KR102072298B1 - 객체의 동일성 판단 방법 - Google Patents

객체의 동일성 판단 방법 Download PDF

Info

Publication number
KR102072298B1
KR102072298B1 KR1020180052588A KR20180052588A KR102072298B1 KR 102072298 B1 KR102072298 B1 KR 102072298B1 KR 1020180052588 A KR1020180052588 A KR 1020180052588A KR 20180052588 A KR20180052588 A KR 20180052588A KR 102072298 B1 KR102072298 B1 KR 102072298B1
Authority
KR
South Korea
Prior art keywords
comparison
unique
unit
configuration value
constituting
Prior art date
Application number
KR1020180052588A
Other languages
English (en)
Other versions
KR20190128419A (ko
Inventor
김봉균
Original Assignee
김봉균
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 김봉균 filed Critical 김봉균
Priority to KR1020180052588A priority Critical patent/KR102072298B1/ko
Priority to PCT/KR2018/005333 priority patent/WO2019216454A1/ko
Publication of KR20190128419A publication Critical patent/KR20190128419A/ko
Application granted granted Critical
Publication of KR102072298B1 publication Critical patent/KR102072298B1/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
    • G06F21/45—Structures or tools for the administration of authentication
    • 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
    • G06K9/4671—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Multimedia (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 객체의 동일성 판단 방법에 관한 것으로, 보다 구체적으로 객체의 영상으로부터 아이디를 생성하는 경우 기준 객체의 기준 고유 아이디를 구성하는 기준 단위 아이디의 구성값과 비교 객체의 비교 고유 아이디를 구성하는 비교 단위 아이디의 구성값의 동일 여부로 기준 객체와 비교 객체의 동일성 여부를 판단함으로써 영상의 잡음 또는 조명 차이로 인하여 고유 아이디를 구성하는 일부 구성값이 상이한 경우에도 객체를 정확하게 식별 인증할 수 있으며, 객체 영상으로부터 추출한 객체의 특성을 고려하여 생성한 고유 아이디를 통해 객체의 동일성 여부를 판단함으로써 사람뿐만 아니라 동물, 사물 등 모든 객체를 정확하게 식별 인증할 수 있는 객체의 동일성 판단 방법에 관한 것이다.

