KR102502685B1 - 안면 인식 및 라이브니스를 이용하여 비대면 본인 인증을 수행하는 전자 장치 및 서버를 포함하는 시스템의 제어 방법 - Google Patents
안면 인식 및 라이브니스를 이용하여 비