KR20130072058A - 가버 특징과 ｓｖｍ 분류기를 이용하여 위변조 얼굴을 인식하기 위한 시스템 및 그 방법 - Google Patents

가버 특징과 ｓｖｍ 분류기를 이용하여 위변조 얼굴을 인식하기 위한 시스템 및 그 방법 Download PDF

Info

Publication number
KR20130072058A
KR20130072058A KR1020110139605A KR20110139605A KR20130072058A KR 20130072058 A KR20130072058 A KR 20130072058A KR 1020110139605 A KR1020110139605 A KR 1020110139605A KR 20110139605 A KR20110139605 A KR 20110139605A KR 20130072058 A KR20130072058 A KR 20130072058A
Authority
KR
South Korea
Prior art keywords
face
graph
optimal
forged
face image
Prior art date
Application number
KR1020110139605A
Other languages
English (en)
Other versions
KR101877981B1 (ko
Inventor
김계경
이재연
윤호섭
김재홍
손주찬
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 KR1020110139605A priority Critical patent/KR101877981B1/ko
Priority to US13/565,022 priority patent/US8913798B2/en
Publication of KR20130072058A publication Critical patent/KR20130072058A/ko
Application granted granted Critical
Publication of KR101877981B1 publication Critical patent/KR101877981B1/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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

본 발명에 의한 가버 특징과 SVM 분류기를 이용하여 위변조 얼굴을 인식하기 위한 시스템 및 그 방법이 개시된다.
본 발명에 따른 위변조 얼굴을 인식하기 위한 시스템은 다수의 얼굴 영상 샘플들로부터 하나의 표준 얼굴 그래프를 생성하는 그래프 생성수단; 다수의 얼굴 영상 샘플과 위변조 얼굴 영상 샘플로부터 위변조 얼굴을 판별하기 위한 최적분류 평면을 결정하는 SVM 학습수단; 및 인식하고자 하는 얼굴 영상을 입력받으면, 상기 표준 얼굴 그래프와 상기 최적분류 평면을 이용하여 입력받은 상기 얼굴 영상이 위변조된 얼굴인지를 판별하는 얼굴 인식수단을 포함한다.
본 발명은 주변 조명 영향이나 얼굴의 다양한 패턴에 대해서도 효율적으로 얼굴을 인식할 수 있을 뿐 아니라, 얼굴 인식의 정확도를 향상시킬 수 있고, 얼굴 인식에 대한 신뢰도를 향상시킬 수 있다.

