KR102427853B1 - 사용자 인증을 위한 등록 데이터베이스의 적응적 갱신 방법 및 장치 - Google Patents

사용자 인증을 위한 등록 데이터베이스의 적응적 갱신 방법 및 장치 Download PDF

Info

Publication number
KR102427853B1
KR102427853B1 KR1020160027745A KR20160027745A KR102427853B1 KR 102427853 B1 KR102427853 B1 KR 102427853B1 KR 1020160027745 A KR1020160027745 A KR 1020160027745A KR 20160027745 A KR20160027745 A KR 20160027745A KR 102427853 B1 KR102427853 B1 KR 102427853B1
Authority
KR
South Korea
Prior art keywords
feature
registration database
input image
vector
distance
Prior art date
Application number
KR1020160027745A
Other languages
English (en)
Other versions
KR20170055393A (ko
Inventor
김정배
이선민
한재준
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to US15/270,172 priority Critical patent/US10769255B2/en
Priority to EP16190622.7A priority patent/EP3168777A1/en
Priority to JP2016211851A priority patent/JP6802039B2/ja
Priority to CN201610987098.3A priority patent/CN106682068B/zh
Priority to US15/469,984 priority patent/US10769256B2/en
Publication of KR20170055393A publication Critical patent/KR20170055393A/ko
Priority to US16/860,267 priority patent/US11537698B2/en
Priority to JP2020195840A priority patent/JP7098701B2/ja
Application granted granted Critical
Publication of KR102427853B1 publication Critical patent/KR102427853B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Collating Specific Patterns (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)

Abstract

등록 데이터베이스의 적응적 갱신 방법은 사용자의 얼굴을 포함하는 입력 영상으로부터 제1 특징 벡터를 추출하고, 제1 특징 벡터, 등록 데이터베이스에 등록된 등록 영상들의 제2 특징 벡터들, 및 제2 특징 벡터들을 대표하는 대표 벡터에 기초하여, 입력 영상을 등록 데이터베이스에 등록시킬지 여부를 판단하며, 판단 결과에 기초하여 입력 영상을 등록 데이터베이스에 등록시킨다.

