KR101997479B1 - 사용자 인증을 위한 생체 영역을 검출하는 방법 및 장치 - Google Patents

사용자 인증을 위한 생체 영역을 검출하는 방법 및 장치 Download PDF

Info

Publication number
KR101997479B1
KR101997479B1 KR1020150145741A KR20150145741A KR101997479B1 KR 101997479 B1 KR101997479 B1 KR 101997479B1 KR 1020150145741 A KR1020150145741 A KR 1020150145741A KR 20150145741 A KR20150145741 A KR 20150145741A KR 101997479 B1 KR101997479 B1 KR 101997479B1
Authority
KR
South Korea
Prior art keywords
region
size
classifier
interest
detecting
Prior art date
Application number
KR1020150145741A
Other languages
English (en)
Other versions
KR20170045813A (ko
Inventor
황원준
이창교
한재준
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020150145741A priority Critical patent/KR101997479B1/ko
Priority to US15/082,193 priority patent/US9875418B2/en
Publication of KR20170045813A publication Critical patent/KR20170045813A/ko
Application granted granted Critical
Publication of KR101997479B1 publication Critical patent/KR101997479B1/ko

Links

Images

Classifications

    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/19—Sensors therefor
    • 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
    • G06K9/00597—
    • G06K9/00617—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/193—Preprocessing; Feature extraction

Abstract

복수의 스테이지들에 대응하는 분류기들 마다에 대하여 입력 영상에 포함된 생체 영역을 포함하는 관심 영역의 크기를 서로 다르게 설정하며, 서로 다른 크기로 설정된 관심 영역에 기초하여 분류기들 별로 산출된 유사도 값을 이용하여 사용자 인증을 위한 생체 영역을 검출하는 생체 영역을 검출하는 방법 및 장치를 제공할 수 있다.

