KR101665196B1 - 영상 인식 방법 및 장치 - Google Patents

영상 인식 방법 및 장치 Download PDF

Info

Publication number
KR101665196B1
KR101665196B1 KR1020140152375A KR20140152375A KR101665196B1 KR 101665196 B1 KR101665196 B1 KR 101665196B1 KR 1020140152375 A KR1020140152375 A KR 1020140152375A KR 20140152375 A KR20140152375 A KR 20140152375A KR 101665196 B1 KR101665196 B1 KR 101665196B1
Authority
KR
South Korea
Prior art keywords
image
input image
reference image
coefficient
denotes
Prior art date
Application number
KR1020140152375A
Other languages
English (en)
Other versions
KR20160052269A (ko
Inventor
가민호
유지웅
Original Assignee
연세대학교 산학협력단
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 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020140152375A priority Critical patent/KR101665196B1/ko
Priority to US14/930,530 priority patent/US9990539B2/en
Publication of KR20160052269A publication Critical patent/KR20160052269A/ko
Application granted granted Critical
Publication of KR101665196B1 publication Critical patent/KR101665196B1/ko

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

영상 인식 장치 및 방법이 개시된다. 개시된 장치는, 입력 영상을 획득하는 영상 획득부; 상기 입력 영상을 1차원 벡터로 변환하고 차원을 축소시키며 상기 입력 영상을 상기 레퍼런스 영상의 벡터합으로 표현하기 위한 계수를 산출하는 영상 변환부; 상기 영상 변환부에서 변화된 입력 영상으로부터 상기 각 레퍼런스 영상에 상기 계수를 적용한 값들을 차감한 차감값들을 이용하여 상기 입력 영상에 대응되는 레퍼런스 영상을 판단하는 판단부를 포함한다. 개시된 장치에 의하면, 빠른 속도로 영상 인식이 가능하며, 레퍼런스 영상을 변환하여 저장함으로써 사용자의 프라이버시 침해 가능성이 낮은 장점이 있다.

