KR102483650B1 - 사용자 인증 장치 및 방법 - Google Patents

사용자 인증 장치 및 방법 Download PDF

Info

Publication number
KR102483650B1
KR102483650B1 KR1020190048363A KR20190048363A KR102483650B1 KR 102483650 B1 KR102483650 B1 KR 102483650B1 KR 1020190048363 A KR1020190048363 A KR 1020190048363A KR 20190048363 A KR20190048363 A KR 20190048363A KR 102483650 B1 KR102483650 B1 KR 102483650B1
Authority
KR
South Korea
Prior art keywords
feature
data
input
user
conversion
Prior art date
Application number
KR1020190048363A
Other languages
English (en)
Other versions
KR20200083119A (ko
Inventor
고민수
한승주
장원석
한재준
이선민
최창규
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 EP19216887.0A priority Critical patent/EP3674974A1/en
Priority to CN201911365503.8A priority patent/CN111382666A/zh
Priority to US16/728,056 priority patent/US11403878B2/en
Publication of KR20200083119A publication Critical patent/KR20200083119A/ko
Application granted granted Critical
Publication of KR102483650B1 publication Critical patent/KR102483650B1/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
    • G06F21/36—User authentication by graphic or iconic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/45—Structures or tools for the administration of authentication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • 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

Abstract

인증 장치 및 방법이 제공된다. 인증 장치는 입력 이미지로부터 추출된 입력 특징 데이터 및 등록 이미지로부터 추출된 등록 특징 데이터를 입력 이미지의 특성에 대응하는 변환 함수를 이용하여 변환하고, 변환된 입력 특징 변환 데이터 및 등록 특징 변환 데이터를 비교하여 사용자를 인증할 수 있다.

