KR20130126386A - 적응적 피부색 검출 방법, 그리고 이를 이용한 얼굴 검출 방법 및 그 장치 - Google Patents

적응적 피부색 검출 방법, 그리고 이를 이용한 얼굴 검출 방법 및 그 장치 Download PDF

Info

Publication number
KR20130126386A
KR20130126386A KR1020120050493A KR20120050493A KR20130126386A KR 20130126386 A KR20130126386 A KR 20130126386A KR 1020120050493 A KR1020120050493 A KR 1020120050493A KR 20120050493 A KR20120050493 A KR 20120050493A KR 20130126386 A KR20130126386 A KR 20130126386A
Authority
KR
South Korea
Prior art keywords
skin color
color
face
image
skin
Prior art date
Application number
KR1020120050493A
Other languages
English (en)
Other versions
KR101343623B1 (ko
Inventor
조현수
정지년
Original Assignee
주식회사 에스원
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 주식회사 에스원 filed Critical 주식회사 에스원
Priority to KR1020120050493A priority Critical patent/KR101343623B1/ko
Publication of KR20130126386A publication Critical patent/KR20130126386A/ko
Application granted granted Critical
Publication of KR101343623B1 publication Critical patent/KR101343623B1/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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms

Landscapes

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

Abstract

입력되는 영상으로부터 얼굴이 있는 경우, 피부색 검출을 위한 얼굴 영역을 설정하고, 설정된 얼굴 영역을 구성하는 각 화소별 색차 정보인 색상값을 색차 정보로 이루어지는 색공간에 각각 매핑시켜 색상 히스토그램을 획득한다. 그리고 색상 히스토그램에서 미리 설정된 퍼센트의 색상값을 피부색 데이터로 검출할 수 있다. 얼굴 검출 장치는 이러한 피부색 검출 방법을 토대로 피부색 가능도 함수를 산출하고, 산출된 피부색 가능도 함수를 입력되는 영상에 적용하여 피부색 영역을 검출하고, 검출된 피부색 영역에서 얼굴을 검출할 수 있다.

