KR100472953B1 - Face region detecting method using support vector machine - Google Patents

Abstract

본 발명은 카메라로부터 입력된 영상에서 얼굴 영역을 보다 빠르고 정확하게 검출하여 실시간 얼굴 검출을 가능케 하는 SVM을 이용한 얼굴 영역 검출 방법에 관한 것으로서, 카메라로 촬영된 영상에서 명암 정보를 이용하여 눈 쌍 후보를 검출하고, 상기 추출된 두 눈의 중심을 이용하여 기울기 보정 및 얼굴 영역을 정규화 한 후, 상기와 같이 정규화된 얼굴 후보 영역들을 미리 학습시킨 SVM 검증기를 통해 검증하여 가장 확률이 높은 얼굴 후보 영역을 얼굴 영역으로 검출하도록 하는 것이다.The present invention relates to a face area detection method using an SVM that detects a face area in an image input from a camera more quickly and accurately, thereby enabling real-time face detection. An eye pair candidate is detected using contrast information in an image captured by a camera. After normalizing the slope and the face region by using the centers of the extracted eyes, the face candidate region having the highest probability is verified by an SVM verifier that previously trained the normalized face candidate regions as described above. Is to be detected.

Description

ＳＶＭ을 이용한 얼굴 영역 검출 방법{FACE REGION DETECTING METHOD USING SUPPORT VECTOR MACHINE}FACE REGION DETECTING METHOD USING SUPPORT VECTOR MACHINE}

본 발명은 카메라로부터 입력된 영상에서 얼굴 영역을 검출하는 방법에 관한 것이며, 먼저 명암 정보를 이용하여 두 눈의 후보 영역들을 검출하고, 이를 이용하여 각각의 얼굴 후보 영역들에 대해 기울기 보정 및 정규화를 수행한 후, SVM검증기를 통해 얼굴 영역임을 최종적으로 판단함으로써 보다 빠르고 신뢰성 있는 SVM을 이용한 얼굴 영역 검출 방법에 관한 것이다.The present invention relates to a method for detecting a face region in an image input from a camera. First, candidate regions of two eyes are detected using contrast information, and slope correction and normalization are performed for each face candidate region using the same. After performing the SVM verifier, the present invention relates to a facial region detection method using SVM, which is faster and more reliable by finally determining that the facial region is an SVM verifier.

일반적으로, 보안이나 사용자 인식에 사용되는 얼굴 인식 기술은 크게 얼굴 검출, 특징 추출, 동일성 검증의 세가지 단계로 이루어진다.In general, the face recognition technology used for security or user recognition consists of three stages: face detection, feature extraction, and identity verification.

얼굴 인식 결과에 대한 성능을 높이기 위해서는 무엇보다도 첫 번째 과정인 정확한 얼굴의 검출이 선행되어야 한다. 특히, 얼굴의 전체적인 특징을 이용하는 얼굴 인식 방법에 있어서는 얼굴 영역을 얼마나 정확히 검출하는가 하는 문제가 얼굴 인식의 성능을 좌우하게 된다.In order to improve the performance of the face recognition result, first of all, accurate face detection must be preceded. In particular, in the face recognition method using the overall features of the face, the problem of how accurately the face area is detected determines the performance of the face recognition.

얼굴 영역 검출을 위하여 기존에는 두 눈의 중심을 먼저 찾고, 이를 이용하여 얼굴 영역을 검출하는데 있어서, 탐지된 여러 개의 눈의 쌍 후보들 중에서 탬플릿 매칭 방법 또는 다른 결정 규칙을 사용하여 하나의 눈 쌍을 결정한 후, 결정된 눈쌍을 중심으로 얼굴 영역을 검출하고 있다.Conventionally, in order to detect a face region, a center of two eyes is first found and a face region is detected by using a template matching method or another decision rule among multiple detected pairs of eyes. Then, the face area is detected around the determined eye pair.

그런데, 이러한 방법은 얼굴 검출 속도가 빠르고 기울어진 얼굴에 대한 기울기 보정이 용이하지만, 눈썹이나 머리카락을 눈으로 오인식할 수 있으며 그에 따라 잘못된 영역을 얼굴로 검출하는 경우가 많이 발생한다는 단점이 있다.By the way, this method has a fast face detection speed and easy to correct the tilt for the inclined face, but there is a disadvantage in that the eyebrow or hair can be misidentified by the eye, and thus, the wrong area is often detected by the face.

