KR102245206B1 - 지문 추출 장치 및 방법 - Google Patents

지문 추출 장치 및 방법 Download PDF

Info

Publication number
KR102245206B1
KR102245206B1 KR1020190171036A KR20190171036A KR102245206B1 KR 102245206 B1 KR102245206 B1 KR 102245206B1 KR 1020190171036 A KR1020190171036 A KR 1020190171036A KR 20190171036 A KR20190171036 A KR 20190171036A KR 102245206 B1 KR102245206 B1 KR 102245206B1
Authority
KR
South Korea
Prior art keywords
fingerprint
virtual
image
image processing
images
Prior art date
Application number
KR1020190171036A
Other languages
English (en)
Inventor
이병호
조재범
유동헌
채민석
이주현
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020190171036A priority Critical patent/KR102245206B1/ko
Priority to PCT/KR2019/018806 priority patent/WO2021125422A1/ko
Priority to US16/975,244 priority patent/US11816922B2/en
Application granted granted Critical
Publication of KR102245206B1 publication Critical patent/KR102245206B1/ko

Links

Images

Classifications

    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction
    • G06V40/1359—Extracting features related to ridge properties; Determining the fingerprint type, e.g. whorl or loop
    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/13—Sensors therefor
    • G06K9/00013—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06K9/00067—
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction
    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/273—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion removing elements interfering with the pattern to be recognised

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Architecture (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

본 발명의 일 실시예에 따른 지문 분리 장치는 영상의 중앙에 수직으로 위치하는 지문을 포함하는 제1 가상 지문 영상, 및 상기 제1 가상 지문 영상과 상이한 제2 가상 지문 영상들을 생성하고, 상기 제1 가상 지문 영상에 대하여 1차 영상 처리를 수행하고, 상기 제2 가상 지문 영상들에 대하여 1차 영상 처리 및 2차 영상 처리 중 적어도 하나를 수행하고, 상기 1차 영상 처리가 수행된 제1 가상 지문 영상 및 상기 1차 영상 처리 및 상기 2차 영상 처리 중 적어도 하나가 수행된 제2 가상 지문 영상들을 조합하여 가상 겹친 지문 영상들을 생성하는 지문 생성 모듈; 상기 가상 겹친 지문 영상들을 입력 데이터로 하고 상기 제1 가상 지문 영상을 출력 데이터로 하여 기계 학습을 수행함으로써 대상 지문을 추출하는 학습 모델을 생성하는 기계 학습 모듈; 및 실제 영상을 상기 학습 모델에 입력하여 상기 실제 영상의 중앙에 수직으로 위치하는 지문을 추출하는 지문 추출 모듈;을 포함하고, 상기 1차 영상 처리는 지문을 이루는 굴곡에 대한 영상 처리를 포함하고, 상기 2차 영상 처리는 영상 내 지문의 위치에 대한 영상 처리를 포함한다.