Description

적응적 피부색 검출 방법, 그리고 이를 이용한 얼굴 검출 방법 및 그 장치 {adaptive color detection method, face detection method and apparatus}
본 발명은 얼굴 검출 방법 및 그 장치에 관한 것으로, 특히 적응적 피부색검출 방법과 이를 토대로 얼굴을 검출하는 방법 및 그 장치에 관한 것이다.
생체 인식 중 얼굴 인식은 다양한 분야에 적용되고 있으며, 얼굴 인식의 정확성을 높이기 위한 다양한 연구들이 이루어지고 있다. 얼굴 인식은 신경망을 이용한 방법, 특징 기반 방법, 색상 기반 방법 등 다양한 접근 방법으로 연구되고 있다. 그레이(gray) 영상을 기반으로 얼굴을 검출하는 경우, 색상적인 특징을 가지는 얼굴에 대한 색상 정보를 고려하지 않으므로 얼굴 검출이 어려우며, 이에 따라 얼굴 검출 성능을 향상시키기 위하여 얼굴 검출기의 연산량이 증가하는 등의 복잡도가 증가한다.
이에 따라 얼굴의 색상 정보를 고려하여 얼굴을 식별하는 방법들이 개발되고 있으며, 특히 얼굴의 특징 중 하나인 피부 색상 정보를 이용하여 피부색을 검출하고 검출된 피부색을 토대로 얼굴을 검출하는 방법이 제안되었다. 피부색 정보를 이용하여 피부색 영역을 사전에 필터링하고 필터링된 피부색 영역에 대하여 얼굴을 검출하는 색상을 이용한 사전 필터링 방법이 사용되는데, 이 방법은 얼굴 검출 속도를 빠르게 하고, 비피부색 영역에서 발생하는 오보를 감소시키는데 효과적이다.
그러나 이러한 방법은 영상에서 존재할 수 있는 모든 피부색을 반영할 수 없어서, 필연적으로 얼굴을 검출하지 못하는 경우가 발생하게 된다.
본 발명이 해결하고자 하는 기술적 과제는 다양한 피부색을 적응적으로 검출할 수 있는 피부색 검출 방법을 제공하는 것이다.
또한 본 발명이 해결하고자 하는 기술적 과제는 피부색 검출 방법을 토대로 영상으로부터 얼굴을 보다 신속하고 용이하게 검출할 수 있는 얼굴 검출 방법 및 그 장치를 제공하는 것이다.
본 발명의 특징에 따른 피부색 검출 방법은 영상으로부터 피부색을 검출하는 방법이며, 입력되는 영상으로부터 얼굴이 있는 경우, 피부색 검출을 위한 얼굴 영역을 설정하는 단계; 상기 설정된 얼굴 영역을 구성하는 각 화소별 색차 정보인 색상값을 색차 정보로 이루어지는 색공간에 각각 매핑시켜 색상 히스토그램을 획득하는 단계; 및 상기 색상 히스토그램에서 미리 설정된 퍼센트의 색상값을 피부색 데이터로 검출하는 단계를 포함한다.
여기서 상기 얼굴 영역을 설정하는 단계는 입력되는 영상으로부터 얼굴이 있는 경우, 얼굴을 구성하는 양 눈의 위치를 검출하는 단계; 상기 검출된 양 눈의 위치를 토대로 양 눈 사이의 거리를 산출하는 단계; 및 상기 양 눈 사이의 거리와 위치를 토대로 얼굴 영역을 설정하는 단계를 포함할 수 있다.
상기 양 눈 사이의 거리와 위치를 토대로 얼굴 영역을 설정하는 단계는 검출된 양 눈의 위치에 대응하는 중심 좌표를 각각 x, y 라고 하고, 양 눈의 사이의 거리를 d 라고 할 경우, 상기 얼굴 영역은 양 눈의 중심 좌표를 연결하는 직선의 방향으로 한 변을 가지는 사각형 형태로 이루어지는, 상기 얼굴 영역의 한 변의 크기는 d × α(여기서 α는 상수임)일 수 있다.
한편 상기 피부색 데이터를 학습하여 입력되는 화소별 색상값이 피부색인지 비피부색인지를 나타내는 피부색 가능도 함수를 산출하는 단계를 더 포함할 수 있다.
이 경우 상기 피부색 가능도 함수를 산출하는 단계는 복수개의 얼굴 영상으로부터 각 얼굴 영상을 구성하는 각 화소의 색상값이 피부색일 확률을 나타내는 피부색 확률 분포를 획득하는 단계; 복수개의 배경 영상으로부터 각 배경 영상을 구성하는 각 화소의 색상값이 비피부색일 확률을 나타내는 비피부색 확률 분포를 획득하는 단계; 및 상기 피부색 확률 분포를 상기 비피부색 확률 분포로 나누어서 피부색 가능도를 획득하고, 이를 토대로 피부색 확률 함수인 피부색 가능도 함수를 산출하는 단계를 포함할 수 있다.
한편 상기 피부색 가능도 함수를 산출하는 단계는 상기 피부색 가능도에 대하여 시그모이달(sigmoidal) 함수를 적용시켜 소정 범위 내에 해당하는 값을 가지는 피부색 가능도 함수를 산출할 수 있다.
본 발명의 다른 특징에 따른 얼굴 검출 방법은, 영상으로부터 얼굴을 검출하는 방법이며, 입력되는 영상이 설정번째로 입력되는 영상이 아닌 경우, 상기 영상으로부터 피부색 가능도 함수를 토대로 피부색 영역을 검출하는 단계; 상기 검출된 피부색 영역에서 얼굴을 검출하는 단계; 상기 입력되는 영상이 설정번째로 입력되는 영상인 경우, 상기 영상으로부터 피부색 검출을 위한 얼굴 영역을 설정하고, 설정된 얼굴 영역으로부터 피부색 데이터를 획득하는 단계; 및 상기 피부색 데이터를 토대로 형성되는 피부색 영역이 미리 설정된 조건을 만족하지 않는 경우에 상기 피부색 가능도 함수를 갱신하는 단계를 포함한다.
상기 피부색 영역을 검출하는 단계는 상기 영상의 각 화소별 색상값을 상기 피부색 가능도 함수에 적용시켜 획득한 값이 미리 설정된 임계값 이상인 경우에는 피부색인 것으로 판단하는 과정을 통하여 상기 피부색 영역을 검출할 수 있다.
또한 상기 피부색 데이터를 획득하는 단계는, 상기 설정번째로 입력되는 영상으로부터 얼굴을 구성하는 양 눈의 위치를 검출하는 단계; 상기 검출된 양 눈의 위치를 토대로 양 눈 사이의 거리를 산출하는 단계; 및 상기 양 눈 사이의 거리와 위치를 토대로 얼굴 영역을 설정하는 단계를 포함할 수 있다.
이외에도 상기 피부색 데이터를 획득하는 단계는, 상기 설정된 얼굴 영역을 구성하는 각 화소별 색차 정보인 색상값을 색차 정보로 이루어지는 색공간에 각각 매핑시켜 색상 히스토그램을 획득하는 단계; 및 상기 색상 히스토그램에서 미리 설정된 퍼센트의 색상값을 피부색 데이터로 검출하는 단계를 포함할 수 있다.
또한 상기 피부색 가능도 함수를 갱신하는 단계는 상기 피부색 영역이 상기 얼굴 영역의 설정 퍼센트보다 작은 경우에 상기 피부색 가능도 함수를 갱신할 수 있다.
