KR20230144710A - 홍채 추적을 위한 신경망 모델 학습 방법 및 시스템 - Google Patents

홍채 추적을 위한 신경망 모델 학습 방법 및 시스템 Download PDF

Info

Publication number
KR20230144710A
KR20230144710A KR1020220043684A KR20220043684A KR20230144710A KR 20230144710 A KR20230144710 A KR 20230144710A KR 1020220043684 A KR1020220043684 A KR 1020220043684A KR 20220043684 A KR20220043684 A KR 20220043684A KR 20230144710 A KR20230144710 A KR 20230144710A
Authority
KR
South Korea
Prior art keywords
data set
pupil
area
extracted
iris
Prior art date
Application number
KR1020220043684A
Other languages
English (en)
Inventor
김동균
Original Assignee
부산대학교병원
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 부산대학교병원 filed Critical 부산대학교병원
Priority to KR1020220043684A priority Critical patent/KR20230144710A/ko
Publication of KR20230144710A publication Critical patent/KR20230144710A/ko

Links

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
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/193—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Ophthalmology & Optometry (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 홍채 추적을 위한 신경망 모델 학습 방법 및 시스템에 관한 것으로, 보다 구체적으로 프로세서에 의하여, 눈(Eye)이 포함되어 촬영된 다수 개의 원본 이미지에서 동공 영역과 홍채 영역이 모두 추출된 다수 개의 영역추출 이미지가 원본 데이터 셋으로 생성되는 원본 데이터 셋 생성단계, 상기 프로세서에 의하여, 상기 원본 데이터 셋 중에서 기 설정된 임계값 이상의 굴절률 변화를 보이는 홍채 영역만이 모폴로지 연산됨으로써 제1 변환 데이터 셋이 생성되는 제1 변환 데이터 셋 생성단계, 상기 프로세서에 의하여, 상기 원본 데이터 셋과 제1 변환 데이터 셋 각각의 동공 영역의 크기가 비교되고, 상기 제1 변환 데이터 셋으로부터 크기 변화 영역이 추출되는 추출단계 및 상기 프로세서에 의하여, 상기 크기 변화 영역별로 동공의 초점 거리가 라벨링된 제2 변환 데이터 셋이 이용되어 신경망 모델이 학습되는 학습단계를 포함하는 홍채 추적을 위한 신경망 모델 학습 방법 및 시스템에 관한 것이다.