Description

지문 추출 장치 및 방법{Apparatus and method for detecting fingerprint}
본 발명의 실시예들은 기계 학습을 이용한 지문 추출 장치 및 방법에 관한 것이다.
일반적으로 개인의 신원을 확인하기 위하여 지문을 확보하고 분석하는 기술이 이용된다. 특히, 범죄 현장에서 채취된 지문을 증거로 용이하게 사용될 수 있다. 다만, 채취된 지문들이 겹쳐있는 경우, 겹쳐진 지문들 중에서 일부 지문을 추출할 필요가 있다.
겹쳐진 지문들 중에서 일부 지문을 추출하기 위한 기술로서, 가시광선 대역에서 촬영한 영상에서 각 지문의 융선이 가지는 방향에 기초하여 겹쳐진 지문들을 분리하는 기술, 겹쳐진 지문들에 레이저를 조사하여 다양한 파장 대역 별로 검출되는 지문들의 형광 세기에 기초하여 겹쳐진 지문들을 분리하는 기술, 질량 분석법을 통해 획득된 겹쳐진 지문들의 스펙트럼들에 기초하여 겹쳐진 지문들을 분리하는 기술 등이 사용되고 있다.
각 지문의 융선이 가지는 방향에 기초하는 기술은, 지문들의 겹쳐지지 않은 융선이 가지는 방향 성분에 기초하여 겹쳐진 융선들이 가지는 방향 성분들을 분리하는 기술로서, 겹쳐진 융선들이 가지는 방향이 모호한 경우에는 겹쳐진 지문들이 정확하게 분리될 수 없다.
레이저를 조사하여 지문들의 형광 세기에 기초하는 기술은, 겹쳐진 지문들이 시간 차이를 두고 형성된 경우에 한하여 유효하므로 사용이 제한적이다.
질량 분석법을 통해 획득된 겹쳐진 지문들의 스펙트럼들에 기초하는 기술은, 겹쳐진 지문들의 샘플을 이온화시키는 과정에서 샘플을 손상시킬 수 있다.
본 발명의 실시예들은 보다 빠르고 정확한 지문 추출 장치 및 방법을 제공하고자 한다.
본 발명의 일 실시예에 따른 지문 분리 장치는 영상의 중앙에 수직으로 위치하는 지문을 포함하는 적어도 하나의 제1 가상 지문 영상, 및 상기 적어도 하나의 제1 가상 지문 영상과 상이한 복수의 제2 가상 지문 영상들을 생성하고, 상기 적어도 하나의 제1 가상 지문 영상에 대하여 1차 영상 처리를 수행하고, 상기 복수의 제2 가상 지문 영상들 각각에 대하여 1차 영상 처리 및 2차 영상 처리 중 적어도 하나를 수행하고, 상기 1차 영상 처리가 수행된 적어도 하나의 제1 가상 지문 영상 및 상기 1차 영상 처리 및 상기 2차 영상 처리 중 적어도 하나가 수행된 복수의 제2 가상 지문 영상들을 조합하여 복수의 가상 겹친 지문 영상들을 생성하는 지문 생성 모듈; 상기 복수의 가상 겹친 지문 영상들을 입력 데이터로 하고 상기 적어도 하나의 제1 가상 지문 영상을 출력 데이터로 하여 기계 학습을 수행함으로써 대상 지문을 추출하는 학습 모델을 생성하는 기계 학습 모듈; 및 실제 영상을 상기 학습 모델에 입력하여 상기 실제 영상의 중앙에 수직으로 위치하는 지문을 추출하는 지문 추출 모듈;을 포함하고, 상기 1차 영상 처리는 지문을 이루는 굴곡에 대한 영상 처리를 포함하고, 상기 2차 영상 처리는 영상 내 지문의 위치에 대한 영상 처리를 포함한다.
본 실시예에서, 상기 지문 생성 모듈은 복수의 가상 배경 영상들을 더 생성하고, 상기 1차 영상 처리가 수행된 적어도 하나의 제1 가상 지문 영상, 상기 1차 영상 처리 및 상기 2차 영상 처리 중 적어도 하나가 수행된 복수의 제2 가상 지문 영상들, 및 상기 복수의 가상 배경 영상들을 조합하여 상기 복수의 가상 겹친 지문 영상들을 생성하고, 상기 복수의 가상 배경 영상들은 각각 지문 이외의 적어도 하나의 패턴을 포함할 수 있다.
본 실시예에서, 상기 1차 영상 처리는 지문의 굴곡을 추가하는 처리, 지문의 굴곡을 제거하는 처리, 지문의 두께를 변경하는 처리, 지문의 선명도를 변경하는 처리 중 적어도 하나를 포함하고, 상기 2차 영상 처리는 지문의 회전 처리 및 지문의 반전 처리 중 적어도 하나를 포함할 수 있다.
본 실시예에서, 상기 복수의 제2 가상 지문 영상들은 각각 영상의 중앙에 위치하지 않거나 수직으로 위치하지 않는 지문을 포함할 수 있다.
본 실시예에서, 상기 복수의 제2 가상 지문 영상들 각각에 포함된 지문의 형상은 상기 적어도 하나의 제1 가상 지문 영상에 포함된 지문의 형상과 상이할 수 있다.
본 실시예에서, 상기 복수의 제2 가상 지문 영상들 각각에 포함된 지문의 형상은 상기 적어도 하나의 제1 가상 지문 영상에 포함된 지문의 형상과 동일할 수 있다.
본 실시예에서, 상기 지문 추출 모듈은 상기 실제 영상에서 타겟 지문을 결정하고, 상기 타겟 지문이 상기 실제 영상의 중앙에 수직으로 위치하도록 상기 실제 영상을 전처리하고, 상기 전처리된 실제 영상을 상기 학습 모델에 입력하여 상기 타겟 지문을 추출할 수 있다.
본 발명의 일 실시예에 따른 지문 분리 방법은 영상의 중앙에 수직으로 위치하는 지문을 포함하는 적어도 하나의 제1 가상 지문 영상을 생성하는 단계; 상기 적어도 하나의 제1 가상 지문 영상과 상이한 복수의 제2 가상 지문 영상들을 생성하는 단계; 상기 적어도 하나의 제1 가상 지문 영상에 대하여 1차 영상 처리를 수행하는 단계; 상기 복수의 제2 가상 지문 영상들에 대하여 1차 영상 처리 및 2차 영상 처리 중 적어도 하나를 수행하는 단계; 상기 1차 영상 처리가 수행된 적어도 하나의 제1 가상 지문 영상 및 상기 1차 영상 처리 및 상기 2차 영상 처리 중 적어도 하나가 수행된 복수의 제2 가상 지문 영상들을 조합하여 복수의 가상 겹친 지문 영상들을 생성하는 단계; 상기 복수의 가상 겹친 지문 영상들을 입력 데이터로 하고 상기 적어도 하나의 제1 가상 지문 영상을 출력 데이터로 하여 기계 학습을 수행함으로써 대상 지문을 추출하는 학습 모델을 생성하는 단계; 및 실제 영상을 상기 학습 모델에 입력하여 상기 실제 영상의 중앙에 수직으로 위치하는 지문을 추출하는 단계;를 포함하고, 상기 1차 영상 처리는 지문을 이루는 굴곡에 대한 영상 처리를 포함하고, 상기 2차 영상 처리는 영상 내 지문의 위치에 대한 영상 처리를 포함한다.
