로봇 환경의 템플릿 기반 얼굴인식 알고리즘 성능 비교
Performance Comparison of Template-based Face Recognition under Robotic Environments
반 규 대†·곽 근 창1·지 수 영2·정 연 구3
Kyu-Dae Ban†·Keun-Chang Kwak1·Su-Young Chi2·Yun-Koo Chung3
Abstract
This paper is concerned with the template-based face recognition from robot camera images with illumination and distance variations. The approaches used in this paper consist of Eigenface, Fisherface, and Icaface which are the most representative recognition techniques frequently used in conjunction with face recognition. These approaches are based on a popular unsupervised and supervised statistical technique that supports finding useful image representations, respectively. Thus we focus on the performance comparison from robot camera images with unwanted variations. The comprehensive experiments are completed for a databases with illumination and distance variations.
Keywords:
Face recognition, Eigenface, Fisherface, Icaface, Illumination, Distance Variation
1. 서 론1)
지난 수십 년 동안 전통적인 공장자동화를 위한 로봇에서부터 지능형 서비스 로봇에 이르기까지, 로 봇에 관한 많은 연구가 진행되어왔다. 그러나 산업 용 로봇이 각종 제조업체나 공장에 널리 퍼져 있는 것에 비해 지능형 로봇은 각 가정에 한대씩 존재하 지 않고 있으며 아직 기본적인 수준에 머물러 있다
[1]. 얼굴인식은 지능형로봇이 사용자에게 서비스를 제공하기 위해 가장 중요한 요소이다. 얼굴 인식의 기법 중 생김새 기반 얼굴 인식은 코의 폭과 높이, 입의 위치 등 기하학적인 특징들을 기반으로 얼굴을 인식하는 방법이며, 템플릿 기반 얼굴 인식은 그레 이 레벨의 템플릿 매칭을 통하여 얼굴인식을 하는 방법이다[13]. 로봇의 카메라로 촬영한 영상은 기하학 적인 특징들이 잘 구별될 정도로 질 좋은 영상이 아 니기 때문에 본 논문에서는 템플릿 기반 얼굴인식을 다룬다. 템플릿 기반 얼굴 인식을 위한 Eigenface[2-4],
※ 본 논문은 정통부 및 정보통신연구진흥원의 정보통신선도기반기 술개발사업의 연구결과로 수행되었읍니다.
†교신저자：과학기술연합대학원대학교 석사과정([email protected])
1과학기술연합대학원대학교 교수, 한국전자통신연구원 선임연구원 ([email protected])
2과학기술연합대학원대학교 교수, 한국전자통신연구원 책임연구원 ([email protected])
3과학기술연합대학원대학교 교수, 한국전자통신 연구원 책임연구원 ([email protected])
Fisherface[3][10] 그리고 Icaface[6-8] 방법은 이미 컴퓨터 비전이나 생체인식 및 보안 분야에서 많이 알려진 알고리즘이다[9]. 그러나 이 알고리즘들이 실생활 속 의 로봇, 즉 고정되지 않은 위치와 조명 환경에서 비 교된 결과는 매우 드물다. 본 논문에서는 위의 세 알 고리즘의 인식 성능을 비교 하였으며 실험을 위한 데이터베이스는 가정환경처럼 꾸며진 실험실에서 로 봇의 카메라를 통해 얻었다. 데이터베이스는 가정환 경에서 발생할 수 있는 거리, 조명 상황을 고려하여 구축하였다. 실험을 통해 로봇 환경에 적합한 템플 릿 기반 얼굴인식 알고리즘과, 특징 벡터의 유사성 을 확인하기 위한 성능척도[12]에 대하여 알아보았다.
2장에서는 PCA기반의 Eigenface[2-3], LDA기반의 Fisherface[3] 그리고 ICA기반의 Icaface[6-8]에 관해서 간략하게 알아본다. 3장에서는 특징 벡터들 간의 유 사성을 알아보는 성능척도에 대해 살펴보고, 4장에 서는 거리, 조명 변화를 포함하는 데이터베이스의 제작과 그 환경이 되는 실험실, 로봇 플랫폼에 관해 서 살펴본다. 두 가지의 데이터베이스에 대해 알고 리즘간의 비교와 성능분석 방법에 관해 5장에서 실 험결과를 보이고 6장에서는 결론을 맺는다.
2. 얼굴인식 알고리즘
이 장에서는 Eigenface, Fisherface, 그리고 Icaface와
같은 얼굴 인식 알고리즘에 관하여 간략히 살펴보기로 한다.