Description

홍채 추적을 위한 신경망 모델 학습 방법 및 시스템 {Method and System for Training Neural Network Model for Iris Tracking}
본 발명은 홍채 추적을 위한 신경망 모델 학습 방법 및 시스템에 관한 것으로, 보다 구체적으로 눈(Eye)이 포함되어 촬영된 다수 개의 원본 이미지에서 동공 영역과 홍채 영역을 추출하고, 이를 변환한 데이터 셋을 이용하여 신경망 모델을 학습시키는 홍채 추적을 위한 신경망 모델 학습 방법 및 시스템에 관한 것이다.
고령화 사회로의 급격한 진입으로 인한 개인의 건강한 삶 유지에 대한 관심이 증가하지만, 시 기능 저하 및 각종 시력 저하의 안질환 유병율은 지속적으로 증가하고 있고, 안경이나 콘택트렌즈 등 의료보조기구 사용인구의 비율은 해마다 증가하고 있다.
이러한 시 기능 저하의 주요 원인인 근시나 약시와 같은 굴절 이상의 안질환은 시 기능 훈련을 통해 시 기능을 일부 회복하거나 저하를 지연시킬 수 있는 것으로 알려져 있다. 이에, 시 기능 훈련을 돕는 다양한 보조 의료기기들이 시중에 출시되거나 연구되어 왔다. 관련문헌 1은 시 기능 강화 훈련 디바이스에 관한 것으로, 고글형태로 착용 가능한 디바이스 형태로 구성되어, 개인별 시각 장애를 파악하여 맞춤식 시 교정을 실시할 수 있는 디바이스에 관한 것이다. 관련문헌 2는 가변 휘도 레벨들에서 시 기능 및 기능적 시각을 테스트하기 위한 장치 및 방법들에 관한 것으로, 가변 위도 레벨들에서 장애물 회피여부를 확인함으로써 시 기능을 테스트할 수 있다.
다만, 치료 효과 분석 미흡, 전문의 진단과의 통합 부재, 일시적 훈련/치료로 인하여 환자 개인상황에 따른 맞춤형 훈련 및 치료가 이루어지지 못하고 있다. 따라서 시 기능 이상을 초래하는 굴절 이상의 안질환에 효과적으로 대처하기 위해 개인의 시 기능 상태를 정확히 분석하고, 굴절성 안질환의 맞춤형 예방, 진단 및 치료를 위한 기술이 요구되고 있는 실정이다.
대한민국 공개특허공보 제10-2019-0049186호 대한민국 등록특허공보 제10-2360251호
본 발명은 상기와 같은 문제점을 해결하기 위한 것으로 종래 보다 피검사자의 동공 및 홍채를 정확하게 추출할 수 있고, 피검사자의 동공의 크기 변화에 따른 초점 거리를 판단할 수 있도록 눈(Eye)이 포함되어 촬영된 다수 개의 원본 이미지에서 동공 영역과 홍채 영역을 추출한 후 이를 변환하여 신경망 모델에 학습시키는 홍채 추적을 위한 신경망 모델 학습 방법 및 시스템을 얻고자 하는 것을 목적으로 한다.
본 발명이 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 본 발명의 기재로부터 당해 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있다.
상기 목적을 달성하기 위하여, 홍채 추적을 위한 신경망 모델 학습 방법은 적어도 하나의 프로세서에 의하여, 눈(Eye)이 포함되어 촬영된 다수 개의 원본 이미지에서 동공 영역과 홍채 영역이 모두 추출된 다수 개의 영역추출 이미지가 원본 데이터 셋으로 생성되는 원본 데이터 셋 생성단계; 상기 적어도 하나의 프로세서에 의하여, 상기 원본 데이터 셋 중에서 기 설정된 임계값 이상의 굴절률 변화를 보이는 홍채 영역을 갖는 영역추출 이미지만이 모폴로지 연산됨으로써 제1 변환 데이터 셋이 생성되는 제1 변환 데이터 셋 생성단계;상기 적어도 하나의 프로세서에 의하여, 상기 원본 데이터 셋과 제1 변환 데이터 셋 각각의 동공 영역의 크기가 비교되고, 상기 제1 변환 데이터 셋으로부터 크기 변화 영역이 추출되는 추출단계; 및 상기 적어도 하나의 프로세서에 의하여, 상기 크기 변화 영역별로 동공의 초점거리가 라벨링된 제2 변환 데이터 셋이 이용되어 신경망 모델이 학습되는 학습단계;를 제공한다.
상기 목적을 달성하기 위하여, 홍채 추적을 위한 신경망 모델 학습 시스템은 컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서;를 제공하고, 상기 적어도 하나의 프로세서는, 눈(Eye)이 포함되어 촬영된 다수 개의 원본 이미지에서 동공 영역과 홍채 영역이 모두 추출된 다수 개의 영역추출 이미지를 원본 데이터 셋으로 생성하고, 상기 원본 데이터 셋 중에서 기 설정된 임계값 이상의 굴절률 변화를 보이는 홍채 영역만을 모폴로지 연산함으로써 제1 변환 데이터 셋을 생성하고, 상기 원본 데이터 셋과 제1 변환 데이터 셋 각각의 동공 영역의 크기를 비교하고, 상기 제1 변환 데이터 셋으로부터 크기 변화 영역을 추출하고, 상기 크기 변화 영역별로 동공의 초점 거리가 라벨링된 제2 변환 데이터 셋을 이용하여 신경망 모델을 학습시키는 것을 특징으로 한다.
이상과 같이 본 발명에 의하면, 눈(Eye)이 포함되어 촬영된 다수 개의 원본 이미지에서 동공 영역과 홍채 영역을 추출한 후 이를 변환하여 신경망 모델에 학습시킴으로써, 종래 보다 피검사자의 동공 및 홍채를 정확하게 추출할 수 있고, 피검사자의 동공의 크기 변화에 따른 초점 거리를 판단할 수 있는 효과가 있다.
또한, 본 발명은 기 학습된 상기 신경망 모델을 피검사자의 흥미를 유발하는 콘텐츠와 결합하여 다양한 서비스를 제공함으로써, 피검사자는 시 기능 이상 및 안질환을 확인하거나 시 기능 훈련, 재활 및 예방하는데 다양하게 활용될 수 있는 효과가 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 상세한 설명 및 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 홍채 추적을 위한 신경망 모델 학습 방법 흐름도이다.
도 2는 본 발명의 일실시예에 따라 동공 영역이 추출된 것을 표시한 도면이다.
도 3은 본 발명의 일실시예에 따라 홍채 영역이 추출된 것을 표시한 도면이다.
도 4는 본 발명의 일실시예에 따라 원본 데이터 셋으로 JPG 파일형식의 데이터 셋(a)과 Bitmap 파일형식의 데이터 셋(b)을 표시한 도면이다.
도 5는 본 발명의 일실시예에 따라 제1 변환 데이터 셋을 표시한 도면이다.
도 6은 본 발명의 일실시예에 따라 제2 변환 데이터 셋을 표시한 도면이다.
도 7은 본 발명의 일실시예에 따라 학습된 신경망 모델의 정확도(a)와 손실(loss)(b)을 표시한 도면이다.
본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
다르게 정의되지 않는 한 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
홍채 추적을 위한 신경망 모델 학습 방법
이하, 본 발명에 따른 실시예를 첨부한 도면을 참조하여 상세히 설명하기로 한다. 도 1은 본 발명의 홍채 추적을 위한 신경망 모델 학습 방법 흐름도이다. 도 2는 본 발명의 일실시예에 따라 동공 영역이 추출된 것을 표시한 도면이다. 도 3은 본 발명의 일실시예에 따라 홍채 영역이 추출된 것을 표시한 도면이다. 도 4는 본 발명의 일실시예에 따라 원본 데이터 셋으로 JPG 파일형식의 데이터 셋(a)과 Bitmap 파일형식의 데이터 셋(b)을 표시한 도면이다. 도 5는 본 발명의 일실시예에 따라 제1 변환 데이터 셋을 표시한 도면이다. 도 6은 본 발명의 일실시예에 따라 제2 변환 데이터 셋을 표시한 도면이다. 도 7은 본 발명의 일실시예에 따라 학습된 신경망 모델의 정확도(a)와 손실(loss)(b)을 표시한 도면이다.
우선 도 1을 보면, 본 발명의 홍채 추적을 위한 신경망 모델 학습 방법은, 원본 데이터 셋 생성단계(S100), 제1 변환 데이터 생성단계(S200), 추출단계(S300) 및 학습단계(S400)를 포함한다.
보다 구체적으로, 상기 원본 데이터 셋 생성단계(S100)는 적어도 하나의 프로세서(110)에 의하여, 눈(Eye)이 포함되어 촬영된 다수 개의 원본 이미지에서 동공 영역과 홍채 영역이 모두 추출된 다수 개의 영역추출 이미지가 원본 데이터 셋으로 생성된다. 여기서, 눈(Eye)이 포함되어 촬영된 상기 다수 개의 원본 이미지는 적외선으로부터 이미지를 생성하는 IR 카메라로 촬영될 수 있고, 촬영범위는 양안 그리고 눈꺼풀, 속눈썹, 눈썹, 콧대, 이마 및 관자 중 적어도 하나가 포함될 수 있다. 즉, 불특정 피사체의 얼굴 전체가 촬영된 얼굴 이미지, 얼굴 그리고 얼굴아래 목, 어깨 또는 가슴까지 촬영된 바스트(Bust) 이미지는 포함되지 않는 것이 가장 바람직하다.
