KR101254177B1 - A system for real-time recognizing a face using radial basis function neural network algorithms - Google Patents
A system for real-time recognizing a face using radial basis function neural network algorithms Download PDFInfo
- Publication number
- KR101254177B1 KR101254177B1 KR1020110102134A KR20110102134A KR101254177B1 KR 101254177 B1 KR101254177 B1 KR 101254177B1 KR 1020110102134 A KR1020110102134 A KR 1020110102134A KR 20110102134 A KR20110102134 A KR 20110102134A KR 101254177 B1 KR101254177 B1 KR 101254177B1
- Authority
- KR
- South Korea
- Prior art keywords
- face
- image
- real
- data
- radial basis
- Prior art date
Links
Images
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
- G06V40/16—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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/146—Methods for optical code recognition the method including quality enhancement steps
- G06K7/1482—Methods for optical code recognition the method including quality enhancement steps using fuzzy logic or natural solvers, such as neural networks, genetic algorithms and simulated annealing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Electromagnetism (AREA)
- Fuzzy Systems (AREA)
- Toxicology (AREA)
- Automation & Control Theory (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
본 발명은 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에 관한 것으로서, 보다 구체적으로는 사진과 신원정보를 저장하는 얼굴 데이터베이스; 피사체의 얼굴 이미지를 촬영하는 CCD 카메라; 상기 CCD 카메라로부터 촬영된 얼굴 이미지에 대한 영상 보정, 얼굴 검출, 및 특징 추출의 전처리 과정을 수행하는 데이터 전처리 모듈; 및 상기 데이터 전처리 모듈을 통해 처리된 얼굴 이미지에 대한 데이터의 매개변수의 설정 처리를 통해 패턴 분류를 최적화하고, 실시간 얼굴 인식을 판단하는 패턴분류 처리모듈을 포함하되, 상기 패턴분류 처리모듈은, PSO(Particle Swarm Optimization) 알고리즘을 사용하여 다항식 기반의 RBFNNs(Radial Basis Function Neural Networks) 학습에 사용되는 학습률, 모멘텀 계수, 및 FCM(Fuzzy C-Means Clustering Method)의 퍼지화 계수를 포함하는 파라미터들을 동조하여 최적의 비선형 판별 함수를 생성하여 상기 얼굴 데이터베이스에 등록된 사진의 데이터를 분류하고 얼굴 인식의 판단 정보로 사용하는 것을 그 구성상의 특징으로 한다.
본 발명에서 제안하고 있는 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에 따르면, 다항식 기반 RBFNNs의 선 지능형 알고리즘을 퍼지 추론 메커니즘의 네트워크 구조에 적용하고, 은닉층과 출력층 사이의 상수항 연결가중치를 다항식으로 표현함으로써 출력 공간 내의 선형 판정 경계를 비선형 판정 경계로 나타낼 수 있도록 하며, FCM 클러스터링에 기반한 분할 함수를 활성함수로 사용하여 입력 공간의 데이터 분포 특성을 반영토록 함으로써 빠른 학습 수렴과 패턴 분류의 성능이 향상될 수 있도록 할 수 있다.
또한, 본 발명에 따르면, 다항식 기반 RBFNNs의 선 지능형 알고리즘을 적용함으로써, 복잡성과 불확실성을 나타내는 비선형 공정에서 다른 지능형 모델에 비해 보다 나은 성능을 가질 수 있도록 하고, 퍼지와 신경회로망의 두 구조가 유사성과 상호 보완적인 특성으로 결합될 수 있도록 하며, 퍼지이론의 언어적 논리를 규칙의 형태로 표현할 수 있는 능력과 신경회로망의 학습 기능과의 상호 높은 융통성을 갖도록 하고, 빠른 학습속도와 다차원(Multi-dimension)의 문제 해결, 강한(robust) 네트워크 특성, 및 예측능력(Predictive ability)이 우수한 장점을 가질 수 있도록 한다.The present invention relates to a real-time face recognition system using a radial basis function neural network algorithm, and more particularly to a face database for storing pictures and identity information; A CCD camera for photographing a face image of a subject; A data preprocessing module for performing preprocessing of image correction, face detection, and feature extraction on the face image photographed from the CCD camera; And a pattern classification processing module for optimizing pattern classification and determining real-time face recognition by setting a parameter of data for a face image processed by the data preprocessing module, wherein the pattern classification processing module includes: Use the Particle Swarm Optimization algorithm to tune parameters including the learning rate, momentum coefficients, and fuzzy-coefficients of the Fuzzy C-Means Clustering Method (FCM) used to train polynomial-based Radial Basis Function Neural Networks (RBFNNs). A feature of the configuration is to generate an optimal nonlinear discriminant function, classify the data of the picture registered in the face database, and use it as judgment information for face recognition.
According to the real-time face recognition system using the radial basis function neural network algorithm proposed in the present invention, the linear intelligent algorithm of polynomial based RBFNNs is applied to the network structure of the fuzzy inference mechanism, and the constant term connection weight between the hidden and output layers is polynomial. By expressing it, the linear decision boundary in the output space can be represented as the nonlinear decision boundary, and the partition function based on FCM clustering is used as the active function to reflect the data distribution characteristics of the input space, thereby improving the performance of fast learning convergence and pattern classification. It can be done.
In addition, according to the present invention, by applying the linear intelligent algorithm of the polynomial-based RBFNNs, it is possible to have better performance than other intelligent models in the nonlinear process of complexity and uncertainty, and the two structures of fuzzy and neural networks It can be combined with complementary features, has the ability to express the linguistic logic of fuzzy theory in the form of rules and mutual flexibility with the learning function of neural networks, and provides fast learning speed and multi-dimension. Problem solving, robust network characteristics, and predictive ability.
Description
본 발명은 실시간 얼굴 인식 시스템에 관한 것으로서, 보다 구체적으로는 다항식 기반 RBFNNs(Radial Basis Function Neural Networks)의 선 지능형 알고리즘이 적용된 실시간 얼굴 인식 시스템에 관한 것이다.The present invention relates to a real-time face recognition system, and more particularly, to a real-time face recognition system to which a line intelligent algorithm of polynomial-based Radial Basis Function Neural Networks (RBFNNs) is applied.
시각적 인식을 다루는 컴퓨터 비전 분야는, 사람이 가진 시각적 능력을 컴퓨터로 모델링하는 분야이다. 사람의 뇌는 시각적 신호를 여러 개의 채널로 분리하여 서로 다른 정보 단위로 판단하고, 상황에 따라 영상에서 중요한 부분만 검사할 수 있는 판단 시스템을 가지고 있다. 또한, 사람의 몸은 시각신호를 다룰 때 많은 피드백을 제공한다. 그러나 머신 비전 시스템에서 컴퓨터는 카메라 또는 하드디스크로부터 일련의 숫자들을 받아올 뿐, 그 이상은 없다. 컴퓨터 비전은 특정 목적을 달성하기 위하여 카메라로부터 받은 데이터를 조작하고 분석한다. 이런 의미에서 컴퓨터 비전이라는 응용분야의 만족할만한 성능을 내기 위해서는, 패턴인식이라는 세부 연구 분야가 필수적이라고 할 수 있다.
