KR20130037734A

KR20130037734A - 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템

Info

Publication number: KR20130037734A
Application number: KR1020110102134A
Authority: KR
Inventors: 오성권
Original assignee: 수원대학교산학협력단; 위아코퍼레이션 주식회사
Priority date: 2011-10-07
Filing date: 2011-10-07
Publication date: 2013-04-17
Also published as: KR101254177B1

Abstract

본 발명은 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에 관한 것으로서, 보다 구체적으로는 사진과 신원정보를 저장하는 얼굴 데이터베이스; 피사체의 얼굴 이미지를 촬영하는 CCD 카메라; 상기 CCD 카메라로부터 촬영된 얼굴 이미지에 대한 영상 보정, 얼굴 검출, 및 특징 추출의 전처리 과정을 수행하는 데이터 전처리 모듈; 및 상기 데이터 전처리 모듈을 통해 처리된 얼굴 이미지에 대한 데이터의 매개변수의 설정 처리를 통해 패턴 분류를 최적화하고, 실시간 얼굴 인식을 판단하는 패턴분류 처리모듈을 포함하되, 상기 패턴분류 처리모듈은, PSO(Particle Swarm Optimization) 알고리즘을 사용하여 다항식 기반의 RBFNNs(Radial Basis Function Neural Networks) 학습에 사용되는 학습률, 모멘텀 계수, 및 FCM(Fuzzy C-Means Clustering Method)의 퍼지화 계수를 포함하는 파라미터들을 동조하여 최적의 비선형 판별 함수를 생성하여 상기 얼굴 데이터베이스에 등록된 사진의 데이터를 분류하고 얼굴 인식의 판단 정보로 사용하는 것을 그 구성상의 특징으로 한다.
본 발명에서 제안하고 있는 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에 따르면, 다항식 기반 RBFNNs의 선 지능형 알고리즘을 퍼지 추론 메커니즘의 네트워크 구조에 적용하고, 은닉층과 출력층 사이의 상수항 연결가중치를 다항식으로 표현함으로써 출력 공간 내의 선형 판정 경계를 비선형 판정 경계로 나타낼 수 있도록 하며, FCM 클러스터링에 기반한 분할 함수를 활성함수로 사용하여 입력 공간의 데이터 분포 특성을 반영토록 함으로써 빠른 학습 수렴과 패턴 분류의 성능이 향상될 수 있도록 할 수 있다.
또한, 본 발명에 따르면, 다항식 기반 RBFNNs의 선 지능형 알고리즘을 적용함으로써, 복잡성과 불확실성을 나타내는 비선형 공정에서 다른 지능형 모델에 비해 보다 나은 성능을 가질 수 있도록 하고, 퍼지와 신경회로망의 두 구조가 유사성과 상호 보완적인 특성으로 결합될 수 있도록 하며, 퍼지이론의 언어적 논리를 규칙의 형태로 표현할 수 있는 능력과 신경회로망의 학습 기능과의 상호 높은 융통성을 갖도록 하고, 빠른 학습속도와 다차원(Multi-dimension)의 문제 해결, 강한(robust) 네트워크 특성, 및 예측능력(Predictive ability)이 우수한 장점을 가질 수 있도록 한다.

Description

방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템{A SYSTEM FOR REAL-TIME RECOGNIZING A FACE USING RADIAL BASIS FUNCTION NEURAL NETWORK ALGORITHMS}

본 발명은 실시간 얼굴 인식 시스템에 관한 것으로서, 보다 구체적으로는 다항식 기반 RBFNNs(Radial Basis Function Neural Networks)의 선 지능형 알고리즘이 적용된 실시간 얼굴 인식 시스템에 관한 것이다.

