본 기술은 3차원 얼굴 메쉬 데이터를 다중 시점에서 2차원 심도맵 및 노말맵 형태로 변환한 뒤, 멀티뷰 딥러닝 모델을 통해 아이덴티티 및 기하학적 특징을 추출하고, 별도의 정합(registration) 과정 없이도 두 얼굴 간의 유사성을 정량적으로 평가할 수 있는 3차원 얼굴 유사성 평가 기술임

■ 핵심 구성 요소
· 입력 : 3D 메쉬 얼굴 데이터
· 프로세스 :
1. 각 얼굴 데이터를 다웆 시점(멀티뷰)에서 2D 심도 맵, 노말 맵으로 투영
2. DCNN 기반 멀티뷰 얼굴 특징 추출 모델 사용:
- 마지막 레이어 → 아이덴티티 특징
- 중간 레이어 → 기하학적 특징
3. 두 얼굴의 멀티 뷰 특징 벡터 간 거리 계산
· 출력 : 얼굴 유사도 점수(통합 유사도)

■ 기술적 특징
- 별도의 정합 과정 없이도 유사성 측정 가능
- 트리플렛 로스 기반 학습
- 뷰별 가중치 적용을 통한 유사도 통합 (SVR 기반)

1) 3D 안면 인식 시스템 시장
글로벌 3D 안면 인식 시스템 시장 규모는 2024년 기준 3억 2,000만 달러에서 2033년 12억 7,000만 달러까지 연평균 16.6% 성장할 것으로 전망됨
스마트폰, 공공기관의 생체 인증 확대와, 메타버스, VR 등 정밀 3D 얼굴 비교 필요성의 증가, 비접촉식 인증 수요 증가 등 의료, 심리 분석에서도 얼굴 기하학 기반 진단 활용이 가능하여 여러분야에서 지속적 성장을 보여주고 있음

1) 기존 기술의 한계
- 3D 메쉬 간 비교를 위해 반드시 정합(registration) 필요
- 정합은 시간 소모가 크고, 템플릿 기반은 고주파 정보 손실 우려
- 로컬 특징점 기반 비교는 얼굴 전체 특성을 반영 못함

2) 본 발명의 특장점
- 3D 메쉬 → 2D 멀티뷰 데이터로 변환해 정합 없이 비교 가능
- DCNN을 통해 아이덴티티 + 기하학적 특징 동시 분석
- 뷰별 가중치 기반 유사도 통합 → 사람 인지 방식에 근접

3) 차별화 포인트
- 멀티뷰 기반 분해 및 통합 구조
- ID-MRF 거리 및 SVR 기반 유사도 통합 알고리즘
- 정합 제거로 속도 및 정확성 향상
- 기하학/표정 정보까지 반영하는 정밀 유사도 측정