KR20230046210A - 나이 추정 장치 - Google Patents
나이 추정 장치 Download PDFInfo
- Publication number
- KR20230046210A KR20230046210A KR1020220115186A KR20220115186A KR20230046210A KR 20230046210 A KR20230046210 A KR 20230046210A KR 1020220115186 A KR1020220115186 A KR 1020220115186A KR 20220115186 A KR20220115186 A KR 20220115186A KR 20230046210 A KR20230046210 A KR 20230046210A
- Authority
- KR
- South Korea
- Prior art keywords
- age
- estimation model
- individual
- final
- mobile terminal
- Prior art date
Links
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 33
- 230000005540 biological transmission Effects 0.000 claims description 10
- 230000001815 facial effect Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 abstract description 16
- 238000010586 diagram Methods 0.000 description 10
- 210000001061 forehead Anatomy 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000008901 benefit Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000011017 operating method Methods 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000002537 cosmetic Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 101100042371 Caenorhabditis elegans set-3 gene Proteins 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000711573 Coronaviridae Species 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
- 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/164—Detection; Localisation; Normalisation using holistic features
-
- 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
- G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
-
- 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
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/02—Constructional features of telephone sets
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/02—Constructional features of telephone sets
- H04M1/0202—Portable telephone sets, e.g. cordless phones, mobile phones or bar type handsets
- H04M1/026—Details of the structure or mounting of specific components
- H04M1/0264—Details of the structure or mounting of specific components for a camera module assembly
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
본 개시는 부분 얼굴 이미지 만으로도 사용자의 나이를 산출 가능한 나이 추정 장치를 제공하기 위한 것으로, 사용자의 얼굴 전체 이미지를 입력받는 이미지 입력부, 상기 얼굴 전체 이미지를 분할하여 분할 이미지를 획득하는 이미지 분할부, 상기 분할 이미지에 기초하여 개별 나이를 산출하는 개별 나이 추정부, 상기 얼굴 전체 이미지에 기초하여 전체 나이를 산출하는 전체 나이 추정부, 및 상기 개별 나이 및 상기 전체 나이를 통합하여 최종 나이를 산출하는 최종 나이 추정부를 포함할 수 있다.
Description
본 개시는 나이 추정 장치에 관한 것이다.
사람들이 외모, 피부 관리 등에 대한 관심이 많아지면서 피부 상태를 측정하여 피부 나이를 산출하는 장치 등이 등장하였다. 그런데, 이러한 피부 나이는 피부 자체에만 국한되어 있기 때문에, 피부 나이가 높게 산출되더라도 피부를 자세히 관찰하지 않으면 피부가 좋지 않은 상태임을 다소 알기 어려워, 산출된 피부 나이를 신뢰하지 않거나, 이후 관리에 대한 노력으로 이어지지 못하는 한계가 있다.
이에, 사람들의 외모 또는 피부와 관련하여, 신뢰성 높고, 경각심을 불러일으킬 수 있는 새로운 가이드가 요구되는 상태이며, 그에 따라 사용자의 얼굴 이미지에 기초하여 나이를 추정하는 장치도 개발되었다.
한편, 나이를 추정하기 위해서는 얼굴 전체 이미지가 요구되기 때문에, 사진의 일부가 잘리거나, 얼굴의 특정 부위가 가려진 경우에는 오류가 발생하는 한계가 있다. 특히, 최근 코로나 바이러스의 확산 등과 같은 감염 위험이 있는 경우 마스크를 벗을 수 없어 나이 추정이 불가한 문제가 발생한다.
본 개시는 부분 얼굴 이미지 만으로도 사용자의 나이를 산출 가능한 나이 추정 장치를 제공하고자 한다.
본 개시는 얼굴의 일부가 가려지더라도 사용자의 나이를 추정 가능한 나이 추정 장치를 제공하고자 한다.
본 개시는 얼굴의 특정 부위만 포함된 이미지를 통해서도 사용자의 나이를 추정 가능한 나이 추정 장치를 제공하고자 한다.
본 개시의 실시 예에 따른 나이 추정 시스템은 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델을 생성 및 저장하는 서버, 및 상기 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델에 기초하여 산출된 개별 나이, 전체 나이 또는 최종 나이를 디스플레이하는 이동 단말기를 포함하고, 상기 서버는 상기 이동 단말기로부터 사용자의 얼굴 전체 이미지를 수신하고, 수신된 얼굴 전체 이미지 및 상기 얼굴 전체 이미지를 분할한 분할 이미지 중 적어도 하나를 상기 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델에 적용하여 개별 나이, 전체 나이 또는 최종 나이를 산출하고, 산출된 개별 나이, 전체 나이 또는 최종 나이를 상기 이동 단말기로 전송할 수 있다.
서버는 상기 이동 단말기로부터 상기 얼굴 전체 이미지만 수신하거나, 상기 이동 단말기로부터 상기 얼굴 전체 이미지 및 상기 분할 이미지를 모두 수신할 수 있다.
본 개시의 실시 예에 따른 나이 추정 시스템은 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델을 생성하는 서버, 및 상기 서버로부터 상기 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델 수신 및 저장하고, 저장된 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델에 기초하여 산출된 개별 나이, 전체 나이 또는 최종 나이를 디스플레이하는 이동 단말기를 포함하고, 상기 이동 단말기는 사용자의 얼굴 전체 이미지를 입력받고, 입력받은 얼굴 전체 이미지 및 상기 얼굴 전체 이미지를 분할한 분할 이미지 중 적어도 하나를 상기 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델에 적용하여 개별 나이, 전체 나이 또는 최종 나이를 산출할 수 있다.
서버 또는 상기 이동 단말기는 상기 얼굴 전체 이미지를 얼굴 부위별로 분할함으로써 얼굴 부위별로 상기 분할 이미지를 획득하고, 상기 개별 나이는 얼굴 부위별 나이일 수 있다.
서버 또는 상기 이동 단말기는 상기 얼굴 부위별로 분할하기 위해 특징점을 추출하고, 추출된 특징점 기준으로 상기 얼굴 전체 이미지를 분할할 수 있다.
서버 또는 상기 이동 단말기는 상기 개별 나이 및 상기 전체 나이의 평균을 상기 최종 나이로 산출할 수 있다.
서버 또는 상기 이동 단말기는 얼굴 부위별 가중치를 부여한 후 부위별 추정 나이의 가중치 평균을 상기 최종 나이로 산출할 수 있다.
가중치 평균은 각 부위별로 가중치와 해당 부위의 나이를 곱한 값들을 합을 가중치들의 합으로 나눈 값일 수 있다.
서버 또는 상기 이동 단말기는 측정 불가 부위의 가중치를 0으로 결정할 수 있다.
서버 또는 상기 이동 단말기는 상기 가중치를 절대 값 오차의 평균의 역수로 결정할 수 있다.
서버 또는 상기 이동 단말기는 상기 개별 나이를 추정할 때 앙상블 모델을 이용할 수 있다.
나이 추정 시스템은 나이 추정 모델의 획득에 필요한 데이터를 저장하는 데이터 제공 서버를 더 포함하고, 상기 서버 또는 상기 이동 단말기는 상기 데이터 제공 서버로부터 수신한 데이터에 기초하여 상기 앙상블 모델을 적용한 나이 추정 모델을 획득할 수 있다.
서버 또는 상기 이동 단말기는 입력된 상기 얼굴 전체 이미지에 포함된 얼굴의 각도 또는 조명 환경이 기설정된 표준에 상응하도록 보정할 수 있다.
서버 또는 상기 이동 단말기는 입력된 상기 얼굴 전체 이미지 혹은 얼굴 부위별 상기 분할 이미지의 포커스 또는 품질에 따라 상기 가중치에 패널티를 부여할 수 있다.