시각적 인식을 다루는 컴퓨터 비전 분야는, 사람이 가진 시각적 능력을 컴퓨터로 모델링하는 분야이다. 사람의 뇌는 시각적 신호를 여러 개의 채널로 분리하여 서로 다른 정보 단위로 판단하고, 상황에 따라 영상에서 중요한 부분만 검사할 수 있는 판단 시스템을 가지고 있다. 또한, 사람의 몸은 시각신호를 다룰 때 많은 피드백을 제공한다. 그러나 머신 비전 시스템에서 컴퓨터는 카메라 또는 하드디스크로부터 일련의 숫자들을 받아올 뿐, 그 이상은 없다. 컴퓨터 비전은 특정 목적을 달성하기 위하여 카메라로부터 받은 데이터를 조작하고 분석한다. 이런 의미에서 컴퓨터 비전이라는 응용분야의 만족할만한 성능을 내기 위해서는, 패턴인식이라는 세부 연구 분야가 필수적이라고 할 수 있다.

컴퓨터 비전 분야에서 활발히 연구되고 있는 세부응용분야 중에 하나는 생체인식(biometrics)을 들 수 있다. 정보화 사회에서 사용자 인증은 매우 중요한 사항이다. 즉, 인증 절차 없이는 보안이 요구되는 장소의 출입 통제뿐만 아니라, 은행거래, 재산권보호 등 컴퓨터를 통한 정보검색도 거의 불가능하게 된다. 정보유출 및 도용이 쉽게 일어날 수 있는 ID나 Password와 같은 방법의 문제점을 극복하기 위하여 개인의 신체적, 행동적 특징을 이용하여 신원을 검증하는 생체인식 기술이 등장하게 된다. 이러한 생체인식분야는 홍채, 지문, 얼굴, 정맥, 음성, 걸음걸이 인식 등으로 세분화될 수 있다.

실제 인식 시스템 설계 시에는 1대 1 시스템(verification mode)과 1대 N 시스템(identification mode)의 두 가지 방식이 존재한다. 1대 1 방식은 사용자가 신체정보와 함께 사용자 번호를 함께 입력함으로써 두 데이터의 비교만으로 사용자를 인증하는 방식으로서, 수백, 수천 명의 다수의 사용자가 이용할 때 주로 사용된다. 이러한 1대 1 시스템은, 출입통제, 금고, 정보보안, 전자상거래 시의 본인확인에 응용될 수 있다.

다음으로, 1대 N 방식은 특정 사용자의 정보가 입력되었을 때 데이터베이스에 저장된 모든 정보와 비교하는 방식으로서, 수사기관의 지문대조시스템과 같은 범죄 수사용으로 사용하고, 사용자의 수가 적을 때 사용할 수 있다. 이러한 1대 N 방식 시스템 설계의 고려 항목에는 계산 시간뿐만 아니라 패턴인식 성능이 중요하다. 왜냐하면, 패턴인식에서의 클래스 수는 사용자의 수를 의미하기 때문이다. 클래스의 수가 증가해도 패턴을 분류하는데 강인한 모델을 설계하는 연구는 데이터 처리와 함께 계속해서 진행되고 있는 연구과제이다.

일반적으로 패턴인식을 위한 다양한 방법들 중 신경회로망을 기반으로 설계된 분류기는 학습능력과 일반화 능력의 우수성으로 인해 다양한 분야의 패턴인식 시스템에서 가장 많이 사용되는 분류기 중 하나이다. 신경회로망 기반 분류기는 입력층, 다수의 은닉층, 출력층을 갖는 다층(multi-layered)구조가 일반적이며, 경사하강법을 이용하여 학습된다. 기존의 신경회로망을 기반으로 한 많은 분류기는 연결가중치가 상수항으로 구성되어 있으며, 상수항으로 구성된 연결 가중치는 은닉층 뉴런의 활성 함수와의 선형 결합을 통해 출력 공간 내에 선형 판별 함수(linear discernment function)로 표현된다. 이는 네트워크가 출력 공간 내에 선형 판정 경계(초평면)를 생성하도록 만들며 선형적인 특성을 가지게 할 수 있다.

