KR20220162023A - 바이오메트릭 템플릿 기반의 인증 전자 장치 및 그의 동작 방법 - Google Patents

바이오메트릭 템플릿 기반의 인증 전자 장치 및 그의 동작 방법 Download PDF

Info

Publication number
KR20220162023A
KR20220162023A KR1020210126185A KR20210126185A KR20220162023A KR 20220162023 A KR20220162023 A KR 20220162023A KR 1020210126185 A KR1020210126185 A KR 1020210126185A KR 20210126185 A KR20210126185 A KR 20210126185A KR 20220162023 A KR20220162023 A KR 20220162023A
Authority
KR
South Korea
Prior art keywords
signal
user
biometric template
channel response
processor
Prior art date
Application number
KR1020210126185A
Other languages
English (en)
Inventor
강태욱
김성은
오광일
이재진
Original Assignee
한국전자통신연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to US17/825,453 priority Critical patent/US20220382842A1/en
Publication of KR20220162023A publication Critical patent/KR20220162023A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G06K9/6255—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/50—Maintenance of biometric data or enrolment thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Security & Cryptography (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)

Abstract

바이오메트릭 템플릿 기반의 인증 전자 장치 및 그 동작 방법이 개시된다. 전자 장치는: 메모리; 사용자에게 주파수가 변하는 처프(chirp) 신호를 전송하는 송신기; 상기 사용자로부터, 상기 전송된 처프 신호에 응답하는 생체채널 응답신호를 획득하는 수신기; 그리고 기계 학습 기반의 바이오메트릭 템플릿 인증 모듈을 실행하도록 구성되는 적어도 하나의 프로세서를 포함하고, 상기 바이오메트릭 템플릿 인증 모듈을 실행한 때에, 상기 프로세서는: 상기 획득한 생체채널 응답신호로부터, 피쳐 신호를 획득하고; 상기 획득한 피쳐 신호로부터 바이오메트릭 템플릿을 생성하고; 상기 생성된 바이오메트릭 템플릿을으로부터 상기 사용자의 식별 정보가 추론되도록 기계 학습을 수행하고; 그리고 상기 기계 학습의 결과에 기초하여 상기 사용자를 인증할 수 있다.