Description

객체의 동일성 판단 방법{Method for estimating identity of object}
본 발명은 객체의 동일성 판단 방법에 관한 것으로, 보다 구체적으로 객체의 영상으로부터 아이디를 생성하는 경우 기준 객체의 기준 고유 아이디를 구성하는 기준 단위 아이디의 구성값과 비교 객체의 비교 고유 아이디를 구성하는 비교 단위 아이디의 구성값의 동일 여부로 기준 객체와 비교 객체의 동일성 여부를 판단함으로써 영상의 잡음 또는 조명 차이로 인하여 고유 아이디를 구성하는 일부 구성값이 상이한 경우에도 객체를 정확하게 식별 인증할 수 있으며, 객체 영상으로부터 추출한 객체의 특성을 고려하여 생성한 고유 아이디를 통해 객체의 동일성 여부를 판단함으로써 사람뿐만 아니라 동물, 사물 등 모든 객체를 정확하게 식별 인증할 수 있는 객체의 동일성 판단 방법에 관한 것이다.
인증 또는 보안 분야에서는 사용자 또는 객체를 식별하기 위한 아이디가 사용되고 있다. 예를 들어 아이디는 건물의 출입, 보안이 요구되는 은행 업무, 스마트 기기의 사용 인증, 객체의 식별 등 다양한 실생활 및 산업 전반에 이용된다.
이러한 아이디는 사용자나 관리자가 임의적으로 설정한 다수의 문자와 기호로 이루어지거나 사용자의 생체 정보 자체를 고유 아이디로 사용하는 것이 통상적이다.
문자와 기호로 이루어진 아이디의 경우, 사용자가 아이디를 기억하고 있어 사용하여야 하는 문제점을 가지며 아이디가 제3자에 쉽게 노출되어 악용되는 문제점을 가진다.
한편, 생체 정보 자체를 고유 아이디로 사용하는 경우, 생체 정보를 획득하고 획득한 생체 정보와 기저장되어 있는 생체 정보 자체를 서로 비교하여 생체 정보가 일치하는지 여부로 사용자를 인증함으로써, 모든 사용자의 생체 정보를 저장 등록하여야 하며 사용자의 생체 정보는 지극히 개인 정보로서 제3자에 노출되는 경우 막대한 피해를 줄 수 있는 문제점을 가진다.
그리고 종래 아이디는 사용자를 식별하기 위한 것으로 이는 사용자가 인증 또는 등록을 위해 기호와 문자로 아이디를 생성하는 것으로, 사용자의 특성을 반영하지 못한다. 더욱이 종래 아이디는 동물이나 사물의 특성을 반영하여 동물이나 사물을 포함하는 모든 객체를 식별하기 위한 아이디로 생성되지 못한다는 문제점을 가진다.
한편, 종래 아이디를 이용한 사용자 또는 객체의 식별 인증시 문자 또는 기호로 설정한 아이디 또는 생체 정보로부터 생성한 고유 아이디가 모두 일치하여야 사용자 또는 객체의 식별 인증이 가능한데, 아이디 또는 고유 아이디를 긴 문자 또는 순자열로 구성하는 경우 일부가 상이한 경우에는 사용자 또는 객체를 식별 인증하지 못한다는 문제점을 가진다.
이러한 문제점은 아이디를 사용자의 생체 영상 또는 객체의 객체 영상으로부터 사용자 또는 객체의 특성을 고려하여 긴 문자열 또는 순자열로 생성하는 경우 영상의 잡음 또는 조명의 차이로 인하여 아이디를 생성할 때마다 잡음이나 조명 차이로 인하여 일부 상이하게 아이디가 생성되어 동일한 사용자 또는 객체의 경우에도 식별 인증을 실패하게 되는 문제점을 가진다.
본 발명은 위에서 언급한 종래 아이디 생성 방법이 가지는 문제점을 해결하기 위한 것으로, 본 발명이 이루고자 하는 목적은 객체의 영상으로부터 아이디를 생성하는 경우 영상의 잡음 또는 조명 차이에도 불구하고 객체를 정확하게 식별 인증할 수 있는 객체의 동일성 판단 방법을 제공하는 것이다.
본 발명이 이루고자 하는 다른 목적은 객체 영상으로부터 추출한 객체의 특성을 고려하여 생성한 고유 아이디를 통해 사람뿐만 아니라 동물, 사물 등 모든 객체를 식별 인증할 수 있는 할 수 있는 객체의 동일성 판단 방법을 제공하는 것이다.
본 발명이 이루고자 하는 또 다른 목적은 기준 객체의 기준 고유 아이디를 구성하는 기준 단위 아이디의 구성값과 비교 객체의 비교 고유 아이디를 구성하는 비교 단위 아이디의 구성값이 서로 상이한 비교 단위 아이디의 수를 판단하여 일부 구성값이 상이한 경우에도 기준 객체와 비교 객체의 동일성 여부를 정확하게 식별할 수 있는 객체의 동일성 판단 방법을 제공하는 것이다.
본 발명이 이루고자 하는 또 다른 목적은 기준 객체의 기준 고유 아이디를 구성하는 기준 단위 아이디의 각 구성값과 비교 객체의 비교 고유 아이디를 구성하는 비교 단위 아이디의 각 구성값마다 각 구성값의 중요도에 따라 가중치를 상이하게 할당하여 기준 객체와 비교 객체의 동일성 여부를 정확하게 식별할 수 있는 객체의 동일성 판단 방법을 제공하는 것이다.
본 발명의 목적을 달성하기 위하여, 본 발명에 따른 객체의 동일성 판단 방법은 동일한 기준 객체를 촬영한 서로 상이한 복수의 기준 객체 영상으로부터 생성된 기준 객체의 기준 고유 아이디와 동일한 비교 객체를 촬영한 서로 상이한 복수의 비교 객체 영상으로부터 생성된 비교 고유 아이디에서 기준 고유 아이디를 구성하는 각 기준 단위 아이디와 비교 고유 아이디를 구성하는 각 비교 단위 아이디를 비교하는 단계와, 기준 단위 아이디의 구성값 및 비교 단위 아이디의 구성값의 동일 여부를 판단하는 단계와, 기준 단위 아이디의 구성값 및 비교 단위 아이디의 구성값이 서로 상이한 비교 단위 아이디의 수에 기초하여 기준 객체와 비교 객체의 동일성 여부를 식별하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 일 실시예에 따른 객체의 동일성 식별 방법에서 기준 단위 아이디를 구성하는 기준 단위 아이디의 구성값과 비교 단위 아이디를 구성하는 비교 단위 아이디의 구성값이 모두 상이한 비교 단위 아이디의 수와, 기준 단위 아이디를 구성하는 기준 단위 아이디의 구성값과 비교 단위 아이디를 구성하는 비교 단위 아이디의 구성값이 일부 상이한 비교 단위 아이디의 수를 판단하여 기준 객체와 비교 객체의 동일성 여부를 식별하는 것을 특징으로 한다.
바람직하게, 본 발명의 일 실시예에 따른 기준 객체와 비교 객체의 동일성 여부를 식별하는 단계는 기준 단위 아이디를 구성하는 기준 단위 아이디의 제1 구성값과 제2 구성값 및 비교 단위 아이디를 구성하는 비교 단위 아이디의 제1 구성값과 제2 구성값이 모두 상이한 비교 단위 아이디의 수를 판단하는 단계와, 기준 단위 아이디를 구성하는 기준 단위 아이디의 제1 구성값과 비교 단위 아이디를 구성하는 비교 단위 아이디의 제1 구성값은 서로 일치하고 기준 단위 아이디를 구성하는 기준 단위 아이디의 제2 구성값과 비교 단위 아이디를 구성하는 비교 단위 아이디의 제2 구성값은 서로 상이한 비교 단위 아이디의 수를 판단하는 단계와, 기준 단위 아이디를 구성하는 기준 단위 아이디의 제1 구성값과 비교 단위 아이디를 구성하는 비교 단위 아이디의 제1 구성값은 서로 상이하고 기준 단위 아이디를 구성하는 기준 단위 아이디의 제2 구성값과 비교 단위 아이디를 구성하는 비교 단위 아이디의 제2 구성값은 서로 일치하는 비교 단위 아이디의 수를 판단하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 일 실시예에 따른 객체의 동일성 식별 방법에서 기준 단위 아이디를 구성하는 기준 단위 아이디의 구성값과 비교 단위 아이디를 구성하는 비교 단위 아이디의 구성값이 모두 상이한 비교 단위 아이디가 존재하는 경우 기준 객체와 비교 객체는 서로 상이한 객체로 식별하는 것을 특징으로 한다.
바람직하게, 본 발명의 일 실시예에 따른 객체의 동일성 판단 방법에서 기준 객체와 비교 객체의 동일성 여부는 아래의 수학식(1)에 따라 식별하는데,
[수학식 1]
Figure 112018045045180-pat00001
여기서 IDS와 IDC는 각각 기준 고유 아이디와 비교 고유 아이디를 의미하며, x는 제1 구성값과 제2 구성값이 모두 상이한 비교 단위 아이디의 수, y는 제1 구성값은 서로 일치하고 제2 구성값은 서로 상이한 비교 단위 아이디의 수, z는 제1 구성값은 서로 상이하고 제2 구성값은 서로 일치하는 비교 단위 아이디의 수이며, α와β는 각각 y에 할당된 가중치와 z에 할당된 가중치이며,
Figure 112018045045180-pat00002
는 바닥함수를 의미하는 것을 특징으로 한다.
바람직하게, y에 할당된 가중치는 z에 할당된 가중치보다 작은 것을 특징으로 한다.
바람직하게, 기준 객체의 기준 고유 아이디는 데이터베이스부에 기등록 저장되어 있으며, 데이터베이스부에 기등록 저장되어 있는 기준 고유 아이디와 입력된 비교 고유 아이디로부터 기준 객체와 비교 객체의 동일성 여부를 식별하는 것을 특징으로 한다.
여기서 기준 고유 아이디 또는 비교 고유 아이디는 객체를 촬영한 서로 상이한 복수의 객체 영상에서 조명 성분을 추정하고 추정한 조명 성분에 기초하여 복수의 객체 영상별로 조명 정규화된 영상을 생성하는 단계와, SIFT(Scale Invariant Feature Transform) 알고리즘을 이용하여 조명 정규화된 객체 영상별로 특징점(keypoint)을 추출하고 추출한 특징점의 서술자를 생성하는 단계와, 각 조명 정규화된 객체 영상의 특징점 서술자에 기초하여 특징점 사이의 거리로부터 각 객체 영상에 대한 조명 정규화된 객체 영상에서 배경 영역의 특징점을 제거한, 서로 매칭되는 객체의 고유 특징점을 추출하는 단계와, 각 조명 정규화된 객체 영상의 고유 특징점에 대한 서술자의 벡터 행렬로부터 생성되는 각 조명 정규화된 객체 영상의 아이디 후보로부터 객체의 고유 아이디를 생성하는 단계를 통해 생성되는 것을 특징으로 한다.
바람직하게, 객체의 고유 특징점을 추출하는 단계는 복수의 조명 정규화된 객체 영상 중 선택된 2개의 조명 정규화된 객체 영상의 특징점으로 이루어진 특징점 그룹에 대해 특징점 서술자에 기초하여 특징점 사이의 거리로부터 특징점 그룹에서 서로 매칭되는 후보 고유 특징점을 추출하는 단계와, 복수의 조명 정규화된 객체 영상으로부터 생성되는 모든 특징점 그룹으로부터 추출한 후보 고유 특징점에 기초하여 모든 특징점 그룹에서 공통으로 매칭되는 고유 특징점을 추출하는 단계를 포함하는 것을 특징으로 한다.
바람직하게, 고유 아이디를 생성하는 단계는 각 조명 정규화된 객체 영상의 고유 특징점에 대한 서술자의 벡터 행렬로부터 생성되는 각 부분 벡터 행렬의 8차원 주성분에서 가장 큰 수와 가장 작은 수의 위치를 판단하는 단계와, 각 부분 벡터 행렬의 가장 큰 수와 가장 작은 수의 위치를 나타내는 제1 구성값과 제2 구성값의 단위 아이디로 이루어진, 각 조명 정규화된 객체 영상에 대한 후보 아이디를 생성하는 단계와, 각 조명 정규화된 객체 영상에 대한 후보 아이디에서 서로 공통된 수로 이루어진 객체의 고유 아이디를 생성하는 단계를 포함하는 것을 특징으로 한다.
본 발명에 따른 객체의 동일성 판단 방법은 다음과 같은 다양한 효과를 가진다.