다수 개의 원본 이미지에서 상기 동공 영역과 홍채 영역을 추출하기 위해서, 상기 원본 데이터 셋 생성단계(S100)는, 눈 영역 추출단계(S110), 동공 영역 추출단계(S120) 및 홍채 영역 추출단계(S130)를 포함할 수 있다.
우선, 상기 눈 영역 추출단계(S110)는 하르유사특징(Haar-like feature) 기법에 기초하여 상기 다수 개의 원본 이미지로부터 추출된 특징점을 통해서 눈 영역이 각각 추출될 수 있다.
하르유사특징(Haar-like feature) 기법은 검은 부분과 흰 부분이 조합된 2개 내지 4개의 사각형 특징(Feature)을 이용할 수 있고, 이는 윈도우(Window)라고 일컫는다. 윈도우(Window)는 여러 개가 사용될 수 있고, 개별적으로 크기와 모양은 상이할 수 있으나, 하나의 윈도우(Window) 내에서 검은 부분과 흰 부분의 크기와 모양은 동일하다. 윈도우(Window)는 상기 다수 개의 원본 이미지 각각에서 슬라이딩되어 상기 눈 영역을 탐색할 수 있고, 검정부분과 흰색부분의 밝기값의 차이가 임계값 이상인 경우 상기 특징점으로 추출하고, 이는 상기 눈 영역으로 추출될 수 있다.
조리개를 통해서 빛의 양을 조절하여 촬영하는 일반적인 카메라의 경우 조명의 밝기에 따라 영향을 많이 받고, 빛 반사 등을 통해서 이미지의 질이 떨어짐으로 상기 눈 영역 추출단계(S110)로부터 부정확하게 상기 눈 영역이 추출되거나, 아예 추출되지 않을 수 있다. 따라서 상술한 바와 같이 상기 다수 개의 원본 이미지는 IR 카메라로 촬영한 이미지인 것이 가장 바람직하고, 이는 하르유사특징(Haar-like feature) 기법을 통해서 상기 눈 영역을 보다 정확하게 추출하기 위함이다.
다음으로, 도 2를 보면 상기 동공 영역 추출단계(S120)는 허프 변환(Hough Transform) 기법에 기초하여 상기 눈 영역으로부터 상기 동공 영역이 추출될 수 있다. 우선, 상기 동공 영역 추출단계(S120)는 상기 눈 영역 추출단계(S110)로부터 상기 눈 영역이 추출된 상기 다수 개의 원본 이미지에 그레이스케일(Grey scale)이 적용될 수 있다.
그리고 상기 동공 영역 추출단계(S120)는 HoughCircle 함수가 이용되어 눈(Eye)에서 가장 형상과 색깔이 뚜렷한 동공이 가장 우선적으로 추출될 수 있다. 상기 HoughCircle 함수는 하기 [수학식 1]과 같다.
여기서, H는 원이고, (x0, y0)는 원의 중심이고, r은 원의 반지름이고, xpyi는 경계선상의 픽셀(Pixel)이다.
즉, 상기 동공 영역 추출단계(S120)는 H(xpyi, x0, y0, r)에서 경계선 상의 픽셀(Pixel)인 xpyi가 원(x0, y0, r)에 위치해 있다면 1이 반환되고, 경계선 상의 픽셀(Pixel)인 xpyi가 원(x0, y0, r)에 위치해 있지 않다면 0이 반환된다. 그리고 H(xpyi, x0, y0, r)의 누적된 값이 최대가 되는 좌표가 상기 동공의 중심점으로 추출되고, 반지름 r을 갖는 원이 상기 동공 영역으로 추출될 수 있다. 도 2를 보면, 본 발명의 일실시예에 따라 파란색으로 표시된 원이 상기 동공 영역 추출단계(S120)로부터 추출된 상기 동공 영역이다. 그리고 상기 동공 영역이 추출된 이미지는 그레이스케일(Grey scale)로 유지될 수 있다.
다음으로, 도 3을 보면, 상기 홍채 영역 추출단계(S130)는 재귀함수와 외곽선 추출 알고리즘을 이용하여 상기 동공 영역이 추출된 상기 다수 개의 원본 이미지로부터 홍채 영역이 추출될 수 있다. 상기 홍채 영역은 눈꺼풀, 속눈썹 등에 일부 가려짐으로 상기 동공 영역보다 상대적으로 검출이 어렵다. 따라서 상기 동공 영역이 우선적으로 추출된 후 상기 동공 영역을 기준으로 지름이 큰 타원체가 이용되어 외곽선 추출 알고리즘을 통해서 상기 홍채 영역이 추출될 수 있다.
이때, 상기 외곽선 추출 알고리즘에는 상기 재귀함수가 활용될 수 있다. 예컨대, 상기 동공 영역을 기준으로 외측 방향으로 외곽선의 크기에 소정의 마진값을 두고 적용하고, 해당 마진값이 적용된 외곽선의 크기에 다시 소정의 마진값을 두고 적용하는 것을 반복한 후 기 설정된 임계치에 도달하면 상기 재귀함수의 연산이 정지될 수 있고, 정지된 시점의 외곽선의 크기에서 상기 동공 영역을 제외한 영역이 상기 홍채 영역으로 추출될 수 있다. 그리고 도 3의 일실시예와 같이 상기 동공 영역과 홍채 영역이 모두 추출된 다수 개의 영역추출 이미지는 그레이스케일(Grey scale)로 유지될 수 있다.
한편, 상기 원본 데이터 셋 생성단계(S100)는 신경망 모델의 입력이 용이하도록 상기 다수 개의 영역추출 이미지의 크기와 해상도를 동일하게 하는 전처리가 수행될 수 있다. 예컨대, 각 이미지의 크기를 맞추기 위해서 기 설정된 크기 이상의 이미지를 자르는 이미지 클리핑(Clipping)이 전처리 과정 중 하나로 수행될 수 있고, 해상도를 200ppi로 동일하게 하는 전처리가 수행될 수 있다.
또한, 상기 원본 데이터 셋 생성단계(S100)는 상기 다수 개의 영역추출 이미지의 파일형식별로 다수 개의 데이터 셋이 생성될 수 있다. 예컨대, 도 4의 (a)는 jpg 이미지 파일형식으로 384*256 해상도를 갖는 상기 다수 개의 영역추출 이미지를 포함하는 원본 데이터 셋을 표시한 것이고, 도 4의 (b)는 Bitmap 이미지 파일형식으로 320*240 해상도를 갖는 상기 다수 개의 영역추출 이미지를 포함하는 원본 데이터 셋을 표시한 것이다. 이는 신경망 모델에 더욱 적합한 파일형식의 원본 데이터 셋을 생성하기 위함이다.
또한, 상기 원본 데이터 셋 생성단계(S100)는 신경망 모델이 좌안과 우안을 구분하여 학습할 수 있도록 상기 다수 개의 영역추출 이미지가 양안이 좌안과 우안으로 각각 분류되어 상기 원본 데이터 셋으로 생성될 수 있다.
다음으로, 상기 제1 변환 데이터 셋 생성단계(S200)는 상기 적어도 하나의 프로세서(110)에 의하여, 상기 원본 데이터 셋 중에서 기 설정된 임계값 이상의 굴절률 변화를 보이는 홍채 영역만이 모폴로지 연산됨으로써 제1 변환 데이터 셋이 생성된다.
여기서, 모폴로지(Morphology) 연산은 수축(Erosion)과 확장(Dilation) 연산을 수행함으로써 윤곽선을 부드럽게 하고 픽셀(Pixel)에서 발생한 소실 정보를 채우고, 상기 홍채 영역 이외의 영역인 배경 영역 등에서 발생하는 잡음 성분을 제거할 수 있는 효과가 있다. 특히나, 모폴로지(Morphology) 연산으로부터 잡음 성분이 제거됨에 있어서, 열림(Opening) 연산은 수축(Erosion) - 확장(Dilation) 순으로 수행됨으로써 배경에 속한 작은 영역들이 제거될 수 있다. 반면에 닫힘(Closing) 연산은 확장(Dilation) - 수축(Erosion) 순으로 수행됨으로써 객체인 상기 홍채 영역 내 고립되어 있는 잡음을 제거할 수 있다.
즉, 상기 제1 변환 데이터 셋 생성단계(S200)는 상기 동공 영역과 홍채 영역이 모두 추출된 다수 개의 영역추출 이미지 전체를 대상으로 임의로 모폴로지(Morphology) 연산이 수행될 수 있다. 이 중에서 기 설정된 임계값(Threshold) 이상의 굴절률 변화를 보이는 홍채 영역을 갖는 영역추출 이미지만이 실질적으로 모폴로지(Morphology) 연산되어 상기 제1 변환 데이터 셋으로 생성될 수 있다.
여기서, 굴절률 변화는 그레이스케일(Grey scale)로 된 상기 다수 개의 영역추출 이미지를 이루는 다수 개의 픽셀(Pixel)의 픽셀값이 기 설정된 임계값(Threshold) 이상인 경우 굴절률 변화를 보인다고 판단될 수 있다. 한편, 그레이스케일(Grey scale)의 이미지에서 임의의 픽셀값이 검은색에 가까울수록 0에 가깝고 반대로 흰색에 점점 가까울수록 픽셀값이 높아진다. 예컨대, 기 설정된 임계값(Threshold)이 255이고, 임의의 픽셀(Pixel)의 픽셀값이 260이라면 상기 제1 변환 데이터 셋 생성단계(S200)로부터 굴절률 변화를 보인다고 판단될 수 있다.