한편 상기 피부색 가능도 함수를 갱신하는 단계는 상기 피부색 데이터를 상기 피부색 가능도 함수 산출시 사용된 피부색 확률 분포의 중심값과 비피부색 확률 분포의 중심값과 각각 비교하는 단계; 및 상기 피부색 데이터가 상기 비피부색 확률 분포의 중심값보다 상기 피부색 확률 분포의 중심값에 가까운 경우, 상기 피부색 가능도 함수를 갱신하는 단계를 포함할 수 있다. 여기서 상기 피부색 가능도 함수를 갱신하는 단계는 상기 피부색 가능도 함수의 확률이 임계값 이상이 되도록 상기 피부색 가능도 함수를 갱신할 수 있다.
본 발명의 또 다른 특징에 따른 얼굴 검출 장치는, 영상으로부터 얼굴을 검출하는 장치이며, 식별 대상에 대한 영상을 획득하는 영상 획득부; 복수개의 얼굴 영상으로부터 획득되는 피부색 데이터들과 복수개의 배경 영상으로부터 획득되는 비피부색 데이터들을 토대로 피부색 검출을 위한 피부색 가능도 함수를 산출하는 피부색 학습부; 상기 영상 획득부로부터 입력되는 영상에 대하여 상기 피부색 가능도 함수를 적용하여 피부색 영역을 검출하는 피부색 영역 검출부; 및 상기 피부색 영역에서 얼굴을 검출하는 얼굴 검출부를 포함한다.
상기 피부색 학습부는 영상으로부터 얼굴 영역을 검출하여 얼굴 영역 영상과 배경 영역 영상을 출력하는 영역 검출 모듈; 상기 얼굴 영역 영상에 대하여 각 화소의 색상값이 피부색일 확률을 나타내는 피부색 확률 분포를 산출하는 제1 확률 분포 산출 모듈; 상기 배경 영역 영상에 대하여 각 화소의 색상값이 비피부색일 확률을 나타내는 비피부색 확률 분포를 산출하는 제2 확률 분포 산출 모듈; 및 상기 피부색 확률 분포를 상기 비피부색 확률 분포로 나누어서 피부색 가능도 함수를 산출하는 가능도 산출 모듈을 포함할 수 있다.
상기 피부색 학습부는 입력되는 영상이 설정번째로 입력되는 영상인 경우, 상기 영상으로부터 피부색 검출을 위한 얼굴 영역을 설정하고, 설정된 얼굴 영역으로부터 피부색 데이터를 토대로 하는 피부색 영역을 검출하고, 상기 피부색 영역이 미리 설정된 조건을 만족하지 않는 경우에 상기 피부색 가능도 함수를 갱신하는 피부색 재학습 모듈을 더 포함할 수 있다.
상기 피부색 재학습 모듈은 상기 피부색 영역이 상기 얼굴 영역의 설정 퍼센트보다 작은 경우에 상기 피부색 가능도 함수를 갱신할 수 있다. 이 경우, 상기 피부색 재학습 모듈은 상기 설정된 얼굴 영역을 구성하는 각 화소별 색차 정보인 색상값을 색차 정보로 이루어지는 색공간에 각각 매핑시켜 색상 히스토그램을 획득하고, 상기 색상 히스토그램에서 미리 설정된 퍼센트의 색상값을 피부색 데이터로 검출하여, 상기 피부색 가능도 함수값을 갱신할 수 있다.
본 발명의 실시 예에 따르면, 입력되는 영상 전체를 검색하여 얼굴 식별을 수행하는 것에 비하여 피부색 영역만 검색하여 얼굴을 검출할 수 있으므로, 얼굴 검출 속도가 보다 빨라진다.
또한 피부색 영역을 정확하게 검출하여 얼굴을 검출할 수 있으므로, 비피부색 영역에서 발생되는 오검출을 방지할 수 있다. 그러므로 기존 그레이 영상 기반의 얼굴 검출 방법에 비하여 검출 정확도를 향상시킬 수 있다.
또한 설정된 프레임마다 영상의 피부색을 토대로 피부색 검출을 위한 함수를 적응적으로 갱신함으로써, 조명 변화 등의 환경 요인을 적응적으로 고려하여 보다 정확하게 얼굴을 검출할 수 있다.
도 1은 본 발명의 실시 예에 따른 얼굴 검출 장치의 구조를 나타낸 도이다.
도 2는 본 발명의 실시 예에 따른 피부색 학습부의 구조를 나타낸 도이다.
도 3은 본 발명의 실시 예에 따른 피부색 검출 방법을 나타낸 흐름도이다.
도 4는 본 발명의 실시 예에 따른 피부색 데이터 획득을 위한 얼굴 영역을 나타낸 예시도이다.
도 5는 본 발명의 실시 예에 따른 색상 히스토그램을 나타낸 예시도이다.
도 6은 얼굴 영역을 주류색으로 나타낸 예시도이다.
도 7은 본 발명의 실시 예에 따른 피부색 학습 과정을 나타낸 흐름도이다.
도 8은 본 발명의 실시 예에 따른 얼굴 검출 방법을 나타낸 흐름도이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 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 한정되지 않는다.
그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 및 청구범위 전체에서, 어떤 부분이 어떤 구성 요소를 '포함'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
이제 본 발명의 실시 예에 따른 얼굴 검출 방법 및 그 장치에 대하여 설명한다.
도 1은 본 발명의 실시 예에 따른 얼굴 검출 장치의 구조를 나타낸 도이다.
첨부한 도 1에 도시되어 있듯이, 본 발명의 실시 예에 따른 얼굴 검출 장치(1)는 영상 획득부(10), 영상 전처리부(20), 피부색 학습부(30), 피부색 영역 검출부(40), 및 얼굴 검출부(50)를 포함한다.
영상 획득부(10)는 식별 대상을 촬영하여 영상을 획득하며, 영상 전처리부(20)는 획득되는 영상의 질을 개선시키거나 특정한 목적에 맞도록 변환 처리하는 작업을 수행하고 해당 영상을 출력한다. 이러한 영상의 처리 과정은 공지된 기술임으로 여기서는 상세한 설명을 생략한다.
피부색 학습부(30)는 복수개의 영상을 토대로 피부색 검출을 수행하는 과정을 반복적으로 수행하여 피부색 검출을 위한 가능도 함수를 산출한다. 가능도 함수의 값을 설정된 임계값과 비교하여 함수에 입력된 데이터가 피부색에 해당하는지를 판단할 수 있다.
도 2는 본 발명의 실시 예에 따른 피부색 학습부의 구조를 나타낸 도이다.
첨부한 도 2에서와 같이, 본 발명의 실시 예에 따른 피부색 학습부(30)는 영상으로부터 얼굴 영역을 검출하여 얼굴 영역 영상과 배경 영역 영상을 출력하는 영역 검출 모듈(31), 얼굴 영역 영상에 대하여 피부색에 대한 확률 분포를 산출하는 제1 확률 분포 산출 모듈(32), 배경 영역 영상에 대하여 비피부색에 대한 확률 분포를 산출하는 제2 확률 분포 산출 모듈(33), 산출된 피부색 확률 분포와 비피부색 확률 분포를 토대로 피부색 가능도(likelihood) 함수를 산출하는 가능도 산출 모듈(34)을 포함한다. 이외에도 피부색 가능도 함수를 재조정하는 피부색 재학습 모듈(35)을 더 포함한다.
