[go: up one dir, main page]

KR101185229B1 - Face recognition system and method with pertubed input images - Google Patents

Face recognition system and method with pertubed input images Download PDF

Info

Publication number
KR101185229B1
KR101185229B1 KR1020110031586A KR20110031586A KR101185229B1 KR 101185229 B1 KR101185229 B1 KR 101185229B1 KR 1020110031586 A KR1020110031586 A KR 1020110031586A KR 20110031586 A KR20110031586 A KR 20110031586A KR 101185229 B1 KR101185229 B1 KR 101185229B1
Authority
KR
South Korea
Prior art keywords
image data
image
distortion
input
feature value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
KR1020110031586A
Other languages
Korean (ko)
Inventor
배상식
정태갑
홍영민
곽노준
Original Assignee
아주대학교산학협력단
한국수자원공사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 아주대학교산학협력단, 한국수자원공사 filed Critical 아주대학교산학협력단
Priority to KR1020110031586A priority Critical patent/KR101185229B1/en
Application granted granted Critical
Publication of KR101185229B1 publication Critical patent/KR101185229B1/en
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification

Landscapes

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

Abstract

본 발명은 입력 영상 변환을 이용한 얼굴 인식 시스템 및 방법에 관한 것으로, 특히, 얼굴 영상 등의 인식에 있어 입력되는 영상 데이터를 다양한 방식에 의해 왜곡시키고 그 각각의 왜곡 데이터들로부터 특징값을 추출해 프로브 영상 데이터와 비교하도록 함으로써, 소위 '소위 불량 정렬의 저주'로 인한 얼굴 인식 성능 저하 등의 문제를 효과적으로 해결할 수 있도록 하는 입력 영상 변환을 이용한 얼굴 인식 시스템 및 방법에 관한 것이다.
상기 목적을 달성하기 위한 본 발명에 따른 입력 영상 변환을 이용한 얼굴 인식 시스템은, 기 확보된 다수의 프로브(probe) 영상 데이터 및 상기 프로브 영상 데이터의 특징값 정보를 저장 관리하기 위한 데이터베이스와; 인식 대상 영상 데이터를 입력받기 위한 영상 데이터 입력부와; 상기 영상 데이터 입력부를 통해 입력된 영상 데이터에 대해 영상 왜곡을 수행하기 위한 영상 데이터 왜곡부와; 상기 영상 데이터 왜곡부를 통해 영상 왜곡이 이루어진 데이터로부터 특징값을 추출하기 위한 특징값 추출부; 및 상기 특징값 추출부에 의해 추출된 입력 영상 데이터의 특징값과 이에 대응되는 상기 데이터베이스의 프로브 영상 데이터의 특징값을 비교하여 상기 두 특징값 사이의 동일성 여부를 판별하기 위한 연산부를 포함하여 이루어지는 것을 특징으로 한다.The present invention relates to a face recognition system and method using an input image conversion, and more particularly, in the recognition of a face image or the like, the input image data is distorted by various methods, and feature values are extracted from the respective distortion data to probe images. The present invention relates to a face recognition system and method using an input image conversion to effectively solve problems such as face recognition performance degradation due to so-called 'curse of misalignment'.
According to an aspect of the present invention, there is provided a face recognition system using an input image transformation. The database includes: a database for storing and managing a plurality of previously obtained probe image data and feature value information of the probe image data; An image data input unit for receiving recognition object image data; An image data distortion unit for performing image distortion on the image data input through the image data input unit; A feature value extracting unit for extracting feature values from the image-distorted data through the image data distortion unit; And a calculation unit for comparing the feature values of the input image data extracted by the feature value extractor with the feature values of the probe image data of the database corresponding thereto to determine whether the two feature values are identical. It features.

Description

입력 영상 변환을 이용한 얼굴 인식 시스템 및 방법 {Face Recognition System and Method with Pertubed Input Images}Face Recognition System and Method with Pertubed Input Images

본 발명은 입력 영상 변환을 이용한 얼굴 인식 시스템 및 방법에 관한 것으로, 특히 얼굴 영상 등의 인식에 있어 입력되는 영상 데이터를 다양한 방식에 의해 왜곡시키고 그 각각의 왜곡 데이터들로부터 특징값을 추출해 프로브(Probe, 시험) 영상 데이터와 비교하도록 함으로써, 소위 '불량 정렬의 저주(curse of mis-alignment)'로 인한 얼굴 인식 성능 저하 등의 문제를 효과적으로 해결할 수 있도록 하는 입력 영상 변환을 이용한 얼굴 인식 시스템 및 방법에 관한 것이다.
BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a face recognition system and method using an input image conversion. In particular, in the recognition of a face image or the like, the input image data is distorted by various methods, and feature values are extracted from the respective distortion data. , Test) face recognition system and method using input image conversion to effectively solve problems such as face recognition performance degradation caused by so-called 'curse of mis-alignment' by comparing with image data. It is about.

최근 들어 크게 보급이 증가되고 있는 얼굴 인식 시스템 등의 얼굴 인식 시스템의 안정적인 완전 자동화를 위해서는, 얼굴 영역의 정확한 추정과 더불어 정확한 정렬(alignment)이 필요하다. 특히 얼굴 영상의 정확한 정렬은 포괄적 접근(Holistic Approach)을 이용한 얼굴 인식 알고리즘에 있어 매우 중요한 요소이다.
For stable full automation of a face recognition system such as a face recognition system, which has recently increased in popularity, accurate alignment along with accurate estimation of a face area is required. In particular, accurate alignment of face images is a very important factor in face recognition algorithm using holistic approach.

도 1에 종래 기술에 따른 일반적인 얼굴 영상 인식 과정을 나타낸 흐름도이다. 도 1에 도시된 바와 같이, 영상이 입력되면 입력된 영상에서 "Viola-Jones" 등의 알고리즘을 이용하여 얼굴 영역을 검출하고, 검출된 얼굴 영역에 대한 특징값을 추출하여, 기 학습된 클래스의 특징값과 비교함으로써 영상을 분류하는 방법을 나타내고 있다.1 is a flowchart illustrating a general face image recognition process according to the prior art. As shown in FIG. 1, when an image is input, a face region is detected from an input image using an algorithm such as "Viola-Jones", a feature value of the detected face region is extracted, The method of classifying an image by comparing with a feature value is shown.

그렇지만, 크게 변형(translation), 회전(rotation) 및 크기 조절(scale) 등으로 그 원인이 구분되는 얼굴 영상의 정렬 불량(mis-alignment) 등의 문제에 있어, 도 1과 같은 종래 기술에 따른 얼굴 인식 과정을 통해서는 이에 매우 취약할 수밖에 없다는 문제점이 있다.
However, in the problem of mis-alignment of the face image, which is largely divided by translation, rotation, and scale, the face according to the prior art as shown in FIG. There is a problem in that the recognition process is very vulnerable to this.

도 2에 변형(translation), 회전(rotation) 및 크기 조절(scale)에 따른 얼굴 영상 정렬 불량의 예를 각각 나타내었다. 도 2를 참조하면, 첫 번째 영상(a)은 얼굴 영상이 중앙에 위치해 있지 않고 어느 한 쪽으로 쏠려 있으며(translation), 두 번째 영상(b)은 얼굴 영상이 회전되어 있고(rotation), 세 번째 영상(c)에는 얼굴 영상의 크기에 차이가 있음(scale)을 알 수 있다. 2 shows examples of facial image misalignment according to translation, rotation, and scale, respectively. Referring to FIG. 2, the first image (a) is not located at the center of the face image but is directed to one side (translation), the second image (b) is the face image is rotated (rotation), and the third image is rotated. In (c), it can be seen that there is a difference in scale of the face image.

도 3은 종래 Viola-Jones 알고리즘을 이용하여 검출된 얼굴 영상의 일례를 나타낸 것으로, 얼굴 검출 시 많이 이용되는 Viola-Jones 알고리즘도 얼굴 인식 시스템을 구현할 때 얼굴 영역이 일정하게 정렬되지 않은 채로 검출되는 문제점이 있었다.3 illustrates an example of a face image detected by using a conventional Viola-Jones algorithm. The Viola-Jones algorithm, which is frequently used for face detection, is also detected when face regions are not uniformly aligned when implementing a face recognition system. There was this.

이러한 정렬되지 않은 얼굴 영상은 인식률을 하락시키는 주요 요인으로 작용하며, 이와 같이 얼굴 영상이 일정하게 정렬이 되어 있지 않으면, 이른바 '불량 정렬의 저주(curse of mis-alignment )'라고 하는 인식 성능 저하의 문제가 발생한다.
This unaligned face image acts as a major factor that lowers the recognition rate. If the face images are not uniformly aligned, the unaligned face image may be called a 'curse of mis-alignment'. A problem arises.

본 발명은 상술한 종래 기술의 문제점을 해결하기 위하여 제안된 것으로써, 본 발명의 목적은 얼굴 영상 등의 인식에 있어 입력되는 영상 데이터를 다양한 방식에 의해 인위적으로 왜곡시키고 그 각각의 왜곡 데이터들로부터 특징값을 추출해 프로브 영상 데이터와 비교하도록 함으로써, 소위 '불량 정렬의 저주'로 인한 얼굴 인식 성능 저하 등의 문제를 효과적으로 해결할 수 있도록 하는 입력 영상 변환을 이용한 얼굴 인식 시스템 및 방법을 제공하는 데 있다.
The present invention has been proposed to solve the above-mentioned problems of the prior art, and an object of the present invention is to artificially distort the input image data by various methods in recognition of a face image and the like, from each of the distortion data. The present invention provides a face recognition system and method using input image conversion that effectively extracts feature values and compares them with probe image data to effectively solve problems such as face recognition performance degradation due to so-called 'curse of misalignment'.

상기 목적을 달성하기 위한 본 발명에 따른 입력 영상 변환을 이용한 얼굴 인식 시스템은, 인식 대상 영상 데이터를 입력받아 프로브 영상 데이터와 비교하여 얼굴 인식을 수행하는 얼굴 인식 시스템에 있어서, 기 확보된 다수의 프로브(probe) 영상 데이터 및 상기 프로브 영상 데이터의 특징값 정보를 저장 관리하기 위한 데이터베이스와; 인식 대상 영상 데이터를 입력받는 영상 데이터 입력부와; 상기 영상 데이터 입력부를 통해 입력된 영상 데이터에 대해 영상 왜곡을 수행하는 영상 데이터 왜곡부와; 상기 영상 데이터 왜곡부를 통해 영상 왜곡이 이루어진 데이터로부터 특징값을 추출하는 특징값 추출부와; 상기 특징값 추출부에 의해 추출된 입력 영상 데이터의 특징값과 이에 대응되는 상기 데이터베이스의 프로브 영상 데이터의 특징값을 비교하여 상기 두 특징값 사이의 동일성 여부를 판별하는 연산부를 포함하여 이루어진다.In the face recognition system using the input image conversion according to the present invention for achieving the above object, in the face recognition system that receives the recognition target image data and compares with the probe image data, a plurality of pre- secured (probe) a database for storing and managing image data and feature value information of the probe image data; An image data input unit configured to receive recognition object image data; An image data distortion unit configured to perform image distortion on the image data input through the image data input unit; A feature value extraction unit for extracting feature values from the image-distorted data through the image data distortion unit; And a calculator configured to compare the feature value of the input image data extracted by the feature value extractor with the feature value of the probe image data of the database corresponding thereto and determine whether the two feature values are identical.

여기서 상기 영상 왜곡부는, 영상 데이터 입력부를 통해 입력된 영상 데이터에 대해 회전(rotation), 크기 조절(scale) 또는 변형(translation) 가운데 적어도 하나 이상의 영상 왜곡 기법이 포함된 영상 왜곡을 수행하도록 구성될 수 있으며, 이 경우, 상기 영상 왜곡부를 통해 수행되는 회전, 크기 조절 또는 변형의 영상 왜곡은 각각 다양한 회전각도, 크기 조절 비율 또는 정렬 방향 및 각도의 변화를 통해 수회(數回) 수행되는 것이 바람직할 수 있다.The image distortion unit may be configured to perform image distortion including at least one image distortion technique of rotation, scale, or translation on the image data input through the image data input unit. In this case, the image distortion of the rotation, scaling or deformation performed through the image distortion unit may be preferably performed several times through various rotation angles, scaling ratios or alignment directions and angle changes, respectively. have.

또는, 상기 영상 왜곡부는, 상기 영상 데이터 입력부를 통해 입력된 영상 데이터에 대해 회전, 크기 조절 및 변형을 포함하는 다수의 영상 왜곡 기법에 따른 영상 왜곡을 각각 수행하도록 구성될 수 있으며, 이 경우에도 상기 영상 왜곡부를 통해 수행되는 회전, 크기 조절 및 변형의 영상 왜곡은 각각 다양한 회전각도, 크기 조절 비율 그리고 정렬 방향 및 각도의 변화를 통해 수회 수행되는 것이 바람직할 수 있다.Alternatively, the image distortion unit may be configured to perform image distortions according to a plurality of image distortion techniques including rotation, scaling, and transformation on the image data input through the image data input unit. Image distortion of rotation, scaling and deformation performed through the image distortion unit may be preferably performed several times through various rotation angles, scaling ratios, and changes in alignment direction and angle, respectively.

이때, 상기 특징값 추출부는 주성분 분석(PCA) 또는 선형 판별 분석(LDA) 기법을 통해 영상 왜곡이 이루어진 데이터의 특징값을 추출하도록 구성될 수 있다.In this case, the feature value extractor may be configured to extract a feature value of the data with image distortion through principal component analysis (PCA) or linear discriminant analysis (LDA).

또한 상기 연산부는, 상기 두 특징값 사이의 동일성 여부를 판별하기 위하여 니어리스트 네이버(nearest neighbor), 백 프로파게이션(back propagation, BP) 또는 서포트 벡터 머신(support vector machine)을 포함하는 신경망 분류기에 의해 구현되는 것이 바람직할 수 있다.
The operation unit may further include a neural network classifier including a near list neighbor, a back propagation (BP), or a support vector machine to determine whether the two feature values are identical. It may be preferred to be implemented by.

한편 본 발명은, 인식 대상 영상 데이터를 입력받아 프로브 영상 데이터와 비교하여 얼굴 인식을 수행하는 얼굴 인식 방법에 있어서, 기 확보된 다수의 프로브(probe) 영상 데이터 및 상기 프로브 영상 데이터의 특징값 정보를 데이터베이스를 통해 저장 관리하는 단계와; 인식 대상 영상 데이터를 입력받는 영상 데이터 입력 단계와; 상기 영상 데이터 입력 단계를 통해 입력된 영상 데이터에 대해 영상 왜곡을 수행하는 영상 데이터 왜곡 단계와; 상기 영상 데이터 왜곡 단계를 통해 영상 왜곡이 이루어진 데이터로부터 특징값을 추출하는 특징값 추출 단계와; 및 상기 특징값 추출 단계에 의해 추출된 입력 영상 데이터의 특징값과 이에 대응되는 상기 데이터베이스에 의해 저장 관리되는 프로브 영상 데이터의 특징값을 비교하여 상기 두 특징값 사이의 동일성 여부를 판별하는 연산 단계를 포함하는 입력 영상 변환을 이용한 얼굴 인식 방법을 제공한다.Meanwhile, the present invention provides a face recognition method in which face recognition is performed by receiving recognition target image data and comparing the probe image data with the plurality of probe image data and feature value information of the probe image data. Storing and managing through a database; An image data input step of receiving recognition object image data; An image data distortion step of performing image distortion on the image data input through the image data input step; A feature value extracting step of extracting feature values from the image-distorted data through the image data distortion step; And comparing a feature value of the input image data extracted by the feature value extracting step with a feature value of the probe image data stored and managed by the database corresponding thereto, and determining whether the two feature values are identical. Provided is a face recognition method using an input image conversion.

여기서, 상기 영상 왜곡 단계는, 상기 영상 데이터 입력 단계를 통해 입력된 영상 데이터에 대해 회전(rotation), 크기 조절(scale) 또는 변형(translation) 가운데 적어도 하나 이상의 영상 왜곡 기법이 포함된 영상 왜곡을 수행하도록 구성될 수 있으며, 이 경우, 상기 영상 왜곡 단계를 통해 수행되는 회전, 크기 조절 또는 변형의 영상 왜곡은 각각 다양한 회전각도, 크기 조절 비율 또는 정렬 방향 및 각도의 변화를 통해 수회(數回) 수행되는 것이 바람직할 수 있다.The image distortion step may include performing image distortion including at least one image distortion technique of rotation, scale, or translation on image data input through the image data input step. In this case, the image distortion of the rotation, scaling or deformation performed through the image distortion step may be performed several times through various rotation angles, scaling ratios or changes in alignment directions and angles, respectively. It may be desirable.

또는, 상기 영상 왜곡 단계는, 상기 영상 데이터 입력 단계를 통해 입력된 영상 데이터에 대해 회전, 크기 조절 및 변형을 포함하는 다수의 영상 왜곡 기법에 따른 영상 왜곡을 각각 수행하도록 구성될 수도 있으며, 이 경우에는, 상기 영상 왜곡 단계를 통해 수행되는 회전, 크기 조절 및 변형의 영상 왜곡은 각각 다양한 회전각도, 크기 조절 비율 그리고 정렬 방향 및 각도의 변화를 통해 수회 수행되는 것이 바람직할 수 있다.Alternatively, the image distortion step may be configured to respectively perform image distortions according to a plurality of image distortion techniques including rotation, scaling, and deformation on the image data input through the image data input step. For example, it may be preferable that the image distortion of the rotation, the scaling and the deformation performed through the image distortion step is performed several times through various rotation angles, scaling ratios, and changes in alignment direction and angle, respectively.

이때, 상기 특징값 추출 단계는 주성분 분석(PCA) 또는 선형 판별 분석(LDA) 기법을 통해 영상 왜곡이 이루어진 데이터의 특징값을 추출하도록 구성될 수 있다.In this case, the extracting of the feature value may be configured to extract the feature value of the data with image distortion through Principal Component Analysis (PCA) or Linear Discrimination Analysis (LDA).

아울러, 상기 연산 단계는, 상기 두 특징값 사이의 동일성 여부를 판별하기 위하여 니어리스트 네이버(nearest neighbor), 백 프로파게이션(back propagation, BP) 또는 서포트 벡터 머신(support vector machine)을 포함하는 신경망 분류기법에 의해 구현되는 것이 바람직할 수 있다.
In addition, the operation may include a neural network including a neighbor neighbor, a back propagation (BP), or a support vector machine to determine whether the two feature values are identical. It may be desirable to be implemented by a classification technique.

본 발명에 따른 입력 영상 변환을 이용한 얼굴 인식 시스템 및 방법은, 입력되는 영상 데이터에 대해 다양한 인위적 데이터 왜곡을 시행하고, 이에 따른 각각의 왜곡 데이터의 특징값을 추출하여 기 저장된 프로브 데이터의 특징값과 비교하도록 하는 기능을 수행한다. 이에 따라, 통상 얼굴 인식 등의 영상 인식 분야에 있어 소위 '불량 정렬의 저주'로 불리우는 인식률 저하 등의 문제를 크게 개선시킬 수 있게 되는 효과를 제공한다.
The face recognition system and method using the input image conversion according to the present invention, by performing various artificial data distortion on the input image data, and extracts the feature value of each distortion data according to the feature value of the pre-stored probe data and Perform the function to make a comparison. Accordingly, in the field of image recognition such as face recognition, it is possible to greatly improve a problem such as a reduction in recognition rate, which is called a 'curse of misalignment'.

도 1은 종래 기술에 따른 일반적인 얼굴 인식 과정을 개략적으로 나타낸 흐름,
도 2는 일반적인 영상 왜곡의 형태를 설명하기 위한 예시 사진,
도 3은 Viola-Jones 알고리즘을 통하여 검출된 얼굴 영상 일례,
도 4는 본 발명에 따른 입력 영상 변환을 이용한 얼굴 인식 시스템의 블록 구성도,
도 5는 본 발명의 일 실시예에 따른 입력 영상 변환을 이용한 얼굴 인식 방법을 개념적으로 나타낸 흐름도,
도 6a 내지 도 6c는 본 발명의 일 실시예에 적용되는 영상 왜곡 과정을 설명하기 위한 사진이다.1 is a flow diagram schematically showing a general face recognition process according to the prior art,
2 is an example photograph for explaining a form of general image distortion;
3 is an example of a face image detected through the Viola-Jones algorithm,
4 is a block diagram of a face recognition system using input image conversion according to the present invention;
5 is a flowchart conceptually illustrating a face recognition method using input image transformation according to an embodiment of the present invention;
6A to 6C are photographs for explaining an image distortion process applied to an embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다.
Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.