Description

사용자 인증을 위한 등록 데이터베이스의 적응적 갱신 방법 및 장치{METHOD AND APPARATUS FOR ADAPTIVELY UPDATING REGISTRATION DATABASE FOR USER AUTHENTICATION}
아래 실시예들은 사용자 인증을 위한 등록 데이터베이스의 적응적 갱신 방법 및 장치에 관한 것이다.
스마트 폰 등 다양한 모바일 기기나 웨어러블 기기는 지문, 홍채, 목소리, 얼굴, 혈관 등 사용자의 생체 정보를 보안 인증에 이용할 수 있다. 얼굴 인식의 경우는 사용자의 화장, 헤어스타일, 수염 및 체중 등과 같이 시간에 따른 많은 변화 요소를 가지고 있어서 최초에 등록된 하나의 등록 영상과 입력되는 얼굴 영상을 비교하여 인증을 수행하는 방식에는 문제가 있을 수 있다.
일 측에 따르면, 등록 데이터베이스의 적응적 갱신 방법은 사용자의 얼굴을 포함하는 입력 영상으로부터 제1 특징 벡터를 추출하는 단계; 상기 제1 특징 벡터, 등록 데이터베이스에 등록된 등록 영상들의 제2 특징 벡터들, 및 상기 제2 특징 벡터들을 대표하는 대표 벡터에 기초하여, 상기 입력 영상을 상기 등록 데이터베이스에 등록시킬지 여부를 판단하는 단계; 및 상기 판단 결과에 기초하여 상기 입력 영상을 상기 등록 데이터베이스에 등록시키는 단계를 포함한다.
상기 등록시킬지 여부를 판단하는 단계는 상기 제1 특징 벡터, 상기 제2 특징 벡터들, 및 상기 대표 벡터에 기초하여 상기 입력 영상이 아웃라이어(outlier)에 해당하는지 여부를 판단하는 단계; 및 상기 제1 특징 벡터, 및 상기 제2 특징 벡터들에 기초하여 상기 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 단계 중 적어도 하나를 포함할 수 있다.
상기 입력 영상이 아웃라이어에 해당하는지 여부를 판단하는 단계는 상기 제1 특징 벡터와 상기 제2 특징 벡터들 사이의 최소 거리를 계산하는 단계; 상기 제1 특징 벡터 및 상기 대표 벡터 사이의 대표 거리를 계산하는 단계; 및 상기 최소 거리 및 상기 대표 거리에 기초하여, 상기 입력 영상이 아웃라이어인지를 판단하는 단계를 포함할 수 있다.
상기 아웃라이어인지를 판단하는 단계는 상기 최소 거리가 상기 등록 데이터베이스의 갱신을 위하여 미리 설정된 제1 임계치보다 작은지 여부 및 상기 대표 거리가 미리 설정된 제2 임계치보다 작은지 여부에 기초하여 상기 입력 영상이 아웃라이어인지를 판단하는 단계를 포함할 수 있다.
상기 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 단계는 상기 제1 특징 벡터 및 상기 제2 특징 벡터들을 포함하는 벡터 집합에서, 각각의 벡터에 대응하는 누적 특징 거리 -상기 누적 특징 거리는 상기 벡터 집합 내 하나의 벡터와 나머지 벡터들 사이의 거리들에 기초하여 결정됨- 를 결정하는 단계; 및 상기 제1 특징 벡터에 대응하는 누적 특징 거리가 상기 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 지 여부를 판단하는 단계를 포함할 수 있다.
상기 등록 데이터베이스에 등록시키는 단계는 상기 제1 특징 벡터에 대응하는 누적 특징 거리가 상기 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 경우에 상기 등록 영상들 중 어느 하나의 등록 영상을 상기 입력 영상과 교체하는 단계를 포함할 수 있다.
상기 어느 하나의 등록 영상을 상기 입력 영상과 교체하는 단계는 상기 누적 특징 거리들 중 최소 누적 특징 거리를 가지는 제2 특징 벡터에 대응하는 등록 영상을 상기 입력 영상과 교체하는 단계를 포함할 수 있다.
상기 등록시킬지 여부를 판단하는 단계는 상기 등록 데이터베이스에 등록된 등록 영상들의 개수와 상기 등록 데이터베이스의 최대 등록 개수를 비교하는 단계를 포함할 수 있다.
상기 입력 영상을 상기 등록 데이터베이스에 등록시키는 단계는 상기 등록 영상들의 개수가 상기 최대 등록 개수보다 작은 경우에 상기 입력 영상을 상기 등록 데이터베이스에 추가하는 단계; 및 상기 등록 영상들의 개수가 상기 최대 등록 개수와 같은 경우에 상기 등록 데이터베이스에 등록된 등록 영상들 중 어느 하나를 상기 입력 영상과 교체하는 단계를 포함할 수 있다.
상기 등록 데이터베이스에 추가하는 단계는 상기 입력 영상이 아웃라이어가 아니고, 상기 등록 영상들의 개수가 상기 최대 등록 개수보다 작으면, 상기 입력 영상을 상기 등록 데이터베이스에 추가하는 단계를 포함할 수 있다.
상기 등록시킬지 여부를 판단하는 단계는 상기 제1 특징 벡터, 상기 제2 특징 벡터들, 및 상기 대표 벡터에 기초하여, 상기 사용자를 인증하는 단계를 포함할 수 있다.
상기 사용자를 인증하는 단계는 상기 제1 특징 벡터와 상기 제2 특징 벡터들 사이의 최소 거리를 계산하는 단계; 상기 제1 특징 벡터 및 상기 대표 벡터 사이의 대표 거리를 계산하는 단계; 및 상기 최소 거리와 상기 대표 거리 중의 최소값과 사용자 인증을 위하여 미리 설정된 임계치와의 비교 결과에 기초하여, 상기 사용자를 인증하는 단계를 포함할 수 있다.
상기 등록시킬지 여부를 판단하는 단계는 상기 사용자 인증이 성공인지 여부에 기초하여, 상기 입력 영상을 상기 등록 데이터베이스에 등록시킬지 여부를 판단하는 단계를 포함할 수 있다.
상기 등록 데이터베이스의 적응적 갱신 방법은 상기 입력 영상이 상기 등록 데이터베이스에 등록된 경우, 상기 제1 특징 벡터에 의해 상기 대표 벡터를 갱신하는 단계를 더 포함할 수 있다.
일 측에 따르면, 등록 데이터베이스의 적응적 갱신 장치는 등록 데이터베이스를 저장하는 메모리; 및 사용자의 얼굴을 포함하는 입력 영상으로부터 제1 특징 벡터를 추출하고, 상기 제1 특징 벡터, 상기 등록 데이터베이스에 등록된 등록 영상들의 제2 특징 벡터들, 및 상기 제2 특징 벡터들을 대표하는 대표 벡터에 기초하여, 상기 입력 영상을 상기 등록 데이터베이스에 등록시킬지 여부를 판단하여 등록시키는 프로세서를 포함한다.
상기 프로세서는 상기 제1 특징 벡터, 상기 제2 특징 벡터들, 및 상기 대표 벡터에 기초하여 상기 입력 영상이 아웃라이어에 해당하는지 여부 또는 상기 제1 특징 벡터, 및 상기 제2 특징 벡터들에 기초하여 상기 등록 데이터베이스의 특징 범위가 확장되는지 여부 중 적어도 하나를 판단할 수 있다.
상기 프로세서는 상기 제1 특징 벡터와 상기 제2 특징 벡터들 사이의 최소 거리 및 상기 제1 특징 벡터 및 상기 대표 벡터 사이의 대표 거리를 계산하고, 상기 최소 거리 및 상기 대표 거리에 기초하여, 상기 입력 영상이 아웃라이어인지를 판단할 수 있다.
상기 프로세서는 상기 제1 특징 벡터 및 상기 제2 특징 벡터들을 포함하는 벡터 집합에서, 각각의 벡터에 대응하는 누적 특징 거리 -상기 누적 특징 거리는 상기 벡터 집합 내 하나의 벡터와 나머지 벡터들 사이의 거리들에 기초하여 결정됨- 를 결정하고, 상기 제1 특징 벡터에 대응하는 누적 특징 거리가 상기 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 지 여부에 기초하여 상기 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단할 수 있다.
상기 프로세서는 상기 판단 결과, 상기 제1 특징 벡터에 대응하는 누적 특징 거리가 상기 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 경우, 상기 등록 영상들 중 최소 누적 특징 거리를 가지는 제2 특징 벡터에 대응하는 등록 영상을 상기 입력 영상과 교체할 수 있다.
상기 프로세서는 상기 등록 데이터베이스에 등록된 등록 영상들의 개수와 상기 등록 데이터베이스의 최대 등록 개수의 비교 결과에 기초하여, 상기 입력 영상을 상기 등록 데이터베이스에 추가 또는 교체할지 여부를 결정할 수 있다.
상기 프로세서는 상기 제1 특징 벡터, 상기 제2 특징 벡터들, 및 상기 대표 벡터에 기초하여, 상기 사용자를 인증하고, 상기 사용자 인증이 성공인지 여부를 기초로, 상기 입력 영상을 상기 등록 데이터베이스에 등록시킬지 여부를 판단할 수 있다.
상기 프로세서는 상기 입력 영상이 상기 등록 데이터베이스에 등록된 경우, 상기 제1 특징 벡터에 의해 상기 대표 벡터를 갱신할 수 있다.
일 측에 따른 등록 데이터베이스의 적응적 갱신 방법은 입력 영상을 인증하는 단계; 상기 입력 영상이 아웃라이어인지 여부를 판단하는 단계; 상기 입력 영상으로 인하여 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 단계; 및 상기 등록 데이터베이스의 등록 영상들 중 어느 하나와 상기 입력 영상을 교체하는 단계를 포함한다.