본 실시예에서, 복수의 가상 배경 영상들을 생성하는 단계;를 더 포함하고, 상기 복수의 가상 겹친 지문 영상들을 생성하는 단계는, 상기 1차 영상 처리가 수행된 적어도 하나의 제1 가상 지문 영상, 상기 1차 영상 처리 및 상기 2차 영상 처리 중 적어도 하나가 수행된 복수의 제2 가상 지문 영상들, 및 상기 복수의 가상 배경 영상들을 조합하여 상기 복수의 가상 겹친 지문 영상들을 생성하는 단계이고, 상기 복수의 가상 배경 영상들은 각각 지문 이외의 적어도 하나의 패턴을 포함한다.
본 실시예에서, 상기 1차 영상 처리는 지문의 굴곡을 추가하는 처리, 지문의 굴곡을 제거하는 처리, 지문의 두께를 변경하는 처리, 지문의 선명도를 변경하는 처리 중 적어도 하나를 포함하고, 상기 2차 영상 처리는 지문의 회전 처리 및 지문의 반전 처리 중 적어도 하나를 포함할 수 있다.
본 실시예에서, 상기 복수의 제2 가상 지문 영상들은 각각 영상의 중앙에 위치하지 않거나 수직으로 위치하지 않는 지문을 포함할 수 있다.
본 실시예에서, 상기 복수의 제2 가상 지문 영상들 각각에 포함된 지문의 형상은 상기 적어도 하나의 제1 가상 지문 영상에 포함된 지문의 형상과 상이할 수 있다.
본 실시예에서, 상기 복수의 제2 가상 지문 영상들 각각에 포함된 지문의 형상은 상기 적어도 하나의 제1 가상 지문 영상에 포함된 지문의 형상과 동일할 수 있다.
본 실시예에서, 상기 지문을 추출하는 단계는, 상기 실제 영상에서 타겟 지문을 결정하는 단계; 상기 타겟 지문이 상기 실제 영상의 중앙에 수직으로 위치하도록 상기 실제 영상을 전처리하는 단계; 및 상기 전처리된 실제 영상을 상기 학습 모델에 입력하여 상기 타겟 지문을 추출하는 단계;를 포함할 수 있다.
본 실시예들에 따르면, 융선이 가지는 방향이 뚜렷하지 않은 지문을 빠르고 원활하게 추출할 수 있다.
또한, 배경이 다양한 방향을 가지는 패턴들로 구성되어 있다 하더라고 그로부터 지문을 빠르고 원활하게 추출할 수 있다.
또한, 영상을 이용하여 지문을 추출하므로 표본 손상의 염려가 없고, 기계 학습에 기초하기 때문에 지문의 형성 시간과 무관하게 지문을 추출할 수 있다.
즉, 본 발명의 실시예들에 따르면 보다 빠르고 정확한 지문 추출 장치 및 방법을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 지문 추출 장치의 구조를 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 대상 지문 추출 학습 모델 생성 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 제1 및 제2 가상 지문 영상, 및 가상 배경 영상을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 1차 영상 처리 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 1차 및 2차 영상 처리 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 가상 겹친 지문 영상을 설명하기 위한 흐름도이다.
도 7은 본 발명의 일 실시예에 따른 대상 지문 추출 학습 모델을 이용한 타겟 지문 추출 방법을 설명하기 위한 흐름도이다.
도 8은 본 발명의 일 실시예에 따른 실제 영상 전처리 방법을 설명하기 위한 도면이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
이하의 실시예에서, 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
이하의 실시예에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 다수의 표현을 포함한다. 이하의 실시예에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 발명의 실시예들은 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다. 본 발명의 실시예의 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 본 발명의 실시예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 발명의 실시예들은 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. 매커니즘, 요소, 수단, 구성과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.
도 1은 본 발명의 일 실시예에 따른 지문 추출 장치의 구조를 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 지문 추출 장치(100)는 지문 생성 모듈(110), 기계 학습 모듈(130), 및 지문 추출 모듈(150)을 포함한다.
지문 생성 모듈(110)은 복수의 가상 겹친 지문 영상들을 생성한다.
지문 생성 모듈(110)은 영상의 중앙에 수직으로 위치하는 지문을 포함하는 적어도 하나의 제1 가상 지문 영상, 및 적어도 하나의 제1 가상 지문 영상과 상이한 복수의 제2 가상 지문 영상들을 생성하고, 적어도 하나의 제1 가상 지문 영상에 대하여 1차 영상 처리를 수행하고, 복수의 제2 가상 지문 영상들 각각에 대하여 1차 영상 처리 및 2차 영상 처리 중 적어도 하나를 수행하고, 1차 영상 처리가 수행된 적어도 하나의 제1 가상 지문 영상 및 1차 영상 처리 및 상기 2차 영상 처리 중 적어도 하나가 수행된 복수의 제2 가상 지문 영상들을 조합하여 복수의 가상 겹친 지문 영상들을 생성한다.
제1 가상 지문 영상은 지문이 영상의 중앙에 수직으로 위치하는 영상을 가리킬 수 있다. 다시 말해, 제1 가상 지문 영상은, 지문의 중앙과 영상의 중앙이 일치하고, 지문의 최상단 포물선의 극점과 최하단 포물선의 극점을 이은 직선의 방향이 영상 내에서 수직 방향인 영상일 수 있다.
