Face Detection Algorithm and Hardware Implementation for Auto Focusing Using Face Features in Skin Regions

***** 동아대학교 전자공학과 석사과정

***** 동아대학교 전자공학과 박사과정

***** 삼성전기 중앙연구소 책임연구원

***** BK21 고성능 멀티미디어 사업팀 계약교수

***** 동아대학교 전자공학과 부교수 (교신저자)

접수일자 : 2009. 07. 13 심사완료일자 : 2009. 08. 13

AF를위한피부색영역의얼굴특징을이용한Face Detection 알고리즘및하드웨어구현

정효원* · 곽부동** · 하주영*** · 한학용**** · 강봉순*****

Face Detection Algorithm and Hardware Implementation for Auto Focusing Using Face Features in Skin Regions

Hyo-won Jeong* · Boo-dong. Kwak** · Joo-young Ha*** · Hag-yong Han**** · Bong-soon Kang*****

이 논문은 동아대학교 학술연구비 지원에 의하여 연구되었음

요 약

본 논문은 얼굴을 자동 초점(AF, Auto Focusing) 기능의 관심 영역(ROI, Region of Interest)으로 이용하기 위한 얼 굴 검출(Face Detection) 알고리즘 및 하드웨어 구현에 관한 것이다. 얼굴 검출을 위해 YCbCr 색 좌표계에서의 피부 색 영역을 바탕으로 얼굴의 특징을 이용하였다. 얼굴에 해당하는 피부, 눈에 해당하는 에지, 그리고 입에 해당하는 음영의 픽셀 수를 얼굴 특징으로 선택하였고, 얼굴 특징은 2,000개의 얼굴 샘플을 통하여 통계적으로 구하였다. 제 안된 알고리즘은 하드웨어 설계 시, 하드웨어 자원의 효율성을 고려하여 영상의 중심에 가까운 두 명의 얼굴을 검 출하게 하였다. 그리고 검출된 얼굴을 자동 초점의 관심 영역으로 이용하기 위하여 얼굴 영역을 사각형의 박스로 표시하였고, 영상에서 박스의 시작점과 끝점에 해당하는 위치를 출력하게 하였다. 하드웨어로 설계된 얼굴 검출 기 능은 FPGA 보드와 모바일 폰 카메라 센서를 사용하여 검증하였다.

ABSTRACT

In this paper, we proposed a face detection algorithm and a hardware implementation method for ROI(Region Of Interest) of AF(Auto Focusing). We used face features in skin regions of YCbCr color space for face detection. The face features are the number of skin pixels in face regions, edge pixels in eye regions, and shadow pixels in lip regions. The each feature was statistically selected by 2,000 sample pictures of face. The proposed algorithm detects two faces that are closer center of the image for considering the effectiveness of hardware resource.

The detected faces are displayed by rectangle for ROI of AF, and the rectangles are represented by positions in the image about starting point and ending point of the rectangles. The proposed face detection method was verified by using FPGA boards and mobile phone camera sensor.

키워드

자동 초점, 얼굴 검출, 얼굴 특징, 하드웨어 설계 Key word

Auto Focusing, Face Detection, Face Features, Hardware Implementation

Ⅰ. 서 론

최근 CCD와 CIS(CMOS Image Sensor)같은 고체 촬상 소자의 보급으로 디지털 카메라 및 모바일 폰 카메라와 같은 휴대용 장치가 대중화되었고, 이에 따라 고성능의 영상 장치를 선호하게 되었다[1]. 이러한 소비자의 기호 를 만족시키기 위하여 자동 노출(AE, Auto Exposure), 자 동 백색 보정(AWB, Auto White Balance), 자동 초첨(AF, Auto Focusing) 등과 같은 이미지 센서로부터 더욱 향상 된 영상을 얻기 위한 영상 신호 처리 기법에 대한 연구가 활발해 지고 있다. 그 중 자동 초점 기능은 피사체에 초 점을 자동으로 맞춰주는 ISP(Image Signal Processor)의 중요한 기능 중의 하나이다. 일반적으로 자동 초점 기능 은 관심 영역으로 영상의 중심 영역을 고정적으로 사용 한다. 이 방법은 초점이 안정적인 반면 움직이는 특정의 피사체에 초점을 맞추는 것에 용이하지 않다. 따라서 피 사체를 자동 초점의 관심 영역으로 사용하는 방법이 필 요하다.