상기 입력 영상이 아웃라이어인지 여부를 판단하는 단계는 상기 입력 영상으로부터 추출된 제1 특징 벡터와 상기 등록 데이터베이스의 등록 영상들로부터 추출된 제2 특징 벡터들의 최소 거리를 계산하는 단계; 상기 제1 특징 벡터와 상기 제2 특징 벡터들을 대표하는 대표 벡터 사이의 대표 거리를 계산하는 단계; 및 상기 최소 거리에 관한 제1 조건, 및 상기 대표 거리에 관한 제2 조건이 만족되는지 여부를 판단하는 단계를 포함할 수 있다.
상기 입력 영상으로 인하여 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 단계는 상기 입력 영상으로부터 추출된 제1 특징 벡터 및 상기 등록 데이터베이스의 등록 영상들로부터 추출된 제2 특징 벡터들을 포함하는 벡터 집합에서, 각각의 벡터에 대응하는 누적 특징 거리를 계산하는 단계; 및 상기 제1 특징 벡터에 대응하는 누적 특징 거리가 상기 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 지 여부를 판단하는 단계를 포함할 수 있다.
상기 각각의 벡터에 대응하는 누적 특징 거리를 계산하는 단계는 상기 각각의 벡터에 대응하여, 해당 벡터와 상기 벡터 집합 내 나머지 벡터들 사이의 거리들을 합산하는 단계를 포함할 수 있다.
일 측에 따른 등록 데이터베이스의 적응적 갱신 장치는 등록 데이터베이스에 기초하여 입력 영상을 인증하고, 상기 등록 데이터베이스의 등록 영상들을 대표하는 대표 벡터에 기초하여 상기 입력 영상이 아웃라이어인지 여부를 판단하며, 상기 인증 결과 및 상기 판단 결과에 기초하여 상기 등록 데이터베이스를 적응적으로 갱신하는 프로세서를 포함한다.
상기 프로세서는 상기 입력 영상이 아웃라이어인지 여부를 판단하기 위하여, 상기 입력 영상으로부터 추출된 제1 특징 벡터와 상기 등록 데이터베이스의 등록 영상들로부터 추출된 제2 특징 벡터들의 최소 거리를 계산하고, 상기 제1 특징 벡터와 상기 대표 벡터 사이의 대표 거리를 계산하며, 상기 최소 거리에 관한 제1 조건 및 상기 대표 거리에 관한 제2 조건이 만족되는지 여부를 판단할 수 있다.
도 1은 일 실시예에 따른 등록 데이터베이스의 적응적 갱신 방법을 나타낸 흐름도.
도 2는 일 실시예에 따른 등록 데이터베이스의 적응적 갱신에 의해 본인 인증률이 향상되는 원리를 설명하는 도면.
도 3은 일 실시예에 따른 입력 영상이 아웃라이어(outlier)에 해당하는지 여부를 판단하는 방법을 설명하는 도면.
도 4는 일 실시예에 따른 등록 데이터베이스의 적응적 갱신 알고리즘을 나타낸 흐름도.
도 5는 일 실시예에 따른 임계치를 결정하는 방법을 설명하는 도면.
도 6은 일 실시예에 따른 입력 영상에 의해 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 방법을 설명하는 도면.
도 7은 일 실시예에 따른 등록 데이터베이스에 적응적으로 갱신된 등록 영상들을 나타낸 도면.
도 8은 등록 데이터베이스에 처음 등록된 등록 영상들 간의 특징 거리 및 최종적으로 갱신된 등록 영상들 간의 특징 거리를 나타낸 도면.
도 9는 일 실시예에 따른 등록 데이터베이스의 적응적 갱신 장치의 블록도.
본 명세서에 개시되어 있는 특정한 구조적 또는 기능적 설명들은 단지 기술적 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것이다. 개시된 실시예들은 다양한 다른 형태로 변경되어 실시될 수 있으며 본 명세서의 범위는 개시된 실시예들에 한정되지 않는다.
제1 또는 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
하기에서 설명될 실시예들은 사용자의 얼굴을 인식하는 데 사용될 수 있다. 사용자의 얼굴을 인식하는 동작은 그 사용자를 인증하거나 식별하는 동작을 포함할 수 있다. 사용자를 인증하는 동작은, 예를 들어 그 사용자가 기 등록된 사용자인지 여부를 판단하는 동작을 포함할 수 있다. 이 경우, 사용자를 인증하는 동작의 결과는 참 또는 거짓으로 출력될 수 있다. 사용자를 식별하는 동작은, 예를 들어 그 사용자가 기 등록된 복수의 사용자들 중 어느 사용자에 해당하는지를 판단하는 동작을 포함할 수 있다. 이 경우, 사용자를 식별하는 동작의 결과는 어느 하나의 기 등록된 사용자의 아이디로 출력될 수 있다. 만약 그 사용자가 기 등록된 복수의 사용자들 중 어느 사용자에도 해당하지 않는 경우, 그 사용자가 식별되지 않음을 알리는 신호가 출력될 수도 있다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다. 예를 들어, 실시예들은 스마트 폰, 모바일 기기, 스마트 홈 시스템 등에서 사용자를 인증하는데 적용될 수 있다. 실시예들은 사용자 인증을 통한 결제 서비스에 적용될 수 있다. 또한, 실시예들은 사용자를 인증하여 자동으로 시동을 거는 지능형 자동차 시스템 등에도 적용될 수 있다. 이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일 실시예에 따른 등록 데이터베이스의 적응적 갱신(adaptive update) 방법을 나타낸 흐름도이다. 적응적 갱신 방법을 수행하는 갱신 장치는 예를 들어, 사용자 인증 장치에 포함될 수도 있고, 별도의 장치로 구성될 수도 있다. 갱신 장치는 소프트웨어 모듈, 하드웨어 모듈, 또는 이들의 다양한 조합으로 구현될 수 있다. 등록 데이터베이스는 등록 템플레이트(enrollment template)라고 지칭될 수 있다.
도 1을 참조하면, 갱신 장치는 단계(110)에서 사용자의 얼굴을 포함하는 입력 영상으로부터 제1 특징 벡터를 추출한다. '제1 특징 벡터'는 입력 영상으로부터 추출되는 얼굴 인식을 위한 특징을 나타내는 벡터로 이해될 수 있다. 갱신 장치는 예를 들어, LBP(Local Binary Pattern) 기법, 가보르(Gabor) 기법, 또는 딥 러닝(Deep Learning) 기법 등 다양한 기법을 이용하여 입력 영상으로부터 제1 특징 벡터를 추출할 수 있다.
갱신 장치는 단계(120)에서 입력 영상을 등록 데이터베이스에 등록시킬지 여부를 판단한다. 예를 들어, 갱신 장치는 입력 영상의 인증을 수행하고, 입력 영상이 아웃라이어에 해당하는지 여부를 판단함으로써, 입력 영상을 등록 데이터베이스에 등록시킬지 여부를 판단할 수 있다.
갱신 장치는 제1 특징 벡터, 제2 특징 벡터들, 및 대표 벡터를 이용할 수 있다. '제2 특징 벡터(들)'는 등록 데이터베이스에 등록된 등록 영상(들)으로부터 추출되는 얼굴 인식을 위한 특징을 나타내는 벡터(들)로 이해될 수 있다. 제2 특징 벡터(들) 또한 LBP 기법, Gabor 기법, 또는 딥 러닝 기법 등에 의해 추출될 수 있다.
'대표 벡터'는 제2 특징 벡터들을 대표하는 벡터로, 제2 특징 벡터들의 통계 연산(예를 들어, 평균, 표준 편차 등)을 통하여 계산될 수 있다. 등록 영상들(X 1 , X 2 , ... , X n )로부터 추출되는 제2 특징 벡터들(x i ) 및 대표 벡터(
Figure 112016022430754-pat00001
)는 예를 들어, 아래의 <수학식 1>과 같이 표현될 수 있다.
Figure 112016022430754-pat00002
여기서, n은 등록 데이터베이스에 등록된 등록 영상들의 수이다.
갱신 장치는 제1 특징 벡터, 제2 특징 벡터들, 및 대표 벡터에 기초하여, 입력 영상의 인증을 수행할 수 있다. 일 예로, 갱신 장치는 {제2 특징 벡터들, 대표 벡터}의 집합 내 벡터들과 제1 특징 벡터를 비교함으로써, 입력 영상의 인증을 수행할 수 있다.
갱신 장치는 {제2 특징 벡터들, 대표 벡터}의 집합 내 벡터들과 제1 특징 벡터 사이의 최소 거리를 계산할 수 있다. {제2 특징 벡터들, 대표 벡터}의 집합 내 벡터들과 제1 특징 벡터 사이의 거리는 예를 들어, 특징 벡터들 간의 유사도에 반비례하는 유클리디언 거리로 이해될 수 있다. 갱신 장치는 <수학식 2>를 이용하여 최소 거리(dn)를 계산할 수 있다.
Figure 112016022430754-pat00003
여기서, y는 제1 특징 벡터이고, x 1 내지 x n 은 제2 특징 벡터들이며,
Figure 112016022430754-pat00004
는 대표 벡터이고, d n 은 {제2 특징 벡터들, 대표 벡터}의 집합 내 벡터들과 제1 특징 벡터 사이의 최소 거리일 수 있다.