Description

사용자 인증을 위한 생체 영역을 검출하는 방법 및 장치{DETECTING METHOD AND APPARATUS OF BIOMETRICS REGION FOR USER AUTHENTICATION}
아래 실시예들은 사용자 인증을 위한 생체 영역을 검출하는 방법 및 장치에 관한 것이다.
스마트 폰 등 다양한 모바일 기기나 웨어러블 기기의 발전으로 보안 인증에 대한 중요성이 증대되고 있다. 생체 인식에 의한 인증 기술은 지문, 홍채, 목소리, 얼굴, 혈관 등을 이용하여 사용자를 인증한다. 인증에 사용되는 생체 특성들은 사람마다 다르고, 소지의 불편함이 없을 뿐 아니라, 도용이나 모조의 위험성이 적고, 일생 동안 잘 변하지 않는다.
지문 인식 기법은 편리성, 보안성, 경제성 등 여러 가지 이유로 현재 가장 많이 상용화되어 있다. 지문 인식과 같은 접촉식 인증 방식 이외에 비접촉식 인증 방식으로 홍채 인증이 있다. 홍채 인증은 비접촉식 인증 방식이므로 휴대폰을 사용하는 손을 자유롭게 사용할 수 있어 사용자에게 편함을 제공할 수 있다.
일 측에 따른 생체 영역을 검출하는 방법은 입력 영상을 수신하는 단계; 복수의 스테이지들(multi-stages)에 대응하는 분류기들 마다에 대하여 관심 영역(Region Of Interest; ROI)- 상기 관심 영역은 상기 입력 영상에 포함된 생체 영역을 포함함 -의 크기를 서로 다르게 설정하는 단계; 상기 서로 다른 크기로 설정된 관심 영역에 기초하여 상기 분류기들 별로 유사도 값을 산출하는 단계; 및 상기 유사도 값을 이용하여 사용자 인증을 위한 생체 영역을 검출하는 단계를 포함한다.
상기 분류기들은 서로 상이한 제1 분류기, 제2 분류기 및 제3 분류기를 포함하고, 상기 관심 영역의 크기를 서로 다르게 설정하는 단계는 상기 제1 분류기에 대하여 제1 크기의 관심 영역을 설정하는 단계; 상기 제2 분류기에 대하여 제2 크기의 관심 영역을 설정하는 단계; 및 상기 제3 분류기에 대하여 제3 크기의 관심 영역을 설정하는 단계를 포함할 수 있다.
상기 제1 크기, 상기 제2 크기 및 상기 제3 크기는 순차적으로 작아지거나, 또는 순차적으로 커질 수 있다.
상기 생체 영역을 검출하는 방법은 상기 관심 영역의 초기 크기(initial size)를 입력받는 단계를 더 포함하고, 상기 제1 분류기에 대하여 제1 크기의 관심 영역을 설정하는 단계는 상기 관심 영역의 초기 크기를 상기 제1 크기로 설정하는 단계를 포함할 수 있다.
상기 분류기들은 서로 다르게 설정된 관심 영역의 크기에 기초하여 미리 학습될 수 있다.
상기 생체 영역을 검출하는 단계는 상기 유사도 값과 미리 설정된 임계치 간의 비교 결과에 기초하여 상기 생체 영역을 검출하는 단계를 포함할 수 있다.
상기 생체 영역을 검출하는 단계는 상기 유사도 값이 상기 임계치보다 큰 경우에 상기 관심 영역을 상기 사용자 인증을 위한 후보 영역으로 결정하는 단계를 포함할 수 있다.
상기 임계치는 미리 학습된 학습 모델에 기초하여 결정될 수 있다.
상기 학습 모델은 서로 다르게 설정된 관심 영역의 크기에 기초하여 결정될 수 있다.
일 측에 따르면, 생체 영역을 검출하는 방법은 생체 영역을 포함하는 입력 영상을 수신하는 단계; 제1 크기의 제1 검출 윈도우를 이용하여 상기 입력 영상을 스캔하는 단계; 상기 제1 검출 윈도우의 정보를 제1 분류기에 적용함으로써, 상기 생체 영역을 포함하는 제1 관심 영역을 검출하는 단계; 상기 제1 크기보다 작은 제2 크기의 검출 윈도우를 이용하여 상기 제1 관심 영역을 스캔하는 단계; 및 상기 제2 검출 윈도우의 정보를 제2 분류기에 적용함으로써, 상기 생체 영역을 포함하는 제2 관심 영역을 검출하는 단계를 포함한다.
상기 제1 분류기는 상기 제1 크기로 설정된 관심 영역에 기초하여 미리 학습되고, 상기 제2 분류기는 상기 제2 크기로 설정된 관심 영역에 기초하여 미리 학습될 수 있다.
상기 제1 관심 영역을 검출하는 단계는 상기 제1 분류기에 의하여 출력되는 제1 유사도 값을 미리 정해진 제1 임계치와 비교함으로써, 상기 제1 관심 영역이 상기 생체 영역을 포함하는지 여부를 판단하는 단계를 포함하고, 상기 제1 유사도 값은 상기 제1 관심 영역이 눈 영역에 해당하는 정도를 지시할 수 있다.
상기 제2 관심 영역을 검출하는 단계는 상기 제2 분류기에 의하여 출력되는 제2 유사도 값을 미리 정해진 제2 임계치와 비교함으로써, 상기 제2 관심 영역이 상기 생체 영역을 포함하는지 여부를 판단하는 단계를 포함하고, 상기 제2 유사도 값은 상기 제2 관심 영역이 홍채 영역에 해당하는 정도를 지시할 수 있다.
상기 생체 영역은 홍채 영역을 포함할 수 있다.
일 측에 따르면, 생체 영역을 검출하는 장치는 입력 영상을 수신하는 수신부; 및 복수의 스테이지들에 대응하는 분류기들 마다에 대하여 서로 다른 크기로 설정된 상기 입력 영상에 대한 관심 영역에 기초하여 상기 분류기들 별로 유사도 값을 산출하고, 상기 유사도 값을 이용하여 사용자 인증을 위한 생체 영역을 검출하는 프로세서를 포함한다.
상기 분류기들은 서로 다르게 설정된 관심 영역의 크기에 기초하여 미리 학습된 제1 분류기, 제2 분류기 및 제3 분류기를 포함하고, 상기 프로세서는 상기 제1 분류기에 대하여 제1 크기의 관심 영역을 설정하고, 상기 제2 분류기에 대하여 제2 크기의 관심 영역을 설정하며, 상기 제3 분류기에 대하여 제3 크기의 관심 영역을 설정할 수 있다.
상기 제1 크기, 상기 제2 크기 및 상기 제3 크기는 순차적으로 작아지거나, 또는 순차적으로 커질 수 있다.
상기 프로세서는 상기 유사도 값과 미리 설정된 임계치 간의 비교 결과에 기초하여 상기 관심 영역을 상기 사용자 인증을 위한 후보 영역으로 결정하고, 상기 임계치는 서로 다르게 설정된 관심 영역의 크기에 기초하여 결정된 학습 모델에 기초하여 결정될 수 있다.
도 1은 입력 영상으로부터 생체 영역을 검출하는 방법들을 설명하기 위한 도면.
도 2는 일 실시예에 따른 생체 영역을 검출하는 방법을 설명하기 위한 도면.
도 3은 일 실시예에 따른 생체 영역을 검출하는 방법을 나타낸 흐름도.
도 4는 일 실시예에 따라 서로 다른 입력 영상을 이용한 부스팅 기반 검출기로 원하는 생체 영역을 검출하는 방법을 설명하기 위한 도면도 5는 다른 실시예에 따른 생체 영역을 검출하는 방법을 나타낸 흐름도.
도 6은 일 실시예에 따라 후보 영상들을 검출하는 방법을 나타낸 흐름도.
도 7은 다른 실시예에 따른 생체 영역을 검출하는 방법을 나타낸 흐름도.
도 8은 다른 실시예에 따른 생체 영역을 검출하는 방법을 나타낸 흐름도.
도 9는 일 실시예에 따른 생체 영역을 검출하는 장치의 블록도.
