KR100360486B1 - 가버 필터링 반응값의 차원 공간 변환을 이용한 얼굴 인식방법 및 그 장치 - Google Patents

Abstract

본 발명은 가버 필터링 반응값의 차원 공간 변환을 이용한 얼굴 인식 방법 및 그 장치를 개시한다. 본 발명에 의한 얼굴 인식 방법은 얼굴 인식 성능을 높이고, 데이타베이스의 양을 줄이기 위해, 먼저, 얼굴 인식에 참조가 될 트레이닝 영상들에 대해, 얼굴의 특징점들로 부터 얻은 가버 필터 반응값들을 차원 공간 변환 과정을 통해 만들어진 새로운 차원 공간으로 매핑시키고, 새로운 차원 공간에서의 각 트레이닝 영상에 대한 좌표값을 저장하여 얼굴 모델 데이타베이스를 생성한다. 다음에, 얼굴 인식을 수행하고자 하는 테스트 영상에 대해, 얼굴의 특징점들로 부터 얻은 가버 필터 반응값들을 새로운 차원 공간으로 이동시킨 후, 얼굴 모델 데이타베이스를 참조하여 테스트 영상에 대한 유사한 얼굴을 식별한다.

Description

가버 필터링 반응값의 차원 공간 변환을 이용한 얼굴 인식 방법 및 그 장치{Face recognizing method and apparatus using dimensional space transformation of Gabor filtering response}

본 발명은 얼굴 인식에 관한 것으로, 특히 가버 필터링 반응값의 차원 변환을 이용한 얼굴 인식 방법 및 그 장치에 관한 것이다.

현대 사회가 정보화 사회로 급속히 발전함에 따라 수많은 정보가 쏟아져 나오고 있다. 이러한 정보를 다루는 시스템은 필요한 경우에 특정한 사용자들만이 정보를 공유하게 하고, 그 외의 사용자들이 접근할 수 없도록 차단한다. 정보 보안을 위한 시스템이 많이 발명되고 있다. 정보는 어떤 데이터뿐만 아니라, 특정 장소등의 공간적 개념이 될 수 있다. 기존의 열쇠, IC 카드 외에 여러 가지 보안 장치들이 발명되고 있지만, 접근할 곳이 많아짐에 따라 이 보안을 해지할 수 있는 도구들도 많아져야 하고, 복제가 가능하다는 단점이 있다.

이러한 단점을 해결하기 위한 한 방법으로서, 사람의 신체적 특징을 이용한 보안 방법에 대한 연구가 활발히 진행되고 있다. 이 방법의 장점은 쉽게 복제가 불가능하고, 어떤 도구를 소지해야 할 필요가 없다는 것이다. 신체적 특징을 이용한 보안 방법으로 지문이나, 홍채, 얼굴, 목소리 등을 이용하는 기술이 있다. 그중에서 특히, 얼굴을 이용한 방법의 특징은 사용자가 시스템으로 접근하고자 할 경우에 사용자에게 어떤 특정한 행위를 요구하지 않는다는 장점이 있다.

따라서, 얼굴 인식 기술이 현재 많이 연구되고 있으며, 대표적인 방법으로서 주 구성요소 분석(PCA:Principal Component Analysis), 가버 필터(Gabor filter)를 이용한 얼굴 인식 방법이 있다.

PCA를 이용한 얼굴 인식 방법은 얼굴의 세부적인 면을 살피기 보다는 얼굴의 전체적인 면의 구성에 의해 얼굴을 인식하는데, 다음과 같은 단점이 있다. 입력으로 사용될 정면 얼굴 영상에 대해, 얼굴이 정확히 정렬(alignment)되어야 하고, 그 크기가 어느 정도 정규화(normalization)되어야 한다. 한편, 조명과 밝기의 변화에 민감한 반응을 보이는 단점이 있다. PCA를 이용한 얼굴 인식 방법은 입력으로 실제 얼굴 영상들을 사용하고, 이 영상들을 기초로 새로운 공간(space)을 구성하기 때문에, 입력 영상의 한계로 인해 조명과 밝기의 변화에 민감하다.