최소 거리(d n )가 제1 임계 거리보다 작은 경우, 갱신 장치는 입력 영상의 인증이 성공했다고 판단할 수 있다. 제1 임계 거리는 1%의 오인식률(false acceptance rate; FAR)에 해당하는 거리 등으로 미리 정해질 수 있다. 오인식률(FAR)은 타인을 본인으로 잘못 인식하는 비율이다.
갱신 장치는 거리 대신 유사도를 이용할 수 있다. 이 경우, 갱신 장치는 {제2 특징 벡터들, 대표 벡터}의 집합 내 벡터들과 제1 특징 벡터 사이의 최대 유사도를 계산할 수 있다. 최대 유사도가 제1 임계 유사도보다 큰 경우, 갱신 장치는 입력 영상의 인증에 성공했다고 판단할 수 있다. 제1 임계 유사도는 1%의 오인식률(FAR)에 해당하는 유사도 등으로 미리 정해질 수 있다.
다른 예로, 갱신 장치는 제1 특징 벡터와 제2 특징 벡터들을 비교함으로써, 입력 영상의 인증 성공 여부를 판단할 수도 있다.
입력 영상의 인증이 성공한 경우에도, 실제로는 입력 영상이 오인식(false acceptance)된 것일 수 있다. 예를 들어, 인증 과정에서 입력 영상이 본인에 해당한다고 판단되었으나, 실제로 입력 영상은 타인에 해당하는 영상일 수 있다. 갱신 장치는 오인식된 입력 영상이 등록 데이터베이스에 등록되는 것을 방지하기 위하여, 인증을 위한 제1 기준보다 엄격한 제2 기준을 통하여, 입력 영상을 등록 데이터베이스에 등록할지 여부를 결정할 수 있다. 제2 기준은 입력 영상이 아웃라이어(outlier)에 해당하는지 여부를 판단하는 기준일 수 있다. 여기서, '아웃라이어'는 인증은 성공하였지만 실제로는 본인이 아닌 타인에 해당하는 영상으로 이해될 수 있다.
갱신 장치는 제1 특징 벡터, 제2 특징 벡터들, 및 대표 벡터에 기초하여 입력 영상이 아웃라이어에 해당하는지 여부를 판단할 수 있다. 예를 들어, 갱신 장치는 2가지 조건들을 검사할 수 있다. 첫째로, 갱신 장치는 제1 특징 벡터와 제2 특징 벡터들 사이의 거리들 중 최소 거리가 미리 정해진 제2 임계 거리보다 작은지 여부를 검사할 수 있다. 여기서, 제2 임계 거리는 입력 영상의 인증을 위한 제1 임계 거리보다 엄격하게 결정될 수 있다. 예를 들어, 제2 임계 거리는 0.01%의 오인식률(FAR)에 해당하는 거리일 수 있다. 둘째로, 갱신 장치는 제1 특징 벡터와 대표 벡터 사이의 거리가 미리 정해진 제3 임계 거리보다 작은지 여부를 검사할 수 있다. 제3 임계 거리는 제2 임계 거리와 동일하게 결정될 수도 있고, 상이하게 결정될 수도 있다.
갱신 장치는 거리 대신 유사도를 이용할 수 있다. 이 경우, 갱신 장치는 제1 특징 벡터와 제2 특징 벡터들 사이의 최대 유사도가 미리 정해진 제2 임계 유사도보다 큰지 여부를 검사할 수 있다. 제2 임계 유사도는 예를 들어, 0.01%의 오인식률(FAR)에 해당하는 유사도일 수 있다. 또한, 갱신 장치는 제1 특징 벡터와 대표 벡터 사이의 유사도가 미리 정해진 제3 임계 유사도보다 큰지 여부를 검사할 수 있다.
갱신 장치는 전술한 2 가지 조건들이 모두 통과되는 경우, 입력 영상이 아웃라이어에 해당하지 않는다고 판단할 수 있다. 입력 영상이 아웃라이어에 해당하지 않는 경우, 갱신 장치는 입력 영상을 등록 데이터베이스에 등록시킨다고 판단할 수 있다. 반면, 입력 영상이 아웃라이어에 해당하는 경우, 갱신 장치는 입력 영상을 등록 데이터베이스에 등록시키지 않는다고 판단할 수 있다.
입력 영상을 등록 데이터베이스에 등록시킨다는 판단에 따라, 갱신 장치는 단계(130)에서, 입력 영상을 등록 데이터베이스에 등록한다. 여기서, '등록'은 등록 데이터베이스에 입력 영상을 추가(add)하는 것 및 등록 데이터베이스에 있는 등록 영상들 중 어느 하나와 입력 영상을 교체(replace)하는 것을 모두 포함하는 의미로 이해될 수 있다.
일 예로, 등록 데이터베이스에 포함된 등록 영상들의 수가 미리 정해진 임계 개수(예를 들어, 10 개)보다 작은 경우, 갱신 장치는 입력 영상을 등록 데이터베이스에 추가할 수 있다.
다른 예로, 등록 데이터베이스에 포함된 등록 영상들의 수가 임계 개수와 같은 경우, 갱신 장치는 입력 영상으로 인하여 등록 데이터베이스의 특징 범위가 확장되는지 여부에 따라 등록 영상들 중 어느 하나와 입력 영상을 교체할 수 있다. 여기서, '등록 데이터베이스의 특징 범위가 확장된다'는 것은 등록 데이터베이스에 포함된 등록 영상들에 의하여 인식 가능한 사용자의 얼굴 변화들이 다양해진다는 의미로 이해될 수 있다. 사용자의 얼굴 변화들은 화장, 헤어스타일, 수염, 체중 등 다양한 요소들에 기인할 수 있다.
갱신 장치는 제1 특징 벡터 및 제2 특징 벡터들에 기초하여, 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단할 수 있다. 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 방법은 도 6을 참조하여 설명한다.
실시예들에 따른 갱신 장치는 타인에 해당하는 영상이 등록 데이터베이스에 잘못 포함되는 것을 방지하면서, 본인에 해당하는 다양한 영상들이 등록 데이터베이스에 포함되도록 등록 데이터베이스를 적응적으로 갱신할 수 있다. 적응적으로 갱신된 등록 데이터베이스를 통하여, 본인 인증률이 향상될 수 있다.
도 2는 일 실시예에 따른 등록 데이터베이스의 적응적 갱신에 의해 본인 인증률이 향상되는 원리를 설명하는 도면이다. 도 2를 참조하면, 등록 데이터베이스의 등록 영상들이 적응적으로 추가 또는 교체됨에 따라, 등록 데이터베이스의 등록 영상들에 의한 인증 범위가 본인에 해당하는 범위를 효과적으로 커버하도록 개선될 수 있다. 도 2에서 각 등록 영상으로부터 방사형으로 그려진 원은 해당 등록 영상에 의한 인증 범위를 나타낸다.
도 2의 (a)를 참조하면, 등록 데이터베이스에 한 개의 등록 영상(X1)이 등록된 경우의 등록 영상(X1)에 의한 인증 범위가 도시된다. 전술한 바와 같이, 얼굴은 예를 들어, 조명, 화장, 헤어 스타일, 수염, 및 체중 등과 같은 많은 변화 요소들을 가지므로 한 개의 등록 영상으로는 사용자에 해당하는 범위를 효과적으로 커버하기 어렵다. 이 경우, 인식률(verification rate; VR)이 낮고, 오거부율(false rejection rate; FRR)이 클 수 있다. 인식률(VR)은 사용자 본인을 제대로 인식하는 비율이고, 오거부율(FRR)은 사용자 본인을 잘못 거부하는 비율이다. 도면에 도시하지 않았으나, 등록 영상(X1) 만으로 사용자에 해당하는 범위를 모두 커버하려면, 등록 영상(X1)의 인증 범위가 타인을 본인으로 오인식하는 범위까지 확장되어야 한다. 이 경우, 오인식률(FAR)이 심각하게 증가될 수 있다.
도 2의 (b)를 참조하면, 등록 데이터베이스에 복수 개의 등록 영상들(X1, X2, X3, X4, X5)이 추가된 경우의 인증 범위가 도시된다. 등록 데이터베이스에 복수 개의 등록 영상들(X2, X3, X4, X5)이 추가된 경우, 한 개의 등록 영상(X1)만 등록된 경우에 비해 인식률(VR)이 향상될 수 있다.
일 실시예에서는 복수 개의 등록 영상들의 특징들(예를 들어, 제2 특징 벡터들) 및 등록 영상들의 평균 특징(예를 들어, 대표 벡터)을 함께 사용하여 인식률(VR)을 높이는 한편, 개별 등록 영상의 인증 범위를 좁게 설정함으로써 오인식률(FAR)을 낮출 수 있다.
도 2의 (c)를 참조하면, 등록 데이터베이스가 복수의 등록 영상들(X'1 , X'2 , X'3, X'4 , X'5)로 교체되는 경우의 인증 범위가 도시된다. 교체된 복수의 등록 영상들(X'1, X'2 , X'3 , X'4 , X'5)이 본인에 해당하는 범위에 가능한 넓게 포진된 경우, 다양하게 변하는 사용자의 얼굴에 대한 인식률(VR)을 향상시킬 수 있다.
일 실시예에서는 등록 데이터베이스에 저장된 등록 영상들 간의 거리가 최대한 넓게 유지되도록 등록 영상들을 지속적으로 교체함으로써 인식률(VR)을 높여 사용자의 얼굴 변화에 적응하도록 할 수 있다. 여기서, '등록 영상들 간의 거리를 최대한 넓게 유지한다'는 것은 등록 영상들이 최대한 다양한 변화를 나타내도록 등록 영상들 간의 유사도를 최대한 낮게 한다는 의미로 이해될 수 있다. 이때, 등록 영상들 간 거리를 최대한 넓게 유지하더라도 아웃라이어가 등록 영상에 포함되지 않도록 해야 한다. 아웃라이어가 등록 영상에 포함되지 않도록 하는 방법은 도 3을 참조하여 설명한다.