Description

바이오메트릭 템플릿 기반의 인증 전자 장치 및 그의 동작 방법 {AUTHENTICATION ELECTRONIC DEVICE BASED ON BIOMETRIC TEMPLATE AND OPERATING METHOD THEREOF}
본 개시는 전자 장치에 관한 것으로, 더 상세하게는 개인별 고유한 생체채널특성 차이를 이용한 바이오메트릭 템플릿 기반의 인증 전자 장치 및 그의 동작 방법에 관한 것이다.
사물인터넷 (IoT) 기술이 발달하고 개인의 정보가 디지털 정보로 변환되어 장소와 시간의 한계 없이 개인 정보의 접근이 가능해질 수록, 개인 정보의 유출 방지를 위한 수준 높은 인증을 위한 보안 기술이 요구된다. 기존의 신분증 및 신용 카드 등의 매체를 이용한 인증 방법은, 해당 매체를 분실하였을 때 타인에 의해 개인 정보가 도용될 수 있다. 사람의 고유한 생체 특성을 이용하는 생체인증의 경우, 지문, 홍채, 얼굴인식에서 이미 여러 번 위변조 사례들이 보고되어 왔다. 생체 인증 방식에서 생체 정보가 유출되면 이를 대체할 수 있는 방법이 없다. 두 가지 이상의 생체정보를 결합하거나, 생체인증을 공인인증서 등 기존 보안 수단과 함께 사용하면, 위변조나 유출의 위험성을 낮출 수 있다.그러나 이러한 대안들은 생체인증의 최대 장점인 편의성을 떨어뜨릴 수 있다는 단점이 있다.
본 개시의 목적은 생체채널 응답신호로부터 추출된 고유 생체채널모델을 이용하여 바이오메트릭 템플릿을 생성하고, 이에 기반하는 인증 전자 장치 및 그 동작 방법을 제공하는 것이다.
본 개시의 일 실시 예에 따른 전자 장치는: 메모리; 사용자에게 주파수가 변하는 처프(chirp) 신호를 전송하는 송신기; 상기 사용자로부터, 상기 전송된 처프 신호에 응답하는 생체채널 응답신호를 획득하는 수신기; 그리고 기계 학습 기반의 바이오메트릭 템플릿 인증 모듈을 실행하도록 구성되는 적어도 하나의 프로세서를 포함하고, 상기 바이오메트릭 템플릿 인증 모듈을 실행한 때에, 상기 프로세서는: 상기 획득한 생체채널 응답신호로부터, 피쳐(feature) 신호를 획득하고; 상기 획득한 피쳐 신호로부터 바이오메트릭 템플릿을 생성하고; 상기 생성된 바이오메트릭 템플릿으로부터 상기 사용자의 식별 정보가 추론되도록 기계 학습을 수행하고; 그리고 상기 기계 학습의 결과에 기초하여 상기 사용자를 인증할 수 있다.
본 개시의 일 실시 예에 따른 전자 장치에 있어서, 상기 피쳐 신호를 획득하는 것은, 상기 획득한 생체채널 응답신호의 피크값들에 대응하는 복수의 인벨롭(envelop) 신호들을 생성하는 것을 포함할 수 있다.
본 개시의 일 실시 예에 따른 전자 장치에 있어서, 상기 바이오메트릭 템플릿을 생성하는 것은, 상기 생성된 복수의 인벨롭 신호들을 조합하여 상기 바이오메트릭 템플릿을 생성할 수 있다.
본 개시의 일 실시 예에 따른 전자 장치에 있어서, 상기 복수의 인벨롭 신호들은 어퍼-인벨롭(upper-envelop) 신호 및 로워-인벨롭(lower-envelop) 신호를 포함할 수 있다.
본 개시의 일 실시 예에 따른 전자 장치에 있어서, 상기 처프 신호는, 주파수가 증가하는 업-처프(up-chirp) 신호 및 주파수가 감소하는 다운-처프(down-chirp) 신호가 연속할 수 있다.
본 개시의 일 실시 예에 따른 전자 장치에 있어서, 상기 수신기는, 노이즈(noise)를 제거하도록 상기 생체채널 응답신호를 필터링하고; 상기 필터링된 생체채널 응답신호를 증폭하고; 그리고 상기 증폭된 생체채널 응답신호를 디지털 신호로 변환하는 것을 포함할 수 있다.
본 개시의 일 실시 예에 따른 전자 장치에 있어서, 상기 기계 학습 연산은 KNN(k-nearest neighbours), SVM(Support Vector Machine) 또는 CNN(Convolutional neural network) 중 적어도 하나에 기반하는 전자 장치일 수 있다.
본 개시의 일 실시 예에 따른 프로세서를 이용하여 바이오메트릭 템플릿을등록하는 전자 장치의 동작 방법에 있어서, 상기 프로세서가 송신기를 통해 사용자에게 주파수가 변하는 처프 신호를 전송하는 단계; 상기 프로세서가 상기 사용자로부터 상기 전송된 처프 신호에 응답하는 생체채널 응답신호를 수신기를 통해 획득하는 단계; 상기 프로세서가 상기 획득한 생체채널 응답신호로부터 피쳐 신호를 획득하는 단계; 상기 프로세서가 상기 획득한 피쳐 신호로부터 제1 바이오메트릭 템플릿을 생성하는 단계; 그리고 상기 생성된 제1 바이오메트릭 템플릿으로부터 상기 사용자의 식별 정보가 추론되도록, 상기 프로세서가 기계 학습을 수행하는 단계를 포함할 수 있다.
본 개시의 일 실시 예에 따른 동작 방법에 있어서, 상기 사용자의 등록 요청을 수신하는 단계를 더 포함하고, 그리고 상기 프로세서가 기계 학습을 수행하는 단계는 상기 사용자의 등록 요청에 응답하여 수행될 수 있다.
본 개시의 일 실시 예에 따른 동작 방법에 있어서, 상기 기계 학습의 결과에 기초하여 상기 사용자를 인증하는 단계를 더 포함할 수 있다.
본 개시의 일 실시 예에 따른 동작 방법에 있어서, 상기 사용자를 인증하는 단계는: 상기 사용자로부터 제2 바이오메트릭 템플릿을 획득하고; 그리고 상기 제2 바이오메트릭 템플릿으로부터 상기 사용자의 식별 정보를 추론하는 단계를 포함할 수 있다.
본 개시의 일 실시 예에 따른 동작 방법에 있어서, 상기 기계 학습 연산은 KNN, SVM 또는 CNN 중 적어도 하나에 기반할 수 있다.
본 개시의 일 실시 예에 따른 동작 방법에 있어서, 상기 피쳐 신호를 획득하는 단계는, 상기 획득한 생체채널 응답신호의 피크값들에 대응하는 복수의 인벨롭 신호들을 생성하는 단계를 포함할 수 있다.
본 개시의 일 실시 예에 따른 동작 방법에 있어서, 상기 제1 바이오메트릭 템플릿을 생성하는 단계는, 상기 생성된 복수의 인벨롭 신호들을 조합하여 제1 바이오메트릭 템플릿을 생성하는 단계를 포함할 수 있다.
본 개시의 일 실시 예에 따른 동작 방법에 있어서, 상기 복수의 인벨롭 신호들은 어퍼-인벨롭 신호 및 로워-인벨롭 신호를 포함할 수 있다.
본 개시의 일 실시 예에 따른 전자 장치는 생체채널 응답특성을 이용한 인증을 수행함으로써, 높은 인증 정확도와 안정성을 제공한다. 따라서, 위변조와 유출 위험이 없는 보안이 가능하다. 또한, 순간의 접촉으로 직관적이고 신속한 과정으로 인증을 수행할 수 있다.
도 1은 본 개시의 일 실시 예에 따라, 전자 장치의 블록도를 도시한다.
도 2는 본 개시의 일 실시 예에 따라, 바이오메트릭 템플릿 인증 모듈을 도시한다.
도 3은 본 개시의 일 실시 예에 따라, 전자 장치의 예를 보여주기 위한 도면이다.
도 4는 본 개시의 일 실시 예에 따라, 생체채널 응답신호를 측정하기 위해 사용자에게 인가하는 신호를 도시한다.
도 5는 본 개시의 일 실시 예에 따라, 생체채널 응답신호들로부터 획득한 사용자들의 피쳐 신호들을 도시한다.
도 6은 본 개시의 일 실시 예에 따라, 바이오메트릭 템플릿을 이용한 전자 장치의 순서도를 도시한다.
도 7은 본 개시의 일 실시 예에 따라, 생성된 바이오메트릭 템플릿을 도시한다.
도 8a 내지 도 8d는 본 개시의 일 실시 예에 따라, 15명의 사용자에 대한 KNN 및 SVM 알고리즘에 따른 인증 결과를 도시한다.
이하, 첨부된 도면들을 참조하여 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 용이하게 실시할 수 있을 정도로, 본 발명의 실시 예들이 명확하고 상세하게 기재될 것이다.