첫째, 본 발명에 따른 객체의 동일성 판단 방법은 객체의 영상으로부터 아이디를 생성하는 경우 기준 객체의 기준 고유 아이디를 구성하는 기준 단위 아이디의 구성값과 비교 객체의 비교 고유 아이디를 구성하는 비교 단위 아이디의 구성값의 동일 여부로 기준 객체와 비교 객체의 동일성 여부를 판단함으로써, 영상의 잡음 또는 조명 차이로 인하여 아이디를 구성하는 일부 구성값이 상이한 경우에도 객체를 정확하게 식별 인증할 수 있다.
둘째, 본 발명에 따른 객체의 동일성 판단 방법은 객체 영상으로부터 추출한 객체의 특성을 고려하여 생성한 고유 아이디를 통해 객체의 동일성 여부를 판단함으로써, 사람뿐만 아니라 동물, 사물 등 모든 객체를 정확하게 식별 인증할 수 있다.
셋째, 본 발명에 따른 객체의 동일성 판단 방법은 기준 객체의 기준 고유 아이디를 구성하는 기준 단위 아이디의 각 구성값과 비교 객체의 비교 고유 아이디를 구성하는 비교 단위 아이디의 각 구성값마다 각 구성값의 중요도에 따라 가중치를 상이하게 할당함으로써, 구성값이 일부 상이한 경우에도 가중치에 따라 기준 객체와 비교 객체의 동일성 여부를 정확하게 식별할 수 있다.
도 1은 본 발명의 일 실시예에 따른 객체의 동일성 판단 장치를 설명하기 위한 기능 블록도이다.
도 2는 본 발명의 일 실시예에 따른 고유 아이디 획득부를 설명하기 위한 기능 블록도이다.
도 3은 본 발명에 따른 정규화 영상 생성부의 일 예를 설명하기 위한 도면이다.
도 4는 본 발명에 따른 고유 특징점 생성부의 일 예를 설명하기 위한 기능 블록도이다.
도 5는 본 발명의 일 실시예에 따른 객체의 동일성 판단 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 일 실시예에 따라 고유 아이디를 획득하는 방법을 설명하기 위한 흐름도이다.
도 7은 가운시안 차 영상을 생성하는 일 예를 설명하기 위한 도면이다.
도 8은 가운시안 차 영상 중 현재 픽셀에 인접한 차위 인접 픽셀에서 최대 또는 최소 픽셀값을 가지는 특징점을 판단하는 일 예를 설명하기 위한 도면이다.
도 9(a)는 SIFT 특징점 주변에 위치한 국부 영역의 그래드언트 방향과 크기를 도시한 도면이고, 도 9(b)는 가우시안 가중치를 부여한 후의 그래디언트 방향과 크기를 도시한 도면이다.
도 10은 본 발명에 따른 고유 특징점을 추출하는 단계의 일 예를 설명하기 위한 흐름도이다.
도 11은 제1 내지 제3 조명 정규화 객체 영상에서 추출한 고유 특징점의 일 예를 도시하고 있다.
도 12는 본 발명에 따른 고유 아이디의 생성 단계의 일 예를 설명하기 위한 흐름도이다.
도 13은 조명 정규화된 객체 영상에서 N개의 고유 특징점에 대한 특징점 서술자 벡터 행렬의 일 예를 도시하고 있다.
도 14는 각 조명 정규화된 객체 영상에 대한 제1 구성값과 제2 구성값의 일 예를 도시하고 있다.
도 15 내지 도 17은 기준 고유 아이디와 비교 고유 아이디의 일 예를 도시하고 있다.
본 발명에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다.
또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서, "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들, 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.
이하 첨부한 도면을 참고로 본 발명에 따른 객체의 동일성 판단 방법에 대해 보다 구체적으로 설명한다.
도 1은 본 발명의 일 실시예에 따른 객체의 동일성 판단 장치를 설명하기 위한 기능 블록도이다.
도 1을 참고로 보다 구체적으로 살펴보면, 고유 아이디 획득부(110)는 객체의 영상을 촬영하며, 촬영한 객체의 영상을 SIFT(Scale Invariant Feature Transform) 알고리즘에 적용하여 객체 특징을 나타내는 SIFT 특징점(keypoint)을 추출하고, 추출한 특징점으로부터 객체의 고유 아이디를 생성한다. 고유 아이디 획득부(110)는 기준 객체에 대한 기준 고유 아이디를 기생성하며 기생성한 기준 고유 아이디를 데이터베이스부(150)에 등록 저장하는데, 기준 객체와 동일성을 식별하기 위한 비교 객체가 존재하는 경우 고유 아이디 획득부(110)는 비교 객체의 영상을 촬영하여 비교 객체의 비교 고유 아이디를 획득한다. 여기서 기준 고유 아이디 또는 비교 고유 아이디는 다수의 구성값으로 이루어진 단위 아이디가 다수개의 조합으로 구성된다.
아이디 비교부(130)는 고유 아이디 획득부(110)로부터 비교 객체의 비교 고유 아이디가 입력되는 경우, 데이터베이스부(150)에 등록되어 있는 기준 고유 아이디들의 구성값과 비교 고유 아이디의 구성값을 각각 비교한다.
카운트부(170)는 비교 고유 아이디의 구성값과 기준 고유 아이디의 구성값의 비교 결과에 기초하여, 기준 고유 아이디와 비교 고유 아이디의 구성값이 서로 상이한 비교 단위 아이디의 수를 카운트하며, 식별부(190)는 기준 고유 아이디와 비교 고유 아이디의 구성값이 상이한 비교 단위 아이디의 수에 기초하여 기준 객체와 비교 객체가 서로 동일한지 판단한다.
도 2는 본 발명의 일 실시예에 따른 고유 아이디 획득부를 설명하기 위한 기능 블록도이다.
도 2를 참고로 살펴보면, 영상 촬영부(111)는 객체의 영상을 촬영한다. 여기서 영상 촬영부(111)를 통해 촬영하는 객체는 객체마다 서로 상이한 특성을 가지고 있는 대상으로, 예를 들어 사람의 얼굴, 홍채, 정맥패턴 등이 객체가 될 수 있으며, 본 발명이 적용되는 분야에 따라 강아지, 고양이 등의 애완 동물의 얼굴, 정맥패턴, 홍채 등이 객체가 되거나 이외에도 서로 상이한 특성을 가지는 사물이 객체가 될 수 있다. 영상 촬영부(111)는 서로 시간차이를 두고 객체를 촬영하여 복수의 객체 영상을 획득한다. 바람직하게, 영상 촬영부(111)는 서로 시간차이를 두고 객체를 3회 촬영하여 3개의 객체 영상을 획득한다.
영상 촬영부(111)의 일 예로, 다수의 근적외선 LED 램프가 복수의 열과 행으로 배열되도록 구성된 조명부로부터 조사된 근적외선이 객체를 투과하거나 반사되며 제공되는 광을 이용하여 객체 영상을 촬영하는데, CCD(charge coupled device) 또는CMOS(complementary Metal-Oxide Semiconductor) 카메라를 사용할 수 있다.
정규화 영상 생성부(113)는 영상 촬영부(111)로부터 획득한 복수의 객체 영상 각각에서 조명 성분을 추정하고 추정한 조명 성분에 기초하여 복수의 객체 영상별로 조명 정규화된 영상을 생성한다. 영상 촬영부(111)는 적외선 광원을 이용하여 객체 영상을 획득하는데, 적외선 광원의 배치 위치에 따라 적외선 광원이 객체 특정 부위로 집중되어 조사될 수 있으며 객체 조직 또는 두께의 차이로 인해 획득한 객체 영상에서 조명 성분은 불균형이다.
특징점 생성부(115)는 SIFT(Scale Invariant Feature Transform) 알고리즘을 이용하여 각 조명 정규화된 영상에서 객체 특징을 나타내는 SIFT 특징점(keypoint)을 추출하고, 추출한 SIFT 특징점의 서술자를 생성한다. 추출한 특징점의 서술자는 SIFT 특징점 주변에 위치한 국부 영역의 그레디언트(gradient) 방향과 크기, SIFT 특징점의 위치 정보이다.
고유 특징점 생성부(117)는 각 조명 정규화된 영상의 특징점 서술자에 기초하여 특징점 사이의 거리로부터 각 조명 정규화된 영상에서 서로 매칭되는 특징점을 판단하여 각 조명 정규화된 영상에서 서로 공통된 고유 특징점을 생성한다. 여기서 고유 특징점은 각 조명 정규화된 영상에서 서로 매칭되는 공통된 특징점으로, 각 조명 정규화된 영상의 특징점 중 서로 일치하지 않는 특징점을 제거함으로써, 조명 정규화된 영상에서 배경 영역을 제외한 객체 영역만을 추출할 수 있다.
고유 아이디 생성부(119)는 각 조명 정규화된 영상별로 고유 특징점에 대한 서술자의 벡터 행렬로부터 후보 아이디를 생성하며, 각 조명 정규화된 영상의 후보 아이디에서 서로 공통된 후보 아이디로부터 객체의 고유 아이디를 생성한다.
도 3은 본 발명에 따른 정규화 영상 생성부의 일 예를 설명하기 위한 도면이다.
도 3을 참고로 보다 구체적으로 살펴보면, 제1 반전부(211)는 객체 영상(I(x,y))을 반전시켜 반전 영상(I'(x,y))을 생성하며, 조명 성분 추정부(213)는 저주파 조명 성분을 추출하기 하기 위해 평균 필터를 컨벌루션하여 반전 추정 조명 성분(R(x,y))을 계산한다. 조명 성분은 객체 영상에서 저주파 성분으로 나타나기 때문에, 반전 원본영상에 평균 필터를 컨볼루션하여 반전 원본 영상을 블러(blur)시킴으로써, 반전 원본 영상에서 조명 성분을 추정한다. 여기서 평균 필터는 m×n 크기를 가지며 M×N 크기의 반전 원본 영상과 컨볼루션되어 반전 추정 조명 성분을 생성한다.
제2 반전부(215)는 반전 추정 조명 성분(R(x,y)을 재반전시켜 추정 조명 성분(R'(x,y)을 계산한다.
조명 정규화부(217)는 추정 조명 성분(R'(x,y))과 반전 영상(I'(x,y))을 서로 합하여 0에서 255 사이의 픽셀값은 유지시키고 0 이하의 픽셀값은 0으로 설정하고 255 이상의 픽셀값은 255로 설정하여 조명 정규화된 반전 영상(I''(x,y))을 생성하며, 평활화부(158)는 조명 정규화된 반전 영상(I''(x,y))을 히스토그램 평활화(Histogram Equalization)하여 조명 정규화된 반전 영상(I''(x,y))의 픽셀값을 확산 분포시킨다. 여기서 히스토그램 평활화를 통해 명암 분포가 빈약한 조명 정규화된 반전 영상의 히스토그램은 균일하게 분포되며, 명암 대비를 최대화시킨 조명 정규화된 객체 영상이 생성된다.
제 3 반전부(219)는 반전 평활화 영상을 재반전시켜 조명 정규화된 객체 영상E(x,y)을 생성한다.
영상의 픽셀값이 0에서 255의 값을 가지는 경우, 종래 조명 정규화 방법은 입력 신호로부터 평균 필터를 입력 영상에 적용하여 생성된 추정 조명 성분을 차감하고, 다시 차감한 값에 255을 합산하여 합산한 값을 1/2로 나누어 조명을 정규화하였다. 본 발명에 따른 정규화 영상 생성부는 추정 조명 성분(R'(x,y))과 반전 영상(I'(x,y))을 서로 합하여 0에서 255 사이의 픽셀값은 유지시키고 0이하의 픽셀값은 0으로 설정하고 255 이상의 픽셀값은 255로 설정시킴으로써, 객체 영상을 보다 선명하게 필터링하며 SIFT 특징점 추출 및 매칭의 정확성을 높일 수 있다.
도 4는 본 발명에 따른 고유 특징점 생성부의 일 예를 설명하기 위한 기능 블록도이다.
그룹 생성부(231)는 복수의 조명 정규화된 객체 영상 중에서 선택된 2개의 서로 상이한 조명 정규화된 객체 영상으로 그룹을 생성한다. 즉, 3개의 객체 영상으로부터 3개의 조명 정규화된 객체 영상(E1, E2, E3)을 생성하는 경우, 3개의 조명 정규화된 객체 영상 중 선택된 2개의 조명 정규화된 객체 영상으로부터 제1그룹(E1, E2), 제2그룹(E1, E3), 제3그룹(E2, E3)을 생성한다.