도 5를 보면, 좌측의 데이터 셋은 상기 원본 데이터 셋 생성단계(S100)로부터 생성된 상기 원본 데이터 셋이고, 우측의 데이터 셋은 상기 제1 변환 데이터 셋 생성단계(S200)로부터 생성된 상기 제1 변환 데이터 셋이다.
다음으로, 상기 추출단계(S300)는 상기 적어도 하나의 프로세서(110)에 의하여, 상기 원본 데이터 셋과 제1 변환 데이터 셋 각각의 동공 영역의 크기가 비교되고, 상기 제1 변환 데이터 셋으로부터 크기 변화 영역이 추출된다.
입체적인 형상을 띄고 있는 안구의 특성상 실제 동공과 홍채가 정사영된 이미지가 상기 다수 개의 원본 이미지가 될 수 있고, 상기 원본 데이터 셋 생성단계(S100)는 실제 동공과 홍채가 정사영(Orthogonal projection)된 이미지로부터 상기 동공 영역과 홍채 영역이 추출된다. 따라서 상기 동공 영역과 홍채 영역은 실제 동공과 홍채의 길이 및 넓이와 소정의 차이가 있을 수 있으므로, 상기 추출단계(S300)는 상기 원본 데이터 셋 내 다수 개의 영역추출 이미지로부터 실제 동공과 홍채의 입체적인 형상에 따른 실제 길이와 넓이를 확인하기 위함이다.
가장 바람직하게, 상기 추출단계(S300)는 상기 원본 데이터 셋과 제1 변환 데이터 셋 각각의 동공 영역의 픽셀값의 차이가 이용되어 크기가 비교될 수 있고, 이에 따라 상기 크기 변화 영역이 추출될 수 있다.
한편, 상기 추출단계(S300)는 상기 크기 변화 영역별로 동공의 초점거리가 라벨링될 수 있다. 동공의 크기는 초점 거리에 따라 변한다는 원리를 이용하면, 상기 추출단계(S300)로부터 추출된 상기 크기 변화 영역과 초점 거리의 상관관계가 형성될 수 있다.
이때, 기 설정된 범위 이내에 동공의 초점거리에 대한 상기 크기 변화 영역이 모두 라벨링 되어야만 상기 신경망 모델이 피검사체별 모든 경우에 대해 출력값을 출력할 수 있다. 만약, 상기 제2 변환 데이터 셋에 기 설정된 범위 이내에 일부 동공의 초점거리에 대한 상기 크기 변화 영역만을 포함하고 있다면 이를 보완할 필요가 있다. 따라서 본 발명의 상기 추출단계(S300)는 라벨링 되지 못한 동공의 초점거리가 있다면, 상기 동공 영역의 크기 변화를 처리할 수 있는 함수가 이용되어 상기 제2 변환 데이터 셋이 보완될 수 있다. 이에 따라, 별도의 추가적인 데이터가 획득됨 없이 상기 제2 변환 데이터 셋은 기 설정된 범위 이내에 동공의 초점거리에 대한 상기 크기 변화 영역이 모두 라벨링될 수 있고, 상기 신경망 모델은 완전한 상태의 상기 제2 변환 데이터 셋으로 학습될 수 있는 현저한 효과가 있다.
도 6을 보면, 좌측의 데이터 셋은 상기 원본 데이터 셋 생성단계(S100)로부터 생성된 상기 원본 데이터 셋이고, 우측의 데이터 셋은 상기 크기 변화 영역별로 동공의 초점 거리가 라벨링된 제2 변환 데이터 셋이다.
다음으로, 상기 학습단계(S400)는 상기 적어도 하나의 프로세서(110)에 의하여, 상기 크기 변화 영역별로 동공의 초점거리가 라벨링된 제2 변환 데이터 셋이 이용되어 신경망 모델이 학습된다. 상기 신경망 모델은 상기 제2 변환 데이터 셋을 학습함으로써, 실시간 또는 과거에 피검사자를 대상으로 눈(Eye)이 포함되어 촬영된 이미지에서 동공 영역과 홍채 영역을 모두 추출할 수 있고, 동공의 크기 변화에 따른 초점 거리를 판단할 수 있다. 기 학습된 상기 신경망 모델은 피검사자의 흥미를 유발하는 콘텐츠와 결합되어 시 기능 이상 및 안질환을 확인하거나 시 기능 훈련, 재활 및 예방하는데 다양하게 활용될 수 있다.
상기 신경망 모델은 가장 바람직하게 FCNN기반의 DenseNet이고, 상기 DenseNet은, 밀집블록(Dense block) 사이에 병목 레이어(Bottleneck layer)와 전이 레이어(Transition layer)를 포함하는 것을 특징으로 한다.
일반적으로 컨볼루션 신경망(Convolutional Neural Network; CNN)은 대규모 영상 및 이미지, 고성능 연산에 좋은 성능을 보이는 신경망 모델이다. 컨볼루션 신경망(CNN)은 입력층 및 출력층으로 구성되고, 두 층 사이에는 수많은 은닉층으로 구성되어 특징추출 계층(Feature extraction)과 분류 계층(Fully Connected layer) 구조를 갖는다. 이러한 컨볼루션 신경망(CNN)에 활용되는 모델은 VGGNet, GoogLeNet, ResNet, DenseNet, NASNet 등이 있다. 본 발명의 상기 신경망 모델은 이중 특징맵이 연속하여 병합되는 연결방식을 가지는 FCNN기반의 DenseNet인 것이 가장 바람직하다.
다만, DenseNet은 최초의 층의 정보가 사라지지 않고 최후의 층까지 정보를 이어줌으로써 데이터가 많을수록 밀도가 높아져 깊이에 따른 비용이 상당히 증가하게 되는 문제점이 있는데, 본 발명은 이를 해결하고자 상기 신경망 모델을 컴팩트하게 만들기 위해서 밀집블록(Dense block) 사이에 병목 레이어(Bottleneck layer)와 전이 레이어(Transition layer)가 포함할 수 있다.
다시 말하면, 상기 밀집블록(Dense block)은 이전 레이어와 다음 레이어를 결합하여 이전 레이어의 특징(Features)을 다음 레이어로 그대로 전달한다. 이로 인해 레이어가 깊어짐에 따라 발생하는 정보 감쇄 현상을 방지하면서 성능을 향상시킬 수 있다. 하지만 네트워크가 깊어질수록 결합한 특징맵의 채널수가 너무 많아져 네트워크의 크기가 방대하게 커진다. 이것을 방지하게 위 해 DenseNet은 밀집블록(Dense block) 내의 레이어 사이에 병목 레이어(Bottleneck layer)가 추가된다. 결과적으로 Bottleneck 구조를 사용함에 따라 특징맵의 크기가 커지는 것을 막으면서 연산량도 줄어든다. 하지만 밀집블록(Dense block) 내의 레이어가 많아질수록 특징맵의 크기는 여전히 커진다. 이를 해결하기 위해 밀집블록(Dense block)마다 전이 레이어(Transition layer)가 추가된다. 전이 레이어(Transition layer)는 1x1 conv 연산을 통해 특징맵 채널수를 반으로 줄이고, 2x2 평균 풀링(Average pooling)으로 폭과 높이를 반으로 줄일 수 있는 현저한 효과가 있다.
본 발명의 일실시예에 따라 상기 학습단계(S400)는 상기 신경망 모델을 학습시키기 위해서 초기 학습률(Learning rate)이 0.001로 설정되고, 출력 활성화 함수로 소프트맥스(Softmax) 함수가 사용되고, 손실함수로 클로스 엔트로피(Categorical cross entropy)가 사용될 수 있다. 그리고 상기 신경망 모델의 학습 횟수(Epoch)와 배치 크기(Batch size)는 각각 30, 32로 설정될 수 있다.
도 7을 보면, 상기 신경망 모델의 성능을 확인하기 위해서 상기 제2 변환 데이터 셋이 학습 데이터와 실험 데이터로 각각 분류되었다. 학습 데이터를 통한 학습결과와 실험 데이터를 통한 실험결과를 비교해본 결과, 30회의 학습 횟수(Epoch)에 따른 정확률은 97%로 도출되었다.
홍채 추적을 위한 신경망 모델 학습 시스템
본 발명의 홍채 추적을 위한 신경망 모델 학습 시스템은 컴퓨터(100)에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서(110)를 포함할 수 있다.
상기 적어도 하나의 프로세서(110)는 우선 눈(Eye)이 포함되어 촬영된 다수 개의 원본 이미지에서 동공 영역과 홍채 영역이 모두 추출된 다수 개의 영역추출 이미지를 원본 데이터 셋으로 생성한다. 여기서, 눈(Eye)이 포함되어 촬영된 상기 다수 개의 원본 이미지는 적외선으로부터 이미지를 생성하는 IR 카메라로 촬영될 수 있고, 촬영범위는 양안 그리고 눈꺼풀, 속눈썹, 눈썹, 콧대 및 관자 중 적어도 하나가 포함될 수 있다. 즉, 불특정 피사체의 얼굴 전체가 촬영된 얼굴 이미지, 얼굴 그리고 얼굴아래 목, 어깨 또는 가슴까지 촬영된 바스트(Bust) 이미지는 포함되지 않는 것이 가장 바람직하다.
