1 |
1
눈 개폐 분류 장치에 있어서, 카메라로부터 취득한 컬러 눈 영상을 입력하는 눈 영상 입력부; 및상기 눈 영상에서 학습 된 회선 신경망(Convolutional Neural Network)구조의 필터(filter)와 가중치(weight)를 이용하여 눈 개폐 특징을 추출하고, 추출된 눈 개폐 특징을 학습하여 눈의 개폐 여부를 분류하는 눈 개폐 분류부; 및회선 신경망 구조를 변경하여 눈 개폐 특징을 학습하고, 역전파 알고리즘을 이용하여 상기 회선 신경망 구조의 필터와 가중치를 갱신하는 눈 영상 학습부를 포함하고,상기 눈 개폐 분류부는 상기 눈 영상 학습부에서 학습 된 회선 신경망 구조의 필터와 가중치를 입력된 눈 영상에 적용하여 2차원 콘볼루션 수행을 통해 눈 개폐 특징을 추출하는 콘볼루션 레이어 연산부;이전 콘볼루션 레이어 연산 결과를 활성화 함수를 이용하여 모든 픽셀들의 대체값을 출력하는 교정 선형 유닛 레이어 연산부; 및결과값을 정규화하는 지역 정규화 레이어 연산부를 더 포함하되,상기 콘볼루션 레이어 연산부는3×3 크기의 128개의 필터를 수직 및 수평 방향으로 2 픽셀씩 이동하여 제1 콘볼루션 레이어 연산을 수행하고, 3×3 크기의 256개의 필터를 수직 및 수평방향으로 1 픽셀씩 이동 및 2 픽셀 간격으로 패딩(padding)하여 제2 콘볼루션 레이어 연산을 수행하며, 상기 지역 정규화 레이어 연산부는 상기 교정 선형 유닛 레이어 연산부의 연산 결과를 아래의 수학식 2를 통해 정규화 하고,[수학식 2] 수학식 2에서 는 정규화된 결과값, , 및 는 하이퍼파라메터, 는 입력된 레이어의 i번째 채널의 요소 좌표(x, y), n은 인접 채널, N은 이전 레이어의 채널 수를 의미하고, 상기 는 1, 상기 는 0
|
2 |
2
삭제
|
3 |
3
삭제
|
4 |
4
제1항에 있어서,상기 눈 개폐 분류부는 상기 눈 개폐 특징에 설정된 필터를 적용하여 관심 영역에서 최댓값을 추출하는 풀링 레이어 연산부를 더 포함하되, 상기 풀링 레이어 연산부는 3×3 크기의 필터를 수직 및 수평 방향으로 탐색 시, 2 픽셀 간격으로 이동하여 관심 영역에서 최대값을 추출하는 눈 개폐 분류 장치
|
5 |
5
제4항에 있어서,상기 눈 개폐 분류부는 풀링 레이어 연산을 통해 추출한 최댓값을 복수의 노드로 연결하여 눈 개폐 특징을 축소하는 완전 연결 레이어 연산부를 더 포함하는 눈 개폐 분류 장치
|
6 |
6
제5항에 있어서,상기 눈 개폐 분류부는 축소된 눈 개폐 특징이 눈을 감은 영상일 확률과 눈을 뜬 영상일 확률을 산출하는 소프트맥스 레이어 연산부를 더 포함하는 눈 개폐 분류 장치
|
7 |
7
제6항에 있어서,상기 눈 개폐 분류부는 소프트맥스 레이어 연산의 결과값들 중에서 확률이 가장 높은 노드를 설정한 임계값을 기준으로 최종 분류 결과를 선택하는 분류 레이어 연산부를 더 포함하되,상기 임계값은 -1에서 1 사이의 실수 값 중 하나로 설정하는 눈 개폐 분류 장치
|
8 |
8
눈 개폐 분류 장치에서 눈의 개폐를 분류하기 위한 눈 개폐 분류 방법에 있어서, 상기 눈 개폐 분류 장치가 학습 된 회선 신경망 구조를 로드하는 단계;눈 영상 입력부에 카메라로부터 취득한 컬러 눈 영상을 입력하는 단계;눈 개폐 분류뷰가 상기 학습 된 회선 신경망 구조를 이용하여 상기 눈 영상에서 눈 개폐 특징 정보를 추출하는 단계;상기 눈 개폐 분류부가 상기 눈 개폐 특징 정보를 이용하여 상기 눈 개폐 특징 정보가 눈을 뜬 영상에 속할 확률과 눈을 감은 영상에 속할 확률을 산출하는 단계;상기 눈 개폐 분류부가 상기 눈을 뜬 영상에 속할 확률과 상기 눈을 감은 영상에 속할 확률의 차이를 설정한 임계값과 비교하여 입력된 눈 영상이 눈을 뜬 영상인지, 눈을 감은 영상인지 분류하는 단계를 포함하고,상기 학습된 회선 신경망 구조를 이용하여 상기 눈 영상에서 눈 개폐 특징 정보를 추출하는 단계는, 콘볼루션 레이어 연산부가 입력된 상기 눈 영상에 미리 설정된 필터를 적용하여 제1 콘볼루션 레이어 연산을 수행하는 단계;교정 선형 유닛 레이어 연산부가 상기 콘볼루션 레이어 연산부의 연산 결과를 이용하여 모든 픽셀에 대한 대체값을 출력하는 단계; 및 지역 정규화 레이어 연산부에서 상기 교정 선형 유닛 레이어 연산부의 연산 결과를 아래의 수학식 2,[수학식 2]를 이용해 정규화 하는 단계;를 더 포함하고, 상기 수학식 2에서 는 정규화된 결과값, , 및 는 하이퍼파라메터, 는 입력된 레이어의 i번째 채널의 요소 좌표(x, y), n은 인접 채널, N은 이전 레이어의 채널 수를 의미하고, 상기 는 1, 상기 는 0
|
9 |
9
제8항에 있어서,상기 눈 개폐 분류 장치가 학습된 회선 신경망 구조를 로드하는 단계는눈 영상 학습부에서 회선 신경망 구조를 변경하여 눈 개폐 특징을 학습하고, 역전파 알고리즘을 이용하여 상기 회선 신경망 구조의 필터와 가중치를 갱신한 결과를 로드하는 눈 개폐 분류 방법
|
10 |
10
제8항에 있어서,상기 임계값은 -1에서 1 사이의 실수 값 중 하나로 설정하는 눈 개폐 분류 방법
|
11 |
11
제8항 내지 제10항 중 어느 하나의 눈 개폐 분류 방법을 실행하고 컴퓨터가 판독 가능한 기록매체에 기록된 컴퓨터 프로그램
|