후보 고유 특징점 생성부(233)는 각 그룹을 구성하는 조명 정규화된 객체 영상의 특징점 사이의 거리에 기초하여 각 그룹에서 서로 매칭되는 후보 고유 특징점을 생성하며, 고유 특징점 생성부(235)는 각 그룹에서 서로 매칭되는 후보 고유 특징점 중 모든 그룹에서 공통으로 서로 매칭되는 고유 특징점을 생성한다.
도 5는 본 발명의 일 실시예에 따른 객체의 동일성 판단 방법을 설명하기 위한 흐름도이다.
도 5를 참고로 보다 구체적으로 살펴보면, 비교 객체의 영상을 촬영하고 촬영한 비교 객체의 영상으로부터 비교 객체의 비교 고유 아이디를 획득한다(S100).
비교 고유 아이디를 구성하는 다수의 비교 단위 아이디와 기준 고유 아이디를 구성하는 다수의 기준 단위 아이디를 각각 비교하여 비교 단위 아이디를 구성하는 구성값들과 기준 단위 아이디를 구성하는 구성값들이 서로 일치하는지 여부를 판단한다(S300).
비교 고유 아이디를 구성하는 비교 단위 아이디의 구성값들과 기준 고유 아이디를 구성하는 기준 단위 아이디의 구성값들의 상이 여부를 구성값별로 비교하여 비교 단위 아이디와 기준 단위 아이디의 구성값이 상이한 패턴별로 서로 상이한 구성값을 가지는 비교 단위 아이디의 수를 카운트한다(S500). 여기서 비교 단위 아이디와 기준 단위 아이디는 다수의 구성값들로 구성되는데, 비교 단위 아이디와 기준 단위 아이디의 모든 구성값이 상이한 제1 패턴, 첫번째 구성값만이 상이한 제2 패턴, 두번째 구성값만이 상이한 제3 패턴 등 상이한 패턴별로 서로 상이한 구성값을 가지는 비교 단위 아이디의 수를 카운트한다.
상이한 패턴별로 서로 상이한 구성값을 가지는 비교 단위 아이디의 수에 기초하여 비교 고유 아이디와 기준 고유 아이디 사이의 동일성 식별값을 계산하고(S700), 동일성 식별값에 기초하여 비교 객체와 기준 객체가 서로 동일한 객체인지 여부를 인증 식별한다(S900).
바람직하게, 기준 고유 아이디(IDS)와 비교 고유 아이디(IDC) 사이의 동일성 식별값(f(IDS, IDC))은 아래의 수학식(1)에 따라 계산하는데,
[수학식 1]
Figure 112018045045180-pat00003
x는 제1 구성값과 제2 구성값이 모두 상이한 비교 단위 아이디의 수, y는 제1 구성값은 일치하고 제2 구성값은 서로 상이한 비교 단위 아이디의 수, z는 제1 구성값은 상이하고 제2 구성값은 서로 일치하는 비교 단위 아이디의 수이며, α와β는 각각 y에 할당된 가중치와 z에 할당된 가중치이며,
Figure 112018045045180-pat00004
는 바닥함수를 의미하는 것을 특징으로 한다.
여기서 바닥함수는 같거나 작은 정수로 계산되는 함수로, 예를 들어 바닥함수는 2.7의 값을 가지는 경우 2로 계산하며, 3의 값을 가지는 경우 3으로 계산한다.
본 발명이 적용되는 분야에 따라 기준 단위 아이디와 비교 단위 아이디의 구성값이 3개 이상의 구성값으로 이루어질 수 있으며, 이러한 경우 기준 단위 아이디와 비교 단위 아이디에서 구성값별로 상이한 패턴에 따라 동일성 식별값을 계산할 수 있으며, 이는 본 발명의 범위에 속한다.
바람직하게, 기준 고유 아이디와 비교 고유 아이디 사이의 동일성 식별값이 기설정한 제1 임계값 이하인 경우 기준 객체와 비교 객체는 서로 동일한 객체로 인증 식별하며, 기준 고유 아이디와 비교 고유 아이디 사이의 동일성 식별값이 제1 임계값보다 큰 경우 기준 객체와 비교 객체는 서로 상이한 객체로 인증 식별할 수 있다.
바람직하게, 제1 임계값은 0으로 설정되는 것을 특징으로 하는데, 제1 구성값과 제2 구성값이 모두 상이한 비교 단위 아이디가 1개라도 존재하는 경우 기준 객체와 비교 객체는 서로 상이한 객체로 인증 식별하는 것을 특징으로 한다.
도 6은 본 발명의 일 실시예에 따라 고유 아이디를 획득하는 방법을 설명하기 위한 흐름도이다.
도 6을 참고로 보다 구체적으로 살펴보면, 획득한 동일 객체에 대한 복수의 객체 영상에서 조명 성분을 추정하고 추정한 조명 성분에 기초하여 복수의 객체 영상별로 조명 정규화된 영상을 생성한다(S110).
각 조명 정규화된 영상에서 SIFT 알고리즘을 이용하여 객체의 특징점(keypoint)을 추출하고(S130), 생성한 각 조명 정규화된 영상의 특징점에 대한 서술자(description)을 생성한다(S150).
특징점을 추출하는 단계를 보다 구체적으로 살펴보면, 특징점을 다른 레벨의 분산을 가지는 가우시안 함수와 평화활된 조명 정규화손가락 정맥 영상을 컨볼루션하여 블러(blur)된 스케일 공간 영상을 아래의 수학식(2)과 같이 생성한다.
[수학식 2]
L(x, y, σ)=G(x, y, σ)*E(x,y)
여기서 G(x, y, σ)는 가운시안 함수, E(x,y)는 평활화된 조명 정규화 객체 영상, L(x, y, σ)는 다른 레벨의 분산(σ)을 갖는 가우시안 함수에 의해 블러된 영상을 의미한다.
스케일 공간상에서 안정된 특징점을 찾기 위하여 스케일 공간 영상 중 인접 영상의 차로부터 아래의 수학식(3)와 같이 가우시안 차 영상(DOG, Difference of Gaussian)을 생성한다. 도 7은 가운시안 차 영상을 생성하는 일 예를 설명하기 위한 도면이다.
[수학식 3]
DOG=(G(x, y, kσ)*E(x,y)-G(x, y, σ)*E(x,y))
=L(x, y, kσ)-L(x, y, σ)
가우시안 차 영상 중 현재 픽셀에 인접한 인접 픽셀, 가운시안 차 영상에 상위 및 하위 인접한 인접 가운시안 차 영상 중 현재 픽셀에 인접한 차위 인접 픽셀에서 최대 또는 최소 픽셀값을 가지는 특징점을 판단한다.
도 8을 참고로 보다 구체적으로 살펴보면, 가우시안 차 영상을 이용하여 현재 영상 내에서의 주변 8개의 픽셀과 인접한 영상에서의 9개의 픽셀(pixel)을 비교한다. 'X'위치가 현재 기준픽셀이라고 가정하면, 'X'를 중심으로 이웃한 픽셀과 인접한 가우시안 차 영상에서의 같은 위치의 일정 영역(예를 들어, 3×3)에 포함되는 픽셀을 포함하는 총 26개 픽셀의 픽셀 값을 비교하여 기준픽셀이 최대 혹은 최소의 값이면 기준픽셀을 특징점으로 등록한다. 스케일 공간상의 옥타브별로 가우시안 차 영상을 이용하여 위의 과정을 반복하여 특징점을 찾아낸다.
여기서 SIFT 특징점(X(x,y))의 크기 값에 대한 함수 m(x,y)와 방향 값에 대한 함수 θ(x,y)는 아래의 수학식(4)과 수학식(5)에 의해 계산된다.
[수학식 4]
Figure 112018045045180-pat00005
[수학식 5]
Figure 112018045045180-pat00006
영상의 회전이 있더라도 SIFT 특징점(X') 주변 화소값은 변하지 않으므로, 주변 화소값을 기초로 크기(m(x,y))와 방향(θ(x,y)이 결정되는 SIFT 특징점은 영상의 회전에 대해서 일정한 방향 성질을 유지할 수 있다. 영상이 회전한 만큼 SIFT 특징점의 방향도 함께 회전하므로 SIFT 특징점의 기준 방향은 영상의 회전에도 변하지 않는 특징점 기술자를 생성하는 경우 중요한 기준이 된다.
한편, 특징점 기술자를 생성하는 방식에 대해 보다 구체적으로 살펴보면 특징점 기준방향을 기준으로 특징점 기술자(Keypoint descriptor)를 생성한다.
SIFT 특징점 주변에 위치한 국부 영역의 그래디언트(gradient) 방향과 크기를 계산한다. 국부 영역의 그래디언트 방향과 크기는 앞서 설명한 수학식(4)과 수학식(5)를 통해 계산할 수 있다.
영상회전에 불변하는 기술자를 얻기 위해 그래디언트 방향과 기술자의 좌표를 SIFT 특징점 방향을 기준으로 회전이동하고, 회전된 그래디언트에 SIFT 특징점을 중심으로 가우시안 가중치를 부여한다. SIFT 특징점 주변 영역의 작은 변화에도 그래디언트의 방향과 크기가 민감하게 변하는 것을 방지하기 위해 가우시안 가중치를 부여한다. SIFT 특징점을 중심으로 가우시안 가중치를 부여하여 특징점 주변 영역의 그래디언트를 강조하고 에러를 최소화할 수 있다.
도 9(a)는 SIFT 특징점 주변에 위치한 국부 영역의 그래드언트 방향과 크기를 도시한 도면이고, 도 9(b)는 가우시안 가중치를 부여한 후의 그래디언트 방향과 크기를 도시한 도면이다.
가우시안 가중치가 부여된 그래디언트는 각각의 배열이 8방향을 가지고 있는 4×4 배열로 재구성된다. 이러한 방향성 히스토그램은 128(8×4×4)차원의 벡터로 구성된다. 128차원 벡터를 조명에 강인한 기술자로 만들기 위해 정규화 과정을 수행할 수 있다. 이러한 과정을 통해 생성된 128차원 벡터는 SIFT 특징점을 대표하는 특징점 기술자가 된다.
다시 도 6을 참고로 본 발명에 따른 객체의 고유 아이디를 획득하는 방법에 대해 살펴보면, 각 조명 정규화된 객체 영상의 특징점 서술자에 기초하여 특징점 사이의 거리로부터 각 객체 영상에 대한 조명 정규화된 객체 영상에서 배경 영역의 특징점을 제거한, 서로 매칭되는 객체의 고유 특징점을 추출한다(S170).
각 조명 정규화된 객체 영상의 고유 특징점에 대한 특징점 서술자의 128 벡터 행렬로부터 각 조명 정규화된 객체 영상에 대한 후보 고유 아이디를 생성하고, 각 조명 정규화된 객체 영상에 대한 후보 고유 아이디에서 서로 공통되는 아이디로 객체에 대한 고유 아이디를 획득한다(S190).
도 10은 본 발명에 따른 고유 특징점을 추출하는 단계의 일 예를 설명하기 위한 흐름도이다.
도 10을 참고로 보다 구체적으로 살펴보면, 복수의 조명 정규화된 영상 중 선택된 2개의 조명 정규화된 영상의 특징점으로 특징점 그룹을 생성한다(S171). 즉, 3개의 객체 영상으로부터 3개의 조명 정규화된 객체 영상(E1, E2, E3)을 생성하는 경우, 3개의 조명 정규화된 객체 영상 중 선택된 서로 상이한 2개의 조명 정규화된 객체 영상으로부터 제1그룹(E1, E2), 제2그룹(E1, E3), 제3그룹(E2, E3)을 생성한다.
각 특징점 그룹을 구성하는 조명 정규화된 객체 영상의 특징점 사이의 거리에 기초하여 각 그룹에서 서로 매칭되는 후보 고유 특징점을 추출한다(S173). 예를 들어 제1그룹을 구성하는 제1 조명 정규화된 객체 영상(E1)의 특징점과 제2 조명 정규화된 객체 영상(E2)의 특징점 사이의 거리에 기초하여 제1 조명 정규화된 객체 영상의 특징점과 제2 조명 정규화된 객체 영상 사이에서 서로 공통된 후보 고유 특징점을 추출한다.
바람직하게 각 그룹에서 서로 매칭되는 후보 고유 특징점은 아래의 수학식(6)와 같이 계산된다.
[수학식 6]
Figure 112018045045180-pat00007
여기서 v1n은 제1 조명 정규화된 객체 영상의 특징점이며, v2i, v2j는 제2 조명 정규화된 객체 영상의 특징점들 중 v1n에 가장 가까운 위치의 2개의 특징점이며, dR은 추출 가중치이며,
수학식(6)을 만족하는 경우 v1n, v2i는 후보 고유 특징점으로 추출된다.
생성한 모든 특징점 그룹에 대해 앞서 설명한 방식과 동일한 방식으로 각 특징점 그룹의 후보 고유 특징점을 추출한다.