2.1 Eigenface
패턴인식에 있어 특징 벡터의 차원을 고려할 때, 차원이 높다고 해서 좋은 인식 결과를 얻을 수 있는 것은 아니다. 특징이 많을수록 계산량이 많아져서 계산속도가 느려지며, 많은 수의 특징은 오히려 잡 음으로 취급되어 인식률을 떨어뜨릴 수 있다. 주성 분 분석법(PCA - Principal Component Analysis)[2]]은 높은 차원의 특징벡터를 정보의 열화 없이, 낮은 차 원으로 축소시켜준다. 차원 축소를 위해서는 공분산 행렬의 고유벡터와 고유값을 알아야 한다. 얼굴 영 상 한 장의 크기를 ×이라 하면, 이 영상은 의 차원을 가지는 벡터라고 할 수 있다. 이러한 영상들 의 개수를 이라 하면, 학습 얼굴영상 벡터 집합() 를 이라 할 수 있다. 훈련집합이 구 성되면 평균 영상을 구할 수 있다. 평균얼굴 벡터는 다음과 같이 정의된다.
(1) 또한 공분산 행렬을 구하기 위해 학습영상 벡터와 평균얼굴 영상 벡터의 차영상 벡터를 구한다. (2) 공분산 영상 벡터는 다음과 같다
(3)⋯ (4) 이 결과 공분산 행렬()는 ×의 차원을 갖는 다. 영상의 크기를 고려할 때 이는 매우 큰 차원의 벡터로서, 이를 이용하여 고유벡터와 고유값을 구하 기에는 계산량이 많아서 실제적으로 적용하기가 어 렵다. 따라서 (×)의 고유벡터 를 고려한다.
(5) 양변에 를 곱하면, 가 되고 이것으 로부터 의 고유벡터가 임을 알 수 있다.
이러한 방법으로 (단, )과 의 고유 벡터 (개)를 구한다. 이러한 벡터들을 고유벡터 를 생성하기 위한 선형결합으로 나타낼 수 있고 그 고유벡터는 다음과 같다.
⋯ (6) 이 고유벡터를 × 크기로 조정할 경우, 얼굴의 모양과 닮아 보여 고유얼굴(Eigenface)[2]이라 한다.얼굴인식 단계에서 테스트 영상()이 들어오면, 테 스트 영상에서 평균얼굴 영상()을 빼고, Eigenface ()에 사영을 취하여, 결과값으로 가중치 벡터를 구 한다.
⋯′ (7) 이렇게 얻어진 가중치를 이용하여 가중치 집합 (Eigenface 성분 벡터)을 만들 수 있다.
⋯ ′ (8) 입력 된 테스트 영상이 학습영상 중 어느 것에 속 하는 것인지는 여러 성능 척도에 의해 계산될 수 있 으며, 본 논문에서는 네 가지의 성능 척도에 관하여 실험하였다.
2.2 Fisherface
LDA (Linear Discriminant Analysis)[5]는 차원의 축 소를 기반으로 하는 PCA와 달리, 개체가 다른 클래 스 간에 분리가 잘 되도록 하기위해 만들어진 방법 이다. LDA는 PCA방법을 기반으로 클래스간의 분류 를 최대한 유지시키면서 역시 차원을 축소시키는 것 이다. 즉 다른 클래스들 간의 스캐터 행렬()를 최 대로 하고, 같은 클래스간의 스캐터 행렬()을 최소 화 한다. 클래스가 개 있을 때 와 는 다음과 같다.
(9)
∈
(10)
는 번째 클래스 에서 샘플의 개수이고, 는 클래스 의 평균이다.
투영 행렬 는 다음과 같이 구할 수 있다.
(11) ⋯
이는 고유값으로 구할 수 있다.
⋯ (12)
는 판별(discriminant) 벡터의 집합이고, 얼굴영상
의 특징벡터 는 다음과 같다.
(13) 이때 생성된 고유벡터는 PCA에서의 Eigenface와 달리 Fisherface[5]라 부른다.
테스트 영상의 인식을 위해서 PCA에서와 같이 네 가지의 성능 척도를 사용하였다.
2.3 Icaface
다음으로 높은 차원의 통계를 기반으로 하는 ICA 를 사용하여 얼굴을 인식하는 방법에 관하여 살펴보 기로 한다. PCA가 영상의 2차 통계에 기반을 두기 때문에 세 픽셀이나 그 이상의 픽셀이 가진 고차 통 계에 의존하는 특징들을 다룰 수 없는데 반해, ICA(Independent Component Analysis)는 PCA의 일반 화로서 입력의 이차 모멘트뿐만 아니라, 고차 모멘 트까지 분류할 수 있는 특징을 지닌다[6]. 제시된 접 근법은 두 단계로 구성된다. 첫 번째 단계는 PCA 방 법을 사용하여 고차원의 이미지 공간을 저차원의 공 간으로 투영시키는 것이다. 그리고 두 번째 단계에 서는 Hyvärinen[7-8] 에 의해 제안된 FastICA 알고리즘 으로, 통계적으로 독립적인 특징 벡터를 찾는다.
FastICA는 투영 의 nongaussianity를 최대로 하 는 방향을 찾는 역할을 수행한다. 통계적으로 독립 인 특징 벡터 는 다음과 같은 형태 로 계산할 수 있다.
(14) 변환 행렬 은 다음과 같은 기본적 인 형태로서 구할 수 있다.
[단계 1] 임의로 초기 가중치 벡터 를 선택한다.
[단계 2] i번째 유닛에 다음과 같은 학습규칙을 적용 한다.
′ (15)
는 nonquadratic 함수의 미분이다. 여기서
이다. ≤ ≤ . [단계 3] 를 조정한다.
∥∥ (16)
[단계4] 수렴한다면 멈추고, 수렴하지 않는다면 단계 2로 간다.
FastICA알고리즘에 관한 더욱 자세한 내용은 [6]을 참조하길 바란다.
3. 성능 척도
테스트 영상( )의 분류를 위하여 본 고에서는
, , cosine similarity, 그리고 Mahalanobis의 성능 척도[12]를 사용하였다.
, if p=1 (17)
, if p=2 (18)
∥∥∥∥
(19)
(20)
∥∙∥는 유클리디안 거리를 나타내고, G는 2장의 세 가지 알고리즘에서의 특징벡터를 의미한다. 특 히 p가 1일 경우 이 관계식은 Hamming 거리를 나타 내고, 반면에 p가 2일 경우에는 유클리디안 거리를 의미한다.
4. ETRI face database
얼굴 인식에 있어 주로 벤치마킹의 대상이 되는 Olivetti Research Laboratory (ORL), FERET, Yale 등 과 같은 데이터베이스는 로봇과 사용자간의 거리, 로봇이 사용자를 바라보는 시선 등과 같은 정보를 포함하지 못한다. 로봇이 위치하는 실생활은 거리와 조명 등 다양한 변화를 포함한다. 이러한 상황을 가 정한 얼굴 인식 실험을 위해 우리는 자체적으로 두 개의 데이터베이스(ETRI-F1, ETRI-F2)를 구축하였다.
이 장에서는 로봇 플랫폼에 관해 간단히 언급한 후, 두 개의 데이터베이스에 관해서 소개한다.
4.1 Robot platform
실험에서 사용된 로봇은 한국전자통신연구원 (ETRI), 지능형 로봇단에서 제작한 Ubiquitous Robotic Companion (URC)[12]을 위한 지능형 서비스 로봇 WEVER-R1이다. WEVER-R1에 장착된 두 대의 카메라(CCD) 중에 본 실험을 위해 하나의 카메라를
이용하였다. WEVER-R1의 키가 보통의 사람보다 작 기 때문에, 사람의 얼굴을 인식하기 위해 위쪽으로 올려다봐야한다. 따라서 로봇의 머리에 달려있는 모 터를 조정하여 틸트를 주었다. 실험실은 보통의 가 정환경과 최대한 유사하게 만들어, 실생활을 반영한 데이터베이스를 제작할 수 있도록 하였다. 실험실의 천장에는 밝은 형광등이 달려 있어서 일반적인 실험 실과 달리 조명이 균일 하지 않다. 따라서 자연히 데 이터베이스는 조명의 변화를 포함하고 있다.
그림 1. 로봇 플랫폼(WEVER)과 실험실
4.2 ETRI-F1
ETRI-F1 데이터베이스는 10 사람(남자 8명, 여자 2명)당 20장씩의 얼굴영상 200장으로 이루어져 있다.
이 얼굴인식 데이터베이스는 로봇과 사람 간의 거리 조건을 달리하여 제작하였다. 학습을 위한 얼굴 영 상들은 개인당 5장의 영상을 사용하며, 로봇의 카메 라와 사람 얼굴 간의 거리가 1m 되는 지점에서 획득 한 영상을 사용하였다. 또한 테스트 세트는 개인당 15장의 얼굴 영상으로 1m, 2m 그리고 3m 거리에서 획득한 얼굴 영상을 사용하였다. ETRI-F1에서는 자 동화된 얼굴 검출이 어려워서 세그멘테이션을 위해 GrondTruth를 직접 구하였고 얼굴영상의 크기는 두 눈을 기준으로 일정한 배율에 의해82×94 픽셀로 조 정하였다. 640×480 해상도를 고려할 때, 1m에서 찍
그림 2. 등록 얼굴 영상(ETRI-F1)의 예
그림 3. 테스트 얼굴 영상(ETRI-F1)의 예
은 얼굴은 약 90×100 픽셀의 크기를 가지며, 2m에서 촬영한 얼굴은 50×55픽셀, 3m 영상은 35×40 픽셀정 도의 크기를 가진다. 학습 얼굴 영상과 테스트 얼굴 영상은 그림 2, 3과 같다.
4.3 ETRI-F2
ETRI-F2는 8명의 남자와 2명의 여자 총 10사람당 110장의 총 1100장 얼굴 영상으로 구성되어있다.
ETRI-F1이 거리의 변화에 따른 인식률에 초점을 맞 춘 반면, ETRI-F2의 경우에는 실제 가정환경에서 나 타나는 조명의 변화에 중점을 두었다. 각각의 영상 은 0부터 255까지의 그레이 영상으로 변환되고, 눈 검출[14]을 통해, 두 눈을 기준점으로 일정한 비율에 의해 80×90의 크기로 크기변환 하였다. 1100장의 얼 굴영상은 개인당 10장의 학습 얼굴 영상과 100장의
그림 4. 로봇의 카메라가 바라본 영상(ETRI-F2)과 조명 변화
그림 5. 잘라낸 테스트 얼굴 영상(ETRI-F2)의 예
PCA LDA ICA
1m
L1 100.0 100.0 100.0
L2 98.0 100.0 100.0
Cos 94.0 100.0 100.0
Mah 88.0 100.0 100.0
2m
L1 56.0 50.0 78.0
L2 54.0 56.0 76.0
Cos 50.0 54.0 76.0
Mah 52.0 62.0 76.0
3m
L1 42.0 50.0 50.0
L2 52.0 42.0 46.0
Cos 46.0 42.0 54.0
Mah 30.0 46.0 46.0
테스트 얼굴 영상으로 나누었다. 학습영상은 로봇과 1.5m떨어진 거리에서 촬영하였으며, 이때 로봇을 360°회전 시키고, 대상이 되는 사람역시 로봇의 카메 라와 시선을 맞추면서 회전하여 얻은 연속된 영상을 이용하였다. 그림 4는 조명이 변화는 환경에서 로봇 의 카메라가 바라본 영상을 나타내고, 그림 5는 얼굴 영역을 잘라내고 크기변환을 시킨 후의 테스트 얼굴 영상을 나타낸다.
5. 실험 및 결과
ETRI-F1 데이터베이스로 실시한 실험에서 고유벡 터의 개수 "r"는 학습영상을 주성분 분석 하는데 있 어서, 고유치가 큰 값의 순서로 정렬하였을 때, 전체 고유값의 합에 95%가 되는 지점의 고유값까지의 개 수로 정하였다. 5장씩 10명의 얼굴 영상 중에서 학습 영상을 주성분 분석함에 있어, 위에서 설명한 방법 에 의해 고유벡터를 30개로 정했다. 고유벡터의 개 수를 고정시킨 후, LDA과정에서 판별 벡터의 개수 는 고유값의 최대 개수인 까지 사용할 수 있으므 로 9로 고정시켰다.
그림 6은 ETRI-F1으로부터 얻어진 Eigenface, Fisherface, 그리고 Icaface를 나타낸다.
[표 1]은 PCA, LDA, 그리고 ICA를 사용한 얼굴 인식 성능을 나타낸다. 인식과정의 벡터 성능 척도 는 3장에서 언급된 L1, L2, Cosine 유사도, 그리고 Mahalanobis 방법을 사용하였다. 카메라로부터 1m 떨어진 곳에서 얼굴 영상의 인식률은 학습영상과 테 스트 영상의 획득 방법과 조건이 동일하여 매우 높 은 결과를 나타낸다. 2m떨어진 곳에서의 얼굴 영상 은 1m떨어진 곳에서 얼굴 영상의 인식률과는 매우
(1) Eigenface
(2) Fisherface
(3) Icaface
그림 6. ETRI-F1으로부터 얻어진 Eigenface, Fisherface, Icaface
[표 1] ETRI-F1(거리 변화)에서의 인식률 결과 비교 (단위:%)
큰 차이를 보인다. PCA, LDA 그리고 ICA 세 알고리 즘 사이에서 ICA방법이 다른 두 알고리즘에 비해 높 은 결과를 나타내었다. 3m떨어진 곳에서 얻은 얼굴 영상의 인식률은 2m 영상에 비하여 더욱더 감소함 을 볼 수 있다. 3m영상에서는 알고리즘 상의 비교가 힘들 정도로 인식률이 낮아짐을 알 수 있다. 데이터 베이스(ETRI-F1)를 제작하는 과정에서 두 눈의 위치 를 기준으로 얼굴 크기를 정규화하기 때문에, 영상 의 크기가 작아 눈의 위치를 정확히 찾지 못할 경우 에 인식률이 감소할 수 있다. 그러나 로봇에 장착된 카메라가 대상(촬영하고자 하는 사람의 얼굴)과 초 점을 정확히 맞출 수 없어서 영상이 흐려지는 것이 거리에 따른 인식률 변화의 주된 원인이다. 따라서 인식의 대상이 되는 얼굴에 초점을 잘 맞출 수 있는 방법을 찾는 것이 시급한 문제라 하겠다.
그림 7은 각각 ETRI-F2로부터 얻어진 Eigenface, Fisherface, 그리고 Icaface를 나타낸다.
(1) Eigenface
(2) Fisherface
(3) Icaface
그림 7. ETRI-F2로부터 얻어진 Eigenface, Fisherface, Icaface
PCA LDA ICA
Illumination
L1 48.0 51.9 63.6
L2 52.0 56.2 64.9
Cos 54.6 54.7 65.4
Mah 28.6 45.6 64.9
[표 2] ETRI-F2(조명 변화)에서의 인식률 결과 비교(단위:%)
[표 2]는 ETRI-F2를 이용하여 실시한 실험으로서, 조명을 변화시켰을 때 얻어진 인식 성능을 나타낸 다. 표에 나타난 바와 같이, ICA 방법에 의해 얻어진 실험 결과가 PCA와 LDA에 의한 결과 보다 높은 인 식성능을 보임을 알 수 있다. 또한 ICA 결과에서 벡 터 성능 척도 중 Cosine 유사도가 다른 세 방법에 비 해 높은 결과를 나타냄을 알 수 있다. 실제 가정환경 에서 로봇의 카메라에 들어오는 조명의 변화가 급격 하게 나타남을 가정하면, 우리는 빠르고, 조명에 강 인한 전처리 방법을 찾을 필요가 있다.
6. 결 론
본 논문에서는 실제 가정과 비슷한 환경의 실험실 에서 로봇의 카메라를 사용하여 데이터베이스를 제 작하였다. 따라서 이러한 데이터베이스는 일반 가정 환경에서 발생할 수 있는 조명, 로봇과 사용자간의 거리 등의 변화를 지니고 있다. 위의 데이터베이스 상에서 템플릿 기반 얼굴 인식 알고리즘들을 비교하 였다. 실험의 결과 Eigenface(PCA), Fisherface(LDA), 그리고 Icaface(ICA) 방법 중 Icaface 방법이 다른 두 알고리즘에 비해 더 나은 인식 성능을 얻을 수 있었 다. Icaface 방법은 로봇의 카메라와 사용자간의 거리 가 멀어짐에 따라 Eigenface나 Fisherface 방법에 비해 더 높은 인식률을 보였다. 또한 가정환경에서 발생 할 수 있는 조명의 변화, 특히 형광등이 그 원인이 되는 변화 조건 속에서 Icaface 방법이 다른 방법에 비해 더 나은 인식 성능을 보임을 알 수 있었다. 그 러나 거리에 따른 인식률의 급격한 저하는 앞으로 해결해 나가야 하는 문제점으로 남았고, 또한 가정 환경 내에서 발생할 수 있는 조명 변화 역시 인식률 을 떨어뜨리는 원인으로 남았다. 이에 거리에 따른 인식률의 변화는 강인한 전처리나 후처리 등의 알고 리즘 외에, 인식의 과정에서 입력으로 사용되는 영 상 그 자체에 숨어있는 특징들을 잘 보전할 수 있도 록 로봇의 캡쳐보드 전 단계(카메라 내의 하드웨어) 에서부터 사용자에게 초점을 잘 맞출 수 있는 방법
을 찾아야 하겠다. 조명의 변화로서 생기는 인식률 의 저하는 어두운 부분과 밝은 영역을 제거함에 있 어서 다른 얼굴들과의 특징이 잘 구별될 수 있는 전 처리 방법을 찾아야 할 것이다. 또한 얼굴의 검출에 있어서 많은 사람들의 얼굴 크기를 동일하게 정규화 하여 매칭이 쉽도록 하는 방법 또한 해결해 나가야 하겠다.
참 고 문 헌
[1] Scholtz, J., "Theory and evaluation of human robot inter- actions," System Sciences, 2003. Proceedings of the 36th Annual Hawaii International Conference on, pp. 10, 2003.
[2] M. Turk, and A. Pentland., "Eigenfaces for Recognition,"
Journal of Cognitive Neuroscience, Vol. 3, No. 1, pp.
71-86, 1991.
[3] H. Zhao et al., "A Novel Incremental Principal Component Analysis and Its Application for Face Recognition," IEEE Transactions on Systems, Man and Cybernetics, Part B, Vol. 36, Issue 4, pp. 873-886, 2006.
[4] J. Yang, and D. Zhang., "Two-dimensional PCA: a new approach to appearance-based face representation and recognition" IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 26, Issue 1, pp. 131-137, 2004.
[5] J. Lu et al., "Face Recognition Using LDA-Based Algorithms," IEEE Transactions on Neural Networks, Vol. 14, No. 1, pp. 195-200, 2003.
[6] A. Bruce et al., "Recognizing faces with PCA and ICA", Computer Vision and Image Understanding, Vol.91, Issues 1-2, pp.115-137, 2003.
[7] A. Hyvärinen., "Independent component analysis:
Algorithms and applications," IEEE Trans. Neural Networks, Vol. 13, pp.411-430, 2000
[8] A. Hyvärinen., "Fast and robust fixed-point algorithms for independent component analysis", IEEE Trans. Neural Networks, Vol.10, Issue 3, pp.
626-634, 1999
[9] M. H. Yang et al., "Detecting Faces in Images: A Survey,"
IEEE Transaction on Pattern Analysis and Machine Intelligence, Vol. 24, No. 1, pp. 34-58, 2002.
[10] A. Martnez, and A. Kak., "PCA versus LDA,” IEEE Trans. Pattern Anal. Machine Intelligence, vol. 23, pp.
228-233, 2001.
[11] V. Perlibakas., "Distance measures for PCA-based face recognition," Pattern Recognition Letters, Vol 25, Issue 6, pp.711-724, 2004.
[12] H. Kim et al., "CAMUS: a middleware supporting con- text-aware services for network-based robots,"
Advanced Robotics and its Social Impacts, pp.237-242, 2005.
[13] R. Brunelli, and T. Poggio., "Face Recognition:Features versus templates," IEEE Transactions on pattern analysis and machine intelligence, Vol. 15, No. 10, pp. 1042- 1052, 1993.
[14] H.S. Yoon, et al.,"Rubust Eye Detection Method Using Domain Knowledge," AIA-2004(Artifical Intelligence and Applications), pp. 559-563, 2004.
반 규 대
2005 충북대학교 전기전자 및 컴퓨터공학부(공학사) 2006~현재 과학기술연합대학
원대학교 컴퓨터소프트 웨어공학 석사과정 관심분야: 인간로봇상호작용, 패턴인식
곽 근 창
1996 충북대학교 전기공학과 (공학사)
1998 충북대학교 전기공학과 (공학석사)
2002 충북대학교 전기공학과 (공학박사)
2003~2005 Dept. Electrical and Computer Engineering, University of Alberta, Post-Doc.
2005~현재 한국전자통신연구원 선임연구원 관심분야: 인간로봇상호작용, 계산지능, 생체인식
지 수 영
1986 충북대학교 컴퓨터공학과 (공학사)
1988 충북대학교 컴퓨터공학과 (석사)
2005 고려대학교 전산과학과 (박사)
1991~현재 한국전자통신연구원 책임연구원 관심분야: 패턴인식, 문자인식
정 연 구
1979 고려대학교 전자공학과 (학사)
1986 미국 Cleveland Stage Univ. 전산학과(석사) 1991 미국 Wayne State Univ.
전산학과(박사) 1991~현재 한국전자통신 연구원 책임연구원 관심분야: 영상인식, 영상처리
