KR20220151596A - Age estimating apparatus and method for estimating age - Google Patents
Age estimating apparatus and method for estimating age Download PDFInfo
- Publication number
- KR20220151596A KR20220151596A KR1020220147992A KR20220147992A KR20220151596A KR 20220151596 A KR20220151596 A KR 20220151596A KR 1020220147992 A KR1020220147992 A KR 1020220147992A KR 20220147992 A KR20220147992 A KR 20220147992A KR 20220151596 A KR20220151596 A KR 20220151596A
- Authority
- KR
- South Korea
- Prior art keywords
- age
- face
- user
- facial feature
- age estimation
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 32
- 230000001815 facial effect Effects 0.000 claims abstract description 202
- 230000015654 memory Effects 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000001356 surgical procedure Methods 0.000 claims description 10
- 239000002537 cosmetic Substances 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 4
- 230000037213 diet Effects 0.000 claims description 2
- 235000005911 diet Nutrition 0.000 claims description 2
- 238000007726 management method Methods 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 21
- 210000000088 lip Anatomy 0.000 description 55
- 238000010586 diagram Methods 0.000 description 44
- 210000001331 nose Anatomy 0.000 description 38
- 238000013473 artificial intelligence Methods 0.000 description 36
- 238000004891 communication Methods 0.000 description 21
- 238000013528 artificial neural network Methods 0.000 description 14
- 210000004709 eyebrow Anatomy 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 9
- 210000001508 eye Anatomy 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000945 filler Substances 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 229910052709 silver Inorganic materials 0.000 description 2
- 239000004332 silver Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
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
-
- 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
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Image Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
Abstract
Description
본 개시(disclosure)는 얼굴 이미지에 기초하여 사용자의 나이를 추정하는 나이 추정 장치 그 방법에 관한 것이다.The present disclosure relates to an age estimation device and method for estimating a user's age based on a face image.
최근에 인공 지능에 기반한 이미지 처리 기술 또는 이미지 인식 기술이 많이 개발 및 이용되고 있다. 이러한 이미지 처리 기술 또는 이미지 인식 기술에는 이미지에 포함된 객체의 종류를 인식하는 기술부터, 이미지에 포함된 객체를 구체적으로 식별하는 기술 등이 포함된다. Recently, many image processing technologies or image recognition technologies based on artificial intelligence have been developed and used. Such image processing technology or image recognition technology includes a technology for recognizing the type of an object included in an image, a technology for specifically identifying an object included in an image, and the like.
이러한 이미지 인식 기술은 사용자의 얼굴을 식별하는 얼굴 인식 보안 기능을 제공하는데에도 사용되기도 한다. 그러나, 사용자의 얼굴을 식별하는 기술은 여러 사용자들을 서로 구분할 수 있을 뿐으로, 식별된 사용자에 대한 정보를 제공해주지 못한다.This image recognition technology is also used to provide a face recognition security function that identifies a user's face. However, the technology for identifying a user's face can only distinguish several users from each other, but does not provide information about the identified user.
만약 얼굴 이미지에 기초하여 사용자의 나이를 추정할 수 있다면, 사용자의 나이를 간편하게 파악할 수 있으며, 추정한 나이에 기초하여 다양한 기능을 제공할 수 있을 것이다.If the user's age can be estimated based on the face image, the user's age can be easily identified and various functions can be provided based on the estimated age.
본 개시는 얼굴 이미지에 기초하여 사용자의 나이를 추정하는 나이 추정 장치 및 그 방법을 제공하고자 한다.An object of the present disclosure is to provide an age estimation device and method for estimating a user's age based on a face image.
본 개시의 일 실시 예에 따른 나이 추정 장치는 얼굴 특징점 추출 모델 및 나이 추정 모델을 저장하는 메모리; 및 적어도 하나 이상의 얼굴 이미지를 수신하고, 얼굴 특징점 추출 모델을 이용하여 얼굴 이미지에서 복수의 얼굴 특징점을 추출하고, 복수의 얼굴 특징점으로부터 미리 정해진 복수의 얼굴 지표를 추출하고, 나이 추정 모델과 복수의 얼굴 지표를 이용하여 사용자의 나이를 추정하는 프로세서를 포함할 수 있다.An age estimation apparatus according to an embodiment of the present disclosure includes a memory for storing a facial feature point extraction model and an age estimation model; and receiving at least one face image, extracting a plurality of facial feature points from the face image using a facial feature point extraction model, extracting a plurality of predetermined face indicators from the plurality of facial feature points, and extracting a plurality of facial features using an age estimation model and a plurality of faces. A processor for estimating the user's age using the indicator may be included.
프로세서는 복수의 얼굴 특징점을 표준화하고, 복수의 표준화된 얼굴 특징점으로부터 복수의 얼굴 지표를 추출할 수 있다.The processor may standardize a plurality of facial feature points and extract a plurality of face indicators from the plurality of standardized facial feature points.
프로세서는 복수의 얼굴 특징점들 중에서 적어도 일부에 기초하여 얼굴의 미리 정해진 부위가 미리 정해진 좌표에 배치되도록 얼굴 이미지의 변환 규칙을 결정하고, 변환 규칙에 기초하여 복수의 얼굴 특징점들을 표준화할 수 있다.The processor may determine a transformation rule of the face image so that a predetermined part of the face is disposed at predetermined coordinates based on at least some of the plurality of facial feature points, and standardize the plurality of facial feature points based on the transformation rule.
얼굴 특징점 추출 모델은 인공 신경망(neural network)으로 구성된 딥 러닝 모델이고, 얼굴 이미지가 입력되면 입력된 얼굴 이미지에 대응하는 미리 정해진 개수만큼의 복수의 얼굴 특징점을 추출할 수 있다.The facial feature point extraction model is a deep learning model composed of an artificial neural network, and when a face image is input, a plurality of facial feature points corresponding to a predetermined number corresponding to the input face image may be extracted.
프로세서는 복수의 얼굴 이미지를 수신한 경우, 복수의 얼굴 이미지 각각으로부터 복수의 얼굴 특징점을 추출하고, 서로 대응하는 위치의 얼굴 특징점의 평균을 산출하여 복수의 평균 얼굴 특징점들을 산출하고, 복수의 평균 얼굴 특징점들로부터 복수의 얼굴 지표를 추출할 수 있다.When a plurality of face images are received, the processor extracts a plurality of facial feature points from each of the plurality of face images, calculates an average of facial feature points at positions corresponding to each other, calculates a plurality of average facial feature points, and calculates a plurality of average face features. A plurality of face indicators may be extracted from feature points.
프로세서는 복수의 얼굴 이미지 중에서 아웃라이어(outlier) 얼굴 이미지를 결정하고, 아웃라이어 얼굴 이미지를 제외한 얼굴 이미지로부터 복수의 얼굴 특징점을 추출할 수 있다.The processor may determine an outlier face image from among a plurality of face images and extract a plurality of facial feature points from the face image excluding the outlier face image.
복수의 얼굴 이미지는 미리 정해진 기간 이내에 촬영된 얼굴 이미지들일 수 있다.The plurality of face images may be face images captured within a predetermined period.
나이 추정 모델은 선형 회귀 모델, 의사 결정 나무 또는 딥 러닝 모델이고, 적어도 복수의 얼굴 지표가 입력되면 추정된 나이를 출력하는 모델일 수 있다.The age estimation model may be a linear regression model, a decision tree, or a deep learning model, and may output an estimated age when at least a plurality of face indicators are input.
프로세서는 복수의 얼굴 특징점, 복수의 얼굴 지표 또는 사용자의 신체 정보 중에서 적어도 하나 이상 및 나이 추정 모델을 이용하여 사용자의 나이를 추정하고, 신체 정보는 사용자의 신장, 사용자의 체중 또는 사용자의 체지방지수(BMI) 중에서 적어도 하나 이상을 포함할 수 있다.The processor estimates the age of the user by using at least one of a plurality of facial feature points, a plurality of facial indicators, or body information of the user and an age estimation model, and the body information is the height of the user, the weight of the user, or the body fat index of the user ( BMI) may include at least one or more.
복수의 얼굴 지표는 얼굴 전체 면적, 입술 면적, 얼굴 관련 지표, 코 관련 지표 또는 입술 관련 지표 중에서 적어도 하나 이상을 포함하고, 얼굴 관련 지표는 얼굴 윤곽선의 기울기를 포함할 수 있다.The plurality of face indices include at least one of a total face area, a lip area, a face-related index, a nose-related index, and a lip-related index, and the face-related index may include an inclination of a face contour line.
나이 추정 장치는 카메라를 더 포함하고, 프로세서는 카메라를 통해 적어도 하나 이상의 얼굴 이미지를 수신할 수 있다.The age estimation device may further include a camera, and the processor may receive at least one face image through the camera.
나이 추정 장치는 사용자 단말기와 통신하는 통신부를 더 포함하고, 프로세서는 통신부를 통해 사용자 단말기로부터 적어도 하나 이상의 얼굴 이미지를 수신할 수 있다.The age estimation apparatus may further include a communication unit that communicates with the user terminal, and the processor may receive at least one face image from the user terminal through the communication unit.
프로세서는 추정된 나이를 이용하여 나이 인증시, 추정된 나이가 인증에서 요구하는 나이보다 미리 정해진 마진만큼 크거나 같은 경우, 추정된 나이가 나이 인증에 적합하다고 판단할 수 있다.When performing age authentication using the estimated age, the processor may determine that the estimated age is suitable for age authentication when the estimated age is greater than or equal to an age required for authentication by a predetermined margin.
본 개시의 일 실시 예에 따른 나이를 추정하는 방법은 적어도 하나 이상의 얼굴 이미지를 수신하는 단계; 얼굴 특징점 추출 모델을 이용하여 얼굴 이미지에서 복수의 얼굴 특징점을 추출하는 단계; 복수의 얼굴 특징점으로부터 미리 정해진 복수의 얼굴 지표를 추출하는 단계; 및 나이 추정 모델과 복수의 얼굴 지표를 이용하여 사용자의 나이를 추정하는 단계를 포함할 수 있다.A method for estimating an age according to an embodiment of the present disclosure includes receiving at least one face image; extracting a plurality of facial feature points from a face image using a facial feature point extraction model; extracting a plurality of predetermined facial indicators from a plurality of facial feature points; and estimating the user's age using the age estimation model and a plurality of face indicators.
본 개시의 다양한 실시 예에 따르면, 사용자의 얼굴 이미지를 촬영하는 것만으로도 간단하게 사용자의 나이를 추정할 수 있다.According to various embodiments of the present disclosure, the user's age can be estimated simply by capturing the user's face image.
또한, 본 개시의 다양한 실시 예에 따르면, 사용자의 얼굴 이미지를 촬영하는 것만으로도 간단하게 나이 기반 서비스를 제공할 수 있다.Also, according to various embodiments of the present disclosure, an age-based service can be provided simply by capturing a user's face image.
도 1은 본 개시의 일 실시 예에 따른 나이 추정 장치를 나타낸 블록도이다.
도 2는 본 개시의 일 실시 예에 따른 인공 지능 서버를 나타낸 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 인공 지능 시스템을 나타낸 도면이다.
도 4는 본 개시의 일 실시 예에 따른 얼굴 이미지에 기초하여 사용자의 나이를 추정하는 방법을 나타낸 동작 흐름도이다.
도 5는 본 개시의 일 실시 예에 따른 사용자의 얼굴을 촬영하는 방법을 나타낸 도면이다.
도 6은 복수의 얼굴 이미지의 예시들을 나타낸 도면이다.
도 7은 도 6에 도시된 복수의 얼굴 이미지에서 추출한 복수의 얼굴 특징점(facial feature)의 예시를 나타낸 도면이다.
도 8은 본 개시의 일 실시 예 따른 얼굴 지표들의 예시를 나타낸 도면이다.
도 9 내지 13은 도 7에 도시된 복수의 얼굴 특징점으로부터 추출한 얼굴 지표들의 예시를 나타낸 도면이다.
도 14는 본 개시의 일 실시 예에 따른 얼굴 이미지에서 추출된 얼굴 특징점들의 예시를 나타낸 도면이다.
도 15 및 16은 도 14에 도시된 복수의 얼굴 특징점으로부터 추출한 얼굴 지표들의 예시를 나타낸 도면이다.
도 17은 본 개시의 일 실시 예에 따른 선형 회귀 기반의 나이 추정 모델에 대한 나이 추정 능력이 높은 상위 얼굴 지표들을 나타낸 도면이다.
도 18은 연령대별 턱 모서리 각도(LD4)의 분포를 나타낸 도면이다.
도 19는 연령별 턱 모서리 각도(LD4)의 분포를 나타낸 도면이다.
도 20은 본 개시의 일 실시 예에 따른 나이 추정 모델을 나타낸 도면이다.
도 21은 본 개시의 일 실시 예에 따른 딥 러닝 기반의 나이 추정 모델을 나타낸 도면이다.
도 22 내지 25는 본 개시의 일 실시 예에 따른 나이 추정 모델의 학습에 이용되는 학습 데이터의 구조들을 나타낸 도면이다.
도 26은 사용자의 나이를 추정하는 일 실시 예를 나타낸 도면이다.
도 27은 사용자의 나이를 추정하여 나이 인증을 수행하는 일 실시 예를 나타낸 도면이다.
도 28은 사용자의 나이를 추정하여 나이 인증을 수행하는 일 실시 예를 나타낸 도면이다.
도 29는 이미지에 포함된 사용자의 나이를 추정하는 일 실시 예를 나타낸 도면이다.
도 30 및 31은 사용자의 나이를 추정하여 나이 맞춤형 동작을 수행하는 실시 예들을 나타낸 도면이다.
도 32는 가상의 얼굴 이미지를 이용하여 사용자의 나이를 추정하는 실시 예를 나타낸 도면이다.1 is a block diagram illustrating an age estimation device according to an exemplary embodiment of the present disclosure.
2 is a block diagram illustrating an artificial intelligence server according to an embodiment of the present disclosure.
3 is a diagram illustrating an artificial intelligence system according to an embodiment of the present disclosure.