본 명세서에서 개시되어 있는 특정한 구조적 또는 기능적 설명들은 단지 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 실시예들은 다양한 다른 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 이해되어야 한다. 예를 들어 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~간의"와 "바로~간의" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
하기에서 설명될 실시예들은 생체 영역을 포함하는 입력 영상을 처리하는 데 사용될 수 있다. 예를 들어, 지문 인식기, 정맥 인식기, 홍채 인식기 등에서 인식 동작에서 수행될 수 있다. 이하, 사용자의 생체 영역을 인식하는 동작은 사용자의 생체 영역을 인식함으로써 그 사용자를 인증하거나 식별하는 동작을 포함할 수 있다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다. 예를 들어, 실시예들은 스마트 폰, 모바일 기기, 스마트 홈 시스템 등에서 사용자를 인증하기 위한 영상의 처리에 적용될 수 있다. 동일한 방식으로, 실시예들은 사용자 인증을 통한 결제 서비스, 지능형 자동차 시스템 등에도 적용될 수 있다. 이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
실시예들에 따른 검출 장치는 소프트웨어 모듈, 하드웨어 모듈, 또는 이들의 다양한 조합으로 구성될 수 있다. 예를 들어, 검출 장치는 단일 프로세서 기반 시스템, 멀티 프로세서 기반 시스템, 전용 하드웨어 기반 시스템, 프로세서와 하드웨어 가속기(HWA)가 조합된 시스템, 클라우드 컴퓨팅 시스템 등 다양한 방식으로 구현될 수 있다.
도 1은 입력 영상으로부터 생체 영역을 검출하는 방법들을 설명하기 위한 도면이다. 이하에서는 설명의 편의를 위하여 생체 영역으로 눈 또는 홍채를 일 예로 들어 설명하지만, 생체 영역이 반드시 이에 한정되는 것을 아니다.
도 1(a)를 참고하면, 얼굴에 기반하여 눈을 검출하는 방법이 도시된다. 검출 장치는 입력 영상으로부터 얼굴(110)을 검출한 후, 관심 영역에 해당하는 일정 생체 영역(예를 들어, 눈)의 후보 영역(130)을 사전에 지정할 수 있다. 후보 영역(130)을 사전에 지정하는 경우, 검출 장치는 얼굴(110) 내에서 눈의 위치에 대한 사전 정보를 활용할 수 있으므로 오검출 확률은 상대적으로 낮아질 수 있다. 이와 같이 관심 영역을 넓게 설정하는 경우, 오검출률은 낮출 수 있으나, 검출 확률은 떨어질 수 있다.
도 1(b)를 참고하면, 홍채에 기반하여 눈을 검출하는 방법이 도시된다. 검출 장치는 얼굴의 부분 영역(예를 들어, 홍채)만을 생체 영역으로 검출하므로 생체 영역의 후보 영역을 사전에 지정할 수 없다. 후보 영역을 사전에 지정하지 않은 경우, 검출 장치는 생체 영역(예를 들어, 홍채)을 검출하기 위해서 일정 스텝 사이즈(step size)를 가지는 검출 윈도우(detection window)(150)에 의해 영상 전체를 풀 스캔(Full Scan)(예를 들어, 풀 래스터 스캔(Full Raster Scan)) 할 수 있다. 도 1(b)와 같이 관심 영역을 좁게 설정하여 영상 전체를 풀 스캔하는 경우, 예를 들어 콧구멍을 홍채 영역으로 인식하는 경우 등과 같이 오검출 확률이 높아질 수 있다.
도 2는 일 실시예에 따른 생체 영역을 검출하는 방법을 설명하기 위한 도면이다. 도 2a를 참조하면, 일 실시예에 따라 입력 영상(201)으로부터 생체 영역을 인식하는 분류기들(210, 220, 230)이 도시된다. 일 실시예에 따른 분류기들(210, 220, 230)은 다단계(cascade)로 구성될 수 있다. 분류기들(210, 220, 230)은 강한 분류기들(Strong Classifiers)일 수 있다.
분류기들(210, 220, 230)은 사전에 학습된 임계치를 이용하여 각 스테이지마다 서로 다른 크기의 생체 영역을 검출할 수 있다. '스테이지(stage)'는 다단계로 구성된 분류기들의 각 단계를 의미하는 것으로 이해될 수 있다. 분류기들(210, 220, 230)은 복수의 스테이지들에 1:1로 대응될 수 있다. 예를 들어, 제1 분류기(210)는 제1 스테이지에 대응되고, 제2 분류기(220)는 제2 스테이지에 대응되며, 제3 분류기(230)는 제3 스테이지에 대응될 수 있다.
복수의 스테이지들은 각 스테이지마다 서로 다른 목적 또는 서로 다른 특성에 의해 관심 영역이 설정될 수 있다. 예를 들어, 제1 스테이지에서는 오검출율을 낮추는 방향으로 관심 영역이 설정될 수 있다. 제1 스테이지에 대응하는 제1 분류기(210)는 오검출율을 낮추기 위해 입력 영상(201)으로부터 넓은 관심 영역, 예를 들어, 눈의 양쪽 끝점(eye corners)을 포함하는 영역(202)을 인식하여 검출할 수 있다. 제1 분류기(210)는 입력 영상(201) 중 눈 영역을 제외한 나머지 영역들에 대하여 검출을 거절(reject)할 수 있다.
또한, 제2 스테이지 및 제3 스테이지에서는 검출률을 높이는 방향으로 관심 영역이 설정될 수 있다. 제2 스테이지에 대응하는 제2 분류기(220)는 제1 분류기(210)의 검출 결과로부터 눈동자를 포함하는 영역(203)을 검출할 수 있다. 이때, 눈을 포함하는 영역(202) 중 눈동자를 제외한 눈꼬리 등과 같은 눈의 가장자리 영역은 제2 분류기(220)에 의한 검출이 거절될 수 있다.
제3 스테이지에 대응하는 제3 분류기(230)는 제2 분류기(220)의 검출 결과로부터 눈동자만을 포함하는 영역(204)을 검출할 수 있다. 이때, 눈동자를 제외한 나머지 영역은 제3 분류기(230)에 의한 검출이 거절되고, 눈동자를 포함하는 영역(204)만이 최종적으로 검출될 수 있다.
예를 들어, 눈을 검출하고자 하는데 코 영역이 촬영된 영상이 입력되었다고 하자. 제1 스테이지에서 관심 영역이 넓게 설정된 경우, 코 영역이 촬영된 영상은 제1 스테이지에서 검출이 거절되므로, 오검출률 및 검출 속도는 향상될 수 있다. 또한, 검출 장치는 이후의 제2 및 제3 스테이지에서 점차 관심 영역의 크기를 좁혀가면서 생체 영역을 검출함으로써 오검출 확률을 낮출 수 있다.
일 실시예와 같이, 각 스테이지 마다에 대하여 관심 영역의 크기를 다르게 설정하는 경우, 눈동자의 검출 성능을 높이는 한편, 눈동자에 관한 정보를 보다 자세히 분석할 수 있다.
각 스테이지 마다에 대하여 다르게 설정된 관심 영역의 크기는 도 2b를 참조하여 설명한다.
도 2b를 참조하면, 각 스테이지 마다에 대하여 다른 크기로 설정된 관심 영역들이 도시된다.