한편, 상기 적어도 하나의 프로세서(110)는 다수 개의 원본 이미지에서 동공 영역과 홍채 영역을 추출하기 위해서, 하르유사특징(Haar-like feature) 기법에 기초하여 상기 다수 개의 원본 이미지로부터 추출된 특징점을 통해서 눈 영역을 각각 추출할 수 있다.
하르유사특징(Haar-like feature) 기법은 검은 부분과 흰 부분이 조합된 2개 내지 4개의 사각형 특징(Feature)을 이용할 수 있고, 이는 윈도우(Window)라고 일컫는다. 윈도우(Window)는 여러 개가 사용될 수 있고, 개별적으로 크기와 모양은 상이할 수 있으나, 하나의 윈도우(Window) 내에서 검은 부분과 흰 부분의 크기와 모양은 동일하다. 윈도우(Window)는 상기 다수 개의 원본 이미지 각각에서 슬라이딩되어 상기 눈 영역을 탐색할 수 있고, 검정부분과 흰색부분의 밝기값의 차이가 임계값 이상인 경우 특징점으로 추출하고, 상기 눈 영역을 추출할 수 있다.
조리개를 통해서 빛의 양을 조절하여 촬영하는 일반적인 카메라의 경우 조명의 밝기에 따라 영향을 많이 받고, 빛 반사 등을 통해서 이미지의 질이 떨어짐으로 상기 적어도 하나의 프로세서(110)는 부정확하게 상기 눈 영역을 추출하거나, 아예 추출하지 않을 수 있다. 따라서 상술한 바와 같이 상기 다수 개의 원본 이미지는 IR 카메라로 촬영한 이미지인 것이 가장 바람직하고, 이는 상기 적어도 하나의 프로세서(110)가 하르유사특징(Haar-like feature) 기법을 이용하여 상기 눈 영역을 보다 정확하게 추출하기 위함이다.
또한, 상기 적어도 하나의 프로세서(110)는 허프 변환(Hough Transform) 기법에 기초하여 상기 눈 영역으로부터 상기 동공 영역이 추출될 수 있다. 이때, 상기 적어도 하나의 프로세서(110)는 상기 눈 영역이 추출된 상기 다수 개의 원본 이미지에 그레이스케일(Grey scale)을 적용할 수 있다. 그리고 HoughCircle 함수를 사용하여 눈(Eye)에서 가장 형상과 색깔이 뚜렷한 동공을 가장 우선적으로 추출할 수 있다. 상기 HoughCircle 함수는 상기 [수학식 1]과 같다. 여기서, H는 원이고, (x0, y0)는 원의 중심이고, r은 원의 반지름이고, xpyi는 경계선상의 픽셀(Pixel)이다.
즉, 상기 적어도 하나의 프로세서(110)는 H(xpyi, x0, y0, r)에서 경계선 상의 픽셀(Pixel)인 xpyi가 원(x0, y0, r)에 위치해 있다면 1을 반환하고, 경계선 상의 픽셀(Pixel)인 xpyi가 원(x0, y0, r)에 위치해 있지 않다면 0을 반환한다. 그리고 H(xpyi, x0, y0, r)의 누적된 값이 최대가 되는 좌표를 상기 동공의 중심점으로 추출하고, 반지름 r을 갖는 원을 상기 동공 영역으로 추출할 수 있다. 그리고 상기 동공 영역이 추출된 이미지는 그레이스케일(Grey scale)로 유지될 수 있다.
또한, 상기 적어도 하나의 프로세서(110)는 재귀함수와 외곽선 추출 알고리즘을 이용하여 상기 동공 영역이 추출된 상기 다수 개의 원본 이미지로부터 홍채 영역을 추출할 수 있다. 상기 홍채 영역은 눈꺼풀, 속눈썹 등에 일부 가려짐으로 상기 동공 영역보다 상대적으로 검출이 어렵다. 따라서 상기 동공 영역을 우선적으로 추출한 후 상기 동공 영역을 기준으로 지름이 큰 타원체가 이용되어 외곽선 추출 알고리즘을 통해서 상기 홍채 영역을 추출할 수 있다.
이때, 상기 외곽선 추출 알고리즘에는 상기 재귀함수가 활용될 수 있다. 예컨대, 상기 동공 영역을 기준으로 외측 방향으로 외곽선의 크기에 소정의 마진값을 두고 적용하고, 해당 마진값이 적용된 외곽선의 크기에 다시 소정의 마진값을 두고 적용하는 것을 반복한 후 기 설정된 임계치에 도달하면 상기 재귀함수의 연산이 정지될 수 있고, 정지된 시점의 외곽선의 크기에서 상기 동공 영역을 제외한 영역이 상기 홍채 영역으로 추출될 수 있다. 그리고 상기 동공 영역과 홍채 영역이 모두 추출된 다수 개의 영역추출 이미지는 그레이스케일(Grey scale)로 유지될 수 있다.
한편, 상기 적어도 하나의 프로세서(110)는 신경망 모델의 입력이 용이하도록 상기 다수 개의 영역추출 이미지의 크기와 해상도를 동일하게 전처리할 수 있다. 예컨대, 각 이미지의 크기를 맞추기 위해서 기 설정된 크기 이상의 이미지를 자르는 이미지 클리핑(Clipping)을 수행하고, 해상도를 200ppi로 동일하게 할 수 있다.
또한, 상기 적어도 하나의 프로세서(110)는 상기 다수 개의 영역추출 이미지의 파일형식별로 다수 개의 데이터 셋을 생성할 수 있다. 예컨대, 도 4의 (a)는 jpg 이미지 파일형식으로 384*256 해상도를 갖는 상기 다수 개의 영역추출 이미지를 포함하는 원본 데이터 셋을 표시한 것이고, 도 4의 (b)는 Bitmap 이미지 파일형식으로 320*240 해상도를 갖는 상기 다수 개의 영역추출 이미지를 포함하는 원본 데이터 셋을 표시한 것이다. 즉, 상기 적어도 하나의 프로세서(110)는 신경망 모델에 더욱 적합한 파일형식의 원본 데이터 셋을 생성할 수 있다.
또한, 상기 적어도 하나의 프로세서(110)는 신경망 모델이 좌안과 우안을 구분하여 학습할 수 있도록 상기 다수 개의 영역추출 이미지가 양안이 좌안과 우안으로 각각 분류하여 상기 원본 데이터 셋으로 생성할 수 있다.
다음으로, 상기 적어도 하나의 프로세서(110)는 상기 원본 데이터 셋 중에서 기 설정된 임계값 이상의 굴절률 변화를 보이는 홍채 영역만을 모폴로지 연산함으로써 제1 변환 데이터 셋을 생성할 수 있다.
여기서, 모폴로지 연산은 수축(Erosion)과 확장(Dilation) 연산을 수행함으로써 윤곽선을 부드럽게 하고 픽셀(Pixel)에서 발생한 소실 정보를 채우고, 상기 홍채 영역 이외의 영역인 배경 영역 등에서 발생하는 잡음 성분을 제거할 수 있는 효과가 있다. 특히나, 모폴로지(Morphology) 연산으로부터 잡음 성분이 제거됨에 있어서, 열림(Opening) 연산은 수축(Erosion) - 확장(Dilation) 순으로 수행됨으로써 배경에 속한 작은 영역들이 제거될 수 있다. 반면에 닫힘(Closing) 연산은 확장(Dilation) - 수축(Erosion) 순으로 수행됨으로써 객체인 상기 홍채 영역 내 고립되어 있는 잡음을 제거할 수 있다.
즉, 상기 적어도 하나의 프로세서(110)는 상기 동공 영역과 홍채 영역이 모두 추출된 다수 개의 영역추출 이미지 전체를 대상으로 임의로 모폴로지(Morphology) 연산을 수행할 수 있다. 그리고 이 중에서 기 설정된 임계값(Threshold) 이상의 굴절률 변화를 보이는 홍채 영역을 갖는 영역추출 이미지만을 실질적으로 모폴로지(Morphology) 연산하여 상기 제1 변환 데이터 셋으로 생성할 수 있다.
굴절률 변화는 그레이스케일(Grey scale)로 된 상기 다수 개의 영역추출 이미지를 이루는 다수 개의 픽셀(Pixel)의 픽셀값이 기 설정된 임계값(Threshold) 이상인 경우 굴절률 변화를 보인다고 판단될 수 있다. 한편, 임의의 픽셀값이 검은색에 가까울수록 0에 가깝고 반대로 흰색에 점점 가까울수록 픽셀값이 높아진다. 예컨대, 상기 적어도 하나의 프로세서(110)는 기 설정된 임계값(Threshold)이 255이고, 임의의 픽셀(Pixel)의 픽셀값이 260이라면 상기 제1 변환 데이터 셋 생성단계(S200)로부터 굴절률 변화를 보인다고 판단할 수 있다.
다음으로, 상기 적어도 하나의 프로세서(110)는 상기 원본 데이터 셋과 제1 변환 데이터 셋 각각의 동공 영역의 크기를 비교하고, 상기 제1 변환 데이터 셋으로부터 크기 변화 영역을 추출한다.
입체적인 형상을 띄고 있는 안구의 특성상 실제 동공과 홍채가 정사영(Orthogonal projection)된 이미지가 상기 다수 개의 원본 이미지가 될 수 있고, 으로부터 상기 동공 영역과 홍채 영역이 추출된다. 따라서 상기 동공 영역과 홍채 영역은 실제 동공과 홍채의 길이 및 넓이와 소정의 차이가 있을 수 있으므로, 상기 적어도 하나의 프로세서(110)는 상기 원본 데이터 셋 내 다수 개의 영역추출 이미지로부터 실제 동공과 홍채의 입체적인 형상에 따른 실제 길이와 넓이를 확인하기 위함이다.