Description

가버 특징과 ＳＶＭ 분류기를 이용하여 위변조 얼굴을 인식하기 위한 시스템 및 그 방법{SYSTEM FOR RECOGNIZING DISGUISED FACE USING GABOR FEATURE AND SVM CLASSIFIER AND METHOD THEREOF}
본 발명은 얼굴 인식 기술에 관한 것으로, 특히, 얼굴 영역으로부터 얼굴의 특징점 위치를 추정하여 추정된 얼굴 특징점으로부터 가버 특징을 추출하고, 그 추출된 가버 특징을 SVM 분류기의 입력 벡터로 사용하여 얼굴을 인식하도록 하는 가버 특징과 SVM 분류기를 이용하여 위변조 얼굴을 인식하기 위한 시스템 및 그 방법에 관한 것이다.
최근 얼굴 인식은 지문이나 홍채 인식과는 달리 사용자에게 협조를 구하지 않아도 된다는 편리성과 다양한 응용 분야로의 활용성 때문에 생체인식분야에서는 경쟁력 있는 인식 기술로 평가받고 있다. 특히, 얼굴 인식 기술은 개인을 인증하거나 출입을 허가해주는 보안시스템에 활용되어 구역별, 시간별 출입 관리 및 이동 경로 기록 등에 사용되어 범죄 예방 및 사후 범인 색출을 위한 보안 기술로 응용되고 있다. 또한, 얼굴 인식 기술은 컴퓨터 시스템에서 자신의 신분을 위장하여 다른 사용자의 계정이나 디렉토리(directory)에 접근하여 파일을 침해하거나 금용 범죄 행위를 시도할 때 마스크나 선글라스 등을 착용하여 자신의 신분을 위변조한 사람을 판별해내는 데도 활용되고 있다.
마스크나 선글라스로 위변조한 얼굴을 검출하는 것에 관한 기존 연구는 위변조 되지 않은 정상적인 얼굴에 대한 얼굴 검출 방법을 이용하여 얼굴 검출의 성공 여부에 따라 위변조를 판별하게 됨으로써 정상적인 얼굴이 제대로 검출되지 못했을 때도 위변조된 얼굴로 판별하게 되는 문제점이 있었다. 또한, 마스크나 선글라스를 착용한 사람의 얼굴은 정상적인 얼굴 특징을 가지지 못하므로 기존의 얼굴 검출 및 인식 방법을 적용해서 위변조 얼굴을 검출하기란 매우 어려운 일이다.
기존의 얼굴 검출 방법으로는 얼굴 주변의 공간 에지 정보에 기반한 타원 템플릿을 이용하거나 컬러 정보를 기반으로 얼굴 영역을 검출하여 얼굴의 윤곽선이나 눈과 입을 검출하는 연구가 진행되었다. 또한, 얼굴 모양 모델링에 기반한 ASM(Active shape model) 정합 기법을 사용하여 얼굴 윤곽을 검출할 수 있는 방법이 제안되었다. 대표적인 얼굴 인식 방법으로는 주성분 분석(Principal Component Analysis; PCA), Elastic Bunch 그래프 매칭(Elastic Bunch Graph Matching), 선형 판별 분석(Linear Discriminant Analysis; LDA), 국부적 특성분석(Local Feature Analysis; LFA) 등이 있다.
그러나 이러한 방법에서 다양한 얼굴 형태, 조명 변화, 입력 영상의 왜곡, 및 자세 변화 등은 얼굴 영역 추출 오류나 인식 성능을 저하시키는 요인으로 작용하기 때문에 이러한 변화 요인에 강인한 얼굴 검출 방법 및 인식 방법에 대한 연구가 절실한 실정이다.
위변조 얼굴 영역을 검출하고 인식하는 방법에 대한 연구가 진행되어져 왔으나 위변조된 얼굴은 선글라스나 마스크로 인하여 눈, 코, 입과 같은 얼굴 특징점이 가려져 있기 때문에 정상적인 얼굴 특성을 사용한 얼굴 검출 방법으로 얼굴 영역을 검출하는 것은 어렵다. 얼굴 모양을 모델링하여 얼굴을 검출하는 방법이 제안되었으나 얼굴 모델의 초기 정합 위치에 따라 인식 성능이나 처리 시간에 확연한 차이가 있음을 확인할 수 있었다. 위변조 얼굴은 얼굴 영역의 일부가 가려져 있고 위변조한 얼굴 형태의 다양성 때문에 기존에 제안된 얼굴 검출 방법 및 인식 알고리즘을 사용하여 실제 환경에 적용할 수 있는 위변조 얼굴을 인식하는 것은 매우 어렵다.
따라서 선글라스나 마스크로 얼굴 영역의 일부분이 가려져 있더라도 얼굴 영역을 정확히 검출하여 그 검출 결과로 위변조 얼굴로 판별할 수 있는 알고리즘 개발이 필요하다.
따라서 이러한 종래 기술의 문제점을 해결하기 위한 것으로, 본 발명의 목적은 얼굴 영역으로부터 얼굴의 특징점 위치를 추정하여 추정된 얼굴 특징점으로부터 가버 특징을 추출하고, 그 추출된 가버 특징을 SVM 분류기의 입력 벡터로 사용하여 얼굴을 인식하도록 하는 가버 특징과 SVM 분류기를 이용하여 위변조 얼굴을 인식하기 위한 시스템 및 그 방법을 제공하는데 있다.
그러나 본 발명의 목적은 상기에 언급된 사항으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 목적들을 달성하기 위하여, 본 발명의 한 관점에 따른 위변조 얼굴을 인식하기 위한 시스템은 다수의 얼굴 영상 샘플들로부터 하나의 표준 얼굴 그래프를 생성하는 그래프 생성수단; 다수의 얼굴 영상 샘플과 위변조 얼굴 영상 샘플로부터 위변조 얼굴을 판별하기 위한 최적분류 평면을 결정하는 SVM 학습수단; 및 인식하고자 하는 얼굴 영상을 입력받으면, 상기 표준 얼굴 그래프와 상기 최적분류 평면을 이용하여 입력받은 상기 얼굴 영상이 위변조된 얼굴인지를 판별하는 얼굴 인식수단을 포함할 수 있다.
바람직하게, 상기 그래프 생성수단은 입력받은 상기 얼굴 영상 샘플들 각각으로부터 아다부스트 알고리즘을 이용하여 미리 설정된 크기의 사각형의 얼굴 영역을 검출하고 검출된 상기 사각형의 얼굴 영역들 각각을 미리 설정된 크기로 정규화한 후, 정규화된 상기 사각형의 얼굴 영역들 각각으로부터 얼굴 특징점을 추출하고 추출된 상기 얼굴 특징점들을 이용하여 상기 표준 얼굴 그래프를 생성할 수 있다.
바람직하게, 상기 정규화된 사각형의 얼굴 영역의 크기는 상기 검출된 사각형의 얼굴 영역의 크기보다 크거나 같도록 설정되는 것을 특징으로 한다.
바람직하게, 상기 SVM 학습수단은 입력받은 상기 얼굴 영상 샘플과 상기 위변조 얼굴 영상 샘플로부터 아다부스트 알고리즘을 이용하여 사각형의 얼굴 영역을 각각 검출하고 검출된 상기 사각형의 얼굴 영역들 각각을 미리 설정된 크기로 정규화한 후, 정규화된 상기 사각형의 얼굴 영역을 이용하여 최적 얼굴 그래프를 생성하고, 생성된 상기 최적 얼굴 그래프로부터 가버 특징값을 추출하여 추출된 상기 최적 얼굴 그래프의 가버 특징값과 위치 값을 이용하여 위변조 얼굴을 판별하기 위한 최적분류 평면을 결정할 수 있다.
바람직하게, 상기 SVM 학습수단은 상기 사각형의 얼굴 영역 내 두 눈의 위치점을 기준으로 표준 얼굴 그래프의 크기를 조정하여 초기 얼굴 그래프를 생성한 후, 상기 초기 얼굴 그래프의 각 노드에서 가버 특징값과 상기 표준 얼굴 그래프의 각 노드에서 표준 가버 특징값의 유사도를 비교하여 그 비교한 결과에 따라 PSO(Particle Swarm Optimization) 알고리즘을 이용하여 상기 초기 얼굴 그래프를 반복적으로 변형시켜 상기 최적 얼굴 그래프를 생성할 수 있다.
바람직하게, 상기 얼굴 인식수단은 입력된 상기 얼굴 영상으로부터 아다부스트 알고리즘을 이용하여 사각형의 얼굴 영역을 검출하여 검출된 상기 사각형의 얼굴 영역을 미리 설정된 크기로 정규화한 후, 정규화된 상기 사각형의 얼굴 영역을 이용하여 상기 최적 얼굴 그래프를 생성하고 생성된 상기 최적 얼굴 그래프로부터 추출된 가버 특징값과 위치 값 및 기 생성된 상기 최적분류 평면을 이용하여 입력된 상기 얼굴 영상으로부터 상기 위변조된 얼굴 영상인지를 판별할 수 있다.
바람직하게, 상기 얼굴 인식수단은 정규화된 상기 사각형의 얼굴 영역을 이용하여 최적 얼굴 그래프를 생성하여 생성된 상기 최적 얼굴 그래프로부터 가버 특징값과 위치 값을 추출하고 추출된 상기 최적 얼굴 그래프의 각 노드들의 가버 특징값과 위치 값을 SVM 분류기의 입력 값으로 제공하여 그 결과로 SVM 분류기의 출력 값을 구한 후, 상기 출력 값과 기 생성된 상기 최적분류 평면을 이용하여 입력된 상기 얼굴 영상이 위변조된 얼굴 영상인지를 판별할 수 있다.
