KR102410588B1 - 신분증 위조 여부 판단 장치 및 방법 - Google Patents
신분증 위조 여부 판단 장치 및 방법 Download PDFInfo
- Publication number
- KR102410588B1 KR102410588B1 KR1020210122923A KR20210122923A KR102410588B1 KR 102410588 B1 KR102410588 B1 KR 102410588B1 KR 1020210122923 A KR1020210122923 A KR 1020210122923A KR 20210122923 A KR20210122923 A KR 20210122923A KR 102410588 B1 KR102410588 B1 KR 102410588B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- parameters
- identification
- learning
- artificial intelligence
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 30
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 229920001621 AMOLED Polymers 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/22—Character recognition characterised by the type of writing
- G06V30/224—Character recognition characterised by the type of writing of printed characters having additional code marks or containing code marks
-
- 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
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
-
- G06K9/6201—
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V10/7747—Organisation of the process, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Security & Cryptography (AREA)
- Human Computer Interaction (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Credit Cards Or The Like (AREA)
Abstract
본 발명의 신분증 판단 장치는 신분증 이미지가 포함된 초기 이미지를 획득하는 이미지 입력부; 상기 초기 이미지에서 상기 신분증 이미지가 아닌 부분을 제거하여 가공 이미지를 생성하고, 상기 가공 이미지를 기반으로 제1 해상도 값을 갖는 제1 학습 이미지 및 제2 해상도 값을 갖는 제2 학습 이미지를 생성하는 이미지 전처리부; 상기 제1 학습 이미지 및 상기 제2 학습 이미지를 포함한 학습 데이터에 의해 학습된 신경망 기반의 인공지능 모델에 기초하여 상기 가공 이미지의 식별 마크의 유무를 판단하는 이미지 판단부; 및 상기 이미지 판단부의 판단 결과를 이용하여 복수의 파라미터를 산출하고, 상기 복수의 파라미터에 기초하여 상기 인공지능 모델을 평가하는 모델 평가부를 포함할 수 있다.
Description
본 발명은 신분증 위조 여부 판단 장치에 관한 것으로, 보다 상세하게는, 인공지능 모델을 이용하여 신분증에 식별 마크의 유무를 통해 신분증 위조 여부를 판단하는 장치에 관한 것이다.
신분증은 개인의 신상 또는 신원 정보를 증명할 수 있는 것으로, 대표적인 신분증은 주민등록증, 운전면허증, 여권, 학생증, 청소년증, 장애인증 등이 있다. 신분증은 공항, 시험장 및 은행에서 본인 인증의 용도로 사용될 수 있다.
그러나 최근 신분증을 위조하는 기술의 발달로 인해, 위조 신분증의 제조가 쉬워지고, 위조 신분증으로 타인을 사칭할 위험이 증가하고 있다. 이에 대응하기 위해, 신분증 발급 기관은 신분증 내에 위조가 아닌 정상 신분증임을 입증할 수 있도록 여러가지 식별 마크를 새기고 있다. 상기 식별 마크는 위조 기술로도 생성할 수 없어, 신분증 위조 여부를 판단할 수 있는 표지가 된다. 이러한 식별 마크를 이용해 자동으로 신분증을 스캔하고, 위조 여부를 판단하는 장치가 대두되고 있다.
본 발명의 일 과제는 신분증의 식별 마크 유무를 판단하여 신분증의 위조 여부를 판단하는 것이다.
본 발명의 일 과제는 신분증을 판단하는 데에 이용되는 인공지능 모델의 성능을 평가하는 것이다.
일 실시예에 따른 신분증 판단 장치는 신분증의 진위 여부를 판단하는 신분증 판단 장치에 있어서, 신분증 이미지가 포함된 초기 이미지를 획득하는 이미지 입력부; 상기 초기 이미지에서 상기 신분증 이미지가 아닌 부분을 제거하여 가공 이미지를 생성하고, 상기 가공 이미지를 기반으로 제1 해상도 값을 갖는 제1 학습 이미지 및 제2 해상도 값을 갖는 제2 학습 이미지를 생성하는 이미지 전처리부; 상기 제1 학습 이미지 및 상기 제2 학습 이미지를 포함한 학습 데이터에 의해 학습된 신경망 기반의 인공지능 모델에 기초하여 상기 가공 이미지의 식별 마크의 유무를 판단하는 이미지 판단부; 및 상기 이미지 판단부의 판단 결과를 이용하여 복수의 파라미터를 산출하고, 상기 복수의 파라미터에 기초하여 상기 인공지능 모델을 평가하는 모델 평가부를 포함할 수 있다.
여기서, 상기 식별 마크는 홀로그램 또는 마이크로 프린팅 문자일 수 있다.
여기서, 상기 이미지 전처리부는 상기 초기 이미지로부터 상기 신분증 이미지가 아닌 부분이 제거된 이미지를 특정 사이즈에 부합하도록 크롭(crop)하여 상기 가공 이미지를 생성할 수 있다.
여기서, 상기 복수의 파라미터는 정밀도(precision), 리콜(recall) 및 AUC(Area Under Curve) 스코어 중 적어도 하나를 포함할 수 있다.
여기서, 상기 복수의 파라미터는 상기 판단 결과를 이용하여 계산된 TP(True Positive), FP(False Positive), TN(True Negative) 및 FN(False Negative)에 기초하여 산출될 수 있다.
여기서, 상기 판단 결과 및 상기 복수의 파라미터 중 적어도 하나를 출력하는 결과 출력부를 더 포함할 수 있다.
여기서, 상기 이미지 판단부는, 오인식률(FAR: False Acceptance Rate) 및 오거부율(FRR: False Rejection Rate)에 기초하여 정해지는 문턱값(Threshold)에 의해 상기 식별 마크의 유무를 판단하고, 상기 복수의 파라미터에 따라 상기 문턱값을 조절할 수 있다.