각 특징점 그룹에서 서로 매칭되는 후보 고유 특징점 중 모든 특징점 그룹에서 공통으로 서로 매칭되는 고유 특징점을 추출한다(S175). 즉 도 11에 도시되어 있는 바와 같이, 3개의 객체 영상으로부터 3개의 조명 정규화된 영상을 획득하는 경우, 제1 조명 정규화된 영상(E1)의 특징점들, 제2 조명 정규화된 영상(E2)의 특징점들 및 제3 조명 정규화된 영상(E3)의 특징점들 사이에서 모두 공통된 고유 특징점을 추출한다.
도 12는 본 발명에 따른 고유 아이디의 생성 단계의 일 예를 설명하기 위한 흐름도이다.
도 12를 참고로 보다 구체적으로 살펴보면, 각 조명 정규화된 객체 영상의 고유 특징점에 대한 특징점 서술자의 벡터 행렬로부터 생성되는 부분 벡터 행렬의 8차원 주성분에서 가장 큰 수와 가장 작은 수의 위치를 판단한다(S191). 도 13에 도시되어 있는 바와 같이, 제1 조명 정규화된 객체 영상에서 N개의 고유 특징점(V1 -1, V1-2,...., V1 -N)이 추출되는 경우, 각 고유 특징점은 앞서 설명한 방식으로 128 차원의 특징점 서술자 벡터 행렬이 생성되는데, 128 차원의 특징점 서술자 벡터 행렬을 8개로 나누어 부분 벡터 행렬(Pi)을 생성하며, 부분 벡터 행렬별로 주성분의 크기의 평균값을 계산하는 경우, 각 평균값에서 가장 큰 수와 가장 작은 수의 위치를 판단한다.
128 차원의 특징점 서술자 벡터 행렬을 8개로 나누어 부분 벡터 행렬(Pi)을 생성하며, 부분 벡터 행렬별로부터 8차원 주성분 벡터를 계산하여, 각 주성분벡터에서 가장 큰 수와 가장 작은 수의 위치를 판단한다. 여기서 주성분이란 부분 벡터 행렬(Pi)의 평균벡터 또는 주성분 분석(PCA, Principle Component Analysis)을 통하여 얻어진 고유치 중 가장 큰 수에 해당되는 고유벡터의 절대값으로 이루어진 벡터를 뜻한다. 주성분분석은 행렬 Pi에 대하여, 그 행렬 대칭행렬(
Figure 112018045045180-pat00008
)과의 행렬곱(
Figure 112018045045180-pat00009
)으로 얻어진 행렬의 고유값과 고유벡터를 계산하여 그 고유벡터들로부터 부분 벡터 행렬(Pi)의 열벡터들의 주성분을 계산하는 방법이다.
도 13에서 부분 벡터 행렬(P1)의 가장 큰 크기의 주성분 크기의 평균값은 4.0이고 가장 작은 주성분 크기의 평균값은 2.6인데, 평균값 4.0은 8번째 위치하고 있으며 평균값 2.6은 3번째 위치한다. 복수의 조명 정규화 영상에서 서로 공통된 고유 특징점의 특징점 서술자 벡터 행렬로부터 생성된 부분 벡터 행렬별 주성분 크기의 평균값은 서로 상이할 수 있는데, 가장 큰 크기의 주성분이 위치하는 순서 및 가장 작은 크기의 주성분이 위치하는 순서는 거의 동일함을 알 수 있다.
다시 도 12를 참고로 살펴보면, 각 부분 벡터 행렬의 가장 큰 수와 가장 작은 수의 위치를 나타내는 제1 구성값(8)과 제2 구성값(3)으로 이루어진, 각 조명 정규화된 객체 영상에 대한 후보 아이디를 생성한다(S193). 앞서 도 12을 참고로 설명한 바와 같이 제1 부분 벡터 행렬(P1)에서는 제1 구성값과 제2 구성값이 각각 8과 3이며 나머지 부분 벡터 행렬에 대해서도 제1 구성값과 제2 구성값을 판단하여 모든 부분 벡터 행렬에 대한 제1 구성값과 제2 구성값으로 이루어진 후보 아이디를 생성한다. 도 14는 각 조명 정규화된 객체 영상에 대한 제1 구성값과 제2 구성값의 일 예를 도시하고 있는데, 제1 조명 정규화된 영상의 모든 부분 벡터 행렬의 제1 구성값과 제2 구성값으로 이루어진 후보 아이디1(ID1), 제2 조명 정규화된 영상의 모든 부분 벡터 행렬의 제1 구성값과 제2 구성값으로 이루어진 후보 아이디(ID2), 제3 조명 정규화된 영상의 모든 부분 벡터 행렬의 제1 구성값과 제2 구성값으로 이루어진 후보 아이디(ID3)은 아래와 같다.
ID1=(83, 71, 57, 34, 36, 62, 35, 41, 34, 12, 47, 65, 47, 21, 65, 27)
ID2=(83, 71, 57, 35, 36, 52, 35, 41, 34, 12, 47, 65, 47, 23, 65, 27)
ID3=(83, 71, 57, 35, 36, 52, 35, 41, 34, 12, 47, 65, 47, 24, 65, 27)
각 조명 정규화된 객체 영상에 대한 후보 아이디에서 서로 공통된 구성값으로 이루어진 객체의 고유 아이디를 생성한다(195). 즉, 제1 조명 정규화된 영상의 후보 아이디1(ID1), 제2 조명 정규화된 영상의 후보 아이디(ID2), 제3 조명 정규화된 영상의 후보 아이디(ID3)에서 일치한 구성값을 그대로 유지하고 서로 일치하지 않는 구성값은 0으로 설정하여 제1 조명 정규화된 영상의 후보 아이디1(ID1), 제2 조명 정규화된 영상의 후보 아이디(ID2), 제3 조명 정규화된 영상의 후보 아이디(ID3)로부터 객체의 고유 아이디를 생성한다.
일 실시예로 복수의 조명 정규화된 객체 영상으로부터 각각 생성된 후보 아이디 중에서 하나라도 서로 일치하지 않는 구성값이 있는 경우에는 0으로 설정할 수 있다. 다른 실시예로 복수의 조명 정규화된 객체 영상으로부터 각각 생성된 후보 아이디의 구성값이 모두 서로 상이한 경우 0으로 설정하고 일치하는 구성값이 존재하는 경우 일치하는 구성값으로 고유 아이디를 설정할 수 있다.
도 14에서 제1 조명 정규화된 영상의 후보 아이디1(ID1), 제2 조명 정규화된 영상의 후보 아이디(ID2), 제3 조명 정규화된 영상의 후보 아이디(ID3)로부터 생성된 일 실시예에 따른 고유 아이디(ID)는 아래와 같다.
ID=(83, 71, 57, 30, 36, 02, 35, 41, 34, 12, 47, 65, 47, 20, 65, 27)
한편, 도 14에서 제1 조명 정규화된 영상의 후보 아이디1(ID1), 제2 조명 정규화된 영상의 후보 아이디(ID2), 제3 조명 정규화된 영상의 후보 아이디(ID3)로부터 생성된 다른 실시예에 따른 고유 아이디(ID)는 아래와 같다.
ID=(83, 71, 57, 35, 36, 52, 35, 41, 34, 12, 47, 65, 47, 20, 65, 27)
도 15 내지 도 17은 기준 고유 아이디와 비교 고유 아이디의 일 예를 도시하고 있는데, 도 15에 도시되어 있는 바와 같이 기준 고유 아이디(IDS)와 비교 고유 아이디(IDC)가 아래와 같은 경우,
IDS=(83, 71, 57, 30, 36, 02, 35, 41, 34, 12, 47, 65, 47, 25, 65, 27)
IDc=(83, 71, 56, 31, 36, 02, 35, 41, 54, 12, 47, 65, 47, 20, 65, 27)
제1 구성값과 제2 구성값이 모두 상이한 비교 단위 아이디의 수는 0이며, 제1 구성값은 서로 일치하고 제2 구성값은 서로 상이한 비교 단위 아이디는 56, 31, 20으로 총 3개이며, 제1 구성값은 서로 상이하고 제2 구성값은 서로 일치하는 비교 단위 아이디는 54로 총 1개이다.
바람직하게 앞서 설명한 수학식(1)에서 y에 할당된 가중치는 z에 할당된 가중치보다 작게 설정되는 것을 특징으로 하는데, 더욱 바람직하게 y에 할당된 가중치와 z에 할당된 가중치는 각각 1/7과 1/4로 설정되는 것을 특징으로 한다. 이는 각 부분 벡터 행렬에서 가장 큰 수의 위치를 나타내는 제1 구성값은 가장 작은 수의 위치를 나타내는 제2 구성값보다 상대적으로 객체의 동일성 식별에 기여도가 크다는 것을 의미한다.
따라서 도 15의 예에서 기준 고유 아이디와 비교 고유 아이디의 동일성 식별값은 아래의 수학식(7)과 같이 계산되어 제1 임계값이 0으로 설정된 경우 비교 객체와 기준 객체는 서로 동일한 객체로 인증 식별한다.
[수학식 7]
Figure 112018045045180-pat00010
한편, 도 16에 도시되어 있는 바와 같이 기준 고유 아이디(IDS)와 비교 고유 아이디(IDC)가 아래와 같은 경우,
IDS=(23, 71, 57, 30, 36, 03, 35, 41, 34, 12, 47, 65, 47, 25, 65, 27)
IDc=(83, 71, 56, 31, 56, 02, 35, 42, 54, 12, 57, 65, 47, 20, 62, 25)
제1 구성값과 제2 구성값이 모두 상이한 비교 단위 아이디의 수는 0이며, 제1 구성값은 서로 일치하고 제2 구성값은 서로 상이한 비교 단위 아이디는 56, 31, 02, 42, 20, 62, 25로 총 7개이며, 제1 구성값은 서로 상이하고 제2 구성값은 서로 일치하는 비교 단위 아이디는 83, 56, 54, 57로 총 4개이다.
따라서 도 16의 예에서 기준 고유 아이디와 비교 고유 아이디의 동일성 식별값은 아래의 수학식(8)과 같이 계산되어 제1 임계값이 0으로 설정된 경우 비교 객체와 기준 객체는 서로 상이한 객체로 인증 식별한다.
[수학식 8]
Figure 112018045045180-pat00011
한편, 도 17에 도시되어 있는 바와 같이 기준 고유 아이디(IDS)와 비교 고유 아이디(IDC)가 아래와 같은 경우,
IDS=(25, 71, 57, 30, 36, 03, 62, 41, 34, 12, 47, 24, 47, 25, 65, 27)
IDc=(83, 71, 56, 31, 56, 02, 35, 42, 54, 12, 57, 65, 47, 20, 62, 35)
제1 구성값과 제2 구성값이 모두 상이한 비교 단위 아이디는 83, 35, 65, 35로 총 4개이며, 제1 구성값은 서로 일치하고 제2 구성값은 서로 상이한 비교 단위 아이디는 56, 31, 02, 42, 20, 62로 총 6개이며, 제1 구성값은 서로 상이하고 제2 구성값은 서로 일치하는 비교 단위 아이디는 56, 54, 57로 총 3개이다.
따라서 도 17의 예에서 기준 고유 아이디와 비교 고유 아이디의 동일성 식별값은 아래의 수학식(9)과 같이 계산되어 제1 임계값이 0으로 설정된 경우 비교 객체와 기준 객체는 서로 상이한 객체로 인증 식별한다.
[수학식 9]
Figure 112018045045180-pat00012
한편, 상술한 본 발명의 실시 예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다.
상기 컴퓨터로 읽을 수 있는 기록 매체는 마그네틱 저장 매체(예를 들어, 롬, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등) 및 캐리어 웨이브(예를 들면, 인터넷을 통한 전송)와 같은 저장 매체를 포함한다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.
110: 고유 아이디 획득부 130: 아이디 비교부
150: 데이터베이스부 170: 카운트부
190: 식별부 111: 영상 촬영부
113: 정규화 영상 생성부 115: 특징점 생성부
117: 고유 특징점 생성부 119: 고유 아이디 생성부