도 1은 본 개시의 일 실시 예에 따른 전자 장치(100)를 보여주는 블록도이다. 도 1을 참조하면, 전자 장치(100)는 바이오메트릭 템플릿 인증 모듈(200), 프로세서들(110), 네트워크 인터페이스(120), 메모리(130), 송신기(140), 수신기(150), 사용자 인터페이스들(160)를 포함할 수 있다.
프로세서들(110)은 전자 장치(100)의 중앙 처리 장치로의 기능을 수행할 수 있다. 프로세서들(110) 중 적어도 하나는 바이오메트릭 템플릿 인증 모듈(200)을 구동할 수 있다. 프로세서들(110)은 중앙 프로세싱 유닛(111)(CPU), 응용 프로세서(112)(AP) 등과 같은 적어도 하나의 범용 프로세서를 포함할 수 있다. 프로세서들(110)은 또한 뉴럴 프로세싱 유닛(113), 뉴로모픽 프로세서(114), 그래픽 프로세싱 유닛(115)(GPU) 등과 같은 적어도 하나의 특수 목적 프로세서를 포함할 수 있다. 프로세서들(110)은 두 개 이상의 동일한 종류의 프로세서들을 포함할 수 있다. 다른 예로서, 프로세서들(110) 중 적어도 하나(또는 적어도 다른 하나)의 프로세서는 다양한 기계 학습 또는 심층 학습 모듈들을 구현하도록 제조될 수 있다.
프로세서들(110) 중 적어도 하나는 바이오메트릭 템플릿 인증 모듈(200)을 학습하는데 사용될 수 있다. 프로세스들(110) 중 적어도 하나는 다양한 데이터 또는 정보에 기반하여 바이오메트릭 템플릿 인증 모듈(200)을 학습시킬 수 있다.
프로세서들(110) 중 적어도 하나(또는 적어도 다른 하나)는 바이오메트릭 템플릿 인증 모듈(200)을 실행할 수 있다. 바이오메트릭 템플릿 인증 모듈(200)은 기계 학습(Machine Learning) 또는 심층 학습(Deep Learning)에 기반하여, 바이오메트릭 템플릿을 생성할 수 있다. 예를 들어, 프로세서들(110) 중 적어도 하나(또는 적어도 다른 하나)는 바이오메트릭 템플릿 인증 모듈(200)을 실행하여, 수신기(150)를 통해 획득한 생체채널 응답신호로부터 피쳐(feature) 신호를 획득할 수 있다. 이때 피쳐 신호는, 획득한 생체채널 응답신호의 피크(peak)값들에 대응하는 복수의 인벨롭(envelop) 신호들로부터 생성될 수 있다.
프로세서들(110) 중 적어도 하나(또는 적어도 다른 하나)는 바이오메트릭 템플릿 인증 모듈(200)을 실행하여, 획득한 피쳐 신호로부터 등록을 위한 제1 바이오메트릭 템플릿을 생성할 수 있다. 프로세서들(110) 중 적어도 하나(또는 적어도 다른 하나)는 바이오메트릭 템플릿 인증 모듈(200)을 실행하여, 동일한 사용자로부터 새로운 피쳐 신호를 획득할 수 있다. 프로세서들(110) 중 적어도 하나(또는 적어도 다른 하나)는 바이오메트릭 템플릿 인증 모듈(200)을 실행하여, 새로운 피쳐 신호로부터 인증을 위한 제2 바이오메트릭 템플릿을 생성할 수 있다. 이때, 프로세서들(110) 중 적어도 하나(또는 적어도 다른 하나)는 바이오메트릭 템플릿 인증 모듈(200)을 실행하여, 제1 바이오메트릭 템플릿 및 제2 바이오메트릭 템플릿을 통해 사용자를 인증할 수 있다. 적어도 하나의 프로세서는 제1 바이오메트릭 템플릿 및 제2 바이오메트릭 템플릿을 메모리(130)에 저장할 수 있다.
예를 들어, 바이오메트릭 템플릿 인증 모듈(200)은 프로세서들(110) 중 적어도 하나에 의해 실행되는 명령들(또는 코드들)의 형태로 구현될 수 있다. 이때, 적어도 하나의 프로세서는 바이오메트릭 템플릿 인증 모듈 (200)의 명령들(또는 코드들)을 메모리(130)에 로드할 수 있다.
다른 예로서, 프로세서들(110) 중 적어도 하나(또는 적어도 다른 하나)의 프로세서는 바이오메트릭 템플릿 인증 모듈(200)을 구현하도록 제조될 수 있다. 예를 들어, 적어도 하나의 프로세서는 바이오메트릭 템플릿 인증 모듈(200)의 학습에 의해 생성된 바이오메트릭 템플릿 인증 모듈(200)에 기반하여 하드웨어적으로 구현되는 전용 프로세서일 수 있다.
다른 예로서, 프로세서들(110) 중 적어도 하나(또는 적어도 다른 하나)의 프로세서는 다양한 기계 학습 또는 심층 학습 모듈들을 구현하도록 제조될 수 있다. 예를 들어, 프로세서들(110) 중 적어도 하나(또는 적어도 다른 하나)의 프로세서는 생성된 제1 바이오메트릭 템플릿으로부터 사용자의 식별 정보가 추론되도록 기계 학습을 수행할 수 있다. 이때, 기계 학습을 수행한 결과(예를 들어, 등록 요청한 사용자의 식별 정보)는 메모리(130)에 저장될 수 있다. 프로세서들(110) 중 적어도 하나(또는 적어도 다른 하나)의 프로세서는 인증을 위한 제2 바이오메트릭 템플릿으로부터 사용자의 식별 정보를 추론할 수 있다. 프로세서들(110) 중 적어도 하나(또는 적어도 다른 하나)의 프로세서는 추론된 사용자의 식별 정보가 메모리(130)에 저장된 사용자의 식별 정보와 대응하는지 판단할 수 있다. 추론된 사용자의 식별 정보가 메모리(130)에 저장된 사용자의 식별 정보에 대응하는 것에 응답하여, 프로세서들(110) 중 적어도 하나는 인증을 완료할 수 있다.
또한, 적어도 하나의 프로세서는 바이오메트릭 템플릿 인증 모듈(200)에 대응하는 정보(예를 들어, 명령들 또는 코드들)를 수신함으로써, 바이오메트릭 템플릿 인증 모듈(200)을 구현할 수 있다.
네트워크 인터페이스(120)는 외부의 장치와 원격 통신을 제공할 수 있다. 네트워크 인터페이스(120)는 외부의 장치와 무선 또는 유선 통신을 할 수 있다. 네트워크 인터페이스(120)는 이더넷, 와이파이, LTE, 5G 모바일 이동 통신 등과 같은 다양한 통신 형태들 중 적어도 하나를 통해 외부의 장치와 통신할 수 있다. 예를 들어, 네트워크 인터페이스(120)는 전자 장치(100)의 외부 장치와 통신할 수 있다.
네트워크 인터페이스(120)는 전자 장치(100)에 의해 처리되기 위한 연산 데이터를 외부 장치로부터 수신할 수 있다. 네트워크 인터페이스(120)는 전자 장치(100)에 의해 생성된 결과 데이터를 외부 장치로 출력할 수 있다. 예를 들어, 네트워크 인터페이스(120)는 결과 데이터를 메모리(130)에 저장할 수 있다.
메모리(130)는 프로세서들(110)에 의하여 처리되거나 처리될 예정인 데이터 및 프로세스 코드들을 저장할 수 있다. 예를 들어, 몇몇 실시 예들에 있어서, 메모리(130)는 전자 장치(100)로 입력되기 위한 데이터 또는 프로세서들(110)에 의해 심층 신경망의 수행 과정에서 생성 또는 학습되는 데이터들을 저장할 수 있다. 예를 들어, 메모리(130)는 전자 장치(100)로부터 생성된 바이오메트릭 템플릿들을 저장할 수 있다.
메모리(130)는 프로세서들(110)의 제어 하에, 전자 장치(100)로부터 생성된 바이오메트릭 템플릿들에 대해 기계 학습을 수행하여 사용자의 식별 정보가 추론되도록 사용자의 인증 정보를 저장할 수 있다. 예를 들어, 메모리(130)는 프로세서들(110)의 제어 하에 생성된 제1 바이오메트릭 템플릿을 저장하여 등록할 수 있다. 메모리(130)는, 등록된 제1 바이오메트릭 템플릿 및 인증을 위한 제2 바이오메트릭 템플릿을 통해 사용자가 인증되고, 프로세서들(110)의 제어 하에 제2 바이오메트릭 템플릿에 대해 기계 학습을 수행한 경우, 수행된 기계 학습의 결과를 메모리(130)에 저장할 수 있다.
메모리(130)는 전자 장치(100)의 주기억 장치로 이용될 수 있다. 메모리(130)는 DRAM (Dynamic RAM), SRAM (Static RAM), PRAM (Phase-change RAM), MRAM (Magnetic RAM), FeRAM (Ferroelectric RAM), RRAM (Resistive RAM) 등을 포함할 수 있다.
