KR20140140953A - 얼굴 검출 방법 및 그 장치 - Google Patents

얼굴 검출 방법 및 그 장치 Download PDF

Info

Publication number
KR20140140953A
KR20140140953A KR1020130062029A KR20130062029A KR20140140953A KR 20140140953 A KR20140140953 A KR 20140140953A KR 1020130062029 A KR1020130062029 A KR 1020130062029A KR 20130062029 A KR20130062029 A KR 20130062029A KR 20140140953 A KR20140140953 A KR 20140140953A
Authority
KR
South Korea
Prior art keywords
face
scan
region
image
clusters
Prior art date
Application number
KR1020130062029A
Other languages
English (en)
Other versions
KR101473991B1 (ko
Inventor
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 KR1020130062029A priority Critical patent/KR101473991B1/ko
Publication of KR20140140953A publication Critical patent/KR20140140953A/ko
Application granted granted Critical
Publication of KR101473991B1 publication Critical patent/KR101473991B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

입력 영상으로터 얼굴 검출시, 얼굴 특징 추출을 위한 특징 요소들을 토대로 하는 연산자를 영상에 적용하여 특징값을 획득하고, 특징값을 토대로 스캔 영역의 스캔 영상이 얼굴 영상인지 비얼굴 영상인지를 판별한다. 여기서, 연산자는 복수의 서브블록을 포함하며, 특징 요소는 상기 서브 블록의 좌표, 넓이, 높이 그리고 이웃하는 서브 블록과의 간격을 포함한다.