일 실시예에서는 도 2의 (b) 및 (c)와 같은 등록 영상들의 추가 및 교체를 통해 사용자에 해당하는 범위를 효과적으로 커버함으로써 입력 영상에 대한 인식률(VR)을 높이는 한편, 오인식률(FAR) 및 오거부율(FRR)을 낮출 수 있다.
도 3은 일 실시예에 따른 입력 영상이 아웃라이어에 해당하는지 여부를 판단하는 방법을 설명하는 도면이다. 도 3의 (a)는 입력 영상이 아웃라이어로 판단되는 경우를 도시하고, 도 3의 (b)는 입력 영상이 아웃라이어가 아니라고 판단되는 경우를 도시한다. 이때, 등록 데이터베이스는 등록 영상들의 제2 특징 벡터들(x1, x2, x3, x4, x5) 및 제2 특징 벡터들을 대표하는 대표 벡터(
Figure 112016022430754-pat00005
)를 포함한다고 하자. 대표 벡터는 등록 영상들의 대표 벡터(예를 들어, 평균 특징)에 해당할 수 있다.
도 3의 (a)를 참조하면, 제1 입력 영상의 제1 특징 벡터(y1)와 등록 데이터베이스에 저장된 제4 등록 영상의 특징 벡터(x4) 사이의 거리는 미리 정해진 제2 임계 거리보다 작지만, 제1 특징 벡터(y1)와 등록 영상들의 대표 벡터(
Figure 112016022430754-pat00006
) 사이의 거리는 미리 정해진 제3 임계 거리보다 클 수 있다. 이 경우, 제1 입력 영상은 제4 등록 영상과 유사하지만, 등록 데이터베이스에 저장된 등록 영상들을 대표하는 영상과는 유사하지 않다고 판단될 수 있다.
갱신 장치는 입력 영상이 등록 데이터베이스에 저장된 등록 영상들 중 하나 또는 그 이상의 등록 영상과 유사하다고 판단되더라도, 입력 영상이 등록 영상들을 대표하는 영상과 유사하지 않다고 판단되는 경우, 입력 영상을 등록 데이터베이스에 등록시키지 않을 수 있다. 이로 인하여, 실시예들은 아웃라이어가 등록 데이터베이스에 포함되는 것을 방지할 수 있다.
도 3의 (b)를 참조하면, 제2 입력 영상의 제1 특징 벡터(y2)와 등록 데이터베이스에 저장된 제4 등록 영상의 특징 벡터(x4) 사이의 거리가 제2 임계 거리보다 작고, 제1 특징 벡터(y2)와 대표 벡터(
Figure 112016022430754-pat00007
) 사이의 거리 또한 제3 임계 거리보다 작을 수 있다. 이는 제2 입력 영상이 등록 영상들 모두와 일정 수준 이상의 높은 유사도를 가짐을 나타낸다. 갱신 장치는 제1 특징 벡터(y2)에 대응되는 제2 입력 영상을 본인에 해당하는 영상으로 판단하고, 제2 입력 영상을 등록 데이터베이스에 등록시킬 수 있다.
도 4는 일 실시예에 따른 등록 데이터베이스의 적응적 갱신 알고리즘을 나타낸 흐름도이다. 도 4를 참조하면, 갱신 장치는 단계(410)에서 입력 영상(Y)을 수신할 수 있다. 갱신 장치는 입력 영상(Y)으로부터 제1 특징 벡터를 추출할 수 있다. 갱신 장치는 단계(420)에서 사용자 인증에 성공하였는지 여부를 판단할 수 있다. 예를 들어, 갱신 장치는 제1 특징 벡터와 등록 데이터베이스(405)를 이용하여 사용자 인증을 수행할 수 있다. 사용자 인증에 실패하면, 갱신 장치는 입력 영상(Y)을 등록 데이터베이스(405)에 등록시키지 않고 동작을 종료할 수 있다.
사용자 인증에 성공하면, 갱신 장치는 단계(430)에서 입력 영상(Y)이 아웃라이어인지 여부를 판단할 수 있다. 갱신 장치는 도 1을 통하여 전술한 2가지 조건들을 검사함으로써 입력 영상(Y)이 아웃라이어인지 여부를 판단할 수 있다.
입력 영상이 아웃라이어에 해당하는지 여부를 판단하는 조건은 다양하게 변형될 수 있다. 예를 들어, 갱신 장치는 아래의 <수학식 3>에 의해 입력 영상이 아웃라이어인지를 판단할 수 있다.
Figure 112016022430754-pat00008
여기서, y는 제1 특징 벡터이고, x i 는 i번째 제2 특징 벡터이며, N은 제2 특징 벡터들의 수이고,
Figure 112016022430754-pat00009
는 대표 벡터이다. d(x i , y)는 제1 특징 벡터와 i번째 제2 특징 벡터 사이의 거리이고, d(
Figure 112016022430754-pat00010
, y)는 제1 특징 벡터와 대표 벡터 사이의 거리이다.
수학식 3에 따르면, N개의 제2 특징 벡터들 중 제1 특징 벡터와의 거리가 임계 값(T3)보다 작은 제2 특징 벡터의 수가 2 이상이고, 대표 벡터와 제1 특징 벡터 사이의 거리가 임계 값(T3)보다 작은 경우, 제1 특징 벡터가 아웃라이어가 아니고 등록 갱신 후보라고 판단될 수 있다.
입력 영상(Y)이 아웃라이어라고 판단되면, 갱신 장치는 입력 영상(Y)을 등록 데이터베이스(405)에 등록시키지 않고, 동작을 종료할 수 있다. 입력 영상(Y)이 아웃라이어가 아니라고 판단되면, 갱신 장치는 단계(440)에서 등록 데이터베이스에 등록된 등록 영상들의 개수(n)와 등록 데이터베이스(405)의 최대 등록 개수(N)를 비교할 수 있다. 최대 등록 개수(N)는 미리 설정된 값(예를 들어, 10)일 수 있다.
등록 영상들의 개수가 최대 등록 개수보다 작은 경우, 갱신 장치는 단계(445)에서 입력 영상(Y)을 등록 데이터베이스(405)에 추가할 수 있다. 입력 영상(Y)이 등록 데이터베이스(405)에 추가되면, 등록 데이터베이스(405)를 대표하는 대표 벡터가 갱신될 수 있다. 예를 들어, 입력 영상(Y)이 등록 데이터베이스(405)에 추가되는 경우, 대표 벡터는 아래의 <수학식 4>와 같이 갱신될 수 있다.
Figure 112016022430754-pat00011
등록 영상들의 개수가 최대 등록 개수보다 크거나 같은 경우, 갱신 장치는 단계(450)에서 입력 영상(Y)에 의해 등록 데이터베이스(405)의 특징 범위가 확장되는지 여부를 판단할 수 있다. 입력 영상(Y)에 의해 등록 데이터베이스(405)의 특징 범위가 확장되는지 여부를 판단하는 방법은 도 6을 참조하여 설명한다. 입력 영상(Y)에 의해 등록 데이터베이스(405)의 특징 범위가 확장되지 않는다고 판단되면, 갱신 장치는 입력 영상(Y)을 등록 데이터베이스(405)에 등록시키지 않고, 동작을 종료할 수 있다.
입력 영상(Y)에 의해 등록 데이터베이스(405)의 특징 범위가 확장된다고 판단되면, 갱신 장치는 단계(455)에서 입력 영상(Y)을 등록 데이터베이스(405)에 등록된 등록 영상들 중 어느 하나와 교체할 수 있다.
일 예로, 갱신 장치는 <수학식 5>에 의해 입력 영상(Y)이 등록 데이터베이스의 등록 갱신 후보에 해당하는지를 판단할 수 있다.
Figure 112016022430754-pat00012
보다 구체적으로, 갱신 장치는 제1 특징 벡터(y)를 N+1번째 제2 특징 벡터(xN+1)로 설정할 수 있다. 갱신 장치는 N+1개의 제2 특징 벡터들 각각에 대응하는 누적 특징 거리(Si)를 계산할 수 있다. 누적 특징 거리들 중 최소 누적 특징 거리의 인덱스(imin)가 N 이하인 경우, 갱신 장치는 imin 번째 영상을 입력 영상과 교체한다. 다시 말해, 입력 영상이 최소 누적 특징 거리를 가지는 경우 갱신 장치는 교체를 진행하지 않고, 기존 등록 영상이 최소 누적 특징 거리를 가지는 경우 갱신 장치는 해당 등록 영상과 입력 영상을 교체할 수 있다.
입력 영상(Y)이 등록 데이터베이스(405)의 등록 영상들 중 어느 하나와 교체되면, 등록 데이터베이스(405)를 대표하는 대표 벡터가 갱신될 수 있다.
일 실시예에서는 입력 영상(Y)이 아웃라이어가 아니고, 입력 영상(Y)이 등록 영상들의 특징 범위(또는, 인증 범위)를 더 넓힐 수 있다면, 입력 영상(Y)을 기존의 등록 영상과 교체하여 등록 데이터베이스(405)에 포함된 등록 영상들의 다양성을 확보할 수 있다.
단계(410)은 도 1의 단계(110)에 대응하고, 단계(420) 및 단계(430)은 도 1의 단계(120)에 대응하며, 단계(440), 단계(445), 단계(450), 및 단계(455)는 도 1의 단계(130)에 대응할 수 있으므로, 보다 상세한 설명은 생략한다.
도 5는 일 실시예에 따른 임계치를 결정하는 방법을 설명하는 도면이다. 임계치는 사용자 인증을 위한 임계 거리 또는 임계 유사도, 아웃라이어 판단을 위한 임계 거리 또는 임계 유사도 등을 포함할 수 있다. 임계치는 다양한 성능 지표에 기초하여 결정될 수 있다. 예를 들어, 임계치는 인식률(VR), 오인식률(FAR), 오거부율(FRR), 또는 이들의 다양한 조합에 기초하여 결정될 수 있다.
도 5를 참조하면, 사용자 본인의 영상들 사이의 특징 거리에 관한 정규분포 곡선(510)과 타인 영상들 사이의 특징 거리에 관한 정규분포 곡선(530)이 도시된다. 여기서, 특징 거리는 영상들 간의 유사도에 반비례하는 거리라고 이해될 수 있다. 도 5의 그래프에서 x축은 두 영상들 사이의 특징 거리를 나타내고, y축은 해당 특징 거리에 대응하는 확률 밀도 함수의 값을 나타낼 수 있다.