지문의 중앙은 적어도 하나의 픽셀을 포함할 수 있다. 예를 들어, 지문의 중앙은 지문 내부의 최장선과 최단선이 겹쳐지는 적어도 하나의 픽셀, 지문 내부의 최장선 중간의 적어도 하나의 픽셀, 지문 내부의 최단선 중간의 적어도 하나의 픽셀, 또는 지문의 최상단 포물선의 극점과 최하단 포물선의 극점을 이은 직선 중간의 적어도 하나의 픽셀을 포함할 수 있으며, 이에 한정하지 않는다.
지문의 중앙은 적어도 하나의 픽셀을 포함하는 소정 영역일 수 있다. 예를 들어, 지문의 중앙은 지문 내부의 최장선과 최단선이 겹쳐지는 적어도 하나의 픽셀, 지문 내부의 최장선 중간의 적어도 하나의 픽셀, 지문 내부의 최단선 중간의 적어도 하나의 픽셀, 또는 지문의 최상단 포물선의 극점과 최하단 포물선의 극점을 이은 직선 중간의 적어도 하나의 픽셀을 중심으로 소정 개수의 픽셀들을 더 포함하는 소정 영역일 수 있다. 소정 영역으로 이루어진 지문의 중앙의 형태는 원형 또는 다각형일 수 있으며, 이에 한정하지 않는다.
영상의 중앙은 적어도 하나의 픽셀을 포함할 수 있다. 예를 들어, 직사각형인 영상의 꼭지점들을 이은 대각선들이 겹쳐지는 적어도 하나의 픽셀, 또는 원형인 영상의 중심에 해당하는 적어도 하나의 픽셀을 포함할 수 있으며, 이에 한정하지 않는다.
영상의 중앙은 적어도 하나의 픽셀을 포함하는 소정 영역일 수 있다. 예를 들어, 영상의 중앙은 직사각형인 영상의 꼭지점들을 이은 대각선들이 겹쳐지는 적어도 하나의 픽셀, 또는 원형인 영상의 중심에 해당하는 적어도 하나의 픽셀을 중심으로 소정 개수의 픽셀들을 더 포함하는 소정 영역일 수 있다. 소정 영역으로 이루어진 지문의 중앙의 형태는 원형 또는 다각형일 수 있으며, 이에 한정하지 않는다.
지문의 중앙 및 영상의 중앙의 일치는, 지문의 중앙의 적어도 일부 및 영상의 중앙의 적어도 일부의 일치를 가리킬 수 있다. 예를 들어, 지문의 중앙과 영상의 중앙이 일치한다 함은, 지문의 중앙의 적어도 하나의 픽셀과 영상의 중앙의 적어도 하나의 픽셀이 겹쳐지거나, 지문의 중앙인 소정 영역의 적어도 일부가 영상의 중앙인 소정 영역의 적어도 일부가 겹쳐짐을 의미할 수 있다.
지문 생성 모듈(110)은 복수의 제1 가상 지문 영상들을 생성할 수 있다. 이때, 복수의 제1 가상 지문 영상들 각각의 지문의 형상이 서로 상이할 수 있다. 예를 들어, 복수의 제1 가상 지문 영상들 각각의 지문을 구성하는 융선의 개수, 길이, 두께 등이 서로 상이할 수 있다.
1차 영상 처리는 지문을 이루는 굴곡에 대한 영상 처리를 포함할 수 있다. 예를 들어, 1차 영상 처리는 지문의 굴곡을 추가하는 처리, 지문의 굴곡을 제거하는 처리, 지문의 두께를 변경하는 처리, 지문의 선명도를 변경하는 처리 중 적어도 하나를 포함할 수 있다.
제1 가상 지문 영상에 1차 영상 처리가 수행됨으로써, 지문이 형성된 표면의 특성이나 지문을 형성하는 힘의 특성 등이 반영되어 실제 지문에 가까운 가상 지문이 구현될 수 있다.
제2 가상 지문 영상은 지문이 영상의 중앙에 위치하지 않거나 수직으로 위치하지 않는 영상을 가리킬 수 있다. 다시 말해, 제2 가상 지문 영상은 지문의 중앙과 영상의 중앙이 일치하지 않거나, 최상단 포물선의 극점과 최하단 포물선의 극점을 이은 직선의 방향이 영상 내에서 수직 방향이 아닌 영상일 수 있다.
지문 생성 모듈(110)은 복수의 제2 가상 지문 영상들을 생성할 수 있다. 이때, 복수의 제2 가상 지문 영상들 각각의 지문의 형상이 서로 상이할 수 있다. 예를 들어, 복수의 제2 가상 지문 영상들 각각의 지문을 구성하는 융선의 개수, 길이, 두께 등이 서로 상이할 수 있다.
복수의 제2 가상 지문 영상들 각각에 포함된 지문의 형상은 복수의 제1 가상 지문 영상들 각각에 포함된 지문의 형상과 상이할 수 있다.
복수의 제2 가상 지문 영상들 각각에 포함된 지문의 형상은 복수의 제1 가상 지문 영상들 각각에 포함된 지문의 형상과 동일할 수 있다. 예를 들어, 지문 생성 모듈(110)은 지문이 영상의 중앙에 수직으로 위치하는 제1 가상 지문 영상 및 제1 가상 지문 영상에 포함된 지문과 동일한 지문이 영상의 중앙에 위치하지 않거나 수직으로 위치하지 않는 제2 가상 지문 영상을 생성할 수 있다.
2차 영상 처리는 영상 내 지문의 위치에 대한 영상 처리를 포함할 수 있다. 예를 들어, 2차 영상 처리는 지문의 회전 처리 및 지문의 반전 처리 중 적어도 하나를 포함할 수 있다.
제2 가상 지문 영상에 1차 영상 처리가 수행됨으로써, 지문이 형성된 표면의 특성이나 지문을 형성하는 힘의 특성 등이 반영되어 실제 지문에 가까운 가상 지문이 구현될 수 있다.
제2 가상 지문 영상에 2차 영상 처리가 수행됨으로써, 제1 가상 지문 영상과 구별되는 영상이 생성될 수 있다.
한편, 지문 생성 모듈(110)은 복수의 가상 배경 영상들을 더 생성하고, 1차 영상 처리가 수행된 적어도 하나의 제1 가상 지문 영상, 1차 영상 처리 및 2차 영상 처리 중 적어도 하나가 수행된 복수의 제2 가상 지문 영상들, 및 복수의 가상 배경 영상들을 조합하여 복수의 가상 겹친 지문 영상들을 생성할 수 있다.
복수의 가상 배경 영상들은 각각 지문 이외의 적어도 하나의 패턴을 포함할 수 있다.
지문 생성 모듈(110)은 복수의 가상 배경 영상들 각각의 적어도 하나의 패턴에 대하여, 적어도 일부의 형상을 변경하거나, 두께를 변경하거나, 선명도를 변경하거나, 회전시키거나 반전시키는 영상 처리를 수행할 수 있다.
지문 생성 모듈(110)은 복수의 가상 배경 영상들 각각에 오염이나 얼룩을 추가하는 영상 처리를 수행할 수도 있으며, 이에 한정하지 않는다.
지문 생성 모듈(110)은 영상 처리된 복수의 가상 배경 영상들을 1차 영상 처리가 수행된 적어도 하나의 제1 가상 지문 영상, 1차 영상 처리 및 2차 영상 처리 중 적어도 하나가 수행된 복수의 제2 가상 지문 영상들과 조합하여 복수의 가상 겹친 지문 영상들을 생성할 수 있다.
가상 배경 영상에 영상 처리가 수행됨으로써, 실제 현장에 가까운 가상 배경이 구현될 수 있다.
지문 생성 모듈(110)에 의해 생성된 적어도 하나의 제1 가상 지문 영상 및 복수의 가상 겹친 지문 영상들은 학습용 데이터 셋을 구성할 수 있다. 지문 생성 모듈(110)에 의해 생성된 학습용 데이터 셋이 기계 학습 모듈(130)에 의해 기계 학습될 수 있다.
기계 학습 모듈(130)은 복수의 가상 겹친 지문 영상들을 입력 데이터로 하고 적어도 하나의 제1 가상 지문 영상을 출력 데이터로 하여 기계 학습을 수행함으로써 대상 지문을 추출하는 학습 모델을 생성한다.
기계 학습 모듈(130)은 예를 들어, 복수의 가상 겹친 지문 영상들 및 적어도 하나의 제1 가상 지문 영상을 CNN(Convolutional Neural Network) 알고리즘 등의 딥 러닝 알고리즘의 입력 데이터 및 출력 데이터로 하여 기계 학습을 수행함으로써, 영상의 중앙에 수직으로 위치하는 지문을 대상 지문으로서 추출하는 학습 모델을 생성할 수 있다.
지문 추출 모듈(150)은 실제 영상을 대상 지문 추출 학습 모델에 입력하여 실제 영상의 중앙에 수직으로 위치하는 지문을 추출한다.
실제 영상은 현장에 형성된 지문을 촬영한 영상일 수 있다. 실제 영상에서 지문은 영상의 중앙에 위치하지 않거나 수직으로 위치하지 않을 수 있다. 기계 학습 모듈(1`)에 의해 생성된 학습 모델을 통해 실제 영상에서 지문을 추출하기 위해서는 지문이 실제 영상의 중앙에 수직으로 위치하도록 실제 영상을 전처리할 필요가 있다.
지문 추출 모듈(150)은 실제 영상에서 타겟 지문을 결정하고, 타겟 지문이 실제 영상의 중앙에 수직으로 위치하도록 실제 영상을 전처리하고, 전처리된 실제 영상을 학습 모델에 입력하여 타겟 지문을 추출할 수 있다.
지문 추출 모듈(150)은 사용자 입력 또는 미리 정해진 조건에 의해 타겟 지문을 결정할 수 있으며, 이에 한정하지 않는다.
지문 추출 모듈(150)은 타겟 지문이 실제 영상에 수직으로 위치하도록 실제 영상을 회전하는 영상 전처리 및/또는 타겟 지문이 실제 영상의 중앙에 위치하도록 실제 영상을 이동 및/또는 크롭하는 영상 전처리 등을 통해 타겟 지문을 실제 영상의 중앙에 수직으로 위치시킬 수 있다.
그 결과, 전처리된 실제 영상은, 타겟 지문의 중앙과 영상의 중앙이 일치하고, 타겟 지문의 최상단 포물선의 극점과 최하단 포물선의 극점을 이은 직선의 방향이 영상 내에서 수직 방향인 영상일 수 있다.
지문 추출 모듈(150)은 학습 모델에 타겟 지문이 중앙에 수직으로 위치하도록 전처리된 실제 영상을 입력함으로써, 학습 모델이 실제 영상으로부터 추출하여야 하는 타겟 지문을 보다 명확하게 특정할 수 있다.
본 실시예들에 따르면, 융선이 가지는 방향이 뚜렷하지 않은 지문을 빠르고 원활하게 추출할 수 있다.
또한, 배경이 다양한 방향을 가지는 패턴들로 구성되어 있다 하더라고 그로부터 지문을 빠르고 원활하게 추출할 수 있다.
또한, 영상을 이용하여 지문을 추출하므로 표본 손상의 염려가 없고, 기계 학습에 기초하기 때문에 지문의 형성 시간과 무관하게 지문을 추출할 수 있다.
이하에서 도 2 내지 도 6을 참조하여, 본 발명의 실시예들에 따른 기계 학습의 대상에 해당하는 학습용 데이터 셋을 생성하는 방법을 상세하게 설명한다.
도 2는 본 발명의 일 실시예에 따른 대상 지문 추출 학습 모델 생성 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 제1 및 제2 가상 지문 영상, 및 가상 배경 영상을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 1차 영상 처리 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 1차 및 2차 영상 처리 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 가상 겹친 지문 영상을 설명하기 위한 흐름도이다.
도 2 및 도 3을 참조하면, 지문 생성 모듈(110)은 각각 영상의 중앙에 수직으로 위치하는 지문을 포함하는 복수의 제1 가상 지문 영상(10)들, 복수의 제1 가상 지문 영상들과 상이한 복수의 제2 가상 지문 영상(20)들, 및 복수의 가상 배경 영상(30)들을 생성한다(S201).
복수의 제2 가상 지문 영상(20)들 각각 영상의 중앙에 위치하지 않거나 수직으로 위치하지 않는 지문을 포함하는 점에서 복수의 제1 가상 지문 영상들과 상이할 수 있다.
한편, 지문 생성 모듈(110)은 복수의 제1 가상 지문 영상(10)들에 대하여 1차 영상 처리를 수행한다(S203). 지문 생성 모듈(110)은 복수의 제1 가상 지문 영상(10)들 전부 또는 일부에 대하여 1차 영상 처리를 수행할 수 있다.
도 4를 참조하면, 지문 생성 모듈(110)은 예를 들어, 제1 가상 지문 영상(10)에 대하여 지문의 굴곡이 추가 및/또는 제거되도록 영상 처리된 제1 가상 지문 영상(10-1)을 생성할 수 있다.
지문 생성 모듈(110)은 예를 들어, 제1 가상 지문 영상(10)에 대하여 지문의 두께가 변경되도록 영상 처리된 제1 가상 지문 영상(10-3)을 생성할 수 있다.
지문 생성 모듈(110)은 예를 들어, 제1 가상 지문 영상(10)에 대하여 지문의 선명도가 변경되도록 영상 처리된 제1 가상 지문 영상(10-5)을 생성할 수 있다.
다시 도 2 및 도 3을 참조하면, 복수의 제2 가상 지문 영상(20)들에 대하여 1차 영상 처리 및 2차 영상 처리 중 적어도 하나를 수행한다(S205).