Claims (10)

  1. 기준 객체를 촬영한 서로 상이한 복수의 기준 객체 영상으로부터 생성된 상기 기준 객체의 기준 고유 아이디와 비교 객체를 촬영한 서로 상이한 복수의 비교 객체 영상으로부터 생성된 비교 고유 아이디에서 상기 기준 고유 아이디를 구성하는 각 기준 단위 아이디와 상기 비교 고유 아이디를 구성하는 각 비교 단위 아이디를 비교하는 단계;
    상기 기준 단위 아이디의 구성값 및 상기 비교 단위 아이디의 구성값의 동일 여부를 판단하는 단계; 및
    상기 기준 단위 아이디의 구성값 및 상기 비교 단위 아이디의 구성값이 서로 상이한 비교 단위 아이디의 수에 기초하여 상기 기준 객체와 상기 비교 객체의 동일성 여부를 식별하는 단계를 포함하며,
    여기서 비교 객체의 비교 고유 아이디는 비교 객체를 다수 촬영하여 생성되는 비교 객체에 대한 각 조명 정규화된 객체 영상의 고유 특징점에 대한 서술자의 벡터 행렬 중 각 부분 벡터 행렬의 8차원 주성분에서 가장 큰 수와 가장 작은 수의 위치를 판단하여 각 부분 벡터 행렬의 가장 큰 수와 가장 작은 수의 위치를 나타내는 제1 구성값과 제2 구성값의 비교 단위 아이디로 이루어진, 상기 각 조명 정규화된 객체 영상에 대한 후보 아이디를 생성하고 상기 각 조명 정규화된 객체 영상에 대한 후보 아이디에서 서로 공통된 수로부터 생성되는 것을 특징으로 하는 객체의 동일성 식별 방법.
  2. 제 1 항에 있어서, 상기 객체의 동일성 식별 방법은
    상기 기준 단위 아이디를 구성하는 기준 단위 아이디의 구성값과 상기 비교 단위 아이디를 구성하는 비교 단위 아이디의 구성값이 모두 상이한 비교 단위 아이디의 수와
    상기 기준 단위 아이디를 구성하는 기준 단위 아이디의 구성값과 상기 비교 단위 아이디를 구성하는 비교 단위 아이디의 구성값이 일부 상이한 비교 단위 아이디의 수를 판단하여 상기 기준 객체와 상기 비교 객체의 동일성 여부를 식별하는 것을 특징으로 하는 객체의 동일성 식별 방법.
  3. 제 2 항에 있어서, 상기 기준 객체와 상기 비교 객체의 동일성 여부를 식별하는 단계는
    상기 기준 단위 아이디를 구성하는 기준 단위 아이디의 제1 구성값과 제2 구성값 및 상기 비교 단위 아이디를 구성하는 비교 단위 아이디의 제1 구성값과 제2 구성값이 모두 상이한 비교 단위 아이디의 수를 판단하는 단계;
    상기 기준 단위 아이디를 구성하는 기준 단위 아이디의 제1 구성값과 상기 비교 단위 아이디를 구성하는 비교 단위 아이디의 제1 구성값은 서로 일치하고 상기 기준 단위 아이디를 구성하는 기준 단위 아이디의 제2 구성값과 상기 비교 단위 아이디를 구성하는 비교 단위 아이디의 제2 구성값은 서로 상이한 비교 단위 아이디의 수를 판단하는 단계; 및
    상기 기준 단위 아이디를 구성하는 기준 단위 아이디의 제1 구성값과 상기 비교 단위 아이디를 구성하는 비교 단위 아이디의 제1 구성값은 서로 상이하고 상기 기준 단위 아이디를 구성하는 기준 단위 아이디의 제2 구성값과 상기 비교 단위 아이디를 구성하는 비교 단위 아이디의 제2 구성값은 서로 일치하는 비교 단위 아이디의 수를 판단하는 단계를 포함하는 것을 특징으로 하는 객체의 동일성 식별 방법.
  4. 제 2 항 또는 제 3 항에 있어서, 상기 객체의 동일성 식별 방법에서
    상기 기준 단위 아이디를 구성하는 기준 단위 아이디의 구성값과 상기 비교 단위 아이디를 구성하는 비교 단위 아이디의 구성값이 모두 상이한 비교 단위 아이디가 존재하는 경우 상기 기준 객체와 상기 비교 객체는 서로 상이한 객체로 식별하는 것을 특징으로 하는 객체의 동일성 식별 방법.
  5. 제 4 항에 있어서, 상기 기준 객체와 상기 비교 객체의 동일성 여부는 아래의 수학식(1)에 따라 식별하는데,
    [수학식 1]
    Figure 112018045045180-pat00013