일 실시예에 따른 신분증의 진위 여부를 판단하는 방법은 신분증 이미지가 포함된 초기 이미지를 획득하는 단계; 상기 초기 이미지에서 상기 신분증 이미지가 아닌 부분을 제거하여 가공 이미지를 생성하는 단계; 상기 가공 이미지를 기반으로 제1 해상도 값을 갖는 제1 학습 이미지 및 제2 해상도 값을 갖는 제2 학습 이미지를 생성하는 단계; 상기 제1 학습 이미지 및 상기 제2 학습 이미지가 포함된 학습 데이터를 이용하여 신경망 기반의 인공지능 모델을 학습시키는 단계; 상기 인공지능 모델에 기초하여 상기 가공 이미지의 식별 마크의 유무를 판단하는 단계; 상기 판단하는 단계의 판단 결과를 이용하여 복수의 파라미터를 산출하는 단계; 및 상기 복수의 파라미터에 기초하여 상기 인공지능 모델을 평가하는 단계를 포함할 수 있다.
여기서, 상기 식별 마크는 홀로그램 또는 마이크로 프린팅 문자일 수 있다.
여기서, 상기 가공 이미지를 생성하는 단계는 상기 초기 이미지로부터 상기 신분증 이미지가 아닌 부분이 제거된 이미지를 특정 사이즈에 부합하도록 크롭(crop)하는 단계를 포함할 수 있다.
여기서, 상기 복수의 파라미터는 정밀도(precision), 리콜(recall) 및 AUC(Area Under Curve) 스코어 중 적어도 하나를 포함할 수 있다.
여기서, 상기 복수의 파라미터를 산출하는 단계는 상기 판단 결과를 이용하여 계산된 TP(True Positive), FP(False Positive), TN(True Negative) 및 FN(False Negative)에 기초하여 상기 복수의 파라미터를 산출하는 단계일 수 있다.
여기서, 상기 판단 결과 및 상기 복수의 파라미터 중 적어도 하나를 출력하는 단계를 더 포함할 수 있다.
여기서, 상기 식별 마크의 유무를 판단하는 단계는 오인식률(FAR: False Acceptance Rate) 및 오거부율(FRR: False Rejection Rate)에 기초하여 정해지는 문턱값(Threshold)에 의해 상기 식별 마크의 유무를 판단하고, 상기 복수의 파라미터에 따라 상기 문턱값을 조절하는 단계를 더 포함할 수 있다.
여기서, 상기 신분증의 진위 여부를 판단하는 방법을 실행시키도록 컴퓨터로 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공될 수 있다.
본 발명의 일 실시예에 따르면 신분증의 식별 마크 유무를 판단하여 신분증의 위조 여부를 판단하는 신분증 판단 장치가 제공될 수 있다.
본 발명의 일 실시예에 따르면 신분증을 판단하는 데에 이용되는 인공지능 모델의 성능을 평가하는 신분증 판단 장치가 제공될 수 있다.
도 1은 신분증 이미지를 나타낸 도면이다.
도 2는 일 실시예에 따른 신분증 판단 장치의 블록도이다.
도 3은 일 실시예에 따른 신분증 판단 장치의 인공지능 모델 트레이닝 방법의 순서도이다.
도 4는 신분증 이미지의 위조 여부를 판단하는 데에 이용되는 문턱값을 결정하기 위한 그래프이다.
도 5는 일 실시예에 따른 신분증 판단 장치의 신분증 판단 방법의 순서도이다.
도 6은 일 실시예에 따른 신분증 판단 장치의 인공지능 모델을 평가하는 방법의 순서도이다.
도 7은 일 실시예에 따른 신분증 판단 장치의 결과 출력 이미지를 나타낸 도면이다.
도 2는 일 실시예에 따른 신분증 판단 장치의 블록도이다.
도 3은 일 실시예에 따른 신분증 판단 장치의 인공지능 모델 트레이닝 방법의 순서도이다.
도 4는 신분증 이미지의 위조 여부를 판단하는 데에 이용되는 문턱값을 결정하기 위한 그래프이다.
도 5는 일 실시예에 따른 신분증 판단 장치의 신분증 판단 방법의 순서도이다.
도 6은 일 실시예에 따른 신분증 판단 장치의 인공지능 모델을 평가하는 방법의 순서도이다.
도 7은 일 실시예에 따른 신분증 판단 장치의 결과 출력 이미지를 나타낸 도면이다.
본 명세서에 기재된 실시예는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 사상을 명확히 설명하기 위한 것이므로, 본 발명이 본 명세서에 기재된 실시예에 한정되는 것은 아니며, 본 발명의 범위는 본 발명의 사상을 벗어나지 아니하는 수정예 또는 변형예를 포함하는 것으로 해석되어야 한다.
본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하여 가능한 현재 널리 사용되고 있는 일반적인 용어를 선택하였으나 이는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자의 의도, 판례 또는 새로운 기술의 출현 등에 따라 달라질 수 있다. 다만, 이와 달리 특정한 용어를 임의의 의미로 정의하여 사용하는 경우에는 그 용어의 의미에 관하여 별도로 기재할 것이다. 따라서 본 명세서에서 사용되는 용어는 단순한 용어의 명칭이 아닌 그 용어가 가진 실질적인 의미와 본 명세서의 전반에 걸친 내용을 토대로 해석되어야 한다.
본 명세서에 첨부된 도면은 본 발명을 용이하게 설명하기 위한 것으로 도면에 도시된 형상은 본 발명의 이해를 돕기 위하여 필요에 따라 과장되어 표시된 것일 수 있으므로 본 발명이 도면에 의해 한정되는 것은 아니다.
본 명세서에서 본 발명에 관련된 공지의 구성 도는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에 이에 관한 자세한 설명은 필요에 따라 생략하기로 한다.
도 1은 신분증 이미지를 나타낸 도면이다.