본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 다항식 기반 RBFNNs의 선 지능형 알고리즘을 퍼지 추론 메커니즘의 네트워크 구조에 적용하고, 은닉층과 출력층 사이의 상수항 연결가중치를 다항식으로 표현함으로써, 출력 공간 내의 선형 판정 경계를 비선형 판정 경계로 나타낼 수 있도록 하며, FCM 클러스터링에 기반한 분할 함수를 활성함수로 사용하여 입력 공간의 데이터 분포 특성을 반영토록 함으로써, 빠른 학습 수렴과 패턴 분류의 성능이 향상될 수 있도록 하는, 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템을 제공하는 것을 그 목적으로 한다.

또한, 본 발명은, 다항식 기반 RBFNNs의 선 지능형 알고리즘을 적용함으로써, 복잡성과 불확실성을 나타내는 비선형 공정에서 다른 지능형 모델에 비해 더욱 향상된 성능을 가질 수 있도록 하고, 퍼지와 신경회로망의 두 구조가 유사성과 상호 보완적인 특성으로 결합될 수 있도록 하며, 퍼지이론의 언어적 논리를 규칙의 형태로 표현할 수 있는 능력과 신경회로망의 학습 기능과의 상호 높은 융통성을 갖도록 하고, 빠른 학습속도와 다차원(Multi-dimension)의 문제 해결, 강한(robust) 네트워크 특성, 및 예측능력(Predictive ability)이 우수한, 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템을 제공하는 것을 또 다른 목적으로 한다.

상기한 목적을 달성하기 위한 본 발명의 특징에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템은,

사진과 신원정보를 저장하는 얼굴 데이터베이스;

피사체의 얼굴 이미지를 촬영하는 CCD 카메라;

상기 CCD 카메라로부터 촬영된 얼굴 이미지에 대한 영상 보정, 얼굴 검출, 및 특징 추출의 전처리 과정을 수행하는 데이터 전처리 모듈; 및

상기 데이터 전처리 모듈을 통해 처리된 얼굴 이미지에 대한 데이터의 매개변수의 설정 처리를 통해 패턴 분류를 최적화하고, 실시간 얼굴 인식을 판단하는 패턴분류 처리모듈을 포함하되,

상기 패턴분류 처리모듈은,

PSO(Particle Swarm Optimization) 알고리즘을 사용하여 다항식 기반의 RBFNNs(Radial Basis Function Neural Networks) 학습에 사용되는 학습률, 모멘텀 계수, 및 FCM(Fuzzy C-Means Clustering Method)의 퍼지화 계수를 포함하는 파라미터들을 동조하여 최적의 비선형 판별 함수를 생성하여 상기 얼굴 데이터베이스에 등록된 사진의 데이터를 분류하고 얼굴 인식의 판단 정보로 사용하는 것을 그 구성상의 특징으로 한다.

바람직하게는, 상기 얼굴 데이터베이스는,

상기 저장된 사진의 데이터들을 PCA(Principal Component Analysis) 기법을 사용하여 미리 설정한 차원 수로 특징값을 저장할 수 있다.

바람직하게는, 상기 데이터 전처리 모듈은,

상기 얼굴 이미지에 대한 영상 보정의 전처리 과정으로, 히스토그램 평활화(Histogram Equalization)를 이용하여 조명으로 인한 영상의 왜곡현상을 개선할 수 있다.

바람직하게는, 상기 데이터 전처리 모듈은,

상기 얼굴 이미지에 대한 얼굴 검출의 전처리 과정으로, AdaBoost 알고리즘을 이용하여 실시간으로 입력되는 영상에서 얼굴과 비 얼굴을 분류하고 검출할 수 있다.

바람직하게는, 상기 데이터 전처리 모듈은,

상기 얼굴 이미지에 대한 특징 추출의 전처리 과정으로, 주성분 분석법(Principal Component Analysis: PCA)의 변환 처리를 이용하여 상기 얼굴 검출의 전처리를 통해 검출된 얼굴 영상의 고차원 특징 벡터를 저차원 특징 벡터로 차원을 축소 처리하고 화소 정보로 표현되는 얼굴 영상의 특징을 추출함으로써, 학습 및 인식 속도의 저하가 방지되도록 할 수 있다.