얼굴 영역 검출의 다른 방법으로, 얼굴의 탬플릿을 학습시킨 신경망이나 SVM(Support Vector Machine)을 이용하는 방법이 있으나, 이는 전체 영상에 대해서 피라미드 기법으로 영상의 크기를 줄여나가며 스캔해서 얼굴의 유무를 판단하는 것이기 때문에, 처리시간이 길고 따라서 실시간 얼굴 영역 검출의 경우에는 적용하기 힘들다는 단점이 있다.As another method of face area detection, there is a method using a neural network or a SVM (Support Vector Machine) that has learned a template of a face, but it scans the entire image by reducing the size of the image using a pyramid technique to determine the presence of a face. Since the processing time is long, it is difficult to apply in the case of real-time face area detection.

이에 본 발명은 상기와 같은 종래의 문제점을 해결하기 위하여 제안된 것으로서, 그 목적은 영상으로부터 하나 이상의 눈의 쌍 후보를 찾고 그 눈의 쌍 후보를 기준으로 다수의 얼굴 후보 영역을 검출후 SVM 검증기를 이용하여 최종적으로 정확한 얼굴영역을 검출하도록 함으로서 얼굴의 잘못된 검출을 막고 보다 신뢰성있는 실시간 얼굴 검출을 가능하게 한 SVM을 이용한 얼굴 영역 검출 방법을 제공하는 것이다.Accordingly, the present invention has been proposed to solve the above-described problems, and an object thereof is to find one or more pairs of eye candidates from an image, and to detect a plurality of face candidate regions based on the pair candidates of the eyes, and then to obtain an SVM verifier Finally, the present invention provides a face area detection method using an SVM that prevents false detection of a face and enables more reliable real-time face detection by finally detecting an accurate face area.

상술한 본 발명의 목적을 달성하기 위한 기술적인 수단으로서, 본 발명에 의한 SVM을 이용한 얼굴 영역 검출 방법은As a technical means for achieving the above object of the present invention, the facial region detection method using the SVM according to the present invention

입력된 영상의 명암 정보를 이용하여 하나 이상의 눈 쌍 후보를 검출하는 제 1단계와;Detecting one or more eye pair candidates using intensity information of the input image;

상기 검출된 하나 이상의 눈 쌍 후보의 중심을 기준으로 영상에 대한 기울기 보정을 실시하고 얼굴 후보 영역을 정규화하는 제 2단계와;Performing a tilt correction on an image based on the detected centers of one or more eye pair candidates and normalizing a face candidate region;

상기 정규화된 얼굴 후보 영역들을 사전에 학습된 SVM 검증기로 검증하여 얼굴일 확률이 가장 높은 얼굴 후보 영역을 얼굴 영역으로 검출하는 제 3단계를 포함하여 이루어지는 것을 특징으로 한다.And verifying the normalized face candidate regions with a previously learned SVM verifier to detect the face candidate region having the highest probability of being a face as the face region.

이하, 첨부된 도면을 참조하여 본 발명에 의한 얼굴 영역 검출 방법에 대하여 상세하게 설명한다.Hereinafter, a face region detection method according to the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명에 의한 얼굴 영역 검출 방법의 전체 과정을 나타낸 플로우챠트이다.1 is a flowchart showing the overall process of the facial region detection method according to the present invention.

상기 도면에 의해 도시된 바와 같이, 본 발명은 카메라로부터 영상을 획득하면(100), 상기 획득된 영상중 눈의 쌍 후보 영역을 추출한다(200).As shown in the drawing, when the image is acquired from the camera (100), the pair candidate region of the eye is extracted from the obtained image (200).

상기 과정에서 눈의 쌍 후보 영역이 하나도 검출되지 않았다면, 다시 초기 단계(100)로 되돌아가 새로운 영상을 획득하고, 획득된 영상에서 눈의 쌍 후보 영역을 추출하는 과정을 하나 이상의 눈의 쌍 후보 영역이 검출될 때까지 반복한다(300).If no pair of eye candidate regions are detected in the above process, the process returns to the initial stage 100 to acquire a new image and extracts the pair of eye candidate regions from the acquired images. Repeat until it is detected (300).