Description

얼굴 검출 방법 및 그 장치{Method and apparatus for detecting face}
본 발명은 얼굴 인식에 관한 것으로, 특히 영상으로부터 얼굴을 검출하는 방법 및 그 장치에 관한 것이다.
얼굴 검출 기술은 영상으로부터 얼굴의 위치와 크기를 알아내는 기술로, 얼굴 인증, 성별 판별, 나이 추정 등의 얼굴 인식 응용 기술에 필요한 핵심 기술이다.
얼굴 검출의 정확성을 높이기 위한 다양한 연구들이 이루어지고 있으며, 주어진 입력 이미지에서 얼굴 부분의 형태 정보를 특징량으로 변환하고, 입력 이미지로부터 획득한 특징량과 등록된 이미지의 특징량들을 비교하여 입력된 얼굴 이미지의 정체성을 결정하는 과정을 통하여 수행된다.
사람의 얼굴은 세부적으로 이마, 눈썹, 눈, 코, 입 등의 부분으로 이루어지며, 3차원적인 대상(object)이다. 따라서 조명, 시야 각도(또는 카메라 각도), 피사체인 사람 즉, 피사자의 표정 유무 등의 변화 요소에 따라 촬상 평면에 투영되는 형태에 큰 변화가 발생된다. 변화의 정도는 얼굴 부분에 따라 다르다. 예를 들어, 코는 눈보다 더 입체적이기 때문에 촬상 평면에 투영되는 형태가 촬영 각도에 따라 더 큰 변화를 가진다. 한편 동일한 촬영 각도의 조건하에서 피사자가 크게 웃는 표정을 짓고 있는 경우에는, 코에 대한 이미지의 형태는 표정이 없는 경우에 비하여 거의 변화가 없으나, 눈과 입에 대한 이미지의 형태는 크게 변하게 된다.
획득한 얼굴 이미지에 대한 컴퓨터화된 식별을 위하여 주파수 영역에서의 정량화를 가능케 하는 필터링이 널리 사용되고 있는데, 필터링에 사용되는 얼굴 인식 필터로는 가버(Gabor) 필터, 하(Haar) 필터, LBP(local binary pattern) - DLBP(discriminative LBP), ULBP(uniform LBP), NLBP (number LBP) 등을 포함- 등이 있다. 특히 LBP의 경우, 조명 변화에 강인한 특성으로 인해 Locally Assembled Binary(LAB) Feature, Multi-Block LBP 등으로 개량되어 얼굴 검출 기술 개발에 사용되었다.
그러나 이런 기존 LBP를 이용한 방법은 특징의 표현력이 부족하여 얼굴 검출에 많은 특징 추출 연산이 요구되는 단점이 있다. 이에 따라 얼굴 검출에 많은 연산 처리량과 시간이 소요되어, 실시간으로 얼굴 인식을 처리하는 환경에 적용하는 것이 어렵다.
본 발명이 해결하고자 하는 기술적 과제는 보다 정확하게 얼굴 검출을 빠르게 수행할 수 있는 얼굴 검출 방법 및 그 장치를 제공하고자 한다.
위의 과제를 위한 본 발명의 특징에 따른 얼굴 검출 방법은, 입력 영상에 대하여 이미지들로 이루어진 얼굴 피라미드를 생성하는 단계; 얼굴 피라미드에 포함된 각 이미지들을 설정 크기의 윈도우를 이용하여 스캔하는 단계; 상기 스캔 영역에 대하여 얼굴 특징 추출을 위한 특징 요소들을 토대로 하는 연산자를 적용하여 영상을 코딩하여 특징값을 획득하고, 특징값을 토대로 스캔 영역의 스캔 영상이 얼굴 영상인지 비얼굴 영상인지를 판별하는 단계; 얼굴 영상으로 판별된 스캔 영역들을 클러스터링하고, 클러스터링된 스캔 영역들의 크기를 토대로 얼굴 영상으로 판별된 스캔 영역들 중에서 최종 후보 검출 영역을 추출하는 단계; 및 상기 최종 후보 검출 영역으로부터 얼굴을 검출하는 단계를 포함하고, 상기 연산자는 복수의 서브블록을 포함하며, 상기 특징 요소는 상기 서브 블록의 좌표, 넓이, 높이 그리고 이웃하는 서브 블록과의 간격을 포함한다.
여기서, 상기 판별하는 단계는 상기 특징 요소에 따른 서브블록들로 이루어진 연산자를 포함하는 복수의 약분류기를 스캔 영역에 적용시켜 중심 서브블록에 대응하는 영역과 주변 서브블록에 대응하는 영역의 화소값에 따라 상기 스캔 영역의 스캔 영상을 코딩하여 특징값들을 획득하는 단계; 스캔 영역별로 상기 복수의 약분류기에 의하여 획득한 특징값들을 토대로 강분류값을 산출하는 단계; 및 상기 강분류값을 미리 설정된 문턱치와 비교하여 해당 스캔 영역의 영상이 얼굴 영상인지 비얼굴 영상인지를 판별하는 단계를 포함할 수 있다.
그리고 상기 복수의 약분류기들에 사용되는 연산자를 구성하는 특징 요소들 중 적어도 하나는 다른 약분류기의 연산자의 해당 특징 요소와 다른 값을 가질 수 있다.
또한 상기 특징 요소의 좌표는 x좌표 및 y 좌표를 포함하고, 상기 이웃하는 서브블록과의 간격은 x방향의 간격 및 y방향의 간격을 포함할 수 있다.
한편, 상기 최종 후보 검출 영역을 추출하는 단계는 클러스터링된 스캔 영역들의 크기와, 스캔 영역들의 강분류값을 토대로 산출되는 신뢰도를 토대로, 상기 스캔 영역들 중에서 최종 후보 검출 영역을 추출할 수 있다.
또한 상기 최종 후보 검출 영역을 추출하는 단계는 얼굴 영상으로 판별된 스캔 영역들을 그 크기에 따라 서로 다른 클러스터로 클러스터링하는 단계; 상기 클러스터들에 포함되는 스캔 영역들인 멤버들의 수를 토대로 각 클러스터의 크기를 산출하는 단계; 상기 클러스터들 중에서, 클러스터의 크기가 미리 설정된 크기 이상인 클러스터들을 추출하는 단계; 상기 추출된 클러스터들에 대하여 각각 신뢰도를 산출하는 단계; 및 신뢰도가 설정값 이상인 클러스터들만을 선택하여 최종 후보 검출 영역으로 사용하는 단계를 포함할 수 있다.
한편, 상기 얼굴 검출 방법은 상기 최종 후보 검출 영역으로 선택된 클러스터들에 대하여, 각 클러스터에 포함된 영역들을 머징(merging)하여 각 클러스터별로 얼굴 검출 영역을 획득하는 단계를 더 포함할 수 있다.
여기서, 상기 얼굴을 검출하는 단계는 상기 최종 후보 검출 영역으로 선택된 클러스터들 중에서 그 신뢰도가 설정값 이상인 클러스터를 추출하고, 추출된 클러스터의 얼굴 검출 영역을 얼굴 영역으로 최종 검출할 수 있다.
본 발명의 다른 특징에 따른 얼굴 검출 장치는, 입력 영상에 대하여 이미지들로 이루어진 얼굴 피라미드를 생성하는 영상 피라미드 생성부; 얼굴 피라미드에 포함된 각 이미지들을 설정 크기의 윈도우를 이용하여 스캔하는 영상 스캔부; 상기 스캔 영역에 대하여 얼굴 특징 추출을 위한 특징 요소들을 토대로 하는 연산자--상기 연산자는 복수의 서브블록을 포함하며, 상기 특징 요소는 상기 서브 블록의 x 좌표 및 y 좌표, 넓이, 높이 그리고 이웃하는 서브 블록과의 x 방향의 간격 및 y 방향의 간격을 포함함--를 적용하여 영상을 코딩하여 특징값을 획득하고, 특징값을 토대로 스캔 영역의 스캔 영상이 얼굴 영상인지 비얼굴 영상인지를 판별하는 영역 판별부; 얼굴 영상으로 판별된 스캔 영역들을 클러스터링하고, 클러스터링된 스캔 영역들의 크기를 토대로 얼굴 영상으로 판별된 스캔 영역들 중에서 최종 후보 검출 영역을 추출하는 클러스터링부; 및 상기 최종 후보 검출 영역으로부터 얼굴을 검출하는 얼굴 검출부를 포함한다.