일 예로, 사용자 인증을 위한 제1 임계 거리를 1%의 오인식률(FAR)에 해당하는 거리로 설정하기 위하여, 갱신 장치는 타인 영상들 사이의 특징 거리에 관한 정규분포 곡선(530)의 전체 면적 중 하위 1%의 면적을 구분하는 경계선(550)의 특징 거리를 제1 임계 거리로 설정할 수 있다.
도 6은 일 실시예에 따른 입력 영상에 의해 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 방법을 설명하는 도면이다. 도 6의 (a)를 참조하면, 입력 영상이 수신된 경우에 입력 영상의 제1 특징 벡터(y) 및 등록 영상들의 제2 특징 벡터들(x1, x2, x3, x4, x5)을 포함하는 벡터 집합이 도시된다.
갱신 장치는 도 6의 (a)의 벡터 집합 내 어느 하나의 벡터와 나머지 벡터들 사이의 거리들의 합에 의해 도 6의 (b)와 같이 각각의 벡터에 대응하는 누적 특징 거리(S)를 결정할 수 있다. 갱신 장치는 예를 들어, 제2 특징 벡터(x1)과 제1 특징 벡터(y) 사이의 거리, 및 제2 특징 벡터(x1)와 나머지 제2 특징 벡터들(x2, x3, x4, x5) 각각과의 거리를 합산하여 제2 특징 벡터(x1)에 대응하는 누적 특징 거리(S1)를 결정할 수 있다. 갱신 장치는 이러한 방식으로, 나머지 제2 특징 벡터들(x2, x3, x4, x5) 각각에 대응하는 누적 특징 거리(S2, S3, S4, S5)와 제1 특징 벡터(y)에 대응하는 누적 특징 거리(SY)를 결정할 수 있다.
갱신 장치는 제1 특징 벡터에 대응하는 누적 특징 거리(SY)가 제2 특징 벡터들에 대응하는 누적 특징 거리들(S1, S2, S3, S4, S5) 중 적어도 하나보다 큰 지 여부를 판단할 수 있다. 갱신 장치는 제1 특징 벡터에 대응하는 누적 특징 거리가 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 경우에 기존의 등록 영상을 입력 영상과 교체할 수 있다. 갱신 장치는 누적 특징 거리들 중 최소 누적 특징 거리를 가지는 제2 특징 벡터에 대응하는 등록 영상을 입력 영상과 교체할 수 있다.
예를 들어, 각 특징 벡터들에 대응하는 누적 특징 거리들의 크기가 S4 < S5 < SY < S3 < S1 < S2 와 같다고 하자. 이때, 제1 특징 벡터에 대응하는 누적 특징 거리(SY)는 제2 특징 벡터들에 대응하는 누적 특징 거리들(S4, S5)보다 크다. 갱신 장치는 누적 특징 거리(S4, S5)를 가지는 제2 특징 벡터(x4, x5)에 대응하는 등록 영상들 중 어느 하나와 입력 영상을 교체할 수 있다. 갱신 장치는 최소 누적 특징 거리(S4)를 가지는 제2 특징 벡터(x4)에 대응되는 등록 영상을 입력 영상과 교체할 수 있다. 제2 특징 벡터(x4)에 대응되는 등록 영상이 입력 영상에 의해 교체된 결과는 도 6의 (c)와 같다.
갱신 장치는 입력 영상과 등록 영상들의 특징 거리들을 서로 비교하여 교체함으로써 등록 영상들 간의 특징 거리가 더 넓어지도록 하여 더욱 다양하게 변화된 입력 영상들에 대한 인증률을 향상시킬 수 있다.
도 7은 일 실시예에 따른 등록 데이터베이스에 적응적으로 갱신된 등록 영상들을 나타낸 도면이고, 도 8은 도 7에서 등록 데이터베이스에 처음 등록된 등록 영상들 간의 특징 거리 및 최종적으로 갱신된 등록 영상들 간의 특징 거리를 나타낸 도면이다.
도 7을 참조하면, 최초 등록 영상 A1(710), 추가된 9개의 등록 영상들(A2, A3, A4 , A5, A6, A7, A8, A9, A10)(730) 및 최종적으로 교체된 10개의 등록 영상들(A1''',A2, A3', A4' , A5''', A6'', A7, A8'', A9, A10''')(750)이 도시된다. 도 7에서 A1'는 최초 등록 영상 A1에 대응하여 1회 교체된 영상을, A1''는 2회 교체된 영상을, A1'''는 3회 교체된 영상을 나타낸다.
도 8에서 위쪽 그림은 등록 데이터베이스에 처음 등록된 등록 영상들 간의 특징 거리를 나타내고, 아래쪽 그림은 등록 데이터베이스에 최종적으로 등록된 등록 영상들 간의 특징 거리를 나타낸다. 도 8을 참조하면, 처음 등록된 등록 영상들에 비해 최종적으로 등록된 등록 영상들 간의 특징 거리가 더 큰 값을 가짐을 파악할 수 있다.
일 실시예에서는 등록 영상들의 추가 및 교체를 통해 등록 영상들 간의 특징 거리를 넓게 유지함으로써 다양하게 변화된 얼굴 영상에 대한 인증 성능을 향상시킬 수 있다.
도 9는 일 실시예에 따른 등록 데이터베이스의 적응적 갱신 장치의 블록도이다. 도 9를 참조하면, 일 실시예에 따른 갱신 장치(900)는 프로세서(910), 메모리(920), 및 이미지 센서(930)를 포함한다. 프로세서(910), 메모리(920) 및 이미지 센서(930)는 버스(940)를 통하여 서로 통신할 수 있다.
프로세서(910)는 사용자의 얼굴을 포함하는 입력 영상과 기 등록된 등록 영상들을 이용하여 등록 데이터베이스를 적응적으로 갱신할 수 있다.
프로세서(910)는 사용자의 얼굴을 포함하는 입력 영상으로부터 제1 특징 벡터를 추출한다. 프로세서(910)는 제1 특징 벡터, 등록 데이터베이스에 등록된 등록 영상들의 제2 특징 벡터들, 및 제2 특징 벡터들을 대표하는 대표 벡터에 기초하여, 입력 영상을 등록 데이터베이스에 등록시킬지 여부를 판단한다. 프로세서(910)는 판단 결과에 기초하여 입력 영상을 등록 데이터베이스에 등록시킨다.
프로세서(910)는 제1 특징 벡터, 제2 특징 벡터들, 및 대표 벡터에 기초하여 입력 영상이 아웃라이어에 해당하는지 여부 또는 제1 특징 벡터, 및 제2 특징 벡터들에 기초하여 등록 데이터베이스의 특징 범위가 확장되는지 여부 중 적어도 하나를 판단할 수 있다. 입력 영상이 아웃라이어에 해당하지 않고 등록 영상의 개수가 최대 등록 개수보다 작은 경우, 프로세서(910)는 입력 영상을 등록 데이터베이스에 추가할 수 있다. 등록 영상의 개수가 최대 등록 개수보다 크거나 같은 경우, 프로세서(910)는 등록 데이터베이스의 특징 범위가 확장되는지 여부를 추가로 판단할 수 있다. 특징 범위가 확장되는 경우, 프로세서(910)는 입력 영상을 등록 영상 중 하나와 교체할 수 있다.
이 밖에도, 프로세서(910)는 도 1 내지 도 8을 통하여 전술한 적어도 하나의 방법을 수행할 수 있다.
프로세서(910)는 프로그램을 실행하고, 갱신 장치를 제어할 수 있다. 프로세서(910)에 의하여 실행되는 프로그램 코드는 메모리(920)에 저장될 수 있다. 갱신 장치는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.
메모리(920)는 기 등록 영상들을 포함하는 등록 데이터베이스를 저장한다. 메모리(920)는 입력 영상으로부터 추출된 제1 특징 벡터, 등록 영상들의 제2 특징 벡터들 및 제2 특징 벡터들을 대표하는 대표 벡터를 포함할 수 있다. 또한, 메모리(920)는 새로이 등록된 입력 영상과 새로이 등록된 입력 영상에 의해 갱신된 대표 벡터 또한 저장할 수 있다. 메모리(920)는 휘발성 메모리 또는 비 휘발성 메모리일 수 있다. 이미지 센서(930)는 사용자의 얼굴을 포함하는 입력 영상을 캡쳐할 수 있다.
갱신 장치(900)는 소프트웨어 모듈로 구현되어 적어도 하나의 프로세서에 의하여 구동될 수 있다. 소프트웨어 모듈은 프로세서와 연결된 메모리에 프로그램 형태로 기록될 수 있다. 또는, 갱신 장치(900)는 하드웨어 모듈로 구현될 수 있다. 또는, 갱신 장치(900)는 소프트웨어 모듈 및 하드웨어 모듈의 조합으로 구현될 수도 있다. 이 경우, 소프트웨어 모듈로 구현된 기능은 프로세서에 의하여 수행되고, 하드웨어 모듈로 구현된 기능은 해당 하드웨어에 의하여 수행될 수 있다. 프로세서와 하드웨어는 입출력 버스 등을 통하여 서로 신호를 주고 받을 수 있다.
갱신 장치(900)는 이동 전화, 스마트 폰, PDA, 태블릿 컴퓨터, 랩톱 컴퓨터 등 모바일 장치, 퍼스널 컴퓨터, 태블릿 컴퓨터, 넷북 등 컴퓨팅 장치, 또는 텔레비전, 스마트 텔레비전, 게이트 제어를 위한 보안 장치 등 전자 제품 등 다양한 전자 시스템들을 포함할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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.

Claims (29)

  1. 사용자의 얼굴을 포함하는 입력 영상으로부터 제1 특징 벡터를 추출하는 단계;
    상기 제1 특징 벡터, 등록 데이터베이스에 등록된 등록 영상들의 제2 특징 벡터들, 및 상기 제2 특징 벡터들을 대표하는 대표 벡터에 기초하여, 상기 입력 영상을 상기 등록 데이터베이스에 등록시킬지 여부를 판단하는 단계- 상기 제1 특징 벡터는 상기 제2 특징 벡터들 및 상기 대표 벡터와 상이함-; 및
    상기 판단 결과에 기초하여 상기 입력 영상을 상기 등록 데이터베이스에 등록시키는 단계
    를 포함하고,
    상기 입력 영상을 상기 등록 데이터베이스에 상기 등록시킬지 여부를 판단하는 단계는
    상기 제1 특징 벡터, 및 상기 대표 벡터에 기초하여 상기 입력 영상이 아웃라이어(outlier)에 해당하는지 여부를 판단하는 단계; 및
    상기 제1 특징 벡터, 및 상기 제2 특징 벡터들에 기초하여 상기 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 단계
    를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 입력 영상이 아웃라이어에 해당하는지 여부를 판단하는 단계는
    상기 제1 특징 벡터와 상기 제2 특징 벡터들 사이의 최소 거리를 계산하는 단계;
    상기 제1 특징 벡터 및 상기 대표 벡터 사이의 대표 거리를 계산하는 단계; 및
    상기 최소 거리 및 상기 대표 거리에 기초하여, 상기 입력 영상이 아웃라이어인지를 판단하는 단계
    를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.
  4. 제3항에 있어서,
    상기 아웃라이어인지를 판단하는 단계는
    상기 최소 거리가 상기 등록 데이터베이스의 갱신을 위하여 미리 설정된 제1 임계치보다 작은지 여부 및 상기 대표 거리가 미리 설정된 제2 임계치보다 작은지 여부에 기초하여 상기 입력 영상이 아웃라이어인지를 판단하는 단계
    를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.
  5. 제1항에 있어서,
    상기 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 단계는
    상기 제1 특징 벡터 및 상기 제2 특징 벡터들을 포함하는 벡터 집합에서, 각각의 벡터에 대응하는 누적 특징 거리 -상기 누적 특징 거리는 상기 벡터 집합 내 하나의 벡터와 나머지 벡터들 사이의 거리들에 기초하여 결정됨- 를 결정하는 단계; 및
    상기 제1 특징 벡터에 대응하는 누적 특징 거리가 상기 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 지 여부를 판단하는 단계
    를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.
  6. 제5항에 있어서,
    상기 등록 데이터베이스에 등록시키는 단계는
    상기 제1 특징 벡터에 대응하는 누적 특징 거리가 상기 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 경우에 상기 등록 영상들 중 어느 하나의 등록 영상을 상기 입력 영상과 교체하는 단계
    를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.
  7. 제6항에 있어서,
    상기 어느 하나의 등록 영상을 상기 입력 영상과 교체하는 단계는
    상기 누적 특징 거리들 중 최소 누적 특징 거리를 가지는 제2 특징 벡터에 대응하는 등록 영상을 상기 입력 영상과 교체하는 단계
    를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.
  8. 제1항에 있어서,
    상기 등록시킬지 여부를 판단하는 단계는
    상기 등록 데이터베이스에 등록된 등록 영상들의 개수와 상기 등록 데이터베이스의 최대 등록 개수를 비교하는 단계
    를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.
  9. 제8항에 있어서,
    상기 입력 영상을 상기 등록 데이터베이스에 등록시키는 단계는
    상기 등록 영상들의 개수가 상기 최대 등록 개수보다 작은 경우에 상기 입력 영상을 상기 등록 데이터베이스에 추가하는 단계; 및
    상기 등록 영상들의 개수가 상기 최대 등록 개수와 같은 경우에 상기 등록 데이터베이스에 등록된 등록 영상들 중 어느 하나를 상기 입력 영상과 교체하는 단계
    를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.
  10. 제9항에 있어서,
    상기 등록 데이터베이스에 추가하는 단계는
    상기 입력 영상이 아웃라이어가 아니고, 상기 등록 영상들의 개수가 상기 최대 등록 개수보다 작으면, 상기 입력 영상을 상기 등록 데이터베이스에 추가하는 단계
    를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.
  11. 제1항에 있어서,
    상기 등록시킬지 여부를 판단하는 단계는
    상기 제1 특징 벡터, 상기 제2 특징 벡터들, 및 상기 대표 벡터에 기초하여, 상기 사용자를 인증하는 단계
    를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.
  12. 제11항에 있어서,
    상기 사용자를 인증하는 단계는
    상기 제1 특징 벡터와 상기 제2 특징 벡터들 사이의 최소 거리를 계산하는 단계;
    상기 제1 특징 벡터 및 상기 대표 벡터 사이의 대표 거리를 계산하는 단계; 및
    상기 최소 거리와 상기 거리 중의 최소값과 사용자 인증을 위하여 미리 설정된 임계치와의 비교 결과에 기초하여, 상기 사용자를 인증하는 단계
    를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.
  13. 제11항에 있어서,
    상기 등록시킬지 여부를 판단하는 단계는
    상기 사용자 인증이 성공인지 여부에 기초하여, 상기 입력 영상을 상기 등록 데이터베이스에 등록시킬지 여부를 판단하는 단계
    를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.
  14. 제1항에 있어서,
    상기 입력 영상이 상기 등록 데이터베이스에 등록된 경우, 상기 제1 특징 벡터에 의해 상기 대표 벡터를 갱신하는 단계
    를 더 포함하는, 등록 데이터베이스의 적응적 갱신 방법.
  15. 하드웨어와 결합되어 제1항, 제3항 내지 제14항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터로 판독 가능한 저장 매체에 저장된 컴퓨터 프로그램.
  16. 등록 데이터베이스를 저장하는 메모리; 및
    사용자의 얼굴을 포함하는 입력 영상으로부터 제1 특징 벡터를 추출하고, 상기 제1 특징 벡터, 상기 등록 데이터베이스에 등록된 등록 영상들의 제2 특징 벡터들, 및 상기 제2 특징 벡터들을 대표하는 대표 벡터에 기초하여, 상기 입력 영상을 상기 등록 데이터베이스에 등록시킬지 여부를 판단하여 등록시키는 프로세서
    를 포함하고,
    상기 프로세서는
    상기 제1 특징 벡터, 및 상기 대표 벡터에 기초하여 상기 입력 영상이 아웃라이어(outlier)에 해당하는지 여부 및 상기 제1 특징 벡터, 및 상기 제2 특징 벡터들에 기초하여 상기 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단함으로써 상기 입력 영상을 상기 등록 데이터베이스에 등록시킬지 여부를 결정하는, 등록 데이터베이스의 적응적 갱신 장치.
  17. 삭제
  18. 제16항에 있어서,
    상기 프로세서는
    상기 제1 특징 벡터와 상기 제2 특징 벡터들 사이의 최소 거리 및 상기 제1 특징 벡터 및 상기 대표 벡터 사이의 대표 거리를 계산하고, 상기 최소 거리 및 상기 대표 거리에 기초하여, 상기 입력 영상이 아웃라이어인지를 판단하는, 등록 데이터베이스의 적응적 갱신 장치.
  19. 제16항에 있어서,
    상기 프로세서는
    상기 제1 특징 벡터 및 상기 제2 특징 벡터들을 포함하는 벡터 집합에서, 각각의 벡터에 대응하는 누적 특징 거리 -상기 누적 특징 거리는 상기 벡터 집합 내 하나의 벡터와 나머지 벡터들 사이의 거리들에 기초하여 결정됨- 를 결정하고, 상기 제1 특징 벡터에 대응하는 누적 특징 거리가 상기 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 지 여부에 기초하여 상기 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는, 등록 데이터베이스의 적응적 갱신 장치.
  20. 제19항에 있어서,
    상기 프로세서는
    상기 판단 결과, 상기 제1 특징 벡터에 대응하는 누적 특징 거리가 상기 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 경우, 상기 등록 영상들 중 최소 누적 특징 거리를 가지는 제2 특징 벡터에 대응하는 등록 영상을 상기 입력 영상과 교체하는, 등록 데이터베이스의 적응적 갱신 장치.
  21. 제16항에 있어서,
    상기 프로세서는
    상기 등록 데이터베이스에 등록된 등록 영상들의 개수와 상기 등록 데이터베이스의 최대 등록 개수의 비교 결과에 기초하여, 상기 입력 영상을 상기 등록 데이터베이스에 추가 또는 교체할지 여부를 결정하는, 등록 데이터베이스의 적응적 갱신 장치.
  22. 제16항에 있어서,
    상기 프로세서는
    상기 제1 특징 벡터, 상기 제2 특징 벡터들, 및 상기 대표 벡터에 기초하여, 상기 사용자를 인증하고, 상기 사용자 인증이 성공인지 여부를 기초로, 상기 입력 영상을 상기 등록 데이터베이스에 등록시킬지 여부를 판단하는, 등록 데이터베이스의 적응적 갱신 장치.
  23. 제16항에 있어서,
    상기 프로세서는
    상기 입력 영상이 상기 등록 데이터베이스에 등록된 경우, 상기 제1 특징 벡터에 의해 상기 대표 벡터를 갱신하는, 등록 데이터베이스의 적응적 갱신 장치.
  24. 입력 영상을 인증하는 단계;
    상기 입력 영상이 아웃라이어인지 여부를 판단하는 단계;
    상기 입력 영상으로 인하여 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 단계; 및
    상기 입력 영상이 아웃라이어인지 여부 및 상기 입력 영상으로 인하여 등록 데이터베이스의 특징 범위가 확장되는지 여부에 기초하여, 상기 등록 데이터베이스의 등록 영상들 중 어느 하나와 상기 입력 영상을 교체하는 단계
    를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.
  25. 제24항에 있어서,
    상기 입력 영상이 아웃라이어인지 여부를 판단하는 단계는
    상기 입력 영상으로부터 추출된 제1 특징 벡터와 상기 등록 데이터베이스의 등록 영상들로부터 추출된 제2 특징 벡터들의 최소 거리를 계산하는 단계;
    상기 제1 특징 벡터와 상기 제2 특징 벡터들을 대표하는 대표 벡터 사이의 대표 거리를 계산하는 단계; 및
    상기 최소 거리에 관한 제1 조건, 및 상기 대표 거리에 관한 제2 조건이 만족되는지 여부를 판단하는 단계
    를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.
  26. 제24항에 있어서,
    상기 입력 영상으로 인하여 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 단계는
    상기 입력 영상으로부터 추출된 제1 특징 벡터 및 상기 등록 데이터베이스의 등록 영상들로부터 추출된 제2 특징 벡터들을 포함하는 벡터 집합에서, 각각의 벡터에 대응하는 누적 특징 거리를 계산하는 단계; 및
    상기 제1 특징 벡터에 대응하는 누적 특징 거리가 상기 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 지 여부를 판단하는 단계
    를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.
  27. 제26항에 있어서,
    상기 각각의 벡터에 대응하는 누적 특징 거리를 계산하는 단계는
    상기 각각의 벡터에 대응하여, 해당 벡터와 상기 벡터 집합 내 나머지 벡터들 사이의 거리들을 합산하는 단계
    를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.
  28. 등록 데이터베이스에 기초하여 입력 영상을 인증하고, 상기 등록 데이터베이스의 등록 영상들을 대표하는 대표 벡터에 기초하여 상기 입력 영상이 아웃라이어인지 여부를 판단하며, 상기 입력 영상이 상기 아웃라이어가 아니라는 판단에 따라 상기 입력 영상의 제1 특징 벡터 및 상기 등록 영상들의 제2 특징 벡터들에 기초하여 상기 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하며, 상기 등록 데이터베이스의 특징 범위가 확장된다는 판단 결과에 기초하여 상기 등록 데이터베이스를 적응적으로 갱신하는 프로세서
    를 포함하는, 등록 데이터베이스의 적응적 갱신 장치.
  29. 제28항에 있어서,
    상기 프로세서는
    상기 입력 영상이 아웃라이어인지 여부를 판단하기 위하여,
    상기 입력 영상으로부터 추출된 제1 특징 벡터와 상기 등록 데이터베이스의 등록 영상들로부터 추출된 제2 특징 벡터들의 최소 거리를 계산하고, 상기 제1 특징 벡터와 상기 대표 벡터 사이의 대표 거리를 계산하며, 상기 최소 거리에 관한 제1 조건 및 상기 대표 거리에 관한 제2 조건이 만족되는지 여부를 판단하는, 등록 데이터베이스의 적응적 갱신 장치.
KR1020160027745A 2015-11-11 2016-03-08 사용자 인증을 위한 등록 데이터베이스의 적응적 갱신 방법 및 장치 KR102427853B1 (ko)