가장 바람직하게, 상기 적어도 하나의 프로세서(110)는 상기 원본 데이터 셋과 제1 변환 데이터 셋 각각의 동공 영역의 픽셀값의 차이를 이용하여 크기를 비교할 수 있고, 이에 따라 상기 크기 변화 영역을 추출할 수 있다.
다음으로, 상기 적어도 하나의 프로세서(110)는 상기 크기 변화 영역별로 동공의 초점거리를 라벨링할 수 있다. 동공의 크기는 초점 거리에 따라 변한다는 원리를 이용하여 상기 크기 변화 영역과 초점 거리의 상관관계를 형성할 수 있다.
이때, 기 설정된 범위 이내에 동공의 초점거리에 대한 상기 크기 변화 영역이 모두 라벨링 되어야만 상기 신경망 모델이 피검사체별 모든 경우에 대해 출력값을 출력할 수 있다. 만약, 상기 제2 변환 데이터 셋에 기 설정된 범위 이내에 일부 동공의 초점거리에 대한 상기 크기 변화 영역만을 포함하고 있다면 이를 보완할 필요가 있다. 따라서 상기 적어도 하나의 프로세서(110)는 라벨링 되지 못한 동공의 초점거리가 있다면, 상기 동공 영역의 크기 변화를 처리할 수 있는 함수를 이용하여 상기 제2 변환 데이터 셋을 보완할 수 있다. 따라서 상기 제2 변환 데이터 셋은 기 설정된 범위 이내에 동공의 초점거리에 대한 상기 크기 변화 영역이 모두 라벨링될 수 있고, 상기 신경망 모델은 완전한 상태의 상기 제2 변환 데이터 셋으로 학습될 수 있는 현저한 효과가 있다.
다음으로, 상기 적어도 하나의 프로세서(110)는 상기 크기 변화 영역별로 동공의 초점 거리가 라벨링된 제2 변환 데이터 셋을 이용하여 신경망 모델을 학습시킨다. 상기 신경망 모델은 상기 제2 변환 데이터 셋을 학습함으로써, 실시간 또는 과거에 피검사자를 대상으로 눈(Eye)이 포함되어 촬영된 이미지에서 동공 영역과 홍채 영역을 모두 추출할 수 있고, 동공의 크기 변화에 따른 초점 거리를 판단할 수 있다. 기 학습된 상기 신경망 모델은 피검사자의 흥미를 유발하는 콘텐츠와 결합되어 시기능 이상 및 안질환을 확인하거나 시 기능 훈련, 재활 및 예방하는데 다양하게 활용될 수 있다.
상기 신경망 모델은 가장 바람직하게 FCNN기반의 DenseNet이고, 상기 DenseNet은, 밀집블록(Dense block) 사이에 병목 레이어(Bottleneck layer)와 전이 레이어(Transition layer)를 포함하는 것을 특징으로 한다.
일반적으로 컨볼루션 신경망(Convolutional Neural Network; CNN)은 대규모 영상 및 이미지, 고성능 연산에 좋은 성능을 보이는 신경망 모델이다. 컨볼루션 신경망(CNN)은 입력층 및 출력층으로 구성되고, 두 층 사이에는 수많은 은닉층으로 구성되어 특징추출 계층(Feature extraction)과 분류 계층(Fully Connected layer) 구조를 갖는다. 이러한 컨볼루션 신경망(CNN)에 활용되는 모델은 VGGNet, GoogLeNet, ResNet, DenseNet, NASNet 등이 있다. 본 발명의 상기 신경망 모델은 이중 특징맵이 연속하여 병합되는 연결방식을 가지는 FCNN기반의 DenseNet인 것이 가장 바람직하다.
다만, DenseNet은 최초의 층의 정보가 사라지지 않고 최후의 층까지 정보를 이어줌으로써 데이터가 많을수록 밀도가 높아져 깊이에 따른 비용이 상당히 증가하게 되는 문제점이 있는데, 본 발명은 이를 해결하고자 상기 신경망 모델을 컴팩트하게 만들기 위해서 밀집블록(Dense block) 사이에 병목 레이어(Bottleneck layer)와 전이 레이어(Transition layer)가 포함할 수 있다.
다시 말하면, 상기 밀집블록(Dense block)은 이전 레이어와 다음 레이어를 결합하여 이전 레이어의 특징(Features)을 다음 레이어로 그대로 전달한다. 이로 인해 레이어가 깊어짐에 따라 발생하는 정보 감쇄 현상을 방지하면서 성능을 향상시킬 수 있다. 하지만 네트워크가 깊어질수록 결합한 특징맵의 채널수가 너무 많아져 네트워크의 크기가 방대하게 커진다. 이것을 방지하게 위 해 DenseNet은 밀집블록(Dense block) 내의 레이어 사이에 병목 레이어(Bottleneck layer)가 추가된다. 결과적으로 Bottleneck 구조를 사용함에 따라 특징맵의 크기가 커지는 것을 막으면서 연산량도 줄어든다. 하지만 밀집블록(Dense block) 내의 레이어가 많아질수록 특징맵의 크기는 여전히 커진다. 이를 해결하기 위해 밀집블록(Dense block)마다 전이 레이어(Transition layer)가 추가된다. 전이 레이어(Transition layer)는 1x1 conv 연산을 통해 특징맵 채널수를 반으로 줄이고, 2x2 평균 풀링(Average pooling)으로 폭과 높이를 반으로 줄일 수 있는 현저한 효과가 있다.
본 발명의 일실시예에 따라 상기 적어도 하나의 프로세서(110)는 상기 신경망 모델을 학습시키기 위해서 초기 학습률(Learning rate)을 0.001로 설정하고, 출력 활성화 함수로 소프트맥스(Softmax) 함수를 사용하고, 손실함수로 클로스 엔트로피(Categorical cross entropy)를 사용할 수 있다. 그리고 상기 신경망 모델의 학습 횟수(Epoch)와 배치 크기(Batch size)는 각각 30, 32로 설정할 수 있다.
다음으로, 상기 적어도 하나의 프로세서(110)는, 사용자 맞춤형 콘텐츠를 제공하는 콘텐츠 제공서버(200)에 포함되거나 상기 콘텐츠 제공서버(200)와 인터넷 네트워크를 통해 통신 가능하도록 연결될 수 있다. 그리고 상기 프로세서(110)는 사용자가 착용한 VR 디바이스 내 IR 카메라로 실시간으로 촬영된 안구 영상을 직접적으로 획득하거나 상기 콘텐츠 제공서버(200)를 통해서 획득할 수 있고, 기 학습된 상기 신경망 모델을 이용하여 사용자의 양안에 대한 굴절 이상에 따른 시 기능 이상여부를 판단하는데 적용될 수 있다. 그리고 상기 콘텐츠 제공서버(200)는 기 학습된 상기 신경망 모델로부터 출력된 판단결과를 이용하여 사용자 맞춤형으로 콘텐츠를 제공할 수 있다. 예컨대, 근시 또는 원시인 사용자의 시 기능을 향상시키기 위한 객체 움직임을 포함하고 있는 콘텐츠를 제공할 수 있다.
본 발명에 의하면, 눈(Eye)이 포함되어 촬영된 다수 개의 원본 이미지에서 동공 영역과 홍채 영역을 추출한 후 이를 변환하여 신경망 모델에 학습시킴으로써 종래 보다 피검사자의 동공 및 홍채를 정확하게 추출할 수 있고, 피검사자의 동공의 크기 변화에 따른 초점 거리를 판단할 수 있는 현저한 효과가 있다.
또한, 기 학습된 상기 신경망 모델을 피검사자의 흥미를 유발하는 콘텐츠와 결합하여 다양한 서비스를 제공함으로써, 피검사자는 시 기능 이상 및 안질환을 확인하거나 시 기능 훈련, 재활 및 예방하는데 다양하게 활용될 수 있는 현저한 효과가 있다.
실시예들은 하드웨어, 소프트웨어, 펌웨어, 미들웨어, 마이크로코드, 하드웨어 기술 언어, 또는 이들의 임의의 조합에 의해 구현될 수 있다. 소프트웨어, 펌웨어, 미들웨어 또는 마이크로코드로 구현되는 경우, 필요한 작업을 수행하는 프로그램 코드 또는 코드 세그먼트들은 컴퓨터 판독 가능 저장 매체에 저장되고 하나 이상의 프로세서에 의해 실행될 수 있다.
그리고 본 명세서에 설명된 주제의 양태들은 컴퓨터에 의해 실행되는 프로그램 모듈 또는 컴포넌트와 같은 컴퓨터 실행 가능 명령어들의 일반적인 맥락에서 설명될 수 있다. 일반적으로, 프로그램 모듈 또는 컴포넌트들은 특정 작업을 수행하거나 특정 데이터 형식을 구현하는 루틴, 프로그램, 객체, 데이터 구조를 포함한다. 본 명세서에 설명된 주제의 양태들은 통신 네트워크를 통해 링크되는 원격 처리 디바이스들에 의해 작업들이 수행되는 분산 컴퓨팅 환경들에서 실시될 수도 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈들은 메모리 저장 디바이스들을 포함하는 로컬 및 원격 컴퓨터 저장 매체에 둘 다에 위치할 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 으로 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
100.. 컴퓨터
110.. 프로세서
200.. 콘텐츠 제공서버

Claims (5)

  1. 적어도 하나의 프로세서에 의하여, 눈(Eye)이 포함되어 촬영된 다수 개의 원본 이미지에서 동공 영역과 홍채 영역이 모두 추출된 다수 개의 영역추출 이미지가 원본 데이터 셋으로 생성되는 원본 데이터 셋 생성단계;
    상기 적어도 하나의 프로세서에 의하여, 상기 원본 데이터 셋 중에서 기 설정된 임계값 이상의 굴절률 변화를 보이는 홍채 영역을 갖는 영역추출 이미지만이 모폴로지 연산됨으로써 제1 변환 데이터 셋이 생성되는 제1 변환 데이터 셋 생성단계;
    상기 적어도 하나의 프로세서에 의하여, 상기 원본 데이터 셋과 제1 변환 데이터 셋 각각의 동공 영역의 크기가 비교되고, 상기 제1 변환 데이터 셋으로부터 크기 변화 영역이 추출되는 추출단계; 및
    상기 적어도 하나의 프로세서에 의하여, 상기 크기 변화 영역별로 동공의 초점거리가 라벨링된 제2 변환 데이터 셋이 이용되어 신경망 모델이 학습되는 학습단계;를 포함하는 홍채 추적을 위한 신경망 모델 학습 방법.
  2. 제 1항에 있어서,
    상기 원본 데이터 셋 생성단계는,
    하르유사특징(Haar-like feature) 기법에 기초하여 상기 다수 개의 원본 이미지로부터 추출된 특징점을 통해서 눈 영역이 각각 추출되는 눈 영역 추출단계;
    허프 변환(Hough Transform) 기법에 기초하여 상기 눈 영역으로부터 상기 동공 영역이 추출되는 동공 영역 추출단계; 및
    재귀함수와 외곽선 추출 알고리즘을 이용하여 상기 동공 영역이 추출된 상기 다수 개의 원본 이미지로부터 홍채 영역이 추출되는 홍채 영역 추출단계;를 포함하는 홍채 추적을 위한 신경망 모델 학습 방법.
  3. 제 1항에 있어서,
    상기 신경망 모델은,
    FCNN기반의 DenseNet이고,
    상기 DenseNet은,
    밀집블록(Dense block) 사이에 병목 레이어(Bottleneck layer)와 전이 레이어(Transition layer)를 포함하는 것을 특징으로 하는 홍채 추적을 위한 신경망 모델 학습 방법.
  4. 컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서;를 포함하고,
    상기 적어도 하나의 프로세서는,
    눈(Eye)이 포함되어 촬영된 다수 개의 원본 이미지에서 동공 영역과 홍채 영역이 모두 추출된 다수 개의 영역추출 이미지를 원본 데이터 셋으로 생성하고,
    상기 원본 데이터 셋 중에서 기 설정된 임계값 이상의 굴절률 변화를 보이는 홍채 영역만을 모폴로지 연산함으로써 제1 변환 데이터 셋을 생성하고,
    상기 원본 데이터 셋과 제1 변환 데이터 셋 각각의 동공 영역의 크기를 비교하고, 상기 제1 변환 데이터 셋으로부터 크기 변화 영역을 추출하고,
    상기 크기 변화 영역별로 동공의 초점 거리가 라벨링된 제2 변환 데이터 셋을 이용하여 신경망 모델을 학습시키는 것을 특징으로 하는 홍채 추적을 위한 신경망 모델 학습 시스템.
  5. 제 5항에 있어서,
    상기 적어도 하나의 프로세서는,
    사용자 맞춤형 콘텐츠를 제공하는 콘텐츠 제공서버에 포함되거나 상기 콘텐츠 제공서버와 인터넷 네트워크를 통해 통신 가능하도록 연결되는 것을 특징으로 하는 홍채 추적을 위한 신경망 모델 학습 시스템.
KR1020220043684A 2022-04-08 2022-04-08 홍채 추적을 위한 신경망 모델 학습 방법 및 시스템 KR20230144710A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220043684A KR20230144710A (ko) 2022-04-08 2022-04-08 홍채 추적을 위한 신경망 모델 학습 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220043684A KR20230144710A (ko) 2022-04-08 2022-04-08 홍채 추적을 위한 신경망 모델 학습 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR20230144710A true KR20230144710A (ko) 2023-10-17