예를 들어, 제1 스테이지에서의 제1 관심 영역(1st ROI)(202)은 제1 크기의 제1 검출 윈도우(215)를 이용하여 입력 영상(201)으로부터 검출될 수 있다. 제2 스테이지에서 제2 관심 영역(2nd ROI)(203)은 제2 크기의 제2 검출 윈도우(225)를 이용하여 제1 관심 영역(1st ROI)(202)으로부터 검출될 수 있다. 제3 스테이지에서 제3 관심 영역(204)은 제3 크기의 제3 검출 윈도우(235)를 이용하여 제2 관심 영역(2nd ROI)(203)으로부터 검출될 수 있다.
도 3은 일 실시예에 따른 생체 영역을 검출하는 방법을 나타낸 흐름도이다. 도 3을 참조하면, 일 실시예에 따른 생체 영역을 검출하는 장치(이하, '검출 장치')는 입력 영상을 수신한다(310). 입력 영상은 예를 들어, 지문(fingerprint), 정맥(blood vessel) 정보, 및 홍채(iris) 등의 생체 영역을 포함할 수 있다. 입력 영상은 예를 들어, 특정 크기에 맞춰 그레이(gray)로 크기가 조절된 정규화된 입력 영상일 수 있다.
검출 장치는 복수의 스테이지들(multi-stages)에 대응하는 분류기들 마다에 대하여 관심 영역(Region Of Interest; ROI)의 크기를 서로 다르게 설정한다(320). 관심 영역은 입력 영상에 포함된 생체 영역을 포함한다. 각 분류기들에 대하여 다르게 설정되는 관심 영역은 서로 중첩될 수 있다. 복수의 분류기들은 예를 들어, 제1 분류기, 제2 분류기 및 제3 분류기를 포함할 수 있으며, 각 분류기들은 서로 다른 크기의 생체 영역을 인식할 수 있다. 복수의 분류기들은 서로 다르게 설정된 관심 영역의 크기에 기초하여 미리 학습될 수 있다.
단계(320)에서, 검출 장치는 제1 분류기에 대하여 제1 크기의 관심 영역을 설정하고, 제2 분류기에 대하여 제2 크기의 관심 영역을 설정하고, 제3 분류기에 대하여 제3 크기의 관심 영역을 설정할 수 있다. 이때, 제1 크기, 제2 크기 및 제3 크기는 순차적으로 작아지거나, 또는 순차적으로 커질 수 있다.
검출 장치는 단계(320)에서 서로 다른 크기로 설정된 관심 영역에 기초하여 분류기들 마다에 대하여 유사도 값을 산출한다(330). 검출 장치는 서로 다른 크기로 설정된 관심 영역과 미리 학습된 학습 영상을 비교하여 관심 영역과 학습 영상 간의 유사도 값을 나타내는 스코어(score)를 산출할 수 있다. 여기서 미리 학습된 학습 영상 또한 각 분류기마다 다르게 적용될 수 있다. 미리 학습된 학습 영상은 예를 들어, 학습 모델 DB 등에 저장될 수 있다.
검출 장치는 단계(330)에서 산출된 유사도 값을 이용하여 사용자 인증을 위한 생체 영역을 검출한다(340). 검출 장치는 유사도 값과 미리 설정된 임계치와의 비교 결과에 기초하여 생체 영역을 검출할 수 있다. 임계치는 미리 학습된 학습 모델에 기초하여 결정될 수 있다. 학습 모델은 서로 다르게 설정된 관심 영역의 크기에 기초하여 결정될 수 있다. 검출 장치는 예를 들어, 유사도 값이 임계치보다 큰 경우에 관심 영역을 사용자 인증을 위한 후보 영역으로 결정할 수 있다.
도 4는 일 실시예에 따라 서로 다른 입력 영상을 이용한 부스팅 기반 검출기로 원하는 생체 영역을 검출하는 방법을 설명하기 위한 도면이다. 도 4를 참조하면, 일 실시예에 따라 입력 영상(401)으로부터 생체 영역을 인식하는 분류기들(410, 420, 430)이 도시된다. 일 실시예에 따른 분류기들(410, 420, 430)은 강한 분류기들(Strong Classifiers)일 수 있다.
강한 분류기들은 예를 들어, 부스팅 알고리즘(boosting algorithm)에 의해 구성될 수 있다. 검출하고자 하는 생체 영역이 얼굴인 경우, 강한 분류기는 예를 들어, 다음과 같은 과정을 통해 구성될 수 있다.
검출 장치는 검출 대상인 얼굴을 포함하는 포지티브 영상(positive sample) 및 얼굴을 포함하지 않는 네가티브 영상(negative samples)들을 수집한다. 포지티브 영상 및 네가티브 영상들은 학습 모델 DB 등에 저장될 수 있다.
검출 장치는 수집된 포지티브 영상 및 네가티브 영상을 이용하여 예를 들어, 18,000개 이상의 Harr 피처들 중에서 얼굴 검출률을 만족할 때까지 반복 작업을 수행하면서 얼굴과 비얼굴을 잘 구분해 낼 수 있는 소수의 Harr 피처들을 검색할 수 있다. 검출 장치는 검색한 소수의 Harr 피처들, 즉 약한 분류기들(weak classifier)을 모아서 하나의 강한 분류기를 구성할 수 있다. 여기서, Harr 피처는 흰색 영역의 화소값들의 합과 회색 영역의 화소값들의 합 사이의 차로 표현될 수 있다. 즉, 영역 간 차가 특정 임계치 이상이면 1, 아니면 0으로 피처 값이 표현될 수 있다. 24 x 24 크기의 작은 윈도우 내에 크기와 위치를 달리하면서 180,000개 이상의 Harr 피쳐들이 배치될 수 있다.
분류기들(410, 420, 430) 각각은 멀티 블록 LBP(Local Binary Pattern)에 기반한 약한 분류기들(Weak Classifiers)의 조합으로 구성될 수 있다.
제1 분류기(410)는 예를 들어, 총 n 개의 약한 분류기들(weak classifiers)(411, 413, .. , 415)을 포함할 수 있다. 약한 분류기들(411 413, 415)은 입력 영상(401)에 대하여 제1 스테이지에 대응하여 설정된 관심 영역인 눈을 포함하는 영역(402)에 대한 서브 영역들을 인식할 수 있다.
예를 들어, 제1 약한 분류기(411)은 눈을 포함하는 영역(402) 중 왼쪽 서브 영역을 인식하고, 제2 약한 분류기(413)는 영역(402) 중 가운데 서브 영역을 인식하며, 제3 약한 분류기(415)는 영역(402) 중 오른쪽 서브 영역을 인식하기 위한 것일 수 있다.
약한 분류기들(411 413, 415)은 입력 영상 중 제1 스테이지에서 설정된 관심 영역으로부터 서브 영역들을 직접 추출할 수도 있다. 약한 분류기들(411 413, 415)은 각각에 대응하는 서브 영역으로부터 특징 벡터를 추출할 수 있다. 약한 분류기들(411 413, 415)은 예를 들어, CNN(convolutional neural network)를 이용하여 서브 영역으로부터 특징 벡터를 추출할 수 있다. 특징 벡터는 복수의 특징들을 포함할 수 있다.
약한 분류기들(411 413, 415)은 추출된 특징 벡터와 미리 학습된 학습 모델의 특징 벡터를 매칭시킬 수 있다. 약한 분류기들(411 413, 415)은 서브 영역과 학습 모델의 서브 영역 간의 유클리디안 거리(Euclidean Distance)를 이용하여 입력 영상의 서브 영역과 미리 학습된 학습 모델의 서브 영역 간의 유사도를 나타내는 스코어들(S00, S10, Sn0)를 산출할 수 있다.