본 발명의 다른 한 관점에 따른 위변조 얼굴을 인식하기 위한 시스템은 입력받은 얼굴 영상으로부터 아다부스트 알고리즘을 이용하여 사각형의 얼굴 영역을 검출하는 검출부; 검출된 상기 사각형의 얼굴 영역들 각각을 미리 설정된 크기로 정규화하는 정규화부; 정규화된 상기 사각형의 얼굴 영역을 이용하여 최적 얼굴 그래프를 생성하고 생성된 상기 최적 얼굴 그래프로부터 가버 특징값과 위치 값을 추출하는 추출부; 및 추출된 상기 가버 특징값과 위치 값 및 기 생성된 위변조 얼굴을 판별하기 위한 최적분류 평면을 이용하여 입력된 상기 얼굴 영상이 위변조된 얼굴 영상인지를 판별하는 판별부를 포함할 수 있다.
바람직하게, 상기 판별부는 추출된 상기 최적 얼굴 그래프의 각 노드들의 가버 특징값과 위치 값을 SVM 분류기의 입력 값으로 제공하여 그 결과로 SVM 분류기의 출력 값을 구하고, 상기 출력 값과 상기 최적분류 평면을 이용하여 입력된 상기 얼굴 영상이 위변조된 얼굴 영상인지를 판별할 수 있다.
본 발명의 또 다른 한 관점에 따른 위변조 얼굴을 인식하기 위한 방법은 다수의 얼굴 영상 샘플들로부터 하나의 표준 얼굴 그래프를 생성하는 단계; 다수의 얼굴 영상 샘플과 위변조 얼굴 영상 샘플로부터 위변조 얼굴을 판별하기 위한 최적분류 평면을 생성하는 단계; 및 인식하고자 하는 얼굴 영상을 입력받으면, 상기 표준 얼굴 그래프와 상기 최적분류 평면을 이용하여 입력받은 상기 얼굴 영상이 위변조된 얼굴인지를 판별하는 단계를 포함할 수 있다.
바람직하게, 상기 표준 얼굴 그래프를 생성하는 단계는 입력받은 상기 얼굴 영상 샘플들 각각으로부터 아다부스트 알고리즘을 이용하여 미리 설정된 크기의 사각형의 얼굴 영역을 검출하고 검출된 상기 사각형의 얼굴 영역들 각각을 미리 설정된 크기로 정규화한 후, 정규화된 상기 사각형의 얼굴 영역들 각각으로부터 얼굴 특징점을 추출하고 추출된 상기 얼굴 특징점들을 이용하여 상기 표준 얼굴 그래프를 생성할 수 있다.
바람직하게, 상기 정규화된 사각형의 얼굴 영역의 크기는 상기 검출된 사각형의 얼굴 영역의 크기보다 크거나 같도록 설정되는 것을 특징으로 한다.
바람직하게, 상기 최적분류 평면을 생성하는 단계는 입력받은 상기 얼굴 영상 샘플과 상기 위변조 얼굴 영상 샘플로부터 아다부스트 알고리즘을 이용하여 사각형의 얼굴 영역을 각각 검출하고 검출된 상기 사각형의 얼굴 영역들 각각을 미리 설정된 크기로 정규화한 후, 정규화된 상기 사각형의 얼굴 영역을 이용하여 최적 얼굴 그래프를 생성하고, 생성된 상기 최적 얼굴 그래프로부터 가버 특징값을 추출하여 추출된 상기 최적 얼굴 그래프의 가버 특징값과 위치 값을 이용하여 위변조 얼굴을 판별하기 위한 최적분류 평면을 생성할 수 있다.
바람직하게, 상기 최적분류 평면을 생성하는 단계는 상기 사각형의 얼굴 영역 내 두 눈의 위치점을 기준으로 표준 얼굴 그래프의 크기를 조정하여 초기 얼굴 그래프를 생성한 후, 상기 초기 얼굴 그래프의 각 노드에서 가버 특징값과 상기 표준 얼굴 그래프의 각 노드에서 표준 가버 특징값의 유사도를 비교하여 그 비교한 결과에 따라 PSO(Particle Swarm Optimization) 알고리즘을 이용하여 상기 초기 얼굴 그래프를 반복적으로 변형시켜 상기 최적 얼굴 그래프를 생성할 수 있다.
바람직하게, 상기 위변조된 얼굴인지를 판별하는 단계는 입력된 상기 얼굴 영상으로부터 아다부스트 알고리즘을 이용하여 사각형의 얼굴 영역을 검출하여 검출된 상기 사각형의 얼굴 영역을 미리 설정된 크기로 정규화한 후, 정규화된 상기 사각형의 얼굴 영역을 이용하여 상기 최적 얼굴 그래프를 생성하고 생성된 상기 최적 얼굴 그래프로부터 추출된 가버 특징값과 위치 값 및 기 생성된 상기 최적분류 평면을 이용하여 입력된 상기 얼굴 영상으로부터 상기 위변조된 얼굴인지를 판별할 수 있다.
바람직하게, 상기 위변조된 얼굴인지를 판별하는 단계는 정규화된 상기 사각형의 얼굴 영역을 이용하여 최적 얼굴 그래프를 생성하여 생성된 상기 최적 얼굴 그래프로부터 가버 특징값과 위치 값을 추출하고 추출된 상기 최적 얼굴 그래프의 각 노드들의 가버 특징값과 위치 값을 SVM 분류기의 입력 값으로 제공하여 그 결과로 SVM 분류기의 출력 값을 구한 후, 상기 출력 값과 기 생성된 상기 최적분류 평면을 이용하여 입력된 상기 얼굴 영상이 위변조된 얼굴인지를 판별할 수 있다.
본 발명의 또 다른 한 관점에 따른 위변조 얼굴을 인식하기 위한 방법은 입력받은 얼굴 영상으로부터 아다부스트 알고리즘을 이용하여 사각형의 얼굴 영역을 검출하는 단계; 검출된 상기 사각형의 얼굴 영역들 각각을 미리 설정된 크기로 정규화하는 단계; 정규화된 상기 사각형의 얼굴 영역을 이용하여 최적 얼굴 그래프를 생성하고 생성된 상기 최적 얼굴 그래프로부터 가버 특징값과 위치 값을 추출하는 단계; 및 추출된 상기 가버 특징값과 위치 값 및 기 생성된 위변조 얼굴을 판별하기 위한 최적분류 평면을 이용하여 입력된 상기 얼굴 영상이 위변조된 얼굴인지를 판별하는 단계를 포함할 수 있다.
바람직하게, 상기 위변조된 얼굴인지를 판별하는 단계는 추출된 상기 최적 얼굴 그래프의 각 노드들의 가버 특징값과 위치 값을 SVM 분류기의 입력 값으로 제공하여 그 결과로 SVM 분류기의 출력 값을 구하고, 상기 출력 값과 상기 최적분류 평면을 이용하여 입력된 상기 얼굴 영상이 위변조된 얼굴인지를 판별할 수 있다.
이를 통해, 본 발명은 얼굴 영역으로부터 얼굴의 특징점 위치를 추정하여 추정된 얼굴 특징점으로부터 가버 특징을 추출하고, 그 추출된 가버 특징을 SVM 분류기의 입력 벡터로 사용하여 얼굴을 인식함으로써, 주변 조명 영향이나 얼굴의 다양한 패턴에 대해서도 효율적으로 얼굴을 인식할 수 있는 효과가 있다.
또한, 본 발명은 주변 조명 영향이나 얼굴의 다양한 패턴에 대해서도 효율적으로 얼굴을 인식하기 때문에, 얼굴 인식의 정확도를 향상시킬 수 있는 효과가 있다.
또한, 본 발명은 주변 조명 영향이나 얼굴의 다양한 패턴에 대해서도 효율적으로 얼굴을 인식하기 때문에, 얼굴 인식에 대한 신뢰도를 향상시킬 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 따른 위변조 얼굴을 인식하기 위한 시스템을 나타내는 도면이다.
도 2는 도 1에 도시된 그래프 생성수단(100)의 상세한 구성을 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 표준 얼굴 그래프를 생성하는 원리를 설명하기 위한 도면이다.
도 4는 도 1에 도시된 SVM 학습수단(200)의 상세한 구성을 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따른 얼굴 영역을 검출하는 원리를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 최적 얼굴 그래프를 생성하는 원리를 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 최적분류 평면을 구하는 원리를 설명하기 위한 도면이다.
도 8은 도 1에 도시된 얼굴 인식수단(300)의 상세한 구성을 나타내는 도면이다.
도 9는 본 발명의 일 실시예에 따른 위변조 얼굴을 인식하기 위한 방법을 나타내는 도면이다.
이하에서는, 본 발명의 실시예에 따른 가버 특징과 SVM 분류기를 이용하여 위변조 얼굴을 인식하기 위한 시스템 및 그 방법을 첨부한 도 1 내지 도 9를 참조하여 설명한다. 본 발명에 따른 동작 및 작용을 이해하는데 필요한 부분을 중심으로 상세히 설명한다. 명세서 전체를 통하여 각 도면에서 제시된 동일한 참조 부호는 동일한 구성 요소를 나타낸다. 또한, 본 발명을 설명함에 있어 관련된 공지기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략하기로 한다.