본 논문은 자동 초점의 관심 영역을 인물의 얼굴로 설 정하기 위하여, 얼굴을 검출하는 방법과 장치에 관한 것 이다. 그리고 이러한 얼굴 검출 기능은 자동 초점의 관심 영역 설정의 목적으로 사용할 수 있을 뿐만 아니라, 얼굴 인식 등의 보안 감시 분야에도 이용될 수 있다. 얼굴 검 출 방법은 주로 얼굴의 특징을 이용하고, 얼굴을 검출하 는 방법에 따라 크게 피부색을 이용하는 방법[2]과 Adaboost와 같은 학습 알고리즘을 사용하는 방법[3]으 로 나눌 수 있다. 본 논문에서 제안하는 방법은 피부색을 이용하는 기존의 얼굴 검출 방법[4]을 사용하였다. 기존 의 방법은 얼굴의 피부색과 얼굴에 해당하는 전체 에지 를 이용하여 얼굴을 검출하는 방법이다. 이 방법은 얼굴 판단 조건이 간단한 장점이 있지만, 피부색과 유사하면 서 에지를 가지는 얼굴이 아닌 피사체를 얼굴로 검출하 는 문제가 발생할 수 있다. 따라서 얼굴을 판단하는 얼굴 특징을 추가함으로써 얼굴 검출의 정확도를 향상 시키 는 방법을 제안하였다.

제안한 방법은 얼굴을 검출하기 위하여 얼굴의 특징 중, 피부색, 눈 부위의 에지, 입술 부위의 음영을 사용한 다. 그리고 기존의 방법과 마찬가지로 하드웨어 자원의 효율성을 고려하여 영상의 중심에 가까운 두 명의 얼굴 을 검출하게 하였고, 얼굴 영역을 사각형의 박스로 디스

플레이하여 쉽게 확인 할 수 있게 하였다. 또한 검출된 얼굴 영역을 자동 초점의 관심 영역으로 사용하기 위하 여 박스의 시작점과 끝점의 영상에서의 위치 정보를 출 력하도록 하였다.

Ⅱ. 얼굴 검출 기능을 위한 알고리즘 1. 얼굴 검출 기능의 전체 흐름

그림 1. 얼굴 검출 기능의 순서도

Fig. 1 The flow chart of the proposed face detection algorithm

그림 1은 제안한 얼굴 검출 기능의 흐름도를 보여준 다. 우선, 입력된 영상의 YCbCr 데이터를 이용하여 스 킨 마스크(Skin Mask), 에지 마스크(Edge Mask), 음영 마 스크(Shadow Mask)를 추출한다. 추출된 스킨 마스크에 대해서만 레이블링을 수행하여 얼굴 후보 영역을 선택 하고, 스킨, 에지, 음영 마스크에서 얼굴 후보 영역에 해 당하는 각 마스크의 픽셀 수를 카운팅한다. 이전 프레 임에 검출된 얼굴 영역이 있다면, 이 영역에 대하여 현 재 프레임의 스킨 마스크의 스킨 픽셀을 카운팅한다.

다음으로 카운팅된 이전 프레임의 얼굴 영역의 스킨 픽

셀을 이용하여 얼굴 영역을 유지하거나 새로운 얼굴 영 역을 검출한다. 이것은 동영상에서 검출된 얼굴 영역의 안정화를 위한 작업이다[4]. 검출된 얼굴 영역들에 대해 서 영역의 겹침 유무를 조사하여, 영역이 겹칠 경우, 영 상의 중심에 가까운 영역만을 검출하게 하여 영역의 겹 침을 방지하였다[4]. 마지막으로 검출된 얼굴 영역들에 대하여 영상의 중심과 각 영역의 중심과의 거리를 비교 하여 영상의 중심과 가까운 2개의 얼굴 영역을 출력하 게 하였다[4].

2. 스킨, 에지, 음영 마스크

(a)

(b) (c)

(d) (e)

그림 2. 마스크 생성 결과 (a)입력 영상 (b)스킨 마스크 (c)모폴로지

(d)에지 마스크 (e)음영 마스크 Fig. 2 Generation results of masks (a)Input Image (b)Skin Mask (c)Morphology

(d)Edge Mask (e)Shadow Mask

제안한 얼굴 검출 기능은 입력된 영상의 YCbCr 데이 터를 이용하여 3 종류의 스킨, 에지, 음영 마스크를 동시 에 추출한다. 이렇게 추출된 3 가지의 마스크들은 영상 에서 얼굴 후보 그룹을 설정하고, 얼굴을 판단하는 기준 으로 사용된다. 그림 2는 입력 영상에 대하여 스킨, 에지, 음영 마스크를 추출한 결과를 각각 보여준다.