제1 분류기(410)는 약한 분류기들(411 413, 415) 각각에 대응하는 스코어들(S00, S10, Sn0)을 총합하여 제1 분류기(410)의 유사도 값을 산출할 수 있다. 실시예에 따라서, 제1 분류기(410)는 스코어들을 가중합(weighted sum)하여 유사도 값을 산출할 수도 있다. 이때, 약한 분류기들(411 413, 415) 각각에 대응하는 스코어들(S00, S10, Sn0)에 대하여 서로 다른 가중치가 부여될 수 있다.
제2 스테이지에서 제2 분류기(420)에 대응하는 관심 영역의 크기는 영역(402) 보다 좁은 영역(403)으로 설정되고, 제3 스테이지에서 제3 분류기(430)에 대응하는 관심 영역의 크기는 영역(403) 보다 좁은 영역(404)와 같이 설정될 수 있다.
제2 분류기(420) 및 제3 분류기(430)도 제1 분류기(410)와 마찬가지로 약한 분류기들을 포함할 수 있고, 약한 분류기들 각각에 대응하는 스코어들을 이용하여 제2 분류기(420), 제3 분류기(430) 각각의 유사도 값을 산출할 수 있다.
분류기들(410, 420, 430)은 각 스테이지마다 관심 영역의 크기를 서로 다르게 설정하고, 사전에 학습한 학습 모델을 이용하여 생체 영역을 검출할 수 있다. 이때, 학습 모델은 각 스테이지마다의 서로 다른 크기의 관심 영역에 대응될 수 있다.
도 5는 다른 실시예에 따른 생체 영역을 검출하는 방법을 나타낸 흐름도이다. 도 5를 참조하면, 일 실시예에 따른 검출 장치는 입력 영상을 수신한다(510).
검출 장치는 입력 영상에 포함된 생체 영역에 대한 계층적인 크기의 영상들을 포함하는 영상 피라미드를 생성한다(520). 영상 피라미드(image pyramid)는 다양한 크기의 생체 영역을 찾기 위한 것으로서 서로 다른 크기의 영상들을 포함할 수 있다. 계층적인 크기의 영상들은 생체 영역을 포함하는 입력 영상의 크기를 계층적으로 증가시킨 영상들을 포함할 수 있다. 예를 들어, 입력 영상에 포함된 생체 영역(눈)의 크기가 좌우 길이 2 Cm 이고, 상하 폭이 1 Cm라고 하자. 이 경우, '생체 영역을 포함하는 입력 영상의 크기를 계층적으로 증가시킨 영상들'은 예를 들어, 좌우 길이 2 Cm 이고, 상하 폭이 1 Cm 인 눈을 포함하는 3 Cm X 3 Cm의 영상, 좌우 길이 2 Cm 이고, 상하 폭이 1 Cm 인 눈을 포함하는 4 Cm X 4 Cm 영상, 및 좌우 길이 2 Cm 이고, 상하 폭이 1 Cm 인 눈을 포함하는 5 Cm X 5 Cm 영상일 수 있다. 생체 영역을 포함하는 입력 영상의 크기를 계층적으로 증가시킨 영상들'은 예를 들어, 5cm x 3cm의 영상, 4cm x 3cm의 영상과 같은 직사각형 영상이거나 3cm x 3cm의 정사각형 영상일 수 있다.
이미지 피라미드에 의해서 입력 영상의 크기를 계층적으로 증가시킬수록 입력 영상에 포함된 생체 영역의 크기는 상대적으로 작아질 수 있다. 각 이미지 피라미드의 해당 영상에서 검출 장치는 복수의 스테이지들에 대응하는 분류기들마다에 대하여 관심 영역의 크기를 서로 다르게 설정하여 계층적인 크기의 영상들에 대한 후보 영상들을 검출한 뒤에 최종 관심 물체(홍채)의 위치를 판단한다(530).
후보 영상들을 검출하는 방법은 도 6을 참조하여 설명한다.
실시예에 따라서, 검출 장치는 단계(530)에 앞서, 멀티 블록 LBP(Local Binary Pattern)를 위한 적분 영상(integral image)을 생성하여 단계(530)에서의 계산 과정을 간략화할 수 있다. 예를 들어, Harr 피처 또는 LBP(Local Binary Pattern)을 계산할 때에 다양한 크기의 사각형 영역 내에 존재하는 화소들의 합계를 구하는 과정이 무수히 반복될 수 있다. 이는 계산 시간이 매우 많이 소요되는 작업이다. 따라서, 일 실시예에서 원본 영상을 대상으로 적분 영상을 미리 생성해 둠으로써 화면 영역의 크기와 관계없이 사각형 영역 내의 화소값들의 합계를 고속으로 처리할 수 있다.
검출 장치는 단계(530)에서 검출된 후보 영상들을 이용하여 사용자 인증을 위한 생체 영역을 검출한다(540). 검출 장치는 후보 영상들을 정합하여 생체 영역을 검출하거나, 후보 영상들에서 오검출(False Alarm)을 제거하여 생체 영역을 검출할 수 있다.
도 6은 일 실시예에 따라 후보 영상들을 검출하는 방법을 나타낸 흐름도이다. 도 6을 참조하면, 일 실시예에 따른 검출 장치가 스테이지 마다에 대하여 서로 다르게 설정된 관심 영역에 의해 도 5에서 생성된 영상 피라미드에 속한 계층적인 크기의 영상들에 대하여 후보 영상들을 검출하는 방법이 도시된다. 이하에서 설명하는 과정은 영상 피라미드에 포함된 어느 하나의 계층적인 크기의 영상에 대하여 수행될 수 있다.
검출 장치는 어느 하나의 계층적인 크기의 영상에서 검출을 위한 시작점(x,y)의 위치를 정해진 스텝 값(예를 들어, 2 pixel)만큼 이동시킬 수 있다(610). 검출 장치는 예를 들어, 래스터 스캔(raster scan)에 의해 시작점(x,y)의 위치를 스텝 값만큼 이동할 수 있다.
검출 장치는 관심 영역의 크기를 설정할 수 있다(620). 관심 영역의 크기는 예를 들어, 폭(Width)및 높이(Height)의 형태일 수 있다. 여기서, 관심 영역의 초기 크기(initial size)는 사용자에 의해 입력 또는 설정될 수 있다. 관심 영역의 크기는 관심 영역을 검출하기 위한 검출 윈도우의 크기라고도 이해될 수 있다. 관심 영역의 초기 크기는 제1 분류기에 대한 관심 영역의 제1 크기로 설정될 수 있다.
검출 장치는 단계(620)에서 설정된 관심 영역을 분류기에 적용하여 유사도 값을 산출할 수 있다(630).
검출 장치는 분류기의 유사도 값과 미리 설정된 임계치를 비교할 수 있다(640). '분류기의 유사도 값'은 분류기에 의해 검출된 관심 영역의 유사도 값으로 이해될 수 있다. 검출 장치는 한 스테이지에 해당하는 분류기의 스코어(score), 즉 유사도 값이 학습 모델로부터 도출된 임계치보다 큰 지 여부를 비교할 수 있다. 분류기의 유사도 값이 미리 설정된 임계치보다 작거나 같은 경우, 검출 장치는 생체 영역의 검출을 거절하고(650), 동작을 종료할 수 있다.
분류기의 유사도 값이 미리 설정된 임계치보다 큰 경우, 검출 장치는 관심 영역에 대응하는 생체 영역을 검출할 수 있다(660). 검출 장치는 분류기의 유사도 값이 임계치보다 큰 경우, 임계치들 중 최상위 유사도 값을 가지는 관심 영역에 대응하는 생체 영역을 검출할 수도 있다. 또는 검출 장치는 임계치보다 큰 유사도 값에 해당하는 관심 영역에 대응하는 생체 영역들을 모두 검출할 수도 있다.