도 5를 참조하면, 지문 생성 모듈(110)은 예를 들어, 제2 가상 지문 영상(20)에 대하여, 지문의 굴곡이 추가 및/또는 제거되도록 영상 처리된 제2 가상 지문 영상(20-1), 지문의 두께가 변경되도록 영상 처리된 제2 가상 지문 영상(20-3), 지문의 선명도가 변경되도록 영상 처리된 제2 가상 지문 영상(20-5)을 생성할 수 있다.
이어서, 지문 생성 모듈(110)은 예를 들어, 지문의 굴곡이 추가 및/또는 제거되도록 영상 처리된 제2 가상 지문 영상(20-1)에 대하여, 지문이 시계 방향 또는 반시계 방향으로 소정 각도만큼 회전되도록 영상 처리된 제2 가상 지문 영상(20-11), 지문의 좌우 또는 상하가 반전되도록 영상 처리된 제2 가상 지문 영상(20-13)을 생성할 수 있다.
도시하지 않았으나, 지문 생성 모듈(110)은 예를 들어, 지문의 두께가 변경되도록 영상 처리된 제2 가상 지문 영상(20-3)에 대하여, 지문이 시계 방향 또는 반시계 방향으로 소정 각도만큼 회전되도록 영상 처리된 제2 가상 지문 영상, 지문의 좌우 또는 상하가 반전되도록 영상 처리된 제2 가상 지문 영상을 생성할 수 있다.
도시하지 않았으나, 지문 생성 모듈(110)은 예를 들어, 지문의 선명도가 변경되도록 영상 처리된 제2 가상 지문 영상(20-5)에 대하여, 지문이 시계 방향 또는 반시계 방향으로 소정 각도만큼 회전되도록 영상 처리된 제2 가상 지문 영상, 지문의 좌우 또는 상하가 반전되도록 영상 처리된 제2 가상 지문 영상을 생성할 수 있다.
도시하지 않았으나, 지문 생성 모듈(110)은 예를 들어, 제2 가상 지문 영상(20)에 대하여, 지문이 시계 방향 또는 반시계 방향으로 소정 각도만큼 회전되도록 영상 처리된 제2 가상 지문 영상, 지문의 좌우 또는 상하가 반전되도록 영상 처리된 제2 가상 지문 영상을 생성할 수 있다.
다시 도 2 및 도 3을 참조하면, 지문 생성 모듈(110)은 1차 영상 처리가 수행된 복수의 제1 가상 지문 영상들 및 1차 영상 처리 및 상기 2차 영상 처리 중 적어도 하나가 수행된 복수의 제2 가상 지문 영상들, 및 복수의 가상 배경 영상들을 조합하여 복수의 가상 겹친 지문 영상들을 생성한다(S207).
도 4 내지 도 6을 참조하면, 예를 들어, 지문 생성 모듈(110)은 지문의 굴곡이 추가 및/또는 제거되도록 영상 처리된 제1 가상 지문 영상(10-1), 지문의 두께가 변경되도록 영상 처리된 제1 가상 지문 영상(10-3), 및 지문의 선명도가 변경되도록 영상 처리된 제1 가상 지문 영상(10-5) 중 어느 하나와, 지문의 굴곡이 추가 및/또는 제거되도록 영상 처리된 제2 가상 지문 영상(20-1)에 대하여 지문이 시계 방향 또는 반시계 방향으로 소정 각도만큼 회전되도록 영상 처리된 제2 가상 지문 영상(20-11), 및 지문의 굴곡이 추가 및/또는 제거되도록 영상 처리된 제2 가상 지문 영상(20-1)에 대하여 지문의 좌우 또는 상하가 반전되도록 영상 처리된 제2 가상 지문 영상(20-13) 중 어느 하나와, 복수의 가상 배경 영상(30)들 중 어느 하나를 조합하여 가상 겹친 지문 영상(40)을 생성할 수 있다.
한편, 제1 가상 지문 영상(10) 및 가상 겹친 지문 영상(40)은 학습용 데이터 셋을 구성할 수 있다.
다시 도 2 및 도 3을 참조하면, 기계 학습 모듈(130)은 복수의 가상 겹친 지문 영상(40, 도 6)들을 입력 데이터로, 복수의 제1 가상 지문 영상(10)들을 출력 데이터로 기계 학습을 수행하여 대상 지문 추출 학습 모델을 생성한다(S209).
즉, 기계 학습 모듈(130)은 복수의 학습용 데이터 셋들에 대하여 딥 러닝 알고리즘에 의한 기계 학습을 반복 수행하여 대상 지문 추출 학습 모델을 생성할 수 있다.
본 실시예들에 따르면, 패턴 인식, 패턴 복원, 패턴 분리 등의 영상 처리에 뛰어난 효과를 가지는 기계 학습을 통해 생성된 학습 모델을 이용함으로써, 보다 선명한 대상 지문을 추출할 수 있다.
이하에서 도 7 및 도 8을 참조하여, 본 발명의 실시예들에 따른 지문 추출 방법을 상세하게 설명한다.
도 7은 본 발명의 일 실시예에 따른 대상 지문 추출 학습 모델을 이용한 타겟 지문 추출 방법을 설명하기 위한 흐름도이다.
도 8은 본 발명의 일 실시예에 따른 실제 영상 전처리 방법을 설명하기 위한 도면이다.
도 7 및 도 8을 참조하면, 지문 추출 모듈(150)은 실제 영상(50)에서 타겟 지문(51)을 결정하고(S701), 타겟 지문(51)이 실제 영상(50)의 중앙에 수직으로 위치하도록 실제 영상(50)을 전처리한다(S703).
예를 들어, 지문 추출 모듈(150)은 실제 영상(50)의 타겟 지문(51)이 수직으로 위치하도록 회전 처리된 실제 영상(50-1)에 대하여, 타겟 지문(51)이 중앙에 위치하도록 크롭 처리된 실제 영상(50-11)을 생성할 수 있다.
이어서, 지문 추출 모듈(150)은 전처리된 실제 영상 예를 들어, 타겟 지문(51)이 수직으로 중앙에 위치하도록 회전 및 크롭 처리된 실제 영상(50-11)을 기계 학습 모듈(130)에 의해 생성된 학습 모델에 입력하여 타겟 지문(51)을 추출한다(S705).
본 실시예들에 따르면, 영상의 중앙에 수직으로 위치하는 지문을 추출하도록 기계 학습된 학습 모델에, 영상의 중앙에 수직으로 위치하도록 전처리된 실제 영상을 입력함으로써, 타겟 지문(51)을 보다 빠르고 정확하게 추출할 수 있다.
이제까지 본 발명에 대하여 바람직한 실시예를 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명을 구현할 수 있음을 이해할 것이다.
그러므로 상기 개시된 실시예는 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 특허청구범위에 의해 청구된 발명 및 청구된 발명과 균등한 발명들은 본 발명에 포함된 것으로 해석되어야 한다.
100: 지문 추출 장치
110: 지문 생성 모듈
130: 기계 학습 모듈
150: 지문 추출 모듈

