이 시각 주요 뉴스

여백

CCTV 영상에서의 고성능 얼굴 인식엔진 구현 및 실험

이수진l승인2012.12.03 00:00:00l수정2012.12.11 15:12

크게

작게

메일

인쇄

신고

  
김 진 호 교수

경일대학교 전자공학과 교수
anyface2009@gmail.com

-1986.02 경북대학교 전자공학과(공학사)
-1988.02 경북대학교 전자공학과(공학석사)
-1992.02 경북대학교 전자공학과(공학박사)
-1992.03 ~ 현재 경일대학교 전자공학과 교수

연구관심분야
패턴인식, 영상처리 및 컴퓨터비젼

주요연구내용
안면인식관련 국제 공동과제(중동,미국,동남아시아 등)를 수행하고 있으며 차량번호판인식관련 국내 상용화에 성공하고 국외수출을 위한 개발 과제를 진행하고 있다.
 

 

연 재 순 서
1. CCTV 영상에서의 얼굴 검출 기술 소개
2. CCTV 영상에서의 얼굴 인식 기술 소개
3. CCTV 영상에서의 고성능 얼굴 인식엔진 설계 및 구현
4. 얼굴인식 기술의 성능 분석
5. 얼굴인식 기술의 상용화 동향

1. 서론
최근 CCTV를 이용한 영상감시 분야의 비약적인 발전으로 인해 CCTV로 입력되는 영상에서 자동으로 얼굴을 검출하고 이를 정확하게 인식할 수 있는 기술 개발[5]에 대한 관심이 어느 때 보다 높아지고 있다. 그 동안 많은 연구자들이 개발한 얼굴 인식 관련 연구 결과들이 다양한 논문지를 통해 발표되어왔고 특히 상용 제품들도 소개되고 있지만 여전히 CCTV 운영자인 고객들의 기대치를 충족시키지 못하고 있는 것이 현실이다.

학술 논문을 통해 발표된 다양한 얼굴 인식 관련 연구 결과들이 학술적으로는 매우 우수한 의미들을 갖고 있었지만 주로 실험실 내의 소규모 얼굴 영상 데이터베이스를 대상으로 개발되었거나 실시간 응용에 대한 제약조건을 보류했거나 얼굴 영상에 수동으로 인덱싱한 눈 좌표를 이용하여 반자동으로 인식하거나 또는 특정 요소기술을 개발하는데 중점을 둔 경우가 많았다. 본 연구실에서는 얼굴 인식 기술을 좀 더 현실적으로 구현하기 위하여 수 천명의 대용량 얼굴 데이터베이스를 대상으로 실시간으로 인식 할 수 있어야하며 데이터베이스의 눈 좌표를 이용하지 않고 완전 자동으로 고성능의 인식이 가능하도록 얼굴 인식 알고리즘을 설계하기 위해서 노력해 왔다. 본 고에서는 연구실에서 개발한 고성능 실시간 완전 자동 얼굴 인식 기술의 개발 과정 및 다양한 응용 실험 결과들을 소개한다.


2. 실시간 완전 자동 얼굴 인식 알고리즘 설계

완전 자동, 대용량, 고성능 및 실시간 등에 대한 조건들을 만족시킬 수 있도록 얼굴 인식 알고리즘을 설계하였다. 완전 자동 얼굴 인식을 위한 자동 얼굴 검출 및 피쳐 추출, 대용량 및 실시간 얼굴 인식을 위한 적절한 종류 및 크기의 얼굴 피쳐 템플릿 설정 그리고 고성능 얼굴 인식을 위한 개별 분류기 개발 및 다중 분류기 결합 등에 대한  연구들이 진행되었다.

2.1 부분 자동 vs. 완전 자동 얼굴 인식
얼굴 인식용 피쳐를 추출하는 데는 두 눈의 중심만 이용해서 피쳐 추출 영역을 추정하는 방법과 두 눈의 중심을 포함한 다양한 얼굴 특징들을 대상으로 피쳐 추출 기준점들을 추정하는 방법 등이 있다.
두 눈의 중심을 구하고 이를 기준으로 피쳐 추출 영역을 설정하기 위해서는 먼저 얼굴 영역을 찾고 이를 바탕으로 눈의 중심 좌표를 구하는 과정을 거치게 된다.