그 다음, 상기에 의해 검출된 눈의 쌍 후보영역들 각각에 대하여, 각 후보영역의 중심을 기준으로 하는 얼굴 후보 영역을 검출하여 정규화한다(400). 이는 인식코자 하는 대상물(얼굴 후보 영역)의 크기나 방향이 다를 수 있으므로, 대상물을 동일한 크기 및 방향으로 정규화하여 인식이 용이하도록 하기 위한 것이다.Next, for each of the pair of candidate regions of the eye detected by the above, the face candidate region based on the center of each candidate region is detected and normalized (400). This is because the size or direction of the object (face candidate region) to be recognized may be different, so that the object is normalized to the same size and direction to facilitate recognition.

그 다음, 상기 정규화된 얼굴 후보 영역들을 각각 SVM검증기에 입력하여, 실제 얼굴 영역인지 아닌지를 검증한다(500).Next, the normalized face candidate regions are input to the SVM verifier, respectively, to verify whether the face regions are real or not (500).

이때, 검증에 사용되는 SVM 검증기는 미리 수집된 얼굴 영상과 얼굴이 아닌 영상 데이타들로부터 학습된 것이며, 입력된 얼굴 후보 영역에 대한 검증 결과값으로서, 얼굴 영역이라면 양의 값을, 얼굴 영역이 아니라면 음의 값을 출력한다.In this case, the SVM verifier used for verification is learned from pre-collected face images and non-face image data, and is a verification result of the input face candidate region. Output a negative value.

따라서 상기 검증결과를 체크하여, 정규화된 얼굴 후보 영역들 중 SVM 검증기로부터 양의 값을 받은 후보 영역이 존재하는 지를 체크한다. 만약, 양의 값을 받은 얼굴 후보 영역이 하나도 존재하지 않는다면, 적절한 얼굴 후보 영역이 검출되지 않은 것이므로, 다시 초기단계(100)로 되돌아가 다른 영상에 대해서 상기 과정을 반복한다(700).Therefore, the verification result is checked to see whether there is a candidate region that receives a positive value from the SVM verifier among normalized face candidate regions. If none of the positive face candidate regions exists, since no suitable face candidate region is detected, the process returns to the initial stage 100 again and repeats the above process with respect to another image (700).

반대로, 정규화된 얼굴 후보 영역들 중, 양의 결과를 갖는 후보 영역이 하나 이상 존재하면, 그 중에서 가장 큰 값을 갖는 얼굴 후보 영역을 얼굴영역으로 검출한다(800).On the contrary, if one or more candidate regions having positive results are present among the normalized face candidate regions, the face candidate region having the largest value among them is detected as the face region (800).

따라서, 잘못된 얼굴 영역의 검출 자체가 일어날 수 없으며, 신뢰성있는 실시간 얼굴 영역 검출이 가능케 된다.Therefore, detection of a false face area itself cannot occur, and reliable real-time face area detection is possible.

도 2는 상술한 얼굴 영역 검출 과정에 있어서, 영상으로부터 눈 쌍 후보 영역을 추출하는 과정(200)을 더 상세하게 나타난 플로우챠트이다.FIG. 2 is a flowchart illustrating a process 200 of extracting an eye pair candidate region from an image in the above-described face region detection process.

눈쌍 후보 영역은 상기 도시된 바와 같이, 획득된 영상신호(흑백신호)에 적당한 임계치를 주고 비교하여 수평 수직 에지를 검출하고(210). 추출된 에지에 레이블링을 수행하여(220), 고립영역을 추출한다(230). 즉, 영상의 윤곽을 추출해 내는 것이다.The eye pair candidate region detects a horizontal vertical edge by giving an appropriate threshold value to the obtained image signal (black and white signal) as shown above and comparing it (210). Labeling the extracted edge is performed (220), to extract the isolated region (230). In other words, the contour of the image is extracted.

상기와 같이 레이블링을 통해 생성된 고립 영역들을, 각각 크기, 모양, 위치 등의 정보를 복합적으로 판단하여, 그 중에서 눈의 쌍 후보 영역을 검출한다(240).As described above, the isolated regions generated through the labeling are combined to determine the size, shape, position, and the like, respectively, and the pair candidate regions of the eyes are detected (240).

즉, 일반적인 눈의 쌍 영역과 가장 유사한 후보 영역을 검출하는 것이다.That is, the candidate area most similar to the general pair area of the eye is detected.

도 5a는 이러한 과정을 통해 검출된 눈 쌍 후보 영역의 일예를 보인 것으로서, 소정의 샘플 영상(250)내에서 검출된 눈의 쌍 후보 영역을 하얀 선으로 표시하였다.FIG. 5A illustrates an example of an eye pair candidate region detected through this process, and the pair candidate region of the eye detected in the predetermined sample image 250 is indicated by a white line.

도 3은 상술한 얼굴 영역 검출 과정에 있어서, 검출된 눈의 쌍 후보영역을 중심으로 얼굴 후보 영역을 검출하여 정규화하는 과정(400)을 상세하게 나타난 플로우챠트로서, 얼굴 후보 영역의 정규화는 다음과 같이 이루어질 수 있다.3 is a flowchart showing in detail a process 400 of detecting and normalizing a face candidate region centering on a pair of candidate eye regions detected in the above-described face region detection process. It can be done together.

앞서 설명한 과정에 의해 검출된 눈의 쌍 후보 영역들 각각에 대해, 두 눈의 중심을 구하고, 상기 두 눈의 중심의 기울기를 이용하여, 영상을 회전시켜 영상의 기울기를 보정한다(410).For each pair of eye regions detected by the above-described process, the centers of the two eyes are obtained, and the tilt of the image is corrected by rotating the image by using the slope of the centers of the two eyes (410).

또한, 상기 눈의 쌍 후보 영역들 각각에 대한 두 눈의 중심 사이의 거리를 기준으로 하여, 얼굴 후보 영역을 클리핑한다(420).In operation 420, the face candidate region is clipped based on the distance between the centers of the two eyes with respect to each of the pair candidate regions of the eye.

그리고, 클리핑된 얼굴 후보 영역들을 모두 미리 설정된 기준 사이즈, 예를 들어, 32 ×32 의 크기로 샘플링한다(430).In operation 430, all of the clipped face candidate regions are sampled to a preset reference size, for example, a size of 32 × 32.

그리고, 상기 샘플링된 얼굴 후보 영역들에서 배경이나 머리 모양에 영향을 받지 않도록 매스킹 과정을 수행한다(440). 도 5b에 첨부된 영상(460)은 앞서 설명한 바와 같이, 도 5a에 보인 눈의 쌍 후보 영역을 기준으로 추출되어 정규화 및 매스킹 과정을 거친 얼굴 후보 영역(460)의 일예를 보인 것이다.In operation 440, a masking process is performed so as not to be affected by a background or a hair shape in the sampled face candidate areas. As described above, the image 460 attached to FIG. 5B illustrates an example of the face candidate area 460 extracted based on the pair candidate area of the eye shown in FIG. 5A and subjected to normalization and masking.

마지막으로, 상기 도 5b와 같이 정규화 및 매스킹 처리한 얼굴 후보 영역의 각 픽셀을 SVM 검증기의 입력범위의 신호가 되도록 -1 에서 1 사이의 값으로 정규화한다(450).Finally, as shown in FIG. 5B, each pixel of the normalized and masked face candidate region is normalized to a value between −1 and 1 to be a signal of an input range of the SVM verifier (450).

따라서, 추출된 모든 얼굴 후보 영역들이 동일한 사이즈 및 신호레벨로 정규화되어 SVM 검증기를 통한 비교가 용이하게 된다.Therefore, all extracted face candidate regions are normalized to the same size and signal level, so that the comparison through the SVM verifier is easy.

상기 얼굴 영역의 검증에 사용되는 SVM에 대하여 간단히 설명하면, SVM은 두 클래스(class)를 분류하는 하이퍼플랜(hyperplane)을 설계하는 것으로, 훈련 데이터가 다음과 같이 주어졌다고 가정한다.Briefly describing the SVM used for the verification of the face region, the SVM is designed to design a hyperplane classifying two classes, and it is assumed that training data is given as follows.

여기서, x_i는 입력패턴이고, y_i는 목표출력이다.Here, x _i is an input pattern and y _i is a target output.