Family

ID=88557818

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220043684A KR20230144710A (ko) 2022-04-08 2022-04-08 홍채 추적을 위한 신경망 모델 학습 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR20230144710A (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190049186A (ko) 2017-11-01 2019-05-09 (주)포스트미디어 시기능 강화 훈련 디바이스
KR102360251B1 (ko) 2013-10-25 2022-02-07 더 칠드런스 호스피탈 오브 필라델피아 가변 휘도 레벨들에서 시기능 및 기능적 시각을 테스트하기 위한 장치 및 방법들

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102360251B1 (ko) 2013-10-25 2022-02-07 더 칠드런스 호스피탈 오브 필라델피아 가변 휘도 레벨들에서 시기능 및 기능적 시각을 테스트하기 위한 장치 및 방법들
KR20190049186A (ko) 2017-11-01 2019-05-09 (주)포스트미디어 시기능 강화 훈련 디바이스

Similar Documents

Publication Publication Date Title
Kothari et al. Ellseg: An ellipse segmentation framework for robust gaze tracking
Rosenblum et al. Human expression recognition from motion using a radial basis function network architecture
CN108294759A (zh) 一种基于cnn眼部状态识别的驾驶员疲劳检测方法
CN110111316B (zh) 基于眼部图像识别弱视的方法及系统
US20220148333A1 (en) Method and system for estimating eye-related geometric parameters of a user
Bhoi et al. Template matching based eye detection in facial image
US20060193515A1 (en) Image processing method for removing glasses from color facial images
CN110807364A (zh) 三维人脸与眼球运动的建模与捕获方法及系统
CN110400288B (zh) 一种融合双眼特征的糖网病识别方法及装置
CN102567734B (zh) 基于比值的视网膜细小血管分割方法
Wang et al. ScleraSegNet: An attention assisted U-Net model for accurate sclera segmentation
US9514354B2 (en) Facial analysis by synthesis and biometric matching
Saif et al. Robust drowsiness detection for vehicle driver using deep convolutional neural network
Garbin et al. Dataset for eye tracking on a virtual reality platform
Verma et al. Hmm-based convolutional lstm for visual scanpath prediction
KR20230144710A (ko) 홍채 추적을 위한 신경망 모델 학습 방법 및 시스템
Shi et al. EPS: robust pupil edge points selection with haar feature and morphological pixel patterns
Orovwode et al. Development of a Sign Language Recognition System Using Machine Learning
US10796147B1 (en) Method and apparatus for improving the match performance and user convenience of biometric systems that use images of the human eye
Varol Easymatch-an eye localization method for frontal face images using facial landmarks
Huang et al. Eye tracking with statistical learning and sequential monte carlo sampling
US20240144722A1 (en) Methods and systems for adaptive binarization thresholding for pupil segmentation
Patil et al. Glaucoma Detection using Convolutional Neural Network
CN117197877B (zh) 一种基于区域加权光流特征的微表情识别方法及系统
CN116682165A (zh) 基于运动特征增强和身份信息免疫的面部表情识别方法