피부색 영역 검출부(40)는 영상 전처리부(20)로부터 제공되는 영상 신호로부터 피부색 영역을 검출하다. 이를 위하여 피부색 필터를 사용하여 영상 신호로부터 피부색 영역을 검출할 수 있으며, 피부색 필터는 피부색 가능도 함수와 임계값을 토대로 피부색 영역을 검출한다. 피부색 가능도 함수와 임계값은 피부색 학습부(30)로부터 제공될 수 있다.
얼굴 검출부(50)는 피부색 영역 검출부(40)에 의하여 검출된 피부색 영역에서 얼굴을 검출한다. 얼굴 검출시에는 당업계에 알려진 방법들(예를 들어, 아바부스트(Adaboost), 신경망을 이용한 방법, SVM(support vector machine)을 이용할 수 있다. 본 발명의 실시 예에서는 입력되는 영상의 전체 범위를 검색하여 얼굴 영역을 검출하는 것이 아니라, 입력되는 영상으로부터 검출된 피부색 영역에 대해서만 검색을 수행하여 얼굴 영역을 검출함으로써, 얼굴 검출 속도를 보다 향상시킬 수 있다.
이러한 구조로 이루어지는 얼굴 검출 장치를 토대로 본 발명의 실시 예에 따른 피부색 검출 방법 및 얼굴 검출 방법에 대하여 설명한다.
본 발명의 실시 예에서 얼굴 색상의 다양한 변화를 반영하기 위하여 피부색 데이터를 획득하고 학습하여 피부색을 검출하는 방법을 수행한다.
도 3은 본 발명의 실시 예에 따른 피부색 검출 방법을 나타낸 흐름도이다.
얼굴 검출 장치(1)는 피부색 데이터를 획득하기 위하여, 먼저, 영상으로부터 얼굴이 있는지를 확인하며(S100, S110), 얼굴이 있는 경우에는 얼굴의 구성 요소 중 눈을 이용하여 피부색 데이터를 획득하기 위한 영역 즉, 얼굴 영역을 설정한다. 구체적으로 영상으로부터 양 눈의 위치를 검출하고, 검출된 양 눈 사이의 거리를 측정한다(S120). 그리고 측정된 거리와 양 눈의 위치를 토대로 얼굴 영역을 설정한다(S130). 일반적으로 얼굴에서 눈의 상대적 위치는 개인간에 차이가 거의 없으므로, 양 눈을 기준으로 피부색을 추출하는 방법은 얼굴 크기의 변화, 얼굴의 기울임, 얼굴 형 등에 상관없이 일관된 측정 영역 선택이 가능하다.
얼굴 영역을 설정하기 위하여, 검출된 양 눈의 중심 좌표를 각각 x, y 라고 하고, 양 눈의 사이의 거리를 d 라고 한다. 얼굴로부터 선택할 얼굴 영역은 양 눈이 이루는 직선의 방향으로 한 변을 갖는 정사각형 형태로 이루어질 수 있다. 얼굴 영역의 한 변의 크기는 d × α이며, 또한 눈의 위치 x, y로부터 d × β의 세로축 오프셋을 갖는다. 여기서 α와 β는 임의 상수이다. 도 4에 본 발명의 실시 예에 따른 피부색 데이터 획득을 위한 얼굴 영역이 예시되어 있다.
얼굴 영역이 설정되면, 얼굴 검출 장치(1)는 얼굴 영역에서 비피부색 부분을 제거한다. 비피부색 부분은 머리카락, 눈, 눈썹, 입, 배경 등 피부색과는 상관없는 부분을 나타낸다.
얼굴 검출 장치(1)는 얼굴 영역의 피부색을 나타내는 색상 정보(R(red), G(green), B(blue))를 토대로 하는 휘도(Y) 및 색차 정보(Cb, Cr)를 이용하여 얼굴 영역으로부터 비피부색 부분과 피부색 부분을 구분한다. 얼굴 영역을 형성하는 각 화소에 대한 휘도 및 색차 정보를 나타내는 값(이하, 색상값이라고 명명함)을 휘도 및 색차 정보로 이루어지는 색공간(여기서 색공간은 Cb, Cr로 이루어지는 2차원 공간임)의 한 점으로 매핑시킨다. 이러한 매핑 과정을 통하여 각 화소에 대응하는 색상값들로 이루어진 Cb, Cr 히스토그램(이하, 설명의 편의를 위하여 색상 히스토그램이라고 명명함)을 형성한다(S140).
도 5는 본 발명의 실시 예에 따른 색상 히스토그램을 나타낸 예시도이다.
설정된 얼굴 영역을 구성하는 모든 화소에 대한 색상값을 색공간으로 매핑시켜서 색상 히스토그램을 구하면, 얼굴 영역을 주로 구성하는 주류색은 상대적으로 큰 히스토그램을 가지고 비주류색은 상대적으로 작은 히스토그램을 갖게 된다.　색상 히스토그램을 구성하는 색상값들을 크기에 따라 정렬 예를 들어, 크기가 큰 순서로 정렬시키고, 미리 설정된 임계값을 적용하면 주류색과 비주류색을 구분할 수 있다(S150).
예를 들어 위의 매핑 과정을 통하여 도 5의 (a)에서와 같은 색상 히스토그램이 회득되었다고 가정하자. 이러한 색상 히스토그램을 크기에 따라 내림차순으로 정렬하면 도 5의 (b)에 도시된 그래프와 같다. 이와 같이 정렬된 색상 히스토그램에서 임계값에 따라 상위 70%의 색상값을 주류색으로 하고, 하위 30%의 색상값을 비주류색으로 구분할 수 있다. 그리고 얼굴 영역을 주류색과 비주류색으로 나타낼 수 있다.
도 6은 얼굴 영역을 주류색으로 나타낸 예시도이다.
예를 들어 도 5와 같이 획득한 색상 히스토그램에서, 상위 70%의 색상값은 흰색이고 하위 30%의 색상값은 검은색으로 표시할 수 있다. 이와 같이 획득되는 주류색 흰색을 이용하여 도 6의 (a)와 같이 설정된 얼굴 영역에서 피부색인 부분은 흰색으로 표시하고 비피부색인 부분은 검정색으로 표시하면, 도 6의 (b)와 같은 영상을 획득할 수 있다.
이와 같이 피부색은 주류로 하면서, 머리카락과 눈썹, 배경, 입 등은 비주류로 하기 때문에 주류색을 추출하면 피부색이 효과적으로 추출된다. 이 방법을 이용하면 피부색 데이터가 자동 추출되므로 대규모 피부색 데이터를 용이하게 구축할 수 있다(S160).
한편 본 발명의 실시 예에 따른 피부색 검출 방법은 위에 기술된 바와 같은 피부색 데이터를 획득하는 과정을 토대로 피부색 검출 학습 과정을 수행할 수 있다.
도 7은 본 발명의 실시 예에 따른 피부색 학습 과정을 나타낸 흐름도이다.
피부색 학습 과정을 위하여, N개의 얼굴 영상과 사람이 없는 M 개의 배경 영상을 사용한다. 여기서 N개의 얼굴 영상은 서로 다른 사람들의 얼굴 영상일 수 있다. N과 M은 양의 정수이며, 다양한 경우를 포함할 수 있도록 충분히 크게 설정될 수 있다.
N 개의 얼굴 영상으로부터 피부색 확률 분포(Pface)를 구하고 M 개의 배경 영상으로부터 비피부색 확률분포(Pnon_face)를 산출한다. 피부색 확률 분포(Pface)와 비피부색 확률분포(Pnon_face)는 CrCb로 이루어지는 2차원 색상 필터인 색공간에서 정의된다. 피부색 확률 분포(Pface)는 각 얼굴 영상의 각 화소의 색상값(CrCb값)이 피부색일 확률들을 나타내며, 비피부색 확률분포(Pnon_face)는 각 배경 영상의 각 화소의 색상값이 비피부색일 확률을 나타낸다.
피부색 확률 분포(Pface)와 비피부색 확률분포(Pnon_face)가 일반성을 갖도록 보정하여 보정된 피부색 확률 분포(P'face)와 비피부색 확률분포(P'non_face)를 획득한다. 여기서는 가우시안 블러(Gaussian Blur)를 이용하여 보정된 피부색 확률 분포(P'face)와 비피부색 확률분포(P'non_face)를 획득할 수 있다.
그리고 보정된 피부색 확률 분포(P'face)와 비피부색 확률분포(P'non_face)를 토대로 피부색 가능도(Likelihood)를 산출한다.
보정된 피부색 확률 분포(P'face)를 보정된 비피부색 확률분포(P'non_face)로 나누어서(P'face/ P'non_face) 피부색 가능도를 산출한다. 이와 같이 산출되는 피부색 가능도에 대하여 시그모이달(sigmoidal) 함수를 적용시켜 소정 범위 즉, "0"과 "1" 사이의 값을 가지도록 한다. 0.5의 가능도 값은 어떠한 색이 주어졌을 때, 이 색이 피부색일 확률과 비 피부색일 확률이 같은 것을 나타내며, 0.5 보다 큰 가능도의 값은 해당 색이 피부색일 확률이 더 큰 것을 나타낸다. 상황에 따라서 가능도 임계값(예를 들어, 0.5)를 조절할 수 있다.
다음에는 이러한 피부색 학습 과정을 수식을 토대로 보다 구체적으로 설명한다.
하나의 얼굴 영상으로부터 주류색(예를 들어, 위의 피부색 검출 과정에서 획득한 상위 70%의 색상값들)을 추출하여 2차원 색공간에 매핑시킨다. 즉, 얼굴 영상을 구성하는 각 화소의 색상값들을 검색하여 주류색에 대응하는 색상값을 가지는 화소들을 찾고 찾아진 화소들의 색상값을 2차원 색공간에 매핑시키는 과정을 반복적으로 수행한다. 이에 따라 주류색을 가지는 화소들의 색상값이 2차원 색공간에 누적되며, 하나의 얼굴 영상에 대한 누적된 주류색 히스토그램을 획득한다. 이러한 히스토그램을 획득하는 과정은 위에 기술된 피부색 검출 방법을 토대로 수행될 수 있다.
다음 주류색 히스토그램을 총 누적 횟수(주류색으로 검출된 총 화소 개수에 대응함)로 나누면 해당 얼굴 영상에 대한 피부색 확률 분포
Figure pat00001
를 획득한다(S200). 여기서 i는 얼굴 영상을 나타내는 인덱스이다. 위에 기술된 바와 같은 과정을 N개의 얼굴 영상에 대하여 각각 수행하여 각 얼굴 영상별로 피부색 확률 분포
Figure pat00002
들을 구하고, 구해진 모든 얼굴 영상들의 피부색 확률 분포들의 평균값을 취하여 최종적으로 피부색 확률 분포(Pface) 즉,
Figure pat00003
를 구한다(S210).
Figure pat00004
는 다음 수학식 1과 같이 나타낼 수 있다.
Figure pat00005
여기서, u, v는 2차원 색공간에 매칭되는 CrCB의 색상 인덱스를 나타낸다.
비피부색 확률분포(Pnon_face)를 구하는 과정에 대하여 보다 구체적으로 설명한다.
하나의 배경 영상에 대하여 모든 색을 추출하여 2차원 색공간에 누적시킨다. 즉, 하나의 배경 영상을 이루는 각 화소별 색상값을 2차원 색공간에 매핑시켜서 누적된 히스토그램을 생성한다. 그리고 누적된 히스토그램을 총 누적 횟수(여기서는 배경 영상의 총 화소수일 수 있음)로 나누어서 각 배경 영상별로 비피부색 확률 분포
Figure pat00006
들을 구하고(S220), 구해진 모든 배경 영상들의 비피부색 확률 분포들의 평균값을 취하여 비피부색 확률 분포(Pface) 즉,
Figure pat00007
를 구한다(S230).
Figure pat00008
는 다음 수학식 2와 같이 나타낼 수 있다.
Figure pat00009
위에 기술된 바와 같이 산출된 얼굴 영상들에 대한 피부색 확률 분포와 배경 영상들에 대한 비피부색 확률 분포들에 대하여 가우시안 블러를 적용하여 보정된 확률 분포들 즉,
Figure pat00010
와
Figure pat00011
를 산출한다(S240). 그리고 이러한 보정된 확률분포들을 토대로 피부색 가능도를 다음 수학식 3과 같이 산출한다.
Figure pat00012
피부색 가능도 L(u,v)는 0 ~ ∞의 값을 가지므로, 시그모이달을 적용하여 위에 기술된 바와 같이 가능도 L(u,v)가 0~1의 값을 갖도록 한다. 이를 수학식으로 나타내면 다음과 같다.
Figure pat00013
위의 수학식 4와 같이 피부색 가능도 L(u,v)에 대하여 시그모이달을 적용하여 정규화된 가능도 함수 f(u,v)를 획득하며, 가능도 함수 f(u,v)의 출력값을 설정된 임계값 θ와 비교하여 피부색을 판별할 수 있다(S250).
다음에는 본 발명의 실시 예에서는 위에 기술된 바와 같은 피부색 검출 방법을 토대로 얼굴을 검출하는 방법에 대하여 설명한다.
도 8은 본 발명의 실시 예에 따른 얼굴 검출 방법을 나타낸 흐름도이다.
얼굴 검출 장치(1)는 영상 획득부(10) 및 영상 전처리부(20)를 통하여 식별 대상에 대한 입력 영상을 획득하면(S300), 입력 영상으로부터 피부색 영역을 검출한다. 구체적으로, 입력 영상이 설정된 n번째 영상이 아닌 경우(S310), 피부색 검출부(40)가 동작하여 입력 영상에 피부색 필터를 적용시켜 피부색 영역을 검출한다(S320). 즉, 피부색 검출부(40)는 입력 영상을 피부색 가능도 함수(예: f(u,v))에 적용시켜 입력 영상으로부터 피부색 부분과 비피부색 부분을 검출하여 피부색 부분에 대응하는 피부색 영역을 검출할 수 있다. 구체적으로, 입력 영상을 이루는 각 화소에 대한 CrCB 색상값들을 피부색 가능도 함수에 적용시켜 나온 값을 미리 설정된 임계값과 비교하여 피부색인지를 판단하는 과정을 수행하여, 입력 영상에 대하여 피부색 부분에 대응하는 피부색 영역을 검출한다.
다음 얼굴 검출 장치(1)의 얼굴 검출부(50)는 입력 영상 전체가 아니라 입력 영상으로부터 검출된 피부색 영역에 대하여 얼굴 검출 과정을 수행한다. 피부색 영역으로부터 당업계에 알려진 다양한 방법을 토대로 얼굴을 검출한다(S330). 그리고 얼굴 검출 결과를 출력한다(S340). 따라서, 입력되는 영상의 전체 범위를 검색하여 얼굴 영역을 검출하는 것이 아니라, 입력되는 영상으로부터 검출된 피부색 영역에 대해서만 검색을 수행하여 얼굴 영역을 검출함으로써, 얼굴 검출 속도를 보다 향상시킬 수 있다.
한편, 단계(S310)에서, 입력 영상 n번째로 입력된 영상인 경우, 얼굴 검출 장치(1)의 얼굴 검출부(50)는 입력 영상에 대하여 얼굴을 검출한다(S350). n번째 입력 영상에 대하여 얼굴 검출이 성공하면(S360), 얼굴 검출 장치(1)의 얼굴 검출부(50)는 검출된 얼굴의 눈의 위치와 눈 사이의 거리를 토대로 얼굴 영역을 설정한다(S370). 이러한 얼굴 영역 설정은 위의 도 3에 도시된 얼굴 영역 설정 과정을 토대로 수행될 수 있다.
검출된 얼굴로부터 얼굴 영역이 설정되면, 얼굴 검출 장치(1)의 피부색 검출부(40)가 피부색을 검출한다. 피부색 검출부(40)가 얼굴 영역을 피부색 필터에 적용하여 피부색을 검출하고 이를 토대로 피부색 영역을 획득한다(S380). 그리고 획득된 피부색 영역이 얼굴 영역의 설정 %(예를 들어, 70%)를 차지하는지를 판단한다(S390). 판단 결과, 피부색 영역이 얼굴 영역의 설정 %보다 작은 경우에는, 조명 등의 환경 변화에 따라 피부색 변화가 이루어진 것으로 판단하여 피부색 필터에 적용되는 피부색 가능도 함수를 갱신하기 위하여, 피부색 재학습 과정을 수행한다(S400).
피부색 재학습 과정에서, 얼굴 검출 장치(1)는 n번째 입력 영상으로부터 획득된 피부색(얼굴 영역을 토대로 획득되는 색상 히스토그램에서의 주류색)을 피부색 확률 함수 즉, 피부색 가능도 함수에 적용한다. 이때, 피부색임에도 불구하고 피부색 가능도 함수에 의하여 비피부색으로 판별됨으로, 강제적으로 피부색 가능도를 임계값 이상으로 올려준다. 예를 들어, 피부색 영역이 얼굴 영역의 설정 %보다 작은 경우에는 x,y(Cr,Cb)라는 값이 피부색임에도 불구하고 환경 변화 등의 요인에 의하여 피부색이 아닌 것으로 판단된 상태임으로, 피부색 가능도 함수 f(x,y)의 값이 'b'인 것을 임계값 이상의 값이 되도록 함수값을 재정의한다.
이러한 피부색 가능도 함수의 재정의시에, 비피부색이 피부색으로 반영되는 경우를 방지하기 위해, 해당 피부색 데이터가 피부색 확률 분포의 중심과 비피부색 확률 분포의 중심 중 어느 것과 가까운지를 판단하고, 판단 결과에 따라 피부색 가능도 함수의 확률을 임계값 이상으로 올려준다.
얼굴 영역이 뿔테 안경 등이나 배경 등을 포함할 수 있으므로, 얼굴 영역으로부터 추출되는 색상이어도 안경이나 배경 등에 해당할 수 있다. 그러므로 CrCb 색공간 상에 정의되는 '피부색 확률 분포'와 '비피부색 확률 분포'의 중심들과의 거리를 참조하여 과의 거리를 참조하여 피부색 가능도 함수를 재정의한다.
피부색 가능도 함수는 위에서 살펴본 바와 같이, 피부색 확률　분포에서 추출한 확률 함수를 비피부색 확률 분포에서 추출한 확률함수로 나누어서 생성된 것이다. 피부색 가능도 함수 생성에 사용된 피부색 확률 분포 정보와 비피부색 확률 분포 정보에 대하여 각각, 피부색 확률 분포의 중심값과 비피부색 확률 분포의 중심값을 획득한다. 여기서 각 분포의 중심값은 무게 중심일 수 있다.
해당 피부색 데이터를 피부색 확률 분포의 중심값과 비피부색 확률 분포의 중심값과 각각 비교하여 어느 중심값에 더 가까운지를 판단한다. 판단 결과, 해당 피부색 데이터가 피부색 확률 분포의 중심값에 더 가까운 경우에는 피부색으로 판단하여 피부색 가능도 함수의 확률을 임계값 이상으로 올려준다.
반면, 해당 피부색 데이터가 비피부색 확률 분포의 중심값에 더 가까운 경우에는 피부색 가능도 함수를 재정의하는 과정을 수행하지 않는다. 즉, 피부색 재학습 과정을 수행하지 않는다. 이러한 피부색 재학습 과정은 피부색 학습부(30)의 피부색 재학습 모듈(34)에 의하여 이루어질 수 있으며, 이러한 재학습 과정을 통하여 조명 등의 환경 변화에 의하여 얼굴의 피부색이 변화하는 경우에도 적응적으로 대처하여 정확한 피부색 검출 및 얼굴 검출이 이루어질 수 있다.
또한 본 발명의 실시 예에서는 입력되는 프레임별 영상에 대하여 매 프레임마다 미리 설정된 피부색 가능도 함수로만 피부색을 검출하지 않고, 특정 프레임의 영상(예를 들어, n번째 입력 영상)에 대해서는 위에 기술된 바와 같이 얼굴 영역을 검출하고 이를 토대로 획득한 피부색을 토대로 피부색 재학습 과정을 수행하여 피부색 가능도 함수를 갱신함으로써, 보다 적응적인 피부색 검출이 이루어질 수 있다.
이상에서 설명한 본 발명의 실시 예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시 예에 따른 전자 상거래 방법 및 그 시스템의 구성에 대응하는 기능을 실행시킬 수 있는 프로그램 또는 그 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체를 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시예의 기재로부터 본 발명이 속하는 기술분야의 전문가라면 쉽게 구현할 수 있는 것이다.
이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리 범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리 범위에 속하는 것이다.

Claims (19)

  1. 영상으로부터 피부색을 검출하는 방법에서,
    입력되는 영상으로부터 얼굴이 있는 경우, 피부색 검출을 위한 얼굴 영역을 설정하는 단계;
    상기 설정된 얼굴 영역을 구성하는 각 화소별 색차 정보인 색상값을 색차 정보로 이루어지는 색공간에 각각 매핑시켜 색상 히스토그램을 획득하는 단계; 및
    상기 색상 히스토그램에서 미리 설정된 퍼센트의 색상값을 피부색 데이터로 검출하는 단계
    를 포함하는, 피부색 검출 방법.
  2. 제1항에 있어서
    상기 얼굴 영역을 설정하는 단계는
    입력되는 영상으로부터 얼굴이 있는 경우, 얼굴을 구성하는 양 눈의 위치를 검출하는 단계;
    상기 검출된 양 눈의 위치를 토대로 양 눈 사이의 거리를 산출하는 단계; 및
    상기 양 눈 사이의 거리와 위치를 토대로 얼굴 영역을 설정하는 단계
    를 포함하는, 피부색 검출 방법.
  3. 제2항에 있어서
    상기 양 눈 사이의 거리와 위치를 토대로 얼굴 영역을 설정하는 단계는
    검출된 양 눈의 위치에 대응하는 중심 좌표를 각각 x, y 라고 하고, 양 눈의 사이의 거리를 d 라고 할 경우, 상기 얼굴 영역은 양 눈의 중심 좌표를 연결하는 직선의 방향으로 한 변을 가지는 사각형 형태로 이루어지는, 상기 얼굴 영역의 한 변의 크기는 d × α(여기서 α는 상수임)인, 피부색 검출 방법.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서
    상기 피부색 데이터를 학습하여 입력되는 화소별 색상값이 피부색인지 비피부색인지를 나타내는 피부색 가능도 함수를 산출하는 단계를 더 포함하는, 피부색 검출 방법.
  5. 제4항에 있어서
    상기 피부색 가능도 함수를 산출하는 단계는
    복수개의 얼굴 영상으로부터 각 얼굴 영상을 구성하는 각 화소의 색상값이 피부색일 확률을 나타내는 피부색 확률 분포를 획득하는 단계;
    복수개의 배경 영상으로부터 각 배경 영상을 구성하는 각 화소의 색상값이 비피부색일 확률을 나타내는 비피부색 확률 분포를 획득하는 단계; 및
    상기 피부색 확률 분포를 상기 비피부색 확률 분포로 나누어서 피부색 가능도를 획득하고, 이를 토대로 피부색 확률 함수인 피부색 가능도 함수를 산출하는 단계
    를 포함하는, 피부색 검출 방법.
  6. 제5항에 있어서
    상기 피부색 가능도 함수를 산출하는 단계는 상기 피부색 가능도에 대하여 시그모이달(sigmoidal) 함수를 적용시켜 소정 범위 내에 해당하는 값을 가지는 피부색 가능도 함수를 산출하는, 피부색 검출 방법.
  7. 영상으로부터 얼굴을 검출하는 방법에서,
    입력되는 영상이 설정번째로 입력되는 영상이 아닌 경우, 상기 영상으로부터 피부색 가능도 함수를 토대로 피부색 영역을 검출하는 단계;
    상기 검출된 피부색 영역에서 얼굴을 검출하는 단계;
    상기 입력되는 영상이 설정번째로 입력되는 영상인 경우, 상기 영상으로부터 피부색 검출을 위한 얼굴 영역을 설정하고, 설정된 얼굴 영역으로부터 피부색 데이터를 획득하는 단계; 및
    상기 피부색 데이터를 토대로 형성되는 피부색 영역이 미리 설정된 조건을 만족하지 않는 경우에 상기 피부색 가능도 함수를 갱신하는 단계
    를 포함하는, 얼굴 검출 방법.
  8. 제7항에 있어서
    상기 피부색 영역을 검출하는 단계는
    상기 영상의 각 화소별 색상값을 상기 피부색 가능도 함수에 적용시켜 획득한 값이 미리 설정된 임계값 이상인 경우에는 피부색인 것으로 판단하는 과정을 통하여 상기 피부색 영역을 검출하는, 얼굴 검출 방법.
  9. 제7항 또는 제8항에 있어서
    상기 피부색 데이터를 획득하는 단계는,
    상기 설정번째로 입력되는 영상으로부터 얼굴을 구성하는 양 눈의 위치를 검출하는 단계;
    상기 검출된 양 눈의 위치를 토대로 양 눈 사이의 거리를 산출하는 단계; 및
    상기 양 눈 사이의 거리와 위치를 토대로 얼굴 영역을 설정하는 단계
    를 포함하는, 얼굴 검출 방법.
  10. 제7항 또는 제8항에 있어서
    상기 피부색 데이터를 획득하는 단계는,
    상기 설정된 얼굴 영역을 구성하는 각 화소별 색차 정보인 색상값을 색차 정보로 이루어지는 색공간에 각각 매핑시켜 색상 히스토그램을 획득하는 단계; 및
    상기 색상 히스토그램에서 미리 설정된 퍼센트의 색상값을 피부색 데이터로 검출하는 단계
    를 포함하는, 얼굴 검출 방법.
  11. 제7항 또는 제8항에 있어서
    상기 피부색 가능도 함수를 갱신하는 단계는
    상기 피부색 영역이 상기 얼굴 영역의 설정 퍼센트보다 작은 경우에 상기 피부색 가능도 함수를 갱신하는, 얼굴 검출 방법.
  12. 제7항 또는 제8항에 있어서
    상기 피부색 가능도 함수를 갱신하는 단계는
    상기 피부색 데이터를 상기 피부색 가능도 함수 산출시 사용된 피부색 확률 분포의 중심값과 비피부색 확률 분포의 중심값과 각각 비교하는 단계; 및
    상기 피부색 데이터가 상기 비피부색 확률 분포의 중심값보다 상기 피부색 확률 분포의 중심값에 가까운 경우, 상기 피부색 가능도 함수를 갱신하는 단계
    를 포함하는, 얼굴 검출 방법.
  13. 제7항 또는 제8항에 있어서
    상기 피부색 가능도 함수를 갱신하는 단계는 상기 피부색 가능도 함수의 확률이 임계값 이상이 되도록 상기 피부색 가능도 함수를 갱신하는, 얼굴 검출 방법.
  14. 제13항에 있어서
    상기 피부색 가능도 함수는 복수개의 얼굴 영상으로부터 구해지며 각 얼굴 영상을 구성하는 각 화소의 색상값이 피부색일 확률을 나타내는 피부색 확률 분포를, 복수개의 배경 영상으로부터 구해지며 각 배경 영상을 구성하는 각 화소의 색상값이 비피부색일 확률을 나타내는 피부색 확률 분포로 나누어서 획득되는, 얼굴 검출 방법.
  15. 영상으로부터 얼굴을 검출하는 장치에서,
    식별 대상에 대한 영상을 획득하는 영상 획득부;
    복수개의 얼굴 영상으로부터 획득되는 피부색 데이터들과 복수개의 배경 영상으로부터 획득되는 비피부색 데이터들을 토대로 피부색 검출을 위한 피부색 가능도 함수를 산출하는 피부색 학습부;
    상기 영상 획득부로부터 입력되는 영상에 대하여 상기 피부색 가능도 함수를 적용하여 피부색 영역을 검출하는 피부색 영역 검출부; 및
    상기 피부색 영역에서 얼굴을 검출하는 얼굴 검출부
    를 포함하는, 얼굴 검출 장치.
  16. 제15항에 있어서
    상기 피부색 학습부는
    영상으로부터 얼굴 영역을 검출하여 얼굴 영역 영상과 배경 영역 영상을 출력하는 영역 검출 모듈;
    상기 얼굴 영역 영상에 대하여 각 화소의 색상값이 피부색일 확률을 나타내는 피부색 확률 분포를 산출하는 제1 확률 분포 산출 모듈;
    상기 배경 영역 영상에 대하여 각 화소의 색상값이 비피부색일 확률을 나타내는 비피부색 확률 분포를 산출하는 제2 확률 분포 산출 모듈; 및
    상기 피부색 확률 분포를 상기 비피부색 확률 분포로 나누어서 피부색 가능도 함수를 산출하는 가능도 산출 모듈
    을 포함하는, 얼굴 검출 장치.
  17. 제15항에 있어서
    상기 피부색 학습부는
    입력되는 영상이 설정번째로 입력되는 영상인 경우, 상기 영상으로부터 피부색 검출을 위한 얼굴 영역을 설정하고, 설정된 얼굴 영역으로부터 피부색 데이터를 토대로 하는 피부색 영역을 검출하고, 상기 피부색 영역이 미리 설정된 조건을 만족하지 않는 경우에 상기 피부색 가능도 함수를 갱신하는 피부색 재학습 모듈을 더 포함하는, 얼굴 검출 장치.
  18. 제17항에 있어서
    상기 피부색 재학습 모듈은 상기 피부색 영역이 상기 얼굴 영역의 설정 퍼센트보다 작은 경우에 상기 피부색 가능도 함수를 갱신하는, 얼굴 검출 장치.
  19. 제17항에 있어서
    상기 피부색 재학습 모듈은
    상기 설정된 얼굴 영역을 구성하는 각 화소별 색차 정보인 색상값을 색차 정보로 이루어지는 색공간에 각각 매핑시켜 색상 히스토그램을 획득하고, 상기 색상 히스토그램에서 미리 설정된 퍼센트의 색상값을 피부색 데이터로 검출하여, 상기 피부색 가능도 함수값을 갱신하는, 얼굴 검출 장치.
KR1020120050493A 2012-05-11 2012-05-11 적응적 피부색 검출 방법, 그리고 이를 이용한 얼굴 검출 방법 및 그 장치 KR101343623B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120050493A KR101343623B1 (ko) 2012-05-11 2012-05-11 적응적 피부색 검출 방법, 그리고 이를 이용한 얼굴 검출 방법 및 그 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120050493A KR101343623B1 (ko) 2012-05-11 2012-05-11 적응적 피부색 검출 방법, 그리고 이를 이용한 얼굴 검출 방법 및 그 장치

Publications (2)

Publication Number Publication Date
KR20130126386A true KR20130126386A (ko) 2013-11-20
KR101343623B1 KR101343623B1 (ko) 2013-12-19

Family

ID=49854497

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120050493A KR101343623B1 (ko) 2012-05-11 2012-05-11 적응적 피부색 검출 방법, 그리고 이를 이용한 얼굴 검출 방법 및 그 장치

Country Status (1)

Country Link
KR (1) KR101343623B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018174493A1 (ko) * 2017-03-24 2018-09-27 삼성전자 주식회사 피부에 해당하는 이미지 처리 영역을 보정하는 방법 및 전자 장치
KR20190139264A (ko) * 2017-09-30 2019-12-17 선전 센스타임 테크놀로지 컴퍼니 리미티드 이미지 처리 방법과 장치, 전자 기기 및 컴퓨터 저장 매체
KR20200113853A (ko) 2019-03-26 2020-10-07 부경대학교 산학협력단 얼굴영상 처리를 이용한 퍼스널 컬러 분석 판별을 위한 장치 및 방법
CN113938672A (zh) * 2021-09-16 2022-01-14 青岛信芯微电子科技股份有限公司 信号源的信号识别方法及终端设备
CN113938672B (zh) * 2021-09-16 2024-05-10 青岛信芯微电子科技股份有限公司 信号源的信号识别方法及终端设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101551190B1 (ko) 2014-03-24 2015-09-08 안양대학교 산학협력단 영상의 유해성을 나타내는 인체의 구성요소 검출 방법

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018174493A1 (ko) * 2017-03-24 2018-09-27 삼성전자 주식회사 피부에 해당하는 이미지 처리 영역을 보정하는 방법 및 전자 장치
US11263790B2 (en) 2017-03-24 2022-03-01 Samsung Electronics Co., Ltd. Method for correcting image processing region corresponding to skin and electronic device
KR20190139264A (ko) * 2017-09-30 2019-12-17 선전 센스타임 테크놀로지 컴퍼니 리미티드 이미지 처리 방법과 장치, 전자 기기 및 컴퓨터 저장 매체
US10972709B2 (en) 2017-09-30 2021-04-06 Shenzhen Sensetime Technology Co., Ltd. Image processing method and apparatus, electronic device, and computer storage medium
KR20200113853A (ko) 2019-03-26 2020-10-07 부경대학교 산학협력단 얼굴영상 처리를 이용한 퍼스널 컬러 분석 판별을 위한 장치 및 방법
CN113938672A (zh) * 2021-09-16 2022-01-14 青岛信芯微电子科技股份有限公司 信号源的信号识别方法及终端设备
CN113938672B (zh) * 2021-09-16 2024-05-10 青岛信芯微电子科技股份有限公司 信号源的信号识别方法及终端设备

Also Published As

Publication number Publication date
KR101343623B1 (ko) 2013-12-19

Similar Documents

Publication Publication Date Title
CN108038456B (zh) 一种人脸识别系统中的防欺骗方法
US6611613B1 (en) Apparatus and method for detecting speaking person's eyes and face
US7916904B2 (en) Face region detecting device, method, and computer readable recording medium
WO2019114036A1 (zh) 人脸检测方法及装置、计算机装置和计算机可读存储介质
CN110298297B (zh) 火焰识别方法和装置
EP2101296B1 (en) Eye detecting device, eye detecting method, and program
KR20170006355A (ko) 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치
US9633284B2 (en) Image processing apparatus and image processing method of identifying object in image
CN110889312A (zh) 活体检测方法和装置、电子设备、计算机可读存储介质
US8290277B2 (en) Method and apparatus for setting a lip region for lip reading
CN108416291B (zh) 人脸检测识别方法、装置和系统
CN106650574A (zh) 基于PCANet的人脸识别方法
CN110543848B (zh) 一种基于三维卷积神经网络的驾驶员动作识别方法及装置
Radu et al. A robust sclera segmentation algorithm
JP4658532B2 (ja) 顔を検出する処理方法及び画像中の顔の検出装置
Hebbale et al. Real time COVID-19 facemask detection using deep learning
KR101343623B1 (ko) 적응적 피부색 검출 방법, 그리고 이를 이용한 얼굴 검출 방법 및 그 장치
KR101089847B1 (ko) 얼굴 인식을 위한 ｓｉｆｔ 알고리즘을 이용한 키포인트 매칭 시스템 및 방법
WO2017061106A1 (ja) 情報処理装置、画像処理システム、画像処理方法及びプログラム記録媒体
KR101672814B1 (ko) 랜덤 포레스트를 이용한 성별인식 방법
Khot et al. Optimal computer based analysis for detecting malarial parasites
CN110910497B (zh) 实现增强现实地图的方法和系统
KR101711328B1 (ko) 영상 촬영 장치를 통하여 획득한 영상 이미지에서 신장 대비 머리 높이의 비를 이용하여 어린이와 성인을 구분하는 방법
CN112825120A (zh) 人脸光照评价方法、装置、计算机可读存储介质及设备
JPH07311833A (ja) 人物の顔の検出装置

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20161205

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20181203

Year of fee payment: 6