그림 2의 (a)는 입력으로 사용한 인물 영상, (b)는 스킨 마스크를 추출한 영상, (c)는 추출한 스킨 마스크에 morphology 침식 연산을 수행한 결과 영상, (d)는 에지 마 스크를 추출한 영상, 마지막으로 (e)는 음영 마스크를 추 출한 영상이다.

2.1. 스킨 마스크

스킨 마스크는 제안한 얼굴 검출 기능의 가장 중요한 마스크로써, 전체 영상에 대하여 얼굴 후보군을 생성하 고, 얼굴을 검출하는 기본 바탕이 된다. 스킨 마스크를 추출하기 위하여, 기존의 피부 검출(Skin Detection) 방 법[5]을 사용하였고, 검출된 피부 영역에 대하여 morphology 침식 연산[6]을 수행하여 최종적으로 스킨 마스크를 추출하였다. 기존의 피부 검출 방법은 조명의 영향에 민감한 밝기(Luminance) 정보인 Y 성분을 사용 하지 않고, 비교적 조명의 영향에 강한 CbCr 성분만을 사용하였다. 그리고 YCbCr 색 좌표계에서 인종별 피부 색상 정보를 분석하여, CbCr의 피부 영역에 해당하는 영역을 통계적으로 설정하여 피부를 검출한다[5]. 하지 만 기존의 피부 검출 방법으로 검출된 피부 영역의 경 우, 그림 2의 (b)와 같이 객체 안이나 객체와 배경 사이 에 임펄스 잡음이 존재한다. 따라서 morphology 침식 연 산을 수행하여 이와 같은 영상의 임펄스 잡음을 제거하 여 그림 2의 (c)와 같이 비교적 임펄스 잡음이 작은 스킨 마스크를 추출한다.

2.2. 에지 마스크

에지 마스크는 영상에서 얼굴의 눈 영역을 검출하기 위하여 추출한다. 그리고 에지 마스크를 통해 검출된 눈 영역을 얼굴 특징으로 하여 얼굴을 검출하기 위한 판단 기준으로 삼는다. 제안한 알고리즘에서는 에지를 검출 하기 위하여 Y 성분에 대하여 3×3의 소벨(Sobel) 필터[7]

를 사용하였고, 그림 2의 (d)와 같은 에지 마스크를 추출 하였다.

2.3. 음영 마스크

음영 마스크는 영상에서 얼굴의 입 영역을 검출하기 위하여 추출한다. 그리고 음영 마스크를 통해 검출된 입 영역 또한 눈 영역과 마찬가지로 얼굴을 검출하기 위한 판단 기준인 얼굴 특징으로 삼는다. 제안한 알고리즘에 서 영상의 밝기를 비교하여 밝은 영역과 어두운 영역으 로 구분하였고, 그림 2의 (e)와 같은 음영 마스크를 추출 하였다. 식 (1)은 밝은 영역과 어두운 영역을 판단하는 수식으로써, Y 성분에 대하여 threshold 값 보다 작으면 어두운 영역, 크면 밝은 영역으로 판단하였고, 어두운 영 역이 음영 마스크에 해당한다.

( )

mask threshold

Shadow = Y >S ₍₁₎

3. 레이블링

레이블링이란 영상 내의 피사체들에 대하여 서로 다른 레이블을 할당하여 피사체들을 구별하는 방법이 다[7]. 본 논문에서는 추출된 스킨 마스크를 입력으로 레이블링을 수행하여 얼굴 후보 그룹을 설정함으로써 얼굴 영역 검출에 용이하게 하였다. 실시간으로 레이 블링을 수행하기 위하여 입력되는 영상의 두 개의 라 인을 이용하여 타겟 픽셀과 좌측 픽셀, 상측 픽셀의 인 접 여부를 판단하여 레이블을 할당하도록 하였다 [8][9]. 또한 레이블링 도중 레이블이 변하는 경우를 고 려하여, 레이블 테이블을 사용하여 이와 같은 변화를 저장하였다.

