KR102500252B1 - 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템 - Google Patents
얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템 Download PDFInfo
- Publication number
- KR102500252B1 KR102500252B1 KR1020220008736A KR20220008736A KR102500252B1 KR 102500252 B1 KR102500252 B1 KR 102500252B1 KR 1020220008736 A KR1020220008736 A KR 1020220008736A KR 20220008736 A KR20220008736 A KR 20220008736A KR 102500252 B1 KR102500252 B1 KR 102500252B1
- Authority
- KR
- South Korea
- Prior art keywords
- face
- feature vector
- facial feature
- face image
- facial
- Prior art date
Links
- 238000010276 construction Methods 0.000 title claims abstract description 53
- 238000010801 machine learning Methods 0.000 title claims abstract description 22
- 238000005516 engineering process Methods 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 161
- 230000001815 facial effect Effects 0.000 claims abstract description 153
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 30
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 230000008921 facial expression Effects 0.000 claims description 8
- 230000002427 irreversible effect Effects 0.000 claims description 4
- 230000000977 initiatory effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 17
- 230000015654 memory Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000036961 partial effect Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
- G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
-
- 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
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/001—Image restoration
-
- 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
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
-
- 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
-
- 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
본 발명은 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템에 관한 것으로, 영상 프레임을 입력받아 적어도 얼굴을 포함하는 얼굴 영역을 검출하는 얼굴 인식부; 상기 얼굴 영역을 포함하는 얼굴 영상에 대한 전처리 동작을 수행하는 얼굴 전처리부; 심층신경망 기반의 네트워크 모델을 기초로 상기 얼굴 영상을 인코딩하여 얼굴 특징 벡터를 생성하는 얼굴 특징 벡터 생성부; 및 상기 얼굴 특징 벡터에 단방향 대응되고 개인 식별 가능한 요소가 제거된 대응 얼굴 특징 벡터를 생성하는 얼굴 특징 벡터 변환부;를 포함한다.
Description
본 발명은 기계학습을 위한 데이터베이스 구축 기술에 관한 것으로, 보다 상세하게는 얼굴의 개인 특성 정보만을 제거하고 그 외 표정 등의 정보는 유지하여 얼굴 정보를 활용 가능하게 하는 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템에 관한 것이다.
기계학습의 학습 방법은 크게 지도학습, 비지도학습, 강화학습의 세가지 방법으로 분류된다. 지도학습은 정답 데이터(입력 데이터와 그에 대응하는 라벨 한 쌍)가 이미 존재하는 상태에서 학습 모델에게 정답을 알려주어 학습 모델의 예측값과 정답값의 오차가 최소가 되도록 학습하는 방식이다. 비지도학습은 정답 데이터가 존재하지 않고(입력 데이터만 존재) 데이터 간의 유사성과 숨겨진 특성을 분석하여 분류하는 과정을 통해 학습하는 방식이다. 강화학습은 정답 데이터가 존재하지 않고 환경에서의 모델의 결정에 상과 벌을 부여하는 과정을 통해 학습하는 방식이다.
기계학습에 있어 양질의 학습 데이터를 확보하는 것은 매우 중요할 수 있다. 특히, 얼굴 인식 분야에서 사람의 얼굴이 포함된 얼굴 영상을 확보하는 것뿐 아니라 이를 학습 데이터로 사용하기 위하여 개인 정보를 보호하기 위한 전처리가 매우 중요할 수 있다.
즉, 얼굴 영상에는 다양한 분야에서 활용 가능한 많은 정보가 포함되어 있는 반면, 이를 그대로 사용하는 경우 개인 프라이버시를 침해할 가능성이 높기 때문에 얼굴 영상의 활용도가 상당 부분 제한될 수 있다. 일반적으로 얼굴 영상을 모자이크 또는 블러(blur) 처리하여 사용하고 있으나, 이 경우 개인 특성 정보 외에도 많은 유용한 데이터들이 손실되기 때문에 원하는 목적을 달성하기 어려울 수 있다.
본 발명의 일 실시예는 얼굴 영상의 개인정보를 보호하면서 얼굴 표정 상태, 눈 감음 상태 및 발화 상태 등의 얼굴 상태를 보전하여 얼굴 정보의 활용성을 향상시킬 수 있는 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템을 제공하고자 한다.
본 발명의 일 실시예는 얼굴 영상 데이터를 얼굴 특징 벡터로 암호화하고 얼굴 특징 벡터에 단방향으로 대응하는 대응 얼굴 특징 벡터로 변환하여 개인 특성이 제거된 다양한 얼굴 영상을 효과적으로 확보할 수 있는 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템을 제공하고자 한다.
실시예들 중에서, 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템은 영상 프레임을 입력받아 적어도 얼굴을 포함하는 얼굴 영역을 검출하는 얼굴 인식부; 상기 얼굴 영역을 포함하는 얼굴 영상에 대한 전처리 동작을 수행하는 얼굴 전처리부; 심층신경망 기반의 네트워크 모델을 기초로 상기 얼굴 영상을 인코딩하여 얼굴 특징 벡터를 생성하는 얼굴 특징 벡터 생성부; 및 상기 얼굴 특징 벡터에 단방향 대응되고 개인 식별 가능한 요소가 제거된 대응 얼굴 특징 벡터를 생성하는 얼굴 특징 벡터 변환부;를 포함한다.
상기 시스템은 상기 얼굴 특징 벡터를 이용하여 상기 얼굴 영상을 복원하는 얼굴 영상 복원부;를 더 포함할 수 있다.
상기 얼굴 영상 복원부는 외부로부터의 접근이 차단된 상태에서 승인된 권한에 의해 상기 얼굴 영상에 관한 복원 동작을 제한적으로 개시할 수 있다.
상기 얼굴 영상 복원부는 상기 대응 얼굴 특징 벡터를 이용하여 상기 얼굴 영상에서 개인 식별 가능한 요소가 제거된 대응 얼굴 영상으로 복원할 수 있다.
상기 시스템은 단일 얼굴 영상과 적어도 하나의 대응 얼굴 특징 벡터를 이용하여 상기 단일 얼굴 영상에 대응되면서 상기 적어도 하나의 대응 얼굴 특징 벡터가 적용된 적어도 하나의 대응 얼굴 영상을 생성하는 대응 얼굴 영상 생성부;를 더 포함할 수 있다.
상기 대응 얼굴 영상 생성부는 얼굴 특징 벡터 변환부에서 변환된 얼굴 특징 벡터를 상기 대응 얼굴 특징 벡터에 적용하여 상기 적어도 하나의 대응 얼굴 영상을 생성할 수 있다.
상기 얼굴 특징 벡터 생성부는 특정 얼굴 영상을 입력으로 수신한 경우 상기 특정 얼굴 영상의 얼굴 특징 벡터와의 유사도를 기준으로 유사 얼굴 특징 벡터들에 관한 리스트를 생성하여 제공할 수 있다.
상기 얼굴 특징 벡터 변환부는 상기 얼굴 특징 벡터에 비가역적이고 복호화 불가능한 단방향 함수를 적용하여 상기 대응 얼굴 특징 벡터를 생성할 수 있다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일 실시예에 따른 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템은 얼굴 영상의 개인정보를 보호하면서 얼굴 표정 상태, 눈 감음 상태 및 발화 상태 등의 얼굴 상태를 보전하여 얼굴 정보의 활용성을 향상시킬 수 있다.
본 발명의 일 실시예에 따른 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템은 얼굴 영상 데이터를 얼굴 특징 벡터로 암호화하고 얼굴 특징 벡터에 단방향으로 대응하는 대응 얼굴 특징 벡터로 변환하여 개인 특성이 제거된 다양한 얼굴 영상을 효과적으로 확보할 수 있다.
도 1은 본 발명에 따른 데이터베이스 구축 시스템을 설명하는 도면이다.
도 2는 도 1의 데이터베이스 구축 장치의 시스템 구성을 설명하는 도면이다.
도 3은 도 1의 데이터베이스 구축 장치의 기능적 구성을 설명하는 도면이다.
도 4는 본 발명에 따른 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 방법을 설명하는 순서도이다.
도 5는 본 발명에 따른 얼굴 인식 및 전처리 과정을 설명하는 도면이다.
도 6은 본 발명에 따른 얼굴 특징 벡터 생성 과정을 설명하는 도면이다.
도 7은 본 발명에 따른 얼굴 특징 벡터의 특성을 설명하는 도면이다.
도 8은 본 발명에 따른 개인 특성 변환 얼굴 특징 벡터 생성 과정을 설명하는 도면이다.
도 9는 본 발명에 따른 개인 특성 변환 얼굴 생성 과정을 설명하는 도면이다.
도 10은 본 발명에 따른 데이터베이스 구축 시스템의 전체적인 개념을 설명하는 도면이다.
도 2는 도 1의 데이터베이스 구축 장치의 시스템 구성을 설명하는 도면이다.
도 3은 도 1의 데이터베이스 구축 장치의 기능적 구성을 설명하는 도면이다.
도 4는 본 발명에 따른 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 방법을 설명하는 순서도이다.
도 5는 본 발명에 따른 얼굴 인식 및 전처리 과정을 설명하는 도면이다.
도 6은 본 발명에 따른 얼굴 특징 벡터 생성 과정을 설명하는 도면이다.
도 7은 본 발명에 따른 얼굴 특징 벡터의 특성을 설명하는 도면이다.
도 8은 본 발명에 따른 개인 특성 변환 얼굴 특징 벡터 생성 과정을 설명하는 도면이다.
도 9는 본 발명에 따른 개인 특성 변환 얼굴 생성 과정을 설명하는 도면이다.
도 10은 본 발명에 따른 데이터베이스 구축 시스템의 전체적인 개념을 설명하는 도면이다.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 1은 본 발명에 따른 데이터베이스 구축 시스템을 설명하는 도면이다.
도 1을 참조하면, 데이터베이스 구축 시스템(100)은 사용자 단말(110), 데이터베이스 구축 장치(130) 및 데이터베이스(150)를 포함하여 구현될 수 있다.
사용자 단말(110)은 사용자에 의해 운용되는 단말 장치에 해당할 수 있다. 본 발명의 실시예에서 사용자는 하나 이상의 사용자로 이해될 수 있으며, 복수의 사용자들은 하나 이상의 사용자 그룹으로 구분될 수 있다. 하나 이상의 사용자들 각각은 하나 이상의 사용자 단말(110)에 대응될 수 있다. 즉, 제1 사용자는 제1 사용자 단말, 제2 사용자는 제2 사용자 단말, ..., 제n(상기 n은 자연수) 사용자는 제n 사용자 단말에 대응될 수 있다.
또한, 사용자 단말(110)은 데이터베이스 구축 시스템(100)을 구성하는 하나의 장치로서 학습 데이터의 생성, 수정 및 삭제를 포함하는 사용자 행위를 수행할 수 있는 컴퓨팅 장치에 해당할 수 있다. 예를 들어, 사용자 단말(110)은 데이터베이스 구축 장치(130)와 연결되어 동작 가능한 스마트폰, 노트북 또는 컴퓨터로 구현될 수 있으며, 반드시 이에 한정되지 않고, 태블릿 PC 등 포함하여 다양한 디바이스로도 구현될 수 있다.
또한, 사용자 단말(110)은 데이터베이스 구축 장치(130)와 연동하기 위한 전용 프로그램 또는 어플리케이션을 설치하여 실행할 수 있다. 예를 들어, 사용자 단말(110)은 학습 데이터 생성을 위해 데이터베이스 구축 장치(130)에게 소정의 얼굴 영상 데이터를 전송할 수 있으며, 데이터베이스 구축 장치(130)에 의해 구축된 학습 데이터베이스에 접근할 수 있다. 해당 과정은 전용 프로그램 또는 어플리케이션을 통해 제공되는 인터페이스를 통해 이루어질 수 있다.
한편, 사용자 단말(110)은 데이터베이스 구축 장치(130)와 네트워크를 통해 연결될 수 있고, 복수의 사용자 단말(110)들은 데이터베이스 구축 장치(130)와 동시에 연결될 수도 있다.
데이터베이스 구축 장치(130)는 본 발명에 따른 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 방법을 수행하는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 또한, 데이터베이스 구축 장치(130)는 사용자 단말(110)과 유선 네트워크 또는 블루투스, WiFi, LTE 등과 같은 무선 네트워크로 연결될 수 있고, 네트워크를 통해 사용자 단말(110)과 데이터를 송·수신할 수 있다.
또한, 데이터베이스 구축 장치(130)는 학습 데이터를 수집하거나 또는 학습 데이터를 제공하기 위하여 독립된 외부 시스템(도 1에 미도시함)과 연결되어 동작하도록 구현될 수 있다. 일 실시예에서, 데이터베이스 구축 장치(130)는 클라우드 서버로 구현될 수 있으며, 클라우드 서비스를 통해 학습 데이터베이스의 구축과 활용에 관한 사용자들의 다양한 니즈(needs)를 충족시킬 수 있다.
데이터베이스(150)는 데이터베이스 구축 장치(130)의 동작 과정에서 필요한 다양한 정보들을 저장하는 저장장치에 해당할 수 있다. 예를 들어, 데이터베이스(150)는 다양한 출처로부터 수집한 얼굴 영상 데이터를 저장하거나 또는 기계학습 모델 구축을 위한 학습 알고리즘과 학습 모델에 관한 정보를 저장할 수 있으며, 반드시 이에 한정되지 않고, 데이터베이스 구축 장치(130)가 본 발명에 따른 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 방법을 수행하는 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.
또한, 도 1에서, 데이터베이스(150)는 데이터베이스 구축 장치(130)와 독립적인 장치로서 도시되어 있으나, 반드시 이에 한정되지 않고, 논리적인 저장장치로서 데이터베이스 구축 장치(130)에 포함되어 구현될 수 있음은 물론이다.
도 2는 도 1의 데이터베이스 구축 장치의 시스템 구성을 설명하는 도면이다.
도 2를 참조하면, 데이터베이스 구축 장치(130)는 프로세서(210), 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)를 포함할 수 있다.
프로세서(210)는 본 발명의 실시예에 따른 기계학습 데이터베이스 구축 프로시저를 실행할 수 있고, 이러한 과정에서 읽혀지거나 작성되는 메모리(230)를 관리할 수 있으며, 메모리(230)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄 할 수 있다. 프로세서(210)는 데이터베이스 구축 장치(130)의 동작 전반을 제어할 수 있고, 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다. 프로세서(210)는 데이터베이스 구축 장치(130)의 CPU(Central Processing Unit)로 구현될 수 있다.
메모리(230)는 SSD(Solid State Disk) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 데이터베이스 구축 장치(130)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다. 또한, 메모리(230)는 전기적으로 연결된 프로세서(210)에 의해 실행됨으로써 본 발명에 따른 데이터베이스 구축 방법을 실행하는 명령들의 집합을 저장할 수 있다.
사용자 입출력부(250)은 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함하고, 예를 들어, 터치 패드, 터치 스크린, 화상 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터 또는 터치 스크린과 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(250)은 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 데이터베이스 구축 장치(130)는 독립적인 서버로서 수행될 수 있다.
네트워크 입출력부(270)은 네트워크를 통해 사용자 단말(110)과 연결되기 위한 통신 환경을 제공하고, 예를 들어, LAN(Local Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network) 및 VAN(Value Added Network) 등의 통신을 위한 어댑터를 포함할 수 있다. 또한, 네트워크 입출력부(270)는 학습 데이터의 무선 전송을 위해 WiFi, 블루투스 등의 근거리 통신 기능이나 4G 이상의 무선 통신 기능을 제공하도록 구현될 수 있다.
도 3은 도 1의 데이터베이스 구축 장치의 기능적 구성을 설명하는 도면이다.
도 3을 참조하면, 데이터베이스 구축 장치(130)는 얼굴 인식부(310), 얼굴 전처리부(320), 얼굴 특징 벡터 생성부(330), 얼굴 특징 벡터 변환부(340), 얼굴 영상 복원부(350), 대응 얼굴 영상 생성부(360) 및 제어부(도 3에 미도시함)를 포함할 수 있다.
얼굴 인식부(310)는 영상 프레임을 입력받아 적어도 얼굴을 포함하는 얼굴 영역을 검출할 수 있다. 즉, 얼굴 인식부(310)는 사람의 얼굴이 포함된 영상에서 각 영상 프레임마다 얼굴이 존재하는 위치를 검출하여 해당 정보를 제공하는 동작을 수행할 수 있다. 얼굴 인식부(310)는 얼굴 인식의 정확도를 높이기 위하여 영상 프레임에 대해 전처리 동작을 수행할 수 있다. 예를 들어, 얼굴 인식부(310)는 영상 프레임에 대해 노이즈를 제거하거나 특정 필터(filter)를 적용하거나 스케일을 조정하는 등의 전처리 동작을 수행할 수 있다.
또한, 얼굴 인식부(310)는 얼굴 검출 알고리즘을 활용하여 얼굴 영역을 검출할 수 있고, 특히 심층신경망 기반의 네트워크 모델을 통해 얼굴 영역을 검출할 수 있다. 예를 들어, 얼굴 검출 모델은 얼굴 영역에 대한 바운딩 박스(Bounding Box, BB), 분할 영상(Semantic Segmentation) 및 얼굴 랜드마크(facial landmark) 등을 출력으로 생성할 수 있다. 얼굴 인식부(310)는 얼굴 영상의 획득 방법이나 사용 목적에 따라 다양한 네트워크 모델들 중 적어도 하나를 선택적으로 사용할 수 있다.
한편, 얼굴 인식부(310)는 영상 프레임마다 얼굴 영역을 검출하고 얼굴 영역을 포함하는 부분 영상 프레임을 생성할 수 있다. 얼굴 인식부(310)는 영상 프레임들 중에서 얼굴 영역이 검출된 프레임들을 선별하고, 해당 프레임들에 대해 부분 영상 프레임을 추출할 수 있다.
얼굴 전처리부(320)는 얼굴 영역을 포함하는 얼굴 영상에 대한 전처리 동작을 수행할 수 있다. 즉, 얼굴 영상은 영상 프레임 내에서 얼굴 영역을 포함하는 부분 영상 프레임들의 집합에 해당할 수 있다. 얼굴 전처리부(320)는 얼굴 영상의 각 프레임마다 얼굴 인식부(310)의 얼굴 인식 결과를 기초로 전처리 동작을 수행할 수 있다. 예를 들어, 전처리 동작에는 잘라내기(Crop), 크기 조정(Resize), 회전(Rotate), 아핀 변환(Affine Transformation), 원근 변환(Perspective Transformation) 등이 포함될 수 있다. 얼굴 전처리부(320)는 전처리 동작을 통해 얼굴 영상의 크기, 해상도, 기울기 등을 일정하게 조정할 수 있다.
얼굴 특징 벡터 생성부(330)는 심층신경망 기반의 네트워크 모델을 기초로 얼굴 영상을 인코딩(encoding)하여 얼굴 특징 벡터를 생성할 수 있다. 얼굴 특징 벡터는 얼굴에 포함된 특징들에 관한 정보를 기초로 생성될 수 있으며, 이를 위해 소정의 특징 벡터 생성 모델이 사용될 수 있다. 즉, 특징 벡터 생성 모델은 심층신경망 기반의 네트워크 모델로서 사전에 구축될 수 있으며, 얼굴 영상을 입력으로 수신하여 얼굴 영상에 대응되는 얼굴 특징 벡터를 출력으로 생성할 수 있다. 이때, 얼굴 특징 벡터의 특징값은 같은 데이터 포맷을 갖는 일정한 길이의 값들로 표현될 수 있다. 예를 들어, 얼굴 특징 벡터는 16-bit 정수형 또는 32-bit 실수형(floating point) 특징값으로 표현될 수 있다.
일 실시예에서, 얼굴 특징 벡터 생성부(330)는 특정 얼굴 영상을 입력으로 수신한 경우 특정 얼굴 영상의 얼굴 특징 벡터와의 유사도를 기준으로 유사 얼굴 특징 벡터들에 관한 리스트를 생성하여 제공할 수 있다. 얼굴 특징 벡터 생성부(330)는 선택적으로 얼굴 영상에 관한 얼굴 특징 벡터를 생성하거나 또는 얼굴 영상과 유사한 얼굴 특징 벡터들을 검색할 수 있다. 즉, 얼굴 데이터 간의 유사성은 각각의 얼굴 특징을 나타내는 얼굴 특징 벡터 간의 거리로 나타낼 수 있으며 거리값이 작을수록 유사하고 거리값이 일정한 기준값 이내인 경우 동일한 얼굴로 판단될 수 있다. 얼굴 특징 벡터 생성부(330)는 특정 얼굴 영상의 얼굴 특징 벡터를 생성한 다음 얼굴 특징 벡터와의 유사도에 따라 유사 얼굴 특징 벡터들에 대한 리스트를 생성할 수 있다. 이때, 유사 얼굴 특징 벡터는 기준이 되는 얼굴 특징 벡터와의 거리값이 기 설정된 기준값 이내인 얼굴 특징 벡터에 해당할 수 있다.
얼굴 특징 벡터 변환부(340)는 얼굴 특징 벡터에 단방향 대응되고 개인 식별 가능한 요소가 제거된 대응 얼굴 특징 벡터를 생성할 수 있다. 여기에서, 대응 얼굴 특징 벡터는 얼굴 영상에서 개인 특성 정보가 제거된(또는 변환된) 얼굴의 얼굴 특징 정보에 해당할 수 있다. 즉, 얼굴 특징 벡터 변환부(340)는 얼굴 특징 벡터에서 개인 식별 가능한 요소들을 제거하여(또는 변경하여) 대응 얼굴 특징 벡터를 생성할 수 있다. 이때, 대응 얼굴 특징 벡터의 생성에는 심층신경망 기반의 네트워크 모델, 정적 함수 등이 사용될 수 있다.
일 실시예에서, 얼굴 특징 벡터 변환부(340)는 얼굴 특징 벡터에 비가역적이고 복호화 불가능한 단방향 함수를 적용하여 대응 얼굴 특징 벡터를 생성할 수 있다. 이때, 사용되는 단방향 함수는 비가역적(irreversible)이고 복호화 불가능(undecodable)한 특성을 가질 수 있으며, 이에 따라 대응 얼굴 특징 벡터를 기초로 원래의 얼굴 특징 벡터를 복원하는 것은 불가능할 수 있다. 예를 들어, 단방향 함수에는 해시 함수, 단방향 인코딩 함수 등이 포함될 수 있다. 또한, 단방향 함수는 동일한 얼굴 특징 벡터를 입력으로 사용하는 경우 항상 동일한 출력을 생성하도록 구현될 수 있다. 얼굴 특징 벡터 변환부(340)에 의해 생성된 대응 얼굴 특징 벡터는 개인의 특성 정보가 제거된 결과 이를 기초로 실제 누구의 얼굴인지를 식별할 수 없는 반면 다른 영상 프레임에서의 얼굴과 유사한지 여부를 결정하는데 사용될 수 있다.
얼굴 영상 복원부(350)는 얼굴 특징 벡터를 이용하여 얼굴 영상을 복원할 수 있다. 예를 들어, 얼굴 영상 복원부(350)는 얼굴 특징 벡터를 기초로 얼굴 영상을 생성하는 얼굴 영상 생성모듈을 포함하여 구현될 수 있다. 얼굴 영상 생성모듈은 얼굴 특징 벡터에 대응되는 얼굴 영상 프레임을 생성하는 복원 동작을 수행할 수 있다.
일 실시예에서, 얼굴 영상 복원부(350)는 외부로부터의 접근이 차단된 상태에서 승인된 권한에 의해 얼굴 영상에 관한 복원 동작을 제한적으로 개시할 수 있다. 즉, 얼굴 영상 복원부(350)는 얼굴 영상 생성모듈을 비공개 상태로 제어할 수 있으며, 외부로부터 복원 요청을 수신한 경우 해당 복원 요청의 권한을 검사하여 해당 권한이 승인된 권한인지를 결정할 수 있다. 얼굴 영상 복원부(350)는 승인된 권한을 갖는 복원 요청에 대해서만 응답하여 얼굴 영상 생성모듈의 동작을 제어함으로써 복원된 얼굴 영상을 제한적으로 생성할 수 있으며, 이에 따라 얼굴 특징 벡터만을 저장하여 개인정보를 암호화할 수 있다.
일 실시예에서, 얼굴 영상 복원부(350)는 대응 얼굴 특징 벡터를 이용하여 얼굴 영상에서 개인 식별 가능한 요소가 제거된 대응 얼굴 영상으로 복원할 수 있다. 얼굴 영상 복원부(350)는 얼굴 특징 벡터를 기초로 개인 특성 정보를 포함하는 얼굴 영상을 생성할 수 있고, 대응 얼굴 특징 벡터를 기초로 개인 특성 정보가 제거되거나 또는 변환된 대응 얼굴 영상을 생성할 수 있다. 대응 얼굴 특징 벡터에 기반하여 복원된 대응 얼굴 영상의 경우 개인을 식별하는데 활용될 수 없는 반면 얼굴 표정이나 상태에 관한 특징 정보를 포함하고 있어 영상내 상황 분석 등에 활용될 수 있다. 이에 따라, 하나의 얼굴 특징 벡터에 기반하여 다수의 대응 얼굴 특징 벡터들이 생성된 경우 각 대응 얼굴 특징 벡터들마다 대응 얼굴 영상이 각각 생성될 수 있으며, 해당 대응 얼굴 영상들은 서로 다른 얼굴에 대해 동일한 표정이나 상태 등으로 표현될 수 있다.
대응 얼굴 영상 생성부(360)는 단일 얼굴 영상과 적어도 하나의 대응 얼굴 특징 벡터를 이용하여 단일 얼굴 영상에 대응되면서 적어도 하나의 대응 얼굴 특징 벡터가 적용된 적어도 하나의 대응 얼굴 영상을 생성할 수 있다. 이를 위해, 대응 얼굴 영상 생성부(360)는 심층신경망 기반의 네트워크 모델을 사전에 구축하여 활용할 수 있다. 즉, 해당 네트워크 모델은 얼굴 영상과 대응 얼굴 특징 벡터를 입력으로 수신하여 얼굴 영상에서 원래의 얼굴 특징 벡터를 제거한 후 대응 얼굴 특징 벡터를 대신 적용한 결과로서 가상의 얼굴 영상을 출력으로 생성할 수 있다. 이를 통해, 원래의 얼굴에 대해 개인 특성 정보를 제외한 표정 등의 얼굴 상태가 동일하게 적용된 가상의 얼굴이 생성될 수 있으며, 이에 따라 개인 정보를 보호함과 동시에 얼굴 정보의 활용을 극대화시킬 수 있다.
일 실시예에서, 대응 얼굴 영상 생성부(360)는 얼굴 특징 벡터 변환부 (340)에서 변환된 얼굴 특징 벡터를 대응 얼굴 특징 벡터에 적용하여 적어도 하나의 대응 얼굴 영상을 생성할 수 있다. 즉, 얼굴 특징 벡터 변환부(340)는 복수개의 알고리즘 혹은 심층신경망 기반의 네트워크 모델을 사용하여 복수개의 대응 얼굴 특징 벡터를 생성할 수 있으며, 대응 얼굴 특징 벡터들은 얼굴 영상에 적용되어 가상의 얼굴에 관한 다양한 얼굴 영상들을 생성하는데 활용됨으로써 얼굴 영상에 관한 데이터베이스 구축을 효과적으로 수행할 수 있다.
제어부(도 3에 미도시함)는 데이터베이스 구축 장치(130)의 전체적인 동작을 제어하고, 얼굴 인식부(310), 얼굴 전처리부(320), 얼굴 특징 벡터 생성부(330), 얼굴 특징 벡터 변환부(340), 얼굴 영상 복원부(350) 및 대응 얼굴 영상 생성부(360) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.
도 4는 본 발명에 따른 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 방법을 설명하는 순서도이다.
도 4를 참조하면, 데이터베이스 구축 장치(130)는 얼굴 인식부(310)를 통해 영상 프레임을 입력받아 적어도 얼굴을 포함하는 얼굴 영역을 검출할 수 있다(단계 S410). 데이터베이스 구축 장치(130)는 얼굴 전처리부(320)를 통해 얼굴 영역을 포함하는 얼굴 영상에 대한 전처리 동작을 수행할 수 있다(단계 S430).
또한, 데이터베이스 구축 장치(130)는 얼굴 특징 벡터 생성부(330)를 통해 심층신경망 기반의 네트워크 모델을 기초로 얼굴 영상을 인코딩하여 얼굴 특징 벡터를 생성할 수 있다(단계 S450). 데이터베이스 구축 장치(130)는 얼굴 특징 벡터 변환부(340)를 통해 얼굴 특징 벡터에 단방향 대응되고 개인 식별 가능한 요소가 제거된 대응 얼굴 특징 벡터를 생성할 수 있다(단계 S470).
도 5는 본 발명에 따른 얼굴 인식 및 전처리 과정을 설명하는 도면이다.
도 5를 참조하면, 데이터베이스 구축 장치(130)는 심층신경망 기반의 네트워크 모델을 구성하여 영상 프레임을 입력으로 수신하여 영상 프레임 내에서 얼굴의 위치를 인식할 수 있다. 이때, 인식 결과에는 Bounding box, Semantic segmentation, Facial landmark 등의 정보가 포함될 수 있다.
또한, 데이터베이스 구축 장치(130)는 얼굴 위치 인식 결과를 기반으로 얼굴의 전처리 작업을 진행할 수 있다. 예를 들어, 전처리 과정에는 Crop, Resize, Rotate, Affine Transformation, Perspective Transformation 등이 포함될 수 있다.
도 6은 본 발명에 따른 얼굴 특징 벡터 생성 과정을 설명하는 도면이다.
도 6을 참조하면, 데이터베이스 구축 장치(130)는 심층신경망 기반의 네트워크 모델을 구성하여 얼굴 영상(610)을 입력으로 수신하여 얼굴 특징 벡터(630)를 출력으로 생성할 수 있다. 이때, 네트워크 모델은 얼굴 영상(610)을 부호화(또는 암호화) 하여 소정의 길이를 갖는 특징값으로 변환할 수 있다. 변환된 얼굴 특징 벡터(630)는 암호화된 정보에 해당할 수 있으며, 별도의 얼굴 영상 복원 과정을 통해 복원될 수 있으나 해당 과정의 실행을 제한함으로써 얼굴 영상(610)에 포함된 개인 특성 정보를 효과적으로 보호할 수 있다.
도 7은 본 발명에 따른 얼굴 특징 벡터의 특성을 설명하는 도면이다.
도 7을 참조하면, 데이터베이스 구축 장치(130)는 얼굴 영상을 인코딩하여 얼굴 영상에 대응되는 얼굴 특징 벡터를 생성할 수 있다. 이때, 동일인에 대한 얼굴 영상들이 각각 서로 다른 시점에 촬영된 영상이라 하더라도 동일인의 얼굴 특징 벡터들은 유사성이 존재하여 작은 차이를 나타낼 수 있고, 다른 사람의 얼굴 특징 벡터와는 큰 차이를 나타낼 수 있다.
즉, 데이터베이스 구축 장치(130)는 얼굴 특징 벡터의 유사성을 분석하여 두 얼굴이 동일인물인지 여부를 판별할 수 있으며, 추가적으로 얼굴 영상을 입력받아 해당 얼굴 영상과 동일한 얼굴 영상 또는 얼굴 특징 벡터를 데이터베이스(150)에서 조회하여 그 결과를 제공할 수 있다. 특히, 데이터베이스 구축 장치(130)는 얼굴 영상 대신 얼굴 특징 벡터를 활용함으로써 다른 사람의 얼굴 영상이 제3자에게 노출되는 것을 효과적으로 예방할 수 있다.
도 8은 본 발명에 따른 개인 특성 변환 얼굴 특징 벡터 생성 과정을 설명하는 도면이다.
도 8을 참조하면, 데이터베이스 구축 장치(130)는 얼굴 특징 벡터를 입력으로 수신하여 단방향으로 대응하는 특성이 변화된 얼굴의 대응 얼굴 특징 벡터를 생성할 수 있다. 대응 얼굴 특징 벡터의 생성에는 심층신경망 기반의 네트워크 모델 또는 정적 함수 등이 사용될 수 있다. 대응 얼굴 특징 벡터는 얼굴 특징 벡터에 기반하여 생성될 수 있으나, 생성된 대응 얼굴 특징 벡터를 기초로 본래의 얼굴 특징 벡터를 복원하거나 혹은 특정하는 것은 불가능할 수 있다. 결과적으로, 데이터베이스 구축 장치(130)는 단방향 변환을 통해 개인 정보를 효과적으로 보호할 수 있다.
또한, 동일 인물의 얼굴 특징 벡터를 입력으로 사용하는 경우 대응 얼굴 특징 벡터 또한 일관되게 동일한 값으로 출력될 수 있다. 이를 통해, 데이터베이스 구축 장치(130)는 생성된 얼굴이 누구인지 식별할 수 없지만 다른 영상 프레임에서의 얼굴과 동일 인물인지 여부에 대해서는 식별할 수 있다.
한편, 데이터베이스 구축 장치(130)는 독립적으로 구현되는 얼굴영상생성기와 얼굴 특징 벡터를 사용하여 얼굴을 복원할 수 있으며, 이때 사용되는 얼굴영상생성기는 외부에 공개되지 않도록 구현되어 원본 얼굴 특징 벡터만을 저장함으로써 개인 정보를 암호화하는 것이 가능할 수 있다.
도 9는 본 발명에 따른 개인 특성 변환 얼굴 생성 과정을 설명하는 도면이다.
도 9를 참조하면, 데이터베이스 구축 장치(130)는 심층신경망 기반의 네트워크 모델을 구축한 후 얼굴 영상과 얼굴 특징 벡터를 입력으로 수신한 다음 얼굴의 기존 특징 벡터를 제거하고 입력된 얼굴 특징 벡터가 반영된 가상의 얼굴을 생성할 수 있다. 이때, 생성된 가상의 얼굴은 기존 특징 벡터 이외에 얼굴 표정과 같은 얼굴 상태가 동일하게 유지될 수 있다. 이를 통해 개인정보를 보호함과 동시에 얼굴 정보의 활용이 가능할 수 있다.
도 9에서, 원본 얼굴 영상에 대해 대응 얼굴 특징 벡터를 적용한 결과 원래의 인물과 다른 가상의 인물에 대한 얼굴 영상이 생성될 수 있다. 다만, 개인 특성 정보만 변경된 결과 얼굴 표정이나 안경 쓴 상태 등은 그대로 유지될 수 있다. 또한, 프레임 1 및 2에서 동일한 대응 얼굴 특징 벡터가 적용된 결과 생성된 가상의 인물 역시 동일할 수 있다.
도 10은 본 발명에 따른 데이터베이스 구축 시스템의 전체적인 개념을 설명하는 도면이다.
도 10을 참조하면, 데이터베이스 구축 장치(130)는 사람의 얼굴이 포함된 영상 데이터를 입력으로 수신하여 얼굴 인식을 통해 얼굴 영역에 관한 얼굴 영상을 획득할 수 있다. 데이터베이스 구축 장치(130)는 얼굴 영상으로부터 개인 특성 정보가 포함된 원본 얼굴 특징 벡터를 생성할 수 있고, 필요에 따라 데이터베이스(DB)에 저장하여 활용할 수 있다. 이때, 얼굴 특징 벡터는 암호화된 정보에 해당할 수 있으며, 별도의 얼굴 영상 생성기를 통해 제한적으로 복원될 수 있으므로 이후 얼굴 특징 벡터의 활용 과정에서 개인 정보를 효과적으로 보호할 수 있다.
또한, 데이터베이스 구축 장치(130)는 얼굴 특징 벡터에 단방향으로 대응되는 대응 얼굴 특성 벡터를 생성할 수 있다. 대응 얼굴 특성 벡터는 개인 특성 정보가 제거된 얼굴 정보를 포함할 수 있으며, 필요에 따라 데이터베이스(DB)에 저장하여 활용할 수 있다. 즉, 데이터베이스 구축 장치(130)는 대응 얼굴 특성 벡터를 이용하여 원본 얼굴 영상에서 개인 특성 정보가 제거된 가상의 얼굴 영상을 생성할 수 있으며, 데이터베이스(DB)를 통해 기 구축된 다양한 대응 얼굴 특성 벡터들을 활용하여 하나의 원본 얼굴 영상으로부터 다양한 특성 변환 얼굴 영상들을 효과적으로 생성할 수 있다.
또한, 데이터베이스 구축 장치(130)는 가상의 특성 변환 얼굴 영상을 원래의 영상 데이터에 적용함으로써 원래의 인물의 개인 특성이 변환된 영상 데이터를 생성할 수도 있다.
본 발명에 따른 데이터베이스 구축 장치(130)는 특성이 변화된 얼굴 특징 벡터로부터 얼굴의 특성을 변화시킨 영상을 생성하고 저장하여 기계학습 데이터베이스를 효과적으로 구축할 수 있다. 특히, 데이터베이스 구축 장치(130)는 원본 얼굴 특징 벡터를 저장하여 개인 정보를 암호화할 수 있으며, 특정인의 얼굴 영상으로부터 추출된 얼굴 특징 벡터와 가장 유사한 기록을 조회하여 제공할 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 데이터베이스 구축 시스템
110: 사용자 단말 130: 데이터베이스 구축 장치
150: 데이터베이스
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 얼굴 인식부 320: 얼굴 전처리부
330: 얼굴 특징 벡터 생성부 340: 얼굴 특징 벡터 변환부
350: 얼굴 영상 복원부 360: 대응 얼굴 영상 생성부
110: 사용자 단말 130: 데이터베이스 구축 장치
150: 데이터베이스
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 얼굴 인식부 320: 얼굴 전처리부
330: 얼굴 특징 벡터 생성부 340: 얼굴 특징 벡터 변환부
350: 얼굴 영상 복원부 360: 대응 얼굴 영상 생성부
Claims (8)
- 영상 프레임을 입력받아 적어도 얼굴을 포함하는 얼굴 영역을 검출하는 얼굴 인식부;
상기 얼굴 영역을 포함하는 얼굴 영상에 대한 전처리 동작을 수행하는 얼굴 전처리부;
심층신경망 기반의 네트워크 모델을 기초로 상기 얼굴 영상을 인코딩하여 얼굴 특징 벡터를 생성하는 얼굴 특징 벡터 생성부;
상기 얼굴 특징 벡터에 단방향 대응되고 개인 식별 가능한 요소가 제거된 대응 얼굴 특징 벡터를 생성하는 얼굴 특징 벡터 변환부; 및
상기 얼굴 특징 벡터를 이용하여 상기 얼굴 영상을 복원하는 얼굴 영상 복원부;를 포함하되,
상기 얼굴 영상 복원부는 상기 대응 얼굴 특징 벡터를 이용하여 상기 얼굴 영상에서 개인 식별 가능한 요소가 제거된 대응 얼굴 영상으로 복원하며,
상기 대응 얼굴 영상은 상기 얼굴 영상에서 개인 식별 가능한 요소가 제거된 반면 얼굴 표정 및 상태에 관한 특징 정보는 그대로 포함하여 복원되는 것을 특징으로 하는 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템.
- 삭제
- 제1항에 있어서, 상기 얼굴 영상 복원부는
외부로부터의 접근이 차단된 상태에서 승인된 권한에 의해 상기 얼굴 영상에 관한 복원 동작을 제한적으로 개시하는 것을 특징으로 하는 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템.
- 삭제
- 제1항에 있어서,
단일 얼굴 영상과 적어도 하나의 대응 얼굴 특징 벡터를 이용하여 상기 단일 얼굴 영상에 대응되면서 상기 적어도 하나의 대응 얼굴 특징 벡터가 적용된 적어도 하나의 대응 얼굴 영상을 생성하는 대응 얼굴 영상 생성부;를 더 포함하는 것을 특징으로 하는 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템.
- 제5항에 있어서, 상기 대응 얼굴 영상 생성부는
상기 얼굴 특징 벡터 변환부에서 변환된 얼굴 특징 벡터를 상기 대응 얼굴 특징 벡터에 적용하여 상기 적어도 하나의 대응 얼굴 영상을 생성하는 것을 특징으로 하는 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템.
- 제1항에 있어서, 상기 얼굴 특징 벡터 생성부는
특정 얼굴 영상을 입력으로 수신한 경우 상기 특정 얼굴 영상의 얼굴 특징 벡터와의 유사도를 기준으로 유사 얼굴 특징 벡터들에 관한 리스트를 생성하여 제공하는 것을 특징으로 하는 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템.
- 제1항에 있어서, 상기 얼굴 특징 벡터 변환부는
상기 얼굴 특징 벡터에 비가역적이고 복호화 불가능한 단방향 함수를 적용하여 상기 대응 얼굴 특징 벡터를 생성하는 것을 특징으로 하는 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220008736A KR102500252B1 (ko) | 2022-01-20 | 2022-01-20 | 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템 |
| PCT/KR2022/021268 WO2023140519A1 (ko) | 2022-01-20 | 2022-12-26 | 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220008736A KR102500252B1 (ko) | 2022-01-20 | 2022-01-20 | 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102500252B1 true KR102500252B1 (ko) | 2023-02-17 |
Family
ID=85327716
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220008736A KR102500252B1 (ko) | 2022-01-20 | 2022-01-20 | 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102500252B1 (ko) |
| WO (1) | WO2023140519A1 (ko) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100134079A (ko) * | 2008-03-31 | 2010-12-22 | 구글 인코포레이티드 | 이미지 내의 자동 얼굴 검출 및 식별 마스킹, 및 그 응용 |
| KR101487461B1 (ko) | 2014-06-26 | 2015-01-28 | 우원소프트 주식회사 | 개인영상 정보보호 기능이 탑재된 얼굴인식 보안 관제 시스템 |
| KR20170050465A (ko) * | 2015-10-30 | 2017-05-11 | 에스케이텔레콤 주식회사 | 얼굴 인식 장치 및 방법 |
| KR101904924B1 (ko) * | 2017-03-31 | 2018-10-05 | 제주대학교 산학협력단 | 얼굴 영상 가상화 장치 |
| KR20200084427A (ko) * | 2018-12-24 | 2020-07-13 | 주식회사 포스코아이씨티 | 딥러닝 기반의 얼굴인식모델을 이용하여 특징벡터를 추출하는 얼굴인식시스템 |
| KR20200087350A (ko) * | 2018-12-31 | 2020-07-21 | 주식회사 포스코아이씨티 | Ai 기반의 얼굴인식 시스템 |
| KR102189405B1 (ko) * | 2020-04-10 | 2020-12-11 | 주식회사 센스비전 | 실시간 영상에서 안면을 인식하는 시스템 |
| US20210176239A1 (en) * | 2019-12-09 | 2021-06-10 | Evan Chase Rose | Facial Recognition, Image Analysis, and Decentralized Learning Framework Using Adaptive Security Protocols in Distributed Terminal Network |
| KR20210129398A (ko) * | 2020-04-20 | 2021-10-28 | 주식회사딜루션 | 딥러닝을 이용하는 얼굴 인식 장치 |
-
2022
- 2022-01-20 KR KR1020220008736A patent/KR102500252B1/ko active IP Right Grant
- 2022-12-26 WO PCT/KR2022/021268 patent/WO2023140519A1/ko unknown
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100134079A (ko) * | 2008-03-31 | 2010-12-22 | 구글 인코포레이티드 | 이미지 내의 자동 얼굴 검출 및 식별 마스킹, 및 그 응용 |
| KR101487461B1 (ko) | 2014-06-26 | 2015-01-28 | 우원소프트 주식회사 | 개인영상 정보보호 기능이 탑재된 얼굴인식 보안 관제 시스템 |
| KR20170050465A (ko) * | 2015-10-30 | 2017-05-11 | 에스케이텔레콤 주식회사 | 얼굴 인식 장치 및 방법 |
| KR101904924B1 (ko) * | 2017-03-31 | 2018-10-05 | 제주대학교 산학협력단 | 얼굴 영상 가상화 장치 |
| KR20200084427A (ko) * | 2018-12-24 | 2020-07-13 | 주식회사 포스코아이씨티 | 딥러닝 기반의 얼굴인식모델을 이용하여 특징벡터를 추출하는 얼굴인식시스템 |
| KR20200087350A (ko) * | 2018-12-31 | 2020-07-21 | 주식회사 포스코아이씨티 | Ai 기반의 얼굴인식 시스템 |
| US20210176239A1 (en) * | 2019-12-09 | 2021-06-10 | Evan Chase Rose | Facial Recognition, Image Analysis, and Decentralized Learning Framework Using Adaptive Security Protocols in Distributed Terminal Network |
| KR102189405B1 (ko) * | 2020-04-10 | 2020-12-11 | 주식회사 센스비전 | 실시간 영상에서 안면을 인식하는 시스템 |
| KR20210129398A (ko) * | 2020-04-20 | 2021-10-28 | 주식회사딜루션 | 딥러닝을 이용하는 얼굴 인식 장치 |
Non-Patent Citations (1)
| Title |
|---|
| 단방향 해쉬함수, https://velog.io/@dogfootbirdfoot/Mastering-Ethereum-4 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023140519A1 (ko) | 2023-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7060619B2 (ja) | バイオメトリック識別システムおよび方法 | |
| KR102615597B1 (ko) | 이미지를 암호화하여 외부 서버에 업로드하기 위한 전자 장치 및 이의 제어 방법 | |
| WO2021238956A1 (zh) | 基于隐私保护的身份核验方法、装置及设备 | |
| KR102444932B1 (ko) | 이미지를 암호화하여 외부 서버에 업로드하기 위한 전자 장치 및 이의 제어 방법 | |
| US20200285859A1 (en) | Video summary generation method and apparatus, electronic device, and computer storage medium | |
| KR102095097B1 (ko) | 생성적 적대 네트워크를 이용한 비디오 시퀀스 생성 시스템 및 그 방법 | |
| KR20160087167A (ko) | 사용자 인증 방법 및 장치 | |
| KR102374343B1 (ko) | 목소리 개인정보 보호 기술을 이용한 학습 데이터베이스 구축 방법 및 시스템 | |
| JP2022543798A (ja) | 深層教師なしバイナリコード化ネットワークを実装するコンピュータシステムの状態の監視 | |
| KR20220052837A (ko) | 개인 정보 보호를 위하여 원본 데이터를 변조하는 변조 네트워크를 학습하는 방법 및 테스팅하는 방법, 그리고, 이를 이용한 학습 장치 및 테스팅 장치 | |
| KR20220076398A (ko) | Ar장치를 위한 객체 인식 처리 장치 및 방법 | |
| US11430088B2 (en) | Method and apparatus for data anonymization | |
| CN113139527B (zh) | 视频隐私保护方法、装置、设备及存储介质 | |
| KR102364822B1 (ko) | 가려진 영역 복원 방법 및 장치 | |
| KR102500252B1 (ko) | 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템 | |
| KR102500255B1 (ko) | 음성 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템 | |
| WO2022188599A1 (en) | Selective redaction of images | |
| KR20170057118A (ko) | 오브젝트 인식 방법 및 장치, 인식 모델 학습 방법 및 장치 | |
| KR20230092360A (ko) | Node 기반 조건부 테이블 데이터 적대적 생성 신경망 장치 및 방법 | |
| CN113221717B (zh) | 一种基于隐私保护的模型构建方法、装置及设备 | |
| CN115577336A (zh) | 一种生物识别处理方法、装置及设备 | |
| Yang et al. | Undersampled face recognition based on virtual samples and representation classification | |
| KR102651303B1 (ko) | 얼굴 이미지 비식별화 및 복원 장치 및 방법 | |
| KR102123820B1 (ko) | 컴퓨터 실행 가능한 경량 난수 생성 장치 및 방법 | |
| CN113838159B (zh) | 用于生成卡通图像的方法、计算设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |