KR101096049B1 - 강인한 얼굴 인식을 위한 얼굴 자동 정렬 시스템 및 방법 - Google Patents

강인한 얼굴 인식을 위한 얼굴 자동 정렬 시스템 및 방법 Download PDF

Info

Publication number
KR101096049B1
KR101096049B1 KR1020100060144A KR20100060144A KR101096049B1 KR 101096049 B1 KR101096049 B1 KR 101096049B1 KR 1020100060144 A KR1020100060144 A KR 1020100060144A KR 20100060144 A KR20100060144 A KR 20100060144A KR 101096049 B1 KR101096049 B1 KR 101096049B1
Authority
KR
South Korea
Prior art keywords
face
face image
image
entropy value
feature points
Prior art date
Application number
KR1020100060144A
Other languages
English (en)
Inventor
유창동
김태섭
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020100060144A priority Critical patent/KR101096049B1/ko
Application granted granted Critical
Publication of KR101096049B1 publication Critical patent/KR101096049B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

본 발명의 얼굴 자동 정렬 시스템 및 방법에 따르면, 실제 생활에서 얻어지는 얼굴 영상들을 자동으로 정렬할 수 있다. 또한 자동 정렬된 얼굴 영상을 이용하여 얼굴 인식률을 높이는 것에도 기여 가능하다.
본 발명의 바람직한 일실시예에 따른 강인한 얼굴 인식을 위한 얼굴 자동 정렬 시스템은, 정렬된 기준 영상 및 입력된 얼굴 영상, 변형된 열굴 영상을 저장하는 영상 저장부; 상기 정렬된 기준 영상 및 입력된 얼굴 영상의 특징점을 추출하는 특징점 추출부; 상기 정렬된 기준 영상 및 입력된 얼굴 영상의 특징점을 이용하여 특징점의 분포를 연산하는 특징점 분포 연산부; 상기 정렬된 기준 영상의 특징점 분포와 입력된 얼굴 영상의 특징점 분포를 이용하여 엔트로피 값의 산출, 비교 및 저장을 하는 엔트로피 처리부; 상기 입력된 얼굴 영상을 회전, 평행 이동, 확대 또는 축소를 하는 영상 변형부; 및 최종적으로 자동 정렬된 얼굴을 검출하는 얼굴 검출부;를 포함한다.