Claims (14)

  1. 영상의 중앙에 수직으로 위치하는 지문을 포함하는 적어도 하나의 제1 가상 지문 영상, 및 상기 적어도 하나의 제1 가상 지문 영상과 상이한 복수의 제2 가상 지문 영상들을 생성하고, 상기 적어도 하나의 제1 가상 지문 영상에 대하여 1차 영상 처리를 수행하고, 상기 복수의 제2 가상 지문 영상들 각각에 대하여 1차 영상 처리 및 2차 영상 처리 중 적어도 하나를 수행하고, 상기 1차 영상 처리가 수행된 적어도 하나의 제1 가상 지문 영상 및 상기 1차 영상 처리 및 상기 2차 영상 처리 중 적어도 하나가 수행된 복수의 제2 가상 지문 영상들을 조합하여 복수의 가상 겹친 지문 영상들을 생성하는 지문 생성 모듈;
    상기 복수의 가상 겹친 지문 영상들을 입력 데이터로 하고 상기 적어도 하나의 제1 가상 지문 영상을 출력 데이터로 하여 기계 학습을 수행함으로써 대상 지문을 추출하는 학습 모델을 생성하는 기계 학습 모듈; 및
    실제 영상을 상기 학습 모델에 입력하여 상기 실제 영상의 중앙에 수직으로 위치하는 지문을 추출하는 지문 추출 모듈;을 포함하고,
    상기 1차 영상 처리는 지문을 이루는 굴곡에 대한 영상 처리를 포함하고, 상기 2차 영상 처리는 영상 내 지문의 위치에 대한 영상 처리를 포함하는, 지문 추출 장치.
  2. 청구항 1에 있어서,
    상기 지문 생성 모듈은 복수의 가상 배경 영상들을 더 생성하고, 상기 1차 영상 처리가 수행된 적어도 하나의 제1 가상 지문 영상, 상기 1차 영상 처리 및 상기 2차 영상 처리 중 적어도 하나가 수행된 복수의 제2 가상 지문 영상들, 및 상기 복수의 가상 배경 영상들을 조합하여 상기 복수의 가상 겹친 지문 영상들을 생성하고,
    상기 복수의 가상 배경 영상들은 각각 지문 이외의 적어도 하나의 패턴을 포함하는, 지문 추출 장치.
  3. 청구항 1에 있어서,
    상기 1차 영상 처리는 지문의 굴곡을 추가하는 처리, 지문의 굴곡을 제거하는 처리, 지문의 두께를 변경하는 처리, 지문의 선명도를 변경하는 처리 중 적어도 하나를 포함하고, 상기 2차 영상 처리는 지문의 회전 처리 및 지문의 반전 처리 중 적어도 하나를 포함하는, 지문 추출 장치.
  4. 청구항 1에 있어서,
    상기 복수의 제2 가상 지문 영상들은 각각 영상의 중앙에 위치하지 않거나 수직으로 위치하지 않는 지문을 포함하는, 지문 추출 장치.
  5. 청구항 1에 있어서,
    상기 복수의 제2 가상 지문 영상들 각각에 포함된 지문의 형상은 상기 적어도 하나의 제1 가상 지문 영상에 포함된 지문의 형상과 상이한, 지문 추출 장치.
  6. 청구항 1에 있어서,
    상기 복수의 제2 가상 지문 영상들 각각에 포함된 지문의 형상은 상기 적어도 하나의 제1 가상 지문 영상에 포함된 지문의 형상과 동일한, 지문 추출 장치.
  7. 청구항 1에 있어서,
    상기 지문 추출 모듈은 상기 실제 영상에서 타겟 지문을 결정하고, 상기 타겟 지문이 상기 실제 영상의 중앙에 수직으로 위치하도록 상기 실제 영상을 전처리하고, 상기 전처리된 실제 영상을 상기 학습 모델에 입력하여 상기 타겟 지문을 추출하는, 지문 추출 장치.
  8. 영상의 중앙에 수직으로 위치하는 지문을 포함하는 적어도 하나의 제1 가상 지문 영상을 생성하는 단계;
    상기 적어도 하나의 제1 가상 지문 영상과 상이한 복수의 제2 가상 지문 영상들을 생성하는 단계;
    상기 적어도 하나의 제1 가상 지문 영상에 대하여 1차 영상 처리를 수행하는 단계;
    상기 복수의 제2 가상 지문 영상들에 대하여 1차 영상 처리 및 2차 영상 처리 중 적어도 하나를 수행하는 단계;
    상기 1차 영상 처리가 수행된 적어도 하나의 제1 가상 지문 영상 및 상기 1차 영상 처리 및 상기 2차 영상 처리 중 적어도 하나가 수행된 복수의 제2 가상 지문 영상들을 조합하여 복수의 가상 겹친 지문 영상들을 생성하는 단계;
    상기 복수의 가상 겹친 지문 영상들을 입력 데이터로 하고 상기 적어도 하나의 제1 가상 지문 영상을 출력 데이터로 하여 기계 학습을 수행함으로써 대상 지문을 추출하는 학습 모델을 생성하는 단계; 및
    실제 영상을 상기 학습 모델에 입력하여 상기 실제 영상의 중앙에 수직으로 위치하는 지문을 추출하는 단계;를 포함하고,
    상기 1차 영상 처리는 지문을 이루는 굴곡에 대한 영상 처리를 포함하고, 상기 2차 영상 처리는 영상 내 지문의 위치에 대한 영상 처리를 포함하는, 지문 추출 방법.
  9. 청구항 8에 있어서,
    복수의 가상 배경 영상들을 생성하는 단계;를 더 포함하고,
    상기 복수의 가상 겹친 지문 영상들을 생성하는 단계는,
    상기 1차 영상 처리가 수행된 적어도 하나의 제1 가상 지문 영상, 상기 1차 영상 처리 및 상기 2차 영상 처리 중 적어도 하나가 수행된 복수의 제2 가상 지문 영상들, 및 상기 복수의 가상 배경 영상들을 조합하여 상기 복수의 가상 겹친 지문 영상들을 생성하는 단계이고,
    상기 복수의 가상 배경 영상들은 각각 지문 이외의 적어도 하나의 패턴을 포함하는, 지문 추출 방법.
  10. 청구항 8에 있어서,
    상기 1차 영상 처리는 지문의 굴곡을 추가하는 처리, 지문의 굴곡을 제거하는 처리, 지문의 두께를 변경하는 처리, 지문의 선명도를 변경하는 처리 중 적어도 하나를 포함하고, 상기 2차 영상 처리는 지문의 회전 처리 및 지문의 반전 처리 중 적어도 하나를 포함하는, 지문 추출 방법.
  11. 청구항 8에 있어서,
    상기 복수의 제2 가상 지문 영상들은 각각 영상의 중앙에 위치하지 않거나 수직으로 위치하지 않는 지문을 포함하는, 지문 추출 방법.
  12. 청구항 8에 있어서,
    상기 복수의 제2 가상 지문 영상들 각각에 포함된 지문의 형상은 상기 적어도 하나의 제1 가상 지문 영상에 포함된 지문의 형상과 상이한, 지문 추출 방법.
  13. 청구항 8에 있어서,
    상기 복수의 제2 가상 지문 영상들 각각에 포함된 지문의 형상은 상기 적어도 하나의 제1 가상 지문 영상에 포함된 지문의 형상과 동일한, 지문 추출 방법.
  14. 청구항 8에 있어서,
    상기 지문을 추출하는 단계는,
    상기 실제 영상에서 타겟 지문을 결정하는 단계;
    상기 타겟 지문이 상기 실제 영상의 중앙에 수직으로 위치하도록 상기 실제 영상을 전처리하는 단계; 및
    상기 전처리된 실제 영상을 상기 학습 모델에 입력하여 상기 타겟 지문을 추출하는 단계;를 포함하는, 지문 추출 방법.
KR1020190171036A 2019-12-19 2019-12-19 지문 추출 장치 및 방법 KR102245206B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020190171036A KR102245206B1 (ko) 2019-12-19 2019-12-19 지문 추출 장치 및 방법
PCT/KR2019/018806 WO2021125422A1 (ko) 2019-12-19 2019-12-31 지문 추출 장치 및 방법
US16/975,244 US11816922B2 (en) 2019-12-19 2019-12-31 Fingerprint extraction apparatus and method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190171036A KR102245206B1 (ko) 2019-12-19 2019-12-19 지문 추출 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102245206B1 true KR102245206B1 (ko) 2021-04-27

