| 1 |
1
복수의 학습 영상으로부터 SVM에 기반한 클래스 간 분산 및 클래스 내 분산을 산출하는 제1 단계;상기 클래스 간 분산에 가중치를 부여하여 상기 클래스 간 분산을 조정하는 제2 단계; 및 상기 조정된 클래스 간 분산 및 상기 클래스 내 분산으로부터 영상의 특징을 추출할 수 있는 기저 벡터를 산출하는 제3 단계;를 포함하는 것을 특징으로 하는 특징 추출 방법
|
| 2 |
2
제1 항에 있어서, 상기 제1 단계는,상기 학습 영상 각각의 정규 벡터를 산출하는 단계;상기 정규 벡터를 비선형 특징 공간에 매핑시켜 매핑된 고차원 벡터를 생성하는 단계; 및상기 고차원 벡터로부터 SVM 및 LDA에 기반한 상기 클래스 간 분산 및 상기 클래스 내 분산을 산출하는 단계;를 포함하는 것을 특징으로 하는 특징 추출 방법
|
| 3 |
3
제2 항에 있어서, 상기 제2 단계는,상기 클래스 간 분산에 SVM 마진(margin) 너비의 역수로 가중치를 부여함으로써 상기 클래스 간 분산을 조정하는 것을 특징으로 하는 특징 추출방법
|
| 4 |
4
제1 항에 있어서,상기 제3 단계는,피셔 기준을 상기 기저 벡터, 상기 조정된 클래스 간 분산 및 상기 클래스 내 분산으로부터 정의하는 단계;커널 트릭을 이용하여 상기 피셔 기준을 수정하는 단계; 및상기 수정된 피셔 기준의 해인 상기 기저 벡터를 결정하는 단계;를 포함하는 것을 특징으로 하는 특징 추출 방법
|
| 5 |
5
제4 항에 있어서,상기 기저 벡터를 결정하는 단계는, 상기 클래스 내 분산의 고유치를 특정 값으로 조정하는 단계;상기 조정된 클래스 내 분산으로부터 가역 행렬을 산출하는 단계;상기 기저 벡터의 고유치를 상기 가역 행렬의 조합으로 표현하는 단계; 및 상기 가역 행렬의 조합으로부터 상기 피셔 기준의 고유해를 상기 기저 벡터와 대응시키는 단계;를 포함하는 것을 특징으로 하는 특징 추출 방법
|
| 6 |
6
제 5항에 있어서,상기 클래스 내 분산의 고유치를 조정하는 단계는,상기 클래스 내 분산을 적어도 두 개의 영역으로 분할하는 단계; 및 상기 분할된 영역에 각기 다른 고유치를 설정함으로써 상기 클래스 내 분산의 고유치를 조정하는 단계;를 포함하는 것을 특징으로 하는 특징 추출 방법
|
| 7 |
7
제1 항에 있어서,테스트 영상을 정규화 시켜 상기 테스트 영상의 정규 벡터를 산출하는 단계;상기 산출된 테스트 영상의 정규 벡터와 상기 기저 벡터를 비선형 특징 공간 상에서 내적함으로써 상기 테스트 영상의 특징을 추출하는 단계;를 더 포함하는 것을 특징으로 하는 특징 추출 방법
|
| 8 |
8
제 1항에 있어서 상기 학습 영상은 얼굴 영상인 것을 특징으로 하는 영상 특징 추출 방법
|
| 9 |
9
제1 항 내지 제 8항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 컴퓨터 프로그램을 저장한 컴퓨터로 읽을 수 있는 기록매체
|
| 10 |
10
복수의 학습 영상으로부터 SVM에 기반한 클래스 간 분산 및 클래스 내 분산을 산출하는 분산 산출부;상기 클래스 간 분산에 가중치를 부여하여 상기 클래스 간 분산을 조정하는 클래스 간 분산 조정부; 및 상기 조정된 클래스 간 분산 및 상기 클래스 내 분산으로부터 영상의 특징을 추출할 수 있는 기저 벡터를 산출하는 기저 벡터 산출부;를 포함하는 것을 특징으로 하는 특징 추출 장치
|
| 11 |
11
제10 항에 있어서, 상기 분산 산출부는, 상기 학습 영상 각각의 정규 벡터를 산출하는 제1 벡터 산출부;상기 정규 벡터를 비선형 특징 공간에 매핑시켜 매핑된 고차원 벡터를 산출하는 제2 벡터 산출부;상기 고차원 벡터로부터 SVM 및 LDA에 기반한 상기 클래스 간 분산을 산출하는 제1 산출부; 및 상기 매핑된 특징 벡터로부터 LDA에 기반한 상기 클래스 내 분산을 산출하는 제2 산출부;를 포함하는 것을 특징으로 하는 특징 추출 장치
|
| 12 |
12
제 11항에 있어서, 상기 클래스 간 분산 조정부는, 상기 클래스 간 분산에 SVM 마진(margin) 너비의 역수로 가중치를 부여함으로써 상기 클래스 간 분산을 조정하는 것을 특징으로 하는 특징 추출 장치
|
| 13 |
13
제 10항에 있어서,상기 기저 벡터 산출부는,피셔 기준을 상기 기저 벡터, 상기 조정된 클래스 간 분산 및 상기 클래스 내 분산으로부터 정의하는 정의부;커널 트릭을 이용하여 상기 피셔 기준을 수정하는 수정부; 및상기 수정된 피셔 기준의 해인 상기 기저 벡터를 결정하는 결정부;를 포함하는 것을 특징으로 하는 특징 추출 장치
|
| 14 |
14
제 13항에 있어서,상기 결정부는, 상기 클래스 내 분산의 고유치를 특정 값으로 조정하는 클래스 내 분산 조정부;상기 조정된 클래스 내 분산으로부터 가역 행렬을 산출하는 가역행렬 산출부;상기 기저 벡터의 고유치를 상기 가역 행렬의 조합으로 표현하고, 상기 가역 행렬의 조합으로부터 상기 피셔 기준의 고유해를 상기 기저 벡터와 대응시키는 대응부;를 포함하는 것을 특징으로 하는 특징 추출 장치
|
| 15 |
15
제 14항에 있어서,상기 분산 조정부는,상기 클래스 내 분산을 적어도 두 개의 영역으로 분할하고, 상기 분할된 영역에 각기 다른 고유치를 설정함으로써 상기 클래스 내 분산의 고유치를 조정하는 것을 특징으로 하는 특징 추출 장치
|
| 16 |
16
제 10항에 있어서,테스트 영상을 정규화 시켜 상기 테스트 영상의 정규 벡터를 산출하는 정규 벡터 산출부; 및상기 테스트 영상의 정규 벡터와 상기 기저 벡터를 비선형 특징 공간상에서 내적함으로써 상기 테스트 영상의 특징을 추출하는 특징 추출부;를 더 포함하는 것을 특징으로 하는 특징 추출 장치
|
| 17 |
17
제 10항에 있어서 상기 학습 영상은 얼굴 영상인 것을 특징으로 하는 특징 추출 장치
|