Description

영상 인식 방법 및 장치{Method and Device for Recognizing Image}
본 발명은 영상 인식 장치 및 방법에 관한 것이다.
전자 장비 및 통신 기술의 발달과 함께 출입 및 사용을 허용하는 인증 기술도 급속도로 변화하고 있다. 특정 지역에 출입하기 위한 권한, 특정 기기를 사용하기 위한 권한 등을 확인하기 위해 다양한 방법으로 본인 인증이 이루어지고 있다.
인증 방법 중 가장 대표적인 방법은 사람의 신체 일부가 미리 저장된 레퍼런스 영상과 일치하는지 여부를 확인하는 방법이다.
예를 들어, 사람의 얼굴, 지문, 홍채등과 같이 유일성이 있는 특정 부분을 미리 촬영하여 저장한 후 저장된 레퍼런스 영상과 카메라 등을 획득되는 신체 영상을 비교하여 권한이 있는 사용자인지 여부를 판단하는 방법이 주로 이용된다.
이와 같은 인증 방법을 사용하기 위해서는 영상의 획득 및 영상의 비교 과정이 필요하며, 이를 위해서는 상당한 연산이 필요하므로 고가의 프로세서가 필요할 뿐만 아니라 비교적 긴 처리 시간을 필요로 하였다.
또한, 카메라 등을 통해 획득되는 영상이 항상 레퍼런스 영상과 같은 각도로 획득되지 아니하여 처리의 안정성에도 문제가 있었다.
아울러, 사용자의 신체를 촬영한 영상이 시스템에 저장되므로 사생활 보호에도 문제가 있었다.
본 발명의 일 실시예는 빠른 속도로 영상 인식이 가능한 영상 인식 장치 및 방법을 제공한다.
또한, 본 발명의 일 실시예는 레퍼런스 영상을 변환하여 저장함으로써 사용자의 프라이버시 침해 가능성이 낮은 영상 인식 장치 및 방법을 제공한다.
상기한 목적을 달성하기 위해 본 발명의 일 실시예에 따르면, 레퍼런스 영상을 1차원 벡터로 변환하여 저장하는 레퍼런스 영상 저장부; 입력 영상을 획득하는 영상 획득부; 상기 입력 영상을 1차원 벡터로 변환하고 차원을 축소시키며 상기 입력 영상을 상기 레퍼런스 영상의 벡터합으로 표현하기 위한 계수를 산출하는 영상 변환부; 상기 영상 변환부에서 변화된 입력 영상으로부터 상기 각 레퍼런스 영상에 상기 계수를 적용한 값들을 차감한 차감값들을 이용하여 상기 입력 영상에 대응되는 레퍼런스 영상을 판단하는 판단부를 포함하는 영상 인식 장치가 제공된다.
레퍼런스 영상 저장부는 1차원 벡터로 변환 후 차원 축소가 이루어진 레퍼런스 영상을 저장한다.
상기 차원 축소는 랜덤 매트릭스를 이용하여 이루어질 수 있다.
상기 판단부는 상기 차감값들 중 가장 작은 차감값에 상응하는 레퍼런스 영상을 입력 영상에 대응되는 레퍼런스 영상으로 판단한다.
상기 영상 변환부는 최소자승법을 이용하여 상기 계수를 산출한다.
상기 계수는 다음의 수학식을 이용하여 산출된다.
Figure 112014106305510-pat00001
위 수학식에서,
Figure 112014106305510-pat00002
는 계수 집합을 의미하고,
Figure 112014106305510-pat00003
는 i번째 레퍼런스 영상에 대한 계수를 의미하며, R은 랜덤 매트릭스, A는 레퍼런스 영상, Ai는 i번째 레퍼런스 영상을 의미하고, y는 차원이 축소된 입력 영상을 의미함.
본 발명의 다른 측면에 따르면, 레퍼런스 영상을 1차원 벡터로 변환하여 저장하는 단계(a); 입력 영상을 획득하는 단계(b); 상기 입력 영상을 1차원 벡터로 변환하고 차원을 축소시키며 상기 입력 영상을 상기 레퍼런스 영상의 벡터합으로 표현하기 위한 계수를 산출하는 단계(c) 상기 단계(c)에서 변화된 입력 영상으로부터 상기 각 레퍼런스 영상에 상기 계수를 적용한 값들을 차감한 차감값들을 이용하여 상기 입력 영상에 대응되는 레퍼런스 영상을 판단하는 단계(d)를 포함하는 영상 인식 방법이 제공된다.
본 발명에 의하면, 빠른 속도로 영상 인식이 가능하며, 레퍼런스 영상을 변환하여 저장함으로써 사용자의 프라이버시 침해 가능성이 낮은 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 영상 인식 장치의 전체적인 구조를 도시한 도면.
도 2는 본 발명의 일 실시예에 따른 영상 변환부의 모듈 구조를 도시한 블록도.
도 3은 본 발명의 일 실시예에 따른 영상 인식 장치에서 판단부의 동작 구조를 도시한 도면.
도 4는 본 발명의 일 실시예에 따른 영상 인식 방법의 흐름을 도시한 순서도.
도 5는 일반적인 영상 인식 장치에서 사용되는 레퍼런스 영상의 일례를 도시한 도면.
도 6은 본 발명의 일 실시예에 따라 도 5의 레퍼런스 영상의 차원을 축소시킨 영상의 일례를 도시한 도면.
도 7은 판단부에서 연산하는 입력 영상과 레퍼런스 영상과의 차이값의 일례를 나타낸 히스토그램.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 영상 인식 장치의 전체적인 구조를 도시한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 영상 인식 장치는, 영상 획득부(100), 영상 변환부(110), 레퍼런스 데이터 저장부(120) 및 판단부(130)를 포함할 수 있다.
본 발명의 일 실시예에 따른 영상 인식 장치는 보안 등의 목적으로 사용되는 영상 인식 장치로서 입력 영상을 식별하기 위한 영상 인식 장치이다. 예를 들어, 입력 영상을 미리 저장되어 있는 레퍼런스 영상과 비교하여 인증된 사용자인지 여부를 식별하도록 동작한다.
예를 들어, 본 발명의 일 실시예에 따른 영상 인식 장치는 출입구 등에서 출입이 허용된 사람인지 여부를 판단하는데 이용될 수도 있으며, 결제 및 기타 금융 행위가 이루어질 때 인증된 사용자가 해당 금융 행위를 수행하는지 판단하는데 이용될 수도 있다.
본 발명의 영상 인식 장치는 입력 영상과 미리 저장되어 있는 레퍼런스 영상을 비교하여 입력 영상을 식별하는데, 획득한 영상(입력 영상 및 레퍼런스 영상을 포함함)의 변환을 통해 단순한 연산으로 비교 작업이 이루어질 수 있도록 하고 처리의 안정성을 향상시킨다.
이하, 도 1을 참조하여 본 발명의 일 실시예에 따른 영상 인식 장치의 구성을 설명한다.
영상 획득부(100)는 식별을 위한 입력 영상 또는 레퍼런스 영상을 획득하는 기능을 한다. 레퍼런스 영상은 인증을 위해 미리 저장되는 영상이며 입력 영상은 인증을 위해 입력되는 영상을 의미한다.
물론, 레퍼런스 영상은 영상 인식 장치의 영상 획득부(100)에서 획득될 필요는 없으며 다른 루트를 통해 본 발명의 영상 인식 장치에 제공되어 저장될 수도 있다.
본 실시예에서는 입력 영상과 레퍼런스 영상이 모두 영상 획득부(100)에 의해 획득 가능하다는 것을 전제로 기술할 것이나, 레퍼런스 영상이 영상 인식 장치의 영상 획득부(100)가 아닌 별도의 영상 획득 수단을 통해 획득되어 영상 인식 장치에 제공될 수 있다는 점은 당업자에게 있어 자명할 것이다.
영상 획득부(100)는 카메라, CCD와 같은 다양한 영상 센서를 포함하며, 소정의 엔코딩 작업을 통해 획득한 영상에 대한 영상 데이터를 생성한다.
영상 획득부(100)에서 생성하는 영상 데이터는 2차원 픽셀 데이터이며, 해상도에 따라 픽셀 데이터의 사이즈가 결정된다.
영상 획득부(100)는 인증을 위해 사람의 얼굴, 지문, 홍채 등과 같은 다양한 대상의 영상을 획득할 수 있을 것이다.
영상 변환부(110)는 영상 획득부에서 획득한 영상을 변환하는 기능을 한다. 영상 변환부는 입력 영상 및 레퍼런스 영상에 대한 변환 작업을 모두 수행할 수 있다.
본 발명은 입력 영상을 레퍼런스 영상 데이터에 대한 선형합으로 표현할 때 해당 선형합에 적용되는 계수들이 성긴 특성(Sparse Characteristic)을 가진다는 점에 착안한다
성긴 특성은 미리 주어진 데이터 집합에서 일부의 값만이 특정 값을 가지고 나머지 대부분의 값은 0이 된다는 것을 의미한다.
본 발명은 이와 같은 성긴 특성을 이용하여 영상 변환을 수행하며, 도 2를 참조하여 영상 변환부의 구체적인 구조를 설명한다.
도 2는 본 발명의 일 실시예에 따른 영상 변환부의 모듈 구조를 도시한 블록도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 영상 변환부는 1차원 벡터 변환부(200), 차원 축소부(210) 및 계수 산출부(220)를 포함한다.
1차원 벡터 변환부(200)는 영상 획득부(100)에서 생성하는 2차원의 영상 데이터를 1차원 벡터로 변환시킨다. 예를 들어, 영상 변환부는 영상 데이터에서 2번째 행의 픽셀 데이터를 첫번째 행의 픽셀 데이터에 연속적으로 이어서 나열하는 방식으로 2차원 데이터를 1차원 벡터로 변환시킬 수 있을 것이다.
본 발명은 1차원으로 변환된 입력 영상 데이터가 레퍼런스 데이터(v)의 선형 합으로 표현될 수 있다는 점을 가정한다. 이때 레퍼런스 데이터(v)역시 벡터의 형태를 가지며, 다음의 수학식 1은 입력 영상을 레퍼런스 데이터의 선형합으로 표현한 일례를 나타낸 것이다.
Figure 112014106305510-pat00004
위 수학식 1에서, α는 계수이고, v는 레퍼런스 영상 데이터의 벡터를 의미한다. 또한, 수학식 1에서, i는 레퍼런스 영상에 대한 식별번호를 의미한다.
예를 들어, 레퍼런스 영상 데이터의 수는 k개라고 가정하며, 이는 유효한 인증 대상이 k개라는 것을 의미한다. 따라서, 레퍼런스 영상 데이터는 K개의 레퍼런스 영상 데이터 집합으로 표현할 수 있으며, 이는 다음의 수학식 2의 첫번째 수학식으로 표현되어 있다.
또한, 각 레퍼런스 영상 데이터는 다수의 벡터 집합으로 표현되며, 예를 들어 제1 레퍼런스 영상 데이터의 벡터 집합이 다음의 수학식 2의 두번째 수학식으로 표현되어 있다.
Figure 112014106305510-pat00005
또한, 각 레퍼런스 영상 데이터는 다수의 벡터 집합으로 표현되며, 예를 들어 제1 레퍼런스 영상 데이터는 다음의 수학식 3과 같이 표현할 수 있다.
이때, 입력 영상 y는 레퍼런스 영상 데이터에 대해 다음의 수학식 3과 같이 표현될 수 있다.
Figure 112014106305510-pat00006
위 수학식 3에서, x는 i번째 레퍼런스 영상 데이터에 대응하는 계수들을 의미한다. 만일 입력 영상이 첫번째 레퍼런스 영상에 대응되는 영상이라면 첫번째 레퍼런스 영상의 계수들에 대해서는 특정 값을 가질 것이나 나머지 레퍼런스 영상들에 대해서는 대부분 0의 값을 가질 것이다.
따라서, 입력 영상을 레퍼런스 영상 데이터의 선형합으로 표현할 때 이에 적용되는 계수들의 집합은 성긴 특성을 가진다고 할 수 있다.
본 발명은 이러한 성긴 특성을 가질 경우 데이터 차원 축소를 하더라도 복원이 용이하다는 장점을 이용하여 영상 데이터에 대한 차원 축소를 수행한다.
차원 축소부(210)는 1차원 벡터로 변환된 영상 데이터의 차원을 축소시킨다. 본 발명의 바람직한 실시예에 따르면, 랜덤 매트릭스를 이용하여 1차원 벡터로 변환된 영상 데이터의 차원을 축소시킨다. 랜덤 매트릭스를 이용한 차원 축소는 공지된 기술이므로 이에 대한 상세한 설명은 생략한다.
물론, 랜덤 매트릭스 이외에도 차원을 축소시킬 수 있는 다른 방법이 적용되어 차원 축소가 이루어질 수도 있다는 점은 당업자에게 있어 자명할 것이다.
예를 들어, 1차원 벡터로 변환된 입력 영상의 차원이 m이라고 할 때, 차원 축소부(210)는 차원을 d (d<<m)로 축소시키는 것이다. 특정 데이터가 성긴 특성을 가질 경우 이와 같이 차원 축소가 이루어지더라도 복원이 가능하다.
차원이 축소된 1차원 영상 데이터는 다음의 수학식 4와 같이 표현될 수 있다.
Figure 112014106305510-pat00007
위 수학식 4에서 R은 랜덤 매트릭스를 의미한다. 1차원 영상 데이터에 대한 차원 축소가 이루어지면, 계수 산출부(220)는 차원이 축소된 입력 영상의 1차원 영상 데이터를 레퍼런스 영상 데이터의 선형합으로 표현하기 위한 계수를 산출한다. 물론, 여기서 계수를 산출하기 위한 레퍼런스 영상 데이터 역시 차원이 축소된 1차원 영상 데이터이다.
본 발명의 바람직한 실시예에 따르면, 계수 산출부(220)는 least square maehod(최소 자승법)을 이용하여 계수를 산출한다. 최소 자승법은 공지된 기술이므로 이에 대한 상세한 설명은 생략한다.
최소 자승법을 이용하여 계수를 산출하는 일례는 다음의 수학식 5와 같이 표현될 수 있다.
Figure 112014106305510-pat00008
위 수학식 5를 통해 산출되는 계수
Figure 112014106305510-pat00009
는 차원이 축소된 1차원 입력 영상 데이터를 차원이 축소된 1차원 레퍼런스 영상 데이터의 선형합으로 표현하기 위한 계수로서 수학식 1에 표현된 계수 x와는 상이하다. 위 수학식 5에서,
Figure 112014106305510-pat00010
는 i번째 레퍼런스 영상에 대한 계수를 의미한다.
레퍼런스 영상 저장부(120)에는 레퍼런스 영상 데이터가 저장된다. 본 발명의 바람직한 실시예에 따르면, 레퍼런스 영상 저장부(120)에는 차원이 축소되고 1차원으로 변환된 레퍼런스 영상 데이터가 저장되는 것이 바람직하다. 물론, 레퍼런스 영상 저장부(120)에는 변환되지 않은 레퍼런스 영상 데이터가 함께 저장될 수도 있을 것이다.
판단부(130)는 입력 영상이 레퍼런스 영상들 중 어떠한 레퍼런스 영상에 대응되는 영상인지 판단하는 기능을 한다.
도 3은 본 발명의 일 실시예에 따른 영상 인식 장치에서 판단부의 동작 구조를 도시한 도면이다.
판단부(130)는 영상 변환부(110)에 의해 변환된 입력 영상 데이터(300)와 레퍼런스 영상 저장부(120)에 저장된 차원 축소 및 1차원 변환이 이루어진 레퍼런스 영상들(310)에 산출된 계수를 적용한 값과의 차감 연산을 수행하고 가장 작은 값에 상응하는 레퍼런스 영상 데이터에 입력 영상이 대응된다고 판단한다.
구체적으로, 제1 레퍼런스 영상에 제1 레퍼런스 영상에 상응하는 계수 Xc(1)을 적용한 값을 1차원 변환 및 차원 축소가 이루어진 입력 영상으로부터 차감한다. 이러한 차감 동작은 모든 레퍼런스 영상에 대해 이루어진다.
물론, 판단부(130)는 입력 영상과 계수를 적용한 각 레퍼런스 영상과의 차감값이 미리 설정된 임계치 이상일 경우 입력 영상이 어떠한 레퍼런스 영상과도 대응되지 않는다고 판단할 수 있다.
본 발명의 일 실시예에 따르면, 다음의 수학식 6에 의해 입력 영상이 어떠한 레퍼런스 영상에 대응되는지 판단할 수 있다.
Figure 112014106305510-pat00011
도 7은 판단부에서 연산하는 입력 영상과 레퍼런스 영상과의 차이값의 일례를 나타낸 히스토그램이다.
도 7을 참조하면, 13개의 레퍼런스 영상에 대해 입력 영상과의 차이값을 나타낸 히스토그램이 도시되어 있다.
도 7에서, 제1 레퍼런스 영상이 가장 작은 차이값을 가지며 판단부(130)는 입력 영상이 제1 레퍼런스 영상에 대응된다고 판단한다.
도 4는 본 발명의 일 실시예에 따른 영상 인식 방법의 흐름을 도시한 순서도이다.
도 4를 참조하면, 우선 입력 영상을 획득하는 작업이 이루어진다(단계 400). 입력 영상의 획득은 카메라 등과 같은 다양한 영상 획득 장치를 이용하여 수행될 수 있다.
전술한 바와 같이, 사람의 얼굴, 지문, 홍채 등을 입력 영상으로 획득할 수 있을 것이다.
입력 영상이 획득되면, 획득한 입력 영상 데이터를 1차원 벡터로 변환한다(단계 402).
1차원 벡터 변환이 이루어지면, 1차원 벡터의 차원을 축소(데이터 사이즈 감소)시키는 차원 축소를 수행한다(단계 404). 앞서 설명한 바와 같이, 랜덤 매트릭스를 이용하여 차원 축소를 수행할 수 있으며, 랜덤 매트릭스 이외에도 알려진 다양한 데이터 축소 방법이 적용될 수 있을 것이다.
차원 축소가 이루어지면, 각 레퍼런스 영상들의 벡터로 차원이 축소 및 1차원 변환이 이루어진 입력 영상 데이터를 표현하기 위한 계수를 산출한다(단계 406).
레퍼런스 영상 저장부(120)에는 차원 축소 및 1차원 변환이 이루어진 레퍼런스 영상 데이터들이 저장되며, 이러한 레퍼런스 영상 데이터는 다수의 벡터를 포함한다.
단계 406에서 산출하는 계수는 차원 축소 및 1차원 변환이 이루어진 입력 영상을 레퍼런스 영상의 선형합으로 표현하기 위한 계수이다. 각 레퍼런스 영상별로 계수가 산출될 수 있으며, 계수를 산출하기 위한 수학식은 위 수학식 6에 표현되어 있다.
각 레퍼런스 영상별로 계수가 산출되면, 1차원 변환 및 차원 축소가 이루어진 입력 영상과 위 산출된 계수가 적용된 레퍼런스 영상들과의 차이값을 이용하여 입력 영상에 대응되는 레퍼런스 영상을 판단한다(단계 408). 앞서 설명한 바와 같이, 차이값이 가장 작은 레퍼런스 영상을 입력 영상에 대응되는 레퍼런스 영상으로 판단한다.
도 5는 일반적인 영상 인식 장치에서 사용되는 레퍼런스 영상의 일례를 도시한 도면이고, 도 6은 본 발명의 일 실시예에 따라 도 5의 레퍼런스 영상의 차원을 축소시킨 영상의 일례를 도시한 도면이다.
도 5에 도시된 레퍼런스 영상은 변환 전의 레퍼런스 영상으로서 도 5에 도시된 영상은 본 발명의 레퍼런스 영상 저장부에 저장되지 않는 것이 바람직하다.
도 6은 변환이 이루어진 레퍼런스 영상으로서, 도 5의 영상이 192 X 168의 사이즈를 가지는 반면 도 5의 영상은 차원이 축소되어 24 X 21의 사이즈를 가진다. 물론 실질적인 데이터 형태는 1차원이다.
레퍼런스 영상 저장부(120)에는 도 6과 같이 변환이 이루어진 레퍼런스 영상 데이터가 저장되기 때문에 설사 레퍼런스 영상 저장부에 저장된 레퍼런스 영상 데이터가 유츌된다고 할지라도 해당 영상이 어떠한 객체인지를 인지하기 어려워 보다 높은 보안성을 유지할 수 있게 된다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

Claims (12)

  1. 레퍼런스 영상들을 1차원 벡터로 변환하여 저장하는 레퍼런스 영상 저장부;
    입력 영상을 획득하는 영상 획득부;
    상기 입력 영상을 1차원 벡터로 변환하고 차원을 축소시키며 상기 입력 영상을 상기 레퍼런스 영상들의 벡터합으로 표현하기 위한 계수를 산출하는 영상 변환부;
    상기 영상 변환부에서 변화된 입력 영상으로부터 상기 각 레퍼런스 영상들에 상기 계수를 적용한 값들을 차감한 차감값들을 이용하여 상기 입력 영상에 대응되는 레퍼런스 영상을 판단하는 판단부를 포함하되,
    상기 레퍼런스 영상 저장부는 1차원 벡터로 변환 후 차원 축소가 이루어진 레퍼런스 영상들을 저장하고, 상기 차원 축소는 랜덤 매트릭스를 이용하여 이루어지며,
    상기 영상 변환부는 최소자승법을 이용하여 상기 계수를 산출하고,
    상기 계수는 다음의 수학식을 이용하여 산출되는 것을 특징으로 하는 영상 인식 장치.
    Figure 112016083597788-pat00025

    위 수학식에서,
    Figure 112016083597788-pat00026
    는 계수 집합을 의미하고,
    Figure 112016083597788-pat00027
    는 i번째 레퍼런스 영상에 대한 계수를 의미하며, R은 랜덤 매트릭스, A는 레퍼런스 영상, Ai는 i번째 레퍼런스 영상을 의미하고, y는 차원이 축소된 입력 영상을 의미함.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 판단부는 상기 차감값들 중 가장 작은 차감값에 상응하는 레퍼런스 영상을 입력 영상에 대응되는 레퍼런스 영상으로 판단하는 것을 특징으로 하는 영상 인식 장치.
  5. 삭제
  6. 삭제
  7. 레퍼런스 영상들을 1차원 벡터로 변환하여 저장하는 단계(a);
    입력 영상을 획득하는 단계(b);
    상기 입력 영상을 1차원 벡터로 변환하고 차원을 축소시키며 상기 입력 영상을 상기 레퍼런스 영상들의 벡터합으로 표현하기 위한 계수를 산출하는 단계(c);
    상기 단계(c)에서 변화된 입력 영상으로부터 상기 각 레퍼런스 영상들에 상기 계수를 적용한 값들을 차감한 차감값들을 이용하여 상기 입력 영상에 대응되는 레퍼런스 영상을 판단하는 단계(d)를 포함하되,
    상기 단계(a)는 1차원 벡터로 변환 후 차원 축소가 이루어진 레퍼런스 영상들을 저장하며, 상기 차원 축소는 랜덤 매트릭스를 이용하여 이루어지며,
    상기 단계(c)는 최소자승법을 이용하여 상기 계수를 산출하고,
    상기 계수는 다음의 수학식을 이용하여 산출되는 것을 특징으로 하는 영상 인식 방법.

    Figure 112016083597788-pat00028

    위 수학식에서,
    Figure 112016083597788-pat00029
    는 계수 집합을 의미하고,
    Figure 112016083597788-pat00030
    는 i번째 레퍼런스 영상에 대한 계수를 의미하며, R은 랜덤 매트릭스, A는 레퍼런스 영상, Ai는 i번째 레퍼런스 영상을 의미하고, y는 차원이 축소된 입력 영상을 의미함.
  8. 삭제
  9. 삭제
  10. 제7항에 있어서,
    상기 단계(d)는 상기 차감값들 중 가장 작은 차감값에 상응하는 레퍼런스 영상을 입력 영상에 대응되는 레퍼런스 영상으로 판단하는 것을 특징으로 하는 영상 인식 방법.



  11. 삭제
  12. 삭제
KR1020140152375A 2014-11-04 2014-11-04 영상 인식 방법 및 장치 KR101665196B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020140152375A KR101665196B1 (ko) 2014-11-04 2014-11-04 영상 인식 방법 및 장치
US14/930,530 US9990539B2 (en) 2014-11-04 2015-11-02 Method and device for recognizing image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140152375A KR101665196B1 (ko) 2014-11-04 2014-11-04 영상 인식 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20160052269A KR20160052269A (ko) 2016-05-12
KR101665196B1 true KR101665196B1 (ko) 2016-10-12

Family

ID=55852992

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140152375A KR101665196B1 (ko) 2014-11-04 2014-11-04 영상 인식 방법 및 장치

Country Status (2)

Country Link
US (1) US9990539B2 (ko)
KR (1) KR101665196B1 (ko)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100601957B1 (ko) * 2004-07-07 2006-07-14 삼성전자주식회사 얼굴 인식을 위한 영상간 대응 결정 방법 및 장치, 이를이루기위한 영상 보정 방법 및 장치
US8406525B2 (en) * 2008-01-31 2013-03-26 The Regents Of The University Of California Recognition via high-dimensional data classification
KR101174048B1 (ko) * 2010-12-10 2012-08-16 경북대학교 산학협력단 객체 인식 장치 및 객체 인식 방법
KR101370514B1 (ko) * 2012-05-24 2014-03-06 한국과학기술원 얼굴 인식 방법 및 그 장치

Also Published As

Publication number Publication date
US9990539B2 (en) 2018-06-05
KR20160052269A (ko) 2016-05-12
US20160125230A1 (en) 2016-05-05

Similar Documents

Publication Publication Date Title
EP3251056B1 (en) Method and device for face in-vivo detection
KR102388698B1 (ko) 데이터를 보호하기 위해 데이터베이스에 데이터를 등록하는 방법
KR20140061966A (ko) 생체 정보 보정 장치, 생체 정보 보정 방법 및 생체 정보 보정용 컴퓨터 판독 가능한 기록 매체
KR20140127199A (ko) 얼굴 인식 방법 및 장치
CN110532746B (zh) 人脸校验方法、装置、服务器及可读存储介质
CN108710841B (zh) 一种基于MEMs红外阵列传感器的人脸活体检测装置及方法
CN109948439B (zh) 一种活体检测方法、***及终端设备
CN113642639A (zh) 活体检测方法、装置、设备和存储介质
KR20180092197A (ko) 지문 인식을 위한 후보 지문 이미지를 선정하는 장치 및 방법
CN111339897A (zh) 活体识别方法、装置、计算机设备和存储介质
KR102558736B1 (ko) 지문 인식 방법 및 장치
KR20210058882A (ko) 안면 인식 방법 및 디바이스
CN112633281B (zh) 一种基于Hash算法车辆身份认证方法及***
US20190279392A1 (en) Medium recognition device and medium recognition method
KR101665196B1 (ko) 영상 인식 방법 및 장치
KR101311309B1 (ko) 영상 조작 검출방법 및 영상 조작 검출장치
KR20150120805A (ko) 거리 영상에서 사람을 검출하는 방법 및 시스템
Jha et al. Face recognition: A Fourier transform and SVD based approach
KR101604097B1 (ko) 객체 식별 장치 및 이를 이용한 객체 식별 방법
KR101422549B1 (ko) 얼굴 인식 방법 및 그 시스템
US20240071135A1 (en) Image processing device, image processing method, and program
JP5777389B2 (ja) 画像処理装置、画像処理システム及び画像処理方法
US20240104963A1 (en) Determination method, determination program, and information processing apparatus
US20220174211A1 (en) Image capture device, image capture method, and image capture system
KR101083367B1 (ko) 영상을 이용한 사용자 인증 방법 및 장치

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20191028

Year of fee payment: 4