특히, 본 발명에서는 얼굴 영상으로부터 얼굴의 특징점 위치를 추정하여 추정된 얼굴 특징점으로부터 가버 특징값을 추출하고, 그 추출된 가버 특징값을 SVM(Support Vector Machine) 분류기의 입력 벡터로 사용하여 마스크나 선글라스 등으로 위변조한 사람의 얼굴을 인식할 수 있는 새로운 얼굴 인식 방안을 제안한다.
도 1은 본 발명의 실시예에 따른 위변조 얼굴을 인식하기 위한 시스템을 나타내는 도면이다.
도 1에 도시한 바와 같이, 본 발명에 따른 위변조 얼굴을 인식하기 위한 시스템은 그래프 생성수단(100), SVM 학습수단(200), 및 얼굴 인식수단(300) 등을 포함하여 구성될 수 있다.
그래프 생성수단(100)은 남녀, 성별 등 다양한 얼굴을 표현할 수 있는 얼굴 영상 샘플들로부터 표준 얼굴 그래프를 생성할 수 있는데, 이를 도 2에서 상세히 설명한다.
도 2는 도 1에 도시된 그래프 생성수단(100)의 상세한 구성을 나타내는 도면이다.
도 2에 도시한 바와 같이, 본 발명에 따른 그래프 생성수단(100)은 입력부(110), 검출부(120), 정규화부(130), 추출부(140), 및 생성부(150) 등을 포함하여 구성된다.
입력부(110)는 다양한 얼굴 형태를 갖는 얼굴 영상 샘플들을 입력받을 수 있다.
검출부(120)는 입력받은 얼굴 영상 샘플들 각각으로부터 아다부스트 알고리즘을 이용하여 미리 설정된 nxn 크기의 사각형의 얼굴 영역을 검출할 수 있다. 특히, 검출부(120)는 Viola-Jones의 알고리즘을 개선한 MCT(Modified Census Transform) 방식을 이용하여 4 단계로 이루어진 캐스케이드(cascade) 구조로 아다부스트 알고리즘을 훈련시키게 된다.
이때, 검출부(120)는 nxn 크기의 얼굴 영역을 검출하지 못하는 경우 입력받은 얼굴 영상 샘플의 크기를 단계적으로 줄이면서 얼굴 영역을 검출하게 된다. 이러한 이유는 얼굴 영역을 검출하는 윈도우의 크기가 nxn으로 고정되어 있기 때문에, 영상에서 나타날 수 있는 다양한 크기의 얼굴을 찾기 위해서는 원 영상의 크기를 단계적으로 줄여가면서 각 단계마다 윈도우로 얼굴을 찾고자 함이다. 결과적으로 영상에서 차지하는 얼굴의 크기에 상관없이 얼굴 영역의 검출이 가능하게 된다.
정규화부(130)는 검출된 사각형의 얼굴 영역들 각각을 미리 설정된 mxm 크기로 정규화할 수 있다. 여기서, m의 값은 n의 값보다 크거나 같도록 설정될 수 있다. 즉, 입력 영상에서 검출된 얼굴 영상의 크기는 일정하지 않기 때문에 특징 검출의 효율을 높이기 위해서는 검출된 얼굴 영상의 크기를 일정하게 만드는 정규화 과정이 필요하다.
추출부(140)는 정규화된 사각형의 얼굴 영역들 각각으로부터 얼굴 특징점을 추출할 수 있다. 예컨대, 추출부(140)는 양쪽 눈 및 눈썹과 관련된 1번부터 9번까지의 점들, 코와 관련된 10번부터 13번까지의 점들, 입술과 관련된 14번부터 18번까지의 점들, 턱과 관련된 19번부터 21번까지의 점들, 얼굴 윤곽선과 관련된 22번부터 30번까지의 점들을 추출하고, 추출된 얼굴 특징점들 사이에 인터폴레이션을 수행하여 8개의 점을 추가로 추출하여 총 38개의 얼굴 특징점을 추출할 수 있다.
생성부(150)는 추출된 얼굴 특징점들을 이용하여 표준 얼굴 그래프를 생성할 수 있다.
도 3은 본 발명의 일 실시예에 따른 표준 얼굴 그래프를 생성하는 원리를 설명하기 위한 도면이다.
도 3에 도시한 바와 같이, 생성부(150)는 N개의 얼굴 영상 샘플들로부터 추출된 얼굴 특징점들 각각에 대하여 각 특징점의 위치값과 가버 특징값을 구하고, 구한 특징점의 위치값과 가버 특징값을 합산하한 후 그 합산한 값을 얼굴 영상들의 개수 N으로 나누어 평균 위치값과 평균 가버 특징값을 구하고 그 구한 평균 위치값과 평균 가버 특징값을 이용하여 평균 얼굴 그래프를 생성하게 된다.
이처럼 얼굴 특징점들의 위치값과 가버 특징값을 평균하여 그 평균한 값을 적용하는 이유는 다양한 얼굴 형태에 대해 일반화된 얼굴의 특징점을 추출하기 위함이다.
SVM 학습수단(200)은 얼굴 영상 샘플과 위변조 얼굴 영상 샘플로부터 위변조 얼굴을 판별하기 위한 최적분류 평면을 결정할 수 있는데, 이를 도 3에서 상세히 설명한다.
도 4는 도 1에 도시된 SVM 학습수단(200)의 상세한 구성을 나타내는 도면이다.
도 4에 도시한 바와 같이, 본 발명에 따른 SVM 학습수단(200)은 입력부(210), 검출부(220), 정규화부(230), 추출부(240), 및 결정부(250) 등을 포함하여 구성될 수 있다.
입력부(210)는 얼굴 영상 샘플과 위변조 얼굴 영상 샘플을 입력받을 수 있다.
검출부(220)는 입력받은 얼굴 영상 샘플과 위변조 얼굴 영상 샘플로부터 아다부스트 알고리즘을 이용하여 사각형의 얼굴 영역을 각각 검출할 수 있다.
도 5는 본 발명의 일 실시예에 따른 얼굴 영역을 검출하는 원리를 설명하기 위한 도면이다.
도 5에 도시한 바와 같이, 검출부(220)는 입력받은 얼굴 영상 샘플들과 위변조 얼굴 영상 샘플들 각각으로부터 아다부스트 알고리즘을 이용하여 미리 설정된 nxn 크기의 다수의 얼굴 영역들을 검출하고, 그 검출된 다수의 얼굴 영역들의 좌표값을 평균하여 평균 좌표값을 갖는 얼굴 영역을 검출하게 된다.
이때, 검출부(120)는 nxn 크기의 얼굴 영역을 검출하지 못하는 경우 입력받은 얼굴 영상 샘플의 크기를 단계적으로 줄이면서 얼굴 영역을 검출하게 된다.
이렇게 검출된 얼굴 영역은 최적 얼굴 그래프의 초기 정합 정보로 활용될 수 있다.
정규화부(230)는 검출된 사각형의 얼굴 영역들 각각을 미리 설정된 mxm 크기로 정규화할 수 있다. 여기서, m의 값은 n의 값보다 크거나 같도록 설정될 수 있다.
추출부(240)는 정규화된 사각형의 얼굴 영역을 이용하여 최적 얼굴 그래프를 생성하고, 그 생성된 최적 얼굴 그래프로부터 가버 특징값과 위치값을 추출할 수 있다.
도 6은 본 발명의 일 실시예에 따른 최적 얼굴 그래프를 생성하는 원리를 설명하기 위한 도면이다.
도 6에 도시한 바와 같이, 추출부(240)는 사각형의 얼굴 영역 내 두 눈의 위치점을 기준으로 표준 얼굴 그래프의 크기를 조정하여 크기가 조정된 표준 얼굴 그래프를 초기 얼굴 그래프로 얼굴 영상 샘플에 오버래핑(overlapping)한다. 이는 얼굴 영역의 크기에 맞도록 표준 얼굴 그래프의 크기를 조절하기 위함이다.
이를 구체적으로 설명하면 다음과 같다. 즉, 추출부(240)는 두 눈의 위치점을 기준으로 표준 얼굴 그래프를 조정하되, 예컨대, 두 눈의 위치점을 기준으로 사각형의 위쪽 Ys에 눈썹의 위쪽 특징점이, 사각형의 아래쪽 Ye에 입술과 턱 사이의 인터폴레이션 점이, 사각형의 왼쪽 Xs와 Xe에 얼굴의 양쪽 턱선 점이 놓여질 수 있도록 표준 얼굴 그래프의 크기를 조정하여 이를 초기 얼굴 그래프를 생성하게 된다.
추출부(240)는 초기 얼굴 그래프의 각 노드에서 가버 특징값을 구하고 구한 가버 특징값과 표준 얼굴 그래프의 각 노드에서 구한 표준 가버 특징값의 유사도를 비교하고 그 비교한 결과에 따라 PSO(Particle Swarm Optimization) 알고리즘을 이용하여 초기 얼굴 그래프를 반복적으로 변형시켜 최적 얼굴 그래프를 생성할 수 있다.
PSO 알고리즘은 진화론적인 계산 방법으로서 복소 함수(complex function)로부터 최적 해를 구하는데 사용되는데, 개인 파티클(particle)과 군집(swarm) 내의 파티클과 서로 정보를 교환하면서 최적 해를 구하게 된다.
