• Journal of the Institute of Electronics Engineers of Korea CI
• /
• v.47 no.2
• /
• pp.11-20
• /
• 2010

In this paper we propose a face detection system which consists of a method of face candidate extraction using skin color and a method of face verification using the feature of facial structure. Firstly, the proposed extraction method of face candidate uses the image segmentation and merging algorithm in the regions of skin color and the neighboring regions of skin color. These two algorithms make it possible to select the face candidates from the variety of faces in the image with complicated backgrounds. Secondly, by using the partial face classifier, the proposed face validation method verifies the feature of face structure and then classifies face and non-face. This classifier uses face images only in the learning process and does not consider non-face images in order to use less number of training images. In the experimental, the proposed method of face candidate extraction can find more 9.55% faces on average as face candidates than other methods. Also in the experiment of face and non-face classification, the proposed face validation method obtains the face classification rate on the average 4.97% higher than other face/non-face classifiers when the non-face classification rate is about 99%.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2003.11a
• /
• pp.497-500
• /
• 2003

본 논문은 계층적 분류기를 제안하여 실시간으로 얼굴 영역을 검출하고, PT(pan-tilt) 카메라를 통해 동적으로 얼굴을 추적할 수 있는 강인한 추적 알고리즘을 구현하고자 한다. 제안된 알고리즘은 분류기 학습, 실시간 얼굴 영역 검출, 추적의 세 단계로 구성된다. 분류기 학습은 AdaBoost 알고리즘을 이용하여, 독특한 얼굴 특징을 추출하는 계층적 분류기를 생성한다. 계층적 분류기는 높은 정확도를 가진 분류기들이 단계적으로 결합됨으로써 우수한 검출 성능으로 수행된다. 실시간 얼굴 영역 검출은 생성된 계층적 분류기를 통해, 빠르고 효율적으로 얼굴 영역을 찾아낸다. 추적은 PT 카메라를 통해 동적으로 검출 영역을 확장시키며, 이전 단계에서 추출된 얼굴 영역의 위치 정보를 이용하여 수행한다. 제안된 알고리즘은 계산의 효율성과 검출 성능을 동시에 증가시키며, 얼굴 검출 수행은 2초당 약 15프레임을 실시간으로 처리한다.

• 한국HCI학회:학술대회논문집
• /
• 2007.02a
• /
• pp.507-511
• /
• 2007

기존의 얼굴 인식 기술은 얼굴 검출과 얼굴 인식이라는 두 분야로 나뉘며, 얼굴 검출 기술은 주로 얼굴 인식을 위한 전처리 단계로 이용되었다. 이러한 얼굴 검출 기술은 방대한 양의 사진 콘텐츠를 분류하는 것에도 이용될 수 있다. 얼굴 검출 기술을 통해 사람이 있는 경우 인물 사진, 없는 경우 풍경 사진으로 분류한다. 그러나 기존의 얼굴 검출 기술만으로는 정확성이 떨어진다. 이를 보완하기 위해 본 논문에서는 사진의 구조 단순도 알고리즘을 제안 한다. 구조 단순도는 사진의 색상 구도의 단순비율을 의미하며, 일반적으로 인물 사진일 때 작은 값을 풍경 사진일 때 큰 값을 갖는다. 제안 방법의 유용성을 검증하기 위해 인물 사진 250장, 풍경 사진 250장을 이용하여 분류 실험을 하였다. 얼굴 검출 기술만을 이용한 실험은 66%의 정확성을 나타낸 반면 얼굴 검출 기술과 구조 단순도를 이용한 실험은 74.6%를 나타내었다. 따라서 얼굴 검출 기술과 구조 단순도를 이용하면 효과적인 사진 분류를 할 수 있다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2003.04c
• /
• pp.334-336
• /
• 2003

얼굴인식 연구는 얼굴표현에 집중하여 연구가 이루어져 왔으며, 이에 따라 최종 인식단계에서는 간단한 분류기가 적용되었다. 그러나, 보다 강건한 분류 성능을 얻기 위해서는 복잡한 분류기를 도입할 필요성이 있다. 복잡한 분류기를 사용하면서, 얼굴인식의 특성상 온라인 학습을 가능하게 하기 위해서는 이진 분류기 분해/결합 방법을 도입한다. 이러한 기법으로는 OPC와 PWC가 대표적이다. 본 방법의 성능은 기본이진 분류기의 성능에 좌우되기 때문에 SVM을 적용한다. 본 논문에서는 대표적인 방법인 OPC와 PWC의 장단점을 설명하고, 거절 조건을 갖는 이들 분류기들의 순차 결합 방법을 제안한다. ORL얼굴데이터 베이스에 대한 실험에서는, 제안하는 방법을 통해 얼굴인식 성능을 향상시킬 수 있음을 보인다.

• Journal of the Korea Institute of Information and Communication Engineering
• /
• v.16 no.7
• /
• pp.1495-1504
• /
• 2012

This paper proposes an algorithm to classify and analyze facial features such as eyebrow, eye, mouth and chin based on the geometric features of the face. As a preprocessing process to classify and analyze the facial features, the algorithm extracts the facial features such as eyebrow, eye, nose, mouth and chin. From the extracted facial features, it detects the shape and form information and the ratio of distance between the features and formulated them to evaluation functions to classify 12 eyebrows types, 3 eyes types, 9 mouth types and 4 chine types. Using these facial features, it analyzes a face. The face analysis algorithm contains the information about pixel distribution and gradient of each feature. In other words, the algorithm analyzes a face by comparing such information about the features.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2016.04a
• /
• pp.708-711
• /
• 2016

일반적인 얼굴인식 시스템에서는 얼굴표현과 얼굴분류 과정을 통하여 얼굴인식을 수행한다. 얼굴표현 방법으로는 LBP(Local Binary Pattern) 방법이 많이 사용되고 있다. 얼굴분류 방법으로는 신경망을 이용하여 미리 학습을 시켜놓기 때문에 수행시간이 매우 짧은 신경망 방법이 많이 사용되고 있다. 이때 얼굴표현 과정에서 LBP를 사용한 후 신경망을 사용하여 얼굴분류를 수행하면 인식률이 낮고 학습시간이 오래 걸리는 문제점이 있다. 따라서 본 논문에서는 신경망을 이용하여 얼굴 인식 과정을 수행하기 적합한 얼굴 표현 과정인 라플라시안 필터를 이용한 알고리즘을 제안한다. LBP와 신경망을 이용한 얼굴인식 과정과 본 논문에서 제안한 얼굴인식 과정을 비교분석한 실험결과, 본 논문에서 제안한 방법이 학습에 걸리는 시간과 인식률이 우수함을 보였다.

• Proceedings of the Korea Multimedia Society Conference
• /
• 2003.11a
• /
• pp.208-211
• /
• 2003

이 논문은 Matched Filter 기술을 사용해 다양한 영상 중 얼굴 영상을 분류하는 연구에 대해서 기술한다. 기본 목표는 얼굴 영상과 그 외의 영상을 분류할 수 있는 효과적인 필터를 개발하는 것이다. 이런 Matched Filter는 Fourier 역변환을 사용해 훈련영상(Training Image)으로부터 얻을 수 있다. 실험평가는 Yale대학의 얼굴 데이터베이스의 얼굴영상과 다양한 형태를 보이는 임의의 영상으로 평가한다. 우리는 여기서 얼굴 영상을 분류하기 위한 방법 중 한가지로서 Matched Filter를 이용할 수 있음을 확인할 수 있다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2003.10b
• /
• pp.538-540
• /
• 2003

본 논문에서는 얼굴 영상의 변화를 보상할 수 있는 전처리 과정으로서 기하학적 특징에 기반한 순수 얼굴 영역 검출 기법을 도입하고 분류기로서 간단한 정합 기법을 사용한 얼굴 인식 기법을 제안한다. 실험결과를 보면 제안한 기법은 NNC, BPN, SVM 분류 기법에 비해 월등한 성능을 가진다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2006.10b
• /
• pp.453-458
• /
• 2006

본 연구에서는 몽타주와 얼굴사진의 유사도를 산출하여, 유사도에 따라 얼굴사진의 순위를 정하는 방법을 제안한다. 먼저, 얼굴부위를 눈썹, 눈, 코, 입, 이마 등 27개로 나누고, 부위별 특징은 196개로 분류한다. 눈 부위의 특징을 예로 들면, 쌍꺼풀, 외꺼풀, 큰 눈, 작은 눈, 동그란 눈, 긴 눈, 처진 눈, 치켜 올라간 눈 등으로 분류할 수 있다. 나아가서, 200명의 얼굴사진 각각에 대해 특징을 분류하여, DB로 구축한다. 임의의 얼굴에 대해 몽타주를 작성하고, 몽타주에 대한 특징을 선택하여, DB의 얼굴 사진과 유사도를 산출하여, 순위를 정한다. 10명의 얼굴에 대해 몽타주를 작성하고, DB의 얼굴사진을 유사도에 따라 순위를 정한 결과, 1위 $\sim$ 6위 사이에 동일인물이 검색되었으며, 평균은 1.9위이었다. 이 결과는 몽타주를 작성하여 200매 얼굴의 유사도 순위를 정하면, 평균적으로는 2위에서, 적어도 6위 이내에서 동일 얼굴을 검색할 수 있다는 의미이다. 몽타주를 이용한 수사는 몽타주를 배포하여 시민의 신고에 의존하는 수동적인 방법을 사용하고 있으나, 이 방법을 이용하면, 용의자를 압축하여 검거하는 능동적인 수사가 가능하다.

• Journal of KIISE:Software and Applications
• /
• v.32 no.12
• /
• pp.1247-1259
• /
• 2005

This paper proposes a real-time face recognition system which detects multiple faces from low resolution video such as web-camera video. Face recognition system consists of the face detection step and the face classification step. At First, it finds face region candidates by using AdaBoost based object detection method which have fast speed and robust performance. It generates reduced feature vector for each face region candidate by using principle component analysis. At Second, Face classification used Principle Component Analysis and multi-SVM. Experimental result shows that the proposed method achieves real-time face detection and face recognition from low resolution video. Additionally, We implement the auto-tracking face recognition system using the Pan-Tilt Web-camera and radio On/Off digital door-lock system with face recognition system.