Description

사용자 인증 장치 및 방법{USER VERIFICATION DEVICE AND METHOD}
이하, 사용자를 인증하는 기술이 제공된다.
인간이 지니고 있는 효율적인 패턴 인식 방법을 실제 컴퓨터에 적용시키려는 연구 중 하나로, 인간의 생물학적 신경 세포의 특성을 수학적 표현에 의해 모델링한 인공 뉴럴 네트워크(artificial neural network)에 대한 연구가 있다. 입력 패턴을 특정 그룹으로 분류하는 문제를 해결하기 위해, 인공 뉴럴 네트워크는 인간이 가지고 있는 학습이라는 능력을 모방한 알고리즘을 이용한다. 이 알고리즘을 통하여 인공 뉴럴 네트워크는 입력 패턴과 출력 패턴들 간의 사상(mapping)을 생성해낼 수 있고 학습에 이용되지 않았던 입력 패턴에 대하여도 비교적 올바른 출력을 생성할 수 있는 일반화 능력을 가지고 있다.
일 실시예에 따른 인증 방법은, 입력 이미지로부터 상기 입력 이미지의 특성을 검출하는 단계; 상기 입력 이미지로부터 특징 추출 모델에 기초하여 추출된 입력 특징 데이터 및 상기 입력 이미지를 획득하기 전에 상기 특징 추출 모델에 기초하여 추출되고 등록된 등록 특징 데이터를, 상기 검출된 특성에 기초하여 변환하여 입력 특징 변환 데이터(input feature transformation data) 및 등록 특징 변환 데이터를 획득하는 단계; 및 상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터 간의 비교 결과에 기초하여, 상기 입력 이미지에 대응하는 사용자를 인증하는 단계를 포함할 수 있다.
상기 입력 이미지는 상기 사용자의 얼굴 이미지를 포함할 수 있다.
상기 특성은 상기 입력 이미지의 조도 특성일 수 있다.
상기 특성을 검출하는 단계는, 상기 입력 이미지에 나타나는 객체의 랜드마크와 연관된 랜드마크 특성 및 상기 입력 이미지의 촬영 환경과 연관된 환경 특성 중 적어도 하나를 검출하는 단계를 포함할 수 있다.
상기 특징 추출 모델은, 트레이닝된 뉴럴 네트워크일 수 있다.
상기 트레이닝된 뉴럴 네트워크는, CNN(Convolutional Neural Network)일 수 있다.
상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터를 획득하는 단계는, 상기 입력 특징 데이터에 상기 특성에 대응하는 변환 함수를 적용함으로써, 상기 입력 특징 변환 데이터를 생성하는 단계; 및 상기 등록 특징 데이터에 상기 특성에 대응하는 상기 변환 함수를 적용함으로써, 상기 등록 특징 변환 데이터를 생성하는 단계를 포함할 수 있다.
상기 변환 함수는 사용자에 따라 다르게 결정될 수 있다.
상기 변환 함수는 상기 등록 특징 데이터를 등록하는 과정 동안 결정될 수 있다.
상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터를 획득하는 단계는, 상기 특성에 기초하여 결정된 선형 변환 또는 비선형 변환을 이용하여, 상기 입력 특징 데이터 및 상기 등록 특징 데이터를 변환하는 단계를 포함할 수 있다.
상기 특성을 검출하는 단계는, 상기 입력 이미지에 대해 복수의 특성들을 검출하는 단계를 포함하고, 상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터를 획득하는 단계는, 상기 입력 특징 데이터에 상기 복수의 특성들에 대응하는 변환 함수들을 적용한 결과의 가중 합(weighted sum)을 상기 입력 특징 변환 데이터로서 산출하는 단계; 및 상기 등록 특징 데이터에 상기 복수의 특성들에 대응하는 상기 변환 함수들을 적용한 결과의 가중 합을 상기 등록 특징 변환 데이터로서 산출하는 단계를 포함할 수 있다.
상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터를 획득하는 단계는, 상기 입력 특징 데이터 및 상기 등록 특징 데이터에 대해, 상기 특성에 대응하는 투영 연산(projection operation)을 수행하는 단계를 포함할 수 있다.
상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터를 획득하는 단계는, 상기 특성에 기초하여 대상 차원 성분 정보(target dimensional component information)를 결정하는 단계; 및 상기 입력 특징 데이터 및 상기 등록 특징 데이터로부터 상기 대상 차원 성분을 유지하고 나머지 차원 성분(remaining dimensional component)을 배제함으로써, 상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터를 생성하는 단계를 포함할 수 있다.
방법은 복수의 등록 사용자들 중 인증하고자 하는 기준 사용자를 선택하는 단계를 더 포함하고, 상기 대상 차원 성분 정보를 결정하는 단계는, 상기 기준 사용자의 등록 특징 데이터에 매핑된 변환 관련 정보로부터, 상기 특성에 대응하는 대상 차원 성분 정보를 데이터베이스로부터 로딩하는 단계를 포함할 수 있다.
방법은 복수의 등록 사용자들 중 인증하고자 하는 기준 사용자를 선택하는 단계를 더 포함하고, 상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터를 획득하는 단계는, 상기 기준 사용자의 등록 특징 데이터에 매핑된 복수의 변환 함수들 중, 상기 특성에 대응하는 변환 함수를 데이터베이스로부터 로딩하는 단계를 포함할 수 있다.
방법은 기준 사용자를 등록하는 경우에 응답하여, 상기 기준 사용자에 대한 기준 이미지로부터 기준 특징 데이터를 추출하는 단계; 상기 기준 이미지를 증강 특성(augmentation characteristic)에 따라 증강한 증강 이미지로부터 증강 특징 데이터(augmented feature data)를 추출하는 단계; 및 상기 기준 특징 데이터 및 상기 증강 특징 데이터 간의 비교에 기초하여 상기 증강 특성과 연관된 변환 함수를 결정하고, 상기 증강 특성과 연관된 변환 함수를 상기 기준 사용자에 대해 매핑하여 저장하는 단계를 더 포함할 수 있다.
상기 증강 특성과 연관된 변환 함수를 상기 기준 사용자에 대해 매핑하여 저장하는 단계는, 상기 기준 특징 데이터 및 상기 증강 특징 데이터에 기초하여, 각 차원 성분에 대한 변화량 점수(variation score)를 산출하는 단계; 및 상기 변화량 점수에 기초하여 상기 증강 특성과 연관된 변환 함수를 결정하는 단계를 포함할 수 있다.
상기 변환 함수를 결정하는 단계는, 상기 변화량 점수에서 복수의 차원 지표들(dimensional indices) 중 변화 임계 이하의 점수를 나타내는 차원 지표에 대응하는 차원 성분을 대상 차원 성분으로 결정하는 단계; 및 상기 변화량 점수에서 상기 변화 임계를 초과하는 점수를 나타내는 차원 지표에 대응하는 차원 성분을 나머지 차원 성분으로 결정하는 단계를 포함할 수 있다.
상기 입력 이미지에 대응하는 사용자를 인증하는 단계는, 상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터 간의 유사도를 산출하는 단계; 및 상기 유사도가 임계 유사도를 초과하는 경우에 응답하여, 상기 사용자에 대한 인증이 성공한 것으로 결정하는 단계를 포함할 수 있다.
상기 유사도를 산출하는 단계는, 상기 입력 특징 변환 데이터가 나타내는 특징 및 상기 등록 특징 변환 데이터가 나타내는 특징 간의 코사인 유사도를 산출하는 단계를 포함할 수 있다.
상기 입력 이미지에 대응하는 사용자를 인증하는 단계는, 상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터에 기초하여, 상기 입력 이미지의 사용자를 인증한 결과를 지시하는 단계를 포함할 수 있다.
상기 사용자를 인증한 결과를 지시하는 단계는, 상기 사용자에 대한 인증이 성공한 경우에 응답하여, 기기를 언락하는 단계를 포함할 수 있다.
일 실시예에 따른 인증 장치는, 사용자로부터 입력 이미지를 획득하는 이미지 획득부; 및 상기 입력 이미지의 특성을 검출하고, 상기 입력 이미지로부터 특징 추출 모델에 기초하여 추출된 입력 특징 데이터 및 상기 입력 이미지를 획득하기 전에 상기 특징 추출 모델에 기초항여 추출되고 등록된 등록 특징 데이터를, 상기 검출된 특성에 기초하여 변환하여 입력 특징 변환 데이터 및 등록 특징 변환 데이터를 획득하며, 상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터 간의 비교 결과에 기초하여, 상기 입력 이미지에 대응하는 사용자를 인증하는 프로세서를 포함할 수 있다.
일 실시예에 따른 사용자 등록 방법은, 기준 사용자의 사용자 등록을 위해 획득된 기준 이미지로부터 기준 특징 데이터를 추출하는 단계; 상기 기준 이미지를 증강 특성에 기초하여 증강한 증강 이미지로부터 증강 특징 데이터를 추출하는 단계; 상기 기준 특징 데이터 및 상기 증강 특징 데이터 간의 비교에 기초하여, 상기 기준 사용자에 대해 상기 증강 특성과 연관된 변환 함수를 매핑하는 단계; 및 인증을 위한 입력 이미지가 획득되는 경우에 응답하여, 상기 기준 사용자에 매핑된 복수의 변환 함수들 중 적어도 하나를 이용하여 상기 입력 이미지를 인증하는 단계를 포함할 수 있다.
도 1은 일 실시예에 따른 특징 추출 모델의 예시적인 구조를 설명하는 도면이다.
도 2는 일 실시예에 따른 인증 장치의 구성을 도시한 블록도이다.
도 3은 일 실시예에 따른 인증 방법을 설명하는 흐름도이다.
도 4 및 도 5는 일 실시예에 따른 인증 방법의 보다 상세한 동작을 설명하는 흐름도이다.
도 6은 일 실시예에 따른 인증을 위한 등록 과정을 설명하는 도면이다.
도 7 및 도 8은 일 실시예에 따른 사용자 등록 방법을 설명하는 흐름도이다.
도 9는 일 실시예에 따른 컴퓨팅 장치의 구성을 도시한 블록도이다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다.
아래 설명하는 실시예들에는 다양한 변경이 가해질 수 있다. 아래 설명하는 실시예들은 실시 형태에 대해 한정하려는 것이 아니며, 이들에 대한 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 실시예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수 개의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 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.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일 실시예에 따른 특징 추출 모델의 예시적인 구조를 설명하는 도면이다.
일 실시예에 따른 인증 장치는 입력 이미지로부터 추출된 특징 데이터를 이용하여 사용자를 인증(verify)할 수 있다. 예를 들어, 인증 장치는 특징 추출 모델에 기초하여, 입력 이미지로부터 특징 데이터를 추출할 수 있다. 특징 데이터는 이미지가 추상화된 데이터로서, 예를 들어, 벡터의 형태로 나타낼 수 있다. 특징 추출 모델은 이미지로부터 특징 데이터를 추출하도록 설계된 모델로서, 예를 들어, 기계 학습 구조일 수 있고, 뉴럴 네트워크(100)를 포함할 수 있다.
뉴럴 네트워크(neural network)(100)는 딥 뉴럴 네트워크(DNN, deep neural network)의 예시에 해당할 수 있다. DNN은 완전 연결 네트워크(fully connected network), 딥 컨볼루셔널 네트워크(deep convolutional network) 및 리커런트 뉴럴 네트워크(recurrent neural network) 등을 포함할 수 있다. 뉴럴 네트워크(100)는 딥 러닝에 기반하여 비선형적 관계에 있는 입력 데이터 및 출력 데이터를 서로 매핑함으로써 객체 분류, 객체 인식, 음성 인식 및 이미지 인식 등을 수행할 수 있다. 딥 러닝은 빅 데이터 세트로부터 이미지 또는 음성 인식과 같은 문제를 해결하기 위한 기계 학습 기법으로 지도식(supervised) 또는 비지도식(unsupervised) 학습을 통해 입력 데이터 및 출력 데이터를 서로 매핑할 수 있다.
본 명세서에서 인식(recognition)은 데이터의 인증(verification) 또는/및 데이터의 식별(identification)을 포함할 수 있다. 인증은 입력 데이터가 참인지 또는 거짓인지를 판단하는 동작을 나타낼 수 있다. 예를 들어, 인증은 임의의 입력 이미지에 의해 지시되는 객체(예를 들어, 사람의 얼굴)가 기준 이미지에 의해 지시되는 객체와 동일한 지 여부를 판단하는 판별 동작을 나타낼 수 있다. 일 실시예에 따른 인증 장치는 입력 이미지로부터 추출되어 획득된 데이터가 장치 내에 기 등록된 등록 데이터와 동일한 지 여부를 인증하고, 두 데이터가 동일한 것으로 인증된 경우에 응답하여 입력 이미지에 대응하는 사용자에 대한 인증이 성공한 것으로 결정할 수 있다. 다만, 이로 한정하는 것은 아니고, 인증 장치 내에 복수의 등록 데이터가 저장된 경우, 인증 장치는 입력 이미지로부터 추출되어 획득된 데이터를 복수의 등록 데이터의 각각에 대해 순차적으로 인증할 수도 있다.
식별은 복수의 레이블들 중 입력 데이터가 지시하는 레이블(label)을 판단하는 분류 동작을 나타낼 수 있고, 예를 들어, 각 레이블은 클래스(예를 들어, 등록된 사용자들의 신원(ID, identity))를 지시할 수 있다. 예를 들어, 식별 동작을 통해 입력 데이터에 포함된 사용자가 남성인 지 또는 여성인 지 여부가 지시될 수 있다.
도 1을 참조하면, 뉴럴 네트워크(100)는 입력 레이어(110), 히든 레이어(120) 및 출력 레이어(130)를 포함한다. 입력 레이어(110), 히든 레이어(120) 및 출력 레이어(130)는 각각 복수의 인공 노드들을 포함한다.
도 1에는 설명의 편의를 위해 히든 레이어(120)가 3개의 레이어를 포함하는 것으로 도시되었나, 히든 레이어(120)는 다양한 수의 레이어들을 포함할 수 있다. 또한, 도 1에는 뉴럴 네트워크(100)는 입력 데이터를 수신하기 위한 별도의 입력 레이어를 포함하는 것으로 도시되었으나, 입력 데이터가 히든 레이어(120)에 직접 입력될 수 있다. 뉴럴 네트워크(100)에서 출력 레이어(130)를 제외한 레이어들의 인공 노드들은 출력 신호를 전송하기 위한 링크들을 통해 다음 레이어의 인공 노드들과 연결될 수 있다. 링크들의 수는 다음 레이어에 포함된 인공 노드들의 수에 대응할 수 있다.
히든 레이어(120)에 포함된 각각의 인공 노드에는 이전 레이어에 포함된 인공 노드들의 가중된 입력들(weighted inputs)에 관한 활성 함수(activation function)의 출력이 입력될 수 있다. 가중된 입력은 이전 레이어에 포함된 인공 노드들의 입력에 가중치(weight)가 곱해진 것이다. 가중치는 뉴럴 네트워크(100)의 파라미터로 지칭될 수 있다. 활성 함수는 시그모이드(sigmoid), 하이퍼볼릭 탄젠트(hyperbolic tangent; tanh) 및 렐루(rectified linear unit; ReLU)를 포함할 수 있고, 활성 함수에 의해 뉴럴 네트워크(100)에 비선형성이 형성될 수 있다. 출력 레이어(130)에 포함된 각각의 인공 노드에는 이전 레이어에 포함된 인공 노드들의 가중된 입력들이 입력될 수 있다.
일 실시예에 따르면 뉴럴 네트워크(100)는 입력 데이터가 주어지면 히든 레이어(120)를 거쳐 출력 레이어(130)에서 식별하고자 하는 클래스의 수에 따라 함수 값을 계산하고, 이들 중 가장 큰 값을 갖는 클래스로 입력 데이터를 식별할 수 있다. 뉴럴 네트워크(100)는 입력 데이터를 식별할 수 있으나, 이로 한정하는 것은 아니고, 뉴럴 네트워크(100)는 입력 데이터를 기준 데이터에 대해 인증할 수도 있다. 아래의 인식 과정에 관한 설명은 주로 인증 과정으로 설명하지만, 성격에 반하지 않는 한 식별 과정에도 적용될 수 있다.
뉴럴 네트워크(100)의 폭과 깊이가 충분히 크면 임의의 함수를 구현할 수 있을 만큼의 용량(capacity)을 가질 수 있다. 뉴럴 네트워크(100)가 적절한 트레이닝 과정을 통해 충분히 많은 트레이닝 데이터를 학습하면, 최적의 인식 성능을 달성할 수 있다.
위에서는 특징 추출 모델의 예시로서, 뉴럴 네트워크(100)를 설명하였으나, 특징 추출 모델을 뉴럴 네트워크(100)로 한정하는 것은 아니다. 아래에서는 특징 추출 모델을 이용하여 추출된 특징 데이터를 이용한 인증 동작을 설명한다.
도 2는 일 실시예에 따른 인증 장치의 구성을 도시한 블록도이다.
인증 장치(200)는 사용자를 인증하는 장치로서, 이미지 획득부(210), 프로세서(220), 및 메모리(230)를 포함한다.
인증 장치(200)는 억세스하고자 하는 사용자에 대응하는 데이터(예를 들어, 입력 이미지)를 인증한 결과에 기초하여, 해당 사용자가 억세스 권한(access authority)을 가졌는지 여부를 결정할 수 있다. 예를 들어, 인증 장치(200)는 도 1에서 상술한 인증 동작을 통해 입력 데이터를 인증하여, 인증 장치(200)는 억세스하고자 하는 사용자와 등록 사용자가 동일하다고 판단된 경우, 인증이 성공한 것으로 결정할 수 있다. 인증 장치(200)는, 사용자에 대한 인증 결과에 따라 해당 장치에 대한 사용자의 억세스(access)를 허용하거나 차단할 수 있다. 인증 장치(200)는 인증이 성공한 경우 해당 장치에 대한 사용자의 억세스를 허용할 수 있다. 인증 장치(200)는 인증이 실패한 경우 해당 장치에 대한 사용자의 억세스를 차단(block)할 수 있다.
이미지 획득부(210)는 사용자로부터 입력 이미지를 획득할 수 있다. 예를 들어, 이미지 획득부(210)는 카메라 센서, 적외선 센서, 깊이 센서, 및 열화상 센서를 포함할 수 있다. 카메라 센서는 가시광선에 속하는 파장 영역의 빛을 센싱하는 센서로서, 예를 들어, 적색 채널, 녹색 채널, 및 청색 채널에 대응하는 채널 이미지들을 생성할 수 있다. 적외선 센서는 적외선 파장의 빛을 센싱하는 센서를 나타낼 수 있다. 깊이 센서는 객체까지의 거리를 지시하는 깊이 이미지를 생성할 수 있다. 다만, 이미지 획득부(210)를 이로 한정하는 것은 아니다.
프로세서(220)는 입력 이미지의 특성을 검출할 수 있다. 특성(characteristic)은 이미지에 나타나는 객체 및 주변 환경과 연관된 특성을 나타내는 정보일 수 있다. 예를 들어, 특성은 객체의 랜드마크와 연관된 랜드마크 특성 및 입력 이미지의 촬영 환경과 연관된 환경 특성을 포함할 수 있다. 랜드마크 특성은 객체(예를 들어, 사람의 얼굴)의 랜드마크와 연관된 특성으로서, 눈썹의 유무, 악세서리(예를 들어, 안경 및 선글라스 등)의 착용 유무, 랜드마크의 형태(예를 들어, 입의 모양 등) 및 객체의 표정(예를 들어, 웃는 표정, 화난 표정, 무표정 등)을 지시하는 특성일 수 있다. 환경 특성은 환경과 연관된 특성으로서, 예를 들어 주변 조도가 저조도인 환경 또는 주변 조도가 고조도인 환경 등을 지시하는 조도 특성을 포함할 수 있다.
또한, 프로세서(220)는 입력 이미지로부터 추출된 입력 특징 데이터 및 입력 이미지를 획득하기 전에 등록된 등록 특징 데이터를 검출된 특성에 기초하여 변환함으로써, 입력 특징 변환 데이터 및 등록 특징 변환 데이터를 획득할 수 있다. 예를 들어, 프로세서(220)는 입력 특징 데이터 및 등록 특징 데이터에 각각 동일한 변환 함수를 적용함으로써, 입력 특징 변환 데이터 및 등록 특징 변환 데이터를 획득할 수 있다. 입력 특징 변환 데이터 및 등록 특징 변환 데이터는, 예를 들어, 벡터의 형태일 수 있으나, 이로 한정하는 것은 아니다. 프로세서(220)는 특성, 예를 들어 이미지 조도에 기초하여 결정된 선형 변환 또는 비선형 변환을 이용하여, 입력 특징 데이터 및 등록 특징 데이터를 변환할 수 있다. 입력 특징 변환 데이터 및 등록 특징 변환 데이터는 특성에 따라 발생하는 변화에 강인한 특징 공간으로 입력 특징 데이터 및 등록 특징 데이터가 변환된 데이터일 수 있다.
프로세서(220)는 입력 특징 변환 데이터 및 등록 특징 변환 데이터 간의 비교 결과에 기초하여, 입력 이미지에 대응하는 사용자를 인증할 수 있다. 예를 들어, 프로세서(220)는 입력 특징 변환 데이터 및 등록 특징 변환 데이터 간의 유사도에 기초하여 사용자에 대한 인증의 성공 여부를 결정할 수 있다.
메모리(230)는 일 실시예에 따른 인증 방법 및 등록 방법을 수행하는데 요구되는 데이터를 임시적으로 또는 영구적으로 저장할 수 있다. 또한, 메모리(230)는 특징 추출 모델 및 그에 대응하는 파라미터를 저장할 수 있다. 메모리(230)는 특징 추출 모델로부터 추출된 특징 데이터를 저장할 수 있다. 메모리(230)는 등록 사용자에 대응하는 등록 특징 데이터 및 그에 매핑된 변환 함수들을 포함하는 등록 데이터베이스를 저장할 수 있다.
일 실시예에 따른 인증 장치(200)는 입력 이미지의 특성에 따라 변환된 특징 데이터를 이용하여 인증을 수행함으로써, 다양한 촬영 환경 또는 가림(occlusion) 상태에서 사용자에 대한 인증 성능을 개선할 수 있다. 예를 들어, 인증 장치(200)는 안경 등과 같은 액세서리에 의한 가림 및 저조도 환경과 같은 영향을 상쇄시키는 특징 공간으로, 입력 특징 데이터 및 등록 특징 데이터를 변환할 수 있다. 변환된 특징 데이터들은 다양한 환경 특성 및 랜드마크 특성에서도, 동일인에 대해서는 유사한 값을 나타낼 수 있다.
도 3은 일 실시예에 따른 인증 방법을 설명하는 흐름도이다.
우선, 단계(310)에서 인증 장치는 입력 이미지로부터 입력 이미지의 특성을 검출할 수 있다. 인증 장치는 입력 이미지를 분석함으로써, 입력 이미지에 대한 랜드마크 특성 및/또는 환경 특성을 특성으로 검출할 수 있다. 예를 들어, 인증 장치는 입력 이미지의 환경 특성으로서 이미지가 촬영된 조도를 검출할 수 있다. 또한, 인증 장치는 입력 이미지의 랜드마크 특성으로서 객체 상에 악세서리가 장착되었는지 여부를 검출할 수도 있다.
그리고 단계(320)에서 인증 장치는 입력 이미지로부터 추출된 입력 특징 데이터 및 입력 이미지를 획득하기 전에 등록된 등록 특징 데이터를 검출된 특성(예: 이미지 조도)에 기초하여 변환함으로써, 입력 특징 변환 데이터(input feature transformation data) 및 등록 특징 변환 데이터를 획득할 수 있다. 예를 들어, 인증 장치는 입력 특징 데이터에 특성에 대응하는 변환 함수를 적용함으로써, 입력 특징 변환 데이터를 생성할 수 있다. 인증 장치는 등록 특징 데이터에 특성에 대응하는 변환 함수를 적용함으로써, 등록 특징 변환 데이터를 생성할 수 있다.
이어서 단계(330)에서 인증 장치는 입력 특징 변환 데이터 및 등록 특징 변환 데이터 간의 비교 결과에 기초하여, 입력 이미지에 대응하는 사용자를 인증할 수 있다. 인증 장치는 입력 특징 변환 데이터 및 등록 특징 변환 데이터에 기초하여, 입력 이미지의 사용자를 인증한 결과를 지시할 수 있다. 예를 들어, 인증 장치는 입력 이미지의 사용자에 대한 인증이 성공한 경우에 응답하여, 기기를 언락할 수 있다. 기기의 언락 동작은, 예를 들어, 기기 내의 적어도 하나의 어플리케이션에 대한 억세스(access)를 허용하는 동작을 나타낼 수 있다. 인증 장치는, 입력 이미지의 사용자에 대한 인증 동작 전에, 등록된 사용자에 대해 미리 설정된 억세스 권한에 기초하여, 기기에서 각 어플리케이션에 대한 억세스를 허용할 수 있다. 기기는 등록된 사용자에 대해 억세스가 허용된 어플리케이션을, 사용자 입력에 응답하여, 실행할 수 있다.
도 4 및 도 5는 일 실시예에 따른 인증 방법의 보다 상세한 동작을 설명하는 흐름도이다.
우선, 단계(411)에서 인증 장치는 입력 이미지를 획득할 수 있다. 예를 들어, 인증 장치는 카메라 센서를 통해 사용자와 연관된 객체(예를 들어, 얼굴)를 포함하는 이미지를 생성할 수 있다.
여기서, 도 5에 도시된 바와 같이, 단계(512)에서 인증 장치는 특성을 검출할 수 있다. 일 실시예에 따르면, 인증 장치는 입력 이미지에 나타나는 객체의 랜드마크와 연관된 랜드마크 특성 및/또는 입력 이미지의 촬영 환경과 연관된 환경 특성을 검출할 수 있다. 예를 들어, 인증 장치는 N개의 특성들 중 입력 이미지에 해당하는 i번째 특성을 검출할 수 있다. 예를 들어, i번째 특성은 저조도 특성으로서, 입력 이미지를 촬영한 환경의 조도가 임계 조도보다 낮은 환경 특성을 가정할 수 있다.
그리고 단계(421)에서 인증 장치는 입력 특징 데이터를 추출할 수 있다. 예를 들어, 인증 장치는 학습된 뉴럴 네크워크 형태의 특징 추출 모델에 기초하여 입력 이미지로부터 입력 특징 데이터를 추출할 수 있다. 입력 특징 데이터는 하기 수학식 1과 같이 벡터의 형태로 표현될 수 있다.
[수학식 1]
Figure 112019042706373-pat00001
상술한 수학식 1에서 입력 특징 데이터 featinput은 M차원의 특징일 수 있다. M은 1이상의 정수일 수 있고, 입력 특징 데이터 featinput의 j번째 차원 성분 featinput (j)는 vj일 수 있다. j는 차원 지표(dimension index)로서 1이상 M이하의 정수일 수 있다. 입력 특징 데이터 featinput은 설명의 편의를 위해 아래에서 특징 a로 나타낼 수 있다.
이어서 단계(422)에서 인증 장치는 입력 특징 변환 데이터 및 등록 특징 변환 데이터를 획득할 수 있다. 인증 장치는 입력 특징 데이터 a를 변환함으로써 입력 특징 변환 데이터를 획득하고, 등록 특징 데이터 featenrolled를 변환함으로써 등록 특징 변환 데이터를 획득할 수 있다. 참고로, 아래 단계(525)에서 인증 장치는 등록 데이터베이스(429)로부터 인증하고자 하는 등록 사용자에 대응하는 등록 특징 데이터 featenrolled를 로딩할 수 있다. 등록 특징 데이터 featenrolled는 설명의 편의를 위해, 아래에서 특징 b로 나타낼 수 있다.
여기서, 도 5에 도시된 바와 같이, 단계(523)에서 인증 장치는 검출된 특성에 대응하는 변환 함수를 결정할 수 있다. 변환 함수는 특성에 따른 변화량이 적은 차원 성분이 유지되도록 특징 데이터를 변환하는 함수를 나타낼 수 있다. 예를 들어, 변환 함수는 특성에 따른 변화량이 큰 차원 성분이 배제되도록 특징 데이터를 변환할 수 있다. 검출된 특성이 변환 조건에 부합하면 특징 데이터를 변환하지만, 그렇지 않으면 특징 데이터가 변환 없이 그대로 사용될 수 있다. 예를 들어, 검출된 이미지 조도가 저조도 조건에 부합하면 특징 데이터를 저조도 변환 함수를 이용하여 변환하지만, 그렇지 않으면 특징 데이터를 그대로 사용할 수 있다.
일 실시예에 따르면 개별 등록 사용자 별로 개별 특성에 따른 변환 함수가 매핑될 수 있다. 예를 들어, 특성의 종류가 N개인 경우, 개별 등록 사용자 별로 각 특성에 따른 N개의 변환 함수가 매핑될 수 있다. 인증 장치는 복수의 등록 사용자들 중 인증하고자 하는 기준 사용자를 선택할 수 있다. 인증 장치는 기준 사용자의 등록 특징 데이터 b에 매핑된 복수의 변환 함수들 중, 특성에 대응하는 변환 함수를 데이터베이스로부터 로딩할 수 있다. 예를 들어, 인증 장치는 N개의 변환 함수들 중 i번째 변환 함수를 선택할 수 있다. i번째 특성이 저조도 특성인 경우, i번째 변환 함수는 특징 데이터를 저조도 환경에 강인한 특징 공간으로 변환하는 함수일 수 있다.
변환 함수는 선형 변환, 비선형 변환 및 투영 변환 등을 포함할 수 있다. 본 명세서에서는 변환 함수의 예시로서, 투영 함수를 주로 설명하나, 이로 한정하는 것은 아니다. 투영 함수는 투영 연산의 함수 형태를 나타낼 수 있다. 투영 연산은 대상 차원 성분(target dimensional component)을 유지하고, 나머지 차원 성분(remaining dimensional component)을 배제하는 연산을 나타낼 수 있다. 예를 들어, 투영 연산은 특징 데이터에서 대상 차원 지표에 의해 지시되는 대상 차원 성분의 원소 값(element value)을 보존하고, 나머지 차원 지표에 의해 지시되는 나머지 차원 성분의 원소 값을 0으로 변경하는 연산을 나타낼 수 있다. N개의 투영 함수들의 각각은 그에 대응하는 특성에 따라 변화에 강인한 대상 차원 성분이 달라질 수 있다. 각 등록 사용자에 대해 특성 별로 대상 차원 성분 및 나머지 차원 성분을 결정하여 매핑하는 동작은 하기 도 8에서 설명한다.
참고로, 변환 함수로서 투영 함수가 사용되는 경우, 등록 데이터베이스(429)에서, 각 등록 사용자 별로 변환 관련 정보가 매핑될 수 있다. 변환 관련 정보는 N개의 특성들의 각각마다 달라지는 대상 차원 성분을 지시하는 대상 차원 지표 및 나머지 차원 성분을 지시하는 나머지 차원 지표를 정의할 수 있다. 인증 장치는 변환 관련 정보로부터 검출된 특성에 대응하는 대상 차원 지표를 로딩함으로써, 해당 특성에 적합한 변환 함수를 결정할 수 있다. 예를 들어, 변환 관련 정보가 N개의 투영 함수들 중 i번째 투영 함수의 대상 차원 지표를 {1, 4, 5, ..., M}으로 정의하는 경우, i번째 투영 함수는 아래 수학식 2와 같이 나타낼 수 있다.
[수학식 2]
Figure 112019042706373-pat00002
상술한 바와 같이, 인증 장치는 특성에 기초하여 대상 차원 성분(target dimensional component) 정보를 결정할 수 있다. 대상 차원 성분 정보는 대상 차원 성분을 지시하는 대상 차원 지표에 관한 정보를 나타낼 수 있다. 따라서 인증 장치는 N개의 투영 함수들의 대상 차원 지표를 정의하는 변환 관련 정보로부터, i번째 투영 함수에 대응하는 대상 차원 성분 정보를 로딩할 수 있다. i번째 특성이 저조도 특성인 경우, 대상 차원 성분 정보는 저조도 환경에 강인한 대상 차원 성분을 지시하는 대상 차원 지표를 나타낼 수 있다.
일 실시예에 따르면 인증 장치는, 특성에 따라 데이터베이스로부터 로딩된 대상 차원 성분에 기초하여, 입력 특징 데이터 a 및 등록 특징 데이터 b에 대해, 특성에 대응하는 투영 연산(projection operation)을 수행할 수 있다. 인증 장치는 특성에 대응하는 차원의 평면으로, 입력 특징 데이터 a 및 등록 특징 데이터 b를 투영(project)할 수 있다.
예를 들어, 단계(524)에서 인증 장치는 결정된 변환 함수로 입력 특징 데이터 a를 변환할 수 있다. 예를 들어, 인증 장치는 단계(523)에서 결정된 변환 함수를 이용하여 입력 특징 데이터 a를 변환하여 입력 특징 변환 데이터를 생성할 수 있다. 인증 장치는 상술한 수학식 1의 입력 특징 데이터 a에 상술한 수학식 2에 따른 투영 함수 fi를 적용함으로써, 아래 수학식 3와 같은 입력 특징 변환 데이터를 생성할 수 있다.
[수학식 3]
Figure 112019042706373-pat00003
이어서 단계(525)에서 인증 장치는 결정된 변환 함수로 등록 특징 데이터 b를 변환할 수 있다. 예를 들어, 인증 장치는 단계(523)에서 결정된 변환 함수를 이용하여 등록 특징 데이터 b를 변환하여 등록 특징 변환 데이터를 생성할 수 있다. 이상, 하나의 변환 함수를 적용하는 예를 설명하였지만 특성이 복수의 조건을 만족하면 복수의 변환 함수들을 적용하여 입력 특징 변환 데이터 및 등록 특징 변환 데이터를 생성할 수도 있다.
일 실시예에 따른 인증 장치는 상술한 바와 같이 입력 특징 데이터 a 및 등록 특징 데이터 b로부터 대상 차원 성분을 유지하고 나머지 차원 성분(remaining dimensional component)을 배제함으로써, 입력 특징 변환 데이터 및 등록 특징 변환 데이터를 생성할 수 있다.
그리고 단계(531)에서 인증 장치는 입력 특징 변환 데이터 및 등록 특징 변환 데이터 간의 유사도를 산출할 수 있다. 예를 들어, 인증 장치는 입력 특징 변환 데이터가 나타내는 특징 및 등록 특징 변환 데이터가 나타내는 특징 간의 코사인 유사도를 산출할 수 있다. 인증 장치는 하기 수학식 4와 같이 입력 특징 변환 데이터 fi(a) 및 등록 특징 변환 데이터 fi(b) 간의 유사도를 산출할 수 있다.
[수학식 4]
Figure 112019042706373-pat00004
상술한 수학식 4와 같이, 인증 장치는 입력 특징 변환 데이터 fi(a) 및 등록 특징 변환 데이터 fi(b) 간의 유사도로서, 정규화된 상호상관 값(NCC, Normalized Cross Correlation)을 산출할 수 있다.
이어서 단계(532)에서 인증 장치는 산출된 유사도 및 임계 유사도를 비교할 수 있다. 예를 들어, 인증 장치는 단계(512)에서 검출된 특성에 대응하는 임계 유사도를 선택할 수 있다. 등록 데이터베이스(429)는 등록 사용자에 대해 N개의 특성 별로 N개의 임계 유사도를 포함할 수 있다. N개의 임계 유사도 중 i번째 특성에 대응하는 i번째 임계 유사도를 도 5에서는 Thi로 도시하였다. 예를 들어, i번째 특성은 저조도 특성으로서, 입력 이미지를 촬영한 환경의 조도가 임계 조도보다 낮은 환경 특성을 가정할 수 있다. 등록 데이터베이스(429)는 변환 함수가 적용되지 않는 경우에 해당하는 임계 유사도도 포함한다.
그리고 단계(533)에서 인증 장치는 유사도가 임계 유사도를 초과하는 경우에 응답하여, 입력 이미지에 대응하는 사용자에 대한 인증이 성공한 것으로 결정할 수 있다. 예를 들어, 인증 장치는 저조도 환경에 대한 임계 유사도를, 단계(532)에서 산출된 유사도가 초과한 경우에 입력 이미지의 사용자가 등록 이미지의 사용자에 매칭하는 것으로 결정할 수 있다.
이어서 단계(534)에서 인증 장치는 유사도가 임계 유사도 이하인 경우에 응답하여, 다른 등록 사용자에 대해 입력 이미지의 인증을 시도할 수 있다. 예를 들어, 단계(525)로 돌아가면서, 인증 장치는 등록 데이터베이스(429)에 저장된 다른 사용자에 대한 등록 특징 데이터 b를, 단계(523)에서 결정된 변환 함수를 이용하여, 변환할 수 있다. 다만, 기기에 하나의 기준 사용자만 등록되었거나, 모든 등록 사용자에 대한 인증이 시도되었던 경우, 인증 장치는 인증이 실패한 것으로 결정할 수 있다.
다른 일 실시예에 따르면, 단계(422)에서 인증 장치는 복수의 특성 별로 변환 함수를 적용한 결과의 가중 합을 변환 데이터로서 산출할 수 있다. 예를 들어, 단계(512)에서 인증 장치는 입력 이미지에 대해 복수의 특성들을 검출할 수 있다. 그리고 단계(523)에서 인증 장치는 검출된 특성들에 대응하는 변환 함수들을 결정할 수 있다. 이어서 단계(524)에서 인증 장치는 입력 특징 데이터 a에 복수의 특성들에 대응하는 변환 함수들을 적용한 결과의 가중 합(weighted sum)을 입력 특징 변환 데이터로서 하기 수학식 5와 같이 산출할 수 있다.
[수학식 5]
Figure 112019042706373-pat00005
상술한 수학식 5에서, 검출된 특성들의 개수는 N개일 수 있고, N은 1이상의 정수일 수 있다.
Figure 112019042706373-pat00006
는 i번째 변환 결과에 대한 가중치를 나타낼 수 있다. F(a)는 입력 특징 데이터 a에 대한 N개의 변환 함수의 결과들의 가중 합을 나타낼 수 있다. 그리고 단계(525)에서 인증 장치는 등록 특징 데이터 b에 복수의 특성들에 대응하는 변환 함수들을 적용한 결과의 가중 합을 등록 특징 변환 데이터로서 하기 수학식 6과 같이 산출할 수 있다.
[수학식 6]
Figure 112019042706373-pat00007
상술한 수학식 6에서 F(b)는 등록 특징 데이터 b에 대한 N개의 변환 함수의 결과들의 가중 합을 나타낼 수 있다. 예를 들어, 인증 장치는 상술한 수학식 5 및 수학식 6에서 저조도 특성에 대한 변환 함수, 악세서리 특성에 대한 변환 함수, 눈썹 특성에 대한 변환 함수, 및 입 모양 특성에 대한 변환 함수를, 입력 특징 데이터 a 및 등록 특징 데이터 b에 각각 적용하고, 그 결과의 가중합을 산출할 수 있다. 따라서, 인증 장치는 저조도 특성, 악세서리 특성, 눈썹 특성, 및 입 모양 특성에 강인한 특징 공간으로, 투영된 변환 데이터를 생성할 수 있다.
이어서 단계(531)에서 인증 장치는 상술한 수학식 5 및 수학식 6에 따른 입력 특징 변환 데이터 및 등록 특징 변환 데이터 간의 유사도 NCCfinal(a,b)를 하기 수학식 7과 같이 산출할 수 있다.
[수학식 7]
Figure 112019042706373-pat00008
인증 장치는 상술한 수학식 7에 따른 유사도를 임계 유사도와 비교하여, 입력 이미지를 인증할 수 있다. 예를 들어, 유사도가 임계 유사도를 초과하는 경우에 응답하여, 인증 장치는 입력 이미지에 나타난 사용자에 대한 인증이 성공한 것으로 결정할 수 있다. 임계 유사도는 특성에 해당하는 임계 유사도들의 가중합이거나, 아니면 복수의 특성들에 대응하는 임계 유사도들 중 최대값 또는 최소값이 선택될 수도 있다.
또한, 상술한 예시에서 인증 장치는 하나 이상의 특성을 검출하였으나, 인증 장치는 특성의 검출 동작 없이, 모든 변환 함수(예를 들어, N개의 변환 함수들)에 대한 결과 값의 가중 합을 입력 특징 변환 데이터 및 등록 특징 변환 데이터로 산출할 수 있다.
또 다른 일 실시예에 따르면, 인증 장치는 단계(524)의 동작을 스킵하고, 단계(531)에서 변환 함수가 적용되기 전의 입력 특징 데이터 및 등록 특징 데이터 간의 유사도를 산출할 수도 있다. 이 경우, 단계(532)에서 인증 장치는 등록 데이터베이스(429)로부터 변환 함수가 적용되지 않는 경우에 해당하는 임계 유사도를 선택할 수 있다. 인증 장치는 변환 함수가 적용되지 않는 경우의 유사도 및 임계 유사도를 비교할 수 있다. 이후, 유사도가 임계 유사도를 초과하는 경우 인증 장치는 단계(533)에서 인증이 성공한 것으로 결정할 수 있고, 유사도가 임계 유사도 이하인 경우 단계(534)에서 다른 등록 사용자에 대한 인증을 시도할 수 있다.
도 6은 일 실시예에 따른 인증을 위한 등록 과정을 설명하는 도면이다.
일 실시예에 따르면 인증 장치는 등록 절차(681) 및 인증 절차(682)를 수행할 수 있다. 등록 절차(681)는 기준 사용자에 대응하는 특징 데이터 및 각 특성에 따른 변환 함수를 매핑 및 저장하는 동작을 포함할 수 있다. 인증 절차(682)는 입력 사용자가 기기에 등록된 사용자인 지를 인증하는 동작으로서, 입력 사용자에 대응하는 입력 특징 변환 데이터를 기기에 등록된 기준 사용자에 대응하는 하나 이상의 기준 특징 변환 데이터에 대해 인증하는 동작을 포함할 수 있다. 예를 들어, 기기에 등록된 기준 사용자는 기기의 적어도 일부 기능 및/또는 어플리케이션에 대한 억세스 권한을 가질 수 있다.
우선, 등록 절차(681)에서, 인증 장치는 기준 사용자를 등록하는 경우에 응답하여, 기준 사용자에 대한 기준 이미지(reference image)(601)를 획득할 수 있다.
단계(611)에서 인증 장치는 기준 이미지를 전처리함으로써 전처리된 기준 이미지(602)를 생성할 수 있다. 단계(621)에서 인증 장치는 전처리된 기준 이미지(602)로부터, 특징 추출 모델(예: 학습된 뉴럴 네트워크)에 기초하여 기준 사용자에 대한 기준 특징 데이터를 추출할 수 있다.
한편 단계(612)에서 인증 장치는 기준 이미지(601)를 증강 특성(augmentation characteristic)에 따라 증강할 수 있다. 예를 들어, 인증 장치는 증강 특성들 중 낮은 조도 환경 특성을 가지도록 기준 이미지(601)를 증강함으로써 증강 이미지(603)를 생성할 수 있다. 인증 장치는 복수의 증강 특성들마다 기준 이미지(601)를 증강할 수 있고, 각 증강된 이미지에 대해 아래 동작들을 반복할 수 있다. 참고로, 본 명세서에서 증강 특성은 등록 절차에서 사용되는 특성을 나타낼 수 있다. 예를 들어, 인증 장치에 검출될 수 있는 특성들의 종류가 N개인 경우, 인증 장치는 N개의 특성들의 각각에 대응하는 증강 특성으로 기준 이미지(601)를 증강할 수 있다. 더 나아가, 인증 장치는 기준 이미지(601)를 증강하고, 증강된 이미지에 전처리를 적용함으로써 증강 이미지(603)를 생성할 수도 있다. 여기서, 증강된 이미징에 적용되는 전처리는 단계(611)에서의 전처리와 동일할 수 있으나 이로 한정하는 것은 아니고, 다른 방식의 전처리가 적용될 수도 있다.
그리고 단계(622)에서 인증 장치는 기준 이미지(601)를 증강 특성에 따라 증강한 증강 이미지(603)로부터 특징 추출 모델(예: 학습된 뉴럴 네트워크)에 기초하여 증강 특징 데이터(augmented feature data)를 추출할 수 있다.
이어서 단계(631)에서 인증 장치는 기준 특징 데이터 및 증강 특징 데이터를 비교할 수 있다. 예를 들어, 인증 장치는 기준 특징 데이터 및 증강 특징 데이터에 기초하여, 각 차원 성분에 대한 변화량 점수(variation score)를 산출할 수 있다. 변화량 점수의 산출은 아래 도 8에서 설명한다..
그리고 단계(632)에서 인증 장치는 기준 특징 데이터 및 증강 특징 데이터 간의 비교에 기초하여 증강 특성과 연관된 변환 함수를 결정하고, 증강 특성과 연관된 변환 함수를 기준 사용자에 대해 매핑하여 저장할 수 있다. 예를 들어, 인증 장치는 변화량 점수에 기초하여 증강 특성과 연관된 변환 함수를 결정할 수 있다.
인증 절차(682)에서, 인증 장치는 입력 이미지(691)를 획득할 수 있다. 단계(613)에서 인증 장치는 입력 이미지(691)를 전처리함으로써 전처리된 입력 이미지(692)를 획득할 수 있다.
단계(623)에서 인증 장치는 전처리된 입력 이미지(692)로부터 특징을 추출할 수 있다. 인증 장치는 전처리된 입력 이미지(692)로부터 특징 추출 모델에 기초하여 입력 특징 데이터를 추출할 수 있다.
일 실시예에 따르면, 인증 장치는 복수의 등록 사용자들 중 인증하고자 하는 기준 사용자를 선택할 수 있다. 인증 장치는 기준 사용자에 대응하는 기준 특징 데이터를 데이터베이스로부터 로딩할 수 있다. 또한, 인증 장치는 기준 사용자의 등록 특징 데이터에 매핑된 변환 관련 정보로부터, 특성에 대응하는 대상 차원 성분 정보를 데이터베이스로부터 로딩할 수 있다. 대상 차원 성분 정보는 상술한 바와 같이, 해당 특성에서 유지되어야 하는 대상 차원 성분을 지시하는 대상 차원 지표를 정의할 수 있다.
그리고 단계(640)에서 인증 장치는 각 특징 데이터에 변환 함수를 적용할 수 있다. 예를 들어, 인증 장치는 등록 절차(681)에서 등록된 복수의 등록 사용자들로부터 선택된 기준 사용자에 대응하는 기준 특징 데이터에 변환 함수를 적용할 수 있다. 또한, 인증 장치는 입력 사용자에 대응하는 입력 특징 데이터에 변환 함수를 적용할 수 있다. 예를 들어, 인증 장치는 입력 특징 데이터에서 대상 차원 성분을 유지하고, 나머지 차원 성분을 배제함으로써 입력 특징 변환 데이터를 획득할 수 있다. 인증 장치는 기준 특징 데이터에서 대상 차원 성분을 유지하고, 나머지 차원 성분을 배제함으로써 기준 특징 변환 데이터를 획득할 수 있다.
이어서 단계(650)에서 인증 장치는 변환 데이터로 입력 사용자에 대한 인증을 시도할 수 있다. 예를 들어, 인증 장치는 입력 특징 변환 데이터 및 기준 특징 변환 데이터 간의 유사도에 기초하여, 입력 특징 데이터에 대응하는 입력 사용자가 기준 특징 데이터에 대응하는 기준 사용자에 매칭하는지 여부를 결정할 수 있다.
도 7 및 도 8은 일 실시예에 따른 사용자 등록 방법을 설명하는 흐름도이다.
우선, 단계(710)에서 인증 장치는 기준 사용자의 사용자 등록을 위해 획득된 기준 이미지로부터 특징 추출 모델(예: 학습된 뉴럴 네트워크)에 기초하여 기준 특징 데이터를 추출할 수 있다. 기준 특징 데이터는 벡터 형태로 표현될 수 있다. 도 8의 단계(810)에서 도시된 바와 같이, 인증 장치는 기준 특징 데이터 featref를 추출할 수 있다.
그리고 단계(720)에서 인증 장치는 기준 이미지를 증강 특성에 기초하여 증강한 증강 이미지(예를 들어 저조도 이미지)로부터 특징 추출 모델에 기초하여 증강 특징 데이터를 추출할 수 있다. 인증 장치는 도 6에서 상술한 바와 같이, 복수의 증강 특성들 별로 증강 이미지를 생성할 수 있다. 도 8의 단계(820)에 도시된 바와 같이 인증 장치는 증강 특징 데이터 feataug를 산출할 수 있다.
이어서 단계(730)에서 인증 장치는 기준 특징 데이터 및 증강 특징 데이터 간의 비교에 기초하여, 기준 사용자에 대해 증강 특성과 연관된 변환 함수를 매핑할 수 있다. 인증 장치는 기준 특징 데이터 및 증강 특징 데이터에 기초하여, 기준 이미지에 대해 임의의 특성에서 최적화된 변환 함수를 매핑할 수 있다. 예를 들어, 도 8의 단계(831)에서 인증 장치는 기준 특징 데이터 및 증강 특징 데이터 간의 비교 결과를 산출할 수 있다. 인증 장치는 기준 특징 데이터 및 증강 특징 데이터에 기초하여 각 차원 성분에 대한 변화량 정보(890)를 산출할 수 있다. 도 8에 도시된 변화량 정보(890)는 각 차원 지표 별 변화량 점수를 나타낼 수 있다. 특징 데이터는 M개의 차원을 가지는 특징일 수 있고, 예를 들어, 도 8에서 도시된 변화량 정보(890)는 441개의 차원 지표 별 변화량 점수를 나타낼 수 있다. M개의 차원 지표들 중 j번째 차원 지표에 대한 변화량 점수 Score[j]는 하기 수학식 8과 같이 나타낼 수 있다. j는 1이상 M 이하의 정수를 나타낼 수 있다.
[수학식 8]
Figure 112019042706373-pat00009
상술한 수학식 8에 나타난 변화량 점수 Score[j]는 임의의 차원 지표(예를 들어, j)에서 차원 성분 크기 대비 두 특징들 간의 차이를 나타낼 수 있다. 변화량 점수 Score[j]는 특성 별로 증강에 따른 차원 성분의 변화량을 나타낼 수 있다. 따라서, 변화량 점수가 작은 차원 지표는 변화에 대해 강인한(robust) 정보를 포함하는 차원 성분을 지시할 수 있고, 변화량 점수가 큰 차원 지표는 변화에 대해 민감한 정보를 포함하는 차원 성분을 지시할 수 있다. 인증 장치는 다양한 특성에 대해, 변화에 강인한 정보를 포함하는 차원 성분을 이용함으로써, 노이즈에 강인한 인증을 수행할 수 있다.
그리고 단계(832)에서 인증 장치는 기준 사용자에 대해 증강 특성과 연관된 변환 함수를 매핑할 수 있다. 일 실시예에 따른 인증 장치는 변화량 점수에서 복수의 차원 지표들(dimensional indices) 중 변화 임계 이하의 점수를 나타내는 차원 지표에 대응하는 차원 성분을 대상 차원 성분(891)으로 결정할 수 있다. 또한, 인증 장치는 변화량 점수에서 변화 임계를 초과하는 점수를 나타내는 차원 지표에 대응하는 차원 성분을 나머지 차원 성분(892)으로 결정할 수 있다. 대상 차원 성분(891)은, 예를 들어, 저조도 환경에서 얼굴의 기하 정보를 포함하는 차원 성분일 수 있고, 나머지 차원 성분(892)은 저조도 환경에서 얼굴의 노이즈 정보 또는 컨텍스트(context) 정보를 포함하는 차원 성분일 수 있다. 인증 장치는 상술한 바에 따라 각 증강 특성에 대해 결정된 대상 차원 성분(891) 및 나머지 차원 성분(892)을 해당 기준 사용자에 매핑하여 저장할 수 있다.
이상, 도 7 및 도 8에서는 해당 사용자의 등록 과정 중에 변환 함수가 결정되는 방식을 설명하였지만 변환 함수는 다른 방식으로 결정될 수도 있다. 예를 들어, 변환 함수는 사용자 등록 과정 이전에 미리 결정되어 저장될 수 있다. 인증 장치는 이미 트레이닝된 뉴럴 네트워크 모델에 다양한 기준 이미지들 및 해당 기준 이미지들의 증강 이미지들을 적용하여 특징 데이터를 생성할 수 있다. 인증 장치는 이 특징 데이터들의 변화량 정보를 도 8에서 설명한 방식으로 분석할 수 있다. 인증 장치는 이런 분석에 기초하여 증강 이미지를 생성하는데 적용된 특성에 대해 일반적으로 적용될 수 있는 변환 함수를 결정하고, 결정된 변환 함수를 해당 특성에 매핑하여 저장할 수 있다. 인증 장치는 이렇게 저장된 변환 함수를, 해당 특성이 검출되면 등록된 사용자 누구의 이미지에나 적용할 수 있다. 도 7 및 도 8에서 상술한 등록 과정 중에 결정된 변환 함수는 사용자의 개별 특징을 반영할 수 있는 반면, 등록 과정 전에 미리 결정되어 저장된 변환 함수는 복수의 사용자에 대해 범용적으로 사용될 때, 환경변화에 강인(robust)한 인증 성능을 제공할 수 있다.
그리고 인증 장치는 사용자의 인증을 위한 입력 이미지가 획득되는 경우에 응답하여, 기준 사용자에 매핑된 복수의 변환 함수들 중 적어도 하나를 이용하여 입력 이미지를 인증할 수 있다. 예를 들어, 인증 장치는 도 3에 도시된 단계(310)의 동작을 수행할 수 있다. 인증 장치는 검출된 특성에 대응하는 증강 특성에 대해 결정된 대상 차원 성분(891) 및 나머지 차원 성분(892)을 로딩하여, 입력 특징 데이터 및 등록 특징 데이터를 변환하는데 사용할 수 있다. 이상, 입력 추출 모델을 입력 이미지에 적용하여 입력 특징 데이터를 추출하고 그 입력 특징 데이터를 변환한 입력 특징 변환 데이터를 이용하여 입력 이미지를 인증하는 방법을 설명하였다. 이러한 방법은, 예를 들어 이미 트레이닝된 뉴럴 네트워크가 있는 경우 재트레이닝이 필요 없이 입력 특성(예, 저조도 특성)에 맞는 특징 데이터를 추출할 수 있다. 따라서, 일 실시예에 따른 방법은 추가 트레이닝 없이도, 모바일 기기를 비롯한 다양한 기기들에 뉴럴 네트워크가 활용될 수 있는 유연성을 높이고, 다양한 입력 특성에 대해 강인한 인증 성능을 제공할 수 있다.
도 9는 일 실시예에 따른 컴퓨팅 장치의 구성을 도시한 블록도이다.
도 9를 참조하면, 컴퓨팅 장치(900)는 위에서 설명한 인증 방법을 이용하여 사용자를 인증하는 장치이다. 일 실시예에서, 컴퓨팅 장치(900)는 도 2에서 설명된 인증 장치(200)에 대응할 수 있다. 컴퓨팅 장치(900)는, 예를 들어 이미지 처리 장치, 스마트폰, 웨어러블 기기(wearable device), 태블릿 컴퓨터, 넷북, 랩탑, 데스크탑, PDA(personal digital assistant), 셋탑 박스, 가전 기기, 생체 도어락, 보안 장치, 금융 거래 장치 또는 차량 시동 장치일 수 있다. 컴퓨팅 장치(900)는 도 2의 인증 장치(200)의 기능을 그대로 포함할 수 있다.
도 9를 참조하면, 컴퓨팅 장치(900)는 프로세서(910), 저장 장치(920), 카메라(930), 입력 장치(940), 출력 장치(950) 및 네트워크 인터페이스(960)를 포함할 수 있다. 프로세서(910), 저장 장치(920), 카메라(930), 입력 장치(940), 출력 장치(950) 및 네트워크 인터페이스(960)는 통신 버스(970)를 통해 서로 통신할 수 있다.
프로세서(910)는 컴퓨팅 장치(900) 내에서 실행하기 위한 기능 및 인스트럭션들을 실행한다. 예를 들어, 프로세서(910)는 저장 장치(920)에 저장된 인스트럭션들을 처리할 수 있다. 프로세서(910)는 도 1 내지 도 8을 통하여 전술한 하나 이상의 동작을 수행할 수 있다.
저장 장치(920)는 프로세서의 실행에 필요한 정보 내지 데이터를 저장한다. 저장 장치(920)는 컴퓨터 판독가능한 저장 매체 또는 컴퓨터 판독가능한 저장 장치를 포함할 수 있다. 저장 장치(920)는 프로세서(910)에 의해 실행하기 위한 인스트럭션들을 저장할 수 있고, 컴퓨팅 장치(900)에 의해 소프트웨어 또는 애플리케이션이 실행되는 동안 관련 정보를 저장할 수 있다.
카메라(930)는 복수의 이미지 프레임들로 구성되는 이미지를 캡쳐할 수 있다. 예를 들어, 카메라(930)는 입력 이미지 및 기준 이미지를 생성할 수 있다.
입력 장치(940)는 촉각, 비디오, 오디오 또는 터치 입력을 통해 사용자로부터 입력을 수신할 수 있다. 입력 장치(940)는 키보드, 마우스, 터치 스크린, 마이크로폰, 또는 사용자로부터 입력을 검출하고, 검출된 입력을 전달할 수 있는 임의의 다른 장치를 포함할 수 있다.
출력 장치(950)는 시각적, 청각적 또는 촉각적인 채널을 통해 사용자에게 컴퓨팅 장치(900)의 출력을 제공할 수 있다. 출력 장치(950)는 예를 들어, 디스플레이, 터치 스크린, 스피커, 진동 발생 장치 또는 사용자에게 출력을 제공할 수 있는 임의의 다른 장치를 포함할 수 있다. 네트워크 인터페이스(960)는 유선 또는 무선 네트워크를 통해 외부 장치와 통신할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable 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 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. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 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.　　
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
200: 인증 장치
210: 이미지 획득부
220: 프로세서
230: 메모리

Claims (25)

  1. 인증 방법에 있어서,
    입력 이미지로부터 상기 입력 이미지의 특성을 검출하는 단계;
    상기 입력 이미지로부터 특징 추출 모델에 기초하여 추출된 입력 특징 데이터 및 상기 입력 이미지를 획득하기 전에 상기 특징 추출 모델에 기초하여 추출되고 등록된 등록 특징 데이터에 개별적으로, 상기 검출된 특성에 기초하여 결정된 변환 함수를 적용함으로써 입력 특징 변환 데이터(input feature transformation data) 및 등록 특징 변환 데이터를 획득하는 단계; 및
    상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터 간의 비교 결과에 기초하여, 상기 입력 이미지에 대응하는 사용자를 인증하는 단계
    를 포함하는 인증 방법.
  2. 제1항에 있어서,
    상기 입력 이미지는 상기 사용자의 얼굴 이미지를 포함하는,
    인증 방법.
  3. 제1항에 있어서,
    상기 특성은 상기 입력 이미지의 조도 특성인,
    인증 방법.
  4. 제1항에 있어서,
    상기 특성을 검출하는 단계는,
    상기 입력 이미지에 나타나는 객체의 랜드마크와 연관된 랜드마크 특성 및 상기 입력 이미지의 촬영 환경과 연관된 환경 특성 중 적어도 하나를 검출하는 단계
    를 포함하는 인증 방법.
  5. 제1항에 있어서,
    상기 특징 추출 모델은,
    트레이닝된 뉴럴 네트워크인
    인증 방법.
  6. 제5항에 있어서,
    상기 트레이닝된 뉴럴 네트워크는, CNN(Convolutional Neural Network)인,
    인증 방법.
  7. 제1항에 있어서,
    상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터를 획득하는 단계는,
    상기 입력 특징 데이터에 상기 특성에 대응하는 변환 함수를 적용함으로써, 상기 입력 특징 변환 데이터를 생성하는 단계; 및
    상기 등록 특징 데이터에 상기 특성에 대응하는 상기 변환 함수를 적용함으로써, 상기 등록 특징 변환 데이터를 생성하는 단계
    를 포함하는 인증 방법.
  8. 제7항에 있어서,
    상기 변환 함수는 사용자에 따라 다르게 결정되는,
    인증 방법.
  9. 제7항에 있어서,
    상기 변환 함수는 상기 등록 특징 데이터를 등록하는 과정 동안 결정되는,
    인증 방법.
  10. 제1항에 있어서,
    상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터를 획득하는 단계는,
    상기 특성에 기초하여 결정된 선형 변환 또는 비선형 변환을 이용하여, 상기 입력 특징 데이터 및 상기 등록 특징 데이터를 변환하는 단계
    를 포함하는 인증 방법.
  11. 제1항에 있어서,
    상기 특성을 검출하는 단계는,
    상기 입력 이미지에 대해 복수의 특성들을 검출하는 단계
    를 포함하고,
    상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터를 획득하는 단계는,
    상기 입력 특징 데이터에 상기 복수의 특성들에 대응하는 변환 함수들을 적용한 결과의 가중 합(weighted sum)을 상기 입력 특징 변환 데이터로서 산출하는 단계; 및
    상기 등록 특징 데이터에 상기 복수의 특성들에 대응하는 상기 변환 함수들을 적용한 결과의 가중 합을 상기 등록 특징 변환 데이터로서 산출하는 단계
    를 포함하는 인증 방법.
  12. 제1항에 있어서,
    상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터를 획득하는 단계는,
    상기 입력 특징 데이터 및 상기 등록 특징 데이터에 대해, 상기 특성에 대응하는 투영 연산(projection operation)을 수행하는 단계
    를 포함하는 인증 방법.
  13. 제1항에 있어서,
    상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터를 획득하는 단계는,
    상기 특성에 기초하여 대상 차원 성분 정보(target dimensional component information)를 결정하는 단계; 및
    상기 입력 특징 데이터 및 상기 등록 특징 데이터로부터 상기 대상 차원 성분을 유지하고 나머지 차원 성분(remaining dimensional component)을 배제함으로써, 상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터를 생성하는 단계
    를 포함하는 인증 방법.
  14. 제13항에 있어서,
    복수의 등록 사용자들 중 인증하고자 하는 기준 사용자를 선택하는 단계
    를 더 포함하고,
    상기 대상 차원 성분 정보를 결정하는 단계는,
    상기 기준 사용자의 등록 특징 데이터에 매핑된 변환 관련 정보로부터, 상기 특성에 대응하는 대상 차원 성분 정보를 데이터베이스로부터 로딩하는 단계
    를 포함하는 인증 방법.
  15. 제1항에 있어서,
    복수의 등록 사용자들 중 인증하고자 하는 기준 사용자를 선택하는 단계
    를 더 포함하고,
    상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터를 획득하는 단계는,
    상기 기준 사용자의 등록 특징 데이터에 매핑된 복수의 변환 함수들 중, 상기 특성에 대응하는 변환 함수를 데이터베이스로부터 로딩하는 단계
    를 포함하는 인증 방법.
  16. 제1항에 있어서,
    기준 사용자를 등록하는 경우에 응답하여, 상기 기준 사용자에 대한 기준 이미지로부터 기준 특징 데이터를 추출하는 단계;
    상기 기준 이미지를 증강 특성(augmentation characteristic)에 따라 증강한 증강 이미지로부터 증강 특징 데이터(augmented feature data)를 추출하는 단계; 및
    상기 기준 특징 데이터 및 상기 증강 특징 데이터 간의 비교에 기초하여 상기 증강 특성과 연관된 변환 함수를 결정하고, 상기 증강 특성과 연관된 변환 함수를 상기 기준 사용자에 대해 매핑하여 저장하는 단계
    를 더 포함하는 인증 방법.
  17. 제16항에 있어서,
    상기 증강 특성과 연관된 변환 함수를 상기 기준 사용자에 대해 매핑하여 저장하는 단계는,
    상기 기준 특징 데이터 및 상기 증강 특징 데이터에 기초하여, 각 차원 성분에 대한 변화량 점수(variation score)를 산출하는 단계; 및
    상기 변화량 점수에 기초하여 상기 증강 특성과 연관된 변환 함수를 결정하는 단계
    를 포함하는 인증 방법.
  18. 제17항에 있어서,
    상기 변환 함수를 결정하는 단계는,
    상기 변화량 점수에서 복수의 차원 지표들(dimensional indices) 중 변화 임계 이하의 점수를 나타내는 차원 지표에 대응하는 차원 성분을 대상 차원 성분으로 결정하는 단계; 및
    상기 변화량 점수에서 상기 변화 임계를 초과하는 점수를 나타내는 차원 지표에 대응하는 차원 성분을 나머지 차원 성분으로 결정하는 단계
    를 포함하는 인증 방법.
  19. 제1항에 있어서,
    상기 입력 이미지에 대응하는 사용자를 인증하는 단계는,
    상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터 간의 유사도를 산출하는 단계; 및
    상기 유사도가 임계 유사도를 초과하는 경우에 응답하여, 상기 사용자에 대한 인증이 성공한 것으로 결정하는 단계
    를 포함하는 인증 방법.
  20. 제19항에 있어서,
    상기 유사도를 산출하는 단계는,
    상기 입력 특징 변환 데이터가 나타내는 특징 및 상기 등록 특징 변환 데이터가 나타내는 특징 간의 코사인 유사도를 산출하는 단계
    를 포함하는 인증 방법.
  21. 제1항에 있어서,
    상기 입력 이미지에 대응하는 사용자를 인증하는 단계는,
    상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터에 기초하여, 상기 입력 이미지의 사용자를 인증한 결과를 지시하는 단계
    를 포함하는 인증 방법.
  22. 제21항에 있어서,
    상기 사용자를 인증한 결과를 지시하는 단계는,
    상기 사용자에 대한 인증이 성공한 경우에 응답하여, 기기를 언락하는 단계
    를 포함하는 인증 방법.
  23. 제1항 내지 제22항 중 어느 한 항의 방법을 수행하기 위한 명령어를 포함하는 하나 이상의 컴퓨터 프로그램을 저장한 컴퓨터 판독 가능 기록 매체.
  24. 인증 장치에 있어서,
    사용자로부터 입력 이미지를 획득하는 이미지 획득부; 및
    상기 입력 이미지의 특성을 검출하고, 상기 입력 이미지로부터 특징 추출 모델에 기초하여 추출된 입력 특징 데이터 및 상기 입력 이미지를 획득하기 전에 상기 특징 추출 모델에 기초하여 추출되고 등록된 등록 특징 데이터에 개별적으로, 상기 검출된 특성에 기초하여 결정된 변환 함수를 적용함으로써 입력 특징 변환 데이터 및 등록 특징 변환 데이터를 획득하며, 상기 입력 특징 변환 데이터 및 상기 등록 특징 변환 데이터 간의 비교 결과에 기초하여, 상기 입력 이미지에 대응하는 사용자를 인증하는 프로세서
    를 포함하는 인증 장치.
  25. 사용자 등록 방법에 있어서,
    기준 사용자의 사용자 등록을 위해 획득된 기준 이미지로부터 기준 특징 데이터를 추출하는 단계;
    상기 기준 이미지를 증강 특성에 기초하여 증강한 증강 이미지로부터 증강 특징 데이터를 추출하는 단계;
    상기 기준 특징 데이터 및 상기 증강 특징 데이터 간의 비교에 기초하여, 상기 기준 사용자에 대해 상기 증강 특성과 연관된 변환 함수를 매핑하는 단계; 및
    인증을 위한 입력 이미지가 획득되는 경우에 응답하여, 상기 변환 함수를 이용하여 상기 입력 이미지를 인증하는 단계
    를 포함하고,
    상기 입력 이미지를 인증하는 단계는,
    상기 입력 이미지로부터 추출된 입력 특징 데이터 및 등록 특징 데이터에 개별적으로, 상기 변환 함수를 적용하는 단계; 및
    상기 적용 결과에 기초하여 입력 특징 변환 데이터 및 등록 특징 변환 데이터를 획득하는 단계를 포함하는,
    사용자 등록 방법.
KR1020190048363A 2018-12-31 2019-04-25 사용자 인증 장치 및 방법 KR102483650B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP19216887.0A EP3674974A1 (en) 2018-12-31 2019-12-17 Apparatus and method with user verification
CN201911365503.8A CN111382666A (zh) 2018-12-31 2019-12-26 具有用户验证的设备和方法
US16/728,056 US11403878B2 (en) 2018-12-31 2019-12-27 Apparatus and method with user verification

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20180173859 2018-12-31
KR1020180173859 2018-12-31

Publications (2)

Publication Number Publication Date
KR20200083119A KR20200083119A (ko) 2020-07-08
KR102483650B1 true KR102483650B1 (ko) 2023-01-03

Family

ID=71600878

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190048363A KR102483650B1 (ko) 2018-12-31 2019-04-25 사용자 인증 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102483650B1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210069467A (ko) 2019-12-03 2021-06-11 삼성전자주식회사 뉴럴 네트워크의 학습 방법 및 장치와 뉴럴 네트워크를 이용한 인증 방법 및 장치
KR102414759B1 (ko) * 2020-08-26 2022-06-29 주식회사 로보러스 얼굴 특징점 정보를 포함한 패턴 코드 인증을 수행하는 컴퓨팅 장치 및 그 방법
KR102548770B1 (ko) * 2020-11-02 2023-06-28 주식회사 카카오뱅크 매트릭스 연산을 이용한 안면유사도 산출 시스템 및 방법
KR102402848B1 (ko) * 2021-10-13 2022-05-30 주식회사 도유니크 뉴럴 네트워크를 이용한 공동 구매 방법 및 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003317099A (ja) * 2002-02-25 2003-11-07 Toshiba Corp パターン認識用辞書生成装置及び方法、パターン認識装置及び方法
JP2007072620A (ja) * 2005-09-05 2007-03-22 Toshiba Corp 画像認識装置及びその方法
US20180373924A1 (en) * 2017-06-26 2018-12-27 Samsung Electronics Co., Ltd. Facial verification method and apparatus

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3417051B2 (ja) * 1994-05-20 2003-06-16 東洋インキ製造株式会社 光源に依存しない特徴パラメータ値を用いた色情報処理方法および装置
KR20170000748A (ko) * 2015-06-24 2017-01-03 삼성전자주식회사 얼굴 인식 방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003317099A (ja) * 2002-02-25 2003-11-07 Toshiba Corp パターン認識用辞書生成装置及び方法、パターン認識装置及び方法
JP2007072620A (ja) * 2005-09-05 2007-03-22 Toshiba Corp 画像認識装置及びその方法
US20180373924A1 (en) * 2017-06-26 2018-12-27 Samsung Electronics Co., Ltd. Facial verification method and apparatus

Also Published As

Publication number Publication date
KR20200083119A (ko) 2020-07-08

Similar Documents

Publication Publication Date Title
KR102608470B1 (ko) 데이터 인식 장치 및 방법과 트레이닝 장치 및 방법
US11386701B2 (en) Face recognition method and apparatus
KR102483650B1 (ko) 사용자 인증 장치 및 방법
KR102564855B1 (ko) 표정 변화에 강인한 객체 및 표정 인식 장치 및 방법, 객체 및 표정 트레이닝 장치 및 방법
JP6754619B2 (ja) 顔認識方法及び装置
KR102486699B1 (ko) 영상 인식 방법, 영상 검증 방법, 장치, 및 영상 인식 및 검증에 대한 학습 방법 및 장치
KR20230021043A (ko) 객체 인식 방법 및 장치, 및 인식기 학습 방법 및 장치
US8837786B2 (en) Face recognition apparatus and method
US11403878B2 (en) Apparatus and method with user verification
KR102476758B1 (ko) 영상 정규화 장치 및 방법
Zhang et al. Robust multimodal recognition via multitask multivariate low-rank representations
KR20160035740A (ko) 객체를 포함하는 영상의 특징을 추출하는 방법 및 장치
KR102558741B1 (ko) 사용자 등록 장치 및 방법
KR20210062381A (ko) 라이브니스 검사 방법 및 장치, 생체 인증 방법 및 장치
KR20200029659A (ko) 얼굴 인식 방법 및 장치
Lakshmi et al. Off-line signature verification using Neural Networks
US20220327189A1 (en) Personalized biometric anti-spoofing protection using machine learning and enrollment data
Al-Ghrairi et al. Face detection and recognition with 180 degree rotation based on principal component analysis algorithm
Okokpujie et al. Development of an adaptive trait-aging invariant face recognition system using convolutional neural networks
KR20220008035A (ko) 위조 지문 검출 방법 및 장치
KR20210071410A (ko) 센서 특화 이미지 인식 장치 및 방법
KR20160042646A (ko) 얼굴 인식 방법
Geetha et al. 3D face recognition using Hadoop
KR200473405Y1 (ko) 표정 인식 기술이 적용된 인텔리전트 완구 시스템
KR20200140571A (ko) 데이터 인식 방법 및 장치

Legal Events

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