Description

강인한 얼굴 인식을 위한 얼굴 자동 정렬 시스템 및 방법{Automatic Face Alignment System for Robust Face Recognition and Method Therefor}
본 발명은 얼굴 자동 정렬 시스템 및 방법에 관한 것으로, 더욱 상세하게는 강인한 얼굴 인식을 위한 얼굴 자동 정렬 시스템 및 방법에 관한 것이다.
얼굴 인식은 지문 인식 및 홍채 인식 등과 더불어 중요한 생체 인식의 한 분야이다. 게다가 얼굴 인식은 보안 목적으로 각 개인을 식별할 목적으로 사용할 수 있을 뿐만 아니라, 로봇 공학 등의 분야에서는 사람이 감정 표현을 이해하고, 감정 표현이 가능한 로봇의 개발에도 이용 가능하다.
상기와 같이 다른 어떤 생체 인식 분야 보다도 얼굴 인식 분야는 다양한 응용 분야로의 발전이 가능한 만큼 그 중요성은 별도로 설명할 필요가 없을 것이다.
대부분의 얼굴 인식에 사용되는 얼굴 영상은 정면 얼굴 영상에 제한되는 경향이 있다. 물론, 정면이 아닌 얼굴 영상의 경우에도 인식 방법의 개발에 많은 노력들이 이루어지고는 있다.
그러나 대부분의 얼굴 인식 알고리즘들은 사람의 수작업을 통해서 얻어진 정렬된 얼굴 영상들에 대해서만 높은 성능을 보인다. 하지만 우리 실생활에서 얻는 사람 얼굴 영상은 여러 방향과 각도로 회전되어 있다. 이러한 영상들을 수작업을 거치지 않고 얼굴 인식 알고리즘에 적용하게 되면, 상대적으로 낮은 성능을 보이게 된다.
상기와 같은 문제점들을 해결은 얼굴 인식의 성능을 실생활 영상들에서도 높이기 위해 필수적이다. 이를 위해 수작업을 통해서 얻어지던 정렬된 얼굴 영상들은 자동적으로 얻을 수 있는 방법이 필요하다.
본 발명은 전술한 바와 같은 기술적 과제를 해결하는 데 목적이 있는 발명으로서, 실제 생활에서 얻어지는 얼굴 영상들을 자동으로 정렬하기 위한 시스템 및 방법을 제공하는 것에 그 목적이 있다.
또한 본 발명은 자동 정렬된 얼굴 영상을 이용하여 얼굴 인식률을 높이는 것에도 그 목적이 있다.
본 발명의 바람직한 일실시예에 따른 강인한 얼굴 인식을 위한 얼굴 자동 정렬 시스템은 정렬된 기준 영상 및 입력된 얼굴 영상, 변형된 열굴 영상을 저장하는 영상 저장부; 상기 정렬된 기준 영상 및 입력된 얼굴 영상의 특징점을 추출하는 특징점 추출부; 상기 정렬된 기준 영상 및 입력된 얼굴 영상의 특징점을 이용하여 특징점의 분포를 연산하는 특징점 분포 연산부; 상기 정렬된 기준 영상의 특징점 분포와 입력된 얼굴 영상의 특징점 분포를 이용하여 엔트로피 값의 산출, 비교 및 저장을 하는 엔트로피 처리부; 상기 입력된 얼굴 영상을 회전, 평행 이동, 확대 또는 축소를 하는 영상 변형부; 및 최종적으로 자동 정렬된 얼굴을 검출하는 얼굴 검출부;를 포함한다.
상기 얼굴 자동 정렬 시스템을 이용하는 얼굴 자동 정렬 방법은 (a) 정렬된 기준 영상의 특징점을 추출하는 단계; (b) 상기 정렬된 기준 영상의 특징점의 분포를 연산하는 단계; (c) 입력된 얼굴 영상의 특징점을 추출하는 단계; (d) 상기 입력된 얼굴 영상의 특징점의 분포를 연산하는 단계; (e) 상기 (b) 단계 및 (d) 단계에서 연산된 상기 정렬된 기준 영상의 특징점 분포와 입력된 얼굴 영상의 특징점 분포를 이용하여 엔트로피 값을 산출하는 단계; 및 (f) 저장된 기준 엔트로피 값이 있는 경우, 상기 (e)단계의 엔트로피 값과 저장된 기준 엔트로피 값을 비교하는 단계; (g) 상기 (f) 단계의 비교 결과 상기 (e) 단계의 엔트로피 값이 저장된 기준 엔트로피 값에 비해 감소하지 않은 경우, 기준 엔트로피 값의 산출에 이용한 입력된 얼굴 영상을 최종 정렬된 얼굴로 결정하는 단계; 및 (h) 얼굴 정렬을 완료하고 종료하는 단계; 포함하는 것이 바람직하다.
또한, 상기 (f) 단계에서 저장된 기준 엔트로피 값이 없거나, 비교 결과 상기 (e) 단계의 엔트로피 값이 기준 엔트로피 값에 비해 감소한 경우, (f-1) 상기 (e) 단계에서 산출된 엔트로피 값을 새로운 기준 엔트로피 값으로 저장하는 단계; 및 (f-2) 상기 입력된 얼굴 영상을 회전, 평행 이동, 확대 또는 축소에 의해 변환하는 단계;를 더 포함하는 것을 특징으로 한다.
아울러, 상기 (f-2) 단계 이후에, 얼굴 정렬이 완료될 때까지 상기 (d) 단계 이후의 단계를 반복하여 실시하는 것이 바람직하다.
본 발명의 바람직한 일실시예에 의한 상기 특징점의 추출하는 방법은 SIFT(Scale Invariant Feature Transform) 알고리즘에 의하는 것을 특징으로 한다.
또한, 상기 특징점의 추출하는 방법은 LBP(Local Binary Pattern) 알고리즘을 사용할 수도 있다.
아울러, 상기 특징점의 분포 연산은 추출한 특징점을 군집화하고, 상기 특징점과 상기 각 군집의 중심과의 거리를 산출하고, 산출된 거리를
Figure 112010040766367-pat00001
의 수학식에 대입하는 것에 의해 연산하는 것이 바람직하다.
상기 군집화하는 방법은 K-means clustering 알고리즘을 사용하는 것을 특징으로 한다.
본 발명의 강인한 얼굴 인식을 위한 얼굴 자동 정렬 시스템 및 방법에 따르면, 실제 생활에서 얻어지는 얼굴 영상들을 자동으로 정렬할 수 있다.
또한 자동 정렬된 얼굴 영상을 이용하여 얼굴 인식률의 향상에도 기여할 수 있다.
도 1은 본 발명의 바람직한 일실시예에 따른 강인한 얼굴 인식을 위한 얼굴 자동 정렬 시스템을 나타낸다.
도 2는 본 발명의 바람직한 일실시예에 따른 강인한 얼굴 인식을 위한 얼굴 자동 정렬 방법의 흐름도를 나타낸다.
도 3은 SIFT 특징점을 구하는 과정을 도시하였다.
도 4는 LBP 특징점을 구하는 과정을 도시하였다.
이하, 첨부된 도면을 참조하면서 본 발명의 일실시예에 따른 강인한 얼굴 인식을 위한 얼굴 자동 정렬 시스템 및 방법에 대해 상세히 설명하기로 한다.
본 발명의 하기의 실시예는 본 발명을 구체화하기 위한 것일 뿐 본 발명의 권리범위를 제한하거나 한정하는 것이 아님은 물론이다. 본 발명의 상세한 설명 및 실시예로부터 본 발명이 속하는 기술분야의 전문가가 용이하게 유추할 수 있는 것은 본 발명의 권리범위에 속하는 것으로 해석된다.
도 1은 본 발명의 바람직한 일실시예에 따른 얼굴 자동 정렬 시스템을 나타내었다.
도 1로부터 알 수 있는 바와 같이, 본 발명의 바람직한 일실시예에 따른 얼굴 자동 정렬 시스템(100)은 정렬된 기준 영상 및 입력된 얼굴 영상, 변형된 열굴 영상을 저장하는 영상 저장부(10); 상기 정렬된 기준 영상 및 입력된 얼굴 영상의 특징점을 추출하는 특징점 추출부(20); 상기 정렬된 기준 영상 및 입력된 얼굴 영상의 특징점을 이용하여 특징점의 분포를 연산하는 특징점 분포 연산부(30); 상기 정렬된 기준 영상의 특징점 분포와 입력된 얼굴 영상의 특징점 분포를 이용하여 엔트로피 값의 산출, 비교 및 저장을 하는 엔트로피 처리부(40); 상기 입력된 얼굴 영상을 회전, 평행 이동, 확대 또는 축소를 하는 영상 변형부(50); 및 최종적으로 자동 정렬된 얼굴을 검출하는 얼굴 검출부(60);를 포함한다.
먼저, 정면을 향하고 있는 정렬된 기준 영상과 얼굴의 자동 정렬을 필요로 하는 임의로 입력된 얼굴 영상의 준비가 요구된다. 각 영상은 디지털 카메라, 캠코더 등을 이용하여 본 시스템(100)에 입력 가능하다. 상기 입력된 영상은 상기 영상 저장부(10)에 저장되어 본 시스템(100)에서의 처리를 가능하게 한다.
도 2는 상기 얼굴 자동 정렬 시스템(100)을 이용한 강인한 얼굴 인식을 위한 얼굴 자동 정렬 방법의 흐름도를 나타낸다.
도 2에 의해 본 발명의 방법 및 본 발명의 각 구성 요소의 역할에 대해 더욱 상세하게 설명하기로 한다.
먼저 상기 특징점 추출부(20)가 상기 영상 저장부(10)로부터의 정렬된 기준 영상을 입력받아 정렬된 기준 영상의 특징점을 추출하고, 추출한 특징점을 이용하여 상기 특징점 분포 연산부(30)가 특징점의 분포를 연산한다(S5, S10).
다음으로 상기 특징점 추출부(20)가 상기 영상 저장부(10)로부터의 입력된 얼굴 영상을 이용하여 입력된 얼굴 영상의 특징점을 추출한다(S15). 그리고, 상기 특징점 분포 연산부(30)가 상기 S15 단계의 특징점을 이용하여 상기 입력된 얼굴 영상의 특징점의 분포를 연산한다(S20).
상기 S10 단계 및 S20 단계에서 연산된 상기 정렬된 기준 영상의 특징점 분포와 입력된 얼굴 영상의 특징점 분포를 이용하여 상기 엔트로피 처리부(40)가 엔트로피 값을 산출하게 된다(S25).
만약 저장된 기준 엔트로피 값이 있는 경우, 상기 엔트로피 처리부(40)가 상기 S25 단계의 엔트로피 값과 저장된 기준 엔트로피 값을 비교하고(S30), 비교 결과 상기 S25 단계의 엔트로피 값이 저장된 기준 엔트로피 값에 비해 감소하지 않은 경우(S35), 상기 얼굴 검출부(60)가 기준 엔트로피 값의 산출에 이용한 입력된 얼굴 영상을 최종 정렬된 얼굴로 결정하고(S40), 얼굴 정렬을 완료하고 종료한다(S45).
즉, 상기 엔트로피의 값이 감소하지 않았다는 것은 그 이전 단계의 얼굴 영상이 정렬이 올바르게 되어 있는 상태이므로 과정이 종료되게 되는 것이다.
그러나, 저장된 기준 엔트로피 값이 없거나, 비교 결과 상기 S25 단계의 엔트로피 값이 기준 엔트로피 값이 감소한 경우(S30, S35), 상기 S25 단계에서 산출된 엔트로피 값을 새로운 기준 엔트로피 값으로 저장하고(S50), 상기 입력된 얼굴 영상을 회전, 평행 이동, 확대 또는 축소에 의해 변환한다(S55).
상기 S55 단계 이후에, 얼굴 정렬이 완료될 때까지 상기 S20 단계 이후의 단계를 반복하여 실시하게 된다.
보다 구체적으로 상기 각 단계의 수행 방법에 대해 하기에 설명하기로 한다.
먼저, 상기 S5 단계 및 S15 단계에서 영상의 특징점을 추출하기 위한 일실시예로 SIFT(Scale Invariant Feature Transform) 알고리즘을 사용할 수 있다.
SIFT 알고리즘은 객체의 모서리나 꼭지점과 같은 부분에서 생성되는 특징점에 대한 벡터 성분을 추출하는 알고리즘으로 패턴 인식 방법과는 달리 비교 영상의 크기 변화 및 회전으로 인한 변형에 대해 뛰어난 매칭 성능을 지니는 알고리즘이다.
도 3은 SIFT 특징점을 구하는 과정을 도시하였다.
도 3에 따라 SIFT 알고리즘을 이용하여 특징점을 추출하는 과정을 알아보기로 한다.
주어진 이미지가 mㅧn의 크기를 가질 때, 모든 픽셀에서 SIFT 특징점을 추출하게 되는 데, SIFT 특징점은 특정 픽셀 주변에 존재하는 픽셀 값들이 변화하는 현상을 분포도로 나타낸 것이다.
또한, 상기 S5 단계 및 S15 단계에서 영상의 특징점을 추출하기 위한 일실시예로 LBP(Local Binary Pattern, 국부이진패턴) 알고리즘을 사용할 수 있다.
도 4에 LBP 특징점을 구하는 과정을 도시하였다.
먼저 중앙 픽셀(pixel)에서 주변 픽셀 값들을 관찰한다. 이때 각 중앙 픽셀값을 기준으로 하여 '0' 또는 '1'의 이진값을 주변 픽셀에 대입한다. 이때 총 256계조의 주변 픽셀값에 대해 59가지의 균일한 패턴(Uniform Pattern)으로 정량화 가능하다.
도 4와 같이 구해진 LBP 특징점을 각 중앙 픽셀을 중심으로 일정한 범위 안에 들어 있는 LBP를 히스토그램에 의해 분포도로 표현할 수 있다.
본 발명의 일실시예에 따른 설명을 위해 상기 SIFT 특징점 및 상기 LBP 특징점이 N 차원에 존재하는 점으로 가정한다.
상기 S5 단계 및 S15 단계의 특징점을 이용할 경우 그 이후 단계의 처리에 많은 계산량이 요구된다. 이러한 계산량을 줄이기 위하여 특징점들을 군집화하는 작업이 필요하다. 군집화의 일실시예로 K-means clustering 알고리즘을 사용할 수 있다. 즉, N 차원에 존재하는 특징점들이 N 보다 훨씬 작은 수(c개)로 군집화 가능해지고, 계산량이 줄게 되는 것이다. 상기 군집화를 위해 K-means clustering 알고리즘 이외에도 다양한 군집화를 위한 알고리즘들이 사용될 수 있음은 물론이다.
다음으로, 상기 N 차원의 특징점을 추출한 후, 상기 군집화를 통해서 얻은 각 군집 중심점과의 거리를 계산한다. 이런 과정을 통해 c개의 거리가 나온다.
이 c개의 거리를
Figure 112010040766367-pat00002
에 대입하여 c차원의 벡터를 얻게 된다. 즉, 특징점과 첫번째 중심점과의 거리, 특징점과 두번째 중심점과의 거리, …, 특징점과 c번째 중심점과의 거리에 의한 c차원의 벡터가 얻어지게 되는 것이다. 이 c차원의 벡터를 특징점의 분포로 사용 가능하다.
또한, S55 단계와 같이 얼굴 영상을 회전, 평행 이동, 확대 또는 축소에 의해 변환하는 이유는 엔트로피(Entropy)를 줄이기 위해서이다.
엔트로피가 줄어드는 과정에 대해 구체적으로 설명하기로 한다.
엔트로피는 다음의 수학식 1, 수학식 2 및 수학식 3에 의해 구할 수 있다.
Figure 112010040766367-pat00003
즉, 여러 개의 이미지가 주어졌을 때, 상기
Figure 112010040766367-pat00004
는 모든 이미지의 i번째 픽셀(Pixel)에서 k번째 새로운 특징점 값의 평균을 의미한다.
그리고
Figure 112010040766367-pat00005
를 이용해서, 주어진 전체 이미지에 대한 i번째 픽셀에서의 엔트로피를 수학식 2와 같이 구할 수 있다.
Figure 112010040766367-pat00006
상기 수학식 2에 의해 모든 픽셀에 대해서 엔트로피를 구한 후, 수학식 3과 같은 전체 엔트로피를 얻을 수 있다. P는 전체 픽셀 수를 의미한다.
Figure 112010040766367-pat00007
본 발명에서는 상기와 같이 주어진 여러 얼굴들을 회전, 평행이동 또는 확대 축소를 통해서, 모든 얼굴들의 분포를 비슷하도록 만들어 준다. 이것은 엔트로피를 작게 하는 것과 같다.
상기와 같이 얼굴 영상의 회전, 평행 이동, 확대 또는 축소의 실시하여 상기 S30 단계와 같은 엔트로피 값의 비교를 통해, 엔트로피 값이 더 이상 감소하지 않는 즉 최적의 얼굴 정렬 상태를 얻을 수 있게 된다. 따라서, 본 발명의 목적의 달성이 가능하게 되는 것이다.
엔트로피 값이 더 이상 감소하지 않는다는 것은, 즉 전 단계의 엔트로피 값과 동일하거나 증가하였다는 것은 전 단계에서 더 이상의 정렬이 가능하지 못하다는 것을 의미하므로, 본 시스템에 의해 발휘될 수 있는 최대한의 정렬 상태를 나타내는 것이므로 얼굴 정렬을 완료하게 되는 것이다.
본 발명의 바람직한 일실시예에 따른 얼굴 자동 정렬 시스템 및 방법에 의해 보다 효율적인 얼굴 정렬이 가능해짐에 따라, 얼굴 인식율의 향상을 기대할 수 있다.
100 : 얼굴 자동 정렬 시스템
10 : 영상 저장부 20 : 특징점 추출부
30 : 특징점 분포 연산부 40 : 엔트로피 처리부
50 : 영상 변형부 60 : 얼굴 검출부

