KR100390569B1 - 크기와 회전에 무관한 지능형 얼굴검출 방법 - Google Patents

Abstract

본 발명에 따른 크기와 회전에 무관하게 얼굴을 검출하기 위한 방법은 카메라와 같은 입력장치에 의하여 정지 영상을 입력하고, 조명을 포함한 주변환경변화나 얼굴의 회전에 무관하게 차영상을 적용하여 배경영상으로부터 얼굴의 후보영역을 분리하고, 크기에 무관한 얼굴을 검출하기 위하여 계층적으로 피라미드 영상을 표현하고, 계층적으로 표현된 피라미드 영상에 대하여 20×20 윈도우를 적용하여 스캐닝하고, 조명의 밝기를 조절하기 위하여 히스토그램 평활화를 수행하고, 기울어진 얼굴의 회전 각도를 추정하고, 추정한 회전각도를 이용하여 바로 선 얼굴로 복원하고, 그리고 상기에서 복원된 영상을 신경망의 입력으로 하여 얼굴인지를 판단하는 단계로 이루어진다. 조명의 변화가 심한 경우에, 배경 영상에서 적절한 후보 영역을 설정하는 것이 곤란하기 때문에, 얼굴 영상을 정확히 탐지할 수 없게 된다. 이를 해결하기 위하여 영상의 밝기 차이와 에지(edge) 차이를 동시에 고려하여 후보 영역을 설정하고, 히스토그램 평활화(histogram equalization)를 수행하여 조명의 영향을 덜 받을 수 있도록 한다.

Description

크기와 회전에 무관한 지능형 얼굴검출 방법 {Scale and Rotation Invariant Intelligent Face Detection}

발명의 분야

본 발명은 조명상태의 변화, 표정의 변화, 얼굴의 수, 크기 또는 회전에 무관하게 얼굴을 검출할 수 있는 방법에 관한 것이다. 보다 구체적으로 본 발명은 얼굴을 탐지하기 위한 후보영역을 효율적으로 결정함으로써 조명상태, 얼굴표정이나 얼굴의 회전 위치의 변화에 무관하게 정확하고 신속하게 얼굴을 검출할 수 있는 방법에 관한 것이다.

발명의 배경

얼굴 인식 시스템에서, 영상으로부터 얼굴의 유무와 정확한 얼굴위치를 탐지한다는 것은 표정, 연령, 남녀 등으로 인한 얼굴의 다양한 변화와 차이, 얼굴의 크기나 회전과 같은 시점에 따른 변화, 조명의 변화, 안경의 착용 여부, 잡음, 얼굴(사람)의 수 등의 많은 요인 때문에, 복잡하고 어려운 문제이다. 얼굴 인식 시스템의 핵심은 이러한 얼굴 영상 변화에 영향을 받지 않고 안정적인 얼굴 인식 성능을 구현하는 것이다. 안정된 성능을 갖는 얼굴 인식 시스템의 개발은 회사, 연구소, 은행 등에서의 보안 시스템이나 휴먼 컴퓨터 인터페이스(human-computer interface) 등의 분야에 상당히 중요하게 적용될 수 있다. 종래의 얼굴 검출 시스템은 크게 (1) 특징(feature) 대응에 기초한 방법과, (2) 원형정합(template- matching)에 기초한 방법으로 구분해 볼 수 있다.

특징 대응에 기초한 방법은 얼굴 영상으로부터 특징들을 추출해 내고, 추출된 특징과 입력된 영상을 서로 비교하여 얼굴을 식별하는 방법으로, 이 방법은 얼굴의 특징을 추출하는데 소요되는 계산이 복잡하여 추출시간이 많이 걸리는 단점이있으며, 또한 효과적인 특징의 선정이 어렵기 때문에 얼굴을 정확하게 검출할 수 없는 결정적인 문제를 내포하고 있다.

원형정합에 기초한 방법은 영상들을 화소의 밝기로 부호화하고, 단순한 원형, 또는 확률 모형에 근거한 얼굴 영상의 원형과 비교하는 방법으로, 이 방법은 수많은 얼굴들을 잘 대표할 수 있는 모형의 선정이 어렵다는 단점이 있다.