도 4는 본 발명의 일 실시예에 따른 입력 영상 변환을 이용한 얼굴 인식 시스템의 블록 구성도이다.4 is a block diagram of a face recognition system using input image conversion according to an embodiment of the present invention.

도 4에 도시된 바와 같이, 본 발명의 일 실시예에 따른 입력 영상 변환을 이용한 얼굴 인식 시스템은, 데이터베이스(310), 영상 데이터 입력부(320), 영상 데이터 왜곡부(330), 특징값 추출부(340) 및 연산부(350) 등을 포함하여 이루어진다.As shown in FIG. 4, the face recognition system using the input image conversion according to an embodiment of the present invention includes a database 310, an image data input unit 320, an image data distortion unit 330, and a feature value extraction unit. 340 and the operation unit 350 and the like.

상기 데이터베이스(310)는 입력 영상의 비교 기준이 되는 프로브(probe) 영상 데이터를 저장 관리한다. 프로브 영상 데이터는 기 촬영된 후 직접 저장되거나, 또는 원격지에서 촬영된 후 유무선 통신망 등을 통해 전송됨으로써 저장 가능할 수 있으며, 모든 입력 데이터에 대해 비교 기준이 되는 데이터로서 기능하게 된다. 상기 데이터베이스(310)는 프로브 영상 데이터와 이로부터 추출된 특징값 데이터를 모두 저장 관리하거나 이 가운데 한가지 데이터만을 선택적으로 저장 관리할 수 있다.The database 310 stores and manages probe image data that is a comparison reference of the input image. The probe image data may be stored directly after being photographed, or may be stored by being photographed at a remote location and then transmitted through a wired / wireless communication network. The probe image data may serve as a reference for all input data. The database 310 may store and manage both the probe image data and the feature value data extracted therefrom or selectively store and manage only one of the data.

상기 영상 데이터 입력부(320)는 영상 데이터의 실시간 입력 등의 용도로 사용 가능하며, 다양한 종류의 카메라 및 촬상소자 등과 같은 통상의 모든 영상 데이터 획득 수단이 적용될 수 있다. 단, 아날로그 방식의 영상 데이터 입력부(320)가 적용되는 경우, 획득된 데이터에 대한 디지털 변환을 위한 컨버터가 요구됨은 당연하다.The image data input unit 320 may be used for real-time input of image data, and all ordinary image data acquisition means such as various types of cameras and imaging devices may be applied. However, when the analog image data input unit 320 is applied, it is natural that a converter for digital conversion of the acquired data is required.

상기 영상 데이터 왜곡부(330)는, 상기 영상 데이터 입력부(320)를 통해 입력된 영상 데이터에 대해 인위적인 영상 왜곡 기능을 수행한다. 즉, 전술한 바와 같이, 영상 왜곡 방식에는 크게 회전(rotation), 크기 조절(scale) 또는 변형(translation) 등이 존재하는데, 영상 데이터 입력부(320)를 통해 입력된 데이터에 대해 인위적으로 이러한 왜곡을 다양한 방식에 따라 시행함으로써, 왜곡의 종류나 왜곡의 정도 등에 따른 다양한 왜곡 데이터를 생성할 수 있게 되는 것이다.The image data distortion unit 330 performs an artificial image distortion function on the image data input through the image data input unit 320. That is, as described above, the image distortion method includes rotation, scale, or translation, and the like, and artificially corrects such distortion with respect to data input through the image data input unit 320. By performing in various ways, it is possible to generate various distortion data according to the type of distortion, the degree of distortion, and the like.

여기서, 본 발명의 실시예에 따른 입력 영상 변환을 이용한 얼굴 인식 시스템에 적용되는 영상 데이터 왜곡부(330)는, 상기 영상 데이터 입력부(320)를 통해 입력된 영상 데이터에 대해 회전(rotation), 크기 조절(scale) 또는 변형(translation) 가운데 적어도 하나 이상의 영상 왜곡 기법이 포함된 영상 왜곡을 수행할 수 있으나, 바람직하게는 상기 3가지 왜곡 기법 모두에 대응되도록 각각 왜곡 데이터를 생성하는 것이 좋으며, 각각의 왜곡 기법을 적용함에 있어서도 왜곡의 정도를 조금씩 다르게 조정해가며 다양한 데이터를 생성할 수 있도록 하는 것이 바람직할 수 있다. 즉, 회전, 크기 조절 및 변형과 같은 각각의 영상 왜곡 기법에 대해 각각 다양한 회전각도, 크기 조절 비율 또는 정렬 방향 및 각도의 변화를 통해 수회 수행함으로써, 보다 다양한 경우의 왜곡 데이터를 생성할 수 있게 되는 것이다. Here, the image data distortion unit 330 applied to the face recognition system using the input image transformation according to an embodiment of the present invention is rotated and sized with respect to the image data input through the image data input unit 320. Although image distortion including at least one image distortion technique of scale or translation may be performed, it is preferable to generate distortion data so as to correspond to all three distortion techniques. In applying the distortion technique, it may be desirable to adjust various degrees of distortion and to generate various data. In other words, each image distortion technique such as rotation, scaling, and deformation is performed several times through various rotation angles, scaling ratios, or changes in alignment directions and angles, thereby generating more various cases of distortion data. will be.

상기와 같은 왜곡의 정도 조절에 따른 다양한 왜곡 데이터의 생성과 관련한 자료 사진을 도 6a 내지 도 6c에 도시하였다.
6A to 6C illustrate photographs of data related to generation of various distortion data according to the degree of distortion adjustment as described above.

상기 특징값 추출부(340)는 상기 영상 데이터 왜곡부(330)를 통해 생성된 다양한 왜곡 데이터 각각에 대해 특징값을 추출하는 기능을 수행한다. 여기에는 영상 데이터에 대한 특징값 추출에 사용되는 통상의 다양한 방식이 모두 적용 가능할 수 있으며, 본 발명에 있어 보다 바람직하게는 주성분 분석(PCA) 방법이나 선형 판별 분석(LDA) 방법이 적용될 수 있을 것이다. 상기 특징값 추출에 이용되는 주성분 분석(LDA) 방법 또는 선형 판별 분석(PCA) 방법은 종래 기술을 따르므로 이에 대한 상세한 설명은 생략한다.The feature value extractor 340 extracts a feature value for each of the various pieces of distortion data generated by the image data distortion unit 330. Various conventional methods used for extracting feature values for image data may be applicable here, and in the present invention, principal component analysis (PCA) method or linear discriminant analysis (LDA) method may be applied. . Since the principal component analysis (LDA) method or the linear discriminant analysis (PCA) method used for the feature value extraction follows the conventional technology, a detailed description thereof will be omitted.

상기 연산부(350)는 상기 특징값 추출부(340)를 통해 추출된 입력 영상 데이터에 대한 특징값을 상기 데이터베이스(310)에 저장되어 있는 프로브 영상 데이터의 특징값과 비교하는 기능을 수행한다. 이때, 만일 데이터베이스(310)가 프로브 영상 데이터 정보만을 저장 관리하고 있다면, 연산부(350)는 입력 영상 데이터의 특징값을 추출하는 과정과 더불어 이에 대응되는 프로브 영상 데이터의 특징값을 추출하는 과정을 추가로 수행할 수 있다.The calculator 350 compares feature values of the input image data extracted by the feature value extractor 340 with feature values of the probe image data stored in the database 310. In this case, if the database 310 stores and manages only probe image data information, the operation unit 350 extracts a feature value of the input image data and extracts a feature value of the corresponding probe image data. It can be done with

상기 프로브 영상 데이터의 특징값과 입력 영상 데이터의 특징값 사이의 비교에는 신경망 분류 기법을 포함하는 통상의 다양한 데이터 분석 비교 기법의 적용이 가능할 수 있으나, 보다 바람직하게는 니어리스트 네이버(nearest neighbor), 백 프로파게이션(back propagation, BP) 또는 서포트 벡터 머신(support vector machine)을 포함하는 신경망 분류 기법이 적용될 수 있다.
In the comparison between the feature value of the probe image data and the feature value of the input image data, various conventional data analysis comparison techniques including neural network classification techniques may be applied, but more preferably, a neighbor list neighbor, Neural network classification techniques including back propagation (BP) or support vector machines can be applied.

도 5는 본 발명의 일 실시예에 따른 입력 영상 변환을 이용한 얼굴 인식 방법을 개념적으로 나타낸 흐름도이다.5 is a flowchart conceptually illustrating a face recognition method using input image transformation according to an embodiment of the present invention.

도 5를 참조하면, 본 발명의 일 실시예에 따른 입력 영상 변환을 이용한 얼굴 인식 방법은, 영상 데이터들(Gallery data class)이 입력되면(S120), 각각의 영상에 대해 회전(Rotation)(S131), 크기 조절(Scaling)(S132), 변형(Translation)(S133) 등의 인위적 영상 왜곡을 수행하여(S130), 각각의 왜곡 방식에 따라 왜곡된 새로운 영상 데이터(Gallery data set)를 생성한다. 그리고 이러한 새로운 영상 데이터로부터 특징값들을 추출하고(S140), 추출된 특징값들과 프로브 영상에서 검출된 특징값들(S110)과의 비교를 통해(S150), 각각의 이들을 적절히 분류하게 된다(S160). Referring to FIG. 5, in the face recognition method using the input image conversion according to an embodiment of the present invention, when image data (Gallery data class) is input (S120), rotation is performed on each image (S131). Artificial image distortion such as scaling (S132) and transformation (S133) is performed (S130) to generate new image data (Gallery data set) distorted according to each distortion method. Then, feature values are extracted from the new image data (S140), and each of them is appropriately classified (S160) by comparing the extracted feature values with the feature values S110 detected in the probe image (S160). ).

즉, 본 발명의 일 실시예에 따른 입력 영상 변환을 이용한 얼굴 인식 방법은, 영상 데이터의 입력이 이루어지면(S120), 이에 대한 인위적인 왜곡을 시행함으로써 다양한 왜곡 데이터를 생성하고(S130), 생성된 다양한 왜곡 데이터 각각에 대해 특징값을 추출한 후(S140), 이를 기 저장된 프로브 데이터의 특징값(S110)과 비교 대조함으로써(S150), 입력된 영상 데이터에 대한 분류 과정을 완성하게 되는 것이다(S160).That is, in the face recognition method using the input image conversion according to an embodiment of the present invention, when image data is input (S120), various distortion data are generated by performing artificial distortion thereof (S130). After extracting the feature value for each of the various distortion data (S140), and compares and compares it with the feature value (S110) of the pre-stored probe data (S150), to complete the classification process for the input image data (S160) .

여기서, 입력 영상 데이터에 대한 인위적인 왜곡은, 입력된 영상 데이터에 대해 회전(rotation), 크기 조절(scale) 또는 변형(translation) 가운데 적어도 하나 이상의 영상 왜곡 기법이 포함되는 것으로 충분할 수 있으나, 상기 3가지 왜곡 기법 모두에 대응되도록 각각 왜곡 데이터를 생성하는 것이 보다 바람직하다.Here, the artificial distortion of the input image data may be sufficient to include at least one image distortion technique of rotation, scale, or translation with respect to the input image data. It is more preferable to generate the distortion data respectively so as to correspond to all the distortion techniques.

또한, 각각의 왜곡 기법을 적용함에 있어서도 왜곡의 정도를 조금씩 다르게 조정해가며 다양한 데이터를 생성할 수 있는데, 즉, 회전, 크기 조절 및 변형과 같은 각각의 영상 왜곡 기법에 대해 각각 다양한 회전각도, 크기 조절 비율 또는 정렬 방향 및 각도의 변화를 통해 수회 데이터 왜곡을 수행함으로써, 보다 다양한 왜곡 데이터의 생성을 가능하게 할 수 있다. 상기 설명과 같은 데이터 왜곡 정도의 조절에 따른 다양한 왜곡 데이터의 생성과 관련한 자료 사진이 도 6a 내지 도 6c에 도시되어 있다.
In addition, even in applying each distortion technique, it is possible to generate a variety of data by adjusting the degree of distortion slightly differently, that is, for each image distortion technique such as rotation, scaling and transformation, respectively, various rotation angles and magnitudes By performing the data distortion several times through the change of the adjustment ratio or the alignment direction and the angle, it is possible to generate more various distortion data. 6A to 6C illustrate photographs of data related to generation of various distortion data according to adjustment of the degree of data distortion as described above.

상기와 같이 생성된 다양한 왜곡 데이터 각각에 대한 특징값 추출은, 영상 데이터에 대한 특징값 추출에 사용되는 통상의 다양한 방식이 모두 적용 가능할 수 있으며, 특히 본 발명에 있어서는 주성분 분석(PCA) 방법이나 선형 판별 분석(LDA) 방법 등이 적용되는 것이 바람직할 수 있다.As the feature value extraction for each of the various distortion data generated as described above, various conventional methods used for feature value extraction for image data may be applicable. In particular, in the present invention, a principal component analysis (PCA) method or linear It may be desirable to apply a discriminant analysis (LDA) method or the like.

아울러, 이와 같이 추출된 입력 영상 데이터의 특징값과 프로브 영상 데이터의 특징값 사이의 비교에는 니어리스트 네이버(nearest neighbor), 백 프로파게이션(back propagation, BP) 또는 서포트 벡터 머신(support vector machine)을 포함하는 신경망 분류 기법이 적용되는 것이 바람직할 수 있다.
In addition, the comparison between the feature values of the extracted input image data and the feature values of the probe image data may include a near neighbor, back propagation (BP), or a support vector machine. It may be desirable to apply a neural network classification technique including a.

참고로, 프로브(probe) 영상의 경우, 히스토그램 이퀄라이제이션(histogram equalization) 등을 이용하여 얼굴 영상의 명암을 개선하는 전처리 과정을 거칠 수 있으며, 이와 같은 전처리 과정을 거친 프로브 영상 데이터 역시 입력 영상 데이터와 마찬가지로 주성분 분석(PCA) 방법 등의 방식에 따라 특징값을 추출하게 된다. For reference, in the case of a probe image, a preprocessing process may be performed to improve contrast of a face image by using histogram equalization. Like the input image data, the probe image data that has undergone the preprocessing process may extract feature values according to a method of principal component analysis (PCA).

이와 같이, 프로브 영상 데이터에서 추출된 특징값과 입력 영상 데이터에서 추출된 특징값들의 거리(distance) 비교를 통해, 그 중에서 가장 짧은 거리의 클래스로 입력 영상 데이터를 분류하거나, 또는 비교된 거리들을 보팅(voting)하여 상대적으로 가까운 클래스로 분류할 수 있으며, 이 과정에 니어리스트 네이버(nearest neighbor), 백 프로파게이션(back propagation, BP) 또는 서포트 벡터 머신(support vector machine)을 포함하는 신경망 분류 기법을 적용할 수 있음은 전술한 바 있다.
As such, by classifying the distance between the feature values extracted from the probe image data and the feature values extracted from the input image data, classify the input image data into the shortest distance class or voting the compared distances. can be classified into classes that are relatively close, and in this process neural network classification techniques, including nearest neighbors, back propagation (BP), or support vector machines. As described above, it can be applied.

상기와 같은 본 발명은 상술한 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술 분야에서 통상의 지식을 갖는 자에 의해 본 발명의 기술사상과 아래에 기재될 특허청구 범위의 균등범위 내에서 다양한 수정 및 변형이 이루어질 수 있음은 물론이다.
The present invention as described above is not limited to the above-described embodiment, variously within the equivalent scope of the technical spirit of the present invention and the claims to be described below by those skilled in the art to which the present invention pertains. Of course, modifications and variations can be made.

310 : 데이터베이스 320 : 영상 데이터 입력부
330 : 영상 데이터 왜곡부 340 : 특징값 추출부
350 : 연산부310: database 320: image data input unit
330: Image data distortion unit 340: Feature value extraction unit
350: calculation unit

Claims (14)

삭제delete 삭제delete 다수의 프로브(probe) 영상 데이터 및 상기 프로브 영상 데이터의 특징값 정보를 저장 관리하는 데이터베이스(310)와, 인식 대상 영상 데이터를 입력받는 영상 데이터 입력부(320)와, 상기 영상 데이터 입력부(320)를 통해 입력된 영상 데이터에 대해 영상 왜곡을 수행하는 영상 데이터 왜곡부(330)와, 상기 영상 왜곡이 이루어진 데이터의 특징값을 추출하는 특징값 추출부(340)와, 상기 추출된 입력 영상 데이터의 특징값과 이에 대응되는 상기 프로브 영상 데이터의 특징값을 비교하여 동일성 여부를 판별하는 연산부(350)를 포함하는 얼굴 인식 시스템에 있어서,
상기 영상 데이터 왜곡부(330)는, 상기 영상 데이터 입력부(320)를 통해 입력된 영상 데이터에 대해 회전(rotation), 크기 조절(scale) 또는 변형(translation) 가운데 적어도 하나 이상의 영상 왜곡 기법이 포함된 영상 왜곡을 수행하되, 상기 영상 데이터 왜곡부(330)를 통해 수행되는 회전, 크기 조절 또는 변형의 영상 왜곡은 각각 다양한 회전각도, 크기 조절 비율 또는 정렬 방향 및 각도의 변화를 통해 수회(數回) 수행되는 것을 특징으로 하는 입력 영상 변환을 이용한 얼굴 인식 시스템.A database 310 for storing and managing a plurality of probe image data and feature value information of the probe image data, an image data input unit 320 for receiving recognition object image data, and the image data input unit 320. An image data distortion unit 330 for performing image distortion on the image data input through the feature, a feature value extracting unit 340 for extracting feature values of the image distortion-produced data, and a feature of the extracted input image data In the face recognition system including a calculation unit 350 for comparing the value and the feature value of the probe image data corresponding thereto to determine whether or not the same;
The image data distortion unit 330 includes at least one image distortion technique of rotation, scale, or translation of image data input through the image data input unit 320. Image distortion of the rotation, scaling or deformation performed through the image data distortion unit 330 is performed several times through various rotation angles, scaling ratios, or alignment directions and angle changes, respectively. Face recognition system using the input image conversion, characterized in that performed. 다수의 프로브(probe) 영상 데이터 및 상기 프로브 영상 데이터의 특징값 정보를 저장 관리하는 데이터베이스(310)와, 인식 대상 영상 데이터를 입력받는 영상 데이터 입력부(320)와, 상기 영상 데이터 입력부(320)를 통해 입력된 영상 데이터에 대해 영상 왜곡을 수행하는 영상 데이터 왜곡부(330)와, 상기 영상 왜곡이 이루어진 데이터의 특징값을 추출하는 특징값 추출부(340)와, 상기 추출된 입력 영상 데이터의 특징값과 이에 대응되는 상기 프로브 영상 데이터의 특징값을 비교하여 동일성 여부를 판별하는 연산부(350)를 포함하는 얼굴 인식 시스템에 있어서,
상기 영상 데이터 왜곡부(330)는, 상기 영상 데이터 입력부(320)를 통해 입력된 영상 데이터에 대해 회전, 크기 조절 및 변형을 포함하는 영상 왜곡 기법에 따른 영상 왜곡을 각각 수행하는 것을 특징으로 하는 입력 영상 변환을 이용한 얼굴 인식 시스템.A database 310 for storing and managing a plurality of probe image data and feature value information of the probe image data, an image data input unit 320 for receiving recognition object image data, and the image data input unit 320. An image data distortion unit 330 for performing image distortion on the image data input through the feature, a feature value extracting unit 340 for extracting feature values of the image distortion-produced data, and a feature of the extracted input image data In the face recognition system including a calculation unit 350 for comparing the value and the feature value of the probe image data corresponding thereto to determine whether or not the same;
The image data distortion unit 330 is configured to perform image distortion based on an image distortion technique including rotation, scale adjustment, and transformation on the image data input through the image data input unit 320, respectively. Face Recognition System using Image Transformation. 제 4항에 있어서,
상기 영상 데이터 왜곡부(330)를 통해 수행되는 회전, 크기 조절 및 변형의 영상 왜곡은 각각 다양한 회전각도, 크기 조절 비율 그리고 정렬 방향 및 각도의 변화를 통해 수회 수행되는 것을 특징으로 하는 입력 영상 변환을 이용한 얼굴 인식 시스템.The method of claim 4, wherein
The image distortion of the rotation, the scaling and the deformation performed by the image data distortion unit 330 is performed several times through various rotation angles, scaling ratios, and changes in alignment direction and angle, respectively. Face Recognition System. 제 3항 또는 제 4항에 있어서,
상기 특징값 추출부(340)는 주성분 분석(PCA) 또는 선형 판별 분석(LDA) 기법을 통해 영상 왜곡이 이루어진 데이터의 특징값을 추출하는 것을 특징으로 하는 입력 영상 변환을 이용한 얼굴 인식 시스템.The method according to claim 3 or 4,
The feature value extractor 340 extracts a feature value of data in which image distortion is performed through a principal component analysis (PCA) or linear discriminant analysis (LDA) technique. 제 3항 또는 제 4항에 있어서,
상기 연산부(350)는, 상기 두 특징값 사이의 동일성 여부를 판별하기 위하여 니어리스트 네이버(nearest neighbor), 백 프로파게이션(back propagation, BP) 또는 서포트 벡터 머신(support vector machine)을 포함하는 신경망 분류기에 의해 구현되는 것을 특징으로 하는 입력 영상 변환을 이용한 얼굴 인식 시스템.The method according to claim 3 or 4,
The calculator 350 may include a neural network including a neighbor neighbor, a back propagation (BP), or a support vector machine to determine whether the two feature values are identical. Face recognition system using the input image conversion, characterized in that implemented by the classifier. 삭제delete 삭제delete 다수의 프로브(probe) 영상 데이터 및 상기 프로브 영상 데이터의 특징값 정보를 데이터베이스에 저장 관리하는 단계와, 인식 대상 영상 데이터를 입력받는 영상 데이터 입력 단계와, 상기 입력된 영상 데이터에 대해 영상 왜곡을 수행하는 영상 데이터 왜곡 단계와, 상기 영상 왜곡이 이루어진 데이터로부터 특징값을 추출하는 특징값 추출 단계와, 상기 추출된 입력 영상 데이터의 특징값과 이에 대응되는 프로브 영상 데이터의 특징값을 비교하여 동일성 여부를 판별하는 연산 단계를 포함하는 얼굴 인식 방법에 있어서,
상기 영상 왜곡 단계는, 상기 영상 데이터 입력 단계를 통해 입력된 영상 데이터에 대해 회전(rotation), 크기 조절(scale) 또는 변형(translation) 가운데 적어도 하나 이상의 영상 왜곡 기법이 포함된 영상 왜곡을 수행하되, 상기 영상 왜곡 단계를 통해 수행되는 회전, 크기 조절 또는 변형의 영상 왜곡은 각각 다양한 회전각도, 크기 조절 비율 또는 정렬 방향 및 각도의 변화를 통해 수회(數回) 수행되는 것을 특징으로 하는 입력 영상 변환을 이용한 얼굴 인식 방법.Storing and managing a plurality of probe image data and feature value information of the probe image data in a database, inputting image data to receive recognition target image data, and performing image distortion on the input image data Image data distortion step, feature value extraction step of extracting feature values from the image-distorted data, and comparing the feature value of the extracted input image data with the feature value of the corresponding probe image data to determine whether or not In the face recognition method comprising the step of determining,
The image distortion step may include performing image distortion including at least one image distortion technique of rotation, scale, or translation on image data input through the image data input step. The image distortion of the rotation, scaling, or deformation performed through the image distortion step is performed several times by varying rotation angles, scaling ratios, or alignment directions and angles, respectively. Facial recognition method used. 다수의 프로브(probe) 영상 데이터 및 상기 프로브 영상 데이터의 특징값 정보를 데이터베이스에 저장 관리하는 단계와, 인식 대상 영상 데이터를 입력받는 영상 데이터 입력 단계와, 상기 입력된 영상 데이터에 대해 영상 왜곡을 수행하는 영상 데이터 왜곡 단계와, 상기 영상 왜곡이 이루어진 데이터로부터 특징값을 추출하는 특징값 추출 단계와, 상기 추출된 입력 영상 데이터의 특징값과 이에 대응되는 프로브 영상 데이터의 특징값을 비교하여 동일성 여부를 판별하는 연산 단계를 포함하는 얼굴 인식 방법에 있어서,
상기 영상 왜곡 단계는, 상기 영상 데이터 입력 단계를 통해 입력된 영상 데이터에 대해 회전, 크기 조절 및 변형을 포함하는 다수의 영상 왜곡 기법에 따른 영상 왜곡을 각각 수행하는 것을 특징으로 하는 입력 영상 변환을 이용한 얼굴 인식 방법.Storing and managing a plurality of probe image data and feature value information of the probe image data in a database, inputting image data to receive recognition target image data, and performing image distortion on the input image data Image data distortion step, feature value extraction step of extracting feature values from the image-distorted data, and comparing the feature value of the extracted input image data with the feature value of the corresponding probe image data to determine whether or not In the face recognition method comprising the step of determining,
In the image distortion step, the input image conversion using the input image conversion, characterized in that for performing the image distortion according to a plurality of image distortion techniques including the rotation, scaling and transformation for the image data input through the image data input step Face recognition method. 제 11항에 있어서,
상기 영상 왜곡 단계를 통해 수행되는 회전, 크기 조절 및 변형의 영상 왜곡은 각각 다양한 회전각도, 크기 조절 비율 그리고 정렬 방향 및 각도의 변화를 통해 수회 수행되는 것을 특징으로 하는 입력 영상 변환을 이용한 얼굴 인식 방법.12. The method of claim 11,
Image distortion of the rotation, scaling and deformation performed through the image distortion step is performed several times through varying rotation angles, scaling ratios and alignment directions and angles, respectively. . 제 10항 또는 제 11항에 있어서,
상기 특징값 추출 단계는 주성분 분석(PCA) 또는 선형 판별 분석(LDA) 기법을 통해 영상 왜곡이 이루어진 데이터의 특징값을 추출하는 것을 특징으로 하는 입력 영상 변환을 이용한 얼굴 인식 방법.The method according to claim 10 or 11,
The extracting of the feature values may include extracting feature values of data with image distortion through principal component analysis (PCA) or linear discriminant analysis (LDA). 제 10항 또는 제 11항에 있어서,
상기 연산 단계는, 상기 두 특징값 사이의 동일성 여부를 판별하기 위하여 니어리스트 네이버(nearest neighbor), 백 프로파게이션(back propagation, BP) 또는 서포트 벡터 머신(support vector machine)을 포함하는 신경망 분류기법에 의해 구현되는 것을 특징으로 하는 입력 영상 변환을 이용한 얼굴 인식 방법.The method according to claim 10 or 11,
The calculating step may include a neural network classification technique including a near list neighbor, a back propagation (BP), or a support vector machine to determine whether the two feature values are identical. Face recognition method using the input image conversion, characterized in that implemented by.
KR1020110031586A 2011-04-06 2011-04-06 Face recognition system and method with pertubed input images Expired - Fee Related KR101185229B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110031586A KR101185229B1 (en) 2011-04-06 2011-04-06 Face recognition system and method with pertubed input images

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110031586A KR101185229B1 (en) 2011-04-06 2011-04-06 Face recognition system and method with pertubed input images

Publications (1)

Publication Number Publication Date
KR101185229B1 true KR101185229B1 (en) 2012-09-21

Family

ID=47114015

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110031586A Expired - Fee Related KR101185229B1 (en) 2011-04-06 2011-04-06 Face recognition system and method with pertubed input images

Country Status (1)

Country Link
KR (1) KR101185229B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102759414B1 (en) * 2024-03-04 2025-01-24 주식회사 퀀텀아이 Method and device for determining identity between objects using generative artificial intelligence model

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100745981B1 (en) * 2006-01-13 2007-08-06 삼성전자주식회사 Expanded Face Recognition Method and Apparatus Based on Compensatory Features
KR100904916B1 (en) * 2008-06-19 2009-07-01 주식회사 다우엑실리콘 System and method for recognition of face

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100745981B1 (en) * 2006-01-13 2007-08-06 삼성전자주식회사 Expanded Face Recognition Method and Apparatus Based on Compensatory Features
KR100904916B1 (en) * 2008-06-19 2009-07-01 주식회사 다우엑실리콘 System and method for recognition of face

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102759414B1 (en) * 2024-03-04 2025-01-24 주식회사 퀀텀아이 Method and device for determining identity between objects using generative artificial intelligence model

Similar Documents

Publication Publication Date Title
KR102596897B1 (en) Method of motion vector and feature vector based fake face detection and apparatus for the same
Ashraf et al. Learning patch correspondences for improved viewpoint invariant face recognition
US20080192991A1 (en) Magnetic Resonance Imaging at Several Rf Frequencies
CN105450411B (en) The method, apparatus and system of authentication are carried out using card feature
US20170262472A1 (en) Systems and methods for recognition of faces e.g. from mobile-device-generated images of faces
US11244150B2 (en) Facial liveness detection
US20100158371A1 (en) Apparatus and method for detecting facial image
CN114270417B (en) Face recognition system and method capable of updating registered face template
CN111144366A (en) A stranger face clustering method based on joint face quality assessment
CN106529414A (en) Method for realizing result authentication through image comparison
WO2016084072A1 (en) Anti-spoofing system and methods useful in conjunction therewith
CN104966079A (en) Distinguishing live faces from flat surfaces
CN103530599A (en) Method and system for distinguishing real face and picture face
US10586098B2 (en) Biometric method
JP4507679B2 (en) Image recognition apparatus, image extraction apparatus, image extraction method, and program
CN111582027A (en) Identity authentication method and device, computer equipment and storage medium
JP2018026115A (en) Flame detection method, flame detector, and electronic apparatus
US9323989B2 (en) Tracking device
KR101515928B1 (en) Apparatus and method for face recognition using variable weight fusion
EP2701096A2 (en) Image processing device and image processing method
WO2023028947A1 (en) Palm vein non-contact three-dimensional modeling method and apparatus, and authentication method
KR101185229B1 (en) Face recognition system and method with pertubed input images
KR101213280B1 (en) Face Recognition System and Method with Pertubed Probe Images
CN117542088B (en) Fingerprint image recognition method and system based on deep learning
JP4816874B2 (en) Parameter learning apparatus, parameter learning method, and program

Legal Events

Date Code Title Description
A201 Request for examination
PA0109 Patent application

St.27 status event code: A-0-1-A10-A12-nap-PA0109

PA0201 Request for examination

St.27 status event code: A-1-2-D10-D11-exm-PA0201

D13-X000 Search requested

St.27 status event code: A-1-2-D10-D13-srh-X000

D14-X000 Search report completed

St.27 status event code: A-1-2-D10-D14-srh-X000

E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

St.27 status event code: A-1-2-D10-D21-exm-PE0902

E13-X000 Pre-grant limitation requested

St.27 status event code: A-2-3-E10-E13-lim-X000

P11-X000 Amendment of application requested

St.27 status event code: A-2-2-P10-P11-nap-X000

P13-X000 Application amended

St.27 status event code: A-2-2-P10-P13-nap-X000

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

St.27 status event code: A-1-2-D10-D22-exm-PE0701

GRNT Written decision to grant
PR0701 Registration of establishment

St.27 status event code: A-2-4-F10-F11-exm-PR0701

PR1002 Payment of registration fee

St.27 status event code: A-2-2-U10-U11-oth-PR1002

Fee payment year number: 1

PG1601 Publication of registration

St.27 status event code: A-4-4-Q10-Q13-nap-PG1601

R18-X000 Changes to party contact information recorded

St.27 status event code: A-5-5-R10-R18-oth-X000

R18-X000 Changes to party contact information recorded

St.27 status event code: A-5-5-R10-R18-oth-X000

PN2301 Change of applicant

St.27 status event code: A-5-5-R10-R13-asn-PN2301

St.27 status event code: A-5-5-R10-R11-asn-PN2301

R18-X000 Changes to party contact information recorded

St.27 status event code: A-5-5-R10-R18-oth-X000

P14-X000 Amendment of ip right document requested

St.27 status event code: A-5-5-P10-P14-nap-X000

FPAY Annual fee payment

Payment date: 20150824

Year of fee payment: 4

PR1001 Payment of annual fee

St.27 status event code: A-4-4-U10-U11-oth-PR1001

Fee payment year number: 4

LAPS Lapse due to unpaid annual fee
PC1903 Unpaid annual fee

St.27 status event code: A-4-4-U10-U13-oth-PC1903

Not in force date: 20160918

Payment event data comment text: Termination Category : DEFAULT_OF_REGISTRATION_FEE

P22-X000 Classification modified

St.27 status event code: A-4-4-P10-P22-nap-X000

PC1903 Unpaid annual fee

St.27 status event code: N-4-6-H10-H13-oth-PC1903

Ip right cessation event data comment text: Termination Category : DEFAULT_OF_REGISTRATION_FEE

Not in force date: 20160918

P22-X000 Classification modified

St.27 status event code: A-4-4-P10-P22-nap-X000

P22-X000 Classification modified

St.27 status event code: A-4-4-P10-P22-nap-X000

R18-X000 Changes to party contact information recorded

St.27 status event code: A-5-5-R10-R18-oth-X000