따라서 레이블링을 수행하는 시간만큼의 레이블을 갱신하는 시간이 필요하게 되고, 이를 위하여 입력되 는 영상의 라인별로 레이블링 수행과 레이블 갱신을 반복하도록 하였다[4][8][9]. 그리고 레이블링을 완료 하게 되면, 그 결과를 이용하여 동일한 레이블이 할당 된 픽셀에 대하여 각각의 그룹으로 설정하게 하였다 [8]. 또한 설정된 그룹의 정보로 그룹의 시작 픽셀과 마 지막 픽셀의 영상에서의 위치를 저장하게 하였다. 그 리고 그룹의 정보로 그룹의 크기, 가로와 세로 길이의 비율을 구하였고, 이를 이용하여 얼굴 후보로 적당한 그룹만 추출하여 레이블링의 최종 출력으로 선택하였 다[4]. 그림 3은 레이블링의 최종 결과인 얼굴 후보 그

룹을 보여준다.

그림 3. 얼굴 후보 그룹 Fig. 3 Group of face candidates 4. 얼굴 판단

레이블링 결과인 얼굴 후보 그룹과 앞서 추출된 스킨, 에지, 음영 마스크를 이용하여 얼굴을 판단하게 하였다.

레이블링 수행 후, 3 종류의 마스크에 대하여 얼굴 후보 그룹의 영역 내의 얼굴에 해당하는 영역의 스킨, 눈에 해 당하는 영역의 에지, 입에 해당하는 영역의 음영의 픽셀 을 카운팅하게 하였다. 그림 4는 스킨, 에지, 음영의 픽셀 을 카운팅하는 영역을 각각 보여준다. 눈과 입이 존재 하 는 위치는 얼굴 내에서 일정한 부분에만 분포하므로 그 림과 같이 눈과 입의 영역을 설정하였다.

(a) (b) (c)

그림 4. 픽셀 카운팅 영역 (a)스킨 영역 (b)에지 영역 (c)음영 영역

Fig. 4 Region of pixel counting (a)Skin reg (b)Edge reg (c)Shadow reg.

(a) (b) (c 그림 5. 스킨, 에지, 음영 / 얼굴 영역[%]의 얼굴 샘플 분포도

(a)스킨 분포도 (b)에지 분포도 (c)음영 분포도

Fig. 5 Distributions of face sample pictures about skin, edge, shadow / face regions[%]

(a)Distribution of skins (b)Distribution of edges (c)Distribution of shadows

카운팅된 스킨, 에지, 음영의 픽셀 개수로 후보 영역 에서 각 픽셀들이 차지하는 비율을 구하였고, 각각에 해 당하는 threshold 값을 적용함으로써 얼굴인지 아닌지 판 단하게 하였다. 각각의 threshold 값은 CIS와 FPGA보드 를 이용하여 촬영한 샘플 2,000개의 얼굴 영상에 대하여 통계적으로 구하였다. 그림 5는 얼굴 샘플 2,000개에 대 하여 얼굴 영역에서 스킨, 에지, 음영 픽셀이 차지하는 비율에 해당하는 얼굴 영상의 분포도를 보여준다. 분포 도를 통하여 스킨, 에지, 음영의 threshold 값은 각각 30∼

60%, 0.5∼5.5%, 0∼7.5%로 설정하였다.

Ⅲ. 얼굴 검출 기능의 Hardware 설계

얼굴 검출을 위하여 3 종류의 마스크를 추출하고 레 이블링을 수행해야 하므로 입력된 영상에 대하여 검출 된 얼굴이 출력되기 까지 3 프레임이 요구된다[4]. 그림 6은 제안한 얼굴 검출 기능의 하드웨어 블록도를 보여 준다. 블록도에서 Mask 블록은 스킨, 에지, 음영 마스 크를 추출하는 기능을 하고, Labeling 블록은 레이블링 을 수행한다. Control 블록은 Mask 블록의 morphology 침식 연산과 Sobel 필터를 위한 라인메모리와 Labeling 블록을 위한 라인 메모리를 제어하는 기능을 한다. 마 지막으로 Face & Display 블록은 최종적으로 얼굴을 검 출하여 두 개의 얼굴 영역을 디스플레이 하는 역할을 한다.

그림 6. 얼굴 검출 기능의 하드웨어 블록도 Fig. 6 Block diagram of face detection

( cen grp) (² cen grp)²

leng= x -x + y -y (2)

영상의 중심에 가까운 두 개의 얼굴 영역을 찾는 과정 에 있어서, 영상의 중심과 얼굴 영역의 중심과의 거리를 구하는 식은 식 (2)와 같다. 식 (2)의 경우, 제곱근기 및 곱 셈기가 필요하므로 하드웨어 구현 시 하드웨어 복잡도 가 증가하게 된다. 식 (2)에서leng은 중심 간의 거리를 의 미하고, (xcen, ycen), (xgrp, ygrp)는 각각 영상의 중심의 위치 와 얼굴 영역의 중심의 위치를 의미한다.

하지만 영상과 얼굴 영역 중심 간의 거리는 비교를 위 한 척도로써 정확한 연산이 요구되는 것이 아니므로, 중

심 간의 거리를 구하는 식을 수식 (3)과 같이 중심 간의 가로, 세로 거리의 합으로 대체하여 하드웨어 복잡도를 줄였다.

( cen grp) ( cen grp)

leng= x -x + y -y (3)

표 1. 합성 조건 및 합성 결과 Gate counts Table 1. Synthetic condition and gate counts

Synopsys Design Analyzer

Library TSMC 0.25um ASIC library Operation Condition Worst Case

Max Fanout 30 [EA]

Clock Period 14.28 [ns]

Gate Counts [EA]

Mask 7,220

Labeling 27,240

Control 8,206

Face & Display 96,363

Total 139,029

설계된 얼굴 검출 기능을 합성하기 위한 조건 및 합성 결과는 표 1과 같다. 하드웨어 설계는 블록도에서 보였 듯이 크게 4개의 블록으로 설계하였다. 그리고 하드웨어 자원을 고려하여 레이블링 과정에서 16개의 얼굴 후보 그룹만 추출[4]하도록 하였으며, 그 결과 약 14만여 개의 gate counts로 구현할 수 있었으며 70MHz의 동작 속도를

만족할 수 있는 결과를 얻을 수 있었다.

Ⅳ. 얼굴 검출 기능의 동작 실험

그림 7. CIS 이미지 센서와 FPGA 검증보드 Fig. 7 CIS and FPGA demonstration boards 그림 7은 제안한 얼굴 검출 기능의 동작을 확인하기 위하여 사용한 CIS와 FPGA 검증 보드를 보여준다. 그림 7과 같은 장치를 통하여 제안된 얼굴 검출 기능의 동작 결과를 컴퓨터 모니터와 같은 디스플레이 장치를 통하 여 확인하였다. 이를 이용하여 다양한 사람을 대상으로, 한 사람인 경우, 두 사람인 경우, 세 사람이상인 경우에 대하여 얼굴을 검출하여 제안한 얼굴 검출 기능을 검증 하였다. 표 2는 위의 다양한 경우에 대하여 검증 결과를 캡처한 화면을 보여준다.

표 2. 얼굴 검출 기능 실험 결과

Table 2. Test results of the proposed face detection algorithm

1 명 2 명 3명 이상

Ⅴ. 결 론

본 논문에서는 얼굴을 자동 초점 기능의 관심 영역으 로 사용하기 위하여 피부색 영역의 얼굴 특징을 이용한 얼굴 검출 기능을 제안하였다. 얼굴을 검출하기 위하여 얼굴의 피부색 정도, 눈의 에지 정도, 입술의 음영 정도 를 얼굴의 특징으로 사용하였으며, 얼굴 특징의 정도는 2,000개의 얼굴 샘플영상을 통계적으로 분석하여 결정 하였다. 따라서 스킨, 에지, 음영 마스크를 추출하였고, 스킨 마스크를 사용하여 레이블링을 수행함으로써 얼 굴 후보 영역을 설정하였다. 그리고 설정된 얼굴 후보 영 역에 대하여 얼굴 특징의 threshold 값을 적용함으로써 얼굴을 검출 하였다. 또한 하드웨어 설계 시 하드웨어 자 원의 효율성을 고려하여 최대 두 명의 얼굴을 검출 할 수 있도록 하였다. 제안한 얼굴 검출 기능을 하드웨어로 설 계하여 CIS와 FPGA 검증 보드로 다양한 사람을 대상으 로 실험한 결과 얼굴 검출 기능이 정상적으로 동작되고 있음을 확인 할 수 있었다.

참고문헌

[1]Image Sensor의 시장동향, 지식경제부, 정보통신연구 진흥원, 정보서비스단 통계분석팀, Aug. 2008.

[2] C. Garcia and G. Tziritas, "Face Detection Using Quantized Skin Color Regions Merging and Wavelet Packet Analysis," IEEE Trans. on Multimedia, Vol. 1, No. 3 pp. 264-277, Sep. 1999.

[3] P. Viola and M. J. Jones, "Robust Real-Time Object Detection," International Journal of Computer Vision, Vol. 57, No.2, pp. 137-154. May 2004.

[4] 정효원, 한학용, 크리스 리, 곽부동, 강봉순, “YCbCr 색 좌표계의 피부색 영역을 이용한 Face Detection 알 고리즘 및 하드웨어 구현,” 한국신호처리·시스템학 회 하계학술대회, pp. 6-9 , Jun. 2009.

[5] 임정욱, 송진근, 하주영, 강봉순, “소형 DISPLAY 장 치를 위한 비 메모리 피부 검출 알고리즘 및 HARDWARE 구현,” 한국해양정보통신학회 논문지, Vol. 11, No. 8, pp. 1456-1464, Aug. 2007.

[6] S. S. Wilson, “Theory of Matrix Morphology," IEEE Trans. on Pattern Analysis and Machine Intelligence,

Vol. 14, No. 6, pp. 636-652, Jun. 1992.

[7] R. C. Gonzalez, R. E. Woods, and S. L. Eddins,Digital Image Processing Using MATLAB,Prentice-Hall, 2004.

[8] 정효원, 크리스 리, 김주현, 강봉순, “실시간 영상처 리를 위한 이진 영상의 Half Line Labeling 알고리즘,”

한국신호처리·시스템학회 추계학술대회, pp. 341- 344, Nov. 2008.

[9] L. He, Y. Chao, and K. Suzuki, “A Run-Based Two-Scan Labeling Algorithm,” IEEE Trans. on Image Processing, Vol. 17, No. 5, pp. 749-756, May 2008.

저자소개

정효원(Hyowon Jeong) 2008년 2월 동아대학교 전기전자

컴퓨터공학부 전자공학과 (공학사)

2008년 3월～현재 동아대학교 전자공학과 석사과정

※관심분야 : 영상신호처리, SoC설계 및 무선통신 곽부동(Boodong Kwak) 1999년 2월 동아대학교 전기전자

컴퓨터공학부 전자공학과 (공학사)

2001년2월동아대학교전자공학과 (공학석사)

2001년 3월∼현재 삼성전기 중앙연구소 책임연구원 2008년 9월∼현재 동아대학교 전자공학과 박사과정

※관심분야 : 영상신호처리, SoC설계 및 무선통신 하주영(Jooyoung Ha) 2003년 2월 동아대학교 전기전자

컴퓨터공학부 전자공학과 (공학사)

2005년 2월 동아대학교 전자공학과 (공학석사)

2008년 2월 동아대학교 전자공학과(공학박사) 2008년 3월∼현재 삼성전기 중앙연구소 책임연구원

※관심분야 : 영상신호처리, SoC설계 및 무선통신

한학용(Hagyong Ha) 1994년 2월 동아대학교 전기전자

컴퓨터공학부 전자공학과 (공학사)

1998년 2월 동아대학교 전자공학과 (공학석사)

2004년 8월 동아대학교 전자공학과(공학박사) 2006년 7월～2007년 11월 부산대학교 영상IT산학공동

사업단 Post-Doc

2008년 3월～현재 2단계 BK21 계약교수

※관심분야 : Pattern recognition, audio / image / video processing, DSP application

강봉순(Bongsoon Kang) 1985년 연세대학교 전자공학과

(공학사)

1987년 미국 University of Pennsylvania 전기공학과(공학석사) 1990년 미국 Drexel University 전기 및 컴퓨터공학과

(공학박사)

1989년～1999년 삼성전자 반도체 수석연구원 1999년～현재 동아대학교 전자공학과 부교수 2006년～현재 멀티미디어 연구센터 소장 2006년～현재 2단계 BK21 사업팀장

※관심분야 : 영상신호처리, SoC설계 및 무선통신