상기 영역 판별부는 상기 특징 요소에 따른 서브블록들로 이루어진 연산자를 스캔 영역에 적용시켜 중심 서브블록에 대응하는 영역과 주변 서브블록에 대응하는 영역의 화소값에 따라 상기 스캔 영역의 스캔 영상을 코딩하여 특징값들을 획득하는 복수의 약분류기; 및 스캔 영역별로 상기 복수의 약분류기에 의하여 획득한 특징값들을 토대로 강분류값을 산출하고, 상기 강분류값을 미리 설정된 문턱치와 비교하여 해당 스캔 영역의 영상이 얼굴 영상인지 비얼굴 영상인지를 판별하는 강분류기를 포함하며, 상기 복수의 약분류기들에 사용되는 연산자를 구성하는 특징 요소들 중 적어도 하나는 다른 약분류기의 연산자의 해당 특징 요소와 다른 값을 가질 수 있다.
상기 클러스터링부는 상기 영역 판별부에서 얼굴 영상으로 판별된 스캔 영역들의 크기를 토대로 스캔 영역들을 복수의 클러스터로 클러스터링하는 제1 처리부; 각 클러스터의 크기와 신뢰도를 토대로 필터링을 수행하여 최종 후보 검출 영역을 획득하는 제2 처리부; 및 상기 최종 후보 검출 영역으로 선택된 클러스터에 포함된 멤버인 영역들을 머징하여 각 클러스터별로 얼굴 검출 영역을 획득하는 머징부를 포함할 수 있다.
상기 제2 처리부는 상기 클러스터들에 포함되는 스캔 영역들인 멤버들의 수를 토대로 각 클러스터의 크기를 산출하고, 클러스터의 크기가 미리 설정된 크기 이상인 클러스터들을 추출하고, 추출된 클러스터들 중에서 그 신뢰도가 설정값 이상인 클러스터들만을 선택하여 최종 후보 검출 영역으로 사용할 수 있다.
상기 머징부는 상기 최종 후보 검출 영역으로 선택된 클러스터에 포함된 멤버들인 영역들의 평균 영역을 산출하여 해당 클러스터의 얼굴 검출 영역으로 사용할 수 있다.
본 발명의 실시 예에 따르면, 얼굴 인식을 위하여 얼굴 특징을 나타내는 특징 표현 방법의 표현력을 높일 수 있으므로, 보다 적은 계산으로 얼굴 검출이 가능하고 얼굴 검출의 정확도를 높일 수 있다. 또한 얼굴 검출 성능 개선으로 인해 실시간 얼굴 인증, 성별 판별, 나이 추정 등의 응용 시스템 개발에 기여할 수 있다.
도 1은 본 발명의 실시 예에 따른 얼굴 검출 방법의 흐름도이며, 도 2는 얼굴 검출 방법이 적용되는 영상을 나타낸 예시도이다.
도 3은 본 발명의 실시 예에 따른 얼굴 인식 필터 LBP의 연산자를 나타낸 예시도이다.
도 4는 본 발명의 실시 예에 따른 얼굴 특징 추출을 위한 연산자의 특징 요소를 나타낸 도이다.
도 5는 본 발명의 실시 예에 따른 얼굴 검출 방법에서 클러스터링 과정을 나타낸 흐름도이다.
도 6은 본 발명의 실시 예에 따른 얼굴 검출 방법에서, 클러스터링 과정에서 추가적으로 수행되는 검증 과정의 흐름도이다.
도 7은 본 발명의 실시 예에 따른 얼굴 검출 장치의 구조를 나타낸 도이다.
도 8은 본 발명의 실시 예에 따른 영역 판별부의 구조를 나타낸 도이다.
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 방법의 흐름도이며, 도 2는 얼굴 검출 방법이 적용되는 영상을 나타낸 예시도이다.
본 발명의 실시 예에서는 도 1에서와 같이, 입력 영상에 대하여 영상 피라미드(image pyramid)를 생성하고, 영상 피라미드에 포함되는 영상들을 각각 스캔하여 얼굴 영상과 비얼굴 영상으로 분류한다.
입력 영상을 소정 비율들로 축소하여 영상 피라미드를 생성한다(S100). 즉, 영상 피라미드는 입력 영상이 서로 다른 비율로 축소된 이미지들을 포함한다. 예를 들어, 도 2에서와 같이, 입력 영상을 제1 비율, 제2 비율, 그리고 제3 비율(제1 비율> 제2 비율> 제3 비율)로 각각 축소시켜 복수의 이미지들(I1, I2, I3)을 포함하는 영상 피라미드를 생성한다. 여기서 각 이미지의 해상도는 다를 수 있다. 설명의 편의를 위하여, 입력 영상에 대하여 생성된 영상 피라미드에 포함되는 영상들을 "이미지"라고 명명하여, 입력 영상과 구별되도록 한다.
영상 피라미드에 포함되는 각 이미지들을 소정 크기를 가지는 서브 윈도우(subwindow)를 이용하여 스캔하고(S110), 스캔되는 영역이 얼굴 영상인지 비얼굴 영상인지를 판별한다(S120). 예를 들어, 도 2에서와 같이, 서브 윈도우(W)를 이용하여 이미지를 순차적으로 스캔하며, 서브 윈도우(W)에 의하여 스캔되는 이미지의 영역 즉, 스캔 영역이 얼굴 영상인지 비얼굴 영상인지를 판별한다. 이때, 본 발명의 실시 예에 따른 분류기를 사용하여 스캔되는 영역이 얼굴 패턴에 해당하는 영역 즉, 얼굴 영상인지 비얼굴 영상인지를 판별한다. 특히 본 발명의 실시 예에서는 얼굴에 대한 특징을 나타내는 요소로 픽셀의 위치에 따른 x좌표 및 y좌표, 넓이, 높이 그리고 이웃 픽셀과의 간격들의 특징 요소들을 고려한 분류기를 이용하여 스캔되는 영역의 영상이 얼굴 영상인지 비얼굴 영상인지를 판별한다. 분류기를 이용한 얼굴 영상 판별에 대해서는 추후에 보다 구체적으로 설명하기로 한다.
다음, 이미지에서 얼굴 영상으로 판별된 스캔 영역들을 클러스터링(clustering) 하고 머징(merging)하여 검출 영역을 선택한다(S130). 분류기에 의하여 얼굴 영상으로 판별된 스캔 영역들은 확률상 매우 많은 오검출(false detection)을 포함하고 있다. 즉, 분류기는 얼굴의 작은 위치, 크기 변화에 대해 강인하도록 학습되기 때문에 하나의 얼굴에 대하여 중첩된 복수개의 검출 결과를 얻게 된다. 따라서 이런 경우 하나의 검출 결과를 만들기 위한 클러스터링 과정이 필요하게 된다. 그러므로 얼굴 영상으로 판별된 스캔 영역들에 대하여 클러스터링 및 머징을 통한 검증을 수행하여 얼굴 검출을 위한 후보인 검출 영역을 선택한다. 본 발명의 실시 예에 따른 클러스터링 과정에 대해서는 추후에 보다 구체적으로 설명하기로 한다.
그리고 선택된 후보 검출 영역들에 대하여, 각 영역에 대한 신뢰도(confidence)와 크기를 토대로 중첩된 검출 결과들을 제거하여 얼굴 검출을 위한 최종 후보 검출 영역들을 획득한다(S150).