    여기서 IDS와 IDC는 각각 기준 고유 아이디와 비교 고유 아이디를 의미하며, x는 제1 구성값과 제2 구성값이 모두 상이한 비교 단위 아이디의 수, y는 제1 구성값은 서로 일치하고 제2 구성값은 서로 상이한 비교 단위 아이디의 수, z는 제1 구성값은 서로 상이하고 제2 구성값은 서로 일치하는 비교 단위 아이디의 수이며, α와β는 각각 y에 할당된 가중치와 z에 할당된 가중치이며,
    Figure 112018045045180-pat00014
    는 바닥함수를 의미하는 것을 특징으로 하는 객체의 동일성 식별 방법.
  6. 제 5 항에 있어서,
    y에 할당된 가중치는 z에 할당된 가중치보다 작은 것을 특징으로 하는 객체의 동일성 식별 방법.
  7. 제 1 항에 있어서, 상기 기준 객체의 기준 고유 아이디는 데이터베이스부에 기등록 저장되어 있으며,
    상기 데이터베이스부에 기등록 저장되어 있는 기준 고유 아이디와 입력된 비교 고유 아이디로부터 상기 기준 객체와 상기 비교 객체의 동일성 여부를 식별하는 것을 특징으로 하는 객체의 동일성 식별 방법.
  8. 제 7 항에 있어서, 상기 기준 고유 아이디 또는 상기 비교 고유 아이디는
    객체를 촬영한 서로 상이한 복수의 객체 영상에서 조명 성분을 추정하고 추정한 조명 성분에 기초하여 복수의 객체 영상별로 조명 정규화된 영상을 생성하는 단계;
    SIFT(Scale Invariant Feature Transform) 알고리즘을 이용하여 상기 조명 정규화된 객체 영상별로 특징점(keypoint)을 추출하고, 상기 추출한 특징점의 서술자를 생성하는 단계;
    각 조명 정규화된 객체 영상의 특징점 서술자에 기초하여 특징점 사이의 거리로부터 각 객체 영상에 대한 조명 정규화된 객체 영상에서 배경 영역의 특징점을 제거한, 서로 매칭되는 객체의 고유 특징점을 추출하는 단계; 및
    각 조명 정규화된 객체 영상의 고유 특징점에 대한 서술자의 벡터 행렬로부터 생성되는 각 조명 정규화된 객체 영상의 아이디 후보로부터 상기 객체의 고유 아이디를 생성하는 단계를 통해 생성되는 것을 특징으로 하는 객체의 동일성 식별 방법.
  9. 제 8 항에 있어서, 상기 객체의 고유 특징점을 추출하는 단계는
    복수의 조명 정규화된 객체 영상 중 선택된 2개의 조명 정규화된 객체 영상의 특징점으로 이루어진 특징점 그룹에 대해 특징점 서술자에 기초하여 특징점 사이의 거리로부터 특징점 그룹에서 서로 매칭되는 후보 고유 특징점을 추출하는 단계; 및
    상기 복수의 조명 정규화된 객체 영상으로부터 생성되는 모든 특징점 그룹으로부터 추출한 후보 고유 특징점에 기초하여 모든 특징점 그룹에서 공통으로 매칭되는 고유 특징점을 추출하는 단계를 포함하는 것을 특징으로 하는 객체의 동일성 식별 방법.
  10. 제 9 항에 있어서, 상기 고유 아이디를 생성하는 단계는
    각 조명 정규화된 객체 영상의 고유 특징점에 대한 서술자의 벡터 행렬로부터 생성되는 각 부분 벡터 행렬의 8차원 주성분에서 가장 큰 수와 가장 작은 수의 위치를 판단하는 단계;
    각 부분 벡터 행렬의 가장 큰 수와 가장 작은 수의 위치를 나타내는 제1 구성값과 제2 구성값의 단위 아이디로 이루어진, 상기 각 조명 정규화된 객체 영상에 대한 후보 아이디를 생성하는 단계; 및
    상기 각 조명 정규화된 객체 영상에 대한 후보 아이디에서 서로 공통된 수로 이루어진 객체의 고유 아이디를 생성하는 단계를 포함하는 것을 특징으로 하는 객체의 동일성 식별 방법.
KR1020180052588A 2018-05-08 2018-05-08 객체의 동일성 판단 방법 KR102072298B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180052588A KR102072298B1 (ko) 2018-05-08 2018-05-08 객체의 동일성 판단 방법
PCT/KR2018/005333 WO2019216454A1 (ko) 2018-05-08 2018-05-10 객체의 동일성 판단 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180052588A KR102072298B1 (ko) 2018-05-08 2018-05-08 객체의 동일성 판단 방법