4 is an operational flowchart illustrating a method of estimating a user's age based on a face image according to an embodiment of the present disclosure.
5 is a diagram illustrating a method of photographing a user's face according to an embodiment of the present disclosure.
6 is a diagram illustrating examples of a plurality of face images.
FIG. 7 is a diagram illustrating an example of a plurality of facial features extracted from a plurality of face images shown in FIG. 6 .
8 is a diagram illustrating an example of face indicators according to an embodiment of the present disclosure.
9 to 13 are diagrams illustrating examples of facial indicators extracted from a plurality of facial feature points shown in FIG. 7 .
14 is a diagram illustrating an example of facial feature points extracted from a face image according to an embodiment of the present disclosure.
15 and 16 are diagrams illustrating examples of facial indicators extracted from a plurality of facial feature points shown in FIG. 14 .
17 is a diagram illustrating upper face indicators having high age estimation ability for a linear regression-based age estimation model according to an embodiment of the present disclosure.
18 is a diagram showing the distribution of the chin edge angle LD4 by age group.
19 is a diagram showing the distribution of chin edge angles (LD4) by age.
20 is a diagram illustrating an age estimation model according to an embodiment of the present disclosure.
21 is a diagram illustrating a deep learning-based age estimation model according to an embodiment of the present disclosure.
22 to 25 are diagrams illustrating structures of learning data used for learning an age estimation model according to an embodiment of the present disclosure.
26 is a diagram illustrating an embodiment of estimating a user's age.
27 is a diagram illustrating an embodiment of performing age authentication by estimating a user's age.
28 is a diagram illustrating an embodiment of performing age authentication by estimating a user's age.
29 is a diagram illustrating an embodiment of estimating the age of a user included in an image.
30 and 31 are diagrams illustrating embodiments of performing an age-customized operation by estimating a user's age.
32 is a diagram illustrating an embodiment of estimating a user's age using a virtual face image.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 '모듈' 및 '부'는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Hereinafter, the embodiments disclosed in this specification will be described in detail with reference to the accompanying drawings, but the same or similar elements are given the same reference numerals regardless of reference numerals, and redundant description thereof will be omitted. The suffixes 'module' and 'unit' for the components used in the following description are given or used together in consideration of ease of writing the specification, and do not have meanings or roles that are distinct from each other by themselves. In addition, in describing the embodiments disclosed in this specification, if it is determined that a detailed description of a related known technology may obscure the gist of the embodiment disclosed in this specification, the detailed description thereof will be omitted. In addition, the accompanying drawings are only for easy understanding of the embodiments disclosed in this specification, the technical idea disclosed in this specification is not limited by the accompanying drawings, and all changes included in the spirit and technical scope of the present disclosure , it should be understood to include equivalents or substitutes.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.Terms including ordinal numbers, such as first and second, may be used to describe various components, but the components are not limited by the terms. These terms are only used for the purpose of distinguishing one component from another.
어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.It is understood that when a component is referred to as being 'connected' or 'connected' to another component, it may be directly connected or connected to the other component, but other components may exist in the middle. It should be. On the other hand, when a component is referred to as being 'directly connected' or 'directly connected' to another component, it should be understood that no other component exists in the middle.
도 1은 본 개시의 일 실시 예에 따른 나이 추정 장치(100)를 나타낸 블록도이다.1 is a block diagram illustrating an
나이 추정 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다. The
도 1을 참조하면, 나이 추정 장치(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.Referring to FIG. 1 , the
통신부(110)는 통신 모뎀(communication modem) 또는 통신 회로(communication circuit)라고 칭할 수 있다.The
통신부(110)는 유무선 통신 기술을 이용하여 인공 지능 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.The
통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth?), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.Communication technologies used by the
입력부(120)는 입력 인터페이스(input interface)라고 칭할 수 있다.The
입력부(120)는 다양한 종류의 데이터를 획득할 수 있다. 입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.The
입력부(120)는 영상 신호를 수신하기 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122) 또는 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123) 등을 포함할 수 있다. 여기서, 카메라(121)나 마이크로폰(122)을 센서로 취급하여, 카메라(121)나 마이크로폰(122)으로부터 획득한 신호를 센서 데이터 또는 센서 정보라고 칭할 수 있다.The
카메라(121)는 화상 통화 모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지 영상 또는 동영상 등의 화상 프레임을 처리할 수 있다. 카메라(121)는 하나 또는 복수 개로 구성될 수 있다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.The camera 121 may process an image frame such as a still image or a moving image obtained by an image sensor in a video call mode or a photographing mode. The camera 121 may be composed of one or a plurality of cameras. The processed image frame may be displayed on the display unit 151 or stored in the
마이크로폰(122)은 음파를 수신하여 전기적인 음성 데이터로 변환할 수 있다. 변환된 음성 데이터는 나이 추정 장치(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음파를 수신하는 과정에서 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 적용될 수 있다.The
사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 나이 추정 장치(100)의 동작을 제어할 수 있다. 사용자 입력부(123)는 기계식 (mechanical) 입력 수단 또는 터치식 입력 수단을 포함할 수 있다. The user input unit 123 is for receiving information from a user. When information is input through the user input unit 123, the
입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.The
러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.The learning
러닝 프로세서(130)는 인공 지능 서버(200)의 러닝 프로세서(240)과 함께 인공 지능 프로세싱을 수행할 수 있다.The running
센싱부(140)는 센서부라고 칭할 수 있다.The
센싱부(140)는 다양한 센서들을 이용하여 나이 추정 장치(100) 내부 정보, 나이 추정 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.The
센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.Sensors included in the
출력부(150)는 출력 인터페이스(output interface)라고 칭할 수 있다.The
출력부(150)는 시각 정보를 출력하는 디스플레이부(Display Unit, 151), 청각 정보를 출력하는 음향 출력부(Sound Output Unit, 152), 촉각 정보를 출력햅틱 모듈(Haptic Module, 153) 또는 광 출력부(Optical Output Unit, 154) 등을 포함할 수 있다. The
디스플레이부(151)는 나이 추정 장치(100)에서 처리되는 정보를 표시(출력)할 수 있다. 예컨대, 디스플레이부(151)는 나이 추정 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다. The display unit 151 may display (output) information processed by the
디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린으로 구현될 수 있다. 이러한 터치 스크린은 나이 추정 장치(100)와 사용자 사이의 입력 인터페이스와 출력 인터페이스를 동시에 제공할 수 있다.The display unit 151 may be implemented as a touch screen by forming a mutual layer structure or integrally with the touch sensor. Such a touch screen may simultaneously provide an input interface and an output interface between the
음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함하여, 오디오 데이터를 음파로 출력할 수 있다.The sound output unit 152 may include at least one of a receiver, a speaker, and a buzzer to output audio data as sound waves.
햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킬 수 있다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 있다.The
광출력부(154)는 나이 추정 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 나이 추정 장치(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.The light output unit 154 outputs a signal for notifying occurrence of an event using light from a light source of the
메모리(170)는 나이 추정 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리, 어플리케이션 등을 저장할 수 있다.The
메모리(170)는 데이터를 영구적, 반영구적 또는 임시적으로 저장하는 다양한 메모리를 지칭할 수 있다. 예컨대, 메모리(170)에는 HDD(Hard Disk Drive), SSD(Solid State Drive), 컴팩트 디스크(CD), RAM(Random Access Memory), ROM(Read Only Memory) 등이 포함될 수 있다.The
프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, 나이 추정 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 나이 추정 장치(100)의 구성 요소들을 제어하여, 결정된 동작을 수행할 수 있다. 이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 나이 추정 장치(100)의 구성 요소들을 제어할 수 있다.The
프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 통신부(110)를 통해 해당 외부 장치에 생성된 제어 신호를 전송할 수 있다.The
프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.The
예컨대, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다. STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, 인공 지능 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.For example, the
프로세서(180)는 나이 추정 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, 인공 지능 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.The
프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 나이 추정 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, 나이 추정 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.The
도 2는 본 개시의 일 실시 예에 따른 인공 지능 서버(200)를 나타낸 블록도이다.2 is a block diagram showing an
도 2를 참조하면, 인공 지능 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 포함하는 인공 지능 모델을 학습시키거나, 학습된 인공 지능 모델을 이용하는 장치를 의미할 수 있다. 여기서, 인공 지능 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수 있다. 또한, 인공 지능 서버(200)는 나이 추정 장치(100)와 함께 인공 지능 프로세싱을 분산하여 처리할 수도 있다.Referring to FIG. 2 , the
인공 지능 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.The
통신부(210)는 나이 추정 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.The
메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.The
러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 인공 지능 서버(200)에 탑재된 상태에서 이용되거나, 나이 추정 장치(100) 등의 외부 장치에 탑재되어 이용될 수 있다.The learning
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.A learning model can be implemented in hardware, software, or a combination of hardware and software. When part or all of the learning model is implemented as software, one or more instructions constituting the learning model may be stored in the
프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.The
도 3은 본 개시의 일 실시 예에 따른 인공 지능 시스템(1)을 나타낸 도면이다.3 is a diagram showing an
도 3을 참조하면, 인공 지능 시스템(1)은 나이 추정 장치(100) 및 인공 지능 서버(200) 또는 사용자 단말기(300) 등을 포함할 수 있다. 그리고, 나이 추정 장치(100)는 각 장치는 유선 네트워크 또는 무선 네트워크를 통해 인공 지능 서버(200) 또는 사용자 단말기(300)와 연결될 수 있다.Referring to FIG. 3 , the
인공 지능 서버(200)는 복수의 나이 추정 장치(100)들과 연결될 수 있고, 각 나이 추정 장치(100)의 인공 지능 프로세싱을 대신하여 수행하거나, 분산하여 수행할 수 있다. The
인공 지능 서버(200)는 나이 추정 장치(100)를 대신하여 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 나이 추정 장치(100)에 전송할 수 있다.The
인공 지능 서버(200)는 나이 추정 장치(100)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대응하는 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 나이 추정 장치(100)로 전송할 수 있다. 또는, 나이 추정 장치(100)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.The
사용자 단말기(300)는 직접 이미지를 촬영할 수 있는 이미지 촬영 장치일 수 있다.The
사용자 단말기(300)는 나이 추정 장치(100)와 연결되며, 입력 데이터 또는 사용자 입력을 수신하여 나이 추정 장치(100)에 전달할 수 있다. 이 경우, 나이 추정 장치(100)는 사용자 단말기(300)로부터 수신한 입력 데이터에 대응하는 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 사용자 단말기(300)에 전달할 수 있다.The
도 4는 본 개시의 일 실시 예에 따른 얼굴 이미지에 기초하여 사용자의 나이를 추정하는 방법을 나타낸 동작 흐름도이다.4 is an operational flowchart illustrating a method of estimating a user's age based on a face image according to an embodiment of the present disclosure.
도 4를 참조하면, 나이 추정 장치(100)의 프로세서(180)는 사용자의 얼굴 이미지를 수신한다(S401).Referring to FIG. 4 , the
사용자의 얼굴 이미지는 사용자의 얼굴을 포함하는 이미지 데이터를 의미할 수 있다.The user's face image may refer to image data including the user's face.
프로세서(180)는 카메라(121)를 통해 사용자의 얼굴을 포함하는 이미지를 촬영함으로써 사용자의 얼굴 이미지를 수신하거나, 통신부(110)를 통해 사용자 단말기(300)로부터 사용자의 얼굴 이미지를 수신할 수 있다. 예컨대, 사용자 단말기(300)는 얼굴 이미지를 촬영하기 위한 전문적인 장치일 수 있고, 암막으로 외부 광을 차단한 상태에서 가시광 이미지, 편광 이미지, UV 이미지 등을 촬영할 수 있다. 또는, 사용자 단말기(300)는 스마트폰과 같이 카메라를 포함하는 단말기로, 가시광 이미지를 촬영할 수 있다.The
사용자의 얼굴 이미지는 RGB 이미지, 편광 이미지, 흑백 이미지, UV 이미지, IR 이미지 또는 RGB-IR 이미지 등의 다양한 형식의 이미지 데이터일 수 있다. 또한, 사용자의 얼굴 이미지는 정지 화상 이미지 또는 동영상을 구성하는 이미지 프레임을 의미할 수 있다.The user's face image may be image data in various formats such as an RGB image, a polarized image, a black and white image, a UV image, an IR image, or an RGB-IR image. Also, the user's face image may refer to a still image or an image frame constituting a moving image.
프로세서(180)는 일정한 기간 이내에 촬영된 복수의 얼굴 이미지를 수신할 수 있다. 예컨대, 프로세서(180)는 일정한 기간 이내에 촬영된 동종의 복수의 얼굴 이미지, 이종의 복수의 얼굴 이미지 또는 적어도 일부가 이종인 복수의 얼굴 이미지를 수신할 수 있다. 여기서, 동종의 얼굴 이미지는 얼굴 이미지의 촬영에 이용된 빛의 종류가 서로 동일한 얼굴 이미지들을 의미하고, 이종의 얼굴 이미지는 얼굴 이미지의 촬영에 이용된 빛의 종류가 서로 다른 얼굴 이미지들을 의미할 수 있다.The
사용자의 얼굴 이미지는 세안 이후의 메이크업 되지 않은 얼굴을 포함하는 이미지뿐만 아니라, 메이크업 된 얼굴을 포함하는 이미지도 의미할 수 있다. The user's face image may refer not only to an image including a non-makeup face after cleansing, but also to an image including a made-up face.
만약, 나이 추정 장치(100)가 사용자의 나이를 추정하기 위하여 신체 정보를 추가적으로 이용하는 경우, 프로세서(180)는 사용자의 신체 정보를 추가적으로 수신할 수도 있다. 이 경우, 프로세서(180)는 사용자 입력부(123) 또는 통신부(110)를 통해 사용자의 신체 정보를 수신할 수 있다.If the
그리고, 나이 추정 장치(100)의 프로세서(180)는 얼굴 이미지에서 복수의 얼굴 특징점(facial feature)을 추출한다(S403).Then, the
얼굴 특징점(facial feature)은 얼굴에서 추출한 키 포인트(key point) 또는 얼굴 랜드마크(facial landmark)를 의미할 수 있다. 키 포인트 또는 랜드마크는 물체의 형태나 크기, 위치가 변하더라도 쉽게 식별할 수 있는 지점을 의미할 수 있고, 미리 정해진 패턴 또는 규칙에 의하여 추출될 수 있다.A facial feature may mean a key point or a facial landmark extracted from a face. The key point or landmark may refer to a point that can be easily identified even if the shape, size, or location of an object changes, and may be extracted according to a predetermined pattern or rule.