본 개시의 실시 예에 따른 나이 추정 시스템은 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델을 생성하는 서버, 및 사용자의 얼굴 전체 이미지를 입력받는 이동 단말기를 포함하고, 상기 서버가 상기 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델을 저장하는 메모리를 포함하는 경우, 상기 이동 단말기는 상기 입력 받은 얼굴 전체 이미지를 서버로 전송하는 전송 장치를 포함하고, 상기 서버는 상기 이동 단말기로부터 전송 받은 얼굴 전체 이미지로부터 상기 메모리에 저장된 상기 개별 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델을 통해 개별 나이, 전체 나이 또는 최종 나이를 산출하고, 상기 이동 단말기로 상기 산출된 개별 나이, 전체 나이 또는 최종 나이를 전송하는 전송 장치를 포함하며, 상기 서버가 상기 이동 단말기로 상기 개별 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델을 전송할 수 있는 전송 장치를 포함하는 경우, 상기 이동 단말기는 상기 서버로부터 전송 받은 상기 개별 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델을 저장하는 메모리를 포함하며, 상기 이동 단말기는 상기 입력 받은 얼굴 전체 이미지로부터 상기 메모리에 저장된 상기 개별 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델을 통해 개별 나이, 전체 나이 또는 최종 나이를 산출하고, 상기 이동 단말기는 산출된 개별 나이, 전체 나이 또는 최종 나이를 디스플레이하는 디스플레이 장치를 포함하며, 상기 개별 나이 추정 모델은 얼굴 전체 이미지를 분할하여 획득된 분할 이미지와 실제 나이가 쌍으로 되어 있는 학습 데이터를 이용하여 생성되며, 상기 전체 나이 학습 모델은 얼굴 전체 이미지와 실제 나이를 쌍으로 되어 있는 학습 데이터를 이용하여 생성되며, 상기 최종 나이 추정 모델은 상기 개별 나이 추정 모델에 의해 산출된 개별 나이 및 상기 전체 나이 학습 모델에 의해 산출된 전체 나이와, 실제 나이가 쌍으로 되어 있는 학습 데이터를 이용하여 생성될 수 있다.
본 개시의 실시 예에 따르면, 마스크를 쓰고 있거나, 얼굴의 일부가 가려진 사용자에 대해서도 나이 추정이 가능하므로, 마스크를 벗어야 하는 등의 불편이 최소화되는 이점이 있다.
본 개시의 실시 예에 따르면, 각 부위별 성능에 따른 가중치를 반영하여 최종 나이를 산출 가능하며, 일부 부위가 가려지더라도, 이미지에 포함되지 않은 부위의 가중치를 배제함으로써, 최종 나이의 산출이 가능한 이점이 있다.
본 개시의 실시 예에 따르면, 나이 추정 장치는 화장품 사용 전후의 나이를 추정하고, 추정된 나이를 비교함으로써, 화장품 성능 평가 지표를 활용 가능한 이점이 있다.
본 개시의 실시 예에 따르면, 광고판 등을 보고 있는 사람의 나이를 추정 가능하므로, 사용자 개개인에 적합한 맞춤형 광고의 출력 수단으로 사용 가능한 이점이 있다.
본 개시의 실시 예에 따르면, 어떠한 조건에서도 나이 추정이 가능하며, 정확도가 높아, 보안 강화 및 나이 제한 컨텐츠 제어 등 나이 제한 서비스에 이용되거나, 인간-컴퓨터 상호작용 등 특정 상품에 적용 가능한 이점이 있다.
본 개시의 실시 예에 따르면, 범죄 용의자 등 일부 얼굴 이미지를 이용하여 나이를 추정하거나, 실종자 얼굴 변화 등 시뮬레이션에 활용 가능한 이점이 있다.
도 1은 본 개시의 실시 예에 따른 나이 추정 장치의 제어 블록도이다.
도 2는 본 개시의 실시 예에 따른 나이 추정 장치의 동작 방법이 도시된 순서도이다.
도 3은 본개시의 실시 예에 따른 이미지 분할부에 의해 분할된 이미지의 예시 도면이다.
도 4는 본 개시의 실시 예에 따른 나이 추정 장치에서 앙상블 모델 사용되는 모습이 도시된 개략도이다.
도 5는 본 개시의 실시 예에 따른 합성곱 연산의 예시가 도시된 도면이다.
도 6 본 개시의 실시 예에 따른 나이 추정 장치가 나이 분석 결과를 시각화하는 방법의 일 예가 도시된 도면이다.
도 7은 본 개시의 실시 예에 따른 나이 추정 시스템의 블록도이다.
도 8은 본 개시의 실시 예에 따른 나이 추정 시스템의 동작 방법이 도시된 순서도이다.
도 2는 본 개시의 실시 예에 따른 나이 추정 장치의 동작 방법이 도시된 순서도이다.
도 3은 본개시의 실시 예에 따른 이미지 분할부에 의해 분할된 이미지의 예시 도면이다.
도 4는 본 개시의 실시 예에 따른 나이 추정 장치에서 앙상블 모델 사용되는 모습이 도시된 개략도이다.
도 5는 본 개시의 실시 예에 따른 합성곱 연산의 예시가 도시된 도면이다.
도 6 본 개시의 실시 예에 따른 나이 추정 장치가 나이 분석 결과를 시각화하는 방법의 일 예가 도시된 도면이다.
도 7은 본 개시의 실시 예에 따른 나이 추정 시스템의 블록도이다.
도 8은 본 개시의 실시 예에 따른 나이 추정 시스템의 동작 방법이 도시된 순서도이다.
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 "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 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본원 명세서에 언급된 '추정부'는, 결과변수로서 실제 나이와 입력 변수를 쌍으로 된 학습 데이터를 이용하여 기계 학습을 통해 획득된 추정 모델을 이용하여 각 나이를 추정하는 단계 또는 장치를 의미한다.
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.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
도 1은 본 개시의 실시 예에 따른 나이 추정 장치의 제어 블록도이다.
본 개시의 실시 예에 따른 나이 추정 장치(1)는 이미지 입력부(11), 이미지 분할부(12), 개별 나이 추정부(13), 전체 나이 추정부(14), 최종 나이 추정부(15), 나이 출력부(16) 및 제어부(17) 중 적어도 일부 또는 전부를 포함할 수 있다.
이미지 입력부(11)는 나이 추정의 대상이 되는 사용자의 얼굴 이미지를 입력받을 수 있다.
일 예로, 이미지 입력부(11)는 카메라 등과 같은 이미지 촬영 장치를 포함할 수 있고, 이 경우 이미지 촬영 장치를 통해 사용자의 얼굴을 촬영함으로써, 사용자의 얼굴 이미지를 획득할 수 있다.
다른 예로, 이미지 입력부(11)는 이동 단말기 등과 같은 외부 기기와 데이터 송수신이 가능한 통신 모듈을 포함할 수 있고, 이 경우 통신 모듈을 통해 사용자의 얼굴 이미지 관련 데이터를 외부 기기로부터 수신함으로써 사용자의 얼굴 이미지를 획득할 수 있다.
한편, 상술한 예들은 설명의 편의를 위한 것에 불과하며, 이미지 입력부(11)는 이미지 촬영 장치 및 통신 모듈을 모두 구비할 수 있고, 또는 이밖에 다른 이미지 입력 수단을 구비할 수도 있다.
이미지 입력부(11)에 입력되는 얼굴 전체 이미지는 얼굴의 일부가 가려진 얼굴 이미지일 수도 있고, 가려진 부위가 없는 얼굴 이미지일 수도 있다.
또한, 이미지 입력부(11)는 입력된 사용자의 얼굴 이미지를 보정할 수도 있다. 특히, 이미지 입력부(11)는 사용자의 얼굴 이미지에 대한 표준화를 수행할 수 있다. 구체적으로, 입력된 사용자의 얼굴 이미지를 별도의 표준화 작업 없이 그대로 사용할 경우, 얼굴의 각도 또는 조명 환경 등에 따라 나이 추정 과정에서 오차 발생 가능성이 높아지기 때문에, 이미지 입력부(11)는 이미지 표준화를 수행할 수 있다.