Publications (2)

Publication Number Publication Date
KR20190128419A KR20190128419A (ko) 2019-11-18
KR102072298B1 true KR102072298B1 (ko) 2020-01-31

Family

ID=68468011

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180052588A KR102072298B1 (ko) 2018-05-08 2018-05-08 객체의 동일성 판단 방법

Country Status (2)

Country Link
KR (1) KR102072298B1 (ko)
WO (1) WO2019216454A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101442042B1 (ko) * 2013-06-21 2014-09-23 한국과학기술원 보완적 특징점 기반 기술자를 이용한 3차원 객체인식방법 및 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7921120B2 (en) * 2006-11-30 2011-04-05 D&S Consultants Method and system for image recognition using a similarity inverse matrix
KR101174048B1 (ko) * 2010-12-10 2012-08-16 경북대학교 산학협력단 객체 인식 장치 및 객체 인식 방법
JP6544900B2 (ja) * 2014-09-17 2019-07-17 キヤノン株式会社 オブジェクト識別装置、オブジェクト識別方法及びプログラム
KR102221118B1 (ko) * 2016-02-16 2021-02-26 삼성전자주식회사 영상의 특징을 추출하여 객체를 인식하는 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101442042B1 (ko) * 2013-06-21 2014-09-23 한국과학기술원 보완적 특징점 기반 기술자를 이용한 3차원 객체인식방법 및 장치

Also Published As

Publication number Publication date
KR20190128419A (ko) 2019-11-18
WO2019216454A1 (ko) 2019-11-14

Similar Documents

Publication Publication Date Title
JP6778247B2 (ja) 眼球血管および顔認識のための画像および特徴品質、画像強化および特徴抽出、ならびにバイオメトリックシステムのための眼球血管と顔領域および／またはサブ顔領域との融合
Hsia New verification strategy for finger-vein recognition system
Xia et al. Fingerprint liveness detection using gradient-based texture features
KR100950776B1 (ko) 얼굴 인식 방법
WO2009158700A1 (en) Assessing biometric sample quality using wavelets and a boosted classifier
Aravindan et al. Robust partial fingerprint recognition using wavelet SIFT descriptors
JP2013541119A (ja) オブジェクト認識における特徴生成を改善するためのシステム及び方法
CN113614731A (zh) 使用软生物特征的认证验证
Ghoualmi et al. A SIFT-based feature level fusion of iris and ear biometrics
Ismail et al. Efficient enhancement and matching for iris recognition using SURF
Nguyen et al. Face presentation attack detection based on a statistical model of image noise
Imaoka et al. The future of biometrics technology: from face recognition to related applications
Zafar et al. Minutiae based fingerprint matching techniques
Ali et al. Speeded up robust features for efficient iris recognition
Donida Labati et al. A scheme for fingerphoto recognition in smartphones
KR101450247B1 (ko) Ｓｉｆｔ 특징점에 기반한 손가락 정맥 인증 방법
KR102072298B1 (ko) 객체의 동일성 판단 방법
Prasad et al. Iris recognition systems: a review
KR102124244B1 (ko) 객체의 고유 아이디 생성 방법
Korayem et al. Solving avatar captchas automatically
Srinivasa Perumal et al. Learning deep feature representation for face spoofing
Sehgal Palm recognition using LBP and SVM
Kathavarayan et al. Preserving global and local features for robust face recognition under various noisy environments
Chanklan et al. Fingerprint recognition with edge detection and dimensionality reduction techniques
Szczepanik et al. Security lock system for mobile devices based on fingerprint recognition algorithm

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