프로세서(180)는 얼굴 특징점 추출 모델을 이용하여 얼굴 이미지에서 복수의 얼굴 특징점을 추출할 수 있다. 예컨대, 프로세서(180)는 Dlib 라이브러리의 얼굴 랜드마크 추출 모델, HR-Net(High-Resolution Network)으로 구성된 얼굴 랜드마크 추출 모델 또는 SAN(Style Aggregated Network)으로 구성된 얼굴 랜드마크 추출 모델을 이용하여 얼굴 이미지에서 복수의 얼굴 특징점(예컨대, 68개의 얼굴 특징점)을 추출할 수 있다. 또는, 프로세서(180)는 풀링 레이어(pooling layer), 컨벌루션 레이어(convolution layer), 전연결 레이어(fully-connected layer) 등을 포함하는 인공 신경망으로 구성된 딥 러닝 기반의 얼굴 특징점 추출 모델을 이용하여 얼굴 이미지에서 복수의 얼굴 특징점을 추출할 수도 있다. 또는, 프로세서(180)는 서포트 벡터 머신(Support vector machine)이나 앙상블 회귀 나무(ensemble regression tree)과 같은 기계 학습 모델 기반의 얼굴 특징점 추출 모델을 이용하여 얼굴 이미지에서 복수의 얼굴 특징점을 추출할 수도 있다.The
얼굴 특징점 추출 모델은 나이 추정 장치(100)의 러닝 프로세서(160) 또는 인공 지능 서버(200)의 러닝 프로세서(240) 중에서 적어도 하나 이상에 의하여 학습될 수 있다. The facial feature point extraction model may be learned by at least one of the running processor 160 of the
얼굴 특징점 추출 모델은 메모리(170) 또는 인공 지능 서버(200)의 메모리(230)에 저장될 수 있다. 얼굴 특징점 추출 모델이 인공 지능 서버(200)의 메모리(230)에 저장된 경우, 프로세서(180)는 통신부(110)를 통해 얼굴 이미지를 인공 지능 서버(200)로 전송하고, 인공 지능 서버(200)의 프로세서(260)는 메모리(230)에 저장된 얼굴 특징점 추출 모델을 이용하여 얼굴 이미지로부터 복수의 얼굴 특징점을 추출하고, 나이 추정 장치(100)의 프로세서(180)는 통신부(110)를 통해 인공 지능 서버(200)로부터 추출된 복수의 얼굴 특징점을 수신할 수 있다.The facial feature point extraction model may be stored in the
추출된 얼굴 특징점들은 각 특징점들의 좌표로 표현될 수 있다.The extracted facial feature points may be expressed as coordinates of each feature point.
얼굴 특징점 추출 모델은 얼굴 이미지와 그에 대응하는 복수의 얼굴 특징점 (또는 얼굴 랜드마크)을 포함하는 제1 학습 데이터를 이용하여 학습될 수 있다. 예컨대, iBUG 300-W 데이터 세트, AFLW (Annotated Facial Landmarks in the Wild) 데이터 세트 또는 WFLW (Wider Facial Landmarks in the Wild) 데이터 세트 등이 얼굴 특징점 추출 모델의 학습에 이용되는 제1 학습 데이터로서 이용될 수 있다.The facial feature point extraction model may be learned using first training data including a face image and a plurality of facial feature points (or facial landmarks) corresponding thereto. For example, an iBUG 300-W data set, an Annotated Facial Landmarks in the Wild (AFLW) data set, or a Wider Facial Landmarks in the Wild (WFLW) data set may be used as first learning data used for learning a facial feature point extraction model. can
프로세서(180)는 얼굴 이미지에서 얼굴을 포함하는 직사각형의 얼굴 영역을 검출하고, 얼굴 영역에서 복수의 얼굴 특징점을 추출할 수 있다. 이 과정에서, 프로세서(180)는 얼굴 이미지에서 얼굴 영역만을 크롭(crop)하고, 크롭된 얼굴 영역에서 복수의 얼굴 특징점을 추출할 수 있다.The
그리고, 나이 추정 장치(100)의 프로세서(180)는 복수의 얼굴 특징점을 표준화한다(S405).Then, the
얼굴을 촬영하는 상황에 따라 얼굴 이미지에 포함되는 얼굴의 크기나 방향이 달라질 수 있기 때문에, 서로 다른 사용자(또는 사람)의 얼굴을 촬영한 얼굴 이미지들뿐만 아니라 동일한 사용자(또는 사람)의 얼굴을 촬영한 얼굴 이미지들에서도 포함된 얼굴의 크기나 모양이 달라질 수 있다. 서로 크기나 모양이 다른 얼굴 이미지에서 얼굴 특징점을 추출하게 될 경우, 여러 얼굴 이미지들 사이의 비교가 어려워진다. 이에, 프로세서(180)는 복수의 얼굴 특징점들을 미리 정해진 기준에 따라 표준화 또는 보정할 수 있다. 이하에서, 얼굴 특징점은 표준화된 얼굴 특징점을 의미할 수 있다.Since the size or direction of a face included in a face image may vary depending on the situation in which the face is photographed, the face of the same user (or person) as well as face images of different users (or people) are captured. The size or shape of a face included in one face image may vary. When facial feature points are extracted from face images of different sizes or shapes, comparison between multiple face images becomes difficult. Accordingly, the
프로세서(180)는 복수의 얼굴 특징점들 중에서 적어도 일부에 기초하여 얼굴의 미리 정해진 부위들이 미리 정해진 좌표에 배치되도록 얼굴 이미지의 변환 규칙을 결정할 수 있고, 결정한 변환 규칙에 기초하여 각 얼굴 특징점들을 표준화 또는 보정할 수 있다. 예컨대, 프로세서(180)는 복수의 얼굴 특징점들에 기초하여 눈, 코 및 입의 위치를 결정하고, 눈, 코 및 입이 미리 정해진 좌표에 배치되도록 얼굴 이미지의 확대/축소 배율, 평행 이동 거리, 회전 각도 등의 변환 규칙을 결정할 수 있다. 그리고, 프로세서(180)는 확대/축소 배율, 평행 이동 거리, 회전 각도 등의 변환 규칙에 기초하여 각 얼굴 특징점들을 표준화 또는 보정할 수 있다.The
프로세서(180)는 얼굴 이미지에 이마 받침대(headrest)가 포함된 경우, 이마 받침대가 미리 정해진 좌표에 배치되도록 얼굴 이미지의 변환 규칙을 결정하고, 결정된 변환 규칙에 기초하여 얼굴 이미지를 표준화 또는 보정할 수 있다. 만약, 얼굴 이미지에 복수의 이마 받침대가 포함된 경우, 프로세서(180)는 복수의 이마 받침대 사이의 거리를 고려하여 얼굴 이미지의 확대/축소 배율을 포함하는 변환 규칙을 결정할 수 있다. When the headrest is included in the face image, the
복수의 얼굴 특징점들이 표준화됨에 따라, 서로 다른 얼굴 이미지에서 추출된 복수의 얼굴 특징점들이라 하더라도 서로 대응되는 위치의 얼굴 특징점들은 동일하거나 인접한 위치에 배치되게 되며, 서로 비교하기에 적합하다.As a plurality of facial feature points are standardized, even if a plurality of facial feature points are extracted from different facial images, the facial feature points at positions corresponding to each other are disposed at the same or adjacent positions, and are suitable for comparison.
그리고, 나이 추정 장치(100)의 프로세서(180)는 복수의 표준화된 얼굴 특징점으로부터 미리 정해진 복수의 얼굴 지표(facial indicator)를 추출한다(S407).Then, the
각 얼굴 특징점은 절대적인 좌표가 갖는 의미가 작고, 둘 이상의 얼굴 특징점들 사이의 관계(상대적인 좌표 관계)가 갖는 의미가 크다. 즉, 둘 이상의 얼굴 특징점들 사이의 거리나 방향(또는 각도)이 사람의 얼굴에 있어서 의미있는 정보를 제공한다고 볼 수 있다. 이에, 프로세서(180)는 복수의 얼굴 특징점으로부터 미리 정해진 방법에 기초하여 복수의 얼굴 지표들을 추출할 수 있다.For each facial feature point, an absolute coordinate has a small meaning, and a relationship (relative coordinate relationship) between two or more facial feature points has a large meaning. That is, it can be seen that the distance or direction (or angle) between two or more facial feature points provides meaningful information on a human face. Accordingly, the
얼굴 지표에는 미리 정해진 얼굴 특징점들 사이의 거리, 미리 정해진 얼굴 특징점 사이의 방향(또는 각도), 얼굴의 너비, 얼굴의 높이, 얼굴의 넓이, 얼굴의 윤곽선의 각도 등이 포함될 수 있다. 예컨대, 제1 얼굴 지표는 제1 얼굴 특징점과 제2 얼굴 특징점 사이의 거리, 제2 얼굴 지표는 제1 얼굴 특징점과 제2 얼굴 특징점 사이의 방향(또는 각도)일 수 있다. 얼굴 지표의 종류에 대한 구체적인 설명은 후술한다.The face index may include a distance between predetermined facial feature points, a direction (or angle) between predetermined facial feature points, a width of the face, a height of the face, a width of the face, an angle of an outline of the face, and the like. For example, the first facial index may be a distance between the first facial feature point and the second facial feature point, and the second facial feature point may be a direction (or angle) between the first facial feature point and the second facial feature point. A detailed description of the types of face indicators will be described later.
프로세서(180)는 복수의 얼굴 이미지로부터 추출되어 표준화된 얼굴 특징점들을 비교함으로써 복수의 얼굴 이미지 중에서 오차가 큰 아웃라이어(outlier) 얼굴 이미지를 결정하고, 아웃라이어 얼굴 이미지를 제외한 얼굴 이미지들에서 추출되어 표준화된 얼굴 특징점들을 이용하여 복수의 얼굴 지표를 추출할 수 있다. The
아웃라이어 얼굴 이미지는 표준화된 얼굴 특징점의 분포가 평균으로부터 미리 정해진 배수의 표준 편차를 벗어나는 얼굴 이미지를 의미할 수 있다. 또는, 아웃라이어 얼굴 이미지는 전체 얼굴 이미지 중에서 표준화된 얼굴 특징점의 분포가 평균으로부터 편차가 큰 미리 정해진 개수 또는 비율만큼의 얼굴 이미지를 의미할 수 있다. 예컨대, 프로세서(180)는 3개의 얼굴 이미지 중에서 표준화된 얼굴 특징점의 분포가 평균으로부터 편차가 가장 큰 1개의 얼굴 이미지를 아웃라이어 얼굴 이미지로 결정할 수 있다.The outlier face image may refer to a face image in which the standardized distribution of facial feature points deviate from the average by a standard deviation of a predetermined multiple. Alternatively, the outlier facial images may refer to a predetermined number or ratio of facial images having a large deviation from the average distribution of standardized facial feature points among the entire facial images. For example, the
프로세서(180)는 아웃라이어 얼굴 이미지를 제외한 얼굴 이미지들에 대응하는 표준화된 얼굴 특징점들의 평균에 기초하여 복수의 얼굴 지표를 계산할 수 있다. 구체적으로, 프로세서(180)는 아웃라이어 얼굴 이미지를 제외한 얼굴 이미지들에 대하여 서로 대응하는 위치의 얼굴 특징점끼리 평균을 계산하고, 평균 얼굴 특징점들에 기초하여 복수의 얼굴 지표를 계산할 수 있다. 예컨대, 제1 얼굴 이미지와 제2 얼굴 이미지가 모두 아웃라이어 얼굴 이미지가 아닌 경우, 프로세서(180)는 제1 얼굴 이미지의 코 끝에 위치한 얼굴 특징점과 제2 얼굴 이미지의 코 끝에 위치한 얼굴 특징점의 평균을 산출하고, 코 끝에 위치한 얼굴 특징점들의 평균에 기초하여 얼굴 지표를 추출할 수 있다. The
후술하는 도 8, 도 15 및 16은 본 개시에서 사용할 수 있는 얼굴 지표들의 예시를 나타낸다. 프로세서(180)는 표준화된 얼굴 특징점에 기초하여 후술하는 얼굴 지표들 중에서 적어도 일부를 추출할 수 있다. 8, 15, and 16 described below show examples of face indicators usable in the present disclosure. The
그리고, 나이 추정 장치(100)의 프로세서(180)는 나이 추정 모델과 복수의 얼굴 지표를 이용하여 사용자의 나이를 추정한다(S409).Then, the
나이 추정 모델은 복수의 얼굴 지표가 입력되면, 입력된 복수의 얼굴 지표로부터 사용자의 나이를 추정할 수 있다. 사용자의 얼굴에서 추출된 얼굴 지표를 이용하여 나이를 추정한다는 점에서, 추정되는 나이는 얼굴 나이를 의미할 수 있다.When a plurality of face indicators are input, the age estimation model may estimate the age of the user from the plurality of input face indicators. In that the age is estimated using the face index extracted from the face of the user, the estimated age may mean the age of the face.
나아가, 프로세서(180)는 신체 정보 또는 추출된 얼굴 특징점들을 추가로 이용하여 사용자의 나이를 추정할 수 있다. 이 경우, 나이 추정 모델은 복수의 얼굴 지표뿐만 아니라 신체 정보 또는 추출된 얼굴 특징점들이 입력되면, 입력된 정보로부터 추론한 사용자의 나이를 출력할 수 있다. Furthermore, the
나이 추정 모델은 선형 회귀 모델, 의사 결정 나무(decision tree) 또는 인공 신경망으로 구성된 딥 러닝 모델 등으로 구현될 수 있다. 예컨대, 나이 추정 모델은 전연결 네트워크(Fully Connected Network)으로 구성될 수 있다. 프로세서(180)는 사용자의 나이를 추정하는데 이용할 데이터 (예컨대, 얼굴 지표, 신체 정보, 얼굴 특징점 등)에 대응하는 나이 추정 모델을 이용할 수도 있고, 반대로 사용자의 나이를 추정하는데 이용할 나이 추정 모델에 대응하는 데이터를 이용할 수 있다.The age estimation model may be implemented as a linear regression model, a decision tree, or a deep learning model composed of an artificial neural network. For example, the age estimation model may be configured as a fully connected network. The
나이 추정 모델은 나이 추정 장치(100)의 러닝 프로세서(160) 또는 인공 지능 서버(200)의 러닝 프로세서(240) 중에서 적어도 하나 이상에 의하여 학습될 수 있다. The age estimation model may be learned by at least one of the learning processor 160 of the
나이 추정 모델은 메모리(170) 또는 인공 지능 서버(200)의 메모리(230)에 저장될 수 있다. 나이 추정 모델이 인공 지능 서버(200)의 메모리(230)에 저장된 경우, 프로세서(180)는 통신부(110)를 통해 복수의 얼굴 지표를 인공 지능 서버(200)로 전송하고, 인공 지능 서버(200)의 프로세서(260)는 메모리(230)에 저장된 나이 추정 모델을 이용하여 복수의 얼굴 지표로부터 사용자의 나이를 추정하고, 나이 추정 장치(100)의 프로세서(180)는 통신부(110)를 통해 인공 지능 서버(200)로부터 추론된 사용자의 나이를 수신할 수 있다.The age estimation model may be stored in the
나이 추정 모델은 복수의 얼굴 지표와 그에 대응하는 사용자의 나이를 포함하는 제2 학습 데이터를 이용하여 학습될 수 있다. The age estimation model may be trained using second learning data including a plurality of face indicators and the user's age corresponding thereto.
일 실시 예에서, 나이 추정 모델은 얼굴 지표, 얼굴 특징점 또는 신체 정보 중에서 적어도 하나 이상이 입력되면, 그에 대응하는 사용자의 나이를 추정하는 모델일 수 있다. 이 경우, 나이 추정 모델은 복수의 얼굴 지표, 복수의 얼굴 특징점 또는 신체 정보 중에서 적어도 하나 이상을 포함하고, 그에 대응하는 사용자의 나이를 더 포함하는 제2 학습 데이터를 이용하여 학습될 수도 있다. 신체 정보에는 사용자의 신장과 사용자의 몸무게 또는 사용자의 체질량지수(BMI: Body Mass Index) 등이 포함될 수 있다.In an embodiment, the age estimation model may be a model that estimates the age of the user corresponding to the input of at least one of a facial index, facial feature point, or body information. In this case, the age estimation model may be learned using second learning data that includes at least one of a plurality of face indicators, a plurality of facial feature points, or body information, and further includes the user's age corresponding thereto. The body information may include the user's height, the user's weight, or the user's Body Mass Index (BMI).
도 4에 도시된 단계들(steps)의 순서는 하나의 예시에 불과하며, 본 개시가 이에 한정되지는 않는다. 즉, 일 실시 예에서, 도 4에 도시된 단계들 중 일부 단계의 순서가 서로 바뀌어 수행될 수도 있다. 또한, 일 실시 예에서, 도 4에 도시된 단계들 중 일부 단계는 병렬적으로 수행될 수도 있다. 또한, 도 4에 도시된 단계들 중 일부만 수행될 수도 있다.The sequence of steps shown in FIG. 4 is only an example, and the present disclosure is not limited thereto. That is, in one embodiment, the order of some of the steps shown in FIG. 4 may be exchanged and performed. Also, in one embodiment, some of the steps shown in FIG. 4 may be performed in parallel. Also, only some of the steps shown in FIG. 4 may be performed.
도 5는 본 개시의 일 실시 예에 따른 사용자의 얼굴을 촬영하는 방법을 나타낸 도면이다.5 is a diagram illustrating a method of photographing a user's face according to an embodiment of the present disclosure.
도 5를 참조하면, 사용자 단말기(510)는 사용자(520)의 얼굴을 촬영하여 얼굴 이미지를 생성하는 장치일 수 있다. 사용자 단말기(510)은 얼굴을 촬영하기 위한 광원(미도시)와 카메라(미도시)를 포함할 수 있다. 또한, 사용자 단말기(510)는 사용자(520)의 얼굴을 기대어 고정할 수 있는 턱 받침대(chinrest, 511) 또는 머리 받침대(headrest, 512) 등을 포함할 수 있다.Referring to FIG. 5 , the
도 5에 도시된 것과 같은 사용자 단말기(510)를 이용하여 사용자(520)의 얼굴을 촬영할 경우, 사용자(520)의 얼굴이 카메라(미도시)에 대하여 고정된 위치에서 통제된 빛의 조사를 통해 촬영므로, 노이즈가 적고 안정된 이미지를 획득할 수 있다. 또한, 복수의 사용자들에 대하여도 동일한 조건으로 얼굴 이미지를 생성할 수 있는 장점이 있다.When the face of the
도 6은 복수의 얼굴 이미지의 예시들을 나타낸 도면이다.6 is a diagram illustrating examples of a plurality of face images.
도 6를 참조하면, 나이 추정 장치(100)는 한 명의 사용자의 나이를 추정하기 위하여 복수의 얼굴 이미지(610, 620 및 630)를 촬영 또는 수신할 수 있다.Referring to FIG. 6 , the
복수의 얼굴 이미지(610, 620 및 630)는 일정한 기간 이내에 촬영될 수 있다. 각 얼굴 이미지(610, 620 또는 630)는 미리 정해진 시간 간격으로 촬영된 이미지일 수도 있고, 동영상에서 미리 정해진 간격의 프레임 이미지들일 수도 있다.A plurality of
각 얼굴 이미지(610, 620 또는 630)는 동일한 빛의 종류를 이용하여 촬영될 수도 있고, 서로 다른 빛의 종류를 이용하여 촬영될 수도 있다. 예컨대, 제1 얼굴 이미지(610)는 가시광 이미지 (또는 RGB 이미지), 제2 얼굴 이미지(620)는 편광 이미지, 제3 얼굴 이미지(630)는 UV 이미지일 수 있다.Each
각 얼굴 이미지(610, 620 또는 630)에는 얼굴 이미지의 촬영 또는 생성시 사용자의 얼굴을 고정하기 위한 턱 받침대(511) 또는 머리 받침대(512) 등이 포함될 수 있다.Each
도 7은 도 6에 도시된 복수의 얼굴 이미지에서 추출한 복수의 얼굴 특징점(facial feature)의 예시를 나타낸 도면이다.FIG. 7 is a diagram illustrating an example of a plurality of facial features extracted from a plurality of face images shown in FIG. 6 .
도 7을 참조하면, 복수의 얼굴 이미지(610, 620 및 630) 각각에 대하여 미리 정해진 위치에 대응하는 얼굴 특징점들(721, 722 및 723)이 추출될 수 있다. 도 7은 시각화를 위하여 복수의 얼굴 이미지(610, 620 및 630) 중에서 하나의 얼굴 이미지(710) 또는 임의의 얼굴 이미지에 추출된 얼굴 특징점들(721, 722 및 723)을 나타낸 이미지로, 실제 나이를 추정하는 과정에서는 이러한 시각화된 얼굴 이미지가 생성되지 않을 수 있다.Referring to FIG. 7 , facial feature points 721 , 722 , and 723 corresponding to predetermined positions of the plurality of
또한, 얼굴 이미지(610, 620 및 630)에 머리 받침대(512)가 포함되어 있다면, 머리 받침대(512)에 대응하는 특징점(711)이 추출될 수 있고, 나이 추정 장치(100)는 머리 받침대(512)에 대응하는 특징점(711)에 기초하여 추출된 얼굴 특징점들(721, 722 및 723)을 표준화할 수 있다. 도 7에 도시된 얼굴 특징점들(721, 722 및 723)은 표준화된 얼굴 특징점들일 수 있다.In addition, if the
각 얼굴 특징점(721, 722 및 723)은 미리 정해진 지점에 대응하여 추출될 수 있다. 제1 얼굴 특징점(721)은 제1 얼굴 이미지(610)에서 추출된 얼굴 특징점이고, 제2 얼굴 특징점(722)은 제2 얼굴 이미지(620)에서 추출된 얼굴 특징점이고, 제3 얼굴 특징점(723)은 제3 얼굴 이미지(630)에서 추출된 얼굴 특징점들일 수 있다. 그리고, 제4 얼굴 특징점(731) 또는 평균 얼굴 특징점(731)은 각 정해진 지점에서의 제1 얼굴 특징점(721), 제2 얼굴 특징점(722) 및 제3 얼굴 특징점(723)의 평균 위치 (또는 무게 중심)을 의미할 수 있다. 나이 추정 장치(100)는 평균 얼굴 특징점(731)을 이용하여 얼굴 지표들을 추출하고, 추출한 얼굴 지표들을 이용하여 사용자의 나이를 추정할 수 있다.Each
도 7은 하나의 예시로써 3개의 얼굴 이미지(610, 620 및 630)에서 추출한 얼굴 특징점들(721, 722, 723)을 도시한 것에 불과하며, 본 개시가 이에 한정되지 않는다. 즉, 실시 예에 따라 더 많거나 더 적은 얼굴 이미지들에서 얼굴 특징점들을 추출하고, 추출된 얼굴 특징점들의 평균 위치 (또는 무게 중심)을 평균 얼굴 특징점으로 결정할 수 있다.FIG. 7 merely illustrates facial feature points 721 , 722 , and 723 extracted from three
도 8은 본 개시의 일 실시 예 따른 얼굴 지표들의 예시를 나타낸 도면이다.8 is a diagram illustrating an example of face indicators according to an embodiment of the present disclosure.
도 8을 참조하면, 본 개시의 일 실시 예에서 활용할 수 있는 얼굴 지표(Facial Indicator)에는 도시된 49개의 얼굴 지표 중에서 적어도 일부가 포함될 수 있다.Referring to FIG. 8 , facial indicators that can be utilized in an embodiment of the present disclosure may include at least some of the 49 facial indicators shown.
본 개시의 일 실시 예에 따른 얼굴 지표들에는 얼굴 전체 면적, 입술 면적, 입술 관련 지표, 코 관련 지표, 얼굴 관련 지표 등이 포함될 수 있다.Face indices according to an embodiment of the present disclosure may include an entire face area, a lip area, a lip-related index, a nose-related index, and a face-related index.
도 9 내지 13은 도 7에 도시된 복수의 얼굴 특징점으로부터 추출한 얼굴 지표들의 예시를 나타낸 도면이다.9 to 13 are diagrams illustrating examples of facial indicators extracted from a plurality of facial feature points shown in FIG. 7 .
도 9를 참조하면, 얼굴 전체 면적(911)은 눈썹 아래의 얼굴 면적을 의미할 수 있다. 얼굴 전체 면적(911)은 눈썹에서 추출된 얼굴 특징점들과 얼굴 윤곽에서 추출된 얼굴 특징점들을 연결한 다각형의 면적을 계산함으로써 추출할 수 있다.Referring to FIG. 9 , the
도 10을 참조하면, 입술 면적(1011)은 윗 입술과 아랫 입술의 면적을 의미할 수 있다. 입술 면적(1011)은 윗 입술에서 추출된 얼굴 특징점들과 아랫 입술에서 추출된 얼굴 특징점들 중에서 외각 얼굴 특징점들을 연결한 다각형의 면적을 계산함으로써 추출할 수 있다.Referring to FIG. 10 , the
도 11을 참조하면, 얼굴 관련 지표에는 눈썹 사이 간격(G1의 길이), 눈 사이 간격(G2의 길이), 뺨 상단의 얼굴 너비(W1의 길이), 뺨 중간의 얼굴 너비(W2의 길이), 턱 너비(W3의 길이), 눈 너비(좌/우 EW의 길이), 턱에서 눈썹 상단까지 높이(H1의 길이), 입에서 눈썹 상단까지 높이(H2의 길이), 인중에서 눈썹 상단까지 높이(H3의 길이) 또는 얼굴 윤곽선 기울기(좌/우 LD1~LD4의 기울기의 역수 또는 좌/우 LD5~LD8의 기울기) 등이 포함될 수 있다.Referring to FIG. 11, face-related indicators include the distance between the eyebrows (length of G1), the distance between eyes (length of G2), the width of the face at the top of the cheek (length of W1), the width of the face in the middle of the cheek (length of W2), Chin width (length of W3), eye width (length of left/right EW), height from chin to top of eyebrow (length of H1), height from mouth to top of eyebrow (length of H2), height from philtrum to top of eyebrow (length of eyebrow) length of H3) or face contour slope (the inverse of the slope of the left/right LD1 to LD4 or the slope of the left/right LD5 to LD8).
얼굴 윤곽선의 기울기는 좌측 윤곽선의 기울기와 우측 윤곽선의 기울기가 개별적으로 산출될 수 있으며, 상대적으로 얼굴 상단에서의 윤곽선(LD1~LD4)의 기울기가 얼굴 하단에서의 윤곽선(LD5~LD8)의 기울기에 비하여 가파르다는 점에서, 얼굴 상단에서의 윤곽선(LD1~LD4)의 기울기는 역수의 값을 지표로 이용할 수 있다.As for the slope of the face contour, the slope of the left contour and the slope of the right contour can be calculated separately, and the slope of the contour lines (LD1 to LD4) at the top of the face is relatively proportional to the slope of the contour lines (LD5 to LD8) at the bottom of the face. In comparison, the inclination of the contour lines LD1 to LD4 at the top of the face may use a reciprocal value as an indicator.
도 12를 참조하면, 입술 관련 지표에는 중앙 윗 입술 높이(UH의 길이), 옆 윗 입술 높이(좌/우 UH2의 길이의 평균), 윗 입술 입꼬리 대각 길이(좌/우 UH3의 길이의 평균), 중앙 아랫 입술 높이(LH의 길이), 옆 아랫 입술 높이(좌/우 LH2의 길이의 평균), 아랫 입술 입꼬리 대각 길이(좌/우 LH3의 길이의 평균), 입술 너비(W의 길이), 윗 입술 V라인 각도, 윗 입술 마루 너비 또는 윗 입술 V라인 너비(UDH의 길이), 윗 입술의 마루와 골 사이의 높이 또는 윗 입술 V라인 높이(UDV의 길이), 입술 비율 등이 포함될 수 있다.Referring to FIG. 12, the lip-related indicators include the height of the central upper lip (length of UH), the height of the upper lip on the side (average length of left/right UH2), and the diagonal length of the upper lip corner (average length of left/right UH3). , central lower lip height (LH length), lateral lower lip height (average length of left/right LH2), lower lip corner diagonal length (average length of left/right LH3), lip width (length of W), Upper lip V-line angle, upper lip crest width or upper lip V-line width (length of UDH), height between crest and trough of upper lip or height of upper lip V-line (length of UDV), lip ratio, etc. may be included. .
입술 비율은 입술의 너비에 대한 입술의 높이의 비율을 의미할 수 있다. 입술 비율의 계산에 이용되는 입술 높이는 옆 윗 입술 높이(좌/우 UH2의 길이의 평균)와 옆 아랫 입술의 높이(좌/우 LH2의 길이의 평균)의 합일 수 있다.The lip ratio may refer to a ratio of the height of the lips to the width of the lips. The height of the lips used in the calculation of the lip ratio may be the sum of the heights of the side upper lips (average lengths of the left/right UH2) and the heights of the lower lips (average lengths of the left/right LH2).
도 13을 참조하면, 코 관련 지표에는 제1 코 높이(L1의 길이), 제2 코 높이(L2의 길이), 제3 코 높이(L3의 길이), 제4 코 높이(L4의 길이), 제1 코 너비(W1의 길이), 제2 코 너비(W2의 길이), 코 끝 V라인 높이(H의 길이), 코 끝 V라인 각도, 코 비율 등이 포함될 수 있다.Referring to FIG. 13, nose-related indicators include a first nose height (length of L1), a second nose height (length of L2), a third nose height (length of L3), a fourth nose height (length of L4), The first nose width (length of W1), the second nose width (length of W2), the height of the V-line at the nose tip (the length of H), the angle of the V-line at the tip of the nose, and the ratio of the nose may be included.
코 비율은 코 너비에 대한 코 높이의 비율을 의미할 수 있다. 코 비율의 계산에 이용되는 코 너비는 제1 코 너비(W1의 길이)일 수 있다. 코 비율의 계산에 이용되는 코 높이는 제1 코 높이(L1의 길이), 제2 코 높이(L2의 길이), 제3 코 높이(L3의 길이) 및 제4 코 높이(L4의 길이)의 합일 수 있다.The nose ratio may refer to a ratio of a nose height to a nose width. The nose width used for calculating the nose ratio may be the first nose width (length of W1). The nose height used in the calculation of the nose ratio is the sum of the first nose height (length of L1), the second nose height (length of L2), the third nose height (length of L3) and the fourth nose height (length of L4). can
도 14는 본 개시의 일 실시 예에 따른 얼굴 이미지에서 추출된 얼굴 특징점들의 예시를 나타낸 도면이다.14 is a diagram illustrating an example of facial feature points extracted from a face image according to an embodiment of the present disclosure.
도 14를 참조하면, 본 개시의 일 실시 예에서 나이 추정 장치(100)는 얼굴 이미지로부터 68개의 얼굴 특징점들(P1 내지 P68)을 추출할 수 있다. 추출된 얼굴 특징점들(P1 내지 P68)의 위치는 얼굴 윤곽선, 입술, 코, 눈, 눈썹의 위치에 대응할 수 있다.Referring to FIG. 14 , according to an embodiment of the present disclosure, the
도 15 및 16은 도 14에 도시된 복수의 얼굴 특징점으로부터 추출한 얼굴 지표들의 예시를 나타낸 도면이다.15 and 16 are diagrams illustrating examples of facial indicators extracted from a plurality of facial feature points shown in FIG. 14 .
도 15 및 16을 참조하면, 얼굴 지표에는 얼굴 전체 면적(total_area), 뺨 상단의 얼굴 너비(또는 제1 얼굴 너비, total_width1), 뺨 중간의 얼굴 너비(또는 제2 얼굴 너비, total_width2), 턱 너비(또는 제3 얼굴 너비, total_width3), 눈썹 사이 간격(H_gap1), 눈 사이 간격(H_gap2), 턱에서 눈썹 상단까지 높이(또는 제1 얼굴 높이, total_height1), 입에서 눈썹 상단까지 높이(또는 제2 얼굴 높이, total_height2), 인중에서 눈썹 상단까지 높이(또는 제3 얼굴 높이, total_height3), 얼굴 비율(total_ratio) 등이 포함될 수 있다.15 and 16, facial indicators include the total area of the face (total_area), the width of the face at the top of the cheek (or the width of the first face, total_width1), the width of the face in the middle of the cheek (or the width of the second face, total_width2), and the width of the chin. (or third face width, total_width3), gap between eyebrows (H_gap1), gap between eyes (H_gap2), height from chin to top of eyebrows (or first face height, total_height1), height from mouth to top of eyebrows (or second The face height, total_height2), the height from the philtrum to the top of the eyebrows (or the third face height, total_height3), the face ratio (total_ratio), and the like may be included.
또한, 얼굴 지표에는 입술 면적(lip_area), 중앙 윗 입술 높이(또는 제1 윗 입술 높이, lip_upper_height1), 옆 윗 입술 높이(또는 제2 윗 입술 높이, lip_upper_height2), 윗 입술 입꼬리 대각 길이(또는 제3 윗 입술 높이, lip_upper_height3), 중앙 아랫 입술 높이(또는 제1 아랫 입술 높이, lip_lower_height1), 옆 아랫 입술 높이(또는 제2 아랫 입술 높이, lip_lower_height2), 아랫 입술 입꼬리 대각 길이(또는 제3 아랫 입술 높이, lip_lower_height3), 입술 너비(lip_width), 윗 입술 V라인 각도(lip_v_degree), 윗 입술 마루 너비(또는 윗 입술 V라인 너비, lip_upper_dist_H), 윗 입술의 마루와 골 사이의 높이(또는 윗 입술 V라인 높이, lip_upper_dist_V), 입술 비율(lip_ratio) 등이 포함될 수 있다.In addition, facial indicators include lip area (lip_area), central upper lip height (or first upper lip height, lip_upper_height1), side upper lip height (or second upper lip height, lip_upper_height2), upper lip diagonal length (or third upper lip height). Upper lip height, lip_upper_height3), central lower lip height (or first lower lip height, lip_lower_height1), side lower lip height (or second lower lip height, lip_lower_height2), lower lip diagonal length (or third lower lip height, lip_lower_height3), lip width (lip_width), upper lip V-line angle (lip_v_degree), upper lip crest width (or upper lip V-line width, lip_upper_dist_H), height between the crest and trough of the upper lip (or the height of the upper lip V-line, lip_upper_dist_V), lip ratio (lip_ratio), and the like may be included.
또한, 얼굴 지표에는 제1 코 높이(nose_L1), 제2 코 높이(nose_L2), 제3 코 높이(nose_L3), 제4 코 높이(nose_L4), 제1 코 너비(nose_W1), 제2 코 너비(nose_W2), 코 끝 V라인 높이(nose_V), 코 끝 V라인 각도(nose_degree), 코 비율(nose_ratio) 등이 포함될 수 있다.In addition, the face index includes a first nose height (nose_L1), a second nose height (nose_L2), a third nose height (nose_L3), a fourth nose height (nose_L4), a first nose width (nose_W1), and a second nose width ( nose_W2), nose tip V-line height (nose_V), nose tip V-line angle (nose_degree), and nose ratio (nose_ratio).
또한, 얼굴 지표에는 왼쪽 눈 너비(eye_width_L), 오른쪽 눈 너비(eye_width_R) 등이 포함될 수 있다.In addition, the face index may include left eye width (eye_width_L), right eye width (eye_width_R), and the like.
또한, 얼굴 지표에는 제1 왼쪽 윤곽선 기울기(Line_degree1_L), 제1 오른쪽 윤곽선 기울기(Line_degree1_R), 제2 왼쪽 윤곽선 기울기(Line_degree2_L), 제2 오른쪽 윤곽선 기울기(Line_degree2_R), 제3 왼쪽 윤곽선 기울기(Line_degree3_L), 제3 오른쪽 윤곽선 기울기(Line_degree3_R), 제4 왼쪽 윤곽선 기울기(Line_degree4_L), 제4 오른쪽 윤곽선 기울기(Line_degree4_R), 제5 왼쪽 윤곽선 기울기(Line_degree5_L), 제5 오른쪽 윤곽선 기울기(Line_degree5_R), 제6 왼쪽 윤곽선 기울기(Line_degree6_L), 제6 오른쪽 윤곽선 기울기(Line_degree6_R), 제7 왼쪽 윤곽선 기울기(Line_degree7_L), 제7 오른쪽 윤곽선 기울기(Line_degree7_R), 제8 왼쪽 윤곽선 기울기(Line_degree8_L), 제8 오른쪽 윤곽선 기울기(Line_degree8_R) 등이 포함될 수 있다. In addition, the face index includes a first left contour slope (Line_degree1_L), a first right contour slope (Line_degree1_R), a second left contour slope (Line_degree2_L), a second right contour slope (Line_degree2_R), a third left contour slope (Line_degree3_L), 3rd right contour gradient (Line_degree3_R), 4th left contour gradient (Line_degree4_L), 4th right contour gradient (Line_degree4_R), 5th left contour gradient (Line_degree5_L), 5th right contour gradient (Line_degree5_R), 6th left contour gradient (Line_degree6_L), 6th right contour slope (Line_degree6_R), 7th left contour slope (Line_degree7_L), 7th right contour slope (Line_degree7_R), 8th left contour slope (Line_degree8_L), 8th right contour slope (Line_degree8_R), etc. can be included
상술하였듯, 일 실시 예에서, 제1 왼쪽 윤곽선 기울기(Line_degree1_L) 내지 제4 왼쪽 윤곽선 기울기(Line_degree4_L) 및 제1 오른쪽 윤곽선 기울기(Line_degree1_R) 내지 제4 오른쪽 윤곽선 기울기(Line_degree4_R)는 대응하는 윤곽선의 기울기의 역수일 수 있다.As described above, in one embodiment, the first left contour slope (Line_degree1_L) to the fourth left contour slope (Line_degree4_L) and the first right contour slope (Line_degree1_R) to the fourth right contour slope (Line_degree4_R) are the slopes of the corresponding contour lines. may be the reciprocal of
도 17은 본 개시의 일 실시 예에 따른 선형 회귀 기반의 나이 추정 모델에 대한 나이 추정 능력이 높은 상위 얼굴 지표들을 나타낸 도면이다.17 is a diagram illustrating upper face indicators having high age estimation ability for a linear regression-based age estimation model according to an embodiment of the present disclosure.
도 17은 나이 추정 모델이 선형 회귀 모델이고, 도 14 및 15에 도시된 얼굴 지표들로부터 나이를 추정하는 상황을 가정한다. 이 경우, 나이 추정 모델은 하기 [수학식 1]과 같이 표현될 수 있다. FIG. 17 assumes a situation in which the age estimation model is a linear regression model and ages are estimated from the face indicators shown in FIGS. 14 and 15 . In this case, the age estimation model may be expressed as in [Equation 1] below.
상기 [수학식 1]에서 y는 사용자의 나이이고, βi (i=0, ... , n)는 i번째 모델 계수이고, ai (i=1, ..., n)는 i번째 얼굴 지표이고, n은 얼굴 지표의 개수일 수 있다. 예컨대, 특정 얼굴 지표(ai)가 1만큼 증가한다면, 나이 추정 모델에 의하여 추정되는 사용자의 나이(y)는 βi만큼 증가한다 (βi가 음수일 경우, 추정되는 사용자의 나이(y)는 감소한다).In [Equation 1], y is the user's age, β i (i = 0, ..., n) is the i-th model coefficient, and a i (i = 1, ..., n) is the i-th It is a face indicator, and n may be the number of face indicators. For example, if a specific facial index (a i ) increases by 1, the user's age (y) estimated by the age estimation model increases by β i (when β i is a negative number, the estimated user's age (y) decreases).
만약, 나이 추정 모델이 얼굴 지표뿐만 아니라 신체 정보 또는 얼굴 특징점을 추가적으로 이용하여 사용자의 나이를 추정하는 경우, ai는 얼굴 지표, 신체 정보 또는 얼굴 특징점이고, n은 사용자의 나이를 추정하는데 이용하는 얼굴 지표, 신체 정보 및 얼굴 특징점의 개수일 수 있다.If the age estimation model estimates the user's age by additionally using body information or facial feature points as well as face indicators, ai is the face index, body information or facial feature points, and n is the face used to estimate the user's age. It may be an index, body information, and the number of facial feature points.
나이 추정 모델에서 각 얼굴 지표(ai)가 기여하는 정도가 상이하며, 그 기여도는 나이 추정 능력을 의미할 수 있다. 각 얼굴 지표(ai)에 대한 나이 추정 능력은 r2와 p-value에 기초하여 판단할 수 있다. r2는 전체 나이 분산 중에서 각 얼굴 지표(ai)로 설명 가능한 분산을 의미하며, 결정 계수(coefficient of determinatnion)이라 칭하기도 한다. p-value는 각 얼굴 지표(ai)가 사용자의 나이(y)에 미치는 영향이 유의한지(significant)를 의미한다. 따라서, r2가 크고 p-value가 작은 얼굴 지표(ai)는 나이 추정 능력이 크며 유의하고 볼 수 있다.In the age estimation model, the degree of contribution of each face index (a i ) is different, and the contribution may mean age estimation ability. Age estimation ability for each face index (a i ) can be determined based on r 2 and p-value. r 2 means a variance that can be explained by each facial index (a i ) among the total age variance, and is also referred to as a coefficient of determinatnion. The p-value means whether the effect of each facial index (a i ) on the user's age (y) is significant. Therefore, the face index (a i ) with a large r 2 and a small p-value has a high age estimation ability and is significant and visible.
도 17을 참조하면, 나이 추정 모델을 학습하는데 충분히 많은 학습 데이터가 사용되었고, 그에 따라 얼굴 지표들의 p-value가 충분히 작고, 얼굴 지표들이 유의함을 확인할 수 있다. 따라서, 각 얼굴 지표는 r2이 클수록 나이 추정 능력이 좋다고 볼 수 있다.Referring to FIG. 17 , it can be confirmed that a sufficiently large amount of training data is used to learn the age estimation model, and accordingly, the p-value of face indicators is sufficiently small and the face indicators are significant. Therefore, it can be seen that the age estimation ability of each face index is good as r 2 is large.
실제 나이 추정 모델을 학습해본 결과, 턱 모서리 각도(LD4)인 제4 오른쪽 윤곽선 길이(line_degree_4_R)와 제4 왼쪽 윤곽선 길이(line_degree_4_L)가 다른 얼굴 지표들과 비교하여 나이 추정 능력이 크다는 것을 확인하였다. 즉, 제4 오른쪽 윤곽선 길이(line_degree_4_R)와 제4 왼쪽 윤곽선 길이(line_degree_4_L) 각각이 사용자의 나이(y)를 약 10% 이상 추정할 수 있다.As a result of learning the actual age estimation model, it was confirmed that the fourth right contour line length (line_degree_4_R) and the fourth left contour line length (line_degree_4_L), which are the chin angle (LD4), have a higher age estimation ability than other face indicators. That is, each of the lengths of the fourth right contour line (line_degree_4_R) and the fourth left contour line (line_degree_4_L) may estimate the user's age (y) by about 10% or more.
일 실시 예에서, 상술한 나이 추정 모델과 달리 제4 오른쪽 윤곽선 길이(line_degree_4_R)와 제4 왼쪽 윤곽선 길이(line_degree_4_L)뿐만 아니라, 제4 오른쪽 윤곽선 길이(line_degree_4_R)와 제4 왼쪽 윤곽선 길이(line_degree_4_L) 사이의 차이를 고려하여 나이를 추정할 수 있다. 나아가, 다양한 실시 예들에서, 도 14 및 15에 도시된 얼굴 지표들의 조합 지표도 얼굴 지표로써 이용하여 나이를 추정할 수 있다. In one embodiment, unlike the age estimation model described above, not only the length of the fourth right contour line (line_degree_4_R) and the length of the fourth left contour line (line_degree_4_L), but also the length between the length of the fourth right contour line (line_degree_4_R) and the length of the fourth left contour line (line_degree_4_L) Age can be estimated by considering the difference in Furthermore, in various embodiments, age may be estimated by using a combination index of face indexes shown in FIGS. 14 and 15 as a face index.
도 17에 도시된 것과 같이, 얼굴 지표마다 나이 추정 능력이 상이하다. 많은 얼굴 지표들을 이용할 경우 사용자의 나이를 보다 정확히 추정할 수 있지만 요구되는 연산이 크게 늘어날 수 있다. 따라서, 일 실시 예에서, 나이 추정 장치(100)는 나이 추정 능력이 (또는 r2)가 미리 정해진 기준 값을 넘는 얼굴 지표들만을 이용하여 사용자의 나이를 추정하는 나이 추정 모델을 이용하여 적은 연산으로도 사용자의 나이를 추정할 수 있다. 예컨대, 나이 추정 장치(100)는 도 17에 도시된 상위 20개의 얼굴 지표들만을 이용하여 나이를 추정하는 나이 추정 모델을 이용하여 사용자의 나이를 추정할 수 있다.As shown in FIG. 17 , age estimation capabilities are different for each face index. If many facial indices are used, the user's age can be more accurately estimated, but the computation required may increase significantly. Accordingly, in an embodiment, the
특히, 도 14 및 15에 도시된 49개의 얼굴 지표들을 모두 이용하여 선형 회귀 기반의 얼굴 인식 모델을 학습시킨 경우, 49개의 얼굴 지표들이 사용자의 나이(y)를 약 46% 이상 추정할 수 있음을 확인하였다.In particular, when a linear regression-based face recognition model is trained using all 49 face indicators shown in FIGS. Confirmed.
도 17에 도시된 것과 같이, 얼굴 인식 모델을 학습시키게 될 경우 얼굴 이미지로부터 사용자의 나이를 추정할 수도 있으며, 얼굴에서 어떠한 얼굴 지표가 나이와 상관관계가 높은지 파악할 수 있다는 장점이 있다. 이 경우, 나이와 상관관계가 높은 얼굴 지표는 노화 지표로 사용할 수 있다. 또한, 이를 활용할 경우, 특정 사용자의 얼굴 이미지로부터 더 젊게 보이기 위한 얼굴 지표를 얻을 수 있는 화장 방법을 제안할 수도 있다.As shown in FIG. 17 , when the face recognition model is trained, the age of the user can be estimated from the face image, and there is an advantage in that it is possible to determine which facial index in the face has a high correlation with the age. In this case, a facial index having a high correlation with age may be used as an aging index. In addition, if this is used, a makeup method capable of obtaining a facial index to look younger from a face image of a specific user may be proposed.
도 18은 연령대별 턱 모서리 각도(LD4)의 분포를 나타낸 도면이다.18 is a diagram showing the distribution of the chin edge angle LD4 by age group.
도 18의 (a)는 연령대별 샘플 수를 나타낸다. 각 샘플은 각 사용자의 실제 나이와 턱 모서리 각도(LD4)를 포함할 수 있다.18(a) shows the number of samples by age group. Each sample may include each user's actual age and chin edge angle (LD4).
도 18의 (b)는 연령대별 턱 모서리 각도(LD4)의 분포를 나타낸 박스 플롯(box plot)이고, 도 18의 (c)는 연령대별 턱 모서리 각도(LD4)의 분포를 나타낸 바이올린 플롯(violin plot)이다. 도 18의 (b) 및 (c)를 참조하면, 연령대가 증가함에 따라 턱 모서리 각도(LD4)가 증가하는 추세에 있음을 확인할 수 있다.18 (b) is a box plot showing the distribution of chin edge angles (LD4) by age group, and FIG. 18 (c) is a violin plot showing the distribution of chin edge angles (LD4) by age group. plot). Referring to (b) and (c) of FIG. 18 , it can be seen that the chin edge angle LD4 tends to increase as the age increases.
도 19는 연령별 턱 모서리 각도(LD4)의 분포를 나타낸 도면이다.19 is a diagram showing the distribution of chin edge angles (LD4) by age.
도 19의 (a)는 연령별 샘플 수를 나타낸다. 각 샘플은 각 사용자의 실제 나이와 턱 모서리 각도(LD4)를 포함할 수 있다.19(a) shows the number of samples by age. Each sample may include each user's actual age and chin edge angle (LD4).
도 19의 (b)는 연령별 턱 모서리 각도(LD4)의 분포를 나타낸 박스 플롯이다. 도 19의 (b)를 참조하면, 연령이 증가함에 따라 턱 모서리 각도(LD4)가 증가하는 추세에 있음을 확인할 수 있다.19(b) is a box plot showing the distribution of chin edge angle (LD4) by age. Referring to (b) of FIG. 19 , it can be seen that the chin edge angle LD4 tends to increase as age increases.
도 20은 본 개시의 일 실시 예에 따른 나이 추정 모델을 나타낸 도면이다.20 is a diagram illustrating an age estimation model according to an embodiment of the present disclosure.
도 20을 참조하면, 나이 추정 모델(2020)는 얼굴 지표(2011), 얼굴 특징점(2012) 또는 신체 정보(2013) 중에서 적어도 하나 이상이 입력되면, 그에 대응하여 추정된 사용자의 나이(2031)를 출력할 수 있다.Referring to FIG. 20 , when at least one of a
얼굴 지표(2011)는 얼굴 특징점(2012)로부터 추출될 수 있다. 얼굴 지표(2011)에는 도 14 및 15에 도시된 얼굴 지표들 중에서 적어도 일부가 포함될 수 있다.The
얼굴 특징점(2012)은 얼굴 이미지로부터 추출될 수 있다. 얼굴 특징점(2012)은 표준화된 얼굴 특징점을 의미할 수 있다. 그리고, 얼굴 특징점(2012)은 (x좌표, y좌표)의 값을 가질 수 있으며, 각 얼굴 특징점(2012)의 x좌표와 y좌표가 개별적인 항목으로 입력될 수 있다.Facial feature points 2012 may be extracted from a face image. The
신체 정보(2013)는 사용자의 입력에 의해 획득될 수 있다. 신체 정보(2013)에는 사용자의 신장, 사용자의 체중, 사용자의 체질량지수(BMI) 등이 포함될 수 있다.
나이 추정 모델(2020)은 선형 회귀 모델, 의사 결정 나무 또는 인공 신경망으로 구성된 딥 러닝 모델일 수 있다.The
도 21은 본 개시의 일 실시 예에 따른 딥 러닝 기반의 나이 추정 모델을 나타낸 도면이다.21 is a diagram illustrating a deep learning-based age estimation model according to an embodiment of the present disclosure.
도 21을 참조하면, 딥 러닝 기반의 나이 추정 모델(2120)은 인공 신경망으로 구성되고, 인공 신경망은 입력 레이어(2121), 하나 이상의 히든 레이어(2122) 및 출력 레이어(2123)을 포함할 수 있다. 그리고, 나이 추정 모델(2120)은 전연결 네트워크(Fully Connected Network)를 포함할 수 있다.Referring to FIG. 21 , a deep learning-based
입력 레이어(2121)에는 입력 특징 벡터(input feature vector)가 입력되며, 입력 특징 벡터에는 얼굴 지표(2111), 얼굴 특징점(2112) 또는 신체 정보(2113) 중에서 적어도 하나 이상이 포함될 수 있다. 출력 레이어(2123)는 추정한 사용자의 나이(2031)를 출력하는 단일한 노드만을 포함하도록 구성될 수 있으나, 본 개시가 이에 한정되지는 않는다.An input feature vector is input to the
도 22 내지 25는 본 개시의 일 실시 예에 따른 나이 추정 모델의 학습에 이용되는 학습 데이터의 구조들을 나타낸 도면이다.22 to 25 are diagrams illustrating structures of learning data used for learning an age estimation model according to an embodiment of the present disclosure.
도 22를 참조하면, 나이 추정 모델의 학습에 이용되는 학습 데이터(2210)는 얼굴 지표(2211)와 그에 대응하는 라벨 정보로써 나이(2215)를 포함할 수 있다. 이 경우, 나이 추정 모델은 학습 데이터(2210)에 포함된 얼굴 지표(2211)가 입력되면, 그에 대응하는 나이(2215)를 추종하여 추정하는 값을 출력하도록 학습될 수 있다. Referring to FIG. 22 ,
도 23을 참조하면, 나이 추정 모델의 학습에 이용되는 학습 데이터(2210)는 얼굴 지표(2211), 얼굴 특징점(2212)과 그에 대응하는 라벨 정보로써 나이(2215)를 포함할 수 있다. 얼굴 특징점(2212)은 x좌표와 y좌표가 개별 항목으로 포함될 수 있다. 이미 설명하였듯이, 얼굴 특징점(2212)는 표준화된 얼굴 특징점을 의미할 수 있고, 얼굴 지표(2211)은 얼굴 특징점(2212)로부터 추출될 수 있다. 이 경우, 나이 추정 모델은 학습 데이터(2210)에 포함된 얼굴 지표(2211) 및 얼굴 특징점(2212)이 입력되면, 그에 대응하는 나이(2215)를 추종하여 추정하는 값을 출력하도록 학습될 수 있다. Referring to FIG. 23 ,
도 24를 참조하면, 나이 추정 모델의 학습에 이용되는 학습 데이터(2210)는 얼굴 지표(2211), 신체 정보(2213)와 그에 대응하는 라벨 정보로써 나이(2215)를 포함할 수 있다. 신체 정보(2213)에는 신장, 체중, BMI 중에서 적어도 하나 이상이 포함될 수 있다. 이 경우, 나이 추정 모델은 학습 데이터(2210)에 포함된 얼굴 지표(2211) 및 신체 정보(2213)가 입력되면, 그에 대응하는 나이(2215)를 추종하여 추정하는 값을 출력하도록 학습될 수 있다. Referring to FIG. 24 , learning
도 25를 참조하면, 나이 추정 모델의 학습에 이용되는 학습 데이터(2210)는 얼굴 지표(2211), 얼굴 특징점(2212), 신체 정보(2213)와 그에 대응하는 라벨 정보로써 나이(2215)를 포함할 수 있다. 이 경우, 나이 추정 모델은 학습 데이터(2210)에 포함된 얼굴 지표(2211), 얼굴 특징점(2212) 및 신체 정보(2213)가 입력되면, 그에 대응하는 나이(2215)를 추종하여 추정하는 값을 출력하도록 학습될 수 있다.Referring to FIG. 25 ,
도 22 내지 25에 도시된 학습 데이터(2210)에 포함되는 얼굴 지표(2211)는 도 14 및 15에 도시된 얼굴 지표 중에서 적어도 일부를 포함할 수 있다. 일 실시 예에서, 학습 데이터(2210)에 포함되는 얼굴 지표(2211)는 도 17에 도시된 상위 얼굴 지표들과 같이, 나이 추정 능력이 높은 순서대로 미리 정해진 개수의 얼굴 지표만을 포함할 수 있다.The
도 26은 사용자의 나이를 추정하는 일 실시 예를 나타낸 도면이다.26 is a diagram illustrating an embodiment of estimating a user's age.