가버 필터를 이용한 얼굴 인식 방법은 얼굴의 특징점들을 기준으로 한 얼굴의 일정 영역에 주파수와 방향성을 달리하는 2-D 가버 필터들의 집합을 적용시키고, 그 반응값으로 부터 얼굴을 식별한다. 얼굴의 전체 영역의 구성을 한꺼번에 파악하는 면에서 약점을 드러내고, 개인의 데이터를 저장하는데 있어서 상대적으로 많은 저장 공간을 필요로 하는 단점이 있다.

본 발명이 이루고자 하는 기술적 과제는, 전술한 문제점을 해결하기 위해 창출된 것으로, 얼굴의 특징점들을 기준으로 한 얼굴의 일정 영역으로 부터 얻은 가버 필터링 반응값을 차원 공간 변환 과정을 통해 새로운 차원 공간으로 이동시킨 후 얼굴 인식을 수행함으로써, 얼굴 인식 성능을 높이고, 데이타베이스의 양을 줄이는, 가버 필터링 반응값의 차원 공간 변환을 이용한 얼굴 인식 방법을 제공하는데 있다.

본 발명이 이루고자 하는 다른 기술적 과제는, 상기 얼굴 인식 방법을 수행하는 가버 필터링 반응값의 차원 공간 변환을 이용한 얼굴 인식 장치를 제공하는데 있다.

도 1은 본 발명에 의한 얼굴 인식 방법을 설명하기 위한 플로우챠트이다.

도 2는 본 발명에 의한 얼굴 인식 장치의 바람직한 실시예에 따른 블럭도이다.

도 3은 도 2에 도시된 얼굴 영역 추출기에서 수행된 얼굴 영역의 추출 예를 나타내는 도면이다.

도 4는 도 2에 도시된 얼굴 특징점 추출기에서 수행된 얼굴 특징점의 추출 예를 나타내는 도면이다.

도 5는 도 2에 도시된 장치에 의해 수행되는 얼굴 인식 과정의 예를 나타내는 도면이다.

상기 과제를 이루기 위하여, 본 발명에 의한 얼굴 인식 방법은,

(a) 얼굴 인식에 참조가 될 트레이닝 영상들에 대해, 얼굴의 특징점들로 부터 얻은 가버 필터 반응값들을 차원 공간 변환 과정을 통해 만들어진 새로운 차원 공간으로 매핑시키고, 새로운 차원 공간에서의 각 트레이닝 영상에 대한 좌표값을 저장하여 얼굴 모델 데이타베이스를 생성하는 단계 및 (b) 얼굴 인식을 수행하고자 하는 테스트 영상에 대해, 얼굴의 특징점들로 부터 얻은 가버 필터 반응값들을 새로운 차원 공간으로 이동시킨 후, 얼굴 모델 데이타베이스를 참조하여 테스트 영상에 대한 유사한 얼굴을 식별하는 단계를 포함한다.

상기 다른 과제를 이루기 위하여, 본 발명에 의한 얼굴 인식 장치는,

입력 영상에서 추출된 얼굴의 특징점들 각각에 대해 다양한 방향성과 주파수를 갖는 가버 필터들의 집합을 적용시켜 반응값들을 얻는 가버 필터부, 반응값들을 1차원 어레이로 표현하고, 입력 영상으로 트레이닝 영상들이 순차적으로 입력된 경우에 각 트레이닝 영상에 대해 각각 얻어진 1차원 어레이들을 하나의 매트릭스로 구성하는 매트릭스 생성부, 소정의 차원 공간 변환 방법을 이용하여 매트릭스에 대응한 새로운 차원 공간을 만드는 차원 공간 변환부, 각 트레이닝 영상을 새로운 차원 공간으로 매핑시키고, 새로운 차원 공간에서의 각 트레이닝 영상에 대한 좌표값을 저장하는 얼굴 모델 데이타베이스 생성부 및 입력 영상으로 테스트 영상이 입력될 경우에, 가버 필터부 및 매트릭스 생성부를 거쳐 표현된 1차원 어레이를 새로운 차원 공간으로 이동시키고, 얼굴 모델 데이타베이스를 참조하여 유사한 얼굴을 식별하는 얼굴 유사도 판단부를 포함한다.

이하, 본 발명에 의한 가버 필터링 반응값의 차원 공간 변환을 이용한 얼굴인식 장치 및 방법을 첨부한 도면을 참조하여 다음과 같이 설명한다.

도 1은 본 발명에 의한 얼굴 인식 방법을 설명하기 위한 플로우챠트이다.

본 발명은 가버 필터를 이용한 얼굴 인식 방법의 특징과, PCA를 이용한 얼굴 인식 방법의 특징만을 활용한다. 이 두 방법을 활용하여, 본 발명에 의한 얼굴 인식 방법은 크게 얼굴 모델 데이타베이스를 생성하고, 이를 참조하여 실제로 테스트하고자 하는 입력 영상의 얼굴을 인식한다.

얼굴 모델 데이타베이스를 생성하기 위해, 얼굴 인식에 참조가 될 트레이닝 영상들을 입력한다. 각 트레이닝 영상에 대해 얼굴의 특징점들로 부터 얻은 가버 필터링 반응값들을 차원 공간 변환 과정을 통해 만들어진 새로운 차원 공간으로 매핑시키고, 새로운 차원 공간에서의 각 트레이닝 영상에 대한 좌표값을 저장한다.

구체적으로, 도 1을 참조하여 설명하면, 순차적으로 입력된 각 트레이닝 영상에서 추출된 얼굴의 특징점들 각각에 대해 다양한 방향성과 주파수를 갖는 가버 필터들의 집합을 적용시켜 반응값들을 얻는다(제100단계). 여기서, 특징점들은 실험을 통해 얼굴 영역에서 가버 필터링 반응에 민감한 부분들을 이용한다. 실험적으로는, 얼굴 영역에서 특징점을 기준으로 한 일정 영역에 대해 가버 필터들의 집합을 적용시켜 반응값들을 얻는다.

제100단계에서 필요한 특징점을 추출하기 위한 과정은 간략히 다음과 같다. 먼저, 얼굴 영상을 포함한 트레이닝 영상에서 얼굴의 특정 생김새의 위치를 찾는다. 예컨대, 얼굴의 두눈의 위치, 얼굴 전체 형상 등이 될 수 있다. 다음에, 얼굴 특정 생김새의 위치를 이용하여 트레이닝 영상에서 얼굴 영역을 추출한다. 추출된 얼굴 영역과 가버 필터가 서로 일정비를 갖도록 얼굴 영역 또는 가버 필터의 크기를 변화시킨 후에, 얼굴 영역에 대해 히스토그램 평활화 과정을 수행하여 조명의 영향을 감소시킨다. 다음에, 얼굴 영역에서 가버 필터에 적용할 특징점들을 추출한다.

제100단계 후에, 가버 필터들의 집합을 적용시켜 얻은 반응값들을 1차원 어레이로 표현하고, 각 트레이닝 영상에 대해 얻어진 1차원 어레이들을 하나의 매트릭스로 구성한다(제102단계). 즉, 하나의 트레이닝 영상으로 부터 얻어진 반응값들을 1차원 어레이로 바꾸고, 다른 트레이닝 영상에도 동일한 방법을 적용하여 반응값들을 1차원 어레이로 바꾼다. 하나의 트레이닝 영상에 대해서 각 특징점마다 복수개의 반응값들을 가지므로, 예컨대, 특징점이 20개이고, 40개의 가버 필터들의 집합을 이용하였다면, 하나의 트레이닝 영상에 대해 800개의 반응값들을 얻을 것이다. 이를 1차원 어레이로 표현하고, 이렇게 표현된 각각의 1차원 어레이가 하나의 열 또는 행을 구성하는 매트릭스를 구성한다. 이때, 매스트릭스는 크기를 줄이기 위해서 다시 공분산(covariance) 매트릭스 또는 상관(correlation) 매트릭스로 구성한다.

제102단계 후에, 소정의 차원 공간 변환 방법을 이용하여 제104단계에서 구성된 매트릭스를 대응하는 새로운 차원 공간을 만든다(제104단계). 차원 공간 변환 방법 즉, 다른 차원 공간으로 이동시키는 방법으로, 바람직하게 주 구성요소 분석(PCA) 방법, 독립 구성요소 분석(Independent Component Analysis) 방법 및 비선형 주 구성요소 분석(Nonlinear PCA) 방법 등이 사용될 수 있다.

새로운 차원 공간이 만들어지면, 각 트레이닝 영상을 새로운 차원 공간으로 매핑시킨다(제106단계). 다음에, 새로운 차원 공간에서의 좌표값을 저장하여 얼굴 모델 데이타베이스를 생성한다(제108단계). 이때, 새로운 차원 공간으로 이동된 트레이닝 영상들중에서 동일한 사람의 얼굴 영상들을 대상으로 클래스를 구성한다. 새로운 차원 공간은 특성상 서로 유사한 얼굴 형상들 또는 유사한 얼굴의 특정 생김새 등을 갖는 영상끼리 분포하도록 매트릭스를 재구성한다.

제100단계 내지 제108단계를 거쳐 얼굴 모델 데이타베이스가 생성되면, 이제 테스트 영상을 입력하여 실제로 얼굴 인식을 수행할 수 있다. 테스트 영상에 대해서도 얼굴의 특징점들로 부터 얻은 가버 필터 반응값들을 새로운 차원 공간으로 이동시킨다. 그 후에, 얼굴 모델 데이타베이스를 참조하여 테스트 영상에 대한 유사한 얼굴을 식별한다.

구체적으로, 도 1을 참조하여 설명하면, 입력된 실제 테스트 영상에서 추출된 얼굴의 특징점들 각각에 대해 다양한 방향성과 주파수를 갖는 가버 필터들의 집합을 적용시켜 반응값들을 얻는다(제110단계). 여기서, 특징점들은 실험을 통해 얼굴 영역에서 가버 필터링 반응에 민감한 부분들을 이용한다. 특징점을 추출하기 위한 과정 또한 트레이닝 영상에 대해 수행된 것과 마찬가지로 수행된다.

제110단계 후에, 가버 필터들의 집합을 적용시켜 얻은 반응값들을 1차원 어레이로 표현한다(제112단계). 1차원 어레이를 제104단계에서 소정의 차원 공간 변환 방법을 이용하여 만들어진 새로운 차원 공간으로 이동시킨다(제114단계). 얼굴 모델 데이타베이스를 참조하여 텍스트 영상에 대한 유사한 얼굴을 식별한다(제116단계). 즉, 테스트 영상이 새로운 차원 공간에서 어떤 클래스에 포함되는지를 식별한다.

도 2는 본 발명에 의한 얼굴 인식 장치의 바람직한 실시예에 따른 블럭도이다.

본 발명에 의한 얼굴 인식 장치는, 가버 필터링을 위한 전처리부로서, 얼굴 감지기(210), 얼굴 영역 추출기(212), 크기 변환기(214), 영상 전처리기(216) 및 얼굴 특징점 추출기(218)를 포함하며, 가버 필터부(220), 매트릭스 생성부(230), 차원 공간 변환부(240), 얼굴 모델 데이타베이스 생성부(250) 및 얼굴 유사도 판단부(260)를 포함한다.

얼굴 감지기(210)는 입력 영상에서 얼굴의 특정 생김새의 위치를 검출한다. 예컨대, 얼굴의 특정 생김새의 위치로서 두 눈의 위치를 검출하도록 설정할 수 있다. 입력 영상에 얼굴 영상이 포함되어 있다면, 소정 범위내의 거리를 갖는 두 눈의 위치를 찾을 수 있을 것이다.

얼굴 영역 추출기(212)는 얼굴 감지기(210)를 통해 검출된 얼굴의 특정 생김새의 위치에 근거하여 그 위치와 일정비를 유지하도록 얼굴의 영역을 추출한다. 예컨대, 얼굴 감지기(210)에서 두 눈의 위치를 검출하였다면, 두 눈의 거리를 구할 수 있다. 얼굴 인식을 위한 전처리 단계로서, 두 눈 사이의 거리를 기초로 입력 영상에서 얼굴 영역을 잘라내는 방법을 사용하는 것은 영상의 배경 혹은 사람의 머리 스타일의 변화 등에 대한 영향을 최소화시키기 위해서다.

도 3은 도 2에 도시된 얼굴 영역 추출기(212)에서 수행된 얼굴 영역의 추출예를 나타내며, 300은 입력 영상을, 302는 추출된 얼굴 영역을 각각 나타낸다.

예컨대, 두 눈 사이의 거리를 2D라고 할때, 왼쪽 눈 바깥의 거리 및 오른쪽 눈 바깥의 거리를 각각 D로 하고, 눈을 기준으로 눈 위의 영역 거리를 1.5*D로 하고, 눈을 기준으로 눈 아래의 영역 거리를 3*D로 하여 얼굴 인식에 적절한 얼굴 영역을 잘라낸다. 도 3을 참조하면, 이러한 비율로 얼굴 영역을 잘라낼 경우에 배경을 최소화시키면서, 수치상으로 간단한 비율을 갖고, 또한 눈썹, 눈, 코, 입술 등 얼굴 전체에서 얼굴의 특징을 포함한다는 것을 알 수 있다.

다시 도 2를 참조하면, 크기 변환기(214)는 얼굴 영역 추출기(212)에서 추출된 얼굴 영역과 이후에 적용될 가버 필터가 서로 일정비를 갖도록 적어도 하나의 크기를 변환시킨다. 한 방법으로, 얼굴 영역의 크기를 이후에 적용될 2-D 가버 필터의 크기에 따라 변화시킨다. 즉, 얼굴 영역의 특정 생김새 예컨대, 두 눈간의 거리와 2-D 가버 필터의 크기를 고려하여 서로 일정비를 유지하도록 영상의 크기를 변화시킨다. 또는 다른 방법으로, 가버 필터의 크기를 변화시켜 일정비를 유지할 수도 있다. 여기서, 가버 필터의 크기 변화는 즉, 해상도의 변화를 의미한다.

영상 전처리기(216)는 크기 변환기(214)를 거친 얼굴 영역에 대해 히스토그램 평활화 과정을 거쳐 조명의 영향을 감소시킨다. 입력 영상들은 조명의 영향으로 상대적으로 휘도가 높거나 낮을 수 있고, 한 입력 영상에서도 휘도가 높은 부분과 낮은 부분이 생길 수 있다. 조명의 영향을 감소시키기 위해, 얼굴 영역에서 각 화소의 휘도 분포를 분석하여 히스토그램을 얻고, 빈도수가 높은 휘도를 중심으로 히스토그램을 평활화한다.

얼굴 특징점 추출기(218)는 영상 전처리기(216)에서 전처리된 얼굴 영역에서 가버 필터를 적용할 소정수의 특징점들을 추출한다. 도 4는 도 2에 도시된 얼굴 특징점 추출기에서 수행된 얼굴 특징점의 추출 예를 나타내는 도면이다. 도 4를 참조하면, 본 실험에서는 예컨대, 20개의 특징점들을 십자 모양으로 표시하였다. 이와 같이 표시한 기준은 다수의 사람들을 대상으로 얼굴 영역에서 가버 필터에 민감하게 반응한 부분들을 실험을 통해 얻은 결과이다.

가버 필터부(220)는 얼굴 특징점 추출기(218)에서 추출된 얼굴의 특징점들 각각에 대해 다양한 방향성과 주파수를 갖는 가버 필터들의 집합을 적용시켜 반응값들을 얻는다. 일반적으로, 가버 필터로 부터 반응값()을 구하는 식은 다음 수학식 1과 같다.

수학식 1에서,는 각각 주파수와 방향성을 나타내며, 본 실험에서는 ν의 범위를 0~4로 하고, μ의 범위를 0~7로 하였다. 따라서, 총 40개의 가버 필터들의 집합을 이용하였다.

도 5는 도 2에 도시된 장치에 의해 수행되는 얼굴 인식 과정의 예를 나타내는 도면이다. 도 5를 참조하면, 500은 입력 영상을, 502는 얼굴 감지기(210) 및 얼굴 영역 추출기(210)로 부터의 얼굴 영역 추출 결과를, 504는 크기 변환기(214), 영상 전처리기(216) 및 얼굴 특징점 추출기(218)로 부터의 전처리 및 특징점 추출 결과를 각각 나타낸다.

506은 얼굴 영역의 하나의 특징점에 대해 방향성과 주파수를 달리하는 16개의 가버 필터들을 적용한 특성 반응 추출 결과이다. 본 실험에서는 특징점을 중심으로 소정 크기의 일정 영역에 대해 가버 필터를 적용시켰다. 506과 같이 각 가버 필터에 대해 소정 크기의 일정 영역에 대한 반응값들이 얻어지는데, 결과적으로 하나의 반응값이 추출되어 이용된다.

다시 도 2를 참조하면, 매트릭스 생성부(230)는 가버 필터부(220)에서 얻은 반응값들을 1차원 어레이로 표현한다. 얼굴 모델 데이타베이스를 생성하기 위해, 입력 영상으로 트레이닝 영상들이 순차적으로 입력된 경우라면, 각 트레이닝 영상에 대해 각각 얻어진 1차원 어레이들을 하나의 매트릭스로 구성한다. 하나의 트레이닝 영상으로 부터 얻어진 가버 필터링 반응값들을 1차원 어레이로 표현하고, 나머지 트레이닝 영상에 대해서도 동일한 방법을 적용해서 얻어진 1차원 어레이들을 각각이 하나의 행 또는 열을 구성하는 매트릭스로 만든다. 이 매트릭스를 다시 공분산 매트릭스 또는 상관 매트릭스로 변환한다.

차원 공간 변환부(240)는 소정의 차원 공간 변환 방법을 이용하여 매트릭스 생성부(230)에서 구성된 매트릭스에 대응하는 새로운 차원 공간을 만든다. 여기서, 차원 공간 변환 방법은 바람직하게 주 구성요소 분석(PCA) 방법, 독립 구성요소 분석(ICA) 방법 및 비선형 주 구성요소 분석 방법 등이 사용될 수 있다. 대표적으로, 주 구성요소 분석(PCA) 방법은 멀티 차원 이미지 공간에서 고유 벡터(eigen vector)들의 집합을 특징으로 한다.

데이타베이스 생성부(250)는 각 트레이닝 영상을 새로운 차원 공간으로 매핑시킨 후에, 새로운 차원 공간에서의 각 트레이닝 영상에 대한 좌표값을 저장한다. 이때, 새로운 차원 공간으로 이동된 트레이닝 영상들중에서 동일한 사람의 얼굴 영상을 대상으로 클래스를 구성한다.

도 5를 참조하면, 508는 매트릭스 생성부(230)에서 구성된 매트릭스를 나타낸다. 전술한 본 발명의 실시예에서는 하나의 특징점에 대해서 16개의 가버 필터를 적용하는 것으로 가정하였지만, 전술한 수학식 1 에서와 같이 하나의 특징점에 적용 가능한 가버 필터의 수는 그 이상도 가능함은 물론이다. 따라서, 매트릭스에서 한 열은 하나의 트레이닝 영상에 대응하며, 한 열에서 k는 예컨대, 20개의 특징점들에 대해 40개의 가버 필터들을 적용했다면, 800이 된다. 이 매트릭스에 대해 특성 계수 차원 변환을 수행한 결과, 새로운 차원 공간이 만들어지는데, 매트릭스의 한 열은 즉, 새로운 차원 공간에서의 한 좌표값이 된다. 이러한 좌표값들에 510과 같이 얼굴 데이타베이스가 매핑된다.

입력 영상으로 트레이닝 영상들이 순차적으로 입력된 경우에, 지금까지 설명한 구성요소들로 부터 얼굴 모델 데이타베이스가 생성된다. 한편, 실제로 새롭게 인식을 수행해야 할 영상 즉, 입력 영상으로 테스트 영상이 입력되면, 도 2에서 점선으로 표시한 블럭(200)이 트레이닝 영상에 대해 수행된 것과 동일하게 수행된다.

다음에, 매트릭스 생성부(230)는 테스트 영상에 대해 마찬가지로 가버 필터부(220)로 부터 에서 얻은 반응값들을 1차원 어레이로 표현한다. 얼굴 유사도 판단부(260)는 매트릭스 생성부(230)를 거쳐 표현된 1차원 어레이를 차원 공간 변환부(240)에서 이미 만들어진 새로운 차원 공간으로 이동시킨다. 그리고, 데이타베이스 생성부(250)를 참조하여 새로운 차원 공간에서 어떤 클래스에 포함되는지, 유사한 얼굴이 있는지를 식별한다. 최종적으로 얼굴 인식 결과를 출력한다.

지금까지 설명한 본 발명에 의한 얼굴 인식 방법 및 장치는 얼굴을 인식하는 기술을 필요로 하는 응용 제품에 적용가능하다. 예컨대, 보안 장치에 적용될 경우에, 제한된 출입이 필요한 곳에 열쇠나 IC 카드 등을 대신하여 개인의 신체적 특징을 이용하여 출입을 관리할 수 있다.

또한, 얼굴 데이타베이스 검색 장치에 적용될 경우에, 범죄자 리스트 검색등 많은 사람들중 특정인을 찾을 수 있다. 또한, 참석자 카운팅 시스템에 적용될 경우에, 어떤 폐쇄된 공간내에 있는 사람들의 참석 여부를 확인할 수 있다. 이밖에 다른 많은 응용 제품에 적용할 수 있다.

이상에서 설명한 바와 같이, 본 발명에 의한 얼굴 인식 방법 및 그 장치는, 차원 공간 변환을 위한 입력으로 가버 필터링 반응값을 사용함으로써 얼굴의 세부적인 면을 표현해주며, 가버 필터의 특성상 로테이션과 조명의 변화에 강한 특성을 반영하여 얼굴 인식 성능을 높이고, 또한 차원 공간 변환 방법을 적용함으로써 다른 공간에서 얼굴 데이타베이스의 크기를 현저히 줄여 저장할 수 있는 장점이 있다.

Claims (17)

1. 삭제
2. (a1) 얼굴 인식에 참조가 되도록 순차적으로 입력된 각 트레이닝 영상에서 추출된 얼굴의 특징점들 각각에 대해 다양한 방향성과 주파수를 갖는 가버 필터들의 집합을 적용시켜 반응값들을 얻는 단계;

   (a2) 상기 반응값들을 1차원 어레이로 표현하고, 각 트레이닝 영상에 대해 얻어진 1차원 어레이들을 하나의 매트릭스로 구성하는 단계;

   (a3) 소정의 차원 공간 변환 방법을 이용하여 상기 매트릭스에 대응한 새로운 차원 공간을 만드는 단계;

   (a4) 각 트레이닝 영상을 새로운 차원 공간으로 매핑시키고, 새로운 차원 공간에서의 각 트레이닝 영상에 대한 좌표값을 저장하여 얼굴 모델 데이타베이스를 생성하는 단계;

   (b1) 입력된 테스트 영상에서 추출된 얼굴의 특징점들 각각에 대해 다양한 방향성과 주파수를 갖는 가버 필터들의 집합을 적용시켜 반응값들을 얻는 단계;

   (b2) 상기 반응값들을 1차원 어레이로 표현하는 단계;

   (b3) 상기 1차원 어레이를 상기 새로운 차원 공간으로 이동시키는 단계; 및

   (b4) 상기 얼굴 모델 데이타베이스를 참조하여 상기 테스트 영상에 대한 유사한 얼굴을 식별하는 단계를 구비하는 것을 특징으로 하는 얼굴 인식 방법.
3. 삭제
4. 제2항에 있어서, 상기 (a2) 단계에서 상기 매트릭스는,

   상기 1차원 어레이가 하나의 열 또는 행을 구성하는 매트릭스에 대한 공분산 매트릭스인 것을 특징으로 하는 얼굴 인식 방법.
5. 제2항에 있어서, 상기 (a2) 단계에서 상기 매트릭스는,

   상기 1차원 어레이가 하나의 열 또는 행을 구성하는 매트릭스에 대한 상관 매트릭스인 것을 특징으로 하는 얼굴 인식 방법.
6. 제2항에 있어서, 상기 (a3) 단계에서 상기 소정의 차원 공간 변환 방법은,

   주 구성요소 분석(PCA) 방법인 것을 특징으로 하는 얼굴 인식 방법.
7. 제2항에 있어서, 상기 (a3) 단계에서 상기 소정의 차원 공간 변환 방법은, 독립 구성요소 분석(ICA) 방법인 것을 특징으로 하는 얼굴 인식 방법.
8. 제2항에 있어서, 상기 (a3) 단계에서 상기 소정의 차원 공간 변환 방법은,

   비선형 주 구성요소 분석 방법인 것을 특징으로 하는 얼굴 인식 방법.
9. 입력 영상에서 추출된 얼굴영역에서 가버 필터에 적용할 소정수의 특징점들을 추출하는 얼굴 특징점 추출기;

   상기 특징점들 각각에 대해 다양한 방향성과 주파수를 갖는 가버 필터들의 집합을 적용시켜 반응값들을 얻는 가버 필터부;

   상기 반응값들을 1차원 어레이로 표현하고, 상기 입력 영상으로 트레이닝 영상들이 순차적으로 입력된 경우에 각 트레이닝 영상에 대해 각각 얻어진 1차원 어레이들을 하나의 매트릭스로 구성하는 매트릭스 생성부;

   소정의 차원 공간 변환 방법을 이용하여 상기 매트릭스에 대응한 새로운 차원 공간을 만드는 차원 공간 변환부;

   각 트레이닝 영상을 상기 새로운 차원 공간으로 매핑시키고, 새로운 차원 공간에서의 각 트레이닝 영상에 대한 좌표값을 저장하는 얼굴 모델 데이타베이스 생성부;및

   상기 입력 영상으로 테스트 영상이 입력될 경우에, 상기 가버 필터부 및 상기 매트릭스 생성부를 거쳐 표현된 1차원 어레이를 상기 새로운 차원 공간으로 이동시키고, 상기 얼굴 모델 데이타베이스를 참조하여 유사한 얼굴을 식별하는 상기 얼굴 유사도 판단부를 포함하는 것을 특징으로 하는 얼굴 인식 장치.
10. 제9항에 있어서, 상기 얼굴 인식 장치는,

    입력 영상에서 얼굴의 특정 생김새의 위치를 검출하는 얼굴 감지기;

    상기 위치에 근거하여 얼굴 영역을 추출하는 얼굴 영역 추출기;

    추출된 얼굴 영역과 가버 필터가 서로 일정비를 갖도록 적어도 하나의 크기를 변환시키는 크기 변환기; 및

    추출된 얼굴 영역에서 가버 필터에 적용할 소정수의 특징점들을 추출하는 얼굴 특징점 추출기를 더 포함하는 것을 특징으로 하는 얼굴 인식 장치.
11. 제10항에 있어서, 상기 얼굴 인식 장치는,

    상기 얼굴 특징점 추출기로 입력될 상기 추출된 얼굴 영역에 대해 히스토그램 평활화 과정을 거쳐 조명의 영향을 감소시키는 영상 전처리기를 더 포함하는 것을 특징으로 하는 얼굴 인식 장치.
12. 제9항에 있어서, 상기 얼굴 모델 데이타베이스 생성부는,

    각 트레이닝 영상을 새로운 차원 공간으로 이동시킨 후에, 트레이닝 영상들중 동일한 사람의 얼굴 영상이 분포한 공간을 찾아 새로운 차원 공간에서 클래스로 구분하는 것을 특징으로 하는 얼굴 인식 장치.
13. 제9항에 있어서, 상기 매트릭스는,

    상기 1차원 어레이가 하나의 열 또는 행을 구성하는 매트릭스에 대한 공분산 매트릭스인 것을 특징으로 하는 얼굴 인식 장치.
14. 제9항에 있어서, 상기 매트릭스는,

    상기 1차원 어레이가 하나의 열 또는 행을 구성하는 매트릭스에 대한 상관 매트릭스인 것을 특징으로 하는 얼굴 인식 장치.
15. 제9항에 있어서, 상기 소정의 차원 공간 변환 방법은,

    주 구성요소 분석(PCA) 방법인 것을 특징으로 하는 얼굴 인식 장치.
16. 제9항에 있어서, 상기 소정의 차원 공간 변환 방법은,

    독립 구성요소 분석(ICA) 방법인 것을 특징으로 하는 얼굴 인식 장치.
17. 제9항에 있어서, 상기 소정의 차원 공간 변환 방법은,

    비선형 주 구성요소 분석 방법인 것을 특징으로 하는 얼굴 인식 장치.