도 1을 참조하면, 신분증(10)은 이미지에 신분증의 종류(11), 홀로그램(12) 및 마이크로 프린팅 문자(13)를 포함할 수 있다. 이때, 홀로그램(12) 및 마이크로 프린팅 문자(13)는 신분증(10)의 위조 여부를 판단할 수 있는 식별 마크일 수 있다.
도 1은 신분증(10)의 예시로 운전면허증을 도시하였다. 그러나 이에 한정되지 않고, 본원 발명의 신분증 판단 장치가 판단하는 신분증의 대상은 주민등록증, 여권, 공무원증, 국가기술자격증, 복지카드(장애인등록증), 국가유공자(유족)증, 선원수첩, 승무원증, 교원자격증, 전역증, 제주도민증 등이 될 수 있다.
상기 신분증(10)의 종류는 신분증(10)의 이미지 내에 신분증의 종류(11)에 글자 형태로 기입된다. 위 나열된 신분증의 종류(11) 외에도 사용자의 신분을 인증할 수 있는 신분증이라면 본원 발명의 신분증 판단 장치의 판단 대상이 될 수 있다. 또한, 한국이 아닌 다른 나라의 신분증도 본원 발명의 신분증 판단 장치의 판단 대상이 될 수 있다.
일반적으로, 정상 신분증(10)의 경우 식별 마크인 홀로그램(12)을 포함할 수 있다. 예를 들어, 주민등록증의 경우 성면, 주민등록번호 및 사진 위에 태극 문양의 홀로그램이 오버랩되어 표시된다. 또한, 도 1의 운전면허증의 경우 인물사진 상단에 태극 문양의 홀로그램이 표시된다.
또한, 2020년 1월 1일 이후 발급된 주민등록증의 경우에 성명, 주민등록증 및 주소 위에 태극 문양의 홀로그램과 신분증 전체적으로 띠 형태의 홀로그램이 표시된다. 정상 신분증(10)에는 홀로그램(12)이 존재하여, 빛의 방향에 따라 색이 변할 수 있다. 그러나 위조 신분증에는 홀로그램(12)이 포함되지 않아, 빛의 방향이 변하더라도 색이 달라지지 않는다.
또한 정산 신분증(10)의 경우 식별 마크인 마이크로 프린팅 문자(13)를 포함할 수 있다. 예를 들어, 도 1의 운전면허증의 경우, 인물 사진의 오른쪽에 'DRIVER LICENSE'의 문자가 작은 크기로 반복적으로 표시될 수 있다.
도 2는 일 실시예에 따른 신분증 판단 장치의 블록도이다.
도 2를 참조하면, 신분증 판단 장치(1000)는 제어부(110), 이미지 입력부(120), 이미지 전처리부(130), 이미지 판단부(140), 모델 평가부(150) 및 결과 출력부(160)를 포함할 수 있다.
제어부(110)는 신분증 판단 장치(1000)의 전반적인 제어를 수행할 수 있다. 따라서 제어부(110)에 의해 이미지 입력부(120), 이미지 전처리부(130), 이미지 판단부(140), 모델 평가부(150) 및 결과 출력부(160)가 각각의 역할을 수행할 수 있다.
이미지 입력부(120)는 신분증 이미지를 포함한 초기 이미지를 입력받아 저장 및/또는 전달할 수 있다. 예를 들어, 신분증 판단 장치(1000)는 이미지 입력부(120)를 통해 초기 이미지를 스캔할 수 있다. 이때, 이미지 입력부(120)는 이미지 스캔 장치를 포함할 수도 있고, 컴퓨터 프로그램 자체일 수도 있다. 이미지 입력부(120)는 획득한 초기 이미지를 이미지 전처리부(130)에 전송할 수 있다.
이미지 전처리부(130)는 이미지 입력부(120)로부터 초기 이미지를 획득할 수 있다. 이미지 전처리부(130)는 획득한 초기 이미지에 전처리 과정을 수행할 수 있다.
구체적으로, 이미지 전처리부(130)는 초기 이미지에서 신분증 이미지가 아닌 부분을 제거하여 가공 이미지를 생성할 수 있다. 예를 들어, 이미지 전처리부(130)는 초기 이미지에서 가장 큰 사각형을 탐지하여 신분증 이미지를 추출할 수 있다.
이후 이미지 전처리부(130)는 초기 이미지에서 추출한 신분증 이미지 외에 배경 등의 불필요한 이미지를 크롭(crop)하여 신분증 이미지 중심의 가공 이미지를 생성할 수 있다. 이때, 이미지 전처리부(130)는 가공 이미지가 특정 크기를 갖도록 초기 이미지를 크롭할 수 있다.
이미지 전처리부(130)는 생성한 가공 이미지를 이미지 판단부(140)로 전송할 수 있다. 따라서 이미지 전처리부(130)는 이미지 판단부(140)가 표준 사이즈를 갖는 가공 이미지를 쉽게 판단할 수 있도록, 획득한 초기 이미지를 전처리하는 과정을 수행할 수 있다.
또한, 이미지 전처리부(130)는 가공 이미지의 해상도를 다양하게 하여 인공지능 모델의 학습을 위한 학습 이미지를 생성할 수 있다. 예를 들어, 이미지 전처리부(130)는 가공 이미지의 해상도를 64비트로 하여, 제1 학습 이미지를 생성할 수 있다. 또한, 이미지 전처리부(130)는 가공 이미지의 해상도를 128비트로 하여, 제2 학습 이미지를 생성할 수 있다.
또한, 이외에도 이미지 전처리부(130)는 가공 이미지의 해상도를 256비트 및 512비트로 하여 각각 제3 학습 이미지 및 제4 학습 이미지를 생성할 수 있다. 위 예시 해상도 외에도 이미지 전처리부(130)는 가공 이미지의 해상도를 변경시켜 해상도가 다른 복수의 학습 이미지를 생성 및/또는 저장할 수 있다. 이미지 전처리부(130)는 생성한 복수의 학습 이미지를 이미지 판단부(140)에 전송할 수 있다. 복수의 학습 이미지는 이미지 판단부(140)의 인공지능 모델의 학습에 이용될 수 있다.
이미지 판단부(140)는 이미지 전처리부(130)로부터 획득한 가공 이미지의 식별 마크 유무를 판단할 수 있다. 구체적으로, 이미지 판단부(140)는 신경망 기반의 인공지능 모델에 기초하여 가공 이미지의 식별 마크 유무를 판단할 수 있다. 예를 들어, 인공지능 모델은 컨볼루션 신경망(CNN) 기반의 ResNet-50일 수 있으나, 이에 한정되지 않는다.
이미지 판단부(140)는 홀로그램(12) 및/또는 마이크로 프린팅 문자(13)가 가공 이미지에 포함되어 있는지를 판단하여 신분증이 정상인지 위조인지를 판단할 수 있다. 이때, 이미지 판단부(140)는 광학 문자 인식(OCR: Optical Character Recognition) 등의 방법을 이용하여 가공 이미지에서 홀로그램(12) 또는 마이크로 프린팅 문자(13)를 인식할 수 있는 일반적인 방법을 사용할 수 있다.
이미지 판단부(140)는 가공 이미지의 식별 마크 유무 판단 결과를 모델 평가부(150) 및/또는 결과 출력부(160)로 전송할 수 있다.
또한, 이미지 판단부(140)는 이미지 전처리부(130)로부터 복수의 학습 이미지를 획득할 수 있다. 이미지 판단부(140)는 복수의 학습 이미지를 기초로 인공지능 모델을 트레이닝시킬 수 있다. 인공지능 모델 트레이닝 방법과 관련된 내용은 도 3에서 자세히 설명한다.
이미지 판단부(140)는 판단 결과가 위조 신분증일 경우, 제어부(110)를 통해 다른 장치에 알림을 전송할 수 있다. 예를 들어, 제어부(110)는 이미지 판단부(140)의 판단 결과가 위조 신분증일 경우, 신분증 판단 장치(1000)의 통신부를 통해 외부 서버(경찰 서버, 은행 서버, 보안 서버 등)에 신분증의 위조 와 관련된 정보를 전송할 수 있다.
상기 신분증의 위조와 관련된 정보는 신분증의 종류, 신분증 판단 시간 및 위치 등을 포함할 수 있다. 신분증 판단 장치(1000) 및/또는 상기 신분증의 위조와 관련된 정보를 수신한 외부 서버는 상기 신분증에 기록된 성명을 가진 사람에게 알림을 줄 수 있다. 알림의 내용은 상기 신분증의 위조와 관련된 정보 및 대응 가이드 메세지를 포함할 수 있다. 대응 가이드 메시지는 은행 정보 확인, 사진 변경 권고, 정보 보안 강화 권고, 비밀번호 변경 권고 등의 메시지를 포함할 수 있다.
모델 평가부(150)는 이미지 판단부(150)로부터 판단 결과를 수신할 수 있다. 모델 평가부(150)는 상기 판단 결과를 이용하여 복수의 파라미터를 산출할 수 있다. 예를 들어, 모델 평가부(150)는 정밀도(precision), 리콜(recall) 및 AUC(Area Under Curve) 스코어를 산출할 수 있다.
모델 평가부(150)는 산출한 복수의 파라미터를 제어부(110) 및/또는 결과 출력부(160)로 전송할 수 있다. 제어부(110)는 모델 평가부(150)로부터 수신한 복수의 파라미터에 기초하여 인공지능 모델을 평가할 수 있다. 또한, 결과 출력부(160)는 모델 평가부(150)로부터 수신한 복수의 파라미터를 출력할 수 있다.
모델 평가부(150)의 인공지능 평가 방법에 대해서는 도 6에서 자세히 설명한다.
결과 출력부(160)는 이미지 판단부(140)로부터 획득한 판단 결과 및/또는 모델 평가부(150)로부터 획득한 복수의 파라미터를 출력할 수 있다. 출력 형태는 디스플레이나 음성 등의 형태일 수 있다.
일 실시예에 따르면 결과 출력부(160)는 디스플레이를 포함하여 시각적인 정보를 출력할 수 있다. 예를 들어, 결과 출력부(160)는 LCD, OLED, 아몰레드 디스플레이를 포함하여, 판단 결과 및/또는 복수의 파라미터를 출력할 수 있다.
다른 일 실시예에 따르면 결과 출력부(160)는 음성 출력 장치를 포함하여 음성 정보를 출력할 수 있다. 예를 들어, 결과 출력부(160)는 스피커 또는 부져를 포함하여, 판단 결과 및/또는 복수의 파라미터를 출력할 수 있다.
도 3은 일 실시예에 따른 신분증 판단 장치의 인공지능 모델 트레이닝 방법의 순서도이다.
도 3을 참조하면, 신분증 판단 장치의 인공지능 모델 트레이닝 방법은 초기 이미지를 획득하는 단계(S110), 가공 이미지를 생성하는 단계(S120), 학습 이미지를 생성하는 단계(S130), 학습 이미지에 식별 마크가 존재하는지 여부를 판단하는 단계(S140), 식별 마크의 유무에 따라 가공 이미지를 분류하는 단계(S150, S170) 및 식별 마크의 유무에 따라 인공지능 모델을 트레이닝하는 단계(S160, S180)를 포함할 수 있다.
초기 이미지를 획득하는 단계(S110)는 이미지 입력부(120)에 의해 신분증 이미지가 포함된 초기 이미지를 획득하는 단계일 수 있다.
가공 이미지를 생성하는 단계(S120)는 이미지 전처리부(130)가 이미지 입력부(120)로부터 초기 이미지를 획득하고, 초기 이미지를 크롭하여 신분증 이미지 중심의 가공 이미지를 생성하는 단계일 수 있다.
학습 이미지를 생성하는 단계(S130)는 이미지 전처리부(130)가 가공 이미지의 해상도를 조절하여 인공지능 모델의 학습을 위한 학습 이미지를 생성하는 단계일 수 있다. 즉, 신분증 판단 장치는 동일한 신분증에 대해 해상도를 다양화하여 인공지능 모델을 학습할 수 있다. 이는 신분증의 스캔 상태에 따라 달라질 수 있는 판단 결과 문제점을 보완하기 위한 것으로, 이에 따라 스캔 상태와 관계없이 신분증의 위조 여부 판단 정확도를 향상시킬 수 있다.
학습 이미지에 식별 마크가 존재하는지 여부를 판단하는 단계(S140)는 이미지 판단부(140)가 인공지능 모델을 이용해 학습 이미지에 홀로그램(12) 및/또는 마이크로 프린팅 문자(13)가 있는지 여부를 판단하는 단계일 수 있다.
학습 이미지에 식별 마크가 존재한다면, 상기 학습 이미지를 식별 마크가 있는 이미지로 분류(S150)하고, 단계 S150에 의해 분류된 이미지들은 식별 마크가 존재하는 것으로 인공지능 모델을 트레이닝(S160)시킬 수 있다.
또한, 학습 이미지에 식별 마크가 존재하지 않는다면, 상기 학습 이미지를 식별 마크가 없는 이미지로 분류(S170)하고, 단계 S170에 의해 분류된 이미지들은 식별 마크가 존재하지 않는 것으로 인공지능 모델을 트레이닝(S180)시킬 수 있다.
다른 일 실시예에 따르면, 도 3의 단계 S130과 단계 S140의 순서가 변경될 수 있다. 즉, 가공 이미지를 생성하는 단계(S120) 이후, 가공 이미지에 식별 마크가 있는지 여부를 판단하는 단계가 수행될 수 있다.
가공 이미지에 식별 마크가 존재한다면, 상기 가공 이미지의 해상도를 변경하여 제1 해상도 값을 갖는 제1 변경 이미지 및 제2 해상도 값을 갖는 제2 변경 이미지를 생성할 수 있다. 이후, 제1 변경 이미지 및 제2 변경 이미지를 식별 마크가 있는 이미지로 분류하고, 분류된 이미지들은 식별 마크가 존재하는 것으로 인공지능 모델을 트레이닝시킬 수 있다.
또한, 가공 이미지에 식별 마크가 존재하지 않는다면, 상기 가공 이미지의 해상도를 변경하여 제3 해상도 값을 갖는 제3 변경 잉미지 및 제4 해상도 값을 갖는 제4 변경 이미지를 생성할 수 있다. 이후, 제3 변경 이미지 및 제4 변경 이미지를 식별 마크가 없는 이미지로 분류하고, 분류된 이미지들은 식별 마크가 존재하지 않는 것으로 인공지능 모델을 트레이닝시킬 수 있다.
도 4는 신분증 이미지의 위조 여부를 판단하는 데에 이용되는 문턱값을 결정하기 위한 그래프이다.
도 4를 참조하면, 문턱값은 오인식률(FAR: False Acceptance Rate) 및 오거부율(FRR: False Rejection Rate)에 기초하여 정해질 수 있다. 오인식률은 위조 신분증인데 정상 신분증으로 잘못 판단할 확률을 의미하는 것일 수 있다. 오거부율은 정상 신분증인데 위조 신분증으로 잘못 판단할 확률을 의미하는 것일 수 있다.
도 4에 도시된 바와 같이, 오인식률은 문턱값이 커질수록 감소할 수 있다. 반면, 오거부율은 문턱값이 커질수록 증가할 수 있다. 따라서, 오인식률 및 오거부율이 적당한 수치를 가질 수 있도록 문턱값을 결정할 필요가 있다.
일 실시예에 따르면, 오인식률과 오거부율이 동일한 값을 가지도록 문턱값을 결정할 수 있다. 즉, 오인식률과 오거부율이 동일한 값인 EER(Equal Error Rate)을 만족할 때의 문턱값을 이미지 판단부(140)의 문턱값으로 결정할 수 있다. 예를 들어, 오인식률과 오거부율이 20%가 되는 문턱값인 60을 문턱값으로 결정할 수 있으나, 이 수치에 한정되지 않는다.
문턱값은 인공지능 모델에 따라 자동으로 결정될 수 있다. 문턱값은 신분증 판단 장치의 알고리즘에 따라 자동으로 결정될 수 있다. 또한, 문턱값은 신분증 판단 장치의 판단 결과에 따라 조절될 수도 있다.
도 5는 일 실시예에 따른 신분증 판단 장치의 신분증 판단 방법의 순서도이다. 신분증 판단 방법은 이미지 판단부(140)에 의해 수행될 수 있다.
도 5를 참조하면, 신분증 판단 방법은 초기 이미지를 획득하는 단계(S210), 가공 이미지를 생성하는 단계(S220), 가공 이미지에 식별 마크가 존재하는지 판단하는 단계(S230) 및 식별 마크의 유무에 따라 신분증의 위조 여부를 판단하는 단계(S240, S250)를 포함할 수 있다.
초기 이미지를 획득하는 단계(S210) 및 가공 이미지를 생성하는 단계(S220)는 도 3의 초기 이미지를 획득하는 단계(S110) 및 가공 이미지를 생성하는 단계(S120)와 중복될 수 있어, 자세한 내용은 생략한다.
가공 이미지에 식별 마크가 존재하는지 판단하는 단계(S230)는 이미지 판단부(140)가 인공지능 모델을 이용해 학습 이미지에 홀로그램(12) 및/또는 마이크로 프린팅 문자(13)가 있는지 여부를 판단하는 단계일 수 있다.
가공 이미지에 식별 마크가 존재한다면, 이미지 판단부(140)는 신분증을 정상 신분증으로 판단할 수 있다. 가공 이미지에 식별 마크가 존재하지 않는다면, 이미지 판단부(140)는 신분증을 위조 신분증으로 판단할 수 있다.
이미지 판단부(140)는 위조 신분증 여부의 판단 결과를 제어부(110), 모델 평가부(150) 및/또는 결과 출력부(160)로 전송할 수 있다.
도 6은 일 실시예에 따른 신분증 판단 장치의 인공지능 모델을 평가하는 방법의 순서도이다. 인공지능 모델을 평가하는 방법은 모델 평가부(150)에 의해 수행될 수 있다.
도 6을 참조하면, 인공지능 모델을 평가하는 방법은 판단 결과를 획득하는 단계(S310), 실제 결과를 획득하는 단계(S320), TP, FP, TN 및 FN을 연산하는 단계(S330), 복수의 파라미터를 산출하는 단계(S340), 복수의 파라미터와 기준값을 비교하는 단계(S350) 및 단계 S350의 결과에 기초하여 판단 결과, 안내 문구 또는 복수의 파라미터를 출력하는 단계(S370)를 포함할 수 있다.
판단 결과를 획득하는 단계(S310)는 모델 평가부(150)가 이미지 판단부(140)로부터 판단 결과를 획득하는 단계일 수 있다. 구체적으로, 단계 S310은 이미지 판단부(140)가 식별 마크 유무에 기초하여 위조 신분증 여부를 판단한 결과를 획득하는 단계일 수 있다.
실제 결과를 획득하는 단계(S320)는 이미지 입력부(120)에 의해 스캔된 신분증이 실제로 정상 신분증인지 위조 신분증인지 여부를 획득하는 단계일 수 있다. 단계 S320는 신분증 판단 장치의 사용자나 별도의 서버를 통해 이미지 입력부(120) 또는 별도의 입력부에 입력을 받는 단계를 포함할 수 있다.
TP, FP, TN 및 FN을 연산하는 단계(S330)는 단계 S310 및 S320으로부터 획득한 결과에 기초하여 TP, FP, TN 및 FN을 연산하는 단계일 수 있다.
TP(True Positive)는 장치는 정상이라고 판단했고, 실제로도 결과가 정상인 경우를 의미할 수 있다. 즉, 신분증 판단 장치의 이미지 판단부(140)의 결과가 정상 신분증이고, 단계 S320에 의해 획득된 결과도 정상 신분증인 경우를 의미할 수 있다. 이 경우는 신분증 판단 장치의 판단이 옳은 경우일 수 있다.
TN(True Negative)는 장치는 위조라고 판단했으나, 실제로 결과가 정상인 경우를 의미할 수 있다. 즉, 신분증 판단 장치의 이미지 판단부(140)의 결과가 위조 신분증이고, 단계 S320에 의해 획득된 결과는 정상 신분증인 경우를 의미할 수 있다. 이 경우는 신분증 판단 장치의 판단이 잘못된 경우일 수 있다.
FP(False Positive)는 장치는 정상이라고 판단했으나, 실제로 결과가 위조인 경우를 의미할 수 있다. 즉, 신분증 판단 장치의 이미지 판단부(140)의 결과가 정상 신분증이고, 단계 S320에 의해 획득된 결과는 위조 신분증인 경우를 의미할 수 있다. 이 경우는 신분증 판단 장치의 판단이 잘못된 경우일 수 있다.
FN(False Negative)는 장치는 위조라고 판단했고, 실제로도 결과가 위조인 경우를 의미할 수 있다. 즉, 신분증 판단 장치의 이미지 판단부(140)의 결과가 위조 신분증이고, 단계 S320에 의해 획득된 결과도 위조 신분증인 경우를 의미할 수 있다. 이 경우는 신분증 판단 장치의 판단이 옳은 경우일 수 있다.
복수의 파라미터를 산출하는 단계(S340)는 앞서 연산한 TP, FP, TN 및 FN를 이용하여 정밀도(precision), 리콜(recall) 및 AUC(Area Under Curve) 스코어를 연산 및 산출하는 단계를 포함할 수 있다.
정밀도는 홀로그램이라 판단한 이미지 중에서 실제로 홀로그램이 있는 비율을 의미하는 것일 수 있다. 정밀도는 TP 및 FP를 기초로 연산될 수 있다. 구체적으로, 정밀도는 TP/(TP+FP)의 식에 기초하여 연산될 수 있다.
리콜은 전체 홀로그램 이미지들 중에서 실제로 홀로그램이라 판단한 비율을 의미하는 것일 수 있다. 리콜은 TP 및 FN을 기초로 연산될 수 있다. 구체적으로, 리콜은 TP/(TP+FN)의 식에 기초하여 연산될 수 있다.
AUC 스코어는 인공지능 모델의 분류 성능을 나타낸 스코어를 의미하는 것일 수 있다. AUC 스코어는 모든 임계값에서 인공지능 모델의 분류 성능을 보여주는 그래프(ROC: Receiver Operating Characteristic)의 곡선 아래 영역에 의해 연산될 수 있다.
복수의 파라미터와 기준값을 비교하는 단계(S350)는 단계 S340에 의해 산출된 파라미터 각각을 일정 수치와 비교하는 단계일 수 있다. 예를 들어, 정밀도가 60% 이상인지, 리콜이 60% 이상인지, AUC 스코어가 0.5 이상인지 여부를 판단할 수 있으나, 해당 수치에 한정되지 않는다.
기준값은 신분증 판단 장치(1000)에 미리 저장된 값일 수 있다. 또한, 기준값은 신분증의 종류, 파라미터의 종류 등에 따라 변경될 수 있다.
단계 S350에서 복수의 파라미터를 기준값과 비교하는 이유는, 복수의 파라미터가 기준값 이상이 되어야 신분증 판단 장치(1000)를 신뢰할 수 있기 때문이다.
각 파라미터가 기준값보다 큰 경우는, 신분증 판단 장치(1000)의 결과가 신뢰할 수 있다는 의미이므로, 신분증 판단 장치(1000)는 결과 출력부(160)에 의해 이미지 판단부(140)의 판단 결과 및/또는 복수의 파라미터를 출력할 수 있다.