  

[그림 1] 눈 좌표를 구하기 어려운 영상에서 피쳐 추출 영역을 설정한 예

[그림 1]과 같이 안경에 빛이 반사되거나 눈을 감았을 때에는 실제로 두 눈의 중심을 결정하기 어려운 경우가 발생할 수 있다. 두 눈의 중심 좌표가 달라질 경우 각 피쳐 추출 영역의 위치도 달라지기 때문에 두 눈의 중심 좌표 정확도에 따라 얼굴 인식 성능이 다르게 나타날 수 있다.
  

[그림 2] 얼굴 그래프를 이용해서 피쳐 추출용 특징점들을 찾은 예

[그림 2]와 같이 두 눈의 중심을 포함한 얼굴 전체에 분포된 특징점들을 찾아서 피쳐 추출 위치나 영역을 결정한다면 좀 더 안정된 완전 자동 얼굴 인식이 가능해 질 수 있을 것이다. 
본 연구실에서는 완전 자동으로 얼굴을 인식하기 위해서 먼저 얼굴 사각형 영역을 검출하고 눈의 위치도 개략적으로 추정한 다음 이 정보들을 이용해서 미리 만들어 둔 표준 얼굴 모델 그래프를 얼굴 영상에 맞추어 피쳐 추출을 위한 기준인 특징점들을 찾아내는 연구를 수행하였다.

2.2 대용량 고성능 vs. 실시간 인식
지금까지 얼굴 인식 관련 연구에서 Gabor피쳐[4] 및 LBP피쳐[2]가 얼굴의 유사도나 비유사도를 계산하는데 매우 성공적으로 사용될 수 있음을 확인하였다. 본 연구에서도 완전 자동으로 얼굴의 특징점들을 찾은 다음에 이를 기준으로 특징점 기반의 Gabor피쳐와 영역기반의 LBP 피쳐를 추출하였다. 이렇게 함으로써 얼굴의 국소적 영역(Local area) 특징 분포와 전역적 영역(Global area) 특징 분포를 동시에 반영될 수 있을 뿐만 아니라 기하학적 피쳐(Geometric feature)와 통계적 피쳐(Statistical feature)들도 반영될 수 있도록 하였다.
  

[그림 3] 얼굴 영상에 Gabor 웨이블릿 필터들을 이용해서 컨볼루션한 결과

Gabor 웨이블릿 필터뱅크를 생성하고 이를 얼굴 영상에 컨볼루션한 결과를 [그림 3]에 도시하였다. 주파수 길이와 방향 성분을 달리하면서 필터들을 생성하고 이를 얼굴 영상에 컨볼루션하면 얼굴 영상의 다양한 통계적 특징들이 표현된 새로운 영상들을 얻을 수 있다.

  

[그림 4] Gabor 필터링 결과 영상에서 LBP 피쳐를 추출하고 얼굴을 인식한 연구

얼굴 영상에 28개의 Gabor 웨이블릿 필터들을 각각 컨볼루션하여 생성한 영상에 LBP 연산자를 적용하여 LBP 히스토그램을 추출하고 이를 이용하여 얼굴을 인식한 LGBP HS[7] 결과를 [그림 4]에 도시하였다.
하나의 얼굴 영상에 방향과 크기가 다른 28개의 Gabor 웨이블릿 필터들을 컨볼루션해서 동일한 크기의 28개 영상을 생성했기 때문에 결국 얼굴 영상을 28개의 통계적 특징으로 다시 분할한 영상들을 얻을 수 있으며 얼굴에 대한 정보 분석량이 28배로 늘어나게 되어 이들 각각으로부터 LPB피쳐를 추출할 경우 얼굴의 특징 피쳐를 더욱 자세하게 묘사할 수 있다. 본 연구실에서 실험한 결과 하나의 얼굴 영상으로부터 직접 LBP 피쳐를 추출한 결과에 비해 더욱 높은 인식률을 얻을 수 있었으나 얼굴 유사도 비교량이 28배로 증가되었기 때문에 매칭 속도가 늦어지는 단점이 있었다. 