Priority Applications (7)

Application Number Priority Date Filing Date Title
US15/270,172 US10769255B2 (en) 2015-11-11 2016-09-20 Methods and apparatuses for adaptively updating enrollment database for user authentication
EP16190622.7A EP3168777A1 (en) 2015-11-11 2016-09-26 Methods and apparatuses for adaptively updating enrollment database for user authentication
JP2016211851A JP6802039B2 (ja) 2015-11-11 2016-10-28 ユーザ認証のための登録データベースの適応的更新方法及び装置
CN201610987098.3A CN106682068B (zh) 2015-11-11 2016-11-09 用于适应性更新用于用户认证的注册数据库的方法和设备
US15/469,984 US10769256B2 (en) 2015-11-11 2017-03-27 Methods and apparatuses for adaptively updating enrollment database for user authentication
US16/860,267 US11537698B2 (en) 2015-11-11 2020-04-28 Methods and apparatuses for adaptively updating enrollment database for user authentication
JP2020195840A JP7098701B2 (ja) 2015-11-11 2020-11-26 登録データベースの適応的更新方法及び装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20150158148 2015-11-11
KR1020150158148 2015-11-11

Publications (2)

Publication Number Publication Date
KR20170055393A KR20170055393A (ko) 2017-05-19
KR102427853B1 true KR102427853B1 (ko) 2022-08-02

Family

ID=59049717

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160027745A KR102427853B1 (ko) 2015-11-11 2016-03-08 사용자 인증을 위한 등록 데이터베이스의 적응적 갱신 방법 및 장치

Country Status (2)

Country Link
JP (1) JP7098701B2 (ko)
KR (1) KR102427853B1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102476756B1 (ko) * 2017-06-20 2022-12-09 삼성전자주식회사 사용자 인증을 위한 등록 데이터베이스의 적응적 갱신 방법 및 장치
KR102355779B1 (ko) * 2019-01-08 2022-01-25 주식회사 케이티 얼굴 인식을 위한 얼굴 사진 등록 방법, 얼굴 인식 방법 및 서버
US10635918B1 (en) * 2019-01-30 2020-04-28 StradVision, Inc. Method and device for managing smart database for face recognition based on continual learning
KR102313338B1 (ko) * 2019-03-29 2021-10-15 에스프레스토 주식회사 영상 검색 장치 및 방법
KR102261054B1 (ko) * 2019-11-25 2021-06-04 (주)시큐이데아 카메라에 연결되는 고속 얼굴 인식 장치
KR102367154B1 (ko) * 2020-02-17 2022-02-25 주식회사 에프에스솔루션 얼굴 식별 방법, 및 이를 이용하는 장치 및 프로그램

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150092996A1 (en) * 2013-09-30 2015-04-02 Kabushiki Kaisha Toshiba Authentication apparatus, authentication system, and authentication method

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4775515B1 (ja) * 2011-03-14 2011-09-21 オムロン株式会社 画像照合装置、画像処理システム、画像照合プログラム、コンピュータ読み取り可能な記録媒体、および画像照合方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150092996A1 (en) * 2013-09-30 2015-04-02 Kabushiki Kaisha Toshiba Authentication apparatus, authentication system, and authentication method

Also Published As

Publication number Publication date
JP7098701B2 (ja) 2022-07-11
KR20170055393A (ko) 2017-05-19
JP2021028848A (ja) 2021-02-25

Similar Documents

Publication Publication Date Title
US10769256B2 (en) Methods and apparatuses for adaptively updating enrollment database for user authentication
KR102427853B1 (ko) 사용자 인증을 위한 등록 데이터베이스의 적응적 갱신 방법 및 장치
KR102439938B1 (ko) 사용자 인증을 위한 멀티-모달 퓨전 방법 및 사용자 인증 방법
KR102370063B1 (ko) 얼굴 인증 방법 및 장치
KR102486699B1 (ko) 영상 인식 방법, 영상 검증 방법, 장치, 및 영상 인식 및 검증에 대한 학습 방법 및 장치
KR102415504B1 (ko) 사용자 인증을 위한 등록 데이터베이스의 갱신 방법 및 장치
CN106326327B (zh) 用于更新用户认证数据的方法和设备
KR102476756B1 (ko) 사용자 인증을 위한 등록 데이터베이스의 적응적 갱신 방법 및 장치
KR102401170B1 (ko) 복합 인증 장치 및 방법
KR101997479B1 (ko) 사용자 인증을 위한 생체 영역을 검출하는 방법 및 장치
US8792686B2 (en) Biometric authentication device, method of controlling biometric authentication device and non-transitory, computer readable storage medium
KR102238688B1 (ko) 생체 인증 방법 및 생체 인증 장치
US10990658B2 (en) Method and apparatus for verifying user using multiple biometric verifiers
KR102547820B1 (ko) 복수의 생체 인증기들을 이용한 사용자 인증 방법 및 그 장치
CN108596079B (zh) 手势识别方法、装置及电子设备
CN111382666A (zh) 具有用户验证的设备和方法
KR102483650B1 (ko) 사용자 인증 장치 및 방법
KR102261833B1 (ko) 인증 방법 및 장치, 및 인식기 학습 방법 및 장치
KR102450763B1 (ko) 사용자 자세에 기초한 키스트로크 패턴을 이용한 사용자 분류 장치 및 방법
KR102387569B1 (ko) 지문 인증 방법 및 장치
CN112818312A (zh) 基于人脸识别技术mes系统登录认证方法及mes系统
KR20210145458A (ko) 위조 지문 검출 장치 및 위조 지문 방지를 위한 모델 업데이트 방법
KR102495360B1 (ko) 복합 인증을 수행하는 방법 및 장치
KR102483648B1 (ko) 인증을 수행하는 방법 및 장치
KR20210050226A (ko) 모바일 기기의 컴파운드 인증 수행 방법

Legal Events

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