도 26을 참조하면, 사용자(2610)는 카메라를 내장한 나이 추정 장치(2620)를 이용하여 자신의 얼굴이 포함된 얼굴 이미지를 촬영할 수 있다. 도 26에 도시된 것과 같이, 나이 추정 장치(2620)는 스마트폰과 같은 휴대 가능한 사용자 단말기로 구현될 수 있다.Referring to FIG. 26 , a
나이 추정 장치(2620)는 촬영한 얼굴 이미지에서 얼굴 특징점을 추출하고, 추출한 얼굴 특징점에 기초하여 얼굴 지표들을 추출하고, 얼굴 특징점 또는 얼굴 지표 중에서 적어도 하나 이상에 기초하여 사용자(2610)의 나이를 추정할 수 있다. The
나이 추정 장치(2620)는 디스플레이부 또는 스피커를 통해 추정한 나이를 출력할 수 있다. 예컨대, 나이 추정 장치(2620)는 스피커를 통해 "얼굴 나이는 25세 입니다."(2631)와 같이 음성으로 추정한 나이를 출력할 수 있다.The
도 27은 사용자의 나이를 추정하여 나이 인증을 수행하는 일 실시 예를 나타낸 도면이다.27 is a diagram illustrating an embodiment of performing age authentication by estimating a user's age.
도 27의 (a)를 참조하면, 나이 추정 장치(2720)는 특정 작업을 수행하기 위해 사용자(2710)의 나이 정보를 요구할 수 있다. 예컨대, 쇼핑 어플리케이션에서 주류나 담배를 주문할 경우, 나이 추정 장치(2720)는 사용자(2710)이 성인인지 판단할 필요가 있다. 이 경우, 나이 추정 장치(2720)는 사용자(2710)가 성인임을 인증할 수 있는 신분증 정보를 요구할 수도 있지만, 얼굴 나이를 우선적으로 판단하여 성인 인증 (또는 나이 인증)을 수행하고 성인인지 불분명할 경우에 추가적으로 신분증 정보를 요구할 수도 있다. Referring to (a) of FIG. 27 , the
나이 추정 장치(2720)는 사용자(2710)에게 디스플레이부 또는 스피커를 통해 "성인 인증이 필요합니다. 신분증 정보를 입력하거나 얼굴을 촬영해주세요."(2731)와 같이 출력하여 얼굴 이미지 촬영을 요청할 수 있다. 사용자(2710)는 나이 추정 장치(2721)의 디스플레이부에 표시된 인증 버튼(2721)을 출력하여 얼굴 이미지 기반 나이 추정을 통한 성인 인증을 수행할 수 있다.The
도 27의 (b)를 참조하면, 사용자(2710)는 나이 추정 장치(2720)를 이용하여 얼굴 이미지를 촬영하고, 나이 추정 장치(2720)는 촬영한 얼굴 이미지에 기초하여 사용자(2710)의 나이 (또는 얼굴 나이)를 추정할 수 있다.Referring to (b) of FIG. 27 , a
도 27의 (c)를 참조하면, 나이 추정 장치(2720)는 사용자(2710)에 대하여 추정된 나이가 성인 인증에 적합한지 판단할 수 있다. 나이 추정 장치(2720)는 추정된 나이에 기초한 성인 인증을 수행할 때, 추정된 나이가 성인 인증에서 요구하는 나이보다 미리 정해진 마진만큼 크거나 같은 경우, 추정된 나이가 성인 인증에 적합하며 성인 인증에 성공하였다고 판단할 수 있다. 예컨대, 성공적인 성인 인증에 필요한 나이가 20세인 경우, 나이 추정 장치(2720)는 추정된 나이가 20세보다 미리 정해진 마진을 더한 나이(예컨대 25세) 이상일 경우에 성인 인증에 적합하며 성인 인증에 성공하였다고 판단할 수 있다.Referring to (c) of FIG. 27 , the
만약, 추정된 나이가 성인 인증에 적합한 경우, 나이 추정 장치(2720)는 디스플레이부 또는 스피커를 통해 "성인 인증에 성공하였습니다."(2732)와 같이 출력하고, 인증 버튼(2721)을 주문 버튼(2722)으로 변경하여 성인 인증이 수행됨에 따라 제공할 수 있는 기능을 제공할 수 있다.If the estimated age is suitable for adult authentication, the
도 28은 나이를 추정하여 나이 인증을 수행하는 일 실시 예를 나타낸 도면이다.28 is a diagram illustrating an embodiment of performing age authentication by estimating an age.
도 28의 (a) 및 (b)는 도 27의 (a) 및 (b)와 동일하며, 중복되는 설명은 생략한다.(a) and (b) of FIG. 28 are the same as (a) and (b) of FIG. 27, and overlapping descriptions are omitted.
도 28의 (c)를 참조하면, 나이 추정 장치(2720)는 사용자(2710)에 대하여 추정된 나이가 성인 인증에 적합한지 판단할 수 있다. 나이 추정 장치(2720)는 추정된 나이에 기초한 성인 인증을 수행할 때, 추정된 나이가 성인 인증에서 요구하는 나이보다 미리 정해진 마진만큼 크거나 같지 않은 경우, 추정된 나이가 성인 인증에 적합하지 않으며 추가 성인 인증이 필요하다고 판단할 수 있다. 예컨대, 성공적인 성인 인증에 필요한 나이가 20세인 경우, 나이 추정 장치(2720)는 추정된 나이가 20세보다 미리 정해진 마진을 더한 나이(예컨대 25세) 미만일 경우에 성인 인증에 부적합하며 추가 성인 인증이 필요하다고 판단할 수 있다.Referring to (c) of FIG. 28 , the
만약, 추정된 나이가 성인 인증에서 요구하는 나이보다 적거나, 성인 인증에서 요구하는 나이로부터 미리 정해진 마진 이내의 차이를 갖는 경우, 나이 추정 장치(2720)는 디스플레이부 또는 스피커를 통해 "추가 성인 인증이 필요합니다."(2733)와 같이 출력하고, 인증 버튼(2721)을 신분증 인증 버튼(2723)으로 변경하여 추가 성인 인증 기능을 제공할 수 있다.If the estimated age is less than the age required for adult authentication or has a difference within a predetermined margin from the age required for adult authentication, the
상기 도 27 및 도 28는 나이를 추정하여 성인 인증을 수행하는 실시 예들을 개시하고 있으나, 본 개시는 단순히 성인 인증뿐만 아니라 다양한 나이 인증을 수행하는 실시 예도 포함한다.27 and 28 disclose embodiments of performing adult authentication by estimating age, but the present disclosure includes various embodiments of performing age authentication as well as simple adult authentication.
도 29는 이미지에 포함된 사용자의 나이를 추정하는 일 실시 예를 나타낸 도면이다.29 is a diagram illustrating an embodiment of estimating the age of a user included in an image.
도 29를 참조하면, CCTV나 다양한 카메라를 통하여 촬영된 이미지(2910)에는 여러 사물과 사람들이 포함될 수 있다. 나이 추정 장치(100)는 이미지(2910)에 포함된 객체들(2910, 2920, 2930, 2940, 2950)을 인식할 수 있고, 인식된 객체들(2910, 2920, 2930, 2940, 2950)을 식별할 수 있다.Referring to FIG. 29 , an
인식된 객체들(2910, 2920, 2930, 2940, 2950)에 대한 식별 정보는 인식된 객체의 종류 정보와 속성 정보를 포함할 수 있고, 객체의 종류 정보와 속성 정보는 다양한 객체 식별 모델을 이용하여 획득할 수 있다. 객체의 속성 정보에는 나이 정보가 포함될 수 있고, 이러한 나이 정보는 본 개시의 일 실시 예에 따른 나이 추정 장치(100)를 이용하여 획득할 수 있다. 즉, 본 개시의 일 실시 예에 따른 나이 추정 장치(100)는 이미지 데이터에 포함된 사람의 나이를 추정하고, 추정된 나이를 해당 사람의 식별 정보로 생성할 수 있다.Identification information for the recognized
예컨대, 제1 객체(2910)에 대한 식별 정보(2911)는 "차량, 경차, 은색"이고, 제2 객체(2920)에 대한 식별 정보(2921)는 "차량, 은색"일 수 있다. 마찬가지로, 제3 객체(2930)에 대한 식별 정보(2931)는 "사람, 흰색 긴팔 상의"이고, 제4 객체(2940)에 대한 식별 정보(2941)는 "사람, 남성, 흰색 반팔 상의, 검은색 하의, 추정 나이 40"이고, 제5 객체(2950)에 대한 식별 정보(2951)는 "사람, 남성, 검은색/회색 반팔 상의, 검은색 하의"일 수 있다. 인식된 객체들 중에서 제4 객체(2940)가 사람이면서 얼굴을 포함하므로, 나이 추정 장치(100)는 제4 객체(2940)에 대응하는 이미지 데이터를 이용하여 제4 객체(2940)의 나이를 추정할 수 있고, 그에 따라 사용자의 신분을 보다 명확하게 특정할 수 있다.For example, the
이미지에 포함된 사용자의 나이를 추정하는 실시 예는 감시 카메라를 통해 촬영된 이미지에 포함된 사용자를 특정하는데 유용하게 이용될 수 있다. 이에 따라, 감시 카메라 이미지들을 이용하여 범죄자나 실종자 등의 특정한 대상을 구체적으로 특정하고 효과적으로 추적할 수 있다.An embodiment of estimating the age of a user included in an image may be usefully used to specify a user included in an image captured through a surveillance camera. Accordingly, it is possible to specifically and effectively track a specific target, such as a criminal or a missing person, using surveillance camera images.
도 30 및 31은 사용자의 나이를 추정하여 나이 맞춤형 동작을 수행하는 실시 예들을 나타낸 도면이다.30 and 31 are diagrams illustrating embodiments of performing an age-customized operation by estimating a user's age.
도 30 및 31을 참조하면, 나이 추정 장치(3010)는 카메라(3011)를 이용하여 사용자(3020)의 얼굴을 포함하는 이미지 데이터를 획득하고, 사용자(3020)의 나이를 추정하고, 추정된 나이에 기초하여 사용자(3020)의 추정된 나이에 기초한 나이 맞춤형 동작을 수행할 수 있다.Referring to FIGS. 30 and 31 , the
나이 추정 장치(3010)는 사용자(3020)의 나이를 추정하고, 디스플레이부(3012)를 통해 추정한 나이에 대응하는 추천 광고를 제공 (또는 제안)하거나, 추정한 나이에 대응하는 추천 컨텐츠를 제공 (또는 제안)할 수 있다. 나이 추정 장치(3010)는 디스플레이부(3012)를 통해 추정한 나이에서 인기가 많은 제품을 홍보하기 위한 추천 광고를 제공할 수도 있고, 추정한 나이에서 인기가 많은 TV 프로그램이나 영화를 추천 컨텐츠로 제공할 수도 있다. 추천 컨텐츠는 이미지, 동영상과 같은 재생될 미디어 컨텐츠를 의미할 수도 있고, 쇼핑, 게임, 독서, 미디어 감상과 같은 행위로써의 컨텐츠를 의미할 수도 있다.The
나이 추정 장치(3010)는 사용자(3020)의 개인 단말기일 수도 있지만, 불특정 다수가 이용하는 공용 시설에 설치된 공용 단말기일 수도 있다. 예컨대, 나이 추정 장치(3010)는 기차, 버스 또는 비행기 등에 설치된 단말기, 실내나 야외에 설치된 디지털 사이니지나 디지털 광고 단말기 등일 수 있다. 만약, 나이 추정 장치(3010)가 공용 단말기인 경우에는 나이 추정을 위하여 촬영한 이미지 데이터는 임시적 및 일시적으로만 저장되며, 나이 추정 장치(3010)는 사용자(3020)의 나이 추정 이후에 이미지 데이터를 삭제하여 프라이버시를 보호할 수 있다.The
나이 추정 장치(3010)는 나이 추정을 위해 사용자(3020)의 얼굴을 포함하는 이미지 데이터를 획득하며, 이는 프라이버시 침해의 우려가 있다는 점에서 사용자(3020)에게 미리 나이 추정을 위한 이미지 촬영 동의를 구할 수 있다.The
나이 추정 장치(3010)가 사용자(3020)에 대한 추가 개인 정보를 획득할 수 있는 경우라면, 나이 추정 장치(3010)는 추가 개인 정보와 추정된 나이를 고려하여 사용자(3020)에 대하여 추정된 나이에 대응하는 추천 컨텐츠를 제공 (또는 제안)할 수 있다. 예컨대, 나이 추정 장치(3010)가 비행기의 개별 좌석에 설치된 단말기인 경우, 나이 추정 장치(3010)는 비행기 좌석 배정 정보에 기초하여 사용자(3020)의 추가 개인 정보(예컨대, 성별, 국적, 인종 등)를 획득할 수 있고, 추가 개인 정보와 추정된 나이에 기초하여 추천 컨텐츠를 제공 (또는 제안)할 수 있다. 이를 위해, 나이 추정 장치(3010)는 추천 컨텐츠 데이터베이스(미도시)로부터 나이와 추가 개인 정보 중에서 적어도 하나 이상에 대응하는 추천 컨텐츠 정보를 수신할 수 있다.If the
도 30에 도시된 실시 예에서, 나이 추정 장치(3010)는 교통 수단의 좌석에 설치된 공용 단말기일 수 있고, 나이 추정 장치(3010)는 사용자(3020)의 나이를 30세로 추정(3031)할 수 있고, 디스플레이부(3012)를 통해 추정된 나이 30세에 대응하는 "30대 인기 영화"를 추천 컨텐츠로 제공(3031)할 수 있다. 이 경우, 나이 추정 장치(3010)는 디스플레이부(3012)에 사용자(3020)의 나이 정보와 함께 "30대 인기 영화"와 같은 문구를 출력하면서 30대의 인기 영화를 제공할 수도 있고, 사용자(3020)의 나이 정보를 제외하고 "인기 영화"와 같은 문구만을 출력하면서 30대의 인기 영화를 제공할 수도 있다.In the embodiment shown in FIG. 30 , the
도 31에서 도시된 실시 예에서, 나이 추정 장치(3010)는 실외나 실내에 설치된 디지털 사이니지일 수 있고, 나이 추정 장치(3010)는 사용자(3020)의 나이를 30세로 추정(3031)할 수 있고, 디스플레이부(3012)를 통해 추정된 나이 30세에 대응하는 "30대 인기 식당"을 추천 컨텐츠로 제공(3131)할 수 있다. 마찬가지로, 나이 추정 장치(3010)는 디스플레이부(3012)에 사용자(3020)의 나이 정보와 함께 "30대 인기 식당"과 같은 문구를 출력하면서 30대의 인기 식당을 제공할 수도 있고, 사용자(3020)의 나이 정보를 제외하고 "인기 식당"과 같은 문구만을 출력하면서 30대의 인기 식당을 제공할 수도 있다.In the embodiment shown in FIG. 31 , the
도 32는 가상의 얼굴 이미지를 이용하여 사용자의 얼굴의 나이를 추정하는 실시 예를 나타낸 도면이다.32 is a diagram illustrating an embodiment of estimating the age of a user's face using a virtual face image.
도 32를 참조하면, 본 개시의 일 실시 예는 나이 추정 장치(100)는 사용자의 얼굴을 포함하는 원본 이미지 데이터(3210)가 입력되면, 사용자의 나이를 추정할 수 있다. 그리고, 나이 추정 장치(100)는 직접 원본 이미지 데이터(3210)로부터 사용자의 얼굴에 특정한 화장, 시술 또는 수술을 하였을 때의 가상의 얼굴을 포함하는 가상 이미지 데이터(3220 또는 3230)를 생성하거나, 다른 장치에서 생성된 가상 이미지 데이터(3220 또는 3230)를 수신하고, 가상 이미지 데이터(3220 또는 3230)에 기초하여 특정한 화장, 시술 또는 수술을 하였을 때의 나이를 추정할 수 있다.Referring to FIG. 32 , according to an embodiment of the present disclosure, the
도 32의 실시 예에서, 나이 추정 장치(100)는 원본 이미지 데이터(3210)가 입력되었을 때 사용자의 나이를 25.1세로 추정할 수 있다. 그리고, 나이 추정 장치(100)는 원본 이미지 데이터(3210)에 포함된 사용자의 얼굴에 대하여 턱 주위 필러 시술된 이후의 가상의 얼굴을 포함하는 제1 가상 얼굴 이미지(3220)를 생성하거나 수신할 수 있고, 제1 가상 얼굴 이미지(3220)에 기초하여 턱 주위 필러 시술 후의 사용자의 나이를 23.3세로 추정할 수 있다. 또한, 나이 추정 장치(100)는 원본 이미지 데이터(3210)에 포함된 사용자의 얼굴에 대하여 외곽 부위 쉐이딩 이후의 가상의 얼굴을 포함하는 제2 가상 얼굴 이미지(3230)를 생성하거나 수신할 수 있고, 제2 가상 얼굴 이미지(3230)에 기초하여 외곽 부위 쉐이딩 후의 사용자의 나이를 22.9세로 추정할 수 있다.In the embodiment of FIG. 32 , the
나이 추정 장치(100)는 사용자에게 어떠한 화장, 시술 또는 수술 이후에 예상되는 나이를 제공할 수 있고, 나아가 추천 화장, 추천 시술 또는 추천 수술을 제안할 수 있다. 사용자에게 제공하는 추천 화장, 추천 시술 또는 추천 수술은 추정되는 나이가 가장 어리게 나타나는 화장, 시술 또는 수술일 수 있다.The
나이 추정 장치(100)는 원본 이미지 데이터(3210)로부터 나이(예컨대, 25.1세)를 추정하고, 사용자(미도시)의 입력에 기초하여 추정된 나이 값을 조정하면 조정된 나이에 대응하는 가상의 얼굴을 포함하는 가상 이미지 데이터를 생성하여 제공할 수 있다. 또한, 나이 추정 장치(100)는 생성된 가상 이미지 데이터에 포함된 가상 얼굴에 이르기 위한 화장법, 시술, 수술, 건강 관리법 등을 추천할 수 있다. 추천하는 화장법에는 사용할 화장품의 종류, 추천 화장품 브랜ㄷ크 등이 포함될 수 있다. 추천하는 건강 관리법에는 추천 식단, 추천 식료품 정보, 추천 운동 루틴 등이 포함될 수 있다.The
본 개시의 일 실시 예에 따르면, 전술한 방법은 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다.According to an embodiment of the present disclosure, the above-described method can be implemented as computer readable code on a medium on which a program is recorded. The computer-readable medium includes all types of recording devices in which data that can be read by a computer system is stored. Examples of computer-readable media include Hard Disk Drive (HDD), Solid State Disk (SSD), Silicon Disk Drive (SDD), ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, etc. there is
Claims (7)
얼굴 특징점 추출 모델 및 나이 추정 모델을 저장하는 메모리; 및
사용자에 대한 적어도 하나 이상의 원본 얼굴 이미지를 수신하고, 상기 원본 얼굴 이미지를 이용하여 상기 사용자의 얼굴에 화장, 시술 또는 수술 중 적어도 하나가 적용된 가상 얼굴이 포함된 가상 얼굴 이미지를 생성하고, 상기 얼굴 특징점 추출 모델을 이용하여 상기 가상 얼굴 이미지에서 복수의 얼굴 특징점을 추출하고, 상기 복수의 얼굴 특징점으로부터 미리 정해진 복수의 얼굴 지표를 추출하고, 상기 나이 추정 모델과 상기 복수의 얼굴 지표를 이용하여 상기 가상 얼굴의 나이를 추정하는 프로세서를 포함하는
나이 추정 장치.
In the age estimation device,
a memory for storing a facial feature point extraction model and an age estimation model; and
Receiving at least one original face image of the user, generating a virtual face image including a virtual face to which at least one of makeup, treatment, or surgery is applied to the user's face using the original face image, and generating the facial feature points A plurality of facial feature points are extracted from the virtual face image by using an extraction model, a plurality of predetermined face indicators are extracted from the plurality of facial feature points, and the virtual face is extracted using the age estimation model and the plurality of face indicators. A processor for estimating the age of
age estimation device.
상기 프로세서는
복수의 가상 얼굴 이미지를 생성하고, 상기 복수의 가상 얼굴 이미지 각각에 포함된 가상 얼굴 각각의 나이를 추정하고, 상기 각각의 가상 얼굴 중 추정되는 나이가 가장 어리게 나타나는 가상 얼굴에 적용된 화장, 시술 및 수술 중 적어도 하나를 추천하는
나이 추정 장치.
The method of claim 1,
The processor
Creating a plurality of virtual face images, estimating the age of each virtual face included in each of the plurality of virtual face images, and applying makeup, treatment, and surgery to a virtual face in which the estimated age appears the youngest among the virtual faces recommend at least one of
age estimation device.
상기 프로세서가 추천하는 화장은
상기 추천하는 화장에 사용되는 화장품의 종류 및 상기 화장에 사용되는 화장품의 브랜드 중 적어도 하나를 포함하는
나이 추정 장치.
The method of claim 2,
The makeup recommended by the processor is
Including at least one of the type of cosmetics used for the recommended makeup and the brand of cosmetics used for the makeup
age estimation device.
얼굴 특징점 추출 모델 및 나이 추정 모델을 저장하는 메모리; 및
사용자에 대한 적어도 하나 이상의 원본 얼굴 이미지를 수신하고, 상기 얼굴 특징점 추출 모델을 이용하여 상기 원본 얼굴 이미지에서 복수의 얼굴 특징점을 추출하고, 상기 복수의 얼굴 특징점으로부터 미리 정해진 복수의 얼굴 지표를 추출하고, 상기 나이 추정 모델과 상기 복수의 얼굴 지표를 이용하여 상기 사용자의 나이를 추정하는 프로세서
를 포함하고,
상기 프로세서는
상기 사용자의 입력에 기초하여 추정된 나이 값이 조정되면, 상기 원본 얼굴 이미지에 기초하여 상기 조정된 나이 값에 대응하는 가상 얼굴을 포함하는 가상 얼굴 이미지를 생성하는
나이 추정 장치.
In the age estimation device,
a memory for storing a facial feature point extraction model and an age estimation model; and
Receiving at least one original facial image of a user, extracting a plurality of facial feature points from the original facial image using the facial feature point extraction model, and extracting a plurality of predetermined facial indicators from the plurality of facial feature points; A processor for estimating the age of the user using the age estimation model and the plurality of facial indices.
including,
The processor
generating a virtual face image including a virtual face corresponding to the adjusted age value based on the original face image when the estimated age value is adjusted based on the user's input;
age estimation device.
상기 프로세서는
상기 가상 얼굴에 이르기 위한 화장법, 시술, 수술 및 건강 관리법 중 적어도 하나를 추천하는
나이 추정 장치.
The method of claim 4,
The processor
Recommending at least one of cosmetic methods, procedures, surgeries, and health management methods to reach the virtual face
age estimation device.
상기 화장법은
상기 화장법에 사용되는 화장품의 종류 및 상기 화장법에 사용되는 화장품의 브랜드 중 적어도 하나를 포함하는
나이 추정 장치.
The method of claim 5,
The makeup method
Including at least one of the type of cosmetics used in the makeup method and the brand of cosmetics used in the makeup method
age estimation device.
상기 건강 관리법은
식단, 식료품 정보 및 운동 루틴 중 적어도 하나를 포함하는
나이 추정 장치.The method of claim 5,
The health care law
including at least one of diet, grocery information, and exercise routines;
age estimation device.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220147992A KR20220151596A (en) | 2020-05-18 | 2022-11-08 | Age estimating apparatus and method for estimating age |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200059050A KR20210142342A (en) | 2020-05-18 | 2020-05-18 | Age estimating apparatus and method for estimating age |
| KR1020220147992A KR20220151596A (en) | 2020-05-18 | 2022-11-08 | Age estimating apparatus and method for estimating age |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200059050A Division KR20210142342A (en) | 2020-05-18 | 2020-05-18 | Age estimating apparatus and method for estimating age |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220151596A true KR20220151596A (en) | 2022-11-15 |
Family
ID=78708703
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200059050A KR20210142342A (en) | 2020-05-18 | 2020-05-18 | Age estimating apparatus and method for estimating age |
| KR1020220147992A KR20220151596A (en) | 2020-05-18 | 2022-11-08 | Age estimating apparatus and method for estimating age |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200059050A KR20210142342A (en) | 2020-05-18 | 2020-05-18 | Age estimating apparatus and method for estimating age |
Country Status (2)
| Country | Link |
|---|---|
| KR (2) | KR20210142342A (en) |
| WO (1) | WO2021235641A1 (en) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3455752B2 (en) * | 1993-05-26 | 2003-10-14 | カシオ計算機株式会社 | Age estimation device and age display control method |
| JP4795864B2 (en) * | 2006-06-21 | 2011-10-19 | 富士フイルム株式会社 | Feature point detection apparatus and method, and program |
| KR101381439B1 (en) * | 2011-09-15 | 2014-04-04 | 가부시끼가이샤 도시바 | Face recognition apparatus, and face recognition method |
| KR101558547B1 (en) * | 2014-01-27 | 2015-10-19 | 주식회사 에스원 | Age Cognition Method that is powerful to change of Face Pose and System thereof |
| JP2016004149A (en) * | 2014-06-17 | 2016-01-12 | カシオ計算機株式会社 | Information processing apparatus, information processing system, content output method, and program |
| KR101895001B1 (en) * | 2017-07-13 | 2018-09-05 | (주)블루오션소프트 | Full duplex live broadcast commerce service platform based on smart phone |
-
2020
- 2020-05-18 KR KR1020200059050A patent/KR20210142342A/en active Application Filing
- 2020-12-29 WO PCT/KR2020/019328 patent/WO2021235641A1/en active Application Filing
-
2022
- 2022-11-08 KR KR1020220147992A patent/KR20220151596A/en not_active IP Right Cessation
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021235641A1 (en) | 2021-11-25 |
| KR20210142342A (en) | 2021-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109271832B (en) | People stream analysis method, people stream analysis device, and people stream analysis system | |
| CN105005777B (en) | Audio and video recommendation method and system based on human face | |
| CN106462242B (en) | Use the user interface control of eye tracking | |
| US10614289B2 (en) | Facial tracking with classifiers | |
| WO2016090605A1 (en) | Avatar selection mechanism | |
| KR102092931B1 (en) | Method for eye-tracking and user terminal for executing the same | |
| US20100060713A1 (en) | System and Method for Enhancing Noverbal Aspects of Communication | |
| CN107392159A (en) | A kind of facial focus detecting system and method | |
| MX2014002827A (en) | Person recognition apparatus and person recognition method. | |
| JP7118697B2 (en) | Point-of-regard estimation processing device, point-of-regard estimation model generation device, point-of-regard estimation processing system, point-of-regard estimation processing method, program, and point-of-regard estimation model | |
| CN108198130B (en) | Image processing method, image processing device, storage medium and electronic equipment | |
| CN110245612A (en) | The detection method and device of facial image | |
| KR20190020779A (en) | Ingestion Value Processing System and Ingestion Value Processing Device | |
| WO2014068567A1 (en) | Method and system for predicting personality traits, capabilities and suggested interactions from images of a person | |
| US20160127657A1 (en) | Imaging system | |
| KR20190118965A (en) | System and method for eye-tracking | |
| US9047504B1 (en) | Combined cues for face detection in computing devices | |
| CN104637035A (en) | Method, device and system for generating cartoon face picture | |
| KR101887626B1 (en) | System for analyzing concentration based on facial data and a method thereof | |
| EP3285222A1 (en) | Facilitating television based interaction with social networking tools | |
| CN111429338B (en) | Method, apparatus, device and computer readable storage medium for processing video | |
| CN105721936A (en) | Intelligent TV program recommendation system based on context awareness | |
| WO2022267653A1 (en) | Image processing method, electronic device, and computer readable storage medium | |
| US20160292535A1 (en) | An emotion based power efficient self-portrait mechanism | |
| US20240112408A1 (en) | User-customized location based content presentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X601 | Decision of rejection after re-examination |