  

[그림 5] Gabor 표면 특성에 대한 LBP 피쳐를 추출하고 얼굴을 인식한 연구

얼굴 영상에서 8개 방향, 5개 크기의 조합으로 생성한 40개 Gabor 필터들과 컨볼루션해서 생성한 영상에서 Gabor 표면의 명도 분포 특성을 추출하고 이들에 대한 LBP 피쳐를 계산하여 얼굴 인식을 수행한 연구[8] 결과를 [그림 5]에 도시하였다. 하나의 얼굴 영상을 40개의 더욱 세밀한 정보량을 가진 영상으로 분할해서 피쳐를 추출하기 때문에 FERET 데이터베이스의 각 Probe 집합에 대한 인식 결과가 매우 우수하게 나타난 것을 알 수 있다. 하나의 얼굴 영상을 40개의 동일한 크기 영상으로 다시 표현하여 피쳐를 추출하기 때문에 피쳐 유사도 비교량이 40배로 늘어나서 매칭 속도가 매우 늦어질 수 있다. 이를 해결하기 위해 PCA 또는 FDA 등을 이용하여 피쳐 길이를 줄이는 연구들이 계속 진행되었다.
Gabor 및 LBP 피쳐가 얼굴 인식에 매우 효율적으로 사용될 수 있지만 실시간 응용을 위해 피쳐 길이를 보다 짧게 표현해 낼 수 있어야 한다. 피쳐 길이를 줄이면서도 얼굴 영상으로부터 Gabor 피쳐를 추출하기 위해 전체 얼굴 영상에 직접 Gabor 필터들을 컨볼루션해서 새로운 영상들을 생성하지 않고 얼굴 영상의 각 특징점으로부터 직접 Gabor 피쳐를 추출하는 개념을 [그림 6]에 도시하였다.

  

[그림 6] 얼굴의 특징점에서 Gabor 피쳐를 추출하는 예

얼굴의 특징점들을 기반으로 Gabor 피쳐를 추출하면 피쳐의 길이를 줄일 수 있으면서도 Gabor 피쳐의 높은 분류 능력을 활용할 수 있게 된다. 그리고 LBP 피쳐의 경우에도 얼굴 마스크의 외곽 특징점들의 정보를 이용해서 얼굴 영역을 Cropping하고 추출하는 방식을 사용할 수 있다.
자동으로 얼굴 영상에 맞춘 얼굴 그래프를 찾아서 이를 기준으로 LBP 피쳐 추출을 위한 얼굴 영역을 Croping 한 다음에 얼굴 영역을 분할하고 LBP 히스토그램을 계산한 예를 [그림 7]에 도시였다.

  

[그림 7] 얼굴 그래프기반으로 영역을 Croping하고 LBP 피쳐를 추출하는 예

두 눈의 좌표만 이용하지 않고 얼굴에 분포된 각 특징점들을 찾은 다음 얼굴 외곽선 정보를 바탕으로 LBP 피쳐 추출을 위한 얼굴 영역을 Cropping 함으로써 더욱 강건한(robust) 얼굴 인식이 가능하도록 하였다.

본 연구실에서는 이상의 Gabor 및 LBP 피쳐를 설계한 다음 각각의 분류기를 구현하고 두 분류기의 매칭 결과를 결합하는 방식으로 최종 얼굴 인식 결과를 계산할 수 있도록 하였다.

3. 실시간 완전 자동 얼굴 인식 알고리즘 구현
본 연구실에서는 전술한데로 얼굴 인식 알고리즘을 설계하고 이를 바탕으로 실시간 완전 자동 얼굴 인식 알고리즘[6]을 구현하였다. 얼굴 영상으로부터 얼굴의 특징점들로 구성된 얼굴 그래프를 자동으로 찾아내고 얼굴 그래프의 각 특징점에서 Gabor 피쳐[4]를 계산했으며 얼굴 그래프의 외곽선 정보를 바탕으로 얼굴 영역을 Cropping 한 다음 LBP 히스토그램 피쳐[2]를 계산하여 두 피쳐를 결합하는 방식으로 [그림 8]과 같이 얼굴 피쳐 템플릿을 생성하였다.
 
  

[그림 8] 얼굴 영상으로부터 Gabor 및 LBP 피쳐를 추출하여 템플릿을 생성하는 과정

Gabor 및 LBP 피쳐를 바탕으로 각각의 분류기를 구현하였으며 두 분류기의 매칭 결과를 결합하여 최종 얼굴 인식 결과를 판단할 수 있도록 하였다.


3.1 얼굴 영상에서 얼굴 그래프 추출

  

[그림 9] 표준 얼굴 모델 그래프

완전 자동으로 얼굴을 인식하기 위해서 얼굴 영상으로부터 얼굴 그래프를 자동으로 찾아내는 알고리즘을 구현하였다. 먼저 여러 형태의 얼굴 윤곽선 정보를 대표적으로 잘 표현할 수 있도록 [그림 9]와 같이 표준 얼굴 그래프(Standard Face Model Graph)를 만들었다.
대표적인 훈련용 얼굴 샘플 영상들을 선정하고 각 샘플 영상에 수작업으로 특징점들을 마킹한 다음 이들로부터 구한 특징점의 위치와 Gabor 피쳐의 평균으로 표준 얼굴 모델 그래프를 생성하였다. 표준 얼굴 모델 그래프를 얼굴 영상에 매칭시킬때 그래프를 기하학적으로 변형할 수 있도록 가변 파라미터들을 설정하였다.
즉, 그래프의 크기를 전체적으로 늘이거나 줄일 수 있을 뿐만 아니라 중심으로부터 상하 좌우로도 늘이거나 줄일 수 있도록 하였다.    

  


[그림 10]얼굴 특징점 추출을 위한 얼굴 그래프 매칭 개념

[그림 10]과 같이 표준 얼굴 그래프를 얼굴 영상에 맞추어 피쳐 추출 영역을 구하는 과정은 그래프 매칭을 위한 최적화 알고리즘으로 구현되었다. 얼굴에 가장 잘 맞는 얼굴 그래프를 추출하기 위한 최적화 과정에서 표준 얼굴 그래프를 얼굴 영상에 매칭시키기 위한 초기 위치는 매우 중요하다. 초기에 매칭시키는 얼굴 그래프의 정확도에 따라 최적화 수렴시간이 짧아질 뿐만 아니라 얼굴 영상에 가장 잘 매칭되는 최적화 결과를 얻을 수 있기 때문이다.  
표준 얼굴 그래프를 초기에 매칭시킬 얼굴의 사각형 영역을 구하기 위한 얼굴 검출기를 구현할 때 검출기 훈련을 위한 얼굴 영역을 [그림 11]과 같이 설정하고 Adaboost MCT 알고리즘을 이용하여 얼굴 검출기를 학습을 시켰다. 

  

[그림 11] Adaboost MCT를 이용하여 구현한 4단 얼굴 검출기

얼굴 검출기를 이용하여 얼굴 영역의 사각형 위치를 구하고 이 정보를 바탕으로 표준 얼굴 그래프의 초기 매칭 위치를 결정하였다. [그림 12]와 같이 표준 얼굴 모델 그래프의 참조점들을 얼굴 사각형 영역의 테두리에 맞추어 초기 매칭 위치를 설정한 다음 최적화 알고리즘에 따라 얼굴 그래프를 기하학적으로 가변시켜 가면서 얼굴 영상에 최적으로 맞춘 얼굴 그래프를 추출하였다. 

  

[그림 12] 표준 얼굴 그래프를 얼굴 영상에 최초 정합시킨 후에 최적화 과정을 통해 얼굴 에 맞춘 결과

표준 얼굴 그래프를 얼굴 영상에 맞추어 가는 최적화 알고리즘으로 PSO(Particle Swarm Optimization)[4]를 이용하였다. 표준 얼굴 그래프의 전체 크기와 그래프의 중심점을 기준으로 상하 좌우로 늘이거나 줄일 수 있도록 가변 파라미터들을 설정하고 Gabor 제트 계산 결과의 유사도를 이용하여 최적으로 얼굴 영상에 맞추어진 얼굴 그래프를 찾았다. 얼굴 영상에 최적 매칭된 얼굴 그래프를 찾은 다음에 얼굴 그래프의 각 노드에서 Gabor 피쳐를 구하고 얼굴 그래프의 외곽선 정보를 이용하여 LBP 피쳐 추출 영역을 설정한 다음에 LBP 히스토그램 피쳐를 추출하여 얼굴 인식을 위한 피쳐 템플릿을 생성하였다.

3.2 피쳐 추출을 통한 인식
얼굴 영상에 맞추어진 얼굴 그래프에서 각 노드 픽셀을 중심으로 방향과 크기가 다른 40개의 Gabor 필터를 컨볼루션해서 40개의 제트값을 계산하였다. 전체 44개의 노드 픽셀 위치에서 구한 1,760개의 제트값을 Gabor 피쳐로 하였다. 그 다음 얼굴 그래프의 좌우 하단 경계선 정보에 따라 Cropping 한 얼굴 영역을 가로 및 세로 각각 7개로 나누어 전체 49개의 작은 영역으로 분할하고 각 영역에서 59개의 LBP 히스토그램 피쳐를 계산해서 연결한 2,891개의 히스토그램 값을 LBP 피쳐로 하였다. 


  

[그림 13] Gabor 및 LBP 피쳐 추출 결과를 이용한 얼굴 유사도 계산

얼굴 그래프 각 특징점으로부터 구한 1,760개의 Gabor 제트들을 연결해서 생성한 Gabor 피쳐를 비교하여 얼굴 유사도를 계산하고 Cropping 한 얼굴 영역에서 구한 2,891개의 LBP 히스토그램 피쳐 값을 비교하여 별도의 얼굴 유사도를 계산하였다. [그림 13]과 같이 Gabor 피쳐를 이용한 분류기와 LBP 피쳐를 이용한 분류기를 각각 구현하고 이들로부터 구한 각각의 얼굴 유사도를 결합하여 최종 얼굴 인식 결과를 계산하였다.얼굴 인식 시스템의 성능을 평가하기 위해서 Gallery 얼굴 영상으로부터 Gabor 및 LBP 피쳐를 구하고 템플릿을 생성하여 저장하는 과정을 등록이라 한다. 인식 대상인 Probe 얼굴 영상으로부터 Gabor 및 LBP 피쳐를 구한 다음 미리 저장해 둔 Gallery 얼굴 영상들의 템플릿 피쳐들과 비교해서 가장 유사한 Gallery 얼굴 영상을 찾아내는 과정을 인식이라 한다. 예로서 FERET fb 얼굴 영상 데이터베이스의 경우 1,196장의 얼굴 영상을 Gallery 얼굴로 등록하고 표정을 달리하면서 촬영한 fb 테스트 집합, 1,195장의 Probe 영상을 각각 인식해 보는 방식으로 얼굴 인식 시스템의 성능을 분석할 수 있다.

4. 얼굴 인식 알고리즘의 성능 평가 및 활용
  


[그림 14] FERET 얼굴 영상 데이터베이스 규격 및 샘플 영상

본 연구실에서는 얼굴 인식을 위한 기본 설계 알고리즘을 기반으로 다양한 형태의 실시간 완전자동 얼굴 인식 시스템을 구현한 다음 [그림 14]와 같은 FERET 얼굴 영상 데이터베이스[1]를 이용하여 그 성능을 분석하였다.
FERET 얼굴 영상 데이터베이스를 이용하면 얼굴의 표정 변화, 조명 변화 그리고 시간의 흐름에 따른 얼굴의 변화 등에 대해 인식 성능을 평가할 수 있고 데이터베이스 얼굴 영상과 함께 제공되는 두 눈의 좌표를 이용한 반 자동(Semi automat ic) 인식 성능을 평가하거나 두 눈의 좌표를 이용하지 않은 완전 자동(Fully automatic) 인식 성능을 평가할 수 있다.

  

[표 1] FERET 얼굴 영상 데이터베이스에 대한  인식 성능

대부분의 반 자동 얼굴 인식 알고리즘들의 경우 표정 변화나 조명변화에 비교적 우수한 인식 성능을 보였으나 실시간 인식이 어려운 경우가 많았다. 본 연구실에서 개발한 완전 자동 얼굴 인식 알고리즘의 경우 표정 변화나 조명변화에 대해서 반 자동 얼굴 인식에 상응할 정도의 인식 성능을 보였으며 시간의 흐름에 따른 얼굴의 변화에 대해서도 비교적 우수한 인식 성능을 보인다는 것을 확인하였다.
시뮬레이션 알고리즘을 Intel i7-2640M CPU, 메모리 8GB의 Window 7 운영체제를 갖는 컴퓨터에 구현하고 얼굴 인식 속도를 평가하였다. 1,000명의 Gallery 얼굴 영상 템플릿을 추출하여 저장한 다음 하나의 Probe 얼굴 영상에 대한 평균 인식 속도를 추정한 결과 평균 0.26초를 보여서 제안한 알고리즘이 천 명 정도의 얼굴 영상들을 실시간으로 인식할 수 있음을 확인하였다.

  

[그림 15] 웹카메라를 이용한 실시간 얼굴 인식 시스템 구현

[그림 15]와 같이 웹카메라를 이용한 실시간 얼굴 인식 시스템을 구현한 다음 1,000명 이상의 얼굴 영상을 등록하고 실시간으로 얼굴을 인식하는 실험을 수행하였다. 얼굴 전체의 특징점을 이용해서 얼굴 그래프를 찾기 때문에 6년 전에 촬영한 사진을 등록했음에도 불구하고 일부 가려져 있는 얼굴 영상도 정확하게 인식할 수 있음을 보였다. 640x480 크기의 웹카메라 입력 영상을 실시간으로 인식할 수 있었으며 웹 카메라 앞에서 등록한 얼굴을 같은 상황에서 웹카메라로 다시 캡쳐하여 인식할 경우 98% 이상의 인식률을 보였다. 구현한 얼굴 인식 시스템을 이용하여 [그림 16]과 같이 근적외선 얼굴 영상의 인식 실험도 수행해 보았다.

  

[그림 16] 근 적외선 얼굴 영상에 대한 인식 실험

홍콩 폴리텍대학의 근 적외선 얼굴 영상 데이터베이스에서 임의로 250명의 얼굴 영상을 선택해서 Gallery 집합으로 등록한 다음 동일한 사람이 다시 촬영한 250장의 Probe 집합으로 인식 실험을 해 본 결과 247명을 인식할 수 있어서 98.8%의 인식률을 얻을 수 있었다. 실험 결과 구현한 실시간 완전 자동 얼굴 인식 알고리즘은 1,000명 내외의 얼굴 영상에 대해서 표정이나 조명 변화에 대해서 높은 인식 성능을 갖고 있으며 실시간으로 인식할 수 있음을 확인하였다. 

  5. 결론
본 고에서는 연구실에서 개발한 고성능 실시간 완전 자동 얼굴 인식 기술의 설계 및 구현 과정과 응용 실험 결과들을 소개하였다. 얼굴 인식 기술을 좀 더 현실적으로 구현하기 위하여 수 천명의 대용량 얼굴 데이터베이스를 대상으로 실시간 인식 할 수 있도록 하고 데이터베이스의 눈 좌표 없이 완전 자동으로 고성능의 인식이 가능하도록 얼굴 인식 알고리즘을 설계하였다. 얼굴 인식 알고리즘을 구현하고 시뮬레이션 해 본 결과 1,000명 이상 등록한 FERET 데이터베이스 얼굴 영상에 대해서 표정의 변화나 조명의 변화가 있는 경우에도 비교적 높은 인식 성능을 보였을 뿐만 아니라 실시간으로 인식할 수 있음도 확인하였다.
현재 구현된 얼굴 인식 알고리즘의 약점으로 보이는 시간의 흐름에 따른 얼굴의 변화에 대한 인식 능력을 개선하기 위한 연구들이 계속 진행되고 있으며 개발된 얼굴 인식 알고리즘의 인식 성능을 바탕으로 다양한 분야에 응용하기 위한 노력들도 함께 진행하고 있다. 다음 호에서는 국내외적으로 개발된 얼굴 인식 엔진들 중에서 우수한 성능을 보이고 있는 얼굴 인식 엔진들을 소개할 예정이다.

[참고문헌]

1.  P. Phillips, H. Moon, S. Rizvi and P. Rauss, "The FERET Evaluation Methodology for Face-Recognition Algorithms", IEEE Trans. on PAMI, Vol. 22, No. 16, pp. 1090-1104, 2000.
2. T. Ahonen, A. Hadid and M. Pietikainen, "Face Recognition with Local Binary Patterns", ECCV, pp. 469-481, 2004.
3. C. Aguerrebere, et. al, "Aguara: An Improved Face Recognition Algorithm through Gabor Filter Adaptation", IEEE Workshop on Automatic Identification Advanced Technologies, pp. 74-79, 2007.
4. R. Senaratne, S. Halgamuge and A. Hsu, "Face Recognition by Extending Elastic Bunch Graph Matching with Particle Swarm Optimization", J. of Multimedia, Vol. 4, No. 4, pp. 204-214, 2009.
5. Face Recognition Homepage: www.face-rec.org
6. J. H. Kim, "Face Recognition by Fiducial Points Based Gabor and LBP Features," Submitted to the J. of The Korea Contents Association.
7. W. Zhang, S. Shan, W. Gao, X. Chen1 and H. Zhang, "Local Gabor Binary Pattern Histogram Sequence (LGBPHS)," International Conference on Computer Vision,  Vol. 1, pp. 786 - 791, 2005.
8. Ke Yan, Youbin Chen, David Zhang, "Gabor Surface Feature for Face Recognition," First Asian Conference on Pattern Recognition,  pp.288-292, 2011.

 



이수진  webmaster@techworld.co.kr
<저작권자 © CCTV뉴스, 무단 전재 및 재배포 금지>

이수진의 다른기사 보기
기사 댓글
첫번째 댓글을 남겨주세요.
0 / 최대 400byte

숫자를 입력해주세요

욕설등 인신공격성 글은 삭제합니다.
여백
여백
여백
여백
여백
여백
매체소개공지사항보안자료실기사제보광고문의불편신고개인정보취급방침청소년보호정책이메일무단수집거부    [기사ㆍ기고 문의 : desk@cctvnews.co.kr]
(주)테크월드 08507 서울특별시 금천구 가산디지털1로 168, 1012-1호 (가산동, 우림라이온스밸리 C동)  |  제호: 씨씨티브이뉴스  |  발행일: 2009년 2월 19일
대표전화 : 02)2026-5700  |  팩스 : 02)2026-5701  |  이메일 : webmaster@techworld.co.kr  |  청소년보호책임자 : 박지성
통신판매업신고번호 : 제 2008-서울금천-0415 호  |  발행·편집인 : 박한식  |  인터넷신문등록번호 : 서울, 아 00607  |  등록일 : 2008.06.27
Copyright © 2020 CCTV뉴스. All rights reserved .