획득한 최종 후보 검출 영역들로부터 얼굴을 검출하며(S160), 이 경우, 최종 후보 검출 영역들에 대하여 논리적으로 발생할 수 없는 상황을 제거하는 필터링을 추가적으로 수행한 다음에 얼굴을 검출하여 오검출을 감소시킬 수 있다. 검출 결과 중 일정 비율이상 겹친 것은 그 중 하나만 실제 얼굴이고 나머지는 오검출일 가능성이 매우 높다. 따라서 그런 경우 신뢰도의 값이 낮은 쪽을 버려서 오검출을 재차 필터링할 수 있다.
위와 같은 본 발명의 실시 예에 따른 얼굴 검출 방법에서, 분류기를 사용하여 스캔되는 영역이 얼굴 영상인지 비얼굴 영상인지를 판별하는 방법에 대하여 보다 구체적으로 설명한다.
스캔 영역에 해당하는 영상(이하, 설명의 편의를 위하여 스캔 영상이라고 명명함)에 대하여 얼굴 특징을 추출하기 위하여 얼굴 인식 필터를 스캔 영상에 적용하여 필터 응답 데이터를 획득한다. 여기서 얼굴 인식 필터는 조명 변화에 강인한 특성을 가지는 LBP(local binary pattern) 필터를 사용한다.
스캔 영상의 텍스쳐(texture)들은 LBP 필터의 패턴들에 의하여 국부적으로 부호화된다. LBP 연산자는 도 3과 같이 나타낼 수 있다.
도 3은 본 발명의 실시 예에 따른 얼굴 인식 필터 LBP의 연산자를 나타낸 예시도이다.
LBP 연산자는 하나의 중심 픽셀에 대하여 이웃 픽셀들과의 관계를 규정하는 연산자(operator)이며, 예를 들어, 각각의 이웃 픽셀의 밝기를 중심 픽셀의 밝기 값으로 이진화한다. 도 3에 도시되어 있듯이, 9개의 서브블록(subblock)(예를 들어, 픽셀들)들로 이루어진 사각형으로 이루어진 연산자를 스캔 영상에 적용하여, 중앙에 위치한 서브블록의 세기(intensity) 값과 이웃 서브블록의 세기값의 대소 비교를 통하여 LBP 코드들을 획득한다. 이러한 LBP를 이용한 얼굴 특징 추출에서, 연산자의 디멘전(dimension)에 자유도를 부가하여 LBP의 표현력을 높일 수 있다.
본 발명의 실시 예에서는 서브 블록의 x 좌표 및 y 좌표, 넓이(w) 그리고 높이(h)의 특징 요소들로 이루어진 연산자를 이용하여, 스캔 영상에 포함된 중심 서브블록과 이웃 서브블록들의 대소 관계를 8비트로 코딩한다. 특히, 본 발명의 실시 예에서는 자유도를 가지는 4개의 특징 요소들 이외에, 각 서브블록간의 간격(△x, △y)을 추가적으로 고려하여 보다 높은 표현력을 가지는 특징 추출이 이루어지도록 한다. 이하에서는 설명의 편의를 위하여 추가적으로 고려되는 각 서브블록간의 간격을 "픽셀 간격"이라고 명명한다.
도 4는 본 발명의 실시 예에 따른 얼굴 특징 추출을 위한 연산자의 특징 요소를 나타낸 도이다.
연산자를 구성하는 9개의 서브블록들 중에서 최우측 최상단의 서브블록의 좌표값을 (x0, y0)이라고 하고, 해당 서브블록의 넓이를 w, 그리고 높이를 h라고 하며, 주변의 이웃 서브블록과의 픽셀 간격을 (Δx, Δy)라고 할 경우, 이러한 특징 요소들로 이루어진 주변 서브 블록과 중심 서브블록의 값을 비교하여 그 결과를 이진화하여 LBP 코드를 획득할 수 있다. 예를 들어, 중심 서브 블록에 대하여 각 서브블록의 밝기값을 비교하여 이진화된 결과를 획득하고 이를 도 4에서와 같은 화살표 방향으로 정렬시켜 "01011011"의 이진 패턴인 LBP 코드가 획득한다.
본 발명의 실시 예에서는 연산자를 구성하는 서브블록에 대하여 x 좌표, y 좌표, 넓이, 높이 그리고 x방향의 픽셀 간격 및 y 방향의 픽셀 간격을 고려한 특징 요소를 부가함으로써, 각 서브블록간의 빈공간을 특징에 반영할 수 있다. 이러한 6 자유도를 가지는 특징 요소로 이루어진 서브블록을 포함하는 연산자를 이용하여, 얼굴의 주요 특징 이외에 아무래도 괜찮은 영역(얼굴의 빈공간)은 특징벡터 추출시 반영시키지 않음으로써 보다 검출 대상의 표현에 효과적이다. 이러한 본 발명의 실시 예에 따른 얼굴 특징을 추출하는 방법을 "S-LBP(space- local binary pattern)"라고 명명할 수 있다.
위에 기술된 바와 같은 S-LBP에 따라 8비트 즉, 1바이트의 필터 응답 데이터가 획득될 수 있으며, 필터 응답 데이터 즉, 특징값들은 0~255의 값 중 하나로 나타낼 수 있다. 일반적으로 영상에서 0~255의 특징값이 균일하게 나타나지 않으며, 단순한 몇 가지 이진 패턴이 지배적으로 나타낸다. 예를 들어, 0→1 또는 1→0으로 비트 변화가 발생한 횟수가 적은 패턴이 지배적으로 나타나며, 비트 변화가 자주 발생하는 패턴은 그 발생 빈도가 낮다(즉, 비트 변화가 자주 발생하는 패턴은 노이즈이거나 반복적으로　관찰되지 않는 패턴인 경우가 많다).
본 발명의 실시 예에서는 스캔 영상에 대하여 획득한 특징값들의 비트 변화가 설정 횟수(예를 들어, 4회 이하인 경우) 이하인 경우에만 해당 코드값을 배정하고, 설정 횟수 이상의 비트 변화가 발생하는 경우는 미리 설정된 하나의 코드값으로 표현하도록 한다. 따라서 특징값은 0~255가 아닌 설정 범위 0~198의 값으로 나타낼 수 있다.
본 발명의 실시 예에서는 설정 범위 0~198의 값을 가지는 특징값들(분산 특징값들)을 이용하여 해당 영상이 얼굴 영상인지 비얼굴 영상인지를 판별하는 분류기를 구현한다.
분류기를 약분류기(weak classifier)로 구현할 경우, 히스토그램(histogram)을 이용한 우도비율(likelihood ratio)로 분류기를 구성할 수 있다. 스캔 영상에 대하여 LBP 코드를 히스토그램으로 나타내면, 히스토그램은 해당 영상에 대한 좋은 텍스쳐 표현이 된다. 특징값인 x(1bp 코드 x)에 대한 약분류기의 h(x)는 다음과 같이 나타낼 수 있다.
Figure pat00001
여기서, Ppos(x)는 얼굴 샘플에서의 특징값인 x의 확률 분포이고, Pneg(x)는 비얼굴 샘플에서의 특징값인 x의 확률 분포이다. "ε"는 0으로 나누기(divide-by-zero)를 방지하기 위한　최소값이다.
특징값인 x가 분산적(discrete)이므로, 확률분포 Ppos(x)와 Pneg(x)는 소정 개수 예를 들어, 199개의 빈(bin)을 가지는 히스토그램으로 모델링될 수 있다.