각 파라미터가 기준값보다 작은 경우는, 신분증 판단 장치(1000)의 결과의 신뢰도가 낮다는 의미이므로, 신분증 판단 장치(1000)는 결과 출력부(160)에 의해 안내 문구 및/또는 복수의 파라미터를 출력할 수 있다. 이때, 안내 문구는 신분증 판단 장치(1000)에 이상이 있다거나 신뢰도가 낮다는 의미를 포함할 수 있다.
도 7은 일 실시예에 따른 신분증 판단 장치의 결과 출력 이미지를 나타낸 도면이다.
도 7을 참조하면, 신분증 판단 장치(1000)의 결과 출력부(160)는 결과 출력 이미지(165)를 출력할 수 있다. 도 7의 출력 이미지(165)는 예시로, 출력 이미지(165)는 도 7의 이미지에 한정되지 않는다.
일 실시예에 따르면, 출력 이미지(165)는 신분증(10), 판단 결과(20) 및 복수의 파라미터(30)를 포함할 수 있다.
신분증(10)은 초기 이미지, 가공 이미지 및/또는 신분증 이미지일 수 있다. 판단 결과(20)는 이미지 판단부(140)의 판단 결과가 문구로 표현된 것일 수 있다. 복수의 파라미터(30)는 모델 평가부(150)의 연산 결과가 문구로 표현된 것일 수 있다.
본원 발명의 신분증 판단 장치(1000)는 신분증의 위조 여부와 함께 복수의 파라미터를 함께 출력함으로써, 신분증 판단 장치(1000)의 신뢰도를 시각적인 정보로 출력할 수 있다. 따라서, 내부 알고리즘 등에 장애가 생겼을 경우, 사용자는 결과 출력부(160)의 출력 결과를 통해 파악할 수 있다.
도 7은 신분증 판단 장치(1000)의 시각적인 출력 정보를 도시했으나, 이에 한정되지 않고 신분증 판단 장치(1000)는 판단 결과 및 복수의 파라미터를 음성으로도 출력할 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 실시예들이 비록 한정된 실시예와 도면에 의해 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 (15)
- 신분증 이미지가 포함된 초기 이미지를 획득하는 이미지 입력부;
상기 초기 이미지에서 상기 신분증 이미지가 아닌 부분을 제거하여 가공 이미지를 생성하고, 상기 가공 이미지를 기반으로 제1 해상도 값을 갖는 제1 학습 이미지 및 제2 해상도 값을 갖는 제2 학습 이미지를 생성하는 이미지 전처리부;
상기 제1 학습 이미지 및 상기 제2 학습 이미지를 포함한 학습 데이터에 의해 학습된 신경망 기반의 인공지능 모델에 기초하여 상기 가공 이미지의 식별 마크의 유무를 판단하는 이미지 판단부; 및
상기 이미지 판단부의 판단 결과를 이용하여 복수의 파라미터를 산출하고, 상기 복수의 파라미터에 기초하여 상기 인공지능 모델을 평가하는 모델 평가부를 포함하고,
상기 복수의 파라미터는 정밀도(precision), 리콜(recall) 및 AUC(Area Under Curve) 스코어 중 적어도 하나를 포함하는
신분증 위조 여부 판단 장치.
- 제1항에 있어서,
상기 식별 마크는 홀로그램 또는 마이크로 프린팅 문자인
신분증 위조 여부 판단 장치.
- 제1항에 있어서,
상기 이미지 전처리부는 상기 초기 이미지로부터 상기 신분증 이미지가 아닌 부분이 제거된 이미지를 특정 사이즈에 부합하도록 크롭(crop)하여 상기 가공 이미지를 생성하는
신분증 위조 여부 판단 장치.
- 삭제
- 제1항에 있어서,
상기 복수의 파라미터는 상기 판단 결과를 이용하여 계산된 TP(True Positive), FP(False Positive), TN(True Negative) 및 FN(False Negative)에 기초하여 산출되는
신분증 위조 여부 판단 장치.
- 제1항에 있어서,
상기 판단 결과 및 상기 복수의 파라미터 중 적어도 하나를 출력하는 결과 출력부를 더 포함하는
신분증 위조 여부 판단 장치.
- 제1항에 있어서,
상기 이미지 판단부는,
오인식률(FAR: False Acceptance Rate) 및 오거부율(FRR: False Rejection Rate)에 기초하여 정해지는 문턱값(Threshold)에 의해 상기 식별 마크의 유무를 판단하고,
상기 복수의 파라미터에 따라 상기 문턱값을 조절하는
신분증 위조 여부 판단 장치.
- 신분증 이미지가 포함된 초기 이미지를 획득하는 단계;
상기 초기 이미지에서 상기 신분증 이미지가 아닌 부분을 제거하여 가공 이미지를 생성하는 단계;
상기 가공 이미지를 기반으로 제1 해상도 값을 갖는 제1 학습 이미지 및 제2 해상도 값을 갖는 제2 학습 이미지를 생성하는 단계;
상기 제1 학습 이미지 및 상기 제2 학습 이미지가 포함된 학습 데이터를 이용하여 신경망 기반의 인공지능 모델을 학습시키는 단계;
상기 인공지능 모델에 기초하여 상기 가공 이미지의 식별 마크의 유무를 판단하는 단계;
상기 판단하는 단계의 판단 결과를 이용하여 복수의 파라미터를 산출하는 단계; 및
상기 복수의 파라미터에 기초하여 상기 인공지능 모델을 평가하는 단계를 포함하고,
상기 복수의 파라미터는 정밀도(precision), 리콜(recall) 및 AUC(Area Under Curve) 스코어 중 적어도 하나를 포함하는
신분증의 위조 여부를 판단하는 방법.
- 제8항에 있어서,
상기 식별 마크는 홀로그램 또는 마이크로 프린팅 문자인
신분증의 위조 여부를 판단하는 방법.