바람직하게는, 상기 패턴분류 처리모듈은,

퍼지 추론 메커니즘에 기반한 다항식 기반의 RBFNNs(Polynomial-based Radial Basis Function Neural Networks)의 설계 구조를 가지며,

상기 pRBFNNs(Polynomial-based Radial Basis Function Neural Networks) 구조는 “If-then” 퍼지 규칙의 집합으로 표현되며, 조건부, 결론부, 추론부로 나뉘어 기능적 모듈을 수행하되,

상기 “then” 이전의 조건부는 FCM 클러스터링을 이용하여 입력 공간을 퍼지 집합으로 표현하고, “then” 이후의 결론부는 로컬영역의 특성을 다항식 함수로 나타내며, 추론부는 조건부의 입력공간에 대한 퍼지 집합과 결론부의 다항식 함수와의 관계에 의한 퍼지 추론을 통해 네트워크의 최종 출력으로 결정할 수 있다.

바람직하게는, 상기 패턴분류 처리모듈은,

2부류 분류문제의 규칙을 이용하여 판별함수를 생성하고,

경사하강법(Gradient Descent Mothod)을 이용하여 분류 학습을 진행하되,

상기 분류학습은, 결론부 다항식 함수가 정수(Constant)타입, 선형(linear)타입, 이차(Quadratic)타입, 축소 이차(Reduced Quadratic)타입 중 하나를 선택하도록 할 수 있다.

본 발명에서 제안하고 있는 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에 따르면, 다항식 기반 RBFNNs의 선 지능형 알고리즘을 퍼지 추론 메커니즘의 네트워크 구조에 적용하고, 은닉층과 출력층 사이의 상수항 연결가중치를 다항식으로 표현함으로써 출력 공간 내의 선형 판정 경계를 비선형 판정 경계로 나타낼 수 있도록 하며, FCM 클러스터링에 기반한 분할 함수를 활성함수로 사용하여 입력 공간의 데이터 분포 특성을 반영토록 함으로써 빠른 학습 수렴과 패턴 분류의 성능이 향상될 수 있도록 할 수 있다.

또한, 본 발명에 따르면, 다항식 기반 RBFNNs의 선 지능형 알고리즘을 적용함으로써, 복잡성과 불확실성을 나타내는 비선형 공정에서 다른 지능형 모델에 비해 보다 나은 성능을 가질 수 있도록 하고, 퍼지와 신경회로망의 두 구조가 유사성과 상호 보완적인 특성으로 결합될 수 있도록 하며, 퍼지이론의 언어적 논리를 규칙의 형태로 표현할 수 있는 능력과 신경회로망의 학습 기능과의 상호 높은 융통성을 갖도록 하고, 빠른 학습속도와 다차원(Multi-dimension)의 문제 해결, 강한(robust) 네트워크 특성, 및 예측능력(Predictive ability)이 우수한 장점을 가질 수 있도록 한다.

도 1은 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템을 도시한 도면.
도 2는 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템을 이용한 얼굴 인식 처리 과정의 흐름을 도시한 도면.
도 3은 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에서, 데이터 전처리 모듈의 영상 보정에 대한 입력 및 출력의 영상 히스토그램을 도시한 도면.
도 4는 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에서, 데이터 전처리 모듈의 영상 보정에 대한 히스토그램 평활화된 입력 및 출력 영상을 도시한 도면.
도 5는 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에서, 패턴분류 처리모듈의 조건부, 결론부, 추론부의 세 가지 모듈로서 표현된 다항식 기반 RBFNNs의 구조를 도시한 도면.

이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.

덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 ‘연결’ 되어 있다고 할 때, 이는 ‘직접적으로 연결’ 되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 ‘간접적으로 연결’ 되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 ‘포함’ 한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.

도 1은 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템을 도시한 도면이고, 도 2는 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템을 이용한 얼굴 인식 처리 과정의 흐름을 도시한 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템은, 얼굴 데이터베이스(100), CCD 카메라(200), 데이터 전처리 모듈(300), 및 패턴분류 처리모듈(400)을 포함하여 구성될 수 있다.