이러한 약분류기 h(x)는 단일 S-LBP 특징 요소로 구성되므로 분류 성능이 높지 않다. 따라서 얼굴과 비얼굴을 정확히 분류하기 위해서는 다양한 S-LBP 특징 요소들로 구성된 h(x)들을 조합하여 강분류기(strong classifier)가 요구된다. 연산자의 서브 블록의 특징 요소들 즉, 픽셀의 위치에 따른 x좌표 및 y좌표, 넓이, 높이 그리고 이웃 픽셀과의 픽셀 간격들이 서로 다른 값을 가지는 복수의 S-LBP 기반의 복수의 약분류기 h(x)들을 조합하여 강분류기를 구현할 수 있다. 이 경우, 부스팅(boosting) 알고리즘(예를 들어, Realboost)으로 복수의 약분류기들 중에서 얼굴 영상과 비얼굴 영상을 잘 분류할 수 있는 것들을 선택할 수 있다.
본 발명의 실시 예에 따른 강분류기는 다음과 같이 나타낼 수 있다.
Figure pat00002
여기서 H(x)의 값은 입력된 특징값이 얼굴에 가까울수록 큰 값을 가지는 함수로, 원하는　얼굴 검출 성능(오검출율과 검출율의 트레이드오프(trade-off) 관계에 따른 목표 성능)에 따라 설정되는 문턱치와 특징값을 비교하여 얼굴/비얼굴 여부를 판별한다.
이와 같이, 본 발명의 실시 예에서는 서브블록의 위치에 따른 x좌표 및 y좌표, 넓이, 높이 그리고 이웃 서브블록과의 픽셀 간격들의 특징 요소들이 서로 다른 값을 가지는 연산자를 이용한 분류기들을 조합한 강분류기를 이용하여 스캔되는 영역의 영상이 얼굴 영상인지 또는 비얼굴 영상인지를 판별한다.
한편, 분류기는 얼굴의 작은 위치, 크기 변화에 대해 강인하도록 학습되기 때문에 하나의 얼굴에 대하여 중첩된 복수개의 검출 결과를 얻게 된다. 이러한 복수개의 검출 결과들을 하나의 검출 결과로 만들기 위한 클러스터링 과정에 대하여 보다 구체적으로 설명한다.
도 5는 본 발명의 실시 예에 따른 얼굴 검출 방법에서 클러스터링 과정을 나타낸 흐름도이다.
본 발명의 실시 예에서는 초기 검출 결과의 상호 중복도가 일정 수준 이상인 것을 중첩되었다고 판단하고, 중첩된 검출 결과들의 집합을 반복적으로 업데이트한다.
영상에 대하여 강분류기를 적용하여 얼굴 영상으로 판별된 영역들 즉, 얼굴 후보 영역들로 이루어진 초기 검출 결과를 소정 순서 예를 들어, 내림차순으로 정렬하여 검출 결과 풀(Pool)인 D={d1, d2, d3, …, dn} 를 획득한다. 즉, 얼굴 후보 영역들에 대한 H(x)의 값을 내림차순으로 정렬하여 검출 결과 D를 획득할 수 있다(S300).
검출 결과 풀(D)에 포함되는 구성 요소인 얼굴 후보 영역들에 대응하여 클러스터를 형성한다. 예를 들어, d1을 클러스터 c1에 대응시켜 하나의 클러스터 c1={d1}을 구성하고, 클러스터 집합 C = {c1}을 생성한다(S310).
그리고 클러스터 집합 C = {c1}을 토대로, 다음과 같이 얼굴 후보 영역들을 클러스터링한다.
검출 결과 풀(D)에 포함되는 임의 요소 dj에 대해 ci의 임의의 멤버 dk와 중첩되는 영역의 크기를 구한다(S320, S330). 예를 들어, d2를 제1 클러스터 c1에 포함되는 멤버인 d1과 중첩되는 영역의 크기를 구한다.
중첩 영역의 크기가 두 얼굴 후보 영역들 중에서 면적이 작은 얼굴 후보 영역에 대하여 설정된 비율 이상의 크기를 가지고(S340), 두 얼굴 후보 영역들의 크기의 차이가 설정 차이 이내로 두 얼굴 후보 영역들의 크기가 비슷한 경우(S350), 동일 영역을 검출한 것으로 판단하고 dj를 ci에 추가한다(S360, S370). 예를 들어, d2와 d1의 중첩 크기가 d2와 d1 중 면적인 작은 영역에 대하여 설정된 비율 이상의 크기를 가지고, d2와 d1의 크기가 서로 비슷한 경우, d2는 d1과 동일한 영역인 것으로 판단하여, d2를 d1이 포함되어 있는 제1 클러스터 c1의 멤버로 추가한다. 이후 검증된 얼굴 후보 영역 dj(예를 들어, d2)는 검출 결과 풀 D에서 제거한다.
한편, 중첩 영역의 크기가 두 얼굴 후보 영역들 중에서 면적이 작은 얼굴 후보 영역에 대하여 설정된 비율 이하의 크기를 가지는 경우, 또는 중첩 크기가 설정된 비율 이하의 크기를 가져도 두 얼굴 후보 영역들의 크기의 차이가 설정 차이 이상으로 두 얼굴 후보 영역들의 크기가 비슷하지 않은 경우에는 다른 영역을 검출한 것으로 판단한다. 그리고 비교가 이루어진 해당 클러스터 즉, 제1 클러스터 c1에 다른 멤버가 있다면(S380) 해당 멤버 영역을 토대로 위의 과정(S330~S370)을 반복적으로 수행한다. 해당 클러스터에 다른 멤버가 포함되어 있지 않은 경우에는 다른 클러스터(예를 들어, ci +1)가 존재하는지를 판단하고(S390), 다른 클러스터가 있는 경우에는 해당 클러스터의 멤버에 대하여 위의 과정(S330~S370)을 반복적으로 수행한다. 그리고 다른 클러스터가 존재하지 않는 경우에는 다른 영역에 대한 새로운 클러스터를 생성한다(S400). 예를 들어, dj가 클러스터 ci에 포함되는 멤버들과는 다른 영역인 것으로 판단되고 다른 클러스터들이 없는 경우에는 dj에 대응하는 새로운 클러스터 ci +1을 생성하여 클러스터 집합 C 에 추가한다. 이 경우, 클러스터 집합 C= {c1 , c2} 가 된다.
위에 기술된 바와 같은 과정을 검출 결과 풀 D에 포함되는 모든 구성 요소에 대하여 수행한 경우, 클러스터링 과정을 종료한다(S410, S420). 클러스터링을 통하여 얼굴 후보 영역들은 서로 다른 클러스터별로 클러스터링된다. 클러스터들을 얼굴 검출을 위한 후보 검출 영역이라고 명명한다.
이러한 클러스터링 과정은 중첩된 검출 결과를 하나로 만들어　주는 효과 이외에, 클러스터의 크기(하나의 클러스터에 포함된 멤버의 수)에 따른 얼굴/비얼굴 판별에도 유용하게 사용될 수 있다. 즉, 실제 얼굴은 클러스터의 크기가 크고, 오검출의 경우에는 클러스터의 크기가 매우 작은 경향이 있다. 예를 들어, 클러스터의 크기가 2~3 이상인 경우 실제 얼굴일 가능성이 높으며, 클러스터의 크기가 1인 경우는 대부분 오검출이다.
본 발명의 실시 예에서는 다음과 같이 클러스터링 수행 결과 얻어진 후보 검출 영역들에 대하여 다음과 같은 검증 과정을 추가적으로 수행하여 오검출된 영역들을 제거하여 최종 후보 검출 영역만을 획득할 수 있다.
도 6은 본 발명의 실시 예에 따른 얼굴 검출 방법에서, 클러스터링 과정에서 추가적으로 수행되는 검증 과정의 흐름도이다.
첨부한 도 6에서와 같이, 클러스터링을 통하여 얼굴 후보 영역들은 서로 다른 클러스터별로 클러스터링 되고, 클러스터들을 그 크기를 기준으로 필터링한다. 각 클러스터의 크기를 설정 크기와 비교하여, 설정 크기 이상의 크기를 가지는 클러스터들만 추출한다(S500, S510). 예를 들어, 클러스터의 크기 즉 클러스터에 포함된 멤버의 수가 2 이상인 경우만 추출하고, 2 보다 작은 경우에는 선택하지 않는다.
추출된 클러스터들에 대하여, 각 멤버들의 분류기 출력값들을 합하여 신뢰도(confidence)를 구한다(S520). 예를 들어, 크기가 2인 클러스터 c1이 두 멤버 d1, d2를 포함하는 경우, d1에 대한 분류기 출력값 H1(x)와 d2에 대한 분류기 출력값 H2(x)를 합하여 클러스터 c1에 대한 신뢰도를 산출한다.
그리고 추출된 클러스터별로 신뢰도와 설정값을 비교하고(S530), 추출된 클러스터들 중에서 설정값보다 낮은 신뢰도를 가지는 클러스터는 선택하지 않고(S540), 설정값보다 높은 신뢰도를 가지는 클러스터들만 선택하여 최종 후보 검출 영역으로 사용한다(S550).
분류기의 출력값은 우도비의 합이므로, 클러스터에 포함된 멤버들인 중첩된 검출 결과들의 출력값들의 합을 토대로 필터링함으로써, 검출율을 유지하면서 오검출을 효과적으로 줄일 수 있다.
위와 같은 검증 과정을 수행하여 획득한 최종 후보 검출 영역에 해당하는 클러스터들에 대하여, 클러스터들 멤버들을 머징(Merging)하여 최종 출력될 얼굴 검출 영역을 획득한다(S560). 예를 들어, 클러스터 c1가 최종 후보 검출 영역으로 선택된 경우, 클러스터 c1에 포함되는 두 멤버 d1, d2를 머징하여 클러스터 c1에 대한 최종 검출 영역을 획득한다. 최종 검출 영역은 클러스터들 멤버들인 영역들의 평균 영역으로 계산될 수 있다.
이러한 클러스터링 및 머징을 포함하는 검증 과정을 통하여 최종 후보 검출 영역에 해당하는 클러스터들이 획득되고, 클러스터별로 얼굴 검출 영역이 획득된다. 이러한 최종 후보 검출 영역들 중에서도 중첩된 결과가 포함될 수 있다. 즉, 하나의 클러스터로 묶이지는 않았으나 서로 중첩되는 영역들이 있을 수 있다(예를 들어, 큰 검출 영역 안에 여러 개의 작은 검출 결과가　있는 경우).
이러한 것들은 실제 나타날 수 없는 상황이다. 그러므로 본 발명의 실시 예에서는 최종 후보 검출 영역들 중에서 논리적으로 발생할 수 없는 경우를 필터링 하여 오검출을 감소시킨다. 구체적으로, 최종 후보 검출 영역인 클러스터에 대하여 그 신뢰도값이 설정 신뢰도 이하인 클러스터는 제거하여 얼굴 검출을 위한 최종 후보 검출 영역에서 제외시킨다.
이러한 과정들을 통하여 최종적으로 획득한 최종 후보 검출 영역들에서 실제 얼굴에 해당하는 영역이 검출된다. 예를 들어, 최종 후보 검출 영역으로 선택된 클러스터들 중에서 그 신뢰도가 설정 신뢰도 이상인 클러스터를 추출하고, 추출된 클러스터의 얼굴 검출 영역이 얼굴 영역으로 최종 검출된다.
도 7은 본 발명의 실시 예에 따른 얼굴 검출 장치의 구조를 나타낸 도이다.
첨부한 도 7에서와 같이, 본 발명의 실시 예에 따른 얼굴 검출 장치(1)는 영상 피라미드 생성부(11), 영상 스캔부(12), 영역 판별부(13), 클러스터링부(14), 그리고 얼굴 검출부(15)를 포함한다.
영상 피라미드 생성부(11)는 입력 영상을 서로 다른 설정 비율로 축소한 복수의 이미지를 포함하는 영상 피라미드를 생성한다.
영상 스캔부(12)는 설정 크기를 가지는 윈도우를 이용하여 영상 피라미드에 포함되는 각 이미지들을 스캔한다.
영역 판별부(13)는 스캔되는 영역이 얼굴 영상인지 비얼굴 영상인지를 판별한다. 특히 영역 판별부(13)는 얼굴에 대한 특징을 추출하기 위하여, 위치에 따른 x 좌표 및 y 좌표, 넓이, 높이 그리고 이웃 블록과의 픽셀 간격을 포함하는 특징 요소들을 고려한 서브블록들로 이루어진 연산자를 이용하여 스캔 영상에 대하여 특징값을 추출하고, 추출된 특징값을 이용하여 스캔되는 영역의 영상이 얼굴 영상인지 비얼굴 영상인지를 판별한다. 이러한 영역 판별부(13)는 분류기라고도 명명할 수 있다.
영역 판별부(13)는 스캔 영상들에 대하여 얼굴 영상인지 비얼굴 영상인지를 판별하여, 얼굴 영상으로 판단된 스캔 영역들을 후보 얼굴 영역으로 출력한다.
클러스터링부(14)는 영역 판별부(13)의 검출 결과를 클러스터링하고 머징하여 얼굴 영상으로 판단된 스캔 영역들 중에서 오검출된 영역들을 제거한다. 이를 위하여, 클러스터링부(14)는 영역 판별부(13)에서 후보 얼굴 영역들의 크기를 토대로 후보 얼굴 영역들을 복수의 클러스터로 클러스터링하는 제1 처리부(141), 각 클러스터의 크기와 신뢰도를 토대로 필터링을 수행하여 최종 후보 검출 영역을 획득하는 제2 처리부(142), 최종 후보 검출 영역으로 선택된 클러스터에 포함된 멤버들을 머징하여 각 클러스터별로 얼굴 검출 영역을 획득하는 머징부(143)를 포함한다.
얼굴 검출부(15)는 최종 후보 검출 영역들 중에서 신뢰도가 설정 신뢰도 이하인 영역들을 필터링하고, 필터링된 최종 후보 검출 영역에서 얼굴을 검출한다.
한편, 얼굴 특징을 추출하고 이를 토대로 얼굴 영상과 비얼굴 영상을 분류하는 영역 판별부(13)의 성능을 보다 향상시키기 위하여, 영역 판별부(13)는 다음과 같은 구조로 이루어질 수 있다.
도 8은 본 발명의 실시 예에 따른 영역 판별부의 구조를 나타낸 도이다.
영역 판별부(13)는 서로 다른 값을 가지는 특징 요소들로 이루어진 연산자를 이용하여 스캔 영상이 얼굴 영상인지 비얼굴 영상인지를 분류하는 복수의 약분류기(1311~131n)와, 스캔 영상별로 복수의 약분류기들의 출력값을 토대로 강분류값(H(x))을 산출하고 이를 미리 설정된 문턱치와 비교하여 해당 스캔 영상이 얼굴 영상인지 비얼굴 영상인지를 최종적으로 판별하는 강분류기(132)를 포함할 수 있다.
여기서, 복수의 약분류기(1311~131n)들에 사용되는 연산자를 구성하는 특징 요소들 중 적어도 하나는 다른 약분류기의 연산자의 해당 특징 요소와 다른 값을 가진다. 예를 들어, 제1 약분류기의 특징 요소인 좌표(x좌표, y좌표), 넓이, 높이 그리고 간격(x방향의 간격, y 방향의 간격) 중 적어도 하나가 제2 분류기의 해당 특징 요소와 다른 값을 가질 수 있다. 즉, 제1 약분류기의 연산자의 서브블록의 높이가 제2 약분류기의 연산자의 서브블록의 높이와 다른 값을 가질 수 있다.
이상에서 설명한 본 발명의 실시 예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시 예에 따른 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 (13)

  1. 입력 영상에 대하여 이미지들로 이루어진 얼굴 피라미드를 생성하는 단계;
    얼굴 피라미드에 포함된 각 이미지들을 설정 크기의 윈도우를 이용하여 스캔하는 단계;
    상기 스캔 영역에 대하여 얼굴 특징 추출을 위한 특징 요소들을 토대로 하는 연산자를 적용하여 영상을 코딩하여 특징값을 획득하고, 특징값을 토대로 스캔 영역의 스캔 영상이 얼굴 영상인지 비얼굴 영상인지를 판별하는 단계;
    얼굴 영상으로 판별된 스캔 영역들을 클러스터링하고, 클러스터링된 스캔 영역들의 크기를 토대로 얼굴 영상으로 판별된 스캔 영역들 중에서 최종 후보 검출 영역을 추출하는 단계; 및
    상기 최종 후보 검출 영역으로부터 얼굴을 검출하는 단계
    를 포함하고,
    상기 연산자는 복수의 서브블록을 포함하며, 상기 특징 요소는 상기 서브 블록의 좌표, 넓이, 높이 그리고 이웃하는 서브 블록과의 간격을 포함하는, 얼굴 검출 방법.
  2. 제1항에 있어서
    상기 판별하는 단계는
    상기 특징 요소에 따른 서브블록들로 이루어진 연산자를 포함하는 복수의 약분류기를 스캔 영역에 적용시켜 중심 서브블록에 대응하는 영역과 주변 서브블록에 대응하는 영역의 화소값에 따라 상기 스캔 영역의 스캔 영상을 코딩하여 특징값들을 획득하는 단계;
    스캔 영역별로 상기 복수의 약분류기에 의하여 획득한 특징값들을 토대로 강분류값을 산출하는 단계; 및
    상기 강분류값을 미리 설정된 문턱치와 비교하여 해당 스캔 영역의 영상이 얼굴 영상인지 비얼굴 영상인지를 판별하는 단계
    를 포함하는, 얼굴 검출 방법.
  3. 제2항에 있어서
    상기 복수의 약분류기들에 사용되는 연산자를 구성하는 특징 요소들 중 적어도 하나는 다른 약분류기의 연산자의 해당 특징 요소와 다른 값을 가지는, 얼굴 검출 방법.
  4. 제2항에 있어서
    상기 특징 요소의 좌표는 x 좌표 및 y 좌표를 포함하고, 상기 이웃하는 서브블록과의 간격은 x 방향의 간격 및 y 방향의 간격을 포함하는, 얼굴 검출 방법.
  5. 제2항에 있어서
    상기 최종 후보 검출 영역을 추출하는 단계는
    클러스터링된 스캔 영역들의 크기와, 스캔 영역들의 강분류값을 토대로 산출되는 신뢰도를 토대로, 상기 스캔 영역들 중에서 최종 후보 검출 영역을 추출하는, 얼굴 검출 방법.
  6. 제1항에 있어서
    상기 최종 후보 검출 영역을 추출하는 단계는
    얼굴 영상으로 판별된 스캔 영역들을 그 크기에 따라 서로 다른 클러스터로 클러스터링하는 단계;
    상기 클러스터들에 포함되는 스캔 영역들인 멤버들의 수를 토대로 각 클러스터의 크기를 산출하는 단계;
    상기 클러스터들 중에서, 클러스터의 크기가 미리 설정된 크기 이상인 클러스터들을 추출하는 단계;
    상기 추출된 클러스터들에 대하여 각각 신뢰도를 산출하는 단계; 및
    신뢰도가 설정값 이상인 클러스터들만을 선택하여 최종 후보 검출 영역으로 사용하는 단계
    를 포함하는, 얼굴 검출 방법.
  7. 제6항에 있어서
    상기 최종 후보 검출 영역으로 선택된 클러스터들에 대하여, 각 클러스터에 포함된 영역들을 머징하여 각 클러스터별로 얼굴 검출 영역을 획득하는 단계를 더 포함하는, 얼굴 검출 방법.
  8. 제7항에 있어서
    상기 얼굴을 검출하는 단계는
    상기 최종 후보 검출 영역으로 선택된 클러스터들 중에서 그 신뢰도가 설정값 이상인 클러스터를 추출하고, 추출된 클러스터의 얼굴 검출 영역을 얼굴 영역으로 최종 검출하는, 얼굴 검출 방법.
  9. 입력 영상에 대하여 이미지들로 이루어진 얼굴 피라미드를 생성하는 영상피라미드 생성부;
    얼굴 피라미드에 포함된 각 이미지들을 설정 크기의 윈도우를 이용하여 스캔하는 영상 스캔부;
    상기 스캔 영역에 대하여 얼굴 특징 추출을 위한 특징 요소들을 토대로 하는 연산자--상기 연산자는 복수의 서브블록을 포함하며, 상기 특징 요소는 상기 서브 블록의 x 좌표 및 y 좌표, 넓이, 높이 그리고 이웃하는 서브 블록과의 x 방향의 간격 및 y 방향의 간격을 포함함--를 적용하여 영상을 코딩하여 특징값을 획득하고, 특징값을 토대로 스캔 영역의 스캔 영상이 얼굴 영상인지 비얼굴 영상인지를 판별하는 영역 판별부;
    얼굴 영상으로 판별된 스캔 영역들을 클러스터링하고, 클러스터링된 스캔 영역들의 크기를 토대로 얼굴 영상으로 판별된 스캔 영역들 중에서 최종 후보 검출 영역을 추출하는 클러스터링부; 및
    상기 최종 후보 검출 영역으로부터 얼굴을 검출하는 얼굴 검출부
    를 포함하는, 얼굴 검출 장치.
  10. 제9항에 있어서
    상기 영역 판별부는
    상기 특징 요소에 따른 서브블록들로 이루어진 연산자를 스캔 영역에 적용시켜 중심 서브블록에 대응하는 영역과 주변 서브블록에 대응하는 영역의 화소값에 따라 상기 스캔 영역의 스캔 영상을 코딩하여 특징값들을 획득하는 복수의 약분류기; 및
    스캔 영역별로 상기 복수의 약분류기에 의하여 획득한 특징값들을 토대로 강분류값을 산출하고, 상기 강분류값을 미리 설정된 문턱치와 비교하여 해당 스캔 영역의 영상이 얼굴 영상인지 비얼굴 영상인지를 판별하는 강분류기
    를 포함하며,
    상기 복수의 약분류기들에 사용되는 연산자를 구성하는 특징 요소들 중 적어도 하나는 다른 약분류기의 연산자의 해당 특징 요소와 다른 값을 가지는, 얼굴 검출 장치.
  11. 제9항에 있어서
    상기 클러스터링부는
    상기 영역 판별부에서 얼굴 영상으로 판별된 스캔 영역들의 크기를 토대로 스캔 영역들을 복수의 클러스터로 클러스터링하는 제1 처리부;
    각 클러스터의 크기와 신뢰도를 토대로 필터링을 수행하여 최종 후보 검출 영역을 획득하는 제2 처리부; 및
    상기 최종 후보 검출 영역으로 선택된 클러스터에 포함된 멤버인 영역들을 머징하여 각 클러스터별로 얼굴 검출 영역을 획득하는 머징부
    를 포함하는, 얼굴 검출 장치.
  12. 제11항에 있어서
    상기 제2 처리부는
    상기 클러스터들에 포함되는 스캔 영역들인 멤버들의 수를 토대로 각 클러스터의 크기를 산출하고, 클러스터의 크기가 미리 설정된 크기 이상인 클러스터들을 추출하고, 추출된 클러스터들 중에서 그 신뢰도가 설정값 이상인 클러스터들만을 선택하여 최종 후보 검출 영역으로 사용하는, 얼굴 검출 장치.
  13. 제11항에 있어서
    상기 머징부는
    상기 최종 후보 검출 영역으로 선택된 클러스터에 포함된 멤버들인 영역들의 평균 영역을 산출하여 해당 클러스터의 얼굴 검출 영역으로 사용하는, 얼굴 검출 장치.
KR1020130062029A 2013-05-30 2013-05-30 얼굴 검출 방법 및 그 장치 KR101473991B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130062029A KR101473991B1 (ko) 2013-05-30 2013-05-30 얼굴 검출 방법 및 그 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130062029A KR101473991B1 (ko) 2013-05-30 2013-05-30 얼굴 검출 방법 및 그 장치

Publications (2)

Publication Number Publication Date
KR20140140953A true KR20140140953A (ko) 2014-12-10
KR101473991B1 KR101473991B1 (ko) 2014-12-24

Family

ID=52458595

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130062029A KR101473991B1 (ko) 2013-05-30 2013-05-30 얼굴 검출 방법 및 그 장치

Country Status (1)

Country Link
KR (1) KR101473991B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180062683A (ko) * 2016-12-01 2018-06-11 주식회사 만도 이미지 피라미드를 이용한 차량 인식 장치 및 방법
CN113900418A (zh) * 2021-09-30 2022-01-07 广西埃索凯循环科技有限公司 一种高纯度一水硫酸锌的智能生产系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11107231B2 (en) * 2017-03-22 2021-08-31 Nec Corporation Object detection device, object detection method, and object detection program

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007066114A (ja) * 2005-08-31 2007-03-15 Fujifilm Software Co Ltd 分類器を用いた分類方法及びその装置
KR101179497B1 (ko) * 2008-12-22 2012-09-07 한국전자통신연구원 얼굴 검출 방법 및 장치
KR101105435B1 (ko) * 2009-04-14 2012-01-17 경북대학교 산학협력단 얼굴 검출과 얼굴 인지 방법
KR20110139864A (ko) * 2010-06-24 2011-12-30 재단법인대구경북과학기술원 얼굴 검출 방법 및 시스템

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180062683A (ko) * 2016-12-01 2018-06-11 주식회사 만도 이미지 피라미드를 이용한 차량 인식 장치 및 방법
CN113900418A (zh) * 2021-09-30 2022-01-07 广西埃索凯循环科技有限公司 一种高纯度一水硫酸锌的智能生产系统
CN113900418B (zh) * 2021-09-30 2024-05-03 广西埃索凯循环科技有限公司 一种高纯度一水硫酸锌的智能生产系统

Also Published As

Publication number Publication date
KR101473991B1 (ko) 2014-12-24

Similar Documents

Publication Publication Date Title
CN106778586B (zh) 离线手写签名鉴别方法及系统
JP5726125B2 (ja) 奥行き画像内の物体を検出する方法およびシステム
Zhang et al. Fast and robust occluded face detection in ATM surveillance
JP5545361B2 (ja) 画像分類方法、装置、プログラム製品および記憶媒体
JP4410732B2 (ja) 顔画像検出装置、顔画像検出方法および顔画像検出プログラム
JP2008146539A (ja) 顔認証装置
CN110826408B (zh) 一种分区域特征提取人脸识别方法
JP2006146626A (ja) パターン認識方法および装置
JP5290227B2 (ja) 対象物検知装置及びその学習装置
Fathima et al. Fusion Framework for Multimodal Biometric Person Authentication System.
KR101473991B1 (ko) 얼굴 검출 방법 및 그 장치
Ng et al. Multi-layer age regression for face age estimation
Gervei et al. 3D face recognition using modified PCA methods
Mousavi et al. Three dimensional face recognition using svm classifier
Prashanth et al. DWT based offline signature verification using angular features
CN110532915B (zh) 基于法向量方位角局部熵的三维人脸遮挡判别方法
Curran et al. The use of neural networks in real-time face detection
Szczepanik et al. Data management for fingerprint recognition algorithm based on characteristic points’ groups
Saparudin et al. Segmentation of fingerprint image based on gradient magnitude and coherence
Paul et al. Automatic adaptive facial feature extraction using CDF analysis
Shukla et al. A Hybrid Model of Multimodal Biometrics System using Fingerprint and Face as Traits
JP2011141799A (ja) オブジェクト検出認識装置、オブジェクト検出認識方法、および、プログラム
Dutta et al. Expression and occlusion invariant 3D face recognition based on region classifier
Carvajal-González et al. Feature selection by relevance analysis for abandoned object classification
Bhole et al. Offline signature using Cross validation and Graph matching approach

Legal Events

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

Payment date: 20181203

Year of fee payment: 5