또한 상기 종래의 얼굴 검출방법은 단지 바로선(upright) 정면(frontal) 얼굴만을 검출할 수 있는 방법으로, 실제상황에서 나타날 수 있는 얼굴의 회전 각도의 변화에 따른 얼굴을 올바로 탐지할 수 없다.

따라서 본 발명자는 얼굴의 특징을 추출하는데 소요되는 계산이 복잡하지 않음으로써 추출시간이 많이 걸리지 않으며, 후보영역을 효율적으로 결정함으로써 얼굴을 정확하게 검출할 수 있고, 바로선(upright) 정면(frontal) 얼굴은 물론 실제상황에서 흔히 나타날 수 있는 얼굴의 회전 각도의 변화에 따른 얼굴도 올바로 탐지할 수 있는 본 발명의 방법을 개발하기에 이른 것이다.

본 발명의 목적은 영상평면(image plane) 내에서 임의로 회전된 정면 얼굴을 검출할 수 있는 지능형 얼굴검출 방법을 제공하기 위한 것이다.

본 발명의 또 다른 목적은 얼굴의 회전에 대한 추정과 얼굴의 식별을 분리함으로써, 회전의 추정과 식별을 동시에 수행하는 것보다 빠르고, 정확한 결과를 보장할 수 있는 지능형 얼굴검출 방법을 제공하기 위한 것이다.

본 발명의 또 다른 목적은 후보영역을 효율적으로 결정함으로써 얼굴을 정확하게 검출할 수 있는 지능형 얼굴검출 방법을 제공하기 위한 것이다.

본 발명의 또 다른 목적은 조명이나 배경 등의 환경변화에 무관하게 얼굴을 정확하게 검출할 수 있는 지능형 얼굴검출 방법을 제공하기 위한 것이다.

본 발명의 또 다른 목적은 머리 모양, 얼굴 표정, 및 안경이나 모자 착용 등의 얼굴의 변화에 무관하게 얼굴을 정확하게 검출할 수 있는 지능형 얼굴검출 방법을 제공하기 위한 것이다.

본 발명의 또 다른 목적은 얼굴의 크기나 회전 등의 시점의 변화에 무관하게 얼굴을 정확하게 검출할 수 있는 지능형 얼굴검출 방법을 제공하기 위한 것이다.

본 발명의 또 다른 목적은 영상 내 사람 수의 변화에 무관하게 얼굴을 정확하게 검출할 수 있는 지능형 얼굴검출 방법을 제공하기 위한 것이다.

본 발명의 상기 및 기타의 목적들은 하기 상세히 설명되는 본 발명에 의하여 모두 달성될 수 있다.

도1은 본 발명에 따른 크기와 회전에 무관한 지능형 얼굴검출 방법의 단계들을 개략적으로 도식화한 도면이다.

도2는 본 발명에 따라 얼굴을 검출하기 위한 영상의 한 예로 (가)는 입력 영상이고 (나)는 출력 영상이다.

도3은 본 발명에 따른 크기와 회전에 무관한 지능형 얼굴검출 방법의 흐름도이다.

도4는 본 발명에 따라 얼굴을 검출하기 위하여 후보영역을 검출하는 알고리즘의 흐름도이다.

발명의 요약

본 발명에 따른 크기와 회전에 무관하게 얼굴을 검출하기 위한 방법은 카메라와 같은 입력장치에 의하여 정지 영상을 입력하고, 조명을 포함한 주변환경변화나 얼굴의 회전에 무관하게 차영상을 적용하여 배경영상으로부터 얼굴의 후보영역을 분리하고, 크기에 무관한 얼굴을 검출하기 위하여 계층적으로 피라미드 영상을표현하고, 계층적으로 표현된 피라미드 영상에 대하여 20×20 윈도우를 적용하여 스캐닝하고, 조명의 밝기를 조절하기 위하여 히스토그램 평활화를 수행하고, 기울어진 얼굴의 회전 각도를 추정하고, 추정한 회전각도를 이용하여 바로 선 얼굴로 복원하고, 그리고 상기에서 복원된 영상을 신경망의 입력으로 하여 얼굴인지를 판단하는 단계로 이루어진다. 조명의 변화가 심한 경우에, 배경 영상에서 적절한 후보 영역을 설정하는 것이 곤란하기 때문에, 얼굴 영상을 정확히 탐지할 수 없게 된다. 이를 해결하기 위하여 영상의 밝기 차이와 에지(edge) 차이를 동시에 고려하여 후보 영역을 설정하고, 히스토그램 평활화(histogram equalization)를 수행하여 조명의 영향을 덜 받을 수 있도록 한다. 이하 첨부된 도면을 참고로 본 발명의 내용을 하기에 상세히 설명한다.

발명의 구체 예에 대한 상세한 설명

본 발명은 얼굴을 탐지하기 위한 후보영역을 영상의 밝기 차이와 에지(edge) 차이를 동시에 고려하여 효율적으로 결정함으로써 그리고 얼굴의 회전에 대한 추정과 얼굴의 식별을 분리함으로써, 조명상태, 얼굴표정이나 얼굴의 회전 위치의 변화에 무관하게 정확하고 신속하게 얼굴을 검출할 수 있는 방법에 관한 것이다.

실시간에 얼굴을 탐지하기 위해서는 입력 영상으로부터 얼굴이 포함된 탐색영역을 적절히 제한하는 것이 필수적이다. 종래의 대표적인 방법은 영상의 밝기차이를 이용하는 방법인데, 이 경우 움직임이 없는 부분이라 할지라도 조명의 변화가 심할 경우에는 후보영역으로 선정하게 되는 단점이 있다. 본 발명에서는 단지 밝기의 차이만을 이용하는 것이 아니라, 에지(edge)의 차이와 밝기의 차이를 동시에 고려하는 방법을 사용함으로서 영상에서 조명의 변화만으로 생긴 밝기의 변화는 무시할 수 있어 효율적인 후보영역을 설정할 수 있다. 이 때, 상기 에지의 차이 및 밝기의 차이를 이용하여 차영상을 인식하는 과정 각각은 본 발명분야의 통상의 지식을 가진 자에 의하여 용이하게 이해될 수 있다.

종래의 시스템들과는 달리, 본 발명에 따른 방법은 영상평면(image plane)내에서 임의로 회전된 정면 얼굴을 검출해 낼 수 있다. 기존의 얼굴검출 방법을 가지고 회전된 얼굴을 식별하기 위해서는, 입력 영상을 정해진 각도마다 회전시켜 분류기의 입력패턴으로 설정해야 하는데, 이러한 방법은 요구되는 계산복잡도가 크기 때문에 실시간 시스템에 적용하는 것이 어렵다. 본 발명에서는 얼굴의 회전에 대한 추정과 얼굴의 식별을 두 단계로 분리함으로써, 모든 하위 영상에 대해 회전의 추정과 식별을 동시에 수행하는 것보다 빠르고, 정확한 결과를 보장할 수 있다.결과적으로, 상술한 후보영역의 설정과정 및 회전 추정과 식별의 분리를 통하여 실시간 얼굴검출이 가능하도록 하는 것이다.

도1은 본 발명에 따른 크기와 회전에 무관한 지능형 얼굴검출 방법의 단계들을 개략적으로 도식화한 도면이고, 도2는 본 발명에 따라 얼굴을 검출하기 위한 영상의 한 예로 (가)는 입력 영상이고 (나)는 출력 영상이다.

본 발명에서는 인공신경망을 이용하여 가중치를 포함한 파라메터들을 훈련 예제로부터 자동적으로 학습하여 설정하므로, 사전에 확률 모형을 설정할 필요가 없을 뿐만 아니라, 실제의 시스템에 적용할 경우 추가적인 학습이 용이한 식별방법을 제공한다. 이 때, 다층 신경망(Multi-layer Neural Network) 구조를 통하여 백프로파게이션(back propagation) 알고리즘 학습방법을 사용한 경우에는 모든 입력영상에 대하여 출력영상의 추정이 가능함은 본 발명분야의 통상의 지식을 가진 자에게는 자명한 사실임을 밝혀둔다. 다만, 본 발명은 이러한 신경망 구조 및 학습방법을 얼굴 회전각도의 추정 및 얼굴의 유무 판정에 적용한 것이다.

본 발명에서는 신경망을 이용하여 얼굴을 검출하기 때문에 종래의 얼굴 검출 방법에 비하여 얼굴의 특징을 추출하는데 소요되는 계산복잡도가 크지 않으며, 특히 정확한 검출을 위한 효과적인 특징의 선정이 용이하다는 장점이 있다.

아울러, 본 발명에서는 (1) 조명이나 배경 등의 환경변화, (2) 머리 모양, 얼굴 표정 및 안경 착용 등의 얼굴의 변화, (3) 얼굴의 크기, 회전 등의 시점의 변화, (4) 영상내 사람 수의 변화 등에 무관하게 정확하고 신속하게 얼굴을 검출할 수 있는 방법을 제공하기 위한 것이다.

본 발명에서는 패턴을 추출하여 얼굴을 탐지하는 방법의 단점인 얼굴의 변화가 심한 영상에 대한 탐지가 어려운 점을 극복하고 얼굴표정 변화, 안경을 착용한 얼굴 영상 등의 정확한 탐지를 위하여, 상술한 바와 같이 다양한 패턴의 얼굴 영상을 인공신경망, 즉 다층신경망을 통해서 사전에 학습시킴으로써 얼굴의 변화가 심한 영상에 대해서도 탐지율을 높일 수 있다.

얼굴의 크기 변화를 해결하기 위하여 영상을 계층적으로 표현하며, 기존의 얼굴 탐지 시스템의 단점인 바로 선 얼굴만 검출할 수 있다는 점을 기술적으로 해결하기 위하여, 회전 추정 신경망을 추가함으로써, 기울어진 얼굴에 대하여 회전 각도를 추정하고 추정된 회전 각도에 기반하여 바로 선 얼굴로 복원한 후 얼굴의 유·무를 판단함으로써 기울어진 얼굴도 탐지한다. 이렇게 얼굴의 회전을 추정하는 모듈과 얼굴의 유·무를 판단하는 모듈을 분리하여 구현함으로써, 모든 윈도우에서 회전과 식별을 동시에 수행하는 것보다 적은 메모리 용량에 빠른 연산을 수행할 수 있다.

본 발명에서는 계층적인 표현과 윈도우 기법을 통해 사람의 수에 무관하게 얼굴을 탐지하는 것이 가능해지며, 서로 다른 크기, 서로 다른 회전각도로 기울어진 얼굴이 혼재해 있어도 각각을 탐지해 낼 수 있다.

도3은 본 발명에 따른 크기와 회전에 무관한 지능형 얼굴검출 방법의 흐름도이고, 도4는 본 발명에 따라 얼굴을 검출하기 위하여 후보영역을 검출하는 알고리즘의 흐름도이다.

본 발명의 얼굴 탐지 방법은 오프라인으로 이루어지는, 즉 사전에 이루어지는 학습 방법과, 실시간으로 이루어지는 탐지 방법으로 나뉘어 이루어진다.

본 발명에 따른 학습 방법을 상세히 설명하면 다음과 같다. 이러한 학습방법은 조명상태의 변화, 얼굴의 수 및 크기, 회전에 무관한 얼굴탐지를 위한 패턴 벡터, 즉 입력패턴벡터 및 출력패턴벡터를 형성하기 위한 것으로서, 다수의 바로선 얼굴(frontal face)를 임의의 각도로 회전하고, 이 각도에 대한 정보 및 얼굴정보를 학습자료로 사용한다. 구체적으로 살피면 다음과 같다.우선 카메라와 같은 입력 장치에 의하여 학습영상을 입력하고; N명의 바로선 얼굴(frontal face)에 대해 각각 랜덤하게 ±45°안에서 회전된 n×n(바람직하게는 20 × 20로서 이하에서는 20 ×20을 대표적으로 사용한다) 크기의 영상 M개(전체 N × M개의 영상)를 생성하고; 상기 각각의 영상에 대해서 히스토그램 평활화(Histogram Equalized)를 수행하고; 상기 각각의 영상를 400 × 1의 행렬로 생성하여 열 단위로 통합함으로써 400 × N 의 행렬을 구한다. 이 때, 상기 400 ×N의 행렬이 입력패턴벡터가 된다. 아울러 상기 각각의 영상에 있어서, 각각의 영상이 회전된 각도를 공식 (1)의 θ에 대입한 후 36 × 1 행렬을 생성하여, 열 단위로 통합한 36 × N 행렬을 구한다. 이 때, 상기 36 ×N 행렬이 출력패턴벡터가 된다. 이렇게 구해진 입력패턴벡터와 출력패턴벡터가 인공신경망에 학습 데이터로서 입력된다.

cos(θ－i * 10°) 공식(1)

상기식에서i는 0부터 35 까지의 정수임.상술한 바와 같이, 다층신경망의 구조를 갖는 인공신경망에 백프로파게이션 알고리즘과 같은 학습방법을 적용한 경우에 있어서, 영상정보, 즉 윈도우에 대한 입력패턴벡터와 각도에 대한 정보를 갖는 출력패턴벡터를 학습데이터로 제공하면, 상기 인공신경망은 학습을 통하여 향후에는 입력되는 영상정보에 대하여 얼굴이 회전된 각도를 추정하여 출력할 수 있게 된다.

도1에 도시된 바와 같이, 본 발명에서 제시된 학습 방법은, 회전 추정 신경망이 얼굴이 있다는 가정 하에서 N명의 바로선 얼굴(frontal face)에 대해 각각 랜덤하게 ±45°안에서 회전된 20 × 20 영상 M개(총 N × M개 영상)를 생성하고, 각 영상에 대해서 히스토그램 평활화(Histogram Equalized)를 적용한다.

탐지 신경망은 얼굴의 유무를 결정하는 신경망으로서 M개의 얼굴(20 × 20 윈도우)이 있는 윈도우에 대해선 출력값이 1 이 되도록 하고, K개의 얼굴(20 × 20 윈도우)이 없는 윈도우에 대해선 출력값이 -1 이 되도록 학습시키고, 잘못된 탐지를 한 윈도우들에 대해선 다시 랜덤하게 추출해서 재학습을 시킨다. 그렇게 하게 되면, 실시간에서 처리할 때 오탐지율을 줄일 수 있게 된다.

본 발명에 따른 탐지 방법은 카메라와 같은 입력장치에 의하여 정지 영상을 입력하고, 조명이나 얼굴의 회전과 같은 주변환경변화에 무관하게 차영상을 적용하여 배경영상으로부터 얼굴의 후보영역을 설정하고, 크기에 무관한 얼굴을 검출하기 위하여 계층적으로 피라미드 영상을 표현하고, 계층적으로 표현된 피라미드 영상에 대하여 20×20 윈도우를 적용하여 스캐닝하고, 조명의 밝기를 조절하기 위하여 히스토그램 평활화를 수행하고, 기울어진 얼굴의 회전 각도를 추정하고, 추정한 회전각도를 이용하여 바로 선 얼굴로 복원하고, 그리고 상기에서 구해진 영상과 입력된 영상을 서로 비교하는 단계로 이루어진다.

도4에 도시된 바와 같이, 탐지 방법은 다음과 같은 단계를 거치게 된다.

우선 실시간 탐지를 보장하기 위하여 입력 영상을 배경 영상과 각각 밝기와 에지(edge)의 유무를 비교하여 후보영역을 결정하고, 서로 다른 크기의 얼굴을 탐지하기 위하여 비율을 1.2로 하여 후보영역을 피라미드(pyramid) 영상으로 표현하고, 각 계층의 피라미드영상에 대해서 20 × 20 픽셀 윈도우를 적용하여 영상에서 탐지할 윈도우(window)를 추출하고, 조명의 변화에 무관하도록 히스토그램 평활화(histogram equalization)를 수행한다.

그 다음 얼굴의 회전을 추정하게 되는데, 이 단계에서는 추출된 20 × 20 윈도우를 하나의 열(400 × 1 행렬)로 만들어서 학습된 Hidden Units 에 입력함으로서 회전된 얼굴의 각도를 추정할 수 있게 된다. 여기서 얼굴의 회전 각도 추정은 15 개의 Hidden Units과 36 개의 출력 노드로 구성된 회전 추정 신경망을 통해서 얻어지게 되는데 얼굴의 회전 추정 각도는 하기 공식(2)에 의해서 구할 수 있다:

공식(2)

상기식에서i는 0부터 35 까지의 정수이고, output은 상기 출력노드에서 출력된 값임.환원하면, 인공신경망에 정지영상을 입력하면, 일단 후보영역을 설정한 후, 이로부터 계층적 피라미드 방식으로 상기 정지영상 전체를 20 ×20 픽셀의 윈도우로 스캐닝한다. 이때, 각각의 윈도우엥 대해서 상기 영상의 회전각도를 추정하게 되는데, 이는 사전에 학습된 인공신경망에 상기 얼굴에 대한 20 ×20 윈도우를 입력으로 제공하면, 상기 인공신경망의 36개의 출력노드가 각도에 대한 정보를 담고 있는 36 ×1 행렬, 즉 출력패턴벡터를 출력한다. 이 때, 상기 출력패턴벡터를 공식(2)의 output에 대입함으로써 회전각도가 XY 좌표값으로 출력되는 것이다.

마지막으로 상기 추정된 회전 각도에 기초하여 똑바로선 얼굴(upright face)로 복원하고, 상기에서 복원된 영상과 입력된 영상을 탐지 신경망에서 서로 비교하고, 중복된 탐지 또는 오탐지를 해결하는 후처리 단계를 거쳐서 최종적으로 얼굴의 유무, 크기 및 위치를 탐지하게 된다.

본 발명에서 제시된 얼굴 탐지 방법을 CMU 데이터베이스(비교 데이터베이스)와 자체 제작한 SKK 데이터베이스(실시 데이터베이스)에 대하여 실험하였다. 회전추정 신경망의 데이터베이스는 160명으로 구성되었으며, 각각의 사람마다 50 개의 다른 각도를 가진 얼굴 영상들로 이루어졌다. 탐지신경 네트워크의 데이터베이스는 얼굴 영상 200 개와 얼굴을 포함하지 않은 영상 2000 개로 이루어졌다. 실험결과 조명변화가 심하고 기울어진 얼굴 영상을 제안된 얼굴 탐지 방법에서는 90% 이상 탐지하여 탐지율이 크게 향상되었음을 알 수 있다.

본 발명에서는 단지 밝기의 차이만을 이용하는 것이 아니라, 에지(edge)의 차이와 밝기의 차이를 동시에 고려하는 방법을 사용함으로서 영상에서 조명의 변화만으로 생긴 밝기의 변화는 무시할 수 있어 효율적인 후보영역을 설정함으로서 적은 메모리 용량과 빠른 시간 내에 탐지가 가능하다.

본 발명은, 첫째, 영상의 계층적인 표현을 통해 얼굴의 크기가 달라도 식별이 가능하고, 둘째, 회전된(rotated) 얼굴도 식별할 수 있으며, 셋째, 후보영역을 제한하는 전처리 단계에서 종래의 방법인 밝기차이에 기반한 차영상 만이 아니라, 에지의 차이도 함께 고려함으로써 조명의 변화에 무관하게 배경영상으로부터, 탐색할 후보 영역을 결정하며, 넷째, 학습기능을 갖는 인공신경망을 이용하여 얼굴의 식별을 수행하기 때문에, 학습이 종료된 이후에도 쉽게 추가로 학습하는 기능을 갖출 수 있고, 다섯째, 얼굴의 회전에 대한 추정과, 얼굴의 식별을 두 단계로 분리함으로써, 모든 윈도우에서 회전과 식별을 동시에 수행하는 것보다 빠르고, 정확한 결과를 보장할 수 있는 발명의 효과를 갖는다.

본 발명의 단순한 변형 내지 변경은 이 분야의 통상의 지식을 가진 자에 의하여 용이하게 이용될 수 있으며, 이러한 변형이나 변경은 모두 본 발명의 영역에 포함되는 것으로 볼 수 있다.

Claims (8)

1. 카메라와 같은 입력장치를 통하여 입력된 정지영상과 상기 정지영상이 입력되기 이전의 배경영상과의 차영상을 생성함으로써 상기 정지영상으로부터 얼굴의 후보영역을 설정하고;

   상기 후보영역을 계층적 피라미드 영상으로 표현하고;

   상기 계층적으로 표현된 피라미드 영상에 대하여 n ×n 픽셀의 윈도우를 적용하여 스캐닝하고;

   조명의 밝기를 조절하기 위하여 상기 스캐닝된 영상에 대하여 히스토그램 평활화를 수행하고;

   영상내에서 기울어진 얼굴의 회전각도를 추정하고;

   추정한 회전각도를 이용하여 바로 선 얼굴로 복원하고; 그리고

   상기 복원된 영상과 입력된 영상을 서로 비교하는;

   단계로 이루어지는 것을 특징으로 하는 얼굴검출 방법.
2. 제1항에 있어서, 상기 후보영역을 설정하는 단계는 상기 정지영상과 배경영상의 밝기 차이 및 에지(edge) 차이를 탐색하는 것을 특징으로 하는 얼굴검출 방법.
3. 제1항에 있어서, 상기 n ×n 픽셀은 20 ×20 픽셀이고, 상기 얼굴의 회전 각도를 추정하는 단계는

   상기 추출된 20 ×20 픽셀 윈도우를 하나의 열(400 ×1 행렬)로 만들고;

   사전에 학습된 15 개의 히든 유닛(Hidden Units) 및 36 개의 출력 노드로 구성된 인공신경망에 상기 400 ×1 행렬을 입력하고; 그리고

   상기 인공신경망이 사전에 학습된 바에 따라 얼굴의 회전 각도를 추정하는;

   단계로 이루어지고, 상기 얼굴의 회전 추정 각도는 하기 공식(2)에 의해서 구해지는 것을 특징으로 하는 얼굴의 크기와 회전에 무관하게 얼굴검출 방법:

   공식(2)

   상기 식에서i는 0부터 35 까지 정수이고, output은 상기 36개의 출력노드에서 출력된 값임.
4. 제3항에 있어서, 상기 학습방법은

   카메라와 같은 입력 장치에 의하여 N명의 바로선 얼굴(frontal face)에 대한 학습영상을 입력하고, 상기 학습영상에 대해 각각 랜덤(random)하게 ±45°안에서 회전된 20 ×20 윈도우 M개(전체 N × M개의 윈도우)를 생성하고, 상기 각각의 윈도우에 대해서 히스토그램 평활화를 수행하고, 그리고 상기 각각의 윈도우를 하나의 열(400 ×1 행렬)로 형성하고; 그리고 공식 (1)의 θ에 상기 각각의 윈도우에 해당하는 얼굴의 회전된 각도를 대입함으로써 하나의 열(36 ×1 행렬)로 형성하고; 그리고 상기 각각의 400 ×1 행렬과 이에 대응하는 각각의 36 ×1 행렬을 상기 인공신경망에 학습자료로 제공하는 것을 특징으로 하는 얼굴검출 방법.

   cos(θ－i * 10°) 공식(1)

   상기 식에서i는 0부터 35 까지의 정수임;
5. 제4항에 있어서, 상기 인공신경망은 K개의 얼굴(20 × 20 윈도우)이 있는 윈도우에 대해서는 출력값이 1 이 되도록 하고, L개의 얼굴(20 × 20 윈도우)이 없는 윈도우에 대해서는 출력값이 -1 이 되도록 학습시키고, 그리고 잘못된 탐지를 한 윈도우들에 대해선 다시 랜덤하게 추출해서 재학습을 시키는 것을 특징으로 하는 얼굴검출 방법.
6. 삭제
7. 삭제
8. 삭제