Claims (8)

  1. 얼굴 자동 정렬 시스템에 있어서,
    기준이 되는 얼굴 영상 및 입력된 얼굴 영상, 변형된 열굴 영상을 저장하는 영상 저장부;
    상기 기준이 되는 얼굴 영상 및 입력된 얼굴 영상의 특징점을 추출하는 특징점 추출부;
    상기 기준이 되는 얼굴 영상 및 입력된 얼굴 영상의 특징점을 이용하여 특징점의 분포를 연산하는 특징점 분포 연산부;
    상기 기준이 되는 얼굴 영상의 특징점 분포와 입력된 얼굴 영상의 특징점 분포를 이용하여 엔트로피 값을 산출하고, 기 저장된 엔트로피 값과 비교하여 저장하는 엔트로피 처리부;
    상기 입력된 얼굴 영상을 회전, 평행 이동, 확대 또는 축소를 하는 영상 변형부; 및
    상기 엔트로피 처리부의 비교결과를 이용하여 상기 입력된 얼굴 영상으로부터 최종적으로 확정된 얼굴을 정렬하여 검출하는 얼굴 검출부;를 포함하는 강인한 얼굴 인식을 위한 얼굴 자동 정렬 시스템.
  2. 얼굴 자동 정렬 시스템을 이용하는 얼굴 자동 정렬 방법에 있어서,
    (a) 기준이 되는 얼굴 영상의 특징점을 추출하는 단계;
    (b) 상기 기준이 되는 얼굴 영상의 특징점의 분포를 연산하는 단계;
    (c) 입력된 얼굴 영상의 특징점을 추출하는 단계;
    (d) 상기 입력된 얼굴 영상의 특징점의 분포를 연산하는 단계;
    (e) 상기 (b) 단계 및 (d) 단계에서 연산된 상기 기준이 되는 얼굴 영상의 특징점 분포와 입력된 얼굴 영상의 특징점 분포를 이용하여 엔트로피 값을 산출하는 단계;
    (f) 저장된 기준 엔트로피 값이 있는 경우, 상기 (e)단계의 엔트로피 값과 저장된 기준 엔트로피 값을 비교하는 단계;
    (g) 상기 (f) 단계의 비교 결과 상기 (e) 단계의 엔트로피 값이 저장된 기준 엔트로피 값에 비해 감소하지 않은 경우, 기준 엔트로피 값의 산출에 이용한 입력된 얼굴 영상을 최종 정렬된 얼굴로 결정하는 단계; 및
    (h) 얼굴 정렬을 완료하고 종료하는 단계;를 포함하는 강인한 얼굴 인식을 위한 얼굴 자동 정렬 방법.
  3. 제2항에 있어서,
    상기 (f) 단계에서 저장된 기준 엔트로피 값이 없거나, 비교 결과 상기 (e) 단계의 엔트로피 값이 기준 엔트로피 값에 비해 감소한 경우,
    (f-1) 상기 (e) 단계에서 산출된 엔트로피 값을 새로운 기준 엔트로피 값으로 저장하는 단계;
    (f-2) 상기 입력된 얼굴 영상을 회전, 평행 이동, 확대 또는 축소에 의해 변환하는 단계; 및
    (f-3) 상기 (f-2) 단계 이후에, 얼굴 정렬이 완료될 때까지 상기 (d) 단계 이후의 단계를 반복하여 실시하는 단계; 를 포함하는 것을 특징으로 하는 강인한 얼굴 인식을 위한 얼굴 자동 정렬 방법.
  4. 삭제
  5. 청구항 5은(는) 설정등록료 납부시 포기되었습니다.
    제2항에 있어서,
    상기 (a) 단계 및 (c) 단계에서의 얼굴 영상의 특징점을 추출하는 방법은 SIFT(Scale Invariant Feature Transform) 알고리즘에 의하는 것을 특징으로 하는 강인한 얼굴 인식을 위한 얼굴 자동 정렬 방법.
  6. 청구항 6은(는) 설정등록료 납부시 포기되었습니다.
    제2항에 있어서,
    상기 (a) 단계 및 (c) 단계에서의 얼굴 영상의 특징점을 추출하는 방법은 LBP(Local Binary Pattern) 알고리즘에 의하는 것을 특징으로 하는 강인한 얼굴 인식을 위한 얼굴 자동 정렬 방법.
  7. 제2항에 있어서,
    상기 (b) 단계 및 (d) 단계에서의 특징점의 분포 연산은,
    추출한 특징점을 군집화하고, 상기 특징점과 상기 각 군집의 중심과의 거리를 산출하고, 산출된 거리를
    Figure 112011090048603-pat00008
    의 수학식에 대입하는 것에 의해 연산하는 것을 특징으로 하는 강인한 얼굴 인식을 위한 얼굴 자동 정렬 방법.
  8. 청구항 8은(는) 설정등록료 납부시 포기되었습니다.
    제7항에 있어서,
    상기 군집화하는 방법은 K-means clustering 알고리즘을 사용하는 것을 특징으로 하는 강인한 얼굴 인식을 위한 얼굴 자동 정렬 방법.
KR1020100060144A 2010-06-24 2010-06-24 강인한 얼굴 인식을 위한 얼굴 자동 정렬 시스템 및 방법 KR101096049B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020100060144A KR101096049B1 (ko) 2010-06-24 2010-06-24 강인한 얼굴 인식을 위한 얼굴 자동 정렬 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100060144A KR101096049B1 (ko) 2010-06-24 2010-06-24 강인한 얼굴 인식을 위한 얼굴 자동 정렬 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR101096049B1 true KR101096049B1 (ko) 2011-12-19

Family

ID=45506588

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100060144A KR101096049B1 (ko) 2010-06-24 2010-06-24 강인한 얼굴 인식을 위한 얼굴 자동 정렬 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR101096049B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170005273A (ko) * 2015-07-02 2017-01-12 주식회사 에스원 얼굴 정렬을 위한 특징점별 특징을 추출하기 위한 서술자 생성 시스템 및 이를 이용한 특징점별 서술자 생성 방법
US10002308B2 (en) 2013-12-13 2018-06-19 Samsung Electronics Co., Ltd. Positioning method and apparatus using positioning models

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100904916B1 (ko) 2008-06-19 2009-07-01 주식회사 다우엑실리콘 얼굴 인식 시스템 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100904916B1 (ko) 2008-06-19 2009-07-01 주식회사 다우엑실리콘 얼굴 인식 시스템 및 방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10002308B2 (en) 2013-12-13 2018-06-19 Samsung Electronics Co., Ltd. Positioning method and apparatus using positioning models
KR20170005273A (ko) * 2015-07-02 2017-01-12 주식회사 에스원 얼굴 정렬을 위한 특징점별 특징을 추출하기 위한 서술자 생성 시스템 및 이를 이용한 특징점별 서술자 생성 방법
KR101705584B1 (ko) 2015-07-02 2017-02-13 주식회사 에스원 얼굴 정렬을 위한 특징점별 특징을 추출하기 위한 서술자 생성 시스템 및 이를 이용한 특징점별 서술자 생성 방법

Similar Documents

Publication Publication Date Title
US10262190B2 (en) Method, system, and computer program product for recognizing face
JP4161659B2 (ja) 画像認識システム及びその認識方法並びにプログラム
US9681047B2 (en) Image feature extraction method and system
US20060284837A1 (en) Hand shape recognition apparatus and method
Deepa et al. Face recognition using spectrum-based feature extraction
WO2010116885A1 (ja) データ処理装置、画像照合方法、プログラムおよび画像照合システム
JP5574033B2 (ja) 画像認識システム及びその認識方法並びにプログラム
EP3361413B1 (en) Method and apparatus of selecting candidate fingerprint image for fingerprint recognition
Ferraz et al. Feature description based on center-symmetric local mapped patterns
WO2012046426A1 (ja) 物体検出装置、物体検出方法および物体検出プログラム
Thanh Nguyen A novel chamfer template matching method using variational mean field
JP2015197708A (ja) オブジェクト識別装置、オブジェクト識別方法及びプログラム
Lakshmi et al. Off-line signature verification using Neural Networks
Toca et al. Normalized Autobinomial Markov Channels For Pedestrian Detection.
Mikaelyan et al. Periocular recognition by detection of local symmetry patterns
US20110103697A1 (en) Information processing apparatus, control method therefor, and program
KR101096049B1 (ko) 강인한 얼굴 인식을 위한 얼굴 자동 정렬 시스템 및 방법
El-Tarhouni et al. Feature fusion using the local binary pattern histogram fourier and the pyramid histogram of feature fusion using the local binary pattern oriented gradient in iris recognition
Vijayalakshmi et al. Performance evaluation of object detection techniques for object detection
Ngoc An efficient LBP-based descriptor for real-time object detection
KR101741761B1 (ko) 멀티 프레임 기반 건물 인식을 위한 특징점 분류 방법
KR101666839B1 (ko) 동전 금액 자동 계산 방법 및 그 시스템
Liu et al. An iris recognition approach with SIFT descriptors
Pereira et al. Video-based face verification with local binary patterns and svm using gmm supervectors
KR101161580B1 (ko) 인터리빙 히스토그램을 이용한 특징 벡터 추출 방법 및 이를 적용한 영상 인식 방법

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20141127

Year of fee payment: 4

LAPS Lapse due to unpaid annual fee