The field of computer vision that deals with visual perception is the field of computer modeling of human visual abilities. The human brain separates visual signals into several channels and judges them as different information units, and has a judgment system that can examine only the important parts of the image depending on the situation. In addition, the human body provides a lot of feedback when dealing with visual cues. But in a machine vision system, a computer only gets a series of numbers from a camera or hard disk, nothing more. Computer vision manipulates and analyzes data received from cameras to accomplish specific purposes. In this sense, the detailed research field of pattern recognition is essential to achieve satisfactory performance of the application field of computer vision.
컴퓨터 비전 분야에서 활발히 연구되고 있는 세부응용분야 중에 하나는 생체인식(biometrics)을 들 수 있다. 정보화 사회에서 사용자 인증은 매우 중요한 사항이다. 즉, 인증 절차 없이는 보안이 요구되는 장소의 출입 통제뿐만 아니라, 은행거래, 재산권보호 등 컴퓨터를 통한 정보검색도 거의 불가능하게 된다. 정보유출 및 도용이 쉽게 일어날 수 있는 ID나 Password와 같은 방법의 문제점을 극복하기 위하여 개인의 신체적, 행동적 특징을 이용하여 신원을 검증하는 생체인식 기술이 등장하게 된다. 이러한 생체인식분야는 홍채, 지문, 얼굴, 정맥, 음성, 걸음걸이 인식 등으로 세분화될 수 있다.
One of the detailed applications actively studied in the field of computer vision is biometrics. User authentication is very important in the information society. In other words, without authentication process, it is almost impossible not only to control access to places where security is required, but also to search information through computers such as banking and property protection. In order to overcome the problems of methods such as ID and password, where information leakage and theft can easily occur, biometric technology is used to verify the identity using the physical and behavioral characteristics of the individual. Such biometrics may be subdivided into iris, fingerprint, face, vein, voice, gait recognition, and the like.
실제 인식 시스템 설계 시에는 1대 1 시스템(verification mode)과 1대 N 시스템(identification mode)의 두 가지 방식이 존재한다. 1대 1 방식은 사용자가 신체정보와 함께 사용자 번호를 함께 입력함으로써 두 데이터의 비교만으로 사용자를 인증하는 방식으로서, 수백, 수천 명의 다수의 사용자가 이용할 때 주로 사용된다. 이러한 1대 1 시스템은, 출입통제, 금고, 정보보안, 전자상거래 시의 본인확인에 응용될 수 있다.
When designing an actual recognition system, there are two methods, one-to-one system (verification mode) and one-to-n system (identification mode). The one-to-one method is a method in which a user authenticates a user only by comparing two data by inputting a user number together with body information, and is mainly used when hundreds or thousands of users use it. This one-to-one system can be applied to access control, safes, information security, and identity verification in electronic commerce.
다음으로, 1대 N 방식은 특정 사용자의 정보가 입력되었을 때 데이터베이스에 저장된 모든 정보와 비교하는 방식으로서, 수사기관의 지문대조시스템과 같은 범죄 수사용으로 사용하고, 사용자의 수가 적을 때 사용할 수 있다. 이러한 1대 N 방식 시스템 설계의 고려 항목에는 계산 시간뿐만 아니라 패턴인식 성능이 중요하다. 왜냐하면, 패턴인식에서의 클래스 수는 사용자의 수를 의미하기 때문이다. 클래스의 수가 증가해도 패턴을 분류하는데 강인한 모델을 설계하는 연구는 데이터 처리와 함께 계속해서 진행되고 있는 연구과제이다.
Next, the one-to-n method compares all the information stored in the database when a specific user's information is entered. It can be used for criminal investigations such as the fingerprint control system of an investigative agency, and can be used when the number of users is small. . Not only calculation time but also pattern recognition performance is important in the consideration of this one-to-n system design. This is because the number of classes in pattern recognition means the number of users. As the number of classes increases, designing a robust model for classifying patterns is an ongoing task with data processing.
일반적으로 패턴인식을 위한 다양한 방법들 중 신경회로망을 기반으로 설계된 분류기는 학습능력과 일반화 능력의 우수성으로 인해 다양한 분야의 패턴인식 시스템에서 가장 많이 사용되는 분류기 중 하나이다. 신경회로망 기반 분류기는 입력층, 다수의 은닉층, 출력층을 갖는 다층(multi-layered)구조가 일반적이며, 경사하강법을 이용하여 학습된다. 기존의 신경회로망을 기반으로 한 많은 분류기는 연결가중치가 상수항으로 구성되어 있으며, 상수항으로 구성된 연결 가중치는 은닉층 뉴런의 활성 함수와의 선형 결합을 통해 출력 공간 내에 선형 판별 함수(linear discernment function)로 표현된다(M. J. Er, S. Q. Wu, J. W. Lu, and H. L. Toh, “Face recognition with radical basis function (RBF) neural networks,” IEEE Trans. Neural Networks, vol. 13, no. 3, pp. 697-710, 2002.). 이는 네트워크가 출력 공간 내에 선형 판정 경계(초평면)를 생성하도록 만들며 선형적인 특성을 가지게 할 수 있다.In general, among the various methods for pattern recognition, the classifier designed based on neural network is one of the most used classifiers in pattern recognition systems in various fields due to the superiority of learning ability and generalization ability. Neural network-based classifiers are generally multi-layered structures with input layers, multiple hidden layers, and output layers, and are learned using gradient descent. Many classifiers based on existing neural networks have a constant link weight, which is expressed as a linear discernment function in the output space through linear coupling with the active function of the hidden layer neurons. (MJ Er, SQ Wu, JW Lu, and HL Toh, “Face recognition with radical basis function (RBF) neural networks,” IEEE Trans.Nural Networks, vol. 13, no. 3, pp. 697-710, 2002 .). This allows the network to create linear decision boundaries (hyperplanes) in the output space and can be linear in nature.
본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 다항식 기반 RBFNNs의 선 지능형 알고리즘을 퍼지 추론 메커니즘의 네트워크 구조에 적용하고, 은닉층과 출력층 사이의 상수항 연결가중치를 다항식으로 표현함으로써, 출력 공간 내의 선형 판정 경계를 비선형 판정 경계로 나타낼 수 있도록 하며, FCM 클러스터링에 기반한 분할 함수를 활성함수로 사용하여 입력 공간의 데이터 분포 특성을 반영토록 함으로써, 빠른 학습 수렴과 패턴 분류의 성능이 향상될 수 있도록 하는, 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템을 제공하는 것을 그 목적으로 한다.
The present invention has been proposed to solve the above problems of the conventionally proposed methods, by applying the linear intelligent algorithm of polynomial based RBFNNs to the network structure of the fuzzy inference mechanism, and the constant term connection weight between the hidden and output layers as a polynomial. By expressing it, the linear decision boundary in the output space can be represented as the nonlinear decision boundary, and the function of fast learning convergence and pattern classification can be reflected by reflecting the data distribution characteristics of the input space using the partition function based on FCM clustering as an active function. It is an object of the present invention to provide a real-time face recognition system using a radial basis function neural network algorithm, which can be improved.
또한, 본 발명은, 다항식 기반 RBFNNs의 선 지능형 알고리즘을 적용함으로써, 복잡성과 불확실성을 나타내는 비선형 공정에서 다른 지능형 모델에 비해 더욱 향상된 성능을 가질 수 있도록 하고, 퍼지와 신경회로망의 두 구조가 유사성과 상호 보완적인 특성으로 결합될 수 있도록 하며, 퍼지이론의 언어적 논리를 규칙의 형태로 표현할 수 있는 능력과 신경회로망의 학습 기능과의 상호 높은 융통성을 갖도록 하고, 빠른 학습속도와 다차원(Multi-dimension)의 문제 해결, 강한(robust) 네트워크 특성, 및 예측능력(Predictive ability)이 우수한, 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템을 제공하는 것을 또 다른 목적으로 한다.In addition, the present invention, by applying the linear intelligent algorithm of polynomial-based RBFNNs, can achieve a better performance than other intelligent models in the nonlinear process of complexity and uncertainty, and the two structures of fuzzy and neural networks are similar and mutual It can be combined with complementary features, has the ability to express the linguistic logic of fuzzy theory in the form of rules, and has a high flexibility with the learning function of neural networks. It is another object of the present invention to provide a real-time face recognition system using a radial basis function neural network algorithm, which is excellent in problem solving, robust network characteristics, and predictive ability.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템은,Real-time face recognition system using a radial basis function neural network algorithm according to a feature of the present invention for achieving the above object,
사진과 신원정보를 저장하는 얼굴 데이터베이스;A face database for storing pictures and identity information;
피사체의 얼굴 이미지를 촬영하는 CCD 카메라;A CCD camera for photographing a face image of a subject;
상기 CCD 카메라로부터 촬영된 얼굴 이미지에 대한 영상 보정, 얼굴 검출, 및 특징 추출의 전처리 과정을 수행하는 데이터 전처리 모듈; 및A data preprocessing module for performing preprocessing of image correction, face detection, and feature extraction on the face image photographed from the CCD camera; And
상기 데이터 전처리 모듈을 통해 처리된 얼굴 이미지에 대한 데이터의 매개변수의 설정 처리를 통해 패턴 분류를 최적화하고, 실시간 얼굴 인식을 판단하는 패턴분류 처리모듈을 포함하되,And a pattern classification processing module for optimizing pattern classification and determining real-time face recognition by setting a parameter of data for a face image processed by the data preprocessing module.
상기 패턴분류 처리모듈은,The pattern classification processing module,
PSO(Particle Swarm Optimization) 알고리즘을 사용하여 다항식 기반의 RBFNNs(Radial Basis Function Neural Networks) 학습에 사용되는 학습률, 모멘텀 계수, 및 FCM(Fuzzy C-Means Clustering Method)의 퍼지화 계수를 포함하는 파라미터들을 동조하여 최적의 비선형 판별 함수를 생성하여 상기 얼굴 데이터베이스에 등록된 사진의 데이터를 분류하고 얼굴 인식의 판단 정보로 사용하는 것을 그 구성상의 특징으로 한다.
Use the Particle Swarm Optimization (PSO) algorithm to tune parameters including learning rates, momentum coefficients, and fuzzy-coefficients of the Fuzzy C-Means Clustering Method (FCM) used to train polynomial-based Radial Basis Function Neural Networks (RBFNNs). By constructing an optimal nonlinear discriminant function, data of photographs registered in the face database are classified and used as judgment information for face recognition.
바람직하게는, 상기 얼굴 데이터베이스는,Preferably, the face database,
상기 저장된 사진의 데이터들을 PCA(Principal Component Analysis) 기법을 사용하여 미리 설정한 차원 수로 특징값을 저장할 수 있다.
The data of the stored picture may be stored in a predetermined number of dimensions using a Principal Component Analysis (PCA) technique.
바람직하게는, 상기 데이터 전처리 모듈은,Preferably, the data preprocessing module,
상기 얼굴 이미지에 대한 영상 보정의 전처리 과정으로, 히스토그램 평활화(Histogram Equalization)를 이용하여 조명으로 인한 영상의 왜곡현상을 개선할 수 있다.
As a preprocessing process of image correction for the face image, histogram equalization may be used to improve distortion of an image due to illumination.
바람직하게는, 상기 데이터 전처리 모듈은,Preferably, the data preprocessing module,
상기 얼굴 이미지에 대한 얼굴 검출의 전처리 과정으로, AdaBoost 알고리즘을 이용하여 실시간으로 입력되는 영상에서 얼굴과 비 얼굴을 분류하고 검출할 수 있다.
As a preprocessing of face detection for the face image, a face and a non-face may be classified and detected from an image input in real time using an AdaBoost algorithm.
바람직하게는, 상기 데이터 전처리 모듈은,Preferably, the data preprocessing module,
상기 얼굴 이미지에 대한 특징 추출의 전처리 과정으로, 주성분 분석법(Principal Component Analysis: PCA)의 변환 처리를 이용하여 상기 얼굴 검출의 전처리를 통해 검출된 얼굴 영상의 고차원 특징 벡터를 저차원 특징 벡터로 차원을 축소 처리하고 화소 정보로 표현되는 얼굴 영상의 특징을 추출함으로써, 학습 및 인식 속도의 저하가 방지되도록 할 수 있다.
As a preprocessing process of feature extraction for the face image, a high-dimensional feature vector of a face image detected through preprocessing of the face detection using a transformation process of Principal Component Analysis (PCA) is converted into a low-dimensional feature vector. By reducing the feature and extracting the feature of the face image represented by the pixel information, it is possible to prevent a decrease in learning and recognition speed.
바람직하게는, 상기 패턴분류 처리모듈은,Preferably, the pattern classification processing module,
퍼지 추론 메커니즘에 기반한 다항식 기반의 RBFNNs(Polynomial-based Radial Basis Function Neural Networks)의 설계 구조를 가지며,Polyvinyl-based Radial Basis Function Neural Networks (RBFNNs) based on fuzzy inference mechanism
상기 pRBFNNs(Polynomial-based Radial Basis Function Neural Networks) 구조는 “If-then” 퍼지 규칙의 집합으로 표현되며, 조건부, 결론부, 추론부로 나뉘어 기능적 모듈을 수행하되,The pRBFNNs (Polynomial-based Radial Basis Function Neural Networks) structure is expressed as a set of “If-then” fuzzy rules, and is divided into a conditional part, a conclusion part, and an inference part to perform a functional module.
상기 “then” 이전의 조건부는 FCM 클러스터링을 이용하여 입력 공간을 퍼지 집합으로 표현하고, “then” 이후의 결론부는 로컬영역의 특성을 다항식 함수로 나타내며, 추론부는 조건부의 입력공간에 대한 퍼지 집합과 결론부의 다항식 함수와의 관계에 의한 퍼지 추론을 통해 네트워크의 최종 출력으로 결정할 수 있다.
The conditional part before “then” expresses the input space as a fuzzy set using FCM clustering, and the conclusion part after “then” expresses the characteristics of the local area as a polynomial function, and the inference part concludes the fuzzy set and conclusion about the input space of the conditional part. Fuzzy inference based on the relation to negative polynomial functions can be used to determine the final output of the network.
바람직하게는, 상기 패턴분류 처리모듈은,Preferably, the pattern classification processing module,
2부류 분류문제의 규칙을 이용하여 판별함수를 생성하고,Create a discriminant function using the rules of the class 2 classification problem,
경사하강법(Gradient Descent Mothod)을 이용하여 분류 학습을 진행하되,Classify learning using gradient descent method,
상기 분류학습은, 결론부 다항식 함수가 정수(Constant)타입, 선형(linear)타입, 이차(Quadratic)타입, 축소 이차(Reduced Quadratic)타입 중 하나를 선택하도록 할 수 있다.The classification learning may allow the conclusion polynomial function to select one of the constant type, the linear type, the quadratic type, and the reduced quadratic type.
본 발명에서 제안하고 있는 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에 따르면, 다항식 기반 RBFNNs의 선 지능형 알고리즘을 퍼지 추론 메커니즘의 네트워크 구조에 적용하고, 은닉층과 출력층 사이의 상수항 연결가중치를 다항식으로 표현함으로써 출력 공간 내의 선형 판정 경계를 비선형 판정 경계로 나타낼 수 있도록 하며, FCM 클러스터링에 기반한 분할 함수를 활성함수로 사용하여 입력 공간의 데이터 분포 특성을 반영토록 함으로써 빠른 학습 수렴과 패턴 분류의 성능이 향상될 수 있도록 할 수 있다.
According to the real-time face recognition system using the radial basis function neural network algorithm proposed in the present invention, the linear intelligent algorithm of polynomial based RBFNNs is applied to the network structure of the fuzzy inference mechanism, and the constant term connection weight between the hidden and output layers is polynomial. By expressing it, the linear decision boundary in the output space can be represented as the nonlinear decision boundary, and the partition function based on FCM clustering is used as the active function to reflect the data distribution characteristics of the input space, thereby improving the performance of fast learning convergence and pattern classification. It can be done.
또한, 본 발명에 따르면, 다항식 기반 RBFNNs의 선 지능형 알고리즘을 적용함으로써, 복잡성과 불확실성을 나타내는 비선형 공정에서 다른 지능형 모델에 비해 보다 나은 성능을 가질 수 있도록 하고, 퍼지와 신경회로망의 두 구조가 유사성과 상호 보완적인 특성으로 결합될 수 있도록 하며, 퍼지이론의 언어적 논리를 규칙의 형태로 표현할 수 있는 능력과 신경회로망의 학습 기능과의 상호 높은 융통성을 갖도록 하고, 빠른 학습속도와 다차원(Multi-dimension)의 문제 해결, 강한(robust) 네트워크 특성, 및 예측능력(Predictive ability)이 우수한 장점을 가질 수 있도록 한다.In addition, according to the present invention, by applying the linear intelligent algorithm of the polynomial-based RBFNNs, it is possible to have better performance than other intelligent models in the nonlinear process of complexity and uncertainty, and the two structures of fuzzy and neural networks It can be combined with complementary features, has the ability to express the linguistic logic of fuzzy theory in the form of rules and mutual flexibility with the learning function of neural networks, and provides fast learning speed and multi-dimension. Problem solving, robust network characteristics, and predictive ability.
도 1은 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템을 도시한 도면.
도 2는 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템을 이용한 얼굴 인식 처리 과정의 흐름을 도시한 도면.
도 3은 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에서, 데이터 전처리 모듈의 영상 보정에 대한 입력 및 출력의 영상 히스토그램을 도시한 도면.
도 4는 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에서, 데이터 전처리 모듈의 영상 보정에 대한 히스토그램 평활화된 입력 및 출력 영상을 도시한 도면.
도 5는 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에서, 패턴분류 처리모듈의 조건부, 결론부, 추론부의 세 가지 모듈로서 표현된 다항식 기반 RBFNNs의 구조를 도시한 도면.1 is a diagram illustrating a real-time face recognition system using a radial basis function neural network algorithm according to an embodiment of the present invention.
2 is a flowchart illustrating a face recognition process using a real-time face recognition system using a radial basis function neural network algorithm according to an embodiment of the present invention.
3 is a diagram showing image histograms of inputs and outputs for image correction of a data preprocessing module in a real-time face recognition system using a radial basis function neural network algorithm according to an embodiment of the present invention.
4 illustrates a histogram smoothed input and output image for image correction of a data preprocessing module in a real-time face recognition system using a radial basis function neural network algorithm according to an embodiment of the present invention.
FIG. 5 illustrates a structure of a polynomial based RBFNNs represented as three modules of a conditional part, a conclusion part, and an inference part of a pattern classification processing module in a real-time face recognition system using a radial basis function neural network algorithm according to an embodiment of the present invention. One drawing.
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings, in order that those skilled in the art can easily carry out the present invention. In the following detailed description of the preferred embodiments of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear. In the drawings, like reference numerals are used throughout the drawings.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 ‘연결’ 되어 있다고 할 때, 이는 ‘직접적으로 연결’ 되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 ‘간접적으로 연결’ 되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 ‘포함’ 한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
In addition, in the entire specification, when a part is referred to as being 'connected' to another part, it may be referred to as 'indirectly connected' not only with 'directly connected' . In addition, the term 'comprising' of an element means that the element may further include other elements, not to exclude other elements unless specifically stated otherwise.
도 1은 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템을 도시한 도면이고, 도 2는 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템을 이용한 얼굴 인식 처리 과정의 흐름을 도시한 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템은, 얼굴 데이터베이스(100), CCD 카메라(200), 데이터 전처리 모듈(300), 및 패턴분류 처리모듈(400)을 포함하여 구성될 수 있다.
1 is a diagram illustrating a real time face recognition system using a radial basis function neural network algorithm according to an embodiment of the present invention, and FIG. 2 is a real time face using a radial basis function neural network algorithm according to an embodiment of the present invention. A flowchart illustrating a face recognition process using a recognition system. As shown in FIG. 1, a real-time face recognition system using a radial basis function neural network algorithm according to an embodiment of the present invention includes a
얼굴 데이터베이스(100)는, 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에서 사용될 사용자들의 사진과 신원정보를 저장한다. 얼굴 데이터베이스(100)는 저장된 상기 사진의 데이터들을 PCA(Principal Component Analysis) 기법을 사용하여 미리 설정한 차원 수로 특징값을 저장할 수 있다. 얼굴 데이터베이스(100)에 저장된 사진의 데이터들은 후술할 데이터 전처리 모듈(300), 및 패턴분류 처리모듈(400)에 의해 CCD 카메라(200)에서 촬영하여 얻은 실시간 얼굴 이미지의 전처리 과정 및 패턴 분류의 최적화된 정보를 등록 저장하며, 패턴 분류의 인식 과정에서 비교 데이터로 제공될 수 있다.
The
CCD 카메라(200)는, 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에서 사용될 사용자들, 즉 피사체의 얼굴 이미지를 촬영한다. CCD 카메라(200)에 의해 촬영된 사용자들의 얼굴 이미지는 후술하는 데이터 전처리 모듈(300)에서 전처리 과정을 진행하게 된다.
The
데이터 전처리 모듈(300)은, CCD 카메라(200)로부터 촬영된 얼굴 이미지에 대한 영상 보정, 얼굴 검출, 및 특징 추출의 전처리 과정을 수행한다. 데이터 전처리 모듈(300)은 얼굴 이미지에 대한 영상 보정의 전처리 과정으로, 히스토그램 평활화(Histogram Equalization)를 이용하여 조명으로 인한 영상의 왜곡현상을 개선할 수 있다. 여기서, 히스토그램 평활화는 밝기 기반 화소 처리를 이용한 디지털 영상처리 방법으로 입력으로 받아들인 영상에 대한 화질을 개선한다. 즉, 디지털 영상에는 인공조명이나 자연조명이 포함될 수 있으며, 조명광의 세기가 강하거나 약함에 따라 영상의 식별에 어려움을 주는 경우가 발생할 수 있다. 이러한 영상에서는 표현하고자 하는 명암도(gray level)의 범위, 명암도의 동적 영역(dynamic range)을 늘림으로써 화질을 향상시킬 수 있다. 본 발명에서는 동적 영역을 증가시키는 방법으로 히스토그램 평활화를 사용한다. 히스토그램의 평활화는 한 쪽에 치우친 명암 분포를 가진 히스토그램을 재분배 과정을 거쳐 평탄한 분포를 가지는 히스토그램을 생성한다.
The
도 3은 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에서, 데이터 전처리 모듈의 영상 보정에 대한 입력 및 출력의 영상 히스토그램을 도시한 도면이다. 즉, 도 3의 (a)는 히스토그램 평활화 전의 입력 영상 히스토그램을 나타내고, 도 3의 (b)는 히스토그램 평활화 후의 출력 영상 히스토그램을 나타낸다. 도 4는 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에서, 데이터 전처리 모듈의 영상 보정에 대한 히스토그램 평활화된 입력 및 출력 영상을 도시한 도면이다. 즉, 도 4의 (a)는 히스토그램 평활화 전의 입력 영상의 사진을 나타내고, 도 4의 (b)는 히스토그램 평활화 후의 출력 영상의 사진을 나타낸다.
3 is a diagram illustrating an image histogram of inputs and outputs for image correction of a data preprocessing module in a real-time face recognition system using a radial basis function neural network algorithm according to an embodiment of the present invention. That is, FIG. 3A illustrates an input image histogram before histogram smoothing, and FIG. 3B illustrates an output image histogram after histogram smoothing. 4 is a diagram illustrating a histogram smoothed input and output image for image correction of a data preprocessing module in a real-time face recognition system using a radial basis function neural network algorithm according to an embodiment of the present invention. That is, Fig. 4A shows a photograph of the input image before histogram smoothing, and Fig. 4B shows a photograph of the output image after histogram smoothing.
데이터 전처리 모듈(300)은 얼굴 이미지에 대한 얼굴 검출의 전처리 과정으로, AdaBoost 알고리즘을 이용하여 실시간으로 입력되는 영상에서 얼굴과 비 얼굴을 분류하고 검출할 수 있다. 즉, AdaBoost 알고리즘은 2차원 8-비트 흑백 영상을 사용하여 학습된 특징 데이터(feature Data)를 중심으로 비교 연산하여 입력으로 들어오는 영상 정보 중에서 얼굴만을 검출할 수 있도록 한다. 여기서 AdaBoost 알고리즘은 Viola와 Jones가 제안한 부스트 알고리즘으로, 약한 분류기(Weak classifier)가 선형적으로 결합하여 최종적으로 높은 검출 성능을 갖는 강한 분류기(Strong classifier)를 형성하도록 한다. 즉, AdaBoost를 이용한 얼굴 검출은 Haar-like feature와 적분 이미지(Integral image)를 통해 빠른 속도로 계산하여 얼굴을 검출할 수 있다. 훈련 과정에서 얼굴 영상(Positive image)과 배경 영상(Negative image)을 입력받아 둘의 차이를 잘 나타내주는 특징들을 선택하며, 선택된 약한 분류기들을 AdaBoost 알고리즘을 사용해 선형적으로 결합하여 강한 분류기를 생성한다. 최종적으로 생성된 분류기는 얼굴과 비 얼굴을 검출할 수 있는 분류기가 될 수 있다. 특히, AdaBoost 알고리즘을 이용한 얼굴 검출은 픽셀 기반 얼굴 검출에 비해 많은 장점을 가지고 있다. 픽셀 기반 얼굴 검출은 한정된 훈련 데이터로는 학습에 어려움이 있으나, feature를 이용한 AdaBoost 얼굴 검출은 픽셀 기반 얼굴 검출에 비해 적은 양의 훈련 데이터로도 학습이 가능하다. 또한, 적분 이미지는 한 번 계산한 후에 위치와 크기에 상관없이 계산할 수 있으므로, feature 기반 방법보다 속도가 빠르다는 장점도 가지고 있다. 그러나 AdaBoost 알고리즘은 feature의 모양이 복잡해지거나 feature의 수가 증가하면 처리 속도가 느려질 수 있으므로, 빠른 검출 속도를 위해서는 적은 수의 주요한 특징들을 찾아내는 것이 중요하다. 너무 적은 수의 feature는 오검출률을 높이므로 연속적인 연결 구조에 복잡한 분류기를 결합시키는 형태를 갖도록 하며, 연속적인 연결구조는 트리 형태를 통해 얼굴의 주요 특징을 빠른 속도로 검출할 수 있도록 한다.
The
데이터 전처리 모듈(300)은 얼굴 이미지에 대한 특징 추출의 전처리 과정으로, 주성분 분석법(Principal Component Analysis :PCA)의 변환 처리를 이용하여 상기 얼굴 검출의 전처리를 통해 검출된 얼굴 영상의 고차원 특징 벡터를 저차원 특징 벡터로 차원을 축소 처리하고 화소 정보로 표현되는 얼굴 영상의 특징을 추출함으로써, 학습 및 인식 속도의 저하가 방지되도록 할 수 있다. 본 발명에 적용되는 PCA는 고차원 특징 벡터를 저차원 특징 벡터로 축소하는 특징 벡터의 차원 축소(dimension reduction) 뿐만 아니라, 데이터 시각화와 특징 추출에도 유용하게 사용되는 데이터 처리 기법 중의 하나이다. 고차원 데이터 집합에 대한 견고한 분류기를 설계하려는 데 필요한 데이터를 충분히 많이 확보하고 있지 않을 경우, PCA를 사용하여 차원을 축소시켜 분류기를 설계하면 확보한 적은 양의 표본으로도 충분히 정확한 데이터의 분포를 표현하고 분류할 수 있게 된다. Turk와 Pentland는 고유 얼굴(eigenface)을 통한 얼굴인식 방법을 제안하고 있으며, 고유 얼굴이란 얼굴 공간을 구성하는 기저 벡터로 모든 인식후보 얼굴의 공통적인 특징을 가장 잘 나타내는 기저 벡터이다. 즉, 고유 얼굴은 모든 인식후보 얼굴 영상의 평균 얼굴과 각 후보 얼굴 영상의 차 벡터에 대한 공분산 행렬의 고유벡터에 해당하며, 고유벡터로부터 인식 후보 얼굴의 가중치를 구할 수 있다.
The
패턴분류 처리모듈(400)은, 데이터 전처리 모듈(300)을 통해 처리된 얼굴 이미지에 대한 데이터의 매개변수의 설정 처리를 통해 패턴 분류를 최적화하고, 실시간 얼굴 인식을 판단할 수 있도록 한다. 패턴분류 처리모듈(400)은 PSO(Particle Swarm Optimization) 알고리즘을 사용하여 다항식 기반의 RBFNNs(Radial Basis Function Neural Networks) 학습에 사용되는 학습률, 모멘텀 계수, 및 FCM(Fuzzy C-Means Clustering Method)의 퍼지화 계수를 포함하는 파라미터들을 동조하여 최적의 비선형 판별 함수를 생성하여 얼굴 데이터베이스(100)에 등록된 사진의 데이터를 분류하고 얼굴 인식의 판단 정보로 사용할 수 있다.
The pattern
또한 패턴분류 처리모듈(400)은 퍼지 추론 메커니즘에 기반한 다항식 기반의 RBFNNs(Polynomial-based Radial Basis Function Neural Networks)의 설계 구조를 가지며, 상기 pRBFNNs(Polynomial-based Radial Basis Function Neural Networks) 구조는 “If-then” 퍼지 규칙의 집합으로 표현되며, 조건부, 결론부, 추론부로 나뉘어 기능적 모듈을 수행한다. 여기서 “then” 이전의 조건부는 FCM 클러스터링을 이용하여 입력 공간을 퍼지 집합으로 표현하고, “then” 이후의 결론부는 로컬영역의 특성을 다항식 함수로 나타내며, 추론부는 조건부의 입력공간에 대한 퍼지 집합과 결론부의 다항식 함수와의 관계에 의한 퍼지 추론을 통해 네트워크의 최종 출력으로 결정할 수 있다. 도 5는 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템에서, 패턴분류 처리모듈의 조건부, 결론부, 추론부의 세 가지 모듈로서 표현된 다항식 기반 RBFNNs의 구조를 도시한 도면이다.
In addition, the pattern
본 발명에 따른 다항식 기반 RBFNNs 구조의 조건부는, 학습 데이터(training data)의 특성 반영을 위해 입력 공간을 클러스터 수(퍼지 규칙 수) 만큼의 로컬 영역으로 분리하고, 각 로컬 영역의 소속 정도를 퍼지 집합으로 출력한다. 즉 FCM 클러스터링 방법은 각 데이터와 특정 클러스터 중심과의 거리에 소속 정도를 부여하고 이 소속 정도에 따라 데이터를 분류할 수 있도록 한다. 본 발명에 따른 다항식 기반 RBFNNs 구조의 결론부는, 조건부에서 분리한 각 로컬 영역을 다항식 함수의 로컬 회기모델로 표현하며, “then” 이후의 규칙을 형성할 수 있다. 본 발명에 따른 다항식 기반 RBFNNs 구조의 추론부는, 조건부를 FCM 클러스터링을 통한 퍼지 공간 분할, 결론부를 다항식으로 로컬 영역을 표현하는 로컬 회기 모델로 이해하는 구조에서, “If-then” 퍼지 규칙 기반의 퍼지 추론에 의해 네트워크의 최종 출력을 구할 수 있도록 한다.
The conditional part of the polynomial-based RBFNNs structure according to the present invention divides the input space into local regions equal to the number of clusters (the number of purge rules) and reflects the degree of belonging of each local region to reflect the characteristics of the training data. Will output That is, the FCM clustering method assigns a degree of belonging to the distance between each data and a specific cluster center and classifies the data according to the belonging degree. The conclusion of the polynomial-based RBFNNs structure according to the present invention represents each local region separated by the conditional part as a local regression model of the polynomial function, and may form a rule after “then”. The reasoning unit of the polynomial based RBFNNs structure according to the present invention is a fuzzy based on “If-then” fuzzy rule in a structure in which a condition is understood as a fuzzy space partitioning through FCM clustering and a conclusion as a local regression model expressing a local region in polynomial. Inference allows you to get the final output of the network.
또한, 패턴분류 처리모듈(400)은 2부류 분류문제의 규칙을 이용하여 판별함수를 생성하고, 경사하강법(Gradient Descent Mothod)을 이용하여 분류 학습을 진행하되, 분류학습은 결론부 다항식 함수가 정수(Constant)타입, 선형(linear)타입, 이차(Quadratic)타입, 축소 이차(Reduced Quadratic)타입 중 하나를 선택하도록 할 수 있다. 여기서 학습은 하나의 판별함수를 가진(출력층 뉴런이 1개인) 2부류 분류문제를 기준으로 한다.
In addition, the pattern
상술한 바와 같이, 본 발명의 일실시예에 따른 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템은, PSO 알고리즘을 사용하여 학습률과, 모멘텀 계수, 퍼지화 계수를 최적 동조하고 다항식 기반 RBFNNs의 분류기로서의 성능이 향상되도록 할 수 있다.
As described above, the real-time face recognition system using the radial basis function neural network algorithm according to an embodiment of the present invention uses the PSO algorithm to optimally tune the learning rate, the momentum coefficient, and the fuzzy coefficient and classify the polynomial based RBFNNs. As a result, the performance can be improved.
이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.The present invention may be embodied in many other specific forms without departing from the spirit or essential characteristics of the invention.
100: 얼굴 데이터베이스 200: CCD 카메라
300: 데이터 전처리 모듈 400: 패턴분류 처리모듈100: face database 200: CCD camera
300: data preprocessing module 400: pattern classification processing module
Claims (7)
피사체의 얼굴 이미지를 촬영하는 CCD 카메라;
상기 CCD 카메라로부터 촬영된 얼굴 이미지에 대한 영상 보정, 얼굴 검출, 및 특징 추출의 전처리 과정을 수행하는 데이터 전처리 모듈; 및
상기 데이터 전처리 모듈을 통해 처리된 얼굴 이미지에 대한 데이터의 매개변수의 설정 처리를 통해 패턴 분류를 최적화하고, 실시간 얼굴 인식을 판단하는 패턴분류 처리모듈을 포함하되,
상기 패턴분류 처리모듈은,
PSO(Particle Swarm Optimization) 알고리즘을 사용하여 다항식 기반의 RBFNNs(Radial Basis Function Neural Networks) 학습에 사용되는 학습률, 모멘텀 계수, 및 FCM(Fuzzy C-Means Clustering Method)의 퍼지화 계수를 포함하는 파라미터들을 동조하여 최적의 비선형 판별 함수를 생성하여 경사하강법(Gradient Descent Mothod)을 이용하여 상기 얼굴 데이터베이스에 등록된 사진의 데이터에 대한 분류 학습을 진행하여 얼굴 인식의 판단 정보로 사용하되, 상기 분류학습은, 결론부 다항식 함수가 정수(Constant)타입, 선형(linear)타입, 이차(Quadratic)타입, 축소 이차(Reduced Quadratic)타입 중 하나를 선택하도록 하며,
상기 얼굴 데이터베이스는,
상기 저장된 사진의 데이터들을 PCA(Principal Component Analysis) 기법을 사용하여 미리 설정한 차원 수로 특징값을 저장하는 것을 특징으로 하는, 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템.
A face database for storing pictures and identity information;
A CCD camera for photographing a face image of a subject;
A data preprocessing module for performing preprocessing of image correction, face detection, and feature extraction on the face image photographed from the CCD camera; And
And a pattern classification processing module for optimizing pattern classification and determining real-time face recognition by setting a parameter of data for a face image processed by the data preprocessing module.
The pattern classification processing module,
Use the Particle Swarm Optimization (PSO) algorithm to tune parameters including learning rate, momentum coefficients, and fuzzy coefficients of the Fuzzy C-Means Clustering Method (FCM) used for polynomial-based Radial Basis Function Neural Networks (RBFNNs) learning. By generating an optimal nonlinear discriminant function, the classification learning is performed on the data of the photo registered in the face database by using gradient descent method, and used as judgment information of face recognition. Conclusion Let the polynomial function choose between constant type, linear type, quadratic type, and reduced quadratic type.
The face database,
And storing the feature values in a predetermined number of dimensions using the Principal Component Analysis (PCA) technique of the stored photographs.
상기 얼굴 이미지에 대한 영상 보정의 전처리 과정으로, 히스토그램 평활화(Histogram Equalization)를 이용하여 조명으로 인한 영상의 왜곡현상을 개선하는 것을 특징으로 하는, 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템.
The data preprocessing module of claim 1,
A real-time face recognition system using a radial basis function neural network algorithm, which is a preprocessing process of image correction for the face image, by using histogram equalization to improve distortion of an image due to illumination.
상기 얼굴 이미지에 대한 얼굴 검출의 전처리 과정으로, AdaBoost 알고리즘을 이용하여 실시간으로 입력되는 영상에서 얼굴과 비 얼굴을 분류하고 검출하는 것을 특징으로 하는, 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템.
The data preprocessing module of claim 1,
A face recognition system using a radial basis function neural network algorithm, characterized by classifying and detecting a face and a non-face in an image input in real time using an AdaBoost algorithm.
상기 얼굴 이미지에 대한 특징 추출의 전처리 과정으로, 주성분 분석법(Principal Component Analysis: PCA)의 변환 처리를 이용하여 상기 얼굴 검출의 전처리를 통해 검출된 얼굴 영상의 고차원 특징 벡터를 저차원 특징 벡터로 차원을 축소 처리하고 화소 정보로 표현되는 얼굴 영상의 특징을 추출함으로써, 학습 및 인식 속도의 저하가 방지되도록 하는 것을 특징으로 하는, 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템.
The data preprocessing module of claim 1,
As a preprocessing process of feature extraction for the face image, a high-dimensional feature vector of a face image detected through preprocessing of the face detection using a transformation process of Principal Component Analysis (PCA) is converted into a low-dimensional feature vector. Real-time face recognition system using a radial basis function neural network algorithm, characterized in that to reduce the learning and recognition speed is reduced by reducing and extracting features of the face image represented by the pixel information.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020110102134A KR101254177B1 (en) | 2011-10-07 | 2011-10-07 | A system for real-time recognizing a face using radial basis function neural network algorithms |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020110102134A KR101254177B1 (en) | 2011-10-07 | 2011-10-07 | A system for real-time recognizing a face using radial basis function neural network algorithms |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20130037734A KR20130037734A (en) | 2013-04-17 |
KR101254177B1 true KR101254177B1 (en) | 2013-04-19 |
Family
ID=48438593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020110102134A KR101254177B1 (en) | 2011-10-07 | 2011-10-07 | A system for real-time recognizing a face using radial basis function neural network algorithms |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101254177B1 (en) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106055928A (en) * | 2016-05-29 | 2016-10-26 | 吉林大学 | Classification method for metagenome contigs |
CN107316301A (en) * | 2017-07-17 | 2017-11-03 | 梧州井儿铺贸易有限公司 | Concentration of suspended particles on-line detecting system in a kind of easily sewage |
KR20190018483A (en) * | 2017-06-27 | 2019-02-22 | 우이 유니버시티 | Internet-based facial beautification system |
KR20190022731A (en) * | 2016-07-07 | 2019-03-06 | 캐논 가부시끼가이샤 | Holding device, projection optical system, exposure apparatus, and article manufacturing method |
CN109447158A (en) * | 2018-10-31 | 2019-03-08 | 中国石油大学(华东) | A kind of Adaboost Favorable Reservoir development area prediction technique based on unbalanced data |
CN109472453A (en) * | 2018-10-12 | 2019-03-15 | 山大地纬软件股份有限公司 | Power consumer credit assessment method based on global optimum's fuzzy kernel clustering model |
CN110567721A (en) * | 2019-10-28 | 2019-12-13 | 齐鲁工业大学 | rolling bearing fault diagnosis method and system |
KR20200010008A (en) * | 2018-07-20 | 2020-01-30 | 한양대학교 산학협력단 | Display and fabricating method of the same |
US10691971B2 (en) | 2016-11-28 | 2020-06-23 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing object |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101496734B1 (en) * | 2013-05-29 | 2015-03-27 | (주)베라시스 | Pattern histogram creating method |
US9747547B2 (en) | 2013-10-22 | 2017-08-29 | In2H2 | Hardware enhancements to radial basis function with restricted coulomb energy learning and/or k-Nearest Neighbor based neural network classifiers |
US9269041B2 (en) * | 2013-10-22 | 2016-02-23 | In2H2 | Hardware enhancements to radial basis function with restricted coulomb energy learning and/or K-nearest neighbor based neural network classifiers |
KR101412727B1 (en) * | 2013-11-15 | 2014-07-01 | 동국대학교 산학협력단 | Apparatus and methdo for identifying face |
KR102288280B1 (en) | 2014-11-05 | 2021-08-10 | 삼성전자주식회사 | Device and method to generate image using image learning model |
KR102338372B1 (en) * | 2015-09-30 | 2021-12-13 | 삼성전자주식회사 | Device and method to segment object from image |
CN107274356B (en) * | 2017-05-23 | 2020-07-21 | 浙江大学 | Self-adaptive gray level image enhancement system |
CN109190477A (en) * | 2018-08-02 | 2019-01-11 | 平安科技(深圳)有限公司 | Settlement of insurance claim method, apparatus, computer equipment and storage medium based on the identification of ox face |
CN109508867B (en) * | 2018-10-22 | 2022-06-28 | 南京航空航天大学 | Air traffic area division method based on fuzzy C-means clustering |
CN109508868B (en) * | 2018-10-22 | 2022-06-28 | 南京航空航天大学 | Efficient intelligent air traffic area division system |
CN112001202B (en) * | 2019-05-27 | 2023-07-07 | 北京君正集成电路股份有限公司 | Network structure setting method for secondary face detection |
CN111191702B (en) * | 2019-12-24 | 2023-02-14 | 宁波大学 | AdaBoost classification method based on fuzzy weak classifier |
CN113127658A (en) * | 2019-12-31 | 2021-07-16 | 浙江宇视科技有限公司 | Method, device, medium and electronic equipment for initializing identity recognition database |
CN117476183B (en) * | 2023-12-27 | 2024-03-19 | 深圳市一五零生命科技有限公司 | Construction system of autism children rehabilitation effect AI evaluation model |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070119105A (en) * | 2006-06-14 | 2007-12-20 | 주식회사 사람과사람들 | Apparatus and method for face recognition using machine learning |
-
2011
- 2011-10-07 KR KR1020110102134A patent/KR101254177B1/en not_active IP Right Cessation
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070119105A (en) * | 2006-06-14 | 2007-12-20 | 주식회사 사람과사람들 | Apparatus and method for face recognition using machine learning |
Non-Patent Citations (2)
Title |
---|
오성권 외3, 실시간 이미지 획득을 통한 pRBFNNs 기반 얼굴인식 시스템 설계, 제어 로봇 시스템학회 논문지, Vol.16, No.12, 2010년, pp.1150-1158. * |
오성권 외3, 실시간 이미지 획득을 통한 pRBFNNs 기반 얼굴인식 시스템 설계, 제어 로봇 시스템학회 논문지, Vol.16, No.12, 2010년, pp.1150-1158.* |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106055928A (en) * | 2016-05-29 | 2016-10-26 | 吉林大学 | Classification method for metagenome contigs |
KR20190022731A (en) * | 2016-07-07 | 2019-03-06 | 캐논 가부시끼가이샤 | Holding device, projection optical system, exposure apparatus, and article manufacturing method |
KR102193387B1 (en) | 2016-07-07 | 2020-12-22 | 캐논 가부시끼가이샤 | Holding device, projection optical system, exposure device, and article manufacturing method |
US10691971B2 (en) | 2016-11-28 | 2020-06-23 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing object |
KR102195922B1 (en) * | 2017-06-27 | 2020-12-29 | 우이 유니버시티 | Internet-based facial beautification system |
KR20190018483A (en) * | 2017-06-27 | 2019-02-22 | 우이 유니버시티 | Internet-based facial beautification system |
CN107316301B (en) * | 2017-07-17 | 2020-11-24 | 邯郸锦绣天成环保科技有限公司 | Convenient online detection system for concentration of suspended particles in sewage |
CN107316301A (en) * | 2017-07-17 | 2017-11-03 | 梧州井儿铺贸易有限公司 | Concentration of suspended particles on-line detecting system in a kind of easily sewage |
KR20200010008A (en) * | 2018-07-20 | 2020-01-30 | 한양대학교 산학협력단 | Display and fabricating method of the same |
KR102197737B1 (en) | 2018-07-20 | 2021-01-04 | 한양대학교 산학협력단 | Display and fabricating method of the same |
CN109472453A (en) * | 2018-10-12 | 2019-03-15 | 山大地纬软件股份有限公司 | Power consumer credit assessment method based on global optimum's fuzzy kernel clustering model |
CN109447158A (en) * | 2018-10-31 | 2019-03-08 | 中国石油大学(华东) | A kind of Adaboost Favorable Reservoir development area prediction technique based on unbalanced data |
CN110567721A (en) * | 2019-10-28 | 2019-12-13 | 齐鲁工业大学 | rolling bearing fault diagnosis method and system |
CN110567721B (en) * | 2019-10-28 | 2021-08-17 | 齐鲁工业大学 | Rolling bearing fault diagnosis method and system |
Also Published As
Publication number | Publication date |
---|---|
KR20130037734A (en) | 2013-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101254177B1 (en) | A system for real-time recognizing a face using radial basis function neural network algorithms | |
Mirjalili et al. | Semi-adversarial networks: Convolutional autoencoders for imparting privacy to face images | |
US10565433B2 (en) | Age invariant face recognition using convolutional neural networks and set distances | |
Damale et al. | Face recognition based attendance system using machine learning algorithms | |
Yoo et al. | Optimized face recognition algorithm using radial basis function neural networks and its practical applications | |
KR101254181B1 (en) | Face recognition method using data processing technologies based on hybrid approach and radial basis function neural networks | |
de Souza et al. | On the learning of deep local features for robust face spoofing detection | |
Benkaddour | CNN based features extraction for age estimation and gender classification | |
CN113205002B (en) | Low-definition face recognition method, device, equipment and medium for unlimited video monitoring | |
Rajasekar et al. | Efficient multimodal biometric recognition for secure authentication based on deep learning approach | |
Kumar et al. | One-shot face recognition | |
Pathak et al. | Multimodal eye biometric system based on contour based E-CNN and multi algorithmic feature extraction using SVBF matching | |
Chen | Design and simulation of AI remote terminal user identity recognition system based on reinforcement learning | |
Al-Dabbas et al. | Two Proposed Models for Face Recognition: Achieving High Accuracy and Speed with Artificial Intelligence | |
Prasanth et al. | Fusion of iris and periocular biometrics authentication using CNN | |
Mai et al. | Real-time age-group and accurate age prediction with bagging and transfer learning | |
Dubovečak et al. | Face detection and recognition using raspberry PI computer | |
Abhila et al. | A deep learning method for identifying disguised faces using AlexNet and multiclass SVM | |
Nguyen et al. | User re-identification using clothing information for smartphones | |
Alrikabi et al. | Deep Learning-Based Face Detection and Recognition System | |
Nante et al. | Face Recognition Using Principal Component Analysis, K-Means Clustering, and Convolutional Neural Network | |
Bahroun | Combining Color Texture and Shape Features In a Multi-Input Convolutional Neural Network for Efficient Face Recognition In Unconstrained Environments | |
Chamani et al. | Improved Reliable Deep Face Recognition Method Using Separated Components | |
Abbas | Frs-occ: Face recognition system for surveillance based on occlusion invariant technique | |
Kaur et al. | Performance Analysis of Face Recognition using Feed Forward Neural Network and PCA |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
A302 | Request for accelerated examination | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
FPAY | Annual fee payment |
Payment date: 20160225 Year of fee payment: 4 |
|
FPAY | Annual fee payment |
Payment date: 20170508 Year of fee payment: 5 |
|
LAPS | Lapse due to unpaid annual fee |