검출 장치는 생체 영역의 검출이 끝났는지를 판단할 수 있다(670). 여기서, 생체 영역의 검출이 끝났는지 여부는 검출 장치에 포함된 복수의 스테이지들에 대응하는 분류기들 전부에서 검출이 끝났는지에 의해 결정될 수 있다. 예를 들어, 검출 장치가 5개의 분류기들을 포함하는 경우, 5개의 분류기들에서의 생체 영역의 검출이 종료한 경우, 검출 장치는 검출이 끝났다고 판단할 수 있다.
단계(670)에서 검출이 끝났다고 판단되는 경우, 검출 장치는 사용자 인증을 위한 생체 영역의 후보 영상을 검출할 수 있다(680). 생체 영역의 후보 영상은 사용자 인증을 위한 최종적인 생체 영역이 될 수 있다.
단계(670)에서 검출이 끝나지 않았다고 판단되는 경우, 검출 장치는 다음 분류기에 적용하기 위해 관심 영역의 크기 및 학습 모델을 변경할 수 있다(690). 이때, 학습 모델은 학습 모델 DB(695)에 저장된 것일 수 있다. 이후, 검출 장치는 단계(620)으로 가서 다음 분류기에 적용되는 관심 영역의 크기를 단계(690)에서 변경된 관심 영역의 크기로 설정할 수 있다.
도 7은 다른 실시예에 따른 생체 영역을 검출하는 방법을 나타낸 흐름도이다. 도 7을 참조하면, 일 실시예에 따른 검출 장치는 입력 영상을 수신할 수 있다(710).
검출 장치는 입력 영상에 포함된 생체 영역에 대한 계층적인 크기의 영상들을 포함하는 영상 피라미드를 생성할 수 있다(720).
검출 장치는 복수의 스테이지들에 대응하는 분류기들 마다에 대하여 입력 영상에 대한 관심 영역의 크기를 서로 다르게 설정할 수 있다(730).
검출 장치는 서로 다른 크기로 설정된 관심 영역에 기초하여 분류기들 마다에 대하여 유사도 값을 산출할 수 있다(740).
검출 장치는 단계(740)에서 산출된 유사도 값을 이용하여 계층적인 크기의 영상들에 대한 후보 영상들을 검출할 수 있다(750).
검출 장치는 단계(750)에서 검출된 후보 영상들을 정합하여 사용자 인증을 위한 생체 영역을 검출할 수 있다(760).
도 8은 다른 실시예에 따른 생체 영역을 검출하는 방법을 나타낸 흐름도이다. 도 8을 참조하면, 일 실시예에 따른 검출 장치는 생체 영역을 포함하는 입력 영상을 수신한다(810). 생체 영역은 예를 들어, 홍채 영역을 포함할 수 있다.
검출 장치는 제1 크기의 제1 검출 윈도우를 이용하여 입력 영상을 스캔한다(820).
검출 장치는 제1 검출 윈도우의 정보를 제1 분류기에 적용함으로써, 생체 영역을 포함하는 제1 관심 영역을 검출한다(830). 제1 분류기는 제1 크기로 설정된 관심 영역에 기초하여 미리 학습될 수 있다. 검출 장치는 제1 분류기에 의하여 출력되는 제1 유사도 값을 미리 정해진 제1 임계치와 비교함으로써, 제1 관심 영역이 생체 영역을 포함하는지 여부를 판단할 수 있다. 제1 유사도 값은 제1 관심 영역이 눈 영역에 해당하는 정도를 지시할 수 있다.
검출 장치는 제1 크기보다 작은 제2 크기의 검출 윈도우를 이용하여 제1 관심 영역을 스캔한다(840).
검출 장치는 제2 검출 윈도우의 정보를 제2 분류기에 적용함으로써, 생체 영역을 포함하는 제2 관심 영역을 검출한다(850). 제2 분류기는 제2 크기로 설정된 관심 영역에 기초하여 미리 학습될 수 있다. 검출 장치는 제2 분류기에 의하여 출력되는 제2 유사도 값을 미리 정해진 제2 임계치와 비교함으로써, 제2 관심 영역이 생체 영역을 포함하는지 여부를 판단할 수 있다. 제2 유사도 값은 제2 관심 영역이 홍채 영역에 해당하는 정도를 지시할 수 있다.
도 9는 일 실시예에 따른 검출 장치의 블록도이다.
도 9를 참조하면, 일 실시예에 따른 검출 장치(900)는 수신부(910) 및 프로세서(920)를 포함한다. 검출 장치는 메모리(930) 및 센서(940)를 더 포함할 수 있다.
수신부(910), 프로세서(920), 메모리(930) 및 센서(940)는 버스(950)를 통하여 서로 통신할 수 있다.
수신부(910)는 입력 영상을 수신한다. 수신부(910)는 센서(940)에서 감지된 생체 영역을 포함하는 입력 영상을 수신할 수 있다.
프로세서(920)는 복수의 스테이지들에 대응하는 분류기들 마다에 대하여 서로 다른 크기로 설정된, 입력 영상에 대한 관심 영역에 기초하여 분류기들 마다에 대하여 유사도 값을 산출한다. 프로세서(920)는 유사도 값을 이용하여 사용자 인증을 위한 생체 영역을 검출한다. 분류기들은 서로 다르게 설정된 관심 영역의 크기에 기초하여 미리 학습된 제1 분류기, 제2 분류기 및 제3 분류기 등을 포함할 수 있다. 이때, 프로세서(920)는 제1 분류기에 대하여 제1 크기의 관심 영역을 설정하고, 제2 분류기에 대하여 제2 크기의 관심 영역을 설정하며, 제3 분류기에 대하여 제3 크기의 관심 영역을 설정할 수 있다. 제1 크기, 제2 크기 및 제3 크기는 순차적으로 작아지거나, 또는 순차적으로 커질 수 있다.
프로세서(920)는 유사도 값과 미리 설정된 임계치와의 비교 결과에 기초하여 관심 영역을 사용자 인증을 위한 후보 영역으로 결정할 수 있다. 이때, 임계치는 서로 다르게 설정된 관심 영역의 크기에 기초하여 결정된 학습 모델에 기초하여 결정될 수 있다.
이 밖에도, 프로세서(920)는 도 1 내지 도 8을 통하여 전술한 적어도 하나의 방법을 수행할 수 있다.
프로세서(920)는 프로그램을 실행하고, 검출 장치를 제어할 수 있다. 프로세서(920)에 의하여 실행되는 프로그램 코드는 메모리(930)에 저장될 수 있다. 검출 장치는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.
메모리(930)는 기 등록된 학습 영상 또는 학습 모델들을 포함하는 학습 모델데이터베이스를 저장한다. 메모리(930)는 센서(940)에 의하여 캡쳐된 생체 영역을 포함하는 입력 영상, 새로이 등록된 입력 영상 등을 저장할 수 있다. 메모리(930)는 휘발성 메모리 또는 비 휘발성 메모리일 수 있다.
센서(940)는 사용자의 눈, 또는 눈에 포함된 홍채 패턴을 인식하는 센서를 포함할 수 있다. 센서(940)는 사용자의 동공과 공막(눈의 백색 영역) 간의 홍채 패턴을 스캔 또는 캡쳐 할 수 있다.
검출 장치는 이동 전화, 스마트 폰, PDA, 태블릿 컴퓨터, 랩톱 컴퓨터 등 모바일 장치, 퍼스널 컴퓨터, 태블릿 컴퓨터, 넷북 등 컴퓨팅 장치, 또는 텔레비전, 스마트 텔레비전, 게이트 제어를 위한 보안 장치 등 전자 제품 등 다양한 전자 시스템들을 포함할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 비록 한정된 도면에 의해 실시예들이 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (19)