얼굴 데이터베이스(100)는, 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에서 사용될 사용자들의 사진과 신원정보를 저장한다. 얼굴 데이터베이스(100)는 저장된 상기 사진의 데이터들을 PCA(Principal Component Analysis) 기법을 사용하여 미리 설정한 차원 수로 특징값을 저장할 수 있다. 얼굴 데이터베이스(100)에 저장된 사진의 데이터들은 후술할 데이터 전처리 모듈(300), 및 패턴분류 처리모듈(400)에 의해 CCD 카메라(200)에서 촬영하여 얻은 실시간 얼굴 이미지의 전처리 과정 및 패턴 분류의 최적화된 정보를 등록 저장하며, 패턴 분류의 인식 과정에서 비교 데이터로 제공될 수 있다.

CCD 카메라(200)는, 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에서 사용될 사용자들, 즉 피사체의 얼굴 이미지를 촬영한다. CCD 카메라(200)에 의해 촬영된 사용자들의 얼굴 이미지는 후술하는 데이터 전처리 모듈(300)에서 전처리 과정을 진행하게 된다.

데이터 전처리 모듈(300)은, CCD 카메라(200)로부터 촬영된 얼굴 이미지에 대한 영상 보정, 얼굴 검출, 및 특징 추출의 전처리 과정을 수행한다. 데이터 전처리 모듈(300)은 얼굴 이미지에 대한 영상 보정의 전처리 과정으로, 히스토그램 평활화(Histogram Equalization)를 이용하여 조명으로 인한 영상의 왜곡현상을 개선할 수 있다. 여기서, 히스토그램 평활화는 밝기 기반 화소 처리를 이용한 디지털 영상처리 방법으로 입력으로 받아들인 영상에 대한 화질을 개선한다. 즉, 디지털 영상에는 인공조명이나 자연조명이 포함될 수 있으며, 조명광의 세기가 강하거나 약함에 따라 영상의 식별에 어려움을 주는 경우가 발생할 수 있다. 이러한 영상에서는 표현하고자 하는 명암도(gray level)의 범위, 명암도의 동적 영역(dynamic range)을 늘림으로써 화질을 향상시킬 수 있다. 본 발명에서는 동적 영역을 증가시키는 방법으로 히스토그램 평활화를 사용한다. 히스토그램의 평활화는 한 쪽에 치우친 명암 분포를 가진 히스토그램을 재분배 과정을 거쳐 평탄한 분포를 가지는 히스토그램을 생성한다.

도 3은 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에서, 데이터 전처리 모듈의 영상 보정에 대한 입력 및 출력의 영상 히스토그램을 도시한 도면이다. 즉, 도 3의 (a)는 히스토그램 평활화 전의 입력 영상 히스토그램을 나타내고, 도 3의 (b)는 히스토그램 평활화 후의 출력 영상 히스토그램을 나타낸다. 도 4는 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에서, 데이터 전처리 모듈의 영상 보정에 대한 히스토그램 평활화된 입력 및 출력 영상을 도시한 도면이다. 즉, 도 4의 (a)는 히스토그램 평활화 전의 입력 영상의 사진을 나타내고, 도 4의 (b)는 히스토그램 평활화 후의 출력 영상의 사진을 나타낸다.

데이터 전처리 모듈(300)은 얼굴 이미지에 대한 얼굴 검출의 전처리 과정으로, AdaBoost 알고리즘을 이용하여 실시간으로 입력되는 영상에서 얼굴과 비 얼굴을 분류하고 검출할 수 있다. 즉, AdaBoost 알고리즘은 2차원 8-비트 흑백 영상을 사용하여 학습된 특징 데이터(feature Data)를 중심으로 비교 연산하여 입력으로 들어오는 영상 정보 중에서 얼굴만을 검출할 수 있도록 한다. 여기서 AdaBoost 알고리즘은 Viola와 Jones가 제안한 부스트 알고리즘으로, 약한 분류기(Weak classifier)가 선형적으로 결합하여 최종적으로 높은 검출 성능을 갖는 강한 분류기(Strong classifier)를 형성하도록 한다. 즉, AdaBoost를 이용한 얼굴 검출은 Haar-like feature와 적분 이미지(Integral image)를 통해 빠른 속도로 계산하여 얼굴을 검출할 수 있다. 훈련 과정에서 얼굴 영상(Positive image)과 배경 영상(Negative image)을 입력받아 둘의 차이를 잘 나타내주는 특징들을 선택하며, 선택된 약한 분류기들을 AdaBoost 알고리즘을 사용해 선형적으로 결합하여 강한 분류기를 생성한다. 최종적으로 생성된 분류기는 얼굴과 비 얼굴을 검출할 수 있는 분류기가 될 수 있다. 특히, AdaBoost 알고리즘을 이용한 얼굴 검출은 픽셀 기반 얼굴 검출에 비해 많은 장점을 가지고 있다. 픽셀 기반 얼굴 검출은 한정된 훈련 데이터로는 학습에 어려움이 있으나, feature를 이용한 AdaBoost 얼굴 검출은 픽셀 기반 얼굴 검출에 비해 적은 양의 훈련 데이터로도 학습이 가능하다. 또한, 적분 이미지는 한 번 계산한 후에 위치와 크기에 상관없이 계산할 수 있으므로, feature 기반 방법보다 속도가 빠르다는 장점도 가지고 있다. 그러나 AdaBoost 알고리즘은 feature의 모양이 복잡해지거나 feature의 수가 증가하면 처리 속도가 느려질 수 있으므로, 빠른 검출 속도를 위해서는 적은 수의 주요한 특징들을 찾아내는 것이 중요하다. 너무 적은 수의 feature는 오검출률을 높이므로 연속적인 연결 구조에 복잡한 분류기를 결합시키는 형태를 갖도록 하며, 연속적인 연결구조는 트리 형태를 통해 얼굴의 주요 특징을 빠른 속도로 검출할 수 있도록 한다.

데이터 전처리 모듈(300)은 얼굴 이미지에 대한 특징 추출의 전처리 과정으로, 주성분 분석법(Principal Component Analysis :PCA)의 변환 처리를 이용하여 상기 얼굴 검출의 전처리를 통해 검출된 얼굴 영상의 고차원 특징 벡터를 저차원 특징 벡터로 차원을 축소 처리하고 화소 정보로 표현되는 얼굴 영상의 특징을 추출함으로써, 학습 및 인식 속도의 저하가 방지되도록 할 수 있다. 본 발명에 적용되는 PCA는 고차원 특징 벡터를 저차원 특징 벡터로 축소하는 특징 벡터의 차원 축소(dimension reduction) 뿐만 아니라, 데이터 시각화와 특징 추출에도 유용하게 사용되는 데이터 처리 기법 중의 하나이다. 고차원 데이터 집합에 대한 견고한 분류기를 설계하려는 데 필요한 데이터를 충분히 많이 확보하고 있지 않을 경우, PCA를 사용하여 차원을 축소시켜 분류기를 설계하면 확보한 적은 양의 표본으로도 충분히 정확한 데이터의 분포를 표현하고 분류할 수 있게 된다. Turk와 Pentland는 고유 얼굴(eigenface)을 통한 얼굴인식 방법을 제안하고 있으며, 고유 얼굴이란 얼굴 공간을 구성하는 기저 벡터로 모든 인식후보 얼굴의 공통적인 특징을 가장 잘 나타내는 기저 벡터이다. 즉, 고유 얼굴은 모든 인식후보 얼굴 영상의 평균 얼굴과 각 후보 얼굴 영상의 차 벡터에 대한 공분산 행렬의 고유벡터에 해당하며, 고유벡터로부터 인식 후보 얼굴의 가중치를 구할 수 있다.

패턴분류 처리모듈(400)은, 데이터 전처리 모듈(300)을 통해 처리된 얼굴 이미지에 대한 데이터의 매개변수의 설정 처리를 통해 패턴 분류를 최적화하고, 실시간 얼굴 인식을 판단할 수 있도록 한다. 패턴분류 처리모듈(400)은 PSO(Particle Swarm Optimization) 알고리즘을 사용하여 다항식 기반의 RBFNNs(Radial Basis Function Neural Networks) 학습에 사용되는 학습률, 모멘텀 계수, 및 FCM(Fuzzy C-Means Clustering Method)의 퍼지화 계수를 포함하는 파라미터들을 동조하여 최적의 비선형 판별 함수를 생성하여 얼굴 데이터베이스(100)에 등록된 사진의 데이터를 분류하고 얼굴 인식의 판단 정보로 사용할 수 있다.

또한 패턴분류 처리모듈(400)은 퍼지 추론 메커니즘에 기반한 다항식 기반의 RBFNNs(Polynomial-based Radial Basis Function Neural Networks)의 설계 구조를 가지며, 상기 pRBFNNs(Polynomial-based Radial Basis Function Neural Networks) 구조는 “If-then” 퍼지 규칙의 집합으로 표현되며, 조건부, 결론부, 추론부로 나뉘어 기능적 모듈을 수행한다. 여기서 “then” 이전의 조건부는 FCM 클러스터링을 이용하여 입력 공간을 퍼지 집합으로 표현하고, “then” 이후의 결론부는 로컬영역의 특성을 다항식 함수로 나타내며, 추론부는 조건부의 입력공간에 대한 퍼지 집합과 결론부의 다항식 함수와의 관계에 의한 퍼지 추론을 통해 네트워크의 최종 출력으로 결정할 수 있다. 도 5는 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에서, 패턴분류 처리모듈의 조건부, 결론부, 추론부의 세 가지 모듈로서 표현된 다항식 기반 RBFNNs의 구조를 도시한 도면이다.

본 발명에 따른 다항식 기반 RBFNNs 구조의 조건부는, 학습 데이터(training data)의 특성 반영을 위해 입력 공간을 클러스터 수(퍼지 규칙 수) 만큼의 로컬 영역으로 분리하고, 각 로컬 영역의 소속 정도를 퍼지 집합으로 출력한다. 즉 FCM 클러스터링 방법은 각 데이터와 특정 클러스터 중심과의 거리에 소속 정도를 부여하고 이 소속 정도에 따라 데이터를 분류할 수 있도록 한다. 본 발명에 따른 다항식 기반 RBFNNs 구조의 결론부는, 조건부에서 분리한 각 로컬 영역을 다항식 함수의 로컬 회기모델로 표현하며, “then” 이후의 규칙을 형성할 수 있다. 본 발명에 따른 다항식 기반 RBFNNs 구조의 추론부는, 조건부를 FCM 클러스터링을 통한 퍼지 공간 분할, 결론부를 다항식으로 로컬 영역을 표현하는 로컬 회기 모델로 이해하는 구조에서, “If-then” 퍼지 규칙 기반의 퍼지 추론에 의해 네트워크의 최종 출력을 구할 수 있도록 한다.

또한, 패턴분류 처리모듈(400)은 2부류 분류문제의 규칙을 이용하여 판별함수를 생성하고, 경사하강법(Gradient Descent Mothod)을 이용하여 분류 학습을 진행하되, 분류학습은 결론부 다항식 함수가 정수(Constant)타입, 선형(linear)타입, 이차(Quadratic)타입, 축소 이차(Reduced Quadratic)타입 중 하나를 선택하도록 할 수 있다. 여기서 학습은 하나의 판별함수를 가진(출력층 뉴런이 1개인) 2부류 분류문제를 기준으로 한다.

상술한 바와 같이, 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템은, PSO 알고리즘을 사용하여 학습률과, 모멘텀 계수, 퍼지화 계수를 최적 동조하고 다항식 기반 RBFNNs의 분류기로서의 성능이 향상되도록 할 수 있다.

이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.

100: 얼굴 데이터베이스 200: CCD 카메라
300: 데이터 전처리 모듈 400: 패턴분류 처리모듈

Claims

사진과 신원정보를 저장하는 얼굴 데이터베이스;
피사체의 얼굴 이미지를 촬영하는 CCD 카메라;
상기 CCD 카메라로부터 촬영된 얼굴 이미지에 대한 영상 보정, 얼굴 검출, 및 특징 추출의 전처리 과정을 수행하는 데이터 전처리 모듈; 및
상기 데이터 전처리 모듈을 통해 처리된 얼굴 이미지에 대한 데이터의 매개변수의 설정 처리를 통해 패턴 분류를 최적화하고, 실시간 얼굴 인식을 판단하는 패턴분류 처리모듈을 포함하되,
상기 패턴분류 처리모듈은,
PSO(Particle Swarm Optimization) 알고리즘을 사용하여 다항식 기반의 RBFNNs(Radial Basis Function Neural Networks) 학습에 사용되는 학습률, 모멘텀 계수, 및 FCM(Fuzzy C-Means Clustering Method)의 퍼지화 계수를 포함하는 파라미터들을 동조하여 최적의 비선형 판별 함수를 생성하여 상기 얼굴 데이터베이스에 등록된 사진의 데이터를 분류하고 얼굴 인식의 판단 정보로 사용하는 것을 특징으로 하는, 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템.
제1항에 있어서, 상기 얼굴 데이터베이스는,
상기 저장된 사진의 데이터들을 PCA(Principal Component Analysis) 기법을 사용하여 미리 설정한 차원 수로 특징값을 저장하는 것을 특징으로 하는, 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템.
제1항에 있어서, 상기 데이터 전처리 모듈은,
상기 얼굴 이미지에 대한 영상 보정의 전처리 과정으로, 히스토그램 평활화(Histogram Equalization)를 이용하여 조명으로 인한 영상의 왜곡현상을 개선하는 것을 특징으로 하는, 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템.
제1항에 있어서, 상기 데이터 전처리 모듈은,
상기 얼굴 이미지에 대한 얼굴 검출의 전처리 과정으로, AdaBoost 알고리즘을 이용하여 실시간으로 입력되는 영상에서 얼굴과 비 얼굴을 분류하고 검출하는 것을 특징으로 하는, 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템.
제1항에 있어서, 상기 데이터 전처리 모듈은,
상기 얼굴 이미지에 대한 특징 추출의 전처리 과정으로, 주성분 분석법(Principal Component Analysis: PCA)의 변환 처리를 이용하여 상기 얼굴 검출의 전처리를 통해 검출된 얼굴 영상의 고차원 특징 벡터를 저차원 특징 벡터로 차원을 축소 처리하고 화소 정보로 표현되는 얼굴 영상의 특징을 추출함으로써, 학습 및 인식 속도의 저하가 방지되도록 하는 것을 특징으로 하는, 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템.
제1항에 있어서, 상기 패턴분류 처리모듈은,
퍼지 추론 메커니즘에 기반한 다항식 기반의 RBFNNs(Polynomial-based Radial Basis Function Neural Networks)의 설계 구조를 가지며,
상기 pRBFNNs(Polynomial-based Radial Basis Function Neural Networks) 구조는 “If-then” 퍼지 규칙의 집합으로 표현되며, 조건부, 결론부, 추론부로 나뉘어 기능적 모듈을 수행하되,
상기 “then” 이전의 조건부는 FCM 클러스터링을 이용하여 입력 공간을 퍼지 집합으로 표현하고, “then” 이후의 결론부는 로컬영역의 특성을 다항식 함수로 나타내며, 추론부는 조건부의 입력공간에 대한 퍼지 집합과 결론부의 다항식 함수와의 관계에 의한 퍼지 추론을 통해 네트워크의 최종 출력으로 결정하는 것을 특징으로 하는, 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템.
제1항에 있어서, 상기 패턴분류 처리모듈은,
2부류 분류문제의 규칙을 이용하여 판별함수를 생성하고,
경사하강법(Gradient Descent Mothod)을 이용하여 분류 학습을 진행하되,
상기 분류학습은, 결론부 다항식 함수가 정수(Constant)타입, 선형(linear)타입, 이차(Quadratic)타입, 축소 이차(Reduced Quadratic)타입 중 하나를 선택하도록 하는 것을 특징으로 하는, 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템.