보다 상세하게, 이미지 입력부(11)는 얼굴의 각도에 대한 표준 또는 조명 환경에 대한 표준이 미리 설정하고 있을 수 있다. 따라서, 이미지 입력부(11)는 입력된 사용자의 얼굴 전체 이미지에 포함된 얼굴의 각도 또는 조명 환경이 기설정된 표준에 상응하도록 보정할 수 있다.
이미지 분할부(12)는 이미지 입력부(11)로부터 사용자의 얼굴 이미지를 전달받을 수 있고, 전달받은 사용자의 얼굴 이미지를 복수개로 분할할 수 있다.
예를 들어, 이미지 분할부(12)는 사용자의 얼굴 이미지를 얼굴 부위별로 분할할 수 있다.
또한, 이미지 분할부(12)는 이미지 분할 뿐만 아니라, 이미지 축소 또는 이미지 자르기를 수행할 수도 있다. 예를 들어, 이미지 입력부(11)가 사용자의 얼굴 이미지를 획득할 때, 이미지의 크기가 다양할 수 있고, 이미지의 크기가 고정되어 있다고 하더라도, 이미지 내 얼굴의 크기가 다양할 수 있기 때문에, 이미지 축소 또는 이미지 자르기를 수행할 수 있다. 여기에서, '축소 이미지'는 입력된 이미지의 픽셀수를 줄이는 프로세스를 거친 이미지를 의미하며, 일 예로, 장축이 2,500개의 픽셀인 이미지를 1/2~1/10 의 축소 비율로 축소시킨 이미지, 가령 2,500*2,500 픽셀수의 이미지를 1/2~1/10 의 축소 비율로 축소시킨 이미지일 수 있으나, 이에 제한되지 않는다. '축소 이미지'는 예를 들면 얼굴의 잡티 혹은 미세한 피부 상태의 고려 없이 얼굴 윤곽 혹은 얼굴 개별 부위의 윤곽에 의해서만 나이를 추정하는 효과를 제공할 수 있다.
개별 나이 추정부(13)는 사용자의 얼굴 이미지에 기초하여 적어도 하나의 개별 나이를 산출할 수 있다. 여기서, 사용자의 얼굴 이미지는 표준화된 이미지, 분할된 이미지, 축소된 이미지 등과 같이 입력된 이미지 및 입력된 후 다양한 작업이 수행된 결과 이미지를 모두 포함할 수 있다.
특히, 개별 나이 추정부(13)는 얼굴 부위별로 분할된 분할 이미지 각각에 기초하여 개별 나이를 산출할 수 있다. 개별 나이는 각 얼굴 부위에 대한 추정 나이를 의미할 수 있다. 개별 나이는 얼굴 부위별 나이일 수 있다. 개별 나이는 적어도 하나 이상일 수 있다. 즉, 개별 나이는 복수개일 수 있다.
전체 나이 추정부(14)는 사용자의 얼굴 이미지에 기초하여 전체 나이를 산출할 수 있다. 마찬가지로, 여기서, 사용자의 얼굴 이미지는 표준화된 이미지, 분할된 이미지, 축소된 이미지 등과 같이 입력된 이미지 및 입력된 후 다양한 작업이 수행된 결과 이미지를 모두 포함할 수 있다.
특히, 전체 나이 추정부(14)는 표준화된 이미지 또는 축소된 얼굴 이미지 중 적어도 하나에 기초하여 전체 나이를 산출할 수 있다. 전체 나이는 사용자의 얼굴 전체에 기초하여 추정된 나이를 의미할 수 있다.
최종 나이 추정부(15)는 개별 나이 추정부(13)에서 산출된 나이 단독으로, 또는 개별 나이 추정부(13)에서 산출된 나이와 전체 나이 추정부(14)에서 추정된 나이의 조합에 기초하여 최종 나이를 추출할 수 있다.
최종 나이는 사용자의 얼굴 이미지에 기초하여 최종적으로 산출된 나이를 의미할 수 있다. 최종 나이는 개별 나이만을, 또는 전체 나이와의 조합을 모두 고려 또는 통합하여 마지막으로 산출된 나이일 수 있다. 최종 나이는 개별 나이와 전체 나이를 통합한 나이일 수 있다.
나이 출력부(16)는 사용자의 얼굴 이미지를 분석하여 산출된 나이를 출력할 수 있다. 나이 출력부(16)는 개별 나이, 전체 나이 및 최종 나이 중 적어도 하나를 출력할 수 있다.
나이 출력부(16)는 사용자의 얼굴 이미지를 분석한 결과를 시각적으로 출력하는 디스플레이 또는 청각적으로 출력하는 스피커 등으로 구현될 수 있으나, 이는 예시적인 것에 불과하므로, 이에 제한되지 않음이 타당하다.
제어부(17)는 나이 추정 장치(1)의 동작을 제어할 수 있다.
제어부(17)는 이미지 입력부(11), 이미지 분할부(12), 개별 나이 추정부(13), 전체 나이부(14), 최종 나이 추정부(15) 및 나이 출력부(16) 중 적어도 일부 또는 전부를 제어할 수 있다.
다음으로, 본 개시의 실시 예에 따른 나이 추정 장치(1)의 동작 방법을 상세히 설명한다.
도 2는 본 개시의 실시 예에 따른 나이 추정 장치의 동작 방법이 도시된 순서도이다.
이미지 입력부(11)는 사용자의 얼굴 전체 이미지를 입력받을 수 있다(S11).
얼굴 전체 이미지란, 사용자의 얼굴 이미지로서, 특히 사용자의 얼굴 전체가 모두 포함된 이미지를 의미할 수 있다. 여기에서 얼굴 전체가 모두 포함된 이미지라 함은 얼굴 윤곽선 전체 또는 일부가 포함된 이미지를 의미하며, 얼굴 전체 윤곽선의 적어도 10% 이상, 20% 이상, 30% 이상, 40% 이상, 50% 이상, 60% 이상, 70% 이상, 80% 이상, 90% 이상, 또는 모든 얼굴 윤곽선이 포함된 이미지 일 수 있다.
이미지 입력부(11)는 입력된 사용자의 얼굴 전체 이미지에 대해 이미지 표준화를 수행할 수 있다(S13).
이미지 표준화는, 이미지의 속성(예를 들어, 밝기 또는 콘트라스트 등)을 기설정된 속성과 동일하게 변환하는 작업 및 얼굴의 각도를 기설정된 각도로 조절하는 작업 등을 포함할 수 있다.
제어부(17)는 이미지 표준화를 수행한 후 개별 나이와 전체 나이를 산출할 수 있다. 개별 나이 추정 과정과 전체 나이 추정 과정은 각각 분리되어 수행될 수 있다. 개별 나이 추정 과정과 전체 나이 추정 과정은 동시에 수행될 수도 있다. 한편, 도 2에서는 설명의 편의를 위해 개별 나이 추정 과정을 수행한 후 전체 나이 추정 과정을 수행하는 것으로 설명하나, 이에 제한되지 않음이 타당하다.
이미지 분할부(12)는 이미지 분할용 특징점을 추출할 수 있다(S15).
이미지 분할부(12)는 얼굴 전체 이미지를 얼굴 부위별로 분할하기 위해 특징점을 추출할 수 있다. 예를 들어 이미지 분할부(12)는 얼굴 특징점은 openCV, Dlib (이미지 처리 라이브러리) 등을 이용하여 추출할 수 있으나 당업계에 공지된 어떠한 방법도 사용 가능하다. 특징점은 적어도 하나 이상일 수 있다. 예를 들어, 이미지 분할부(12)는 얼굴 전체 이미지에서, 눈에 대응하는 제1 특징점, 코에 대응하는 제2 특징점, 입에 대응하는 제3 특징점 등을 추출할 수 있다.
이미지 분할부(12)는 특징점 기준으로 얼굴 이미지를 분할할 수 있다(S17).
이미지 분할부(12)는 추출된 적어도 하나의 특징점에 기초하여 얼굴 이미지를 분할할 수 있다. 이미지 분할부(12)는 얼굴 전체 이미지를 특징점에 기초하여 복수의 분할 이미지를 획득할 수 있다.
분할 이미지는 얼굴 부위별 이미지를 포함할 수 있다.
한편, 이미지 분할부(12)는 얼굴 이미지를 분할할 때 얼굴 전체 이미지를 축소시킨 축소 이미지를 더 획득할 수도 있다.
도 3은 본개시의 실시 예에 따른 이미지 분할부에 의해 분할된 이미지의 예시 도면이다.
도 3에 도시된 예시와 같이, 이미지 분할부(12)은 얼굴 전체 이미지를 축소시킨 전체 축소 이미지를 획득할 수 있다.
또한, 이미지 분할부(12)는 특징점에 기초하여 얼굴 전체 이미지를 분할함으로써, 이마 부위가 포함된 제1 분할 이미지, 왼쪽 눈 부위가 포함된 제2 분할 이미지, 오른쪽 눈 부위가 포함된 제3 분할 이미지, 코 부위가 포함된 제4 분할 이미지, 좌측 볼 부위가 포함된 제5 분할 이미지, 우측 볼 부위가 포함된 제6 분할 이미지 및 입 부위가 포함된 제7 분할 이미지를 포함할 수 있다.
한편, 도 3에 도시된 축소 이미지 및 분할 이미지는 예시적인 것에 불과하므로, 이에 제한되지 않음이 타당하다.
다시, 도 2를 설명한다.
개별 나이 추정부(13)는 분할 이미지를 통해 개별 나이를 추정할 수 있다(S19).
즉, 개별 나이 추정부(13)는 적어도 하나의 분할 이미지에 기초하여, 얼굴 부위별 나이인 개별 나이를 추정할 수 있다. 개별 나이는 적어도 하나 이상일 수 있다. 예를 들어, 개별 나이 추정부(13)는 이마에 대응하는 나이, 눈에 대응하는 나이, 코에 대응하는 나이, 볼에 대응하는 나이 및 입술에 대응하는 나이를 산출함으로써, 개별 나이를 추정할 수 있다.
한편, 전체 나이 추정부(14)는 얼굴 전체 이미지를 통해 전체 나이를 추정할 수 있다(S21).
전체 나이 추정부(14)는 표준화된 얼굴 전체 이미지 혹은 표준화 및 축소된 얼굴 전체 이미지 중 적어도 하나에 기초하여 전체 나이를 산출할 수 있다.
한편, 개별 나이 추정부(13) 및 전체 나이 추정부(14) 각각은 개별 나이와 전체 나이를 산출할 때 앙상블(ensemble) 모델을 이용할 수 있다.
앙상블 모델(ensemble)은 여러 모델이 동일한 문제를 해결하고 더 나은 결과를 얻도록 훈련시키는 기계 학습 패러다임을 기반으로 만들어진 모델일 수 있다. 앙상블 모델은 개별로 학습한 여러 모델을 조합하여 일반화한 모델일 수 있다. 앙상블 모델은 다수의 학습 모델을 이용하는 추정 기법일 수 있다.
개별 나이 추정부(13)는 개별 나이를 추정에 앙상블 모델을 적용할 수 있다. 즉, 개별 나이 추정부(13)는 이마에 대응하는 나이, 눈에 대응하는 나이, 코에 대응하는 나이, 볼에 대응하는 나이 및 입술에 대응하는 나이 각각을 산출할 때 앙상블 모델을 이용할 수 있다.
또한, 전체 나이 추정부(14)는 전체 나이를 산출할 때 앙상블 모델을 이용할 수 있다.
도 4는 본 개시의 실시 예에 따른 나이 추정 장치에서 앙상블 모델 사용되는 모습이 도시된 개략도이다.
도 4의 예시를 참고하면, 전체 나이 추정부(14)는 얼굴 전체 이미지에 대해 10개의 개별 학습 모델을 통해 추정된 나이의 평균을 전체 나이로 최종 산출할 수 있다.
또한, 개별 나이 추정부(13)는 이마 부위가 포함된 분할 이미지에 대해 10개의 개별 학습 모델을 통해 추정된 이마 나이의 평균을 이마에 대응하는 나이로 최종 산출할 수 있다. 마찬가지로, 개별 나이 추정부(13)는 왼쪽 눈 부위가 포함된 분할 이미지 및 오른쪽 눈 부위가 포함된 분할 이미지에 대해 10개의 개별 학습 모델을 통해 추정된 눈 나이의 평균을 눈에 대응하는 나이로 최종 산출할 수 있다. 개별 나이 추정부(13)는 코 부위가 포함된 분할 이미지에 대해 10개의 개별 학습 모델을 통해 추정된 코 나이의 평균을 코에 대응하는 나이로 최종 산출할 수 있다. 개별 나이 추정부(13)는 좌측 볼 부위가 포함된 분할 이미지 및 우측 볼 부위가 포함된 분할 이미지에 대해 10개의 개별 학습 모델을 통해 추정된 볼 나이의 평균을 볼에 대응하는 나이로 최종 산출할 수 있다. 개별 나이 추정부(13)는 입술 부위가 포함된 분할 이미지에 대해 10개의 개별 학습 모델을 통해 추정된 입술 나이의 평균을 입술에 대응하는 나이로 최종 산출할 수 있다.
위 개별 학습 모델은 AI 구조로, 특히 CNN 중 MobileNet 구조로 구현될 수 있다. CNN(Convolutional Neural Network)은 이미지 기반 딥 러닝의 주요한 방법으로, 이미지의 2차원 특성을 활용한다.
딥 러닝(Deep learning)은 여러 비선형 계산의 조합을 통해 추상화(다량의 자료에서 핵심 정보 추출)하는 알고리즘으로, 기존의 학습은 PCA, 패턴인식 등을 통해 특징(feature)을 추출한 후 판단하였다. 딥 러닝은 대량의 자료를 이용하여 학습하므로, 선험적인 편견(bias)이나 가정이 없다.
합성곱(convolution)은 인접한 픽셀 값들 필터를 이용한 계산 활용 방법으로, 그 연산 방법에 대해 도 5에 예시로 도시하였다.
도 5는 본 개시의 실시 예에 따른 합성곱 연산의 예시가 도시된 도면이다.
흑백 이미지에 합성곱 연산을 수행하는 경우를 예로 들면, 우선 인접 픽셀 연산을 위해 수치가 0인 픽셀을 테두리에 추가할 수 있다. 그리고, 모든 픽셀 각각에 대해 오른쪽으로 한 칸씩 밀면서 필터와 곱셈 후 덧셈 연산을 수행할 수 있다. 합성곱 연산을 통한 세로 강조 결과와 가로 강조의 결과가 예시로 도시되었다.
MobileNet은 CNN의 한 방법으로 이미지 기반 딥 러닝 모형 파라미터 및 연산을 줄이는 방법일 수 있다. 일반적인 CNN은 인접한 3*3 픽셀에 RGB 세가지 색이 중첩되어 있는 3*3*3 필터 연산이나, MobileNet은 3*3 필터 연산과 RGB 3개를 분리하여 3*3+3 연산으로, 512*512 이미지의 경우 약 4,800,000 개 파라미터를 학습할 수 있다.
본 개시와 같이, 10개의 개별 학습 모델을 이용할 경우 약 100개의 레이어(layer), 약 4,800,000개 이상의 파라미터를 포함할 수 있다.
이와 같이 앙상블 모델을 이용할 경우, 머신 러닝(Machine learning)에서 추정 안정성 및 정확도가 향상되는 이점이 있다.
다시, 도 2를 설명한다.
최종 나이 추정부(15)는 분할 또는 분할/전체 이미지 추정 수치를 통합하여 사용자의 최종 나이를 추정할 수 있다(S23).
분할 이미지 추정 수치는 분할 이미지를 통해 산출된 개별 나이를 의미할 수 있다. 전체 이미지 추정 수치는 얼굴 전체 이미지를 통해 산출된 전체 나이를 의미할 수 있다.
최종 나이 추정부(15)는 분할 이미지 추정 수치 및/또는 전체 이미지 추정 수치를 통합함으로써, 최종 나이를 산출할 수 있다.
즉, 최종 나이 추정부(15)는 개별 나이 및/또는 전체 나이를 통합하여 최종 나이를 산출할 수 있다.
제1 실시 예에 따르면, 최종 나이 추정부(15)는 개별 나이들의 평균 또는 개별나이들과 전체 나이의 평균을 최종 나이로 산출할 수 있다.
제2 실시 예에 따르면, 최종 나이 추정부(15)는 개별 나이와 전체 나이 중 최상 수치와 최하 수치를 배제한 후 나머지들의 평균을 최종 나이로 산출할 수 있다.
제1 및 제2 실시 예의 경우, 산출 방법이 비교적 간단한 이점이 있으나, 부위별로 나이 추정 정확도가 다른데, 이러한 부위별 성능이 반영되지 않는 한계가 있을 수 있다.
제3 및 제4 실시 예에 따르면, 최종 나이 추정부(15)는 개별 나이 및/또는 전체 나이 각각에 가중치를 부여한 후의 평균을 최종 나이로 산출할 수 있다. 즉, 제3 및 제4 실시 예에 따르면, 최종 나이 추정부(15)는 최종 나이 산출시 가중치를 반영하나, 가중치 산출 방법이 상이할 수 있다. 이하, 가중치 산출 방법을 설명한다.
제3 실시 예의 경우, 최종 나이 추정부(15)는 선형 회귀식을 학습시키는 방식으로 가중치를 산출할 수 있다. 이 경우, 부위별 성능이 반영되는 이점이 있으나, 모든 부위의 가중치가 필요한 한계가 있다. 즉, 이 경우에는 특정 부위의 가중치가 없으면 가중치 반영 최종 나이의 산출이 어려울 수 있다.
제4 실시 예의 경우, 최종 나이 추정부(15)는 1/추정 오차를 각 부위별 개별 모델의 가중치로 부여한 후 부위별 추정 나이의 가중치 평균을 최종 나이로 산출할 수 있다. 구체적으로, 최종 나이 추정부(15)는 아래 수학식 1을 통해 최종 나이를 산출할 수 있다.
위 수학식 1에서 A는 나이, W는 가중치, I는 최종 통합, T는 얼굴 전체, F는 이마, E는 눈, N는 코, C는 볼, L은 입술을 나타낼 수 있다. 즉 수학식 1은 최종 나이인 가중치 평균이 각 부위별로 가중치와 해당 부위의 나이를 곱한 값들을 합을 가중치들의 합으로 나눈 값임을 나타낸다.
그리고, 가중치 W는 1/MAE에 의해 결정되며, 측정 불가 항목(부위)의 가중치는 0일 수 있다. 측정 불가 항목(부위)는 마스크 등으로 가려져서 인식되지 않는 얼굴 부위를 의미할 수 있다.
선택적으로, 최종 나이 추정부(15)는 입력된 이미지 혹은 얼굴 부위별 분할된 이미지가 포커스가 맞지 않을 경우, 또는 입력 또는 분할된 이미지의 품질에 따라, 상기 가중치에 패널티를 부여할 수 있다. 구체적으로, 최종 나이 추정부(15)는 입력된 얼굴 전체 이미지 혹은 얼굴 부위별 분할 이미지의 포커스 또는 품질에 따라 가중치에 패널티를 부여할 수 있다. 예를 들어, 최종 나이 추정부(15)는 얼굴 전체 이미지 혹은 분할 이미지의 포커스(초점)이 맞지 않으면 가중치에 패널티를 부여할 수 있다. 또는, 최종 나이 추정부(15)는 얼굴 전체 이미지 혹은 분할 이미지의 품질을 산출하고, 산출된 품질이 기설정된 임계치 보다 낮으면 가중치에 패널티를 부여할 수 있다. 여기서, 품질은 PSNR (Peak Signal-to-Noise Ratio) 또는 SSIM (Structural Similarity Index Map) 등으로 산출될 수 있으나, 이는 예시적인 것에 불과하므로 이에 제한되지 않음이 타당하다.
그리고, 최종 나이 추정부(15)는 패널티 부여시 가중치를 소정 값 혹은 소정 비율로 감소시킬 수 있다. 그러나 이는 예시적인 것에 불과하므로 이에 제한되지 않음이 타당하다
최종 나이 추정부(15)는 측정 불가 항목(부위)가 존재할 경우 전체 나이에 대한 가중치를 자동으로 0 으로 결정할 수 있다.
즉, 최종 나이 추정부(15)는 각 부위별로 가중치 W를 1/MAE로 결정하고, 전체 이미지 및 분할 이미지에 기초하여 측정 불가 항목의 가중치 W를 0으로 결정할 수 있다. 최종 나이 추정부(15)는 각 부위별로 가중치 W를 MAE의 역수로 결정할 수 있다.
여기서, MAE는 Mean Absolute Error의 약자로, 절대 값 오차의 평균을 나타낼 수 있다. MAE는 피험자 37,080 명에 대한 2592*3888 크기의 원본 얼굴 전체 이미지와, 512*215 이하 원본 해상도의 분할 이미지, 512*512 사이즈로 압축된 학습용 전체 얼굴 이미지를 통해 총 10개의 모델 학습, 자료 별 6개의 추정 결과를 종합한 결과를 통해 획득할 수 있고, 이는 아래 표 1과 같을 수 있다.
부위 | MAE | SD | CA-3 | CA-5 |
전체 | 2.46 | 2.16 | 68.5 | 89.9 |
이마 | 4.99 | 4.01 | 38.1 | 58.8 |
눈 (평균) | 3.53 | 2.95 | 52.0 | 75.4 |
코 | 3.84 | 3.11 | 47.9 | 71.0 |
볼 (평균) | 4.46 | 3.68 | 42.2 | 64.4 |
입술 | 3.70 | 3.08 | 49.9 | 73.1 |
통합 (1/MAE) | 2.44 | 2.15 | 68.8 | 90.0 |
통합(가중치 수동 조정) | 2.43 | 2.15 | 69.0 | 90.2 |
위 표는 세트(set)로 학습되며, 세트에 포함되지 않는 추정 결과가 생성된 모델이며, 1/2 자료 학습 모델 4개 (모델 A, B, C, D), 자료 별 2개 추정 결과 생성되고, 1/3 자료 학습 모델 6개 (모델 0, 1, 2, 37, 46, 58), 자료 별 2개 추정 결과 생성되었다(37 은 set3과 7 자료 학습 모델, 다른 학습 모델과 자료 교집합의 최대치 최소화).위 표에서 MAE (Mean Absolute Error)는 학습에서 사용하지 않은 데이터에서 추정치와 실측치의 평균 차이이고, SD(Standard deviation)는 표준 편차, CA-3 (Cumulative Accuracy 3)은 오차가 3살 이하인 비율 (%), CA-5 (Cumulative Accuracy 5)는 오차가 5살 이하인 비율 (%)을 나타내고, 눈과 볼은 양쪽의 이미지 기반 나이 추정 평균을 사용하였다. CA-k는 추정치와 실측치의 차이가 k 이하일 경우를 맞춘 것으로 가정한 경우의 정확도로, 나이 예측 정확도를 % 단위로 이야기 하기 위해 만들어진 척도일 수 있다.이와 같이, 제4 실시 예에 따르면, 최종 나이 추정부(15)는 각 부위 별로 별도의 가중치를 부여 가능하고, 부위별로 가중치 부여된 개별 나이 및 종합 나이의 평균을 최종 나이로 산출할 수 있다. 그리고, 최종 나이 추정부(15)는 측정 불가 부위의 가중치를 0으로 결정할 수 있다. 다음으로, 최종 나이 추정부(15)가 위 수학식 1을 이용하여 최종 나이를 산출하는 방법을 설명한다.
예를 들어, , , , , , 가 각각 6, 5, 4, 3, 2, 1 이고, , , , , , 가 각각 20, 17, 20, 22, 19, 34인 경우, 최종 나이 추정부(15)는 를 (6*20+ 5*17+4*20+3*22+2*19+1*34)/(6+5+4+3+2+1)=20.14로 산출할 수 있다.
다른 예로, 사용자가 마스크를 착용하고 있어, 코와 입에 대한 가중치가 0인 경우, 최종 나이 추정부(15)는 눈과 코에 대한 가중치 및 을 0으로 결정하므로, 를 (6*20+ 5*17+4*20+0+2*19+0)/(6+5+4+0+2+0)=19산출할 수 있다.
이와 같이, 제4 실시 예에 따르면, 각 부위별 성능에 따른 가중치를 반영하여 최종 나이를 산출 가능한 이점이 있다. 또한, 일부 부위가 가려지더라도, 이미지에 포함되지 않은 부위의 가중치를 배제함으로써, 최종 나이의 산출이 가능한 이점이 있다.
이 밖에도, 최종 나이 추정부(15)는 가중치 조정 및 회귀 혹은 전연령 매칭 테이블 형태를 이용하여 최종 나이를 산출할 수도 있다. 이를 통해, 젊은 사람은 약간 나이들게, 나이든 사람은 약간 젊게 예측하는 경향의 보정이 가능할 수 있다.
다시, 도 2를 설명한다.
나이 출력부(16)는 분석 결과를 시각화할 수 있다(S25).
즉, 나이 출력부(16)는 최종 나이를 표시할 수 있다. 또한, 나이 출력부(16)는 최종 나이와 함께, 각 부위별 나이인 개별 나이를 함께 표시할 수도 있다.
또는, 나이 출력부(16)는 부위별 개별 나이를 표시하면서, 동일 나이의 사람들의 평균 개별 나이를 함께 표시할 수도 있다.
도 6 본 개시의 실시 예에 따른 나이 추정 장치가 나이 분석 결과를 시각화하는 방법의 일 예가 도시된 도면이다.
도 6에 도시된 바와 같이, 나이 출력부(16)는 사용자의 개별 나이와 함께, 동일 나이의 사람들의 개별 나이를 방사형 차트로 표시할 수 있다. 나이 출력부(16)는 사용자의 개별 나이와 함께, 동일 나이의 사람들의 개별 나이를 radar plot 형태로 시각화할 수 있다. 즉, 나이 출력부(16)는 부위별 나이를 사용자의 나이와 다른 비슷한 연령대의 사람들의 평균 나이와 함께 표시할 수 있다.
도 6과 같은 출력을 해석하면, 사용자의 나이를 나타내는 yours 선이 안쪽으로 들어갈 수록 '젊어 보임', 바깥쪽으로 나갈수록 '늙어 보임' 으로 진단됨을 알 수 있고, 이에 따라 이마, 볼, 코는 상대적으로 '젊어 보임'이고, 눈과 입술은 상대적으로 '늙어 보임'임을 알 수 있다.
나이 출력부(16)는 나이 분석 결과를 출력하면, 케어/제품 추천 등의 가이드를 더 표시할 수도 있다. 도 6의 예시와 같은 경우, 나이 출력부(16)는 눈과 입술 집중 케어를 권장할 수 있고, 눈 부위 강조 가능할 수 있다.
즉, 나이 출력부(16)는 얼굴 부위 중 노화가 심한 부위를 보여주고, 적합한 시술이나 화장품 추천할 수 있다.
또한, 최종 나이 추정부(15)는 피부 나이를 예측할 수 있다. 예를 들어, 최종 나이 추정부(15)는 얼굴 부위 중 특정 부위(예를 들어, 이마+눈+볼)의 나이를 통합하여 피부 나이를 산출할 수도 있다.
나이 출력부(16)는 노화 정도(예: 심각, 보통, 양호)를 진단할 수도 있다. 그리고, 이에 따라 나이 출력부(16)는 노화 부위 기준 타입 (예: 눈 노화 타입, 이마 노화 타입)을 분류할 수도 있다.
한편, 상술한 나이 추정 장치(1)는 나이를 획득하여 출력하도록 별도로 제작된 장치이거나, 스마트폰 등과 같은 이동 단말기일 수도 있다. 즉, 이동 단말기가 나이를 획득하여 출력하는 나이 추정 장치일 수 있다.
또한, 본 개시는 복수의 장치 간에 통신을 통해 나이를 추정 및 출력하는 나이 추정 시스템으로 구현될 수도 있다.
도 7은 본 개시의 실시 예에 따른 나이 추정 시스템의 블록도이다.
나이 추정 시스템은 이동 단말기(110), 서버(120) 및 데이터 제공 서버(130)를 포함할 수 있다. 본 발명에 따른 나이 추정 시스템에서 이동 단말기(110) 또는 서버(120)는 상술한 나이 추정 장치일 수 있으며, 상술한 나이 추정 장치의 일부 혹은 전체의 특징을 포함할 수도 있고, 단말기(110)와 서버(120)가 상술한 나이 추정 장치의 기능을 나누어서 각 기능을 수행할 수 있다. 하기에서, 나이 추정 장치의 기능을 나누어서 시스템상에서 각 기능을 수행하는 것에 대해서 예시적으로 설명한다.
이동 단말기(110)는 스마트폰, 태블릿 PC, 노트북 등과 같은 사용자 단말일 수 있다.
서버(120)는 나이 추정 모델을 획득할 수 있다. 나이 추정 모델은 개별 나이 추정 모델, 전체 나이 추정 모델 및 최종 나이 추정 모델을 포함할 수 있다. 서버(120)는 데이터 제공 서버(130)로부터 수신한 데이터에 기초하여 나이 추정 모델을 획득할 수 있다.
서버(120)는 나이 추정 모델에 기초하여 개별 나이, 전체 나이 및 최종 나이를 직접 획득할 수도 있고, 이동 단말기(110)에서 개별 나이, 전체 나이 및 최종 나이를 획득하도록 이동 단말기(110)로 나이 추정 모델을 전송할 수도 있다.
데이터 제공 서버(130)는 나이 추정 모델을 산출하는데 필요한 데이터를 저장 및 업데이트할 수 있다. 데이터 제공 서버(130)는 나이 추정 모델을 산출하는데 필요한 알고리즘, 사용자 정보 등을 저장 및 업데이트할 수 있다.
데이터 제공 서버(130)는 나이 추정 모델을 산출하는데 필요한 데이터를 저장하고 있을 수 있다. 데이터 제공 서버(130)는 나이 추정 모델을 산출하는데 필요한 데이터를 서버(120)로 전송할 수도 있다.
데이터 제공 서버(130)는 나이 추정 모델을 산출하는데 필요한 데이터에 기초하여 나이 추정 모델을 직접 획득할 수 있다. 또는, 데이터 제공 서버(130)는 나이 추정 모델을 산출하는데 필요한 데이터를 서버(120)로 전송하여, 서버(20)가 나이 추정 모델을 획득할 수 있다.
다음으로, 도 8를 참조하여, 나이 추정 시스템이 나이 추정 모델을 획득, 나이 추정 모델에 기초하여 나이를 추정하고, 분석한 결과를 시각화하는 방법에 대해 상세히 설명한다.
도 8은 본 개시의 실시 예에 따른 나이 추정 시스템의 동작 방법이 도시된 순서도이다.
데이터 제공 서버(130)는 나이 추정 모델의 획득에 필요한 데이터를 저장할 수 있다(S111).
즉, 데이터 제공 서버(130)는 나이 추정 모델의 획득에 필요한 데이터를 저장 및 관리할 수 있다.
데이터 제공 서버(130)는 나이 추정 모델의 획득에 필요한 데이터를 서버(120)로 전송할 수 있다(S113).
서버(120)는 데이터 제공 서버(130)로부터 나이 추정 모델의 획득에 필요한 데이터를 수신할 수 있다.
서버(120)는 나이 추정 모델의 획득에 필요한 데이터에 기초하여 나이 추정 모델을 획득할 수 있다(S115).
나이 추정 모델은 개별 나이 추정 모델, 전체 나이 추정 모델 및 최종 나이 추정 모델 중 적어도 하나를 포함할 수 있다.
서버(120)는 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델을 저장하는 메모리(미도시)를 포함할 수 있다.
개별 나이 추정 모델은 얼굴 전체 이미지를 분할하여 획득된 분할 이미지와 실제 나이가 쌍으로 되어 있는 학습 데이터를 이용하여 생성될 수 있다. 전체 나이 학습 모델은 얼굴 전체 이미지와 실제 나이를 쌍으로 되어 있는 학습 데이터를 이용하여 생성될 수 있다. 최종 나이 추정 모델은 개별 나이 추정 모델에 의해 산출된 개별 나이 및 전체 나이 학습 모델에 의해 산출된 전체 나이와, 실제 나이가 쌍으로 되어 있는 학습 데이터를 이용하여 생성될 수 있다.
한편, 이동 단말기(110)는 사용자의 얼굴 전체 이미지를 입력받을 수 있다(S117).
이동 단말기(110)는 사용자의 얼굴 전체 이미지를 서버(120)로 전송할 수 있다(S119). 서버(120)는 이동 단말기(110)로부터 사용자의 얼굴 전체 이미지를 수신할 수 있다.
또는, 이동 단말기(110)는 사용자의 얼굴 전체 이미지를 분할하여 분할 이미지를 획득하고, 얼굴 전체 이미지 및 분할 이미지 모두를 서버(120)로 전송할 수도 있다. 이동 단말기(110)는 전송 장치(미도시)를 더 포함할 수 있고, 전송 장치(미도시)를 통해 얼굴 전체 이미지 또는 분할 이미지를 전송할 수 있다. 서버(120)는 얼굴 전체 이미지만 수신할 수 있고, 이 경우 얼굴 전체 이미지를 분할하여 분할 이미지를 획득할 수 있다. 서버(120)는 얼굴 전체 이미지 및 분할 이미지를 모두 수신할 수도 있다.
서버(120)는 이동 단말기(110)로부터 사용자의 얼굴 전체 이미지를 수신하면, 사용자의 얼굴 전체 이미지를 분석하여 개별 나이, 전체 나이 및 최종 나이를 획득할 수 있다(S121).
서버(120)는 얼굴 전체 이미지 및 분할 이미지 중 적어도 하나를 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델에 적용하여 개별 나이, 전체 나이 또는 최종 나이를 산출할 수 있다.
서버(120)는 개별 나이, 전체 나이 및 최종 나이를 이동 단말기(110)로 전송할 수 있다(S123).
서버(120)는 전송 장치(미도시)를 더 포함할 수 있고, 전송 장치(미도시)를 통해 개별 나이, 전체 나이 및 최종 나이를 이동 단말기(110)로 전송할 수 있다.
이동 단말기(110)는 분석 결과를 시각화할 수 있다(S125).
이동 단말기(110)는 분석 결과를 표시하는 디스플레이 장치(미도시)를 포함할 수 있다. 이동 단말기(110)는 디스플레이 장치(미도시)를 통해 개별 나이, 전체 나이 또는 최종 나이를 디스플레이할 수 있다.
즉, 이동 단말기(110)는 개별 나이, 전체 나이 및 최종 나이 중 적어도 하나를 출력할 수 있다. 또한, 이동 단말기(110)는 부위별 개별 나이를 표시하면서, 동일 나이의 사람들의 평균 개별 나이를 함께 표시할 수도 있다.
본 발명의 일 실시예에 따르면, 서버(120)에서 획득하여 저장된 나이 추정 모델은 이동 단말기(110)으로 전송되어, 사용자의 얼굴 전체 이미지를 서버(120)로 전송할 필요 없이, 이동단말기(110) 자체가 상기한 (S121) 단계를 수행하여 직접 개별 나이, 전체 나이 및 최종 나이를 획득할 수도 있다.
구체적으로, 이동 단말기(110)는 서버로부터 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델 수신 및 저장할 수 있다. 이동 단말기(110)는 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델을 저장하는 메모리(미도시)를 포함할 수 있다. 이동 단말기(110)는 얼굴 전체 이미지를 직접 입력받고, 입력 받은 얼굴 전체 이미지를 분할하여 분할 이미지를 획득할 수 있다. 이동 단말기(110)는 얼굴 전체 이미지 및 분할 이미지 중 적어도 하나를 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델에 적용하여 개별 나이, 전체 나이 또는 최종 나이를 산출할 수 있다.
본 발명의 일 실시예에 따르면, 서버(120) 또는 이동 단말기(110)에 의해 획득된 개별 나이, 전체 나이 및 최종 나이는 다시 데이터 제공 서버(130)로 전송 및 저장되고, 이동 단말기(110)으로부터 제공받아 데이터 제공 서버(130)에 저장된 실제 나이와 함께 추가 학습용 데이터로 데이터 제공 서버(130)에 저장되어, 다시 서버(120)에 의해 나이 추정 모델이 업데이트될 수 있다.
전술한 본 개시는 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.
상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 명세서의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 명세서의 등가적 범위 내에서의 모든 변경은 본 명세서의 범위에 포함된다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다.
본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (15)
- 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델을 생성 및 저장하는 서버; 및
상기 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델에 기초하여 산출된 개별 나이, 전체 나이 또는 최종 나이를 디스플레이하는 이동 단말기를 포함하고,
상기 서버는
상기 이동 단말기로부터 사용자의 얼굴 전체 이미지를 수신하고, 수신된 얼굴 전체 이미지 및 상기 얼굴 전체 이미지를 분할한 분할 이미지 중 적어도 하나를 상기 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델에 적용하여 개별 나이, 전체 나이 또는 최종 나이를 산출하고, 산출된 개별 나이, 전체 나이 또는 최종 나이를 상기 이동 단말기로 전송하는
나이 추정 시스템.
- 청구항 1에 있어서,
상기 서버는
상기 이동 단말기로부터 상기 얼굴 전체 이미지만 수신하거나,
상기 이동 단말기로부터 상기 얼굴 전체 이미지 및 상기 분할 이미지를 모두 수신하는
나이 추정 시스템.
- 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델을 생성하는 서버; 및
상기 서버로부터 상기 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델 수신 및 저장하고, 저장된 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델에 기초하여 산출된 개별 나이, 전체 나이 또는 최종 나이를 디스플레이하는 이동 단말기를 포함하고,
상기 이동 단말기는
사용자의 얼굴 전체 이미지를 입력받고, 입력받은 얼굴 전체 이미지 및 상기 얼굴 전체 이미지를 분할한 분할 이미지 중 적어도 하나를 상기 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델에 적용하여 개별 나이, 전체 나이 또는 최종 나이를 산출하는
나이 추정 시스템.
- 청구항 1 또는 청구항 3 중 어느 한 항에 있어서,
상기 서버 또는 상기 이동 단말기는
상기 얼굴 전체 이미지를 얼굴 부위별로 분할함으로써 얼굴 부위별로 상기 분할 이미지를 획득하고,
상기 개별 나이는 얼굴 부위별 나이인
나이 추정 시스템.
- 청구항 4에 있어서,
상기 서버 또는 상기 이동 단말기는
상기 얼굴 부위별로 분할하기 위해 특징점을 추출하고, 추출된 특징점 기준으로 상기 얼굴 전체 이미지를 분할하는
나이 추정 시스템.
- 청구항 1 또는 청구항 3 중 어느 한 항에 있어서,
상기 서버 또는 상기 이동 단말기는
상기 개별 나이 및 상기 전체 나이의 평균을 상기 최종 나이로 산출하는
나이 추정 시스템.
- 청구항 1 또는 청구항 3 중 어느 한 항에 있어서,
상기 서버 또는 상기 이동 단말기는
얼굴 부위별 가중치를 부여한 후 부위별 추정 나이의 가중치 평균을 상기 최종 나이로 산출하는
나이 추정 시스템.
- 청구항 7에 있어서,
상기 가중치 평균은
각 부위별로 가중치와 해당 부위의 나이를 곱한 값들을 합을 가중치들의 합으로 나눈 값인
나이 추정 시스템.
- 청구항 7에 있어서,
상기 서버 또는 상기 이동 단말기는
측정 불가 부위의 가중치를 0으로 결정하는
나이 추정 시스템.
- 청구항 5에 있어서,
상기 서버 또는 상기 이동 단말기는
상기 가중치를 절대 값 오차의 평균의 역수로 결정하는
나이 추정 시스템.
- 청구항 1 또는 청구항 3 중 어느 한 항에 있어서,
상기 서버 또는 상기 이동 단말기는
상기 개별 나이를 추정할 때 앙상블 모델을 이용하는
나이 추정 시스템.
- 청구항 11에 있어서,
나이 추정 모델의 획득에 필요한 데이터를 저장하는 데이터 제공 서버를 더 포함하고,
상기 서버 또는 상기 이동 단말기는
상기 데이터 제공 서버로부터 수신한 데이터에 기초하여 상기 앙상블 모델을 적용한 나이 추정 모델을 획득하는
나이 추정 시스템.
- 청구항 1 또는 청구항 3 중 어느 한 항에 있어서,
상기 서버 또는 상기 이동 단말기는
입력된 상기 얼굴 전체 이미지에 포함된 얼굴의 각도 또는 조명 환경이 기설정된 표준에 상응하도록 보정하는
나이 추정 시스템.
- 청구항 7에 있어서,
상기 서버 또는 상기 이동 단말기는
입력된 상기 얼굴 전체 이미지 혹은 얼굴 부위별 상기 분할 이미지의 포커스 또는 품질에 따라 상기 가중치에 패널티를 부여하는
나이 추정 시스템.
- 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델을 생성하는 서버; 및
사용자의 얼굴 전체 이미지를 입력받는 이동 단말기를 포함하고,
상기 서버가 상기 개별 나이 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델을 저장하는 메모리를 포함하는 경우, 상기 이동 단말기는 상기 입력 받은 얼굴 전체 이미지를 서버로 전송하는 전송 장치를 포함하고, 상기 서버는 상기 이동 단말기로부터 전송 받은 얼굴 전체 이미지로부터 상기 메모리에 저장된 상기 개별 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델을 통해 개별 나이, 전체 나이 또는 최종 나이를 산출하고, 상기 이동 단말기로 상기 산출된 개별 나이, 전체 나이 또는 최종 나이를 전송하는 전송 장치를 포함하며,
상기 서버가 상기 이동 단말기로 상기 개별 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델을 전송할 수 있는 전송 장치를 포함하는 경우, 상기 이동 단말기는 상기 서버로부터 전송 받은 상기 개별 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델을 저장하는 메모리를 포함하며, 상기 이동 단말기는 상기 입력 받은 얼굴 전체 이미지로부터 상기 메모리에 저장된 상기 개별 추정 모델, 전체 나이 추정 모델 또는 최종 나이 추정 모델을 통해 개별 나이, 전체 나이 또는 최종 나이를 산출하고,
상기 이동 단말기는 산출된 개별 나이, 전체 나이 또는 최종 나이를 디스플레이하는 디스플레이 장치를 포함하며,
상기 개별 나이 추정 모델은 얼굴 전체 이미지를 분할하여 획득된 분할 이미지와 실제 나이가 쌍으로 되어 있는 학습 데이터를 이용하여 생성되며,
상기 전체 나이 학습 모델은 얼굴 전체 이미지와 실제 나이를 쌍으로 되어 있는 학습 데이터를 이용하여 생성되며,
상기 최종 나이 추정 모델은 상기 개별 나이 추정 모델에 의해 산출된 개별 나이 및 상기 전체 나이 학습 모델에 의해 산출된 전체 나이와, 실제 나이가 쌍으로 되어 있는 학습 데이터를 이용하여 생성되는,
나이 추정 시스템.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20210129107 | 2021-09-29 | ||
KR1020210129107 | 2021-09-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20230046210A true KR20230046210A (ko) | 2023-04-05 |
Family
ID=85783092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220115186A KR20230046210A (ko) | 2021-09-29 | 2022-09-13 | 나이 추정 장치 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR20230046210A (ko) |
WO (1) | WO2023054967A1 (ko) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101558547B1 (ko) * | 2014-01-27 | 2015-10-19 | 주식회사 에스원 | 얼굴 포즈 변화에 강한 연령 인식방법 및 시스템 |
JP6849825B2 (ja) * | 2017-05-31 | 2021-03-31 | ザ プロクター アンド ギャンブル カンパニーThe Procter & Gamble Company | 見掛け肌年齢を判定するためのシステム及び方法 |
KR101835333B1 (ko) * | 2017-06-08 | 2018-03-08 | 서창영 | 얼굴 인식 서비스 제공 방법 |
KR101961215B1 (ko) * | 2017-08-25 | 2019-03-27 | 남정림 | 영상 처리 및 기계 학습에 기초한 뼈 나이 판독 장치 및 방법 |
KR20200087348A (ko) * | 2018-12-31 | 2020-07-21 | 네오데우스 주식회사 | 깊이 기반 가분 합성곱 신경망 인공지능을 이용한 나이/감정/성별 분류 시스템 |
-
2022
- 2022-09-13 KR KR1020220115186A patent/KR20230046210A/ko unknown
- 2022-09-20 WO PCT/KR2022/014057 patent/WO2023054967A1/ko unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023054967A1 (ko) | 2023-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2693906C2 (ru) | Основанный на правилах анализ важности видео | |
US9443144B2 (en) | Methods and systems for measuring group behavior | |
WO2018141252A1 (zh) | 人脸跟踪方法、装置、存储介质以及电子装置 | |
CN110532970B (zh) | 人脸2d图像的年龄性别属性分析方法、***、设备和介质 | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
CN110235169B (zh) | 化妆评价***及其动作方法 | |
US20190340780A1 (en) | Engagement value processing system and engagement value processing apparatus | |
KR20190030151A (ko) | 영상 분석 방법, 장치 및 컴퓨터 프로그램 | |
US20230334890A1 (en) | Pedestrian re-identification method and device | |
JP2020505989A (ja) | メイクアップ評価システム及びその動作方法 | |
KR102284096B1 (ko) | 중요도 맵을 이용한 지능형 주관적 화질 평가 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 | |
CN104112209A (zh) | 显示终端的受众统计方法和*** | |
CN111339813A (zh) | 人脸属性识别方法、装置、电子设备和存储介质 | |
CN110232331B (zh) | 一种在线人脸聚类的方法及*** | |
US9361705B2 (en) | Methods and systems for measuring group behavior | |
Sharma et al. | Estimating depth and global atmospheric light for image dehazing using type-2 fuzzy approach | |
Hadiprakoso et al. | Face anti-spoofing using CNN classifier & face liveness detection | |
CN111931679A (zh) | 动作识别方法、装置、设备及存储介质 | |
WO2020194378A1 (ja) | 画像処理システム、画像処理装置、画像処理方法、及びコンピュータ可読媒体 | |
CN114332553A (zh) | 图像处理方法、装置、设备以及存储介质 | |
GB2572435A (en) | Manipulating a face in an image | |
Alghamdi et al. | AUVANA: An automated video analysis tool for visual complexity | |
KR20230046210A (ko) | 나이 추정 장치 | |
CN113298753A (zh) | 敏感肌的检测方法、图像处理方法、装置及设备 | |
CN114004867A (zh) | 一种动态观测者间眼动一致性的测算和预测方法及终端 |