Family

ID=75725638

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190171036A KR102245206B1 (ko) 2019-12-19 2019-12-19 지문 추출 장치 및 방법

Country Status (3)

Country Link
US (1) US11816922B2 (ko)
KR (1) KR102245206B1 (ko)
WO (1) WO2021125422A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030086396A (ko) * 2002-05-04 2003-11-10 에버미디어 주식회사 위치이동, 회전에 무관한 지문인식 방법 및 지문인식 장치및 그 방법을 실행시키기 위한 프로그램을 기록한기록매체
KR20040038553A (ko) * 2002-11-01 2004-05-08 한국전자통신연구원 지문 영상의 전역적 정보 및 지역적 특성 정보의 조합을이용한 지문 인증방법
KR20110018598A (ko) * 2009-08-18 2011-02-24 성균관대학교산학협력단 지문의 방향 특징을 추출하는 장치 및 방법
KR20110036407A (ko) * 2009-10-01 2011-04-07 한국과학기술원 핑거 프린팅 시스템의 정합 과정에서 사용하는 디스턴스 메트릭을 학습을 통해서 결정하는 방법

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101460964B1 (ko) * 2013-05-14 2014-11-12 주식회사 슈프리마 지문 영상 취득 장치 및 방법
KR102338864B1 (ko) * 2015-02-12 2021-12-13 삼성전자주식회사 전자 장치 및 전자 장치에서의 지문 등록 방법
DE102016114188A1 (de) * 2016-08-01 2018-02-01 JENETRIC GmbH Vorrichtung und Verfahren zur Direktaufnahme von Abdrücken abgerollter Finger
WO2018118694A1 (en) * 2016-12-21 2018-06-28 The Board Of Trustees Of The Leland Stanford Junior University Group classification based on machine learning analysis of mass spectrometry data from sweat
KR101881505B1 (ko) * 2017-03-15 2018-07-25 한국과학기술원 지문 위조 판별 모델 생성 방법 및 이를 이용한 지문 위조 판별 방법
US10296772B2 (en) * 2017-06-22 2019-05-21 Synaptics Incorporated Biometric enrollment using a display
US11501108B2 (en) * 2018-07-24 2022-11-15 Nxp B.V. Adding a fingerprint to a machine learning model
US11816575B2 (en) * 2018-09-07 2023-11-14 International Business Machines Corporation Verifiable deep learning training service
US10540798B1 (en) * 2019-01-10 2020-01-21 Capital One Services, Llc Methods and arrangements to create images

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030086396A (ko) * 2002-05-04 2003-11-10 에버미디어 주식회사 위치이동, 회전에 무관한 지문인식 방법 및 지문인식 장치및 그 방법을 실행시키기 위한 프로그램을 기록한기록매체
KR20040038553A (ko) * 2002-11-01 2004-05-08 한국전자통신연구원 지문 영상의 전역적 정보 및 지역적 특성 정보의 조합을이용한 지문 인증방법
KR20110018598A (ko) * 2009-08-18 2011-02-24 성균관대학교산학협력단 지문의 방향 특징을 추출하는 장치 및 방법
KR20110036407A (ko) * 2009-10-01 2011-04-07 한국과학기술원 핑거 프린팅 시스템의 정합 과정에서 사용하는 디스턴스 메트릭을 학습을 통해서 결정하는 방법

Also Published As

Publication number Publication date
US20230118211A1 (en) 2023-04-20
US11816922B2 (en) 2023-11-14
WO2021125422A1 (ko) 2021-06-24

Similar Documents

Publication Publication Date Title
JP7262884B2 (ja) 生体顔検出方法、装置、設備及びコンピュータプログラム
US20200175250A1 (en) Feature extraction and matching for biometric authentication
US10262190B2 (en) Method, system, and computer program product for recognizing face
US11682232B2 (en) Device and method with image matching
CN106133752B (zh) 眼睛注视跟踪
JP7096355B2 (ja) 生体検知方法、装置及び記憶媒体
RU2431190C2 (ru) Способ и устройство распознавания рельефности лица
KR20150014899A (ko) 생체 특징 벡터 추출 장치, 생체 특징 벡터 추출 방법, 및 생체 특징 벡터 추출 프로그램
TW201712580A (zh) 影像及特徵品質，用於眼部血管及面部識別之影像增強及特徵擷取，及針對生物識別系統融合眼部血管與面部及／或子面部資訊
US11227149B2 (en) Method and apparatus with liveness detection and object recognition
Ebihara et al. Specular-and diffuse-reflection-based face spoofing detection for mobile devices
KR20210049570A (ko) 얼굴 위변조 검출 장치 및 방법
Liao et al. Unconstrained face detection
KR102245206B1 (ko) 지문 추출 장치 및 방법
JP6526494B2 (ja) 情報処理プログラム及び情報処理装置
Viet et al. A robust end-to-end information extraction system for Vietnamese identity cards
KR101817440B1 (ko) 다중 카메라를 통한 3차원 모델 기반 객체 인식 기법과 시스템
CN115018886B (zh) 运动轨迹识别方法、装置、设备及介质
JP2007179267A (ja) パターン照合装置
KR102148699B1 (ko) 얼굴 인식 장치 및 그 방법
TWI689872B (zh) 影像辨識方法
CN112883959B (zh) 身份证照完整性检测方法、装置、设备及存储介质
Natesan Real-Time Fast Face Detection and Verification for Secure Remote Facial Authentication System
Venugopalan A Design Paradigm for Long Range Iris Recognition Systems with Sparsity Based Techniques for Iridal Texture Enhancement
KR20210092669A (ko) 깊이 추정 방법 및 장치

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant