는 로컬 특징 벡터 비교 장치를 포함하는
    얼굴 인식 시스템.
  2. 제 1 항에 있어서,
    상기 얼굴 인식 시스템은,
    상기 학습용 특징 벡터 추출 장치 및 상기 테스트용 특징 벡터 추출 장치에서 추출한 균일 특징 벡터를 비교하는 균일 특징 벡터 비교 장치를 더 포함하는
    얼굴 인식 시스템.
  3. 제 2 항에 있어서,
    상기 균일 특징 벡터 비교 장치는, 상기 균일 특징 벡터의 유사도를 비교하는
    얼굴 인식 시스템.
  4. 제 2 항에 있어서,
    상기 얼굴 인식 시스템은,
    상기 균일 특징 벡터 비교 장치의 유사도와 상기 로컬 특징 벡터 비교 장치의 유사도를 상호 연결(concatenation)하여 최종 유사도를 결정하는 인식 및 검색 처리 장치를 더 포함하는
    얼굴 인식 시스템.
  5. 입력되는 얼굴 학습 이미지를 특정 영역으로 분할하는 얼굴 이미지 분할부와,
    상기 얼굴 이미지 분할부를 통해 분할된 상기 특정 영역 내에서 특정한 점을 균일하게 선택하여 균일 특징점을 추출하는 균일 특징점 추출부와,
    상기 균일 특징점 추출부를 통해 추출된 상기 균일 특징점에 대해 균일 특징 벡터를 추출하는 균일 특징 벡터 추출부와,
    상기 얼굴 학습 이미지의 얼굴 정보를 포함하는 점들을 추출하는 로컬 특징점 추출부와,
    상기 로컬 특징점 추출부에서 추출된 로컬 특징점에 대해 분할된 영역 내에서 분포도를 파악하여 학습 가중치를 추출하는 학습 가중치 추출부와,
    상기 학습 가중치 추출부에서 추출된 학습 가중치에 대해 로컬 특징 벡터를 추출하는 로컬 특징 벡터 추출부를 포함하는
    얼굴 인식을 위한 학습용 특징 벡터 추출 장치.
  6. 제 5 항에 있어서,
    상기 특정 영역은, 10x10 또는 7x7 영역을 포함하는
    얼굴 인식을 위한 학습용 특징 벡터 추출 장치.
  7. 제 5 항에 있어서,
    상기 얼굴 학습 이미지는, 정규화된 얼굴 이미지를 포함하는
    얼굴 인식을 위한 학습용 특징 벡터 추출 장치.
  8. 제 5 항에 있어서,
    상기 정규화된 얼굴 이미지는, 두 눈을 중심으로 특정 크기의 얼굴 영상으로 크기 변화 및 각도 보정을 한 얼굴 이미지를 포함하는
    얼굴 인식을 위한 학습용 특징 벡터 추출 장치.
  9. 제 5 항에 있어서,
    상기 특정한 점은, 시작점 및 중점을 포함하는
    얼굴 인식을 위한 학습용 특징 벡터 추출 장치.
  10. 제 5 항에 있어서,
    상기 얼굴 정보는, 에지(edge) 정보 또는 밸리(valley) 정보를 포함하는
    얼굴 인식을 위한 학습용 특징 벡터 추출 장치.
  11. 입력되는 얼굴 이미지를 특정 영역으로 분할하는 얼굴 이미지 분할부와,
    상기 얼굴 이미지 분할부를 통해 분할된 상기 특정 영역 내에서 특정한 점을 균일하게 선택하여 균일 특징점을 추출하는 균일 특징점 추출부와,
    상기 균일 특징점 추출부를 통해 추출된 상기 균일 특징점에 대해 균일 특징 벡터를 추출하는 균일 특징 벡터 추출부와,
    상기 얼굴 이미지의 얼굴 정보를 포함하는 점들을 추출하는 로컬 특징점 추출부와,
    상기 로컬 특징점 추출부에서 추출된 로컬 특징점에 대해 분할된 영역 내에서 분포도를 파악하여 가중치를 추출하는 가중치 추출부와,
    상기 가중치 추출부에서 추출된 가중치에 대해 로컬 특징 벡터를 추출하는 로컬 특징 벡터 추출부를 포함하는
    얼굴 인식을 위한 테스트용 특징 벡터 추출 장치.
  12. 제 11 항에 있어서,
    상기 특정 영역은, 10x10 또는 7x7 영역을 포함하는
    얼굴 인식을 위한 테스트용 특징 벡터 추출 장치.
  13. 제 11 항에 있어서,
    상기 얼굴 이미지는, 정규화된 얼굴 이미지를 포함하는
    얼굴 인식을 위한 테스트용 특징 벡터 추출 장치.
  14. 제 11 항에 있어서,
    상기 정규화된 얼굴 이미지는, 두 눈을 중심으로 특정 크기의 얼굴 영상으로 크기 변화 및 각도 보정을 한 얼굴 이미지를 포함하는
    얼굴 인식을 위한 테스트용 특징 벡터 추출 장치.
  15. 제 11 항에 있어서,
    상기 특정한 점은, 시작점 및 중점을 포함하는
    얼굴 인식을 위한 테스트용 특징 벡터 추출 장치.
  16. 제 11 항에 있어서,
    상기 얼굴 정보는, 에지 정보 또는 밸리 정보를 포함하는
    얼굴 인식을 위한 테스트용 특징 벡터 추출 장치.
  17. 학습에 의한 가중치를 추출하는 단계와,
    인증 및 검색에 의한 가중치를 추출하는 단계와,
    추출되는 상기 학습에 의한 가중치와 상기 인증 및 검색에 의한 가중치를 비교하는 단계와,
    상기 비교하는 과정에 의한 결과값에 따른 각 영역별 최종 가중치값을 추출하는 단계를 포함하는
    얼굴 인식 방법.
  18. 제 17 항에 있어서,
    상기 학습에 의한 가중치를 추출하는 단계는,
    입력되는 얼굴 학습 이미지에서 로컬 특징점을 추출하는 단계와,
    상기 로컬 특징점에 대한 추출 과정이 N회 반복되었으면, N개의 얼굴 학습 이미지에서 추출된 로컬 특징점을 각 영역별로 중첩하는 단계와,
    중첩되는 상기 로컬 특징점의 개수를 계산하여 학습 가중치를 각 영역별 학습 가중치로 정규화하는 단계를 포함하는
    얼굴 인식 방법.
  19. 제 17 항에 있어서,
    상기 인증 및 검색에 의한 가중치를 추출하는 단계는,
    입력되는 얼굴 이미지에서 로컬 특징점을 추출하는 단계와,
    추출되는 상기 로컬 특징점의 개수를 계산하여 가중치를 각 영역별 가중치로 정규화하는 단계를 포함하는
    얼굴 인식 방법.
  20. 제 17 항에 있어서,
    상기 비교하는 단계는, 최소값에 의한 비교 과정을 포함하는
    얼굴 인식 방법.
KR1020100127817A 2010-12-14 2010-12-14 얼굴 인식 방법 및 시스템, 얼굴 인식을 위한 학습용 특징 벡터 추출 장치 및 테스트용 특징 벡터 추출 장치 KR20120066462A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020100127817A KR20120066462A (ko) 2010-12-14 2010-12-14 얼굴 인식 방법 및 시스템, 얼굴 인식을 위한 학습용 특징 벡터 추출 장치 및 테스트용 특징 벡터 추출 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100127817A KR20120066462A (ko) 2010-12-14 2010-12-14 얼굴 인식 방법 및 시스템, 얼굴 인식을 위한 학습용 특징 벡터 추출 장치 및 테스트용 특징 벡터 추출 장치

Publications (1)

Publication Number Publication Date
KR20120066462A true KR20120066462A (ko) 2012-06-22

Family

ID=46685829

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100127817A KR20120066462A (ko) 2010-12-14 2010-12-14 얼굴 인식 방법 및 시스템, 얼굴 인식을 위한 학습용 특징 벡터 추출 장치 및 테스트용 특징 벡터 추출 장치

Country Status (1)

Country Link
KR (1) KR20120066462A (ko)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101434170B1 (ko) * 2012-09-25 2014-08-26 한국전자통신연구원 추출된 데이터 특징을 이용한 학습 방법 및 장치
KR101479384B1 (ko) * 2010-01-29 2015-01-05 노키아 코포레이션 물체 인식을 가능하게 하기 위한 방법 및 장치
CN104281835A (zh) * 2014-09-04 2015-01-14 台州学院 基于局部敏感的核稀疏表示的人脸识别方法
CN104537388A (zh) * 2014-12-29 2015-04-22 桂林远望智能通信科技有限公司 一种多级人脸比对系统和方法
US9436892B2 (en) 2014-05-02 2016-09-06 Hong Kong Applied Science And Technology Research Institute Co., Ltd. Method and apparatus for facial detection using regional similarity distribution analysis
KR20170024303A (ko) 2015-08-25 2017-03-07 영남대학교 산학협력단 얼굴의 특징점 검출 시스템 및 방법
WO2017171142A1 (ko) * 2016-03-28 2017-10-05 영남대학교 산학협력단 얼굴의 특징점 검출 시스템 및 방법
KR20180087812A (ko) 2017-05-15 2018-08-02 대한민국(관리부서: 행정안전부 국립과학수사연구원장) 얼굴 비교를 통한 개인 식별 방법
KR102145374B1 (ko) * 2020-01-17 2020-08-18 성균관대학교산학협력단 시각화된 특징벡터와 결합된 인공 지능 신경망 장치 및 이의 데이터 분류 방법
KR20210024631A (ko) * 2019-03-25 2021-03-05 상하이 센스타임 인텔리전트 테크놀로지 컴퍼니 리미티드 이미지 처리 방법 및 장치, 전자 기기 및 저장 매체

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101479384B1 (ko) * 2010-01-29 2015-01-05 노키아 코포레이션 물체 인식을 가능하게 하기 위한 방법 및 장치
KR101434170B1 (ko) * 2012-09-25 2014-08-26 한국전자통신연구원 추출된 데이터 특징을 이용한 학습 방법 및 장치
US9436892B2 (en) 2014-05-02 2016-09-06 Hong Kong Applied Science And Technology Research Institute Co., Ltd. Method and apparatus for facial detection using regional similarity distribution analysis
CN104281835A (zh) * 2014-09-04 2015-01-14 台州学院 基于局部敏感的核稀疏表示的人脸识别方法
CN104537388A (zh) * 2014-12-29 2015-04-22 桂林远望智能通信科技有限公司 一种多级人脸比对系统和方法
KR20170024303A (ko) 2015-08-25 2017-03-07 영남대학교 산학협력단 얼굴의 특징점 검출 시스템 및 방법
WO2017171142A1 (ko) * 2016-03-28 2017-10-05 영남대학교 산학협력단 얼굴의 특징점 검출 시스템 및 방법
KR20170111452A (ko) 2016-03-28 2017-10-12 영남대학교 산학협력단 얼굴의 특징점 검출 시스템 및 방법
KR20180087812A (ko) 2017-05-15 2018-08-02 대한민국(관리부서: 행정안전부 국립과학수사연구원장) 얼굴 비교를 통한 개인 식별 방법
KR20210024631A (ko) * 2019-03-25 2021-03-05 상하이 센스타임 인텔리전트 테크놀로지 컴퍼니 리미티드 이미지 처리 방법 및 장치, 전자 기기 및 저장 매체
KR102145374B1 (ko) * 2020-01-17 2020-08-18 성균관대학교산학협력단 시각화된 특징벡터와 결합된 인공 지능 신경망 장치 및 이의 데이터 분류 방법

Similar Documents

Publication Publication Date Title
KR20120066462A (ko) 얼굴 인식 방법 및 시스템, 얼굴 인식을 위한 학습용 특징 벡터 추출 장치 및 테스트용 특징 벡터 추출 장치
CN109214343B (zh) 用于生成人脸关键点检测模型的方法和装置
WO2021203863A1 (zh) 基于人工智能的物体检测方法、装置、设备及存储介质
US9424493B2 (en) Generic object detection in images
CN107564513B (zh) 语音识别方法及装置
EP3772036A1 (en) Detection of near-duplicate image
CN110659582A (zh) 图像转换模型训练方法、异质人脸识别方法、装置及设备
US10540988B2 (en) Method and apparatus for sound event detection robust to frequency change
CN112437926B (zh) 使用前馈卷积神经网络的快速鲁棒摩擦脊印痕细节提取
KR102161052B1 (ko) 영상에서 객체를 분리하는 방법 및 장치.
CN110069985B (zh) 基于图像的目标点位置检测方法、装置、电子设备
KR102284096B1 (ko) 중요도 맵을 이용한 지능형 주관적 화질 평가 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체
CN110796154A (zh) 一种训练物体检测模型的方法、装置以及设备
CN109413510B (zh) 视频摘要生成方法和装置、电子设备、计算机存储介质
US20120057791A1 (en) Information processing apparatus and control method thereof
CN110929836B (zh) 神经网络训练及图像处理方法和装置、电子设备、介质
CN110399826B (zh) 一种端到端人脸检测和识别方法
CN112584062B (zh) 背景音频构建方法及装置
CN112804558B (zh) 视频拆分方法、装置及设备
KR20220056707A (ko) 얼굴의 정렬 형태에 강인한 얼굴 인식 방법 및 그 장치
JP4983539B2 (ja) 情報処理装置および方法、並びにプログラム
CN110210314B (zh) 人脸检测方法、装置、计算机设备及存储介质
CN111428612A (zh) 行人重识别方法、终端、装置及存储介质
CN113723515B (zh) 基于图像识别的摩尔纹识别方法、装置、设备及介质
Huang et al. Anti-forensics for double JPEG compression based on generative adversarial network

Legal Events

Date Code Title Description
SUBM Surrender of laid-open application requested