예컨대, 얼굴 그래프의 가변 매개 변수들을 D차원의 탐색 공간으로 정의할 때, I번째 개인 파티클의 위치는 D차원의 벡터 Xi=(xi1,xi2,...,xiD)T로 표시되고 이 파티클로 구성되는 얼굴 그래프의 현재 위치와 다음 위치 사이의 위치 변화량인 파티클의 이동 속도는 D차원의 벡터 Vi=(vi1,vi2,...,viD)T로 표시된다고 가정할 때, 군집 내의 각 파티클에 대해 파티클의 이전 위치와 현재 위치를 비교하여 그 비교한 결과에 따라 최적 위치를 계산한 후에 개인 파티클의 속도와 위치를 다음의 [수학식 1]과 같이 갱신하게 된다.
[수학식 1]
Figure pat00001
Figure pat00002
, i= 1,2,...,N
여기서, pi_best는 개인 파티클의 최적 이전 방문 위치(best previously visit position)을 나타내고, gbest는 모든 파티클들 중에서 최적 방문 위치(global best visit position)을 나타낸다. 그리고 w는 초기 가중치를 나타내고, c1,c2는 가속화 계수(acceleration coefficient)로서 상수를 나타내며, rand1, rand2는 [0,1] 사이에서 균등 분포값을 갖는 난수를 나타낸다.
또한, i번째 개인의 최적 이전 방문 위치는 Pi_best=(pi1,pi2,...,piD)T로 표현되고, gbest는 군집 내 모든 파티클 중에서 최적 해를 갖는 파티클 g의 방문 위치 Gbest=(g1,g2,...,gD)T를 나타낼 수 있다.
이때, 가변 매개 변수는 두 눈 사이의 중심, 그래프 전체 크기 스케일링 변수, 두분 위쪽 크기 스케일링 변수, 두 눈 아래쪽 크기 스케일링 변수 등을 포함할 수 있다.
결정부(250)는 추출된 최적 얼굴 그래프의 각 노드들의 가버 특징값과 위치 값을 이용하여 위변조 얼굴을 판별하기 위한 최적분류 평면을 결정할 수 있다.
도 7은 본 발명의 일 실시예에 따른 최적분류 평면을 결정하는 원리를 설명하기 위한 도면이다.
도 7에 도시한 바와 같이, 결정부(250)는 최적 얼굴 그래프의 각 노드들의 가버 제트 값과 위치 값을 SVM 분류기의 입력 값으로 제공하여 그 결과로 최적분류 평면을 결정할 수 있다.
이때, SVM 분류기는 특징 벡터를 고차원 특징 공간으로 사상시켜 대역적으로 최적의 식별이 가능하도록 만든 분류기 모델이다. SVM 분류기는 기본적으로 2 클래스를 가장 잘 분류하는 분류기 모델로 알려져 있으며 2 클래스의 특징 데이터를 최적으로 분리할 수 있는 최적 분류 경계면(optimal hyperplane)을 설정하여 분류 능력을 최대화하는 통계적 학습 모델이다. 그러나 얼굴 영상이나 위변조 얼굴 영상과 같이 다양한 형태의 입력 영상에서 추출한 특징 데이터는 선형 분리 경계면으로 완전히 분리하기 어려우므로 커널 함수를 이용하여 데이터를 고차원 공간으로 사상시켜 그림과 같이 선형 분리 가능하도록 선형 분리 경계면을 확장하도록 한다. 이처럼 정상 얼굴 특징 벡터와 위변조 얼굴 특징 벡터는 선형 분리가 어려운 데이터들로써 특징 데이터를 고차원의 공간으로 사상시켜 생성된 특징 벡터를 SVM 분류기의 입력으로 제공하여 분류 능력을 최대화할 수 있도록 한다.
본 발명에서는 사용한 고차원의 가버 특징 벡터는 38개의 노드 점 각각에 대해 추출한 40 종류의 가버 특징값, 즉 1,520차원의 특징 벡터를 추출하여 SVM 분류기의 입력 벡터로 제공한다. SVM 학습 결과 저차원에서 분류하기 힘든 얼굴 영상 데이터를 1,520차원의 공간에서 정상 얼굴 및 위변조 얼굴 2 클래스로 정확히 분류할 수 있었다. 제안된 위변조 인식 방법은 분류 능력을 최대화하면서 메모리 증가나 처리 속도 저하없이 선글라스나 마스트로 위변조한 얼굴 및 정상 얼굴을 구별할 수 있다.
얼굴 인식수단(300)은 표준 얼굴 그래프와 최적분류 평면을 이용하여 입력받은 얼굴 영상으로부터 위변조 얼굴여부를 판별할 수 있는데, 이를 도 4를 참조하여 설명한다.
도 8은 도 1에 도시된 얼굴 인식수단(300)의 상세한 구성을 나타내는 도면이다.
도 8에 도시한 바와 같이, 본 발명에 따른 얼굴 인식수단(300)은 입력부(310), 검출부(320), 정규화부(330), 추출부(340), 및 판별부(350) 등을 포함하여 구성될 수 있다.
입력부(310)는 위변조 여부를 판별하기 위한 얼굴 영상을 입력받을 수 있다.
검출부(320)는 입력받은 얼굴 영상으로부터 아다부스트 알고리즘을 이용하여 사각형의 얼굴 영역을 검출할 수 있다.
즉, 검출부(320)는 입력받은 얼굴 영상으로부터 아다부스트 알고리즘을 이용하여 미리 설정된 nxn 크기의 다수의 얼굴 영역들을 검출하고, 그 검출된 다수의 얼굴 영역들의 좌표값을 평균하여 그 결과로 평균 좌표값을 갖는 얼굴 영역을 검출하게 된다.
정규화부(330)는 검출된 사각형의 얼굴 영역들 각각을 미리 설정된 mxm 크기로 정규화할 수 있다. 여기서, m의 값은 n의 값보다 크거나 같도록 설정될 수 있다.
추출부(340)는 정규화된 사각형의 얼굴 영역을 이용하여 최적 얼굴 그래프를 생성하고, 그 생성된 최적 얼굴 그래프로부터 가버 특징값과 위치 값을 추출할 수 있다.
이를 좀더 상세히 설명하면 다음과 같다. 즉, 추출부(340)는 사각형의 얼굴 영역 내 두 눈의 위치점을 기준으로 표준 얼굴 그래프의 크기를 조정하여 크기가 조정된 표준 얼굴 그래프를 초기 얼굴 그래프로 얼굴 영상 샘플에 오버래핑한다.
추출부(340)는 초기 얼굴 그래프의 각 노드에서 가버 특징값을 구하고 구한 가버 특징값과 표준 얼굴 그래프의 각 노드에서 구한 표준 가버 특징값의 유사도를 비교하고 그 비교한 결과에 따라 PSO 알고리즘을 이용하여 초기 얼굴 그래프를 변형시켜 최적 얼굴 그래프를 생성할 수 있다.
추출부(340)는 최적 얼굴 그래프의 각 노드들의 가버 특징값과 위치 값을 추출할 수 있다.
판별부(350)는 추출된 최적 얼굴 그래프의 각 노드들의 가버 특징값과 위치 값을 SVM 분류기의 입력 값으로 제공하여 그 결과로 SVM 분류기의 출력 값을 구하고, 그 구한 출력 값과 기 생성된 최적분류 평면을 이용하여 입력된 얼굴 영상이 정상 얼굴 영상인지 또는 마스크나 선글라스로 위변조된 얼굴 영상인지를 판별할 수 있다.
도 9는 본 발명의 일 실시예에 따른 위변조 얼굴을 인식하기 위한 방법을 나타내는 도면이다.
도 9에 도시한 바와 같이, 본 발명에 따른 위변조 얼굴을 인식하기 위한 시스템(이하 위변조 얼굴인식 시스템이라 한다)은 얼굴 영상을 입력받으면(S910), 입력된 얼굴 영상으로부터 아다부스트 알고리즘을 이용하여 사각형의 얼굴 영역을 검출할 수 있다(S920).
다음으로, 위변조 얼굴인식 시스템은 검출된 사각형의 얼굴 영역을 미리 설정된 크기로 정규화할 수 있다(S930).
다음으로, 위변조 얼굴인식 시스템은 정규화된 사각형의 얼굴 영역을 이용하여 최적 얼굴 그래프를 생성하고(S940), 그 생성된 최적 얼굴 그래프로부터 가버 특징값과 위치 값을 추출할 수 있다(S950).
다음으로, 위변조 얼굴인식 시스템은 추출된 최적 얼굴 그래프의 각 노드들의 가버 특징값과 위치 값을 SVM 분류기의 입력 값으로 제공하여 그 결과로 SVM 분류기의 출력 값을 구할 수 있다(S960).
다음으로, 위변조 얼굴인식 시스템은 그 구한 출력 값과 기 생성된 최적분류 평면을 이용하여 입력된 얼굴 영상 샘플이 위변조된 얼굴 영상인지를 판별할 수 있다(S970).
한편, 상술한 본 발명의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에 서 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스 크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.
본 발명에 의한 가버 특징과 SVM 분류기를 이용하여 위변조 얼굴을 인식하기 위한 시스템 및 그 방법이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 그래프 생성수단
200: SVM 학습수단
300: 얼굴 인식수단

Claims (18)

  1. 다수의 얼굴 영상 샘플들로부터 하나의 표준 얼굴 그래프를 생성하는 그래프 생성수단;
    다수의 얼굴 영상 샘플과 위변조 얼굴 영상 샘플로부터 위변조 얼굴을 판별하기 위한 최적분류 평면을 결정하는 SVM 학습수단; 및
    인식하고자 하는 얼굴 영상을 입력받으면, 상기 표준 얼굴 그래프와 상기 최적분류 평면을 이용하여 입력받은 상기 얼굴 영상이 위변조된 얼굴인지를 판별하는 얼굴 인식수단;
    을 포함하는 위변조 얼굴을 인식하기 위한 시스템.
  2. 제1 항에 있어서,
    상기 그래프 생성수단은,
    입력받은 상기 얼굴 영상 샘플들 각각으로부터 아다부스트 알고리즘을 이용하여 미리 설정된 크기의 사각형의 얼굴 영역을 검출하고 검출된 상기 사각형의 얼굴 영역들 각각을 미리 설정된 크기로 정규화한 후,
    정규화된 상기 사각형의 얼굴 영역들 각각으로부터 얼굴 특징점을 추출하고 추출된 상기 얼굴 특징점들을 이용하여 상기 표준 얼굴 그래프를 생성하는 것을 특징으로 하는 위변조 얼굴을 인식하기 위한 시스템.
  3. 제2 항에 있어서,
    상기 정규화된 사각형의 얼굴 영역의 크기는 상기 검출된 사각형의 얼굴 영역의 크기보다 크거나 같도록 설정되는 것을 특징으로 하는 위변조 얼굴을 인식하기 위한 시스템.
  4. 제1 항에 있어서,
    상기 SVM 학습수단은,
    입력받은 상기 얼굴 영상 샘플과 상기 위변조 얼굴 영상 샘플로부터 아다부스트 알고리즘을 이용하여 사각형의 얼굴 영역을 각각 검출하고 검출된 상기 사각형의 얼굴 영역들 각각을 미리 설정된 크기로 정규화한 후,
    정규화된 상기 사각형의 얼굴 영역을 이용하여 최적 얼굴 그래프를 생성하고, 생성된 상기 최적 얼굴 그래프로부터 가버 특징값을 추출하여 추출된 상기 최적 얼굴 그래프의 가버 특징값과 위치 값을 이용하여 위변조 얼굴을 판별하기 위한 최적분류 평면을 결정하는 것을 특징으로 하는 위변조 얼굴을 인식하기 위한 시스템.
  5. 제4 항에 있어서,
    상기 SVM 학습수단은,
    상기 사각형의 얼굴 영역 내 두 눈의 위치점을 기준으로 표준 얼굴 그래프의 크기를 조정하여 초기 얼굴 그래프를 생성한 후,
    상기 초기 얼굴 그래프의 각 노드에서 가버 특징값과 상기 표준 얼굴 그래프의 각 노드에서 표준 가버 특징값의 유사도를 비교하여 그 비교한 결과에 따라 PSO(Particle Swarm Optimization) 알고리즘을 이용하여 상기 초기 얼굴 그래프를 반복적으로 변형시켜 상기 최적 얼굴 그래프를 생성하는 것을 특징으로 하는 위변조 얼굴을 인식하기 위한 시스템.
  6. 제1 항에 있어서,
    상기 얼굴 인식수단은,
    입력된 상기 얼굴 영상으로부터 아다부스트 알고리즘을 이용하여 사각형의 얼굴 영역을 검출하여 검출된 상기 사각형의 얼굴 영역을 미리 설정된 크기로 정규화한 후,
    정규화된 상기 사각형의 얼굴 영역을 이용하여 상기 최적 얼굴 그래프를 생성하고 생성된 상기 최적 얼굴 그래프로부터 추출된 가버 특징값과 위치 값 및 기 생성된 상기 최적분류 평면을 이용하여 입력된 상기 얼굴 영상으로부터 상기 위변조된 얼굴 영상인지를 판별하는 것을 특징으로 하는 위변조 얼굴을 인식하기 위한 시스템.
  7. 제6 항에 있어서,
    상기 얼굴 인식수단은,
    정규화된 상기 사각형의 얼굴 영역을 이용하여 최적 얼굴 그래프를 생성하여 생성된 상기 최적 얼굴 그래프로부터 가버 특징값과 위치 값을 추출하고 추출된 상기 최적 얼굴 그래프의 각 노드들의 가버 특징값과 위치 값을 SVM 분류기의 입력 값으로 제공하여 그 결과로 SVM 분류기의 출력 값을 구한 후,
    상기 출력 값과 기 생성된 상기 최적분류 평면을 이용하여 입력된 상기 얼굴 영상이 위변조된 얼굴 영상인지를 판별하는 것을 특징으로 하는 위변조 얼굴을 인식하기 위한 시스템.
  8. 입력받은 얼굴 영상으로부터 아다부스트 알고리즘을 이용하여 사각형의 얼굴 영역을 검출하는 검출부;
    검출된 상기 사각형의 얼굴 영역들 각각을 미리 설정된 크기로 정규화하는 정규화부;
    정규화된 상기 사각형의 얼굴 영역을 이용하여 최적 얼굴 그래프를 생성하고 생성된 상기 최적 얼굴 그래프로부터 가버 특징값과 위치 값을 추출하는 추출부; 및
    추출된 상기 가버 특징값과 위치 값 및 기 생성된 위변조 얼굴을 판별하기 위한 최적분류 평면을 이용하여 입력된 상기 얼굴 영상이 위변조된 얼굴 영상인지를 판별하는 판별부;
    를 포함하는 위변조 얼굴을 인식하기 위한 시스템.
  9. 제8 항에 있어서,
    상기 판별부는,
    추출된 상기 최적 얼굴 그래프의 각 노드들의 가버 특징값과 위치 값을 SVM 분류기의 입력 값으로 제공하여 그 결과로 SVM 분류기의 출력 값을 구하고,
    상기 출력 값과 상기 최적분류 평면을 이용하여 입력된 상기 얼굴 영상이 위변조된 얼굴 영상인지를 판별하는 것을 특징으로 하는 위변조 얼굴을 인식하기 위한 시스템.
  10. 다수의 얼굴 영상 샘플들로부터 하나의 표준 얼굴 그래프를 생성하는 단계;
    다수의 얼굴 영상 샘플과 위변조 얼굴 영상 샘플로부터 위변조 얼굴을 판별하기 위한 최적분류 평면을 생성하는 단계; 및
    인식하고자 하는 얼굴 영상을 입력받으면, 상기 표준 얼굴 그래프와 상기 최적분류 평면을 이용하여 입력받은 상기 얼굴 영상이 위변조된 얼굴인지를 판별하는 단계;
    를 포함하는 위변조 얼굴을 인식하기 위한 방법.
  11. 제10 항에 있어서,
    상기 표준 얼굴 그래프를 생성하는 단계는,
    입력받은 상기 얼굴 영상 샘플들 각각으로부터 아다부스트 알고리즘을 이용하여 미리 설정된 크기의 사각형의 얼굴 영역을 검출하고 검출된 상기 사각형의 얼굴 영역들 각각을 미리 설정된 크기로 정규화한 후,
    정규화된 상기 사각형의 얼굴 영역들 각각으로부터 얼굴 특징점을 추출하고 추출된 상기 얼굴 특징점들을 이용하여 상기 표준 얼굴 그래프를 생성하는 것을 특징으로 하는 위변조 얼굴을 인식하기 위한 방법.
  12. 제11 항에 있어서,
    상기 정규화된 사각형의 얼굴 영역의 크기는 상기 검출된 사각형의 얼굴 영역의 크기보다 크거나 같도록 설정되는 것을 특징으로 하는 위변조 얼굴을 인식하기 위한 방법.
  13. 제10 항에 있어서,
    상기 최적분류 평면을 생성하는 단계는,
    입력받은 상기 얼굴 영상 샘플과 상기 위변조 얼굴 영상 샘플로부터 아다부스트 알고리즘을 이용하여 사각형의 얼굴 영역을 각각 검출하고 검출된 상기 사각형의 얼굴 영역들 각각을 미리 설정된 크기로 정규화한 후,
    정규화된 상기 사각형의 얼굴 영역을 이용하여 최적 얼굴 그래프를 생성하고, 생성된 상기 최적 얼굴 그래프로부터 가버 특징값을 추출하여 추출된 상기 최적 얼굴 그래프의 가버 특징값과 위치 값을 이용하여 위변조 얼굴을 판별하기 위한 최적분류 평면을 생성하는 것을 특징으로 하는 위변조 얼굴을 인식하기 위한 방법.
  14. 제13 항에 있어서,
    상기 최적분류 평면을 생성하는 단계는,
    상기 사각형의 얼굴 영역 내 두 눈의 위치점을 기준으로 표준 얼굴 그래프의 크기를 조정하여 초기 얼굴 그래프를 생성한 후,
    상기 초기 얼굴 그래프의 각 노드에서 가버 특징값과 상기 표준 얼굴 그래프의 각 노드에서 표준 가버 특징값의 유사도를 비교하여 그 비교한 결과에 따라 PSO(Particle Swarm Optimization) 알고리즘을 이용하여 상기 초기 얼굴 그래프를 반복적으로 변형시켜 상기 최적 얼굴 그래프를 생성하는 것을 특징으로 하는 위변조 얼굴을 인식하기 위한 방법.
  15. 제10 항에 있어서,
    상기 위변조된 얼굴인지를 판별하는 단계는,
    입력된 상기 얼굴 영상으로부터 아다부스트 알고리즘을 이용하여 사각형의 얼굴 영역을 검출하여 검출된 상기 사각형의 얼굴 영역을 미리 설정된 크기로 정규화한 후,
    정규화된 상기 사각형의 얼굴 영역을 이용하여 상기 최적 얼굴 그래프를 생성하고 생성된 상기 최적 얼굴 그래프로부터 추출된 가버 특징값과 위치 값 및 기 생성된 상기 최적분류 평면을 이용하여 입력된 상기 얼굴 영상으로부터 상기 위변조된 얼굴인지를 판별하는 것을 특징으로 하는 위변조 얼굴을 인식하기 위한 방법.
  16. 제15 항에 있어서,
    상기 위변조된 얼굴인지를 판별하는 단계는,
    정규화된 상기 사각형의 얼굴 영역을 이용하여 최적 얼굴 그래프를 생성하여 생성된 상기 최적 얼굴 그래프로부터 가버 특징값과 위치 값을 추출하고 추출된 상기 최적 얼굴 그래프의 각 노드들의 가버 특징값과 위치 값을 SVM 분류기의 입력 값으로 제공하여 그 결과로 SVM 분류기의 출력 값을 구한 후,
    상기 출력 값과 기 생성된 상기 최적분류 평면을 이용하여 입력된 상기 얼굴 영상이 위변조된 얼굴인지를 판별하는 것을 특징으로 하는 위변조 얼굴을 인식하기 위한 방법.
  17. 입력받은 얼굴 영상으로부터 아다부스트 알고리즘을 이용하여 사각형의 얼굴 영역을 검출하는 단계;
    검출된 상기 사각형의 얼굴 영역들 각각을 미리 설정된 크기로 정규화하는 단계;
    정규화된 상기 사각형의 얼굴 영역을 이용하여 최적 얼굴 그래프를 생성하고 생성된 상기 최적 얼굴 그래프로부터 가버 특징값과 위치 값을 추출하는 단계; 및
    추출된 상기 가버 특징값과 위치 값 및 기 생성된 위변조 얼굴을 판별하기 위한 최적분류 평면을 이용하여 입력된 상기 얼굴 영상이 위변조된 얼굴인지를 판별하는 단계;
    를 포함하는 위변조 얼굴을 인식하기 위한 방법.
  18. 제17 항에 있어서,
    상기 위변조된 얼굴인지를 판별하는 단계는,
    추출된 상기 최적 얼굴 그래프의 각 노드들의 가버 특징값과 위치 값을 SVM 분류기의 입력 값으로 제공하여 그 결과로 SVM 분류기의 출력 값을 구하고,
    상기 출력 값과 상기 최적분류 평면을 이용하여 입력된 상기 얼굴 영상이 위변조된 얼굴인지를 판별하는 것을 특징으로 하는 위변조 얼굴을 인식하기 위한 방법.
KR1020110139605A 2011-12-21 2011-12-21 가버 특징과 ｓｖｍ 분류기를 이용하여 위변조 얼굴을 인식하기 위한 시스템 및 그 방법 KR101877981B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020110139605A KR101877981B1 (ko) 2011-12-21 2011-12-21 가버 특징과 ｓｖｍ 분류기를 이용하여 위변조 얼굴을 인식하기 위한 시스템 및 그 방법
US13/565,022 US8913798B2 (en) 2011-12-21 2012-08-02 System for recognizing disguised face using gabor feature and SVM classifier and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110139605A KR101877981B1 (ko) 2011-12-21 2011-12-21 가버 특징과 ｓｖｍ 분류기를 이용하여 위변조 얼굴을 인식하기 위한 시스템 및 그 방법