- 제8항에 있어서,
상기 가공 이미지를 생성하는 단계는 상기 초기 이미지로부터 상기 신분증 이미지가 아닌 부분이 제거된 이미지를 특정 사이즈에 부합하도록 크롭(crop)하는 단계를 포함하는
신분증의 위조 여부를 판단하는 방법.
- 삭제
- 제8항에 있어서,
상기 복수의 파라미터를 산출하는 단계는 상기 판단 결과를 이용하여 계산된 TP(True Positive), FP(False Positive), TN(True Negative) 및 FN(False Negative)에 기초하여 상기 복수의 파라미터를 산출하는 단계인
신분증의 위조 여부를 판단하는 방법.
- 제8항에 있어서,
상기 판단 결과 및 상기 복수의 파라미터 중 적어도 하나를 출력하는 단계를 더 포함하는
신분증의 위조 여부를 판단하는 방법.
- 제8항에 있어서,
상기 식별 마크의 유무를 판단하는 단계는 오인식률(FAR: False Acceptance Rate) 및 오거부율(FRR: False Rejection Rate)에 기초하여 정해지는 문턱값(Threshold)에 의해 상기 식별 마크의 유무를 판단하고,
상기 복수의 파라미터에 따라 상기 문턱값을 조절하는 단계를 더 포함하는
신분증의 위조 여부를 판단하는 방법.
- 제8항 내지 제10항, 제12항 내지 제14항 중 어느 한 항에 기재된 신분증의 위조 여부를 판단하는 방법을 실행시키도록 컴퓨터로 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210122923A KR102410588B1 (ko) | 2021-09-15 | 2021-09-15 | 신분증 위조 여부 판단 장치 및 방법 |
| US17/943,190 US20230077973A1 (en) | 2021-09-15 | 2022-09-12 | Device and method for detecting counterfeit identification card |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210122923A KR102410588B1 (ko) | 2021-09-15 | 2021-09-15 | 신분증 위조 여부 판단 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR102410588B1 true KR102410588B1 (ko) | 2022-06-22 |
| KR102410588B9 KR102410588B9 (ko) | 2023-10-12 |
Family
ID=82216721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210122923A KR102410588B1 (ko) | 2021-09-15 | 2021-09-15 | 신분증 위조 여부 판단 장치 및 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20230077973A1 (ko) |
| KR (1) | KR102410588B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117611923A (zh) * | 2024-01-08 | 2024-02-27 | 北京锐融天下科技股份有限公司 | 一种身份证件真伪识别方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102125379B1 (ko) * | 2020-02-14 | 2020-06-22 | 주식회사 카카오뱅크 | 딥러닝 기반의 신분증 진위판단장치 및 신분증 진위판단방법 |
| KR102215535B1 (ko) * | 2020-06-02 | 2021-02-10 | 주식회사 카카오뱅크 | 신경망을 이용한 안면 부분 이미지 기반 신분 인증 방법 및 이를 수행하는 시스템 |
-
2021
- 2021-09-15 KR KR1020210122923A patent/KR102410588B1/ko active IP Right Grant
-
2022
- 2022-09-12 US US17/943,190 patent/US20230077973A1/en active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102125379B1 (ko) * | 2020-02-14 | 2020-06-22 | 주식회사 카카오뱅크 | 딥러닝 기반의 신분증 진위판단장치 및 신분증 진위판단방법 |
| KR102215535B1 (ko) * | 2020-06-02 | 2021-02-10 | 주식회사 카카오뱅크 | 신경망을 이용한 안면 부분 이미지 기반 신분 인증 방법 및 이를 수행하는 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230077973A1 (en) | 2023-03-16 |
| KR102410588B9 (ko) | 2023-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220406029A1 (en) | Tamper detection for identification documents | |
| US20190213408A1 (en) | Document authenticity determination | |
| US7787695B2 (en) | Method for applying a signature simplicity analysis for improving the accuracy of signature validation | |
| Hafemann et al. | Characterizing and evaluating adversarial examples for offline handwritten signature verification | |
| JP6505937B1 (ja) | 照合システム、照合方法及び照合プログラム | |
| US11023708B2 (en) | Within document face verification | |
| JP4932177B2 (ja) | 硬貨分類装置および硬貨分類方法 | |
| JP2019003421A (ja) | 本人確認書類の真偽判定システム、方法およびプログラム | |
| WO2021108589A1 (en) | Databases, data structures, and data processing systems for counterfeit physical document detection | |
| JP7412496B2 (ja) | 生体（ｌｉｖｅｎｅｓｓ）検出検証方法、生体検出検証システム、記録媒体、及び生体検出検証システムの訓練方法 | |
| CN106803091B (zh) | 一种纸币币值的识别方法和系统 | |
| KR102410588B1 (ko) | 신분증 위조 여부 판단 장치 및 방법 | |
| Aliev et al. | Algorithm for choosing the best frame in a video stream in the task of identity document recognition | |
| CN107170109B (zh) | 一种纸币水印鉴伪方法与装置 | |
| EP4064119A1 (en) | Method and system for identifying a person | |
| US11823521B2 (en) | Image processing method for an identity document | |
| CN111860314B (zh) | 基于图像识别的电子证照验证方法、装置和系统 | |
| US11100322B2 (en) | Character authenticity determination | |
| Patel et al. | Counterfeit Currency Detection using Deep Learning | |
| Yu et al. | Two strategies to optimize the decisions in signature verification with the presence of spoofing attacks | |
| WO2024042674A1 (ja) | 情報処理装置、認証方法および記憶媒体 | |
| WO2022202047A1 (ja) | 情報処理装置、情報処理方法、学習済モデルの製造方法およびコンピュータプログラム | |
| Samarasinghe et al. | Sri lanka driving license forgery detection | |
| Harris et al. | An Improved Signature Forgery Detection using Modified CNN in Siamese Network | |
| JP2020119289A (ja) | 情報処理装置及びプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant | ||
| G170 | Re-publication after modification of scope of protection [patent] |