송신기(140)는 사용자에게 바이오메트릭 템플릿을 얻기 위한 신호를 출력할 수 있다. 송신기(140)는 사용자의 인체에 인체고유응답(또는 생체채널특성)을 측정하기에 적합한 신호를 인체의 임의의 부위에 접촉되어 전송할 수 있다. 예를 들어, 송신기(140)의 접촉면은 구리와 같은 도체로 구성된 전극(electrode)을 포함할 수 있다.
송신기(140)는 바이오메트릭 템플릿을 얻기 위한 신호로서, 사용자에게 정해진 주파수 대역(예를 들어, 1~10Mhz)의 신호를 전송할 수 있다. 또한, 송신기(140)는 바이오메트릭 템플릿을 얻기 위한 신호로서, 주파수가 변하는 신호를 전송할 수 있다. 예를 들어, 송신기(140)는 주어진 시간 동안 주파수가 증가하는 업-처프(up-chirp) 신호 및 주어진 시간 동안 주파수가 감소하는 다운-처프(down-chirp) 신호 중 적어도 하나를 전송할 수 있다.
수신기(150)는 사용자로부터 바이오메트릭 템플릿을 얻기 위한 신호를 수신할 수 있다. 수신기(150)는 사용자를 통과한 생체채널 응답신호를 수신할 수 있다. 예를 들어, 송신기(140)는 사용자에게 주파수가 변하는 처프 신호를 전송하고, 수신기(150)는 사용자로부터 주파수가 변하는 처프 신호에 응답하여 생체채널 응답신호를 수신할 수 있다.
도 1에 도시된 바와 달리, 송신기(140) 및 수신기(150) 각각은, 생체채널 응답신호를 획득하기 위한 별도의 하드웨어로 구현될 수 있다. 예를 들어, 송신기(140) 및 수신기(150) 각각은 스마트 폰(Smart Phone), 휴대용 개인 컴퓨터(Portable Personal Computer), 웨어러블(Wearable) 장치, 태블릿 컴퓨터(tablet computer), 모바일(Mobile) 장치, 및 TV(Television) 중 적어도 하나의 전자 장치일 수 있다. 송신기(140) 및 수신기(150)는 상술된 전자 장치들 이외로 다양한 종류의 전자 장치로 구현될 수 있다. 이때, 송신기(140) 및 수신기(150)는 네트워크 인터페이스(120)를 통해 데이터를 전자 장치(100)로 전송할 수 있다.
사용자 인터페이스들(160)은 사용자로부터 정보를 수신하고, 그리고 사용자에게 정보를 제공할 수 있다. 사용자 인터페이스들(160)은 디스플레이(161), 스피커(162) 등과 같은 적어도 하나의 사용자 출력 인터페이스, 그리고 마우스(163), 키보드(164), 터치 입력 장치(165) 등과 같은 적어도 하나의 사용자 입력 인터페이스를 포함할 수 있다.
도 2는 본 개시의 일 실시 예에 따라, 바이오메트릭 템플릿 인증 모듈을 도시한다. 도 2를 참조하면, 바이오메트릭 템플릿 인증 모듈(200)은 생체채널 응답신호 처리부, 템플릿 생성부 및 사용자 분류부를 포함할 수 있다. 생체채널 응답신호 처리부, 템플릿 생성부 및 사용자 분류부는 연산 공간의 일부일 수 있다. 이 경우, 생체채널 응답신호 처리부, 템플릿 생성부 및 사용자 분류부 각각은 펌웨어 또는 소프트웨어로 구현될 수 있다. 예를 들어, 펌웨어는 메모리(130)에 저장되고, 프로세서들(110)에 의해 로드되어 실행될 수 있다.
생체채널 응답신호 처리부는 프로세서들(110)의 제어 하에, 생체채널 응답신호로부터 생체채널 피쳐를 추출하여 피쳐 신호를 생성할 수 있다. 예를 들어, 수신기(150)는 사용자로부터 획득한 생체채널 응답신호를 생체채널 응답신호 처리부로 전송하고, 생체채널 응답신호 처리부는 수신한 생체채널 응답신호로부터 사용자 고유의 피쳐 신호를 생성할 수 있다.
템플릿 생성부는 프로세서들(110)의 제어 하에, 생체채널 응답신호 처리부를 통과한 신호로부터 바이오메트릭 템플릿을 생성할 수 있다. 예를 들어, 생체채널 응답신호 처리부는 피쳐 신호를 생성하고, 피쳐 신호를 템플릿 생성부로 전송할 수 있다. 템플릿 생성부는 수신한 피쳐 신호에 기초하여 바이오메트릭 템플릿을 생성할 수 있다. 또한, 템플릿 생성부는 생체채널 응답신호 처리부로부터 복수의 피쳐 신호들을 수신하고, 복수의 피쳐 신호들을 조합하여 하나의 바이오메트릭 템플릿을 생성할 수 있다. 이때, 네트워크 인터페이스(120)는 프로세서들(110)의 제어 하에, 생성된 바이오메트릭 템플릿을 메모리(130)로 전송한다. 메모리(130)는 수신한 바이오메트릭 템플릿을 저장할 수 있다.
사용자 분류부는 바이오메트릭 템플릿으로부터 사용자의 식별 정보가 추론되도록 기계 학습을 수행할 수 있다. 사용자 분류부는 바이오메트릭 템플릿을 이용하여 사용자 인증을 수행할 수 있다. 예를 들어, 사용자 분류부는 템플릿 생성부에서 생성된 바이오메트릭 템플릿으로부터 사용자의 식별 정보가 추론되도록 기계 학습을 수행할 수 있다. 사용자 분류부는 사용자가 인증을 요청할 경우, 사용자의 바오이메트릭 템플릿을 획득하고, 획득한 바이오메트릭 템플릿으로부터 사용자를 추론하고, 그리고 추론된 사용자가 등록된 사용자인지 확인함으로써 사용자 인증을 수행할 수 있다. 이때, 사용자 분류부는 메모리(130)에 저장된 바이오메트릭 템플릿들 중 하나를 선별할 수 있다.
프로세서들(110)의 제어에 따라, 바이오메트릭 템플릿 인증 모듈(200) 또는 프로세서들(110)에 의해 구동되는 다른 모듈은 생체채널 응답신호와 이에 기초하여 생성된 바이오메트릭 템플릿을 이용하여 기계 학습을 수행할 수 있다. 또한, 바이오메트릭 템플릿 인증 모듈(200) 또는 프로세서들(110)에 의해 구동되는 다른 모듈은 사용자의 등록 및 인증에 기초하여 기계 학습(또는 재학습 또는 추가 학습)을 수행할 수 있다.
다른 예로서, 생체채널 응답신호 처리부, 템플릿 생성부 및 사용자 분류부는 바이오메트릭 템플릿을 생성하기 위한 별도의 하드웨어로 구현될 수 있다. 예를 들어, 생체채널 응답신호 처리부, 템플릿 생성부 및 사용자 분류부는 인공 신경망을 통한 학습을 수행하여, 바이오메트릭 템플릿을 생성하고 이에 기초하여 인증을 하기 위한 뉴로모픽 칩 등으로 구현되거나, FPGA(Field Programmable Gate Aray) 또는 ASIC(Application Specific Integrated Circuit)와 같은 전용 논리 회로 등으로 구현될 수 있다.
도 3는 본 개시의 일 실시 예에 따라, 전자 장치(100)의 예를 보여주기 위한 도면이다. 도 1 및 도 2를 참조하면, 전자 장치(100)는 송신기(140) 및 수신기(150)를 이용하여 사용자로부터 바이오메트릭 템플릿을 생성하기 위한 생체채널 응답신호를 측정 및 획득할 수 있다. 예를 들어, 송신기(150)는 프로세서들(110)의 제어 하에, 사용자에게 바이오메트릭 템플릿을 얻기 위한 신호를 전송할 수 있다.
송신기(140)로부터 전송된 신호는 사용자를 통과하는 동안, 인체고유응답(또는 생체채널특성) 에서 기인하는 주파수별 진폭의 변화 및 신호의 지연을 경험할 수 있다. 수신기(150)는 사용자를 통과한 생체채널 응답신호를 획득할 수 있다. 수신기(150)는 획득한 생체채널 응답신호 및 이에 대한 정보를 전자 장치(100)로 전송할 수 있다. 주파수별 진폭의 변화 및 신호의 지연은 사용자별로 다를 수 있다. 따라서, 생체채널 응답신호는 사용자들을 구별하는데 사용될 수 있다.
송신기(140)는 바이오메트릭 템플릿을 얻기 위한 신호를 생성하는 신호 생성부 및 사용자 접촉에 따른 임피던스 정합을 위한 인터페이스부를 포함할 수 있다. 이 경우, 신호 생성부 및 인터페이스부는 펌웨어 또는 소프트웨어로 구현될 수 있다. 예를 들어, 펌웨어는 메모리(130)에 저장되고, 프로세서들(110)에 로드되어 실행될 수 있다.
