| 1 |
1
포즈 추정 기반 포즈변화에 강인한 얼굴 인식 방법으로서,(1) 미리 설정된 학습 동영상으로부터 검출된 복수 포즈의 얼굴 이미지를 저장하여 데이터베이스화 하는 단계;(2) 상기 데이터베이스화로 저장된 복수 포즈의 얼굴 이미지 각각에 대해, 주성분 분석법(PCA) 알고리즘을 이용한 차원 축소의 전처리를 수행하는 단계;(3) 상기 단계 (2)에서 전처리된 데이터를 다항식 기반 RBFNNSs(Radial Basis Function Neural Networks) 패턴 분류기에 입력하여 각 포즈 데이터를 학습시키는 단계;(4) 입자군집 최적화 알고리즘(PSO: Particle Swarm Optimization)을 이용하여 상기 각 포즈별 데이터에 대해 최적화된 파라미터를 획득하는 단계;(5) 상기 단계 (1) 내지 단계 (4)를 통해 학습과정이 종료된 후, 미리 설정된 테스트 동영상으로부터 검출된 테스트 얼굴 이미지에 대해, 2방향 2차원 주성분분석법(2-Directional 2-Dimensional Principal Component Analysis) 알고리즘을 이용한 차원 축소의 전처리가 수행되는 단계;(6) 상기 단계 (5)를 통해 차원 축소의 전처리가 수행된 테스트 얼굴 이미지에 대해 유사 포즈를 추정하여 검출하는 단계; 및(7) 상기 검출된 유사 포즈를 상기 단계 (1) 내지 (4)의 학습과정을 통해 획득된 최적화된 파라미터에 적용하여 테스트 얼굴 이미지를 인식 대상으로 판정하는 단계를 포함하되,상기 단계 (1)에서는,얼굴 인식에 사용될 복수의 인원에 대한 영상 이미지에서, 각 1인당 5개의 포즈로 구성되고, 각 포즈의 이미지 내에 포즈 당 5개의 이미지를 영상 내에서 임의로 추출하여 구성된 복수 포즈의 얼굴 이미지를 저장하여 데이터베이스화 하되, 얼굴 이미지의 형상은 각 포즈 각도 변화(좌 90°, 좌 45°, 정면, 우 45°, 우 90°)에 따라 5가지 얼굴 형상으로 획득되고, 영상에서 추출된 이미지의 크기는 90×90의 크기로 구성되며,상기 단계 (5)에서는,2방향 2차원 주성분분석법 알고리즘을 이용하여 행 방향으로 차원을 줄인 (2D)PCA와 열 방향으로 차원을 줄인 (2D)PCA의 특징 행렬의 벡터 중에서 가장 큰 주성분만을 추출하여 차원을 줄이고,상기 단계 (6)에서는,Multi-Space PCA를 이용하여 얼굴 포즈를 분류하기 전에, 편주(yaw) 각도(± 90°, ± 45°, 0°)에 따라 분류된 이미지로 DB를 구성하고, 각 포즈별로 PCA를 수행하여 포즈별 고유 얼굴 벡터를 갖는 Multi-Space PCA 공간을 구성하며, 테스트하려는 얼굴 이미지를 각 PCA 공간으로 투영하여 그 거리를 계산하고 최소 거리를 갖는 포즈를 분류하여 유사 포즈를 검출하는 것을 특징으로 하는, 포즈 추정 기반 포즈변화에 강인한 얼굴 인식 방법
|
| 2 |
2
제1항에 있어서, 상기 단계 (2)에서는,(2-1) 상기 복수 포즈의 얼굴 이미지에 대한 인식후보의 얼굴 벡터 집합을 구성하는 단계;(2-2) 상기 얼굴 이미지의 벡터 집합의 평균과 분산을 기준으로 얼굴 이미지를 정규화로 수행하는 단계;(2-3) 상기 얼굴 이미지의 벡터 집합으로부터 평균 얼굴 벡터를 계산하여 산출하는 단계;(2-4) 상기 얼굴 이미지의 인식후보 얼굴 벡터와 평균 얼굴 벡터와의 차이 벡터를 계산하여 산출하는 단계;(2-5) 상기 산출된 차이 벡터를 이용하여 얼굴 이미지의 인식후보 얼굴에서 공분산 행렬을 계산하여 산출하는 단계; 및(2-6) 상기 공분산 행렬의 M개의 고유벡터에서 가장 큰 고유값을 갖는 M'개만을 선택하고, 각 인식후보 얼굴과 고유벡터와의 사영을 통해 가중치를 획득하는 단계를 포함하는 것을 특징으로 하는, 포즈 추정 기반 포즈변화에 강인한 얼굴 인식 방법
|
| 3 |
3
제1항에 있어서, 상기 단계 (3)에서는,상기 전처리된 포즈별 데이터를 FCM(Fuzzy C-Means) 클러스터링 알고리즘을 이용하여 데이터와 각 클러스터와의 거리를 기준으로 소속정도를 측정하여 데이터를 분류하되,상기 단계 (3)에서의 데이터 분류는,(3-1) 클러스터의 개수 및 퍼지화 계수를 선택하고, 소속 함수를 초기화하는 단계;(3-2) 각 클러스터에 대한 중심 벡터를 산출하여 구하는 단계;(3-3) 상기 중심 벡터와 각각의 테이터와의 거리를 계산하여 새로운 소속 함수를 계산하여 산출하는 단계; 및(3-4) 상기 소속 함수 및 새로운 소속 함수의 오차가 허용범위 안에 도달하면 알고리즘을 종료하고, 오차가 허용범위 안에 도달하지 않으면 상기 단계 (3-2)로 진행하여 반복하는 단계를 포함하는 것을 특징으로 하는, 포즈 추정 기반 포즈변화에 강인한 얼굴 인식 방법
|
| 4 |
4
제1항에 있어서, 상기 단계 (4)에서의 최적화된 파라미터는,퍼지화 계수, 연결가중치의 다항식 타입, 노드의 수, 및 축소되는 차원의 수를 포함하고,상기 연결가중치의 다항식 타입은,1차 선형 추론 타입과, 2차 선형 추론 타입, 및 변형된 2차 선형 추론 타입을 포함하며,상기 단계 (4)에서는,지역학습 방법의 가중최소자승법(Weighted Least Square Estimator)을 사용하여 각 규칙에 대한 파라미터를 독립적으로 산술하여 구하는 것을 특징으로 하는, 포즈 추정 기반 포즈변화에 강인한 얼굴 인식 방법
|
| 5 |
5
삭제
|