Publications (2)

Publication Number Publication Date
KR20130072058A true KR20130072058A (ko) 2013-07-01
KR101877981B1 KR101877981B1 (ko) 2018-07-12

Family

ID=48654594

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110139605A KR101877981B1 (ko) 2011-12-21 2011-12-21 가버 특징과 ｓｖｍ 분류기를 이용하여 위변조 얼굴을 인식하기 위한 시스템 및 그 방법

Country Status (2)

Country Link
US (1) US8913798B2 (ko)
KR (1) KR101877981B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160024309A (ko) 2014-08-25 2016-03-04 한화테크윈 주식회사 평균 얼굴 패치 및 메시 기반 나이 추정 시스템 및 방법
KR20170140519A (ko) * 2016-06-13 2017-12-21 한국전자통신연구원 포즈 변화에 강인한 얼굴 인식 시스템 및 방법

Families Citing this family (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9691395B1 (en) * 2011-12-31 2017-06-27 Reality Analytics, Inc. System and method for taxonomically distinguishing unconstrained signal data segments
KR101937323B1 (ko) * 2012-09-18 2019-01-11 한국전자통신연구원 위장 얼굴 판별 장치 및 방법
CN103605962A (zh) * 2013-11-19 2014-02-26 四川长虹电器股份有限公司 基于类内类间距离的人脸验证方法
CN103886097A (zh) * 2014-04-04 2014-06-25 华侨大学 基于自适应提升算法的中文微博观点句识别特征的提取方法
CN104036247A (zh) * 2014-06-11 2014-09-10 杭州巨峰科技有限公司 基于脸部特征的人脸种族分类方法
US9679194B2 (en) * 2014-07-17 2017-06-13 At&T Intellectual Property I, L.P. Automated obscurity for pervasive imaging
JP6544900B2 (ja) * 2014-09-17 2019-07-17 キヤノン株式会社 オブジェクト識別装置、オブジェクト識別方法及びプログラム
CN104376310A (zh) * 2014-11-27 2015-02-25 浪潮(北京)电子信息产业有限公司 人脸识别方法及其装置
CN104992148A (zh) * 2015-06-18 2015-10-21 江南大学 基于随机森林的atm终端部分遮挡人脸关键点检测方法
CN105138972B (zh) * 2015-08-11 2020-05-19 北京眼神智能科技有限公司 人脸认证方法和装置
CN105447511B (zh) * 2015-11-15 2019-02-22 安徽清新互联信息科技有限公司 一种基于Adaboost Haar-Like特征的SVM目标检测方法
CN105266194A (zh) * 2015-11-24 2016-01-27 云南中烟工业有限责任公司 一种卷烟感官质量的脸谱识别法
CN105528616B (zh) * 2015-12-02 2019-03-12 深圳Tcl新技术有限公司 人脸识别方法和装置
CN105678220B (zh) * 2015-12-29 2019-06-11 小米科技有限责任公司 人脸关键点定位处理方法和装置
KR102518243B1 (ko) 2016-01-05 2023-04-06 한국전자통신연구원 관상학적 특징 정보를 이용한 얼굴인식 장치 및 방법
CN105740775B (zh) * 2016-01-25 2020-08-28 北京眼神智能科技有限公司 一种三维人脸活体识别方法及其装置
CN105678285B (zh) * 2016-02-18 2018-10-19 北京大学深圳研究生院 一种自适应的道路鸟瞰图变换方法和道路车道检测方法
CN105678341B (zh) * 2016-02-19 2018-11-13 天纺标检测认证股份有限公司 一种基于Gabor小波分析的羊毛羊绒识别算法
CN105893946B (zh) * 2016-03-29 2019-10-11 中国科学院上海高等研究院 一种正面人脸图像的检测方法
CN105974219B (zh) * 2016-04-11 2021-01-15 中国电力科学研究院 一种节能电器负荷类型的分类识别方法
CN106096557B (zh) * 2016-06-15 2019-01-18 浙江大学 一种基于模糊训练样本的半监督学习人脸表情识别方法
CN106127110B (zh) * 2016-06-15 2019-07-23 中国人民解放军第四军医大学 一种基于uwb雷达和最优svm的人体细粒度运动识别方法
CN106156729A (zh) * 2016-06-29 2016-11-23 东华大学 一种基于IB‑Adaboost人脸检测的农业大棚报警系统及方法
US11169661B2 (en) 2017-05-31 2021-11-09 International Business Machines Corporation Thumbnail generation for digital images
CN108268838B (zh) * 2018-01-02 2020-12-29 中国科学院福建物质结构研究所 人脸表情识别方法及人脸表情识别系统
CN108765412B (zh) * 2018-06-08 2021-07-20 湖北工业大学 一种带钢表面缺陷分类方法
CN109034079B (zh) * 2018-08-01 2022-03-11 中国科学院合肥物质科学研究院 一种用于人脸非标准姿态下的面部表情识别方法
CN109150873A (zh) * 2018-08-16 2019-01-04 武汉虹旭信息技术有限责任公司 基于pso_svm优化算法的恶意域名检测系统及方法
CN109472287A (zh) * 2018-10-06 2019-03-15 浙江大学 基于二维Gabor小波的三维荧光光谱特征提取方法
KR102366777B1 (ko) 2019-04-01 2022-02-24 한국전자통신연구원 도메인 적응 기반 객체 인식 장치 및 그 방법
CN110186167B (zh) * 2019-05-31 2021-08-13 广东美的制冷设备有限公司 空调器的控制方法、装置、空调器及存储介质
US11594074B2 (en) * 2019-09-10 2023-02-28 Amarjot Singh Continuously evolving and interactive Disguised Face Identification (DFI) with facial key points using ScatterNet Hybrid Deep Learning (SHDL) network
US11328532B2 (en) * 2020-04-20 2022-05-10 Scott C Harris Mask aware biometric identification system
CN111738268B (zh) * 2020-07-22 2023-11-14 浙江大学 一种基于随机块的高分遥感图像的语义分割方法及系统
US11416595B2 (en) 2020-09-01 2022-08-16 Nortek Security & Control Llc Facial authentication system
US10984225B1 (en) * 2020-09-28 2021-04-20 Accenture Global Solutions Limited Masked face recognition
CN112749686B (zh) * 2021-01-29 2021-10-29 腾讯科技（深圳）有限公司 图像检测方法、装置、计算机设备及存储介质
US20220269878A1 (en) * 2021-02-19 2022-08-25 Sensormatic Electronics, LLC Systems and methods of detecting incorrect mask usage
US11921831B2 (en) 2021-03-12 2024-03-05 Intellivision Technologies Corp Enrollment system with continuous learning and confirmation
CN113239761B (zh) * 2021-04-29 2023-11-14 广州杰赛科技股份有限公司 人脸识别方法、装置以及存储介质
CN113920565A (zh) * 2021-10-29 2022-01-11 上海商汤智能科技有限公司 真伪识别方法、装置、电子设备以及存储介质
CN116975831B (zh) * 2023-09-25 2023-12-05 国网山东省电力公司日照供电公司 一种基于指纹识别技术的安全认证方法及系统