신호 생성부는 바이오메트릭 템플릿을 얻기 위한 신호를 생성할 수 있다. 바이오메트릭 템플릿을 얻기 위한 신호는 정해진 주파수 대역(예를 들어, 1~10Mhz)에 속하는 가변 주파수 신호일 수 있다. 예를 들어, 신호 생성부는 주어진 시간 동안 주파수가 증가하는 업-처프 신호 및 주어진 시간 동안 주파수가 감소하는 다운-처프 신호 중 적어도 하나를 생성할 수 있다.
인터페이스부는 송신기 및 사용자 간의 임피던스를 정합할 수 있다. 인터페이스부는 커패시터, 저항 등을 포함하는 임피던스 정합 회로일 수 있다. 임피던스 정합 회로는 응용에 따라 다양하게 구현될 수 있으며, 송신기 및 사용자의 임피던스값들을 기준으로 설정될 수 있다.
수신기(150)는 필터부, 신호 증폭부 및 ADC(analog-digital converter)부를 포함할 수 있다. 필터부는 사용자로부터 수신한 신호로부터 생체채널 응답신호를 획득하기 위하여 필터링을 할 수 있다. 예를 들어, 필터부는 사용자로부터 수신한 신호로부터 노이즈(noise)를 제거할 수 있다. 신호 증폭부는 사용자로부터 수신한 신호에서, 특정 주파수 대역의 신호를 증폭할 수 있다. 예를 들어, 신호 증폭부는 필터부를 통과한 신호를 수신하여, 특정 주파수 대역의 신호의 진폭을 증가시킬 수 있다. ADC부는 아날로그 신호를 디지털 신호로 변환시킬 수 있다. 예를 들어, ADC부는 신호 증폭부를 통과한 신호를 수신하여 아날로그 신호를 디지털 신호로 변환시킬 수 있고, 변환된 결과로부터 얻은 생체채널 응답신호를 전자 장치(100)로 전송할 수 있다.
도 4는 본 개시의 일 실시 예에 따라, 생체채널 응답신호를 측정하기 위해 사용자에게 인가하는 신호를 도시한다. 제1 박스(B1)는 100μs 동안 1~10Mhz로 주파수가 변하는 처프 신호를 보여주고, 제2 박스(B2)는 처프 신호의 스윕(sweep)을 보여준다. 제1 박스(B1)에서 가로축은 시간이고, 세로축은 전압이다. 제2 박스(B2)에서 가로축은 주파수이고, 세로축은 푸리에 변환의 정규화된 크기 응답이다. 도 3 및 도 4를 참조하면, 주어진 주파수 대역에 대해 인체고유응답(또는 생체채널특성)을 측정하기 위해, 송신기(140)는 주파수를 스윕하는 처프 신호를 전송할 수 있다. 예를 들어, 송신기(140)는 주어진 시간 동안 주파수가 증가하는 업-처프 신호 및 주어진 시간 동안 주파수가 감소하는 다운-처프 신호 중 적어도 하나를 사용자에게 전송할 수 있다.
도 5는 본 개시의 일 실시 예에 따라, 생체채널 응답신호들로부터 획득한 사용자들의 피쳐 신호들을 도시한다. 도 5에서 가로축은 시간이고, 세로축은 전압이다. 피쳐 신호들은 사용자들 각각의 생체채널 응답신호들의 피크값들을 연결하여 인벨롭 신호들을 생성함으로써 획득될 수 있다. 도 3, 도 4 및 도 5를 참조하면, 송신기(140)는 사용자들(U1, U2, U3)에게 동일한 신호(예를 들어, 100μs 동안 1Hz~10MHz까지 주파수가 증가하는 업-처프 신호를 전송하지만, 사용자들(U1, U2, U3) 각각으로부터 획득한 피쳐 신호들은 서로 상이할 수 있다. 좀 더 구체적으로, 사용자들(U1, U2, U3) 각각의 인체고유응답(또는 생체채널특성)에 의해, 사용자들(U1, U2, U3) 각각의 생체채널 응답신호들은 주파수별 진폭의 변화 및 신호의 지연이 발생할 수 있다. 이에 따라, 생체채널 응답신호들의 피크값들을 연결하여 생성한 인벨롭 신호들로부터 획득한 피쳐 신호들은 서로 상이할 수 있다. 따라서, 프로세서들(110)중 적어도 하나는 서로 상이한 피쳐 신호들에 기초하여 사용자들(U1, U2, U3) 각각으로부터 고유한 바이오메트릭 템플릿을 생성할 수 있다.
도 6은 본 개시의 일 실시 예에 따라, 바이오메트릭 템플릿을 이용한 전자 장치의 순서도를 도시한다. 도 6을 참조하면, 전자 장치(100)는 S100 내지 S180 단계들을 수행할 수 있다.
S100 단계에서, 전자 장치(100)는 사용자의 등록 요청이 수신되는지 확인할 수 있다. 예를 들어, 전자 장치(100)는 프로세서들(110)의 제어 하에, 사용자의 등록 요청이 수신되는 것에 응답하여 사용자 등록과정(예를 들어, S110 내지 S150 단계들)을 수행할 수 있다. 전자 장치(100)는 사용자의 등록요청이 수신되지 않는 것에 응답하여 사용자 인증과정(예를 들어, S160 내지 S180 단계들)을 수행할 수 있다. 이때, S100 단계는 송신기(140) 및 수신기(150)에 사용자의 접촉이 식별된 경우에 수행될 수 있다.
S110 단계에서, 전자 장치(100)는 송신기(140)를 통해 사용자에게 주파수가 변하는 처프 신호를 전송할 수 있다. 예를 들어, 송신기(140)는 프로세서들(110)의 제어 하에, 주어진 시간 동안 주파수가 증가하는 업-처프 신호 또는 주어진 시간 동안 주파수가 감소하는 다운-처프 신호를 사용자에게 전송할 수 있다. 또한, 송신기(140)는 프로세서들(110)의 제어 하에, 주어진 시간 동안 주파수가 증가하는 업-처프 신호 및 주어진 시간 동안 주파수가 감소하는 다운-처프 신호를 연속적으로 사용자에게 전송할 수 있다. 이때, 송신기(140)의 신호 생성부는 주파수가 변하는 처프 신호를 생성할 수 있고, 인터페이스부는 임피던스 정합을 수행할 수 있다.
S120 단계에서, 전자 장치(100)는 수신기(150)를 통해 사용자로부터 생체채널 응답신호를 획득할 수 있다. 예를 들어, 수신기(150)는 사용자를 통과한 처프 신호로부터 생체채널 응답신호를 획득할 수 있다. 이때, 수신기(150)의 필터부는 프로세서들(110)의 제어 하에, 사용자를 통과한 처프 신호로부터 노이즈를 제거할 수 있다. 수신기(150)의 신호 증폭부는 프로세서들(110)의 제어 하에, 필터부를 통과한 신호로부터 특정 주파수 대역의 신호의 진폭을 증가시킬 수 있다. 수신기(150)의 ADC부는 프로세서들(110)의 제어 하에, 신호 증폭부를 통과한 신호를 디지털 신호로 변환할 수 있고, 수신기(150)는 생체채널 응답신호를 획득할 수 있다.
S130 단계에서, 프로세서들(110) 중 적어도 하나는 생체채널 응답신호로부터 바이오메트릭 템플릿을 생성하기 위한 피쳐 신호를 생성할 수 있다. 피쳐 신호는 생체채널 응답신호로부터 피크값들을 검출하고, 검출된 피크값들을 연결하여 복수의 인벨롭 신호들을 생성함으로써 획득될 수 있다. 예를 들어, 프로세서들(110) 중 적어도 하나는 바이오메트릭 템플릿 인증 모듈(200)을 실행하여, 수신기(150)로부터 수신한 생체채널 응답신호들의 피크값들을 연결하여 인벨롭 신호를 생성할 수 있다. 바이오메트릭 템플릿 인증 모듈(200)은 사용자로부터 고유한 복수의 피쳐 신호들을 획득하고, 그리고 고유한 복수의 피쳐 신호들로부터 사용자에 대응하는 복수의 인벨롭 신호들을 생성할 수 있다. 이때, 복수의 인벨롭 신호들은, 주파수가 증가하는 업-처프 신호로부터 획득한 생체채널 응답신호의 위쪽(upper) 피크값들(예를 들어, 최대값들)을 연결한 어퍼-인벨롭(upper-envelop) 신호, 업-처프 신호로부터 획득한 생체채널 응답신호의 아래쪽(lower) 피크값들(예를 들어, 최소값들)을 연결한 로워-인벨롭(lower-envelop) 신호, 주파수가 감소하는 다운-처프 신호로부터 획득한 생체채널 응답신호의 위쪽 피크값들을 연결한 어퍼-인벨롭 신호 및 다운-처프 신호로부터 획득한 생체채널 응답신호의 아래쪽 피크값들을 연결한 로워-인벨롭 신호를 포함할 수 있다.
S140 단계에서, 프로세서들(110) 중 적어도 하나는 피쳐 신호로부터 바이오메트릭 템플릿을 생성할 수 있다. 예를 들어, 프로세서들(110) 중 적어도 하나는 바이오메트릭 템플릿 인증 모듈(200)을 실행하여, 복수의 인벨롭 신호들을 조합하여 제1 바이오메트릭 템플릿을 생성할 수 있다. 이때, 복수의 인벨롭 신호들은, 업-처프신호로부터 획득한 생체채널 응답신호의 어퍼-인벨롭 신호 및 로워-인벨롭 신호, 다운-처프 신호로부터 획득한 생체채널 응답신호의 어퍼-인벨롭 신호 및 로워-인벨롭 신호를 포함할 수 있다.
S150 단계에서, 프로세서들(110) 중 적어도 하나는 바이오메트릭 템플릿으로부터 사용자의 식별 정보가 추론되도록 기계 학습을 수행할 수 있다. 예를 들어, 프로세서들(110) 중 적어도 하나는 바이오메트릭 템플릿 인증 모듈(200)을 실행하여, 피쳐 신호로부터 생성된 제1 바이오메트릭 템플릿으로부터 사용자가 추론되도록 기계 학습을 수행할 수 있다. 바이오메트릭 템플릿 인증 모듈(200)은 기계 학습의 결과(예를 들어, 사용자의 식별 정보)를 메모리(130)에 저장할 수 있다. 프로세서들(110) 중 적어도 하나는 바이오메트릭 템플릿 인증 모듈(200)을 실행하여, 기계 학습에 필요한 데이터(예를 들어, 바이오메트릭 템플릿)를 얻기 위해, S110 내지 S140 단계를 반복 수행시킬 수 있다. 이 경우, 바이오메트릭 템플릿 인증 모듈(200)은 복수의 바이오메트릭 템플릿에 기초하여 기계 학습을 수행할 수 있다. 기계 학습은 KNN(k-nearest neighbours), SVM(Support Vector Machine) 또는 CNN(Convolutional neural network) 중 적어도 하나에 기반할 수 있다. 기계 학습은 상술한 기계 학습 알고리즘 및 심층 학습 알고리즘 이외에도 다양한 종류의 기계 학습 알고리즘 또는 심층 학습 알고리즘으로 수행될 수 있다.
S100 단계에서 사용자가 등록 요청을 하지 않은 경우, S160 단계가 수행될수 있다. S160 단계에서, 전자 장치(100)는 사용자로부터 인증을 위한 제2 바이오메트릭 템플릿을 획득할 수 있다. 예를 들어, 사용자가 등록 요청을 하지 않은 경우, 전자 장치(100)는 사용자 인증과정을 수행하기 위해, 송신기(140)를 통해 사용자에게 주파수가 변하는 처프 신호를 전송할 수 있다. 이때, 처프 신호는 주파수가 증가하는 업-처프 신호 및 다운-처프 신호 중 적어도 하나를 포함할 수 있다.
전자 장치(100)는 수신기(150)를 통해 사용자로부터 생체채널 응답신호를 획득할 수 있다. 프로세서들(110) 중 적어도 하나는 바이오메트릭 템플릿 인증 모듈(200)을 실행하여, 생체채널 응답신호로부터 피쳐 신호를 생성할 수 있다. 피쳐 신호는 생체채널 응답신호로부터 피크값들을 검출하고, 검출된 피크값들을 연결하여 복수의 인벨롭 신호들을 생성함으로써 획득될 수 있다. 프로세서들(110) 중 적어도 하나는 바이오메트릭 템플릿 인증 모듈(200)을 실행하여, 복수의 인벨롭 신호들을 조합하여 제2 바이오메트릭 템플릿을 생성할 수 있다. 이 경우, 복수의 인벨롭 신호들은, 업-처프 신호로부터 획득한 생체채널 응답신호의 어퍼-인벨롭 신호 및 로워-인벨롭 신호, 다운-처프 신호로부터 획득한 생체채널 응답신호의 어퍼-인벨롭 신호 및 로워-인벨롭 신호를 포함할 수 있다.
S170 단계에서, 프로세서들(110) 중 적어도 하나는 제2 바이오메트릭 템플릿으로부터 사용자의 식별 정보를 추론할 수 있다. 예를 들어, 프로세서들(110) 중 적어도 하나는 바이오메트릭 템플릿 인증 모듈(200)을 실행하여, 제2 바이오메트릭 템플릿으로부터 사용자 인증 과정을 수행하는 사용자의 식별 정보를 추론할 수 있다. 프로세서들(110) 중 적어도 하나는 사용자의 식별 정보 추론에 필요한 데이터(예를 들어, 바이오메트릭 템플릿)를 얻기 위해, 바이오메트릭 템플릿을 생성하는 과정을 반복 수행할 수 있다.
S180 단계에서, 프로세서들(110) 중 적어도 하나는 제2 바이오메트릭 템플릿으로부터 추론된 사용자의 식별 정보가 등록된 사용자의 식별 정보에 대응하는지 판단할 수 있다. 예를 들어, 프로세서들(110) 중 적어도 하나는 제2 바이오메트릭 템플릿으로부터 추론된 사용자의 식별 정보가, 메모리(130)에 저장된 사용자의 식별 정보와 대응되는지 판단할 수 있다. 추론된 사용자의 식별 정보가 메모리(130)에 저장된 식별 정보에 대응하는 것에 응답하여, 프로세서들(110) 중 적어도 하나는 인증을 완료할 수 있다. 이때, 프로세서들(110) 중 적어도 하나는 사용자 인터페이스들(160) 중 적어도 하나를 통해 사용자에게 인증 성공을 나타내는 인증 결과를 제공할 수 있다.
도 7은 본 개시의 일 실시 예에 따라, 생성된 바이오메트릭 템플릿을 도시한다. 도 7에서 가로축은 인덱스이고, 세로축은 전압이다. 도 6 및 도 7을 참조하면, 바이오메트릭 템플릿은 피쳐 신호로부터 생성될 수 있다. 예를 들어, 피쳐 신호는 생체채널 응답신호로부터 피크값들을 검출하고, 검출된 피크값들을 연결하여 복수의 인벨롭 신호들을 생성함으로써 획득할 수 있다. 바이오메트릭 템플릿은 복수의 인벨롭 신호들을 조합하여 생성될 수 있다. 이때, 복수의 인벨롭 신호들은 업-처프 신호로부터 획득한 생체채널 응답신호의 어퍼-인벨롭 신호(D2) 및 로워-인벨롭 신호(D4), 다운-처프 신호로부터 획득한 생체채널 응답신호의 어퍼-인벨롭 신호(D1) 및 로워-인벨롭 신호(D3)를 포함할 수 있다.
도 8a 내지 도 8d는 본 개시의 일 실시 예에 따라, 15명의 사용자에 대한 KNN 및 SVM 알고리즘에 따른 인증 결과를 도시한다. 도 8a 내지 도8d에서 가로축은 예측 분류(predicted class)이고, 세로축은 실제 분류(true class)이다. Ndw는 바이오메트릭 템플릿을 구성하는 샘플의 개수를 의미할 수 있다. 도 8a는 Ndw가 500인 경우, KNN 알고리즘을 수행한 결과를 도시한다. 도 8b는 Ndw가 50인 경우, KNN 알고리즘을 수행한 결과를 도시한다. 도 8c는 Ndw가 500인 경우, SVM 알고리즘을 수행한 결과를 도시한다. 도 8d는 Ndw가 50인 경우, SVM 알고리즘을 수행한 결과를 도시한다. 도 8a 내지 도 8d를 참조하면, 전자 장치(100)를 통한 인증에 있어서, 머신러닝 알고리즘 종류 또는 Ndw는 신뢰도에 영향을 주지 않을 수 있다. 예를 들어, 동일한 Ndw(예를 들어, 50 또는 500)에 기초하여 전자 장치(100)의 인증을 수행한 결과, 알고리즘의 종류(예를 들어, KNN 또는 SVM)는 신뢰도에 영향을 미치지 않을 수 있다. 또한, 동일한 머신러닝 알고리즘(예를 들어, KNN 또는 SVM)에 기초하여 전자 장치(100)의 인증을 수행한 결과, Ndw(예를 들어, 50 또는 500)는 신뢰도에 영향을 미치지 않을 수 있다.
상술된 내용은 본 개시를 실시하기 위한 구체적인 실시 예들이다. 본 개시는 상술된 실시 예들뿐만 아니라, 단순하게 설계 변경되거나 용이하게 변경할 수 있는 실시 예들 또한 포함할 것이다. 또한, 본 개시는 실시 예들을 이용하여 용이하게 변형하여 실시할 수 있는 기술들도 포함될 것이다. 따라서, 본 개시의 범위는 상술된 실시 예들에 국한되어 정해져서는 안 되며 후술하는 특허청구범위뿐만 아니라 이 발명의 특허청구범위와 균등한 것들에 의해 정해져야 할 것이다.
100: 전자 장치
110: 프로세서들
111: 중앙 프로세싱 유닛
112: 응용 프로세서
113: 뉴럴 프로세싱 유닛
114: 뉴로모픽 프로세서
115: 그래픽 프로세싱 유닛
120: 네트워크 인터페이스
130: 메모리
140: 송신기
141: 신호 생성부
142: 인터페이스부
150: 수신기
151: 필터부
152: 신호 증폭부
153: ADC부
160: 사용자 인터페이스들
200: 바이오메트릭 템플릿 인증 모듈
201: 생체채널 응답신호 처리부
202: 템플릿 생성부
203: 사용자 분류부

Claims (15)

  1. 전자 장치에 있어서:
    메모리;
    사용자에게 주파수가 변하는 처프(chirp) 신호를 전송하는 송신기;
    상기 사용자로부터, 상기 전송된 처프 신호에 응답하는 생체채널 응답신호를 획득하는 수신기; 그리고
    기계 학습 기반의 바이오메트릭 템플릿 인증 모듈을 실행하도록 구성되는 적어도 하나의 프로세서를 포함하고,
    상기 바이오메트릭 템플릿 인증 모듈을 실행한 때에, 상기 프로세서는:
    상기 획득한 생체채널 응답신호로부터 피쳐(feature) 신호를 획득하고;
    상기 획득한 피쳐 신호로부터, 바이오메트릭 템플릿을 생성하고;
    상기 생성된 바이오메트릭 템플릿으로부터 상기 사용자의 식별 정보가 추론되도록 기계 학습을 수행하고; 그리고
    상기 기계 학습의 결과에 기초하여 상기 사용자를 인증하는 전자 장치.
  2. 제 1 항에 있어서,
    상기 피쳐 신호를 획득하는 것은,
    상기 획득한 생체채널 응답신호의 피크값들에 대응하는 복수의 인벨롭(envelop) 신호들을 생성하는 것을 포함하는 전자 장치.
  3. 제 2 항에 있어서,
    상기 바이오메트릭 템플릿을 생성하는 것은,
    상기 생성된 복수의 인벨롭 신호들을 조합하여 상기 바이오메트릭 템플릿을 생성하는 것을 포함하는 전자 장치.
  4. 제 2 항에 있어서,
    상기 복수의 인벨롭 신호들은 어퍼-인벨롭(upper-envelop) 신호 및 로워-인벨롭(lower-envelop) 신호를 포함하는 전자 장치.
  5. 제 1 항에 있어서,
    상기 처프 신호는, 주파수가 증가하는 업-처프(up-chirp) 신호 및 주파수가 감소하는 다운-처프(down-chirp) 신호가 연속하는 전자 장치.
  6. 제 1 항에 있어서,
    상기 수신기는,
    노이즈(noise)를 제거하도록 상기 생체채널 응답신호를 필터링하고;
    상기 필터링된 생체채널 응답신호를 증폭하고; 그리고
    상기 증폭된 생체채널 응답신호를 디지털 신호로 변환하는 전자 장치.
  7. 제 1 항에 있어서,
    상기 기계 학습은 KNN(k-nearest neighbours), SVM(Support Vector Machine) 또는 CNN(Convolutional neural network) 중 적어도 하나에 기반하는 전자 장치.
  8. 프로세서를 이용하여 바이오메트릭 템플릿을 등록하는 전자 장치의 동작 방법에 있어서:
    상기 프로세서가 송신기를 통해 사용자에게 주파수가 변하는 처프 신호를 전송하는 단계;
    상기 프로세서가 상기 사용자로부터 상기 전송된 처프 신호에 응답하는 생체채널 응답신호를 수신기를 통해 획득하는 단계;
    상기 프로세서가 상기 획득한 생체채널 응답신호로부터 피쳐 신호를 획득하는 단계;
    상기 프로세서가 상기 획득한 피쳐 신호로부터 제1 바이오메트릭 템플릿을 생성하는 단계; 그리고
    상기 생성된 제1 바이오메트릭 템플릿으로부터 상기 사용자의 식별 정보가 추론되도록, 상기 프로세서가 기계 학습을 수행하는 단계를 포함하는 동작 방법.
  9. 제 8 항에 있어서,
    상기 사용자의 등록 요청을 수신하는 단계를 더 포함하고, 그리고
    상기 프로세서가 기계 학습을 수행하는 단계는 상기 사용자의 등록 요청에 응답하여 수행되는 동작 방법.
  10. 제 8 항에 있어서,
    상기 기계 학습의 결과에 기초하여 상기 사용자를 인증하는 단계를 더 포함하는 동작 방법.
  11. 제 10 항에 있어서,
    상기 사용자를 인증하는 단계는:
    상기 사용자로부터 제2 바이오메트릭 템플릿을 획득하고; 그리고
    상기 제2 바이오메트릭 템플릿으로부터 상기 사용자의 식별 정보를 추론하는 단계를 포함하는 동작 방법.
  12. 제 8 항에 있어서,
    상기 기계 학습은 KNN, SVM 또는 CNN 중 적어도 하나에 기반하는 동작 방법.
  13. 제 8 항에 있어서,
    상기 피쳐 신호를 획득하는 단계는,
    상기 획득한 생체채널 응답신호의 피크값들에 대응하는 복수의 인벨롭 신호들을 생성하는 단계를 포함하는 동작 방법.
  14. 제 13 항에 있어서,
    상기 제1 바이오메트릭 템플릿을 생성하는 단계는,
    상기 생성된 복수의 인벨롭 신호들을 조합하여 제1 바이오메트릭 템플릿을 생성하는 단계를 포함하는 동작 방법.
  15. 제 13 항에 있어서,
    상기 복수의 인벨롭 신호들은 어퍼-인벨롭 신호 및 로워-인벨롭 신호를 포함하는 동작 방법.
KR1020210126185A 2021-05-31 2021-09-24 바이오메트릭 템플릿 기반의 인증 전자 장치 및 그의 동작 방법 KR20220162023A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/825,453 US20220382842A1 (en) 2021-05-31 2022-05-26 Authentication electronic device based on biometric template and operating method thereof

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210070394 2021-05-31
KR20210070394 2021-05-31

Publications (1)

Publication Number Publication Date
KR20220162023A true KR20220162023A (ko) 2022-12-07

Family

ID=84441272

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210126185A KR20220162023A (ko) 2021-05-31 2021-09-24 바이오메트릭 템플릿 기반의 인증 전자 장치 및 그의 동작 방법

Country Status (1)

Country Link
KR (1) KR20220162023A (ko)

Similar Documents

Publication Publication Date Title
US9542590B2 (en) Fingerprint scanning method
CN110235139A (zh) 用于认证电子装置的用户的手指的方法
CN106030613B (zh) 用于认证候选指纹的方法及指纹感测系统
US9652657B2 (en) Electronic device including finger sensor having orientation based authentication and related methods
US20160173494A1 (en) Gesture-Based Signature Authentication
CN110431564A (zh) 用于指纹图像增强的方法和系统
Blanco‐Gonzalo et al. Performance evaluation of handwritten signature recognition in mobile environments
TWI545459B (zh) 包含交錯式生物識別電子欺騙偵測資料獲取之電子裝置及相關方法
US10621323B2 (en) Biometric authentication apparatus and method
Al-Naffakh et al. Unobtrusive gait recognition using smartwatches
GB2552152A (en) Obscuring data
EP3358496B1 (en) Fingerprint processing system and method
KR102356455B1 (ko) 지문 인증 시스템 및 지문 인증 방법
US20100061630A1 (en) Specific Emitter Identification Using Histogram of Oriented Gradient Features
US20220382842A1 (en) Authentication electronic device based on biometric template and operating method thereof
KR20230058440A (ko) 데이터 분석을 이용한 베이핑 및 점화 시동에 대한 연령 차단을 포함하는 외부 상황에 대한 정적 인공 지능 모델을 가진 전자 디바이스 및 그의 동작 방법
JP6075084B2 (ja) 画像変換装置、画像変換方法、生体認証装置及び生体認証方法ならびに画像変換用コンピュータプログラム
TWI730183B (zh) 具備不同的電容組態的指紋感測
US9923891B2 (en) Human body communication device with secure access
KR20220162023A (ko) 바이오메트릭 템플릿 기반의 인증 전자 장치 및 그의 동작 방법
Yao et al. Pressafe: Barometer-based on-screen pressure-assisted implicit authentication for smartphones
US20240104962A1 (en) Fingerprint forgery detection device and method of operating same
TWI741044B (zh) 判斷手指的物理性質之方法、手指感測系統以及電子裝置
CN111353139A (zh) 一种持续认证的方法、装置、电子设备及存储介质
Gu et al. WiPass: PIN-free and Device-free User Authentication Leveraging Behavioral Features via WiFi Channel State Information