상기에서 만약 두 클래스가 선형 분리가 가능하다면, 다음의 수학식 2와 같은 하이퍼플랜에 의해서 두 클래스를 구분할 수 있다.In the above, if the two classes can be linearly separated, the two classes can be distinguished by the hyperplan as shown in Equation 2 below.

이러한 하이퍼플랜중에서 하이퍼플랜과 가장 가까운 데이터 포인트와의 거리를 최대로 하는 하이퍼플랜을 최적의 하이퍼플랜(optimal hyperplane)이라 하고, 최적 하이퍼플랜과 거리가 가장 가까운 데이터를 지원 벡터(support vector)라고 한다. SVM은 이러한 지원 벡터(support vector)를 이용하여 최적 하이퍼플랜을 나타내는 방법으로, 다음의 수학식 3과 같이 구할 수 있다.The hyperplan that maximizes the distance between the hyperplan and the nearest data point is called the optimal hyperplane, and the data closest to the optimal hyperplan is called the support vector. . SVM is a method of representing an optimal hyperplan using such a support vector, and can be obtained as in Equation 3 below.

상기는 입력데이터들이 선형 분리 가능한 경우이며, 입력데이터가 선형 분리 가능하지 않은 경우에는 커널(kernel) 함수를 이용하면 최적의 하이퍼플랜을 얻을 수 있다.The above is a case where the input data are linearly separable, and when the input data is not linearly separable, an optimal hyperplan can be obtained by using a kernel function.

상술한 설명은 SVM에 대한 일반적으로 알려진 기본 개념을 설명하기 위한 것으로서, 상기와 같이 SVM은 n차원 공간 상에서 두 클래스를 분류함에 있어서 가장 대표적인 특성을 갖는 소수의 벡터들을 이용하여, 두 클래스간의 거리를 최대화하면서 같은 클래스에 속하는 데이터들을 같은 쪽에 위치하게 하는 n-1 차원의 최적 하이퍼플랜(Hyperplane)을 찾아가면서 학습을 수행하는 것이다.The above description is intended to explain a generally known basic concept of SVM. As described above, the SVM uses a small number of vectors having the most representative characteristics in classifying two classes in n-dimensional space, thereby determining the distance between the two classes. It learns by searching for the optimal hyperplane of n-1 dimension that maximizes and places data belonging to the same class on the same side.

이하, 본 발명에 의한 얼굴 영역 검증용 SVM의 학습에 대해서 설명한다.Hereinafter, the learning of the face area verification SVM according to the present invention will be described.

도 4는 본 발명에 의한 얼굴 영역 검출 방법에서, 상기 정규화된 영상 후보 영역이 실제 얼굴 영역인지 아닌지를 검증하는 SVM 검증기를 생성하는 과정을 보인 플로우챠트로서, 이는 얼굴 영역 검출 처리전 미리 생성되며, 새로운 데이터에 의해 수시로 학습됨으로서 결과의 정확도를 높힐 수 있다.4 is a flowchart illustrating a process of generating an SVM verifier for verifying whether or not the normalized image candidate region is an actual face region in the face region detection method according to the present invention, which is generated in advance before the face region detection process; Learning from time to time with new data can improve the accuracy of the results.

SVM 검증기 생성은 먼저, 적당한 개체수의 얼굴 영상과 얼굴이 아닌 영상을 구하고, 각각의 영상을 앞서의 전처리와 같이 소정 사이즈 32 ×32 크기로 샘플링하고, 매스킹을 수행한 후, 각 픽셀을 -1 에서 1 사이의 값으로 정규화하여 다수의 학습용 DB 및 테스트용 DB를 획득하는(610) 것으로 시작된다.The SVM verifier generation first obtains a face image and a non-face image of an appropriate number of individuals, samples each image to a predetermined size 32 × 32 size as in the previous preprocessing, and masks each pixel, and then -1 each pixel. Begin with obtaining a plurality of training and test DBs (610) by normalizing to a value between 1 and.

그리고, 학습용 DB의 정규화된 영상들을 각각 SVM의 입력으로 하고, 각각의 영상이 얼굴인 경우 출력을 1로, 얼굴이 아닌 경우 출력을 -1로 지정한 후, SVM을 학습시킨다(620).The normalized images of the training DB are input to the SVM, respectively, and the output is set to 1 when each image is a face and the output is -1 when the face is not a face, and then the SVM is trained (620).

이때, 얼굴이 아닌 영상은 얼굴 영상보다 훨씬 다양할 수 있기 때문에, 대표 영상을 선택하는 문제가 어려워진다. 그리고, 학습에 사용된 얼굴이 아닌 영상에 어떤 영상을 이용하였느냐에 따라서 SVM 검증기의 성능이 크게 달라질 수 있기 때문에, 여기에서, 학습용 얼굴이 아닌 영상의 선택이 매우 중요하다. In this case, since the non-face image may be much more diverse than the face image, it becomes difficult to select a representative image. In addition, since the performance of the SVM verifier may vary greatly depending on which image is used for the image other than the face used for learning, the selection of the image other than the learning face is very important here.

참고로 카메라로 촬영된 장소의 영상, 즉, 얼굴의 주된 배경이 되는 영상을 얼굴이 아닌 학습용 영상으로 이용하는 것이 검증의 신뢰도를 가장 높힐 수 있다.For reference, using the image of the place photographed by the camera, that is, the image that is the main background of the face as the learning image instead of the face may increase the reliability of verification.

상기와 같이 학습에 의해 생성된 SVM 검증기는 얼굴 영상인 경우, 양의 값을, 얼굴이 아닌 영상에 대해서는 음의 값을 출력하게 된다.As described above, the SVM verifier generated by learning outputs a positive value for a face image and a negative value for an image that is not a face.

그 다음, 이렇게 생성된 SVM 검증기에 대하여, 상기 학습용 영상 DB와 같은 전처리 작업을 수행하여 처리한 적당한 개체수의 테스트용 영상 DB의 데이타로 테스트를 수행한다(630).In operation 630, the SVM verifier generated as described above is tested with data of an appropriate number of test image DBs processed by performing a preprocessing operation such as the training image DB.

그리고, 상기 SVM의 테스트결과를 체크하여, 상기 SVM 검증기의 인식률이 설정 조건을 만족하는지를 판단한다(640). 예를 들어, SVM의 검증결과와, 실제 테스트에 사용된 영상을 비교하여, 인식률이 설정 조건(예를 들어, 95% 이상의 정확도)을 만족하는지를 판단하는 것이다.The test result of the SVM is checked to determine whether the recognition rate of the SVM verifier satisfies a setting condition (640). For example, the verification result of the SVM and the image used in the actual test are compared to determine whether the recognition rate satisfies a setting condition (eg, 95% or more accuracy).

상기에서, 테스트 결과가 설정조건을 만족시키지 못한다면, 테스트한 영상중 오인식된 영상을 다시 학습용 영상DB로 추가시킨 후(650), 다시 학습을 실행한다(620).In the above, if the test result does not satisfy the setting condition, after the misidentified image of the tested image is added back to the training image DB (650), the training is performed again (620).

그리고, 상기 테스트 결과가 설정 조건을 만족한다면, 학습을 종료하고, 이렇게 학습이 종료된 SVM 검증기는 실제 얼굴 영역 검출 과정에서 검출된 얼굴 후보 영역의 검증을 수행한다. If the test result satisfies the setting condition, the learning is terminated, and the SVM verifier after the learning is completed performs verification of the face candidate region detected in the actual face region detection process.

상술한 바와 같이, 본 발명은 카메라로부터 입력된 영상에서 얼굴의 구성 요소 중 눈의 쌍 후보 영역을 검출하고, 각각의 눈의 쌍 후보 영역들을 중심으로 하는 얼굴 후보 영역을 검출한 후 SVM 검증을 통하여 최종적으로 가장 확률이 높은 얼굴 후보 영역을 얼굴 영역으로 검출함으로서 보다 빠르게 신뢰성있는 얼굴인식을 가능케 하는 우수한 효과가 있다.As described above, the present invention detects a pair of candidate regions of the eye among the components of the face in the image input from the camera, detects the face candidate region centered on the pair candidate regions of each eye, and then performs SVM verification. Finally, the most probable face candidate region is detected as the face region, thereby providing an excellent effect of enabling faster face recognition.

더하여, 본 발명은 얼굴 영역 검출의 처리속도 및 신뢰성을 향상시킴으로서 실시간 얼굴 영역 검출을 가능케 하는 우수한 효과가 있는 것이다.In addition, the present invention has an excellent effect of enabling real-time face area detection by improving the processing speed and reliability of face area detection.

도 1은 본 발명에 의한 얼굴 영역 검출 방법을 도시한 플로우챠트이다.1 is a flowchart showing a face region detection method according to the present invention.

도 2는 본 발명에 의한 얼굴 영역 검출 방법에 있어서, 눈의 쌍 후보 영역 검출 과정을 나타낸 플로우챠트이다.2 is a flowchart showing a pair candidate area detection process of eyes in the facial area detection method according to the present invention.

도 3은 본 발명에 의한 얼굴 영역 검출 방법에 있어서, 얼굴 영역 정규화 과정을 나타낸 플로우챠트이다.3 is a flowchart illustrating a face region normalization process in the face region detection method according to the present invention.

도 4는 본 발명에 의한 얼굴 영역 검출 방법에 있어서, SVM 생성과정을 보인 플로우챠트이다.4 is a flowchart illustrating an SVM generation process in the face region detection method according to the present invention.

도 5(a)는 본 발명의 얼굴 영역 검출 방법에 의하여 검출된 눈의 쌍 후보 영역의 일예를 보인 영상이다.5A is an image showing an example of pair candidate regions of eyes detected by the face region detection method of the present invention.

도 5(b)는 본 발명에 의한 얼굴 영역 검출 방법에 의하여 정규화된 얼굴 후보 영역의 일예를 보인 영상이다.5B is an image showing an example of a face candidate region normalized by the face region detection method according to the present invention.

Claims (6)

소정의 영상을 입력받아 얼굴 영역을 검출하는 SVM을 이용한 얼굴 영역 검출 방법에 있어서,In the face region detection method using the SVM that receives a predetermined image and detects the face region, 입력된 영상에서 명암 정보를 이용하여 하나 이상의 눈 쌍 후보를 검출하는 제 1단계와;Detecting at least one eye pair candidate using contrast information in the input image; 상기 검출된 하나 이상의 눈 쌍 후보의 중심을 기준으로 입력영상에서 얼굴 후보 영역을 검출하여 설정된 크기 및 방향으로 정규화하는 제 2단계와;A second step of detecting a face candidate region in an input image based on the detected centers of the one or more eye pair candidates and normalizing them to a set size and direction; 상기 정규화된 얼굴 후보 영역들을 사전에 학습된 SVM 검증기로 검증하여 얼굴일 확률이 가장 높은 얼굴 후보 영역을 얼굴 영역으로 검출하는 제 3단계를 포함하여 이루어지는 것을 특징으로 하는 SVM을 이용한 얼굴 영역 검출 방법.And verifying the normalized face candidate areas with a pre-learned SVM verifier, detecting a face candidate area having the highest probability of being a face as a face area. 제 1항에 있어서, 상기 제 1단계는The method of claim 1, wherein the first step 입력된 영상의 명암정보와 설정된 임계치를 비교하여 수평 및 수직 에지를 검출하는 단계와,Detecting horizontal and vertical edges by comparing contrast information of the input image with a predetermined threshold value; 상기 에지 검출 단계에서 검출된 수평 및 수직 에지의 연결영역에 순서별로 레이블링을 처리하여 고립 영역들을 추출하는 단계와,Extracting the isolated areas by processing labeling on the connection areas of the horizontal and vertical edges detected in the edge detection step by step; 상기 추출 단계에서 추출된 고립영역들을 사전에 설정된 크기, 모양, 위치의 기준정보와 복합적으로 비교하여 눈의 쌍 영상과 유사한 눈의 쌍 후보 영역들을 검출하는 단계로 이루어지는 것을 특징으로 하는 SVM을 이용한 얼굴 영역 검출 방법.Comparing the isolated regions extracted in the extracting step with the predetermined size, shape, and location reference information, detecting pair candidate regions of the eyes similar to the pair images of the eyes. Area detection method. 제 1항에 있어서, 상기 제 2단계는The method of claim 1, wherein the second step 상기 검출된 눈의 쌍 후보 영역들에서 눈의 중심을 구하는 단계와,Obtaining a center of the eye in the detected pair candidate regions of the eye; 상기 검출된 눈의 중심의 기울기를 이용하여 영상을 회전시켜, 입력영상의 기울기를 보정하는 단계와,Correcting the tilt of the input image by rotating the image using the detected tilt of the center of the eye; 상기 검출된 눈의 쌍 후보영역에서 두 눈의 중심 거리를 이용하여 얼굴 후보 영역을 클립핑하는 단계와,Clipping a face candidate area using the center distances of two eyes in the detected pair of eye candidate areas; 상기 클립핑된 얼굴 후보 영역을 설정된 사이즈로 샘플링하는 단계와,Sampling the clipped face candidate region at a predetermined size; 배경이나 머리모양에 영향을 받지 않도록 상기 샘플링된 얼굴 후보 영역에 매스킹을 수행하는 단계와,Masking the sampled face candidate area so as not to be affected by a background or hair shape; 상기 매스킹된 얼굴 후보 영역의 각 픽셀값을 -1에서 1의 사이로 정규화는 단계로 이루어지는 것을 특징으로 하는 SVM을 이용한 얼굴 영역 검출 방법.And normalizing each pixel value of the masked face candidate region from -1 to 1. 제 1항에 있어서, 상기 제 3 단계는The method of claim 1, wherein the third step 상기 제 2 단계에서 정규화 된 얼굴 후보 영역들을 각각 SVM 검증기에 입력하여 검증하는 단계와,Verifying the face candidate regions normalized in the second step by inputting them to an SVM verifier, respectively; 상기 단계에서 검증된 각 얼굴 후보 영역들중 검증 결과값이 가장 큰 양의 결과값을 갖는 얼굴 후보 영역을 최종적으로 얼굴영역으로 검출하는 단계로 이루어지는 것을 특징으로 하는 SVM을 이용한 얼굴 영역 검출 방법.And detecting the face candidate area having the largest positive result value among the face candidate areas verified in the step as the face area. 제 1항에 있어서, 상기 방법은The method of claim 1 wherein the method 소정 개체수의 정규화된 얼굴 영상과 얼굴이 아닌 영상들을 수집하여 학습용 DB와 테스트용 DB를 획득하는 단계와,Acquiring a learning DB and a test DB by collecting normalized face images and non-face images of a predetermined number of individuals; 상기 획득된 학습용 DB의 얼굴 영상에 대해 출력을 1로, 얼굴이 아닌 영상에 대해 출력을 -1로 하여 SVM을 학습시킴으로서 SVM 검증기를 생성하는 단계와,Generating an SVM verifier by learning an SVM with an output of 1 for an acquired face image of the learning DB and an output of -1 for an image other than a face; 상기 생성된 SVM 검증기에 테스트용 DB의 영상들을 입력하여 검사하는 단계와,Inputting and inspecting images of a test DB into the generated SVM verifier; 상기 검사결과와, 테스트용 DB의 영상을 비교하여 상기 SVM 검증기의 인식률이 설정 조건을 만족하는지를 체크하는 단계;Comparing the inspection result with an image of a test DB to check whether a recognition rate of the SVM verifier satisfies a setting condition; 상기 체크결과 SVM 검증기의 테스트결과가 설정조건을 만족하지 못하면 해당 SVM검증기에서 오인식된 영상들을 학습용 DB에 추가시킨 후 상기 SVM 검증기 생성 단계부터 반복시키는 단계;If the test result of the check result SVM verifier does not satisfy a setting condition, repeating the step of generating the SVM verifier after adding the images misrecognized by the SVM verifier to the learning DB; 상기 체크결과 SVM 검증기의 테스트결과가 설정조건을 만족하면, SVM 학습을 종료하는 단계로 실행되는 제4단계를 더 포함하는 것을 특징으로 하는 SVM을 이용한 얼굴 영역 검출 방법.And if the test result of the check result SVM verifier satisfies a setting condition, the method further comprises a fourth step of terminating SVM learning. 제 1 항 내지 제 5 항중 어느 한 항에 기재된 단계를 수행하는 프로그램을 기록한 컴퓨터 판독가능한 기록매체.A computer-readable recording medium having recorded thereon a program for performing the steps according to any one of claims 1 to 5.