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG91841A1 (en) * 1999-11-03 2002-10-15 Kent Ridge Digital Labs Face direction estimation using a single gray-level image
US7024033B2 (en) * 2001-12-08 2006-04-04 Microsoft Corp. Method for boosting the performance of machine-learning classifiers
US7035467B2 (en) * 2002-01-09 2006-04-25 Eastman Kodak Company Method and system for processing images for themed imaging services
KR100442834B1 (ko) * 2002-07-19 2004-08-02 삼성전자주식회사 얼굴/유사얼굴 영상으로 학습된 패턴 분류기를 이용한얼굴 검출 방법 및 시스템
US7606790B2 (en) * 2003-03-03 2009-10-20 Digimarc Corporation Integrating and enhancing searching of media content and biometric databases
US7274822B2 (en) * 2003-06-30 2007-09-25 Microsoft Corporation Face annotation for photo management
US7689033B2 (en) * 2003-07-16 2010-03-30 Microsoft Corporation Robust multi-view face detection methods and apparatuses
WO2005008593A1 (ja) * 2003-07-18 2005-01-27 Canon Kabushiki Kaisha 画像処理装置、撮像装置、画像処理方法
JP2005078376A (ja) * 2003-08-29 2005-03-24 Sony Corp 対象物検出装置、対象物方法、及びロボット装置
US7536044B2 (en) * 2003-11-19 2009-05-19 Siemens Medical Solutions Usa, Inc. System and method for detecting and matching anatomical structures using appearance and shape
US7430315B2 (en) * 2004-02-13 2008-09-30 Honda Motor Co. Face recognition system
JP2006048322A (ja) * 2004-08-04 2006-02-16 Seiko Epson Corp オブジェクト画像検出装置、顔画像検出プログラムおよび顔画像検出方法
US7492943B2 (en) * 2004-10-29 2009-02-17 George Mason Intellectual Properties, Inc. Open set recognition using transduction
US7519200B2 (en) * 2005-05-09 2009-04-14 Like.Com System and method for enabling the use of captured images through recognition
JP4757116B2 (ja) * 2006-06-30 2011-08-24 キヤノン株式会社 パラメータ学習方法及びその装置、パターン識別方法及びその装置、プログラム
US7899253B2 (en) * 2006-09-08 2011-03-01 Mitsubishi Electric Research Laboratories, Inc. Detecting moving objects in video by classifying on riemannian manifolds
US20080107341A1 (en) * 2006-11-02 2008-05-08 Juwei Lu Method And Apparatus For Detecting Faces In Digital Images
KR100846500B1 (ko) * 2006-11-08 2008-07-17 삼성전자주식회사 확장된 가보 웨이브렛 특징 들을 이용한 얼굴 인식 방법 및장치
US20080260212A1 (en) * 2007-01-12 2008-10-23 Moskal Michael D System for indicating deceit and verity
JP4946730B2 (ja) * 2007-08-27 2012-06-06 ソニー株式会社 顔画像処理装置及び顔画像処理方法、並びにコンピュータ・プログラム
US8224042B2 (en) * 2009-03-12 2012-07-17 Seiko Epson Corporation Automatic face recognition

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160024309A (ko) 2014-08-25 2016-03-04 한화테크윈 주식회사 평균 얼굴 패치 및 메시 기반 나이 추정 시스템 및 방법
KR20170140519A (ko) * 2016-06-13 2017-12-21 한국전자통신연구원 포즈 변화에 강인한 얼굴 인식 시스템 및 방법

Also Published As

Publication number Publication date
US8913798B2 (en) 2014-12-16
US20130163829A1 (en) 2013-06-27
KR101877981B1 (ko) 2018-07-12

Similar Documents

Publication Publication Date Title
KR101877981B1 (ko) 가버 특징과 ｓｖｍ 분류기를 이용하여 위변조 얼굴을 인식하기 위한 시스템 및 그 방법
Mahbub et al. Partial face detection for continuous authentication
KR102290392B1 (ko) 얼굴 등록 방법 및 장치, 얼굴 인식 방법 및 장치
Senechal et al. Combining AAM coefficients with LGBP histograms in the multi-kernel SVM framework to detect facial action units
KR101314293B1 (ko) 조명변화에 강인한 얼굴인식 시스템
Chen et al. Facial expression recognition using geometric and appearance features
JP2016081212A (ja) 画像認識装置、画像認識方法、および、画像認識プログラム
KR20160059768A (ko) 얼굴 특징 추출 방법 및 장치, 얼굴 인식 방법 및 장치
Kawulok et al. Precise multi-level face detector for advanced analysis of facial images
KR100940902B1 (ko) 손가락 기하학 정보를 이용한 바이오 인식 방법
Lei et al. Automatic ear landmark localization, segmentation, and pose classification in range images
Balasubramanian et al. Real time face and mouth recognition using radial basis function neural networks
Tathe et al. Face detection and recognition in videos
JP5879188B2 (ja) 顔表情解析装置および顔表情解析プログラム
Kawulok Energy-based blob analysis for improving precision of skin segmentation
Tathe et al. Human face detection and recognition in videos
Irhebhude et al. A gender recognition system using facial images with high dimensional data
KR102063745B1 (ko) 측면 프로파일링 기반 신원확인 장치 및 방법
Wei et al. Fixation and saccade based face recognition from single image per person with various occlusions and expressions
Alsubari et al. Facial expression recognition using wavelet transform and local binary pattern
Al-Ani et al. Multi-view face detection based on kernel principal component analysis and kernel support vector techniques
Kwon Face recognition using depth and infrared pictures
Paul et al. Automatic adaptive facial feature extraction using CDF analysis
Shankar et al. Frames extracted from video streaming to recognition of face: LBPH, FF and CNN
Chouchane et al. Multimodal face recognition based on histograms of three local descriptors using score level fusion

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right