  1. 입력 영상을 수신하는 단계;
    복수의 스테이지들(multi-stages)에 대응하는 분류기들 마다에 대하여 관심 영역(Region Of Interest; ROI)- 상기 관심 영역은 상기 입력 영상에 포함된 생체 영역을 포함함 -의 크기를 서로 다르게 설정하는 단계;
    상기 서로 다른 크기로 설정된 관심 영역에 기초하여 상기 분류기들 별로 유사도 값을 산출하는 단계; 및
    상기 유사도 값을 이용하여 사용자 인증을 위한 생체 영역을 검출하는 단계
    를 포함하고,
    상기 분류기들은
    각 분류기에 대응하여 서로 다르게 설정된 관심 영역의 크기에 기초하여 미리 학습되는, 생체 영역을 검출하는 방법.
  2. 제1항에 있어서,
    상기 분류기들은
    서로 상이한 제1 분류기, 제2 분류기 및 제3 분류기를 포함하고,
    상기 관심 영역의 크기를 서로 다르게 설정하는 단계는
    상기 제1 분류기에 대하여 제1 크기의 관심 영역을 설정하는 단계;
    상기 제2 분류기에 대하여 제2 크기의 관심 영역을 설정하는 단계; 및
    상기 제3 분류기에 대하여 제3 크기의 관심 영역을 설정하는 단계
    를 포함하는, 생체 영역을 검출하는 방법.
  3. 제2항에 있어서,
    상기 제1 크기, 상기 제2 크기 및 상기 제3 크기는
    순차적으로 작아지거나, 또는 순차적으로 커지는, 생체 영역을 검출하는 방법.
  4. 제2항에 있어서,
    상기 관심 영역의 초기 크기(initial size)를 입력받는 단계
    를 더 포함하고,
    상기 제1 분류기에 대하여 제1 크기의 관심 영역을 설정하는 단계는
    상기 관심 영역의 초기 크기를 상기 제1 크기로 설정하는 단계
    를 포함하는, 생체 영역을 검출하는 방법.
  5. 삭제
  6. 제1항에 있어서,
    상기 생체 영역을 검출하는 단계는
    상기 유사도 값과 미리 설정된 임계치 간의 비교 결과에 기초하여 상기 생체 영역을 검출하는 단계
    를 포함하는, 생체 영역을 검출하는 방법.
  7. 제6항에 있어서,
    상기 생체 영역을 검출하는 단계는
    상기 유사도 값이 상기 임계치보다 큰 경우에 상기 관심 영역을 상기 사용자 인증을 위한 후보 영역으로 결정하는 단계
    를 포함하는, 생체 영역을 검출하는 방법.
  8. 제6항에 있어서,
    상기 임계치는
    미리 학습된 학습 모델에 기초하여 결정되는, 생체 영역을 검출하는 방법.
  9. 제8항에 있어서,
    상기 학습 모델은
    서로 다르게 설정된 관심 영역의 크기에 기초하여 결정되는, 생체 영역을 검출하는 방법.
  10. 생체 영역을 포함하는 입력 영상을 수신하는 단계;
    제1 크기의 제1 검출 윈도우를 이용하여 상기 입력 영상을 스캔하는 단계;
    상기 제1 검출 윈도우의 정보를 제1 분류기에 적용함으로써, 상기 생체 영역을 포함하는 제1 관심 영역을 검출하는 단계;
    상기 제1 크기보다 작은 제2 크기의 검출 윈도우를 이용하여 상기 제1 관심 영역을 스캔하는 단계; 및
    상기 제2 크기의 검출 윈도우의 정보를 제2 분류기에 적용함으로써, 상기 생체 영역을 포함하는 제2 관심 영역을 검출하는 단계
    를 포함하고,
    상기 제1 분류기는
    상기 제1 크기로 설정된 관심 영역에 기초하여 미리 학습되고,
    상기 제2 분류기는
    상기 제2 크기로 설정된 관심 영역에 기초하여 미리 학습되는, 생체 영역을 검출하는 방법.
  11. 삭제
  12. 제10항에 있어서,
    상기 제1 관심 영역을 검출하는 단계는
    상기 제1 분류기에 의하여 출력되는 제1 유사도 값을 미리 정해진 제1 임계치와 비교함으로써, 상기 제1 관심 영역이 상기 생체 영역을 포함하는지 여부를 판단하는 단계를 포함하고,
    상기 제1 유사도 값은 상기 제1 관심 영역이 눈 영역에 해당하는 정도를 지시하는, 생체 영역을 검출하는 방법.
  13. 제10항에 있어서,
    상기 제2 관심 영역을 검출하는 단계는
    상기 제2 분류기에 의하여 출력되는 제2 유사도 값을 미리 정해진 제2 임계치와 비교함으로써, 상기 제2 관심 영역이 상기 생체 영역을 포함하는지 여부를 판단하는 단계를 포함하고,
    상기 제2 유사도 값은 상기 제2 관심 영역이 홍채 영역에 해당하는 정도를 지시하는, 생체 영역을 검출하는 방법.
  14. 제10항에 있어서,
    상기 생체 영역은
    홍채 영역을 포함하는, 생체 영역을 검출하는 방법.
  15. 하드웨어와 결합되어 제1항 내지 제4항, 제6항 내지 제10항, 제12항 내지 제14항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램.
  16. 입력 영상을 수신하는 수신부; 및
    복수의 스테이지들(multi-stages)에 대응하는 분류기들 마다에 대하여 서로 다른 크기로 설정된 상기 입력 영상에 대한 관심 영역에 기초하여 상기 분류기들 별로 유사도 값을 산출하고, 상기 유사도 값을 이용하여 사용자 인증을 위한 생체 영역을 검출하는 프로세서
    를 포함하고,
    상기 분류기들은
    각 분류기에 대응하여 서로 다르게 설정된 관심 영역의 크기에 기초하여 미리 학습되는, 생체 영역을 검출하는 장치.
  17. 제16항에 있어서,
    상기 분류기들은
    서로 다르게 설정된 관심 영역의 크기에 기초하여 미리 학습된 제1 분류기, 제2 분류기 및 제3 분류기를 포함하고,
    상기 프로세서는
    상기 제1 분류기에 대하여 제1 크기의 관심 영역을 설정하고, 상기 제2 분류기에 대하여 제2 크기의 관심 영역을 설정하며, 상기 제3 분류기에 대하여 제3 크기의 관심 영역을 설정하는, 생체 영역을 검출하는 장치.
  18. 제17항에 있어서,
    상기 제1 크기, 상기 제2 크기 및 상기 제3 크기는
    순차적으로 작아지거나, 또는 순차적으로 커지는, 생체 영역을 검출하는 장치.
  19. 제16항에 있어서,
    상기 프로세서는
    상기 유사도 값과 미리 설정된 임계치 간의 비교 결과에 기초하여 상기 관심 영역을 상기 사용자 인증을 위한 후보 영역으로 결정하고,
    상기 임계치는
    서로 다르게 설정된 관심 영역의 크기에 기초하여 결정된 학습 모델에 기초하여 결정되는, 생체 영역을 검출하는 장치.
KR1020150145741A 2015-10-20 2015-10-20 사용자 인증을 위한 생체 영역을 검출하는 방법 및 장치 KR101997479B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020150145741A KR101997479B1 (ko) 2015-10-20 2015-10-20 사용자 인증을 위한 생체 영역을 검출하는 방법 및 장치
US15/082,193 US9875418B2 (en) 2015-10-20 2016-03-28 Method and apparatus for detecting biometric region for user authentication

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150145741A KR101997479B1 (ko) 2015-10-20 2015-10-20 사용자 인증을 위한 생체 영역을 검출하는 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20170045813A KR20170045813A (ko) 2017-04-28
KR101997479B1 true KR101997479B1 (ko) 2019-10-01

Family

ID=58523125

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150145741A KR101997479B1 (ko) 2015-10-20 2015-10-20 사용자 인증을 위한 생체 영역을 검출하는 방법 및 장치

Country Status (2)

Country Link
US (1) US9875418B2 (ko)
KR (1) KR101997479B1 (ko)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190017551A (ko) 2017-08-11 2019-02-20 권민정 사용자 인증 방법 및 장치
KR101977174B1 (ko) * 2017-09-13 2019-05-10 이재준 영상 분석 방법, 장치 및 컴퓨터 프로그램
US10748021B2 (en) * 2018-05-11 2020-08-18 Samsung Electronics Co., Ltd. Method of analyzing objects in images recorded by a camera of a head mounted device
JP7163766B2 (ja) * 2018-12-28 2022-11-01 株式会社デンソーテン 付着物検出装置および付着物検出方法
KR102045223B1 (ko) * 2019-05-03 2019-11-19 주식회사 크레스콤 골 연령 분석 방법, 장치 및 컴퓨터 프로그램
CN111582359B (zh) * 2020-04-28 2023-04-07 新疆维吾尔自治区烟草公司 一种图像识别方法、装置、电子设备及介质
KR102417531B1 (ko) * 2020-07-08 2022-07-06 주식회사 메가젠임플란트 학습 데이터 생성장치 및 그 장치의 구동방법, 그리고 컴퓨터 판독가능 기록매체
KR102583655B1 (ko) * 2021-06-28 2023-10-05 주식회사 에프에스솔루션 이동 객체 검출 방법, 이를 이용하는 이동 객체 검출 장치 및 프로그램
CN116071773B (zh) * 2023-03-15 2023-06-27 广东电网有限责任公司东莞供电局 检测电网建设类档案中表格的方法、装置、介质和设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070030391A1 (en) * 2005-08-04 2007-02-08 Samsung Electronics Co., Ltd. Apparatus, medium, and method segmenting video sequences based on topic
US20140250517A1 (en) * 2011-07-15 2014-09-04 Dae-hoon Kim Authentication method and device using a single-use password including biometric image information

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006268248A (ja) 2005-03-23 2006-10-05 Konica Minolta Photo Imaging Inc 撮影装置、顔の向きの判定方法
JP2007206963A (ja) 2006-02-01 2007-08-16 Canon Inc 画像処理装置及び画像処理方法及びプログラム及び記憶媒体
JP2009282699A (ja) * 2008-05-21 2009-12-03 Seiko Epson Corp 画像における顔の器官の画像に対応する器官領域の検出
JP4980988B2 (ja) 2008-06-13 2012-07-18 トヨタ自動車株式会社 運転者状態推定装置
JP4962470B2 (ja) 2008-10-23 2012-06-27 株式会社デンソー 眼領域検出装置、及びプログラム
US8879800B2 (en) 2011-06-15 2014-11-04 Honeywell International Inc. Quality driven image processing for ocular recognition system
US8971592B2 (en) * 2013-05-09 2015-03-03 Universidad De Chile Method for determining eye location on a frontal face digital image to validate the frontal face and determine points of reference
KR20150005094A (ko) 2013-07-04 2015-01-14 삼성전자주식회사 전자 디바이스 및 전자 디바이스에서 눈 영역 검출 방법
KR101523765B1 (ko) 2013-09-02 2015-05-29 가천대학교 산학협력단 스마트폰 영상에서 개선된 실시간 눈동자 검출 방법
US9208404B2 (en) 2013-11-15 2015-12-08 Adobe Systems Incorporated Object detection with boosted exemplars
CN104680120B (zh) 2013-12-02 2018-10-19 华为技术有限公司 一种人脸检测的强分类器的生成方法及装置
TWI553565B (zh) * 2014-09-22 2016-10-11 銘傳大學 利用二維臉部影像估測其三維角度方法，及其臉部置換資料庫建立方法與臉部影像置換方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070030391A1 (en) * 2005-08-04 2007-02-08 Samsung Electronics Co., Ltd. Apparatus, medium, and method segmenting video sequences based on topic
US20140250517A1 (en) * 2011-07-15 2014-09-04 Dae-hoon Kim Authentication method and device using a single-use password including biometric image information

Also Published As

Publication number Publication date
US20170109592A1 (en) 2017-04-20
KR20170045813A (ko) 2017-04-28
US9875418B2 (en) 2018-01-23

Similar Documents

Publication Publication Date Title
KR101997479B1 (ko) 사용자 인증을 위한 생체 영역을 검출하는 방법 및 장치
KR102439938B1 (ko) 사용자 인증을 위한 멀티-모달 퓨전 방법 및 사용자 인증 방법
CN109948408B (zh) 活性测试方法和设备
KR102359556B1 (ko) 지문 영상을 이용한 사용자 인증 방법 및 사용자 인증을 위한 부호화 모델 생성 방법
CN108073889B (zh) 虹膜区域提取的方法和设备
KR102324468B1 (ko) 얼굴 인증을 위한 장치 및 방법
KR102415503B1 (ko) 분류기 학습 방법 및 객체 검출 방법
KR102170725B1 (ko) 지문 등록 방법 및 장치
Mita et al. Discriminative feature co-occurrence selection for object detection
KR102357326B1 (ko) 얼굴 특징 추출 방법 및 장치, 얼굴 인식 방법 및 장치
KR102290392B1 (ko) 얼굴 등록 방법 및 장치, 얼굴 인식 방법 및 장치
KR102434562B1 (ko) 위조 지문 검출 방법 및 장치, 지문 인식 방법 및 장치
Gualdi et al. Multistage particle windows for fast and accurate object detection
US9208375B2 (en) Face recognition mechanism
US9563821B2 (en) Method, apparatus and computer readable recording medium for detecting a location of a face feature point using an Adaboost learning algorithm
KR102374747B1 (ko) 객체를 인식하는 장치 및 방법
KR102401170B1 (ko) 복합 인증 장치 및 방법
JP2008123521A (ja) 拡張されたガボールウェーブレット特徴を利用したフェース認識方法及び装置
KR102427853B1 (ko) 사용자 인증을 위한 등록 데이터베이스의 적응적 갱신 방법 및 장치
KR102204307B1 (ko) 생체 정보를 포함하는 영상의 전 처리 방법
US20220207305A1 (en) Multi-object detection with single detection per object
KR20180090072A (ko) 홍채 인식 장치 및 방법
KR102205495B1 (ko) 지문 인식 방법 및 장치
Lahiani et al. Hand pose estimation system based on Viola-Jones algorithm for android devices
KR20170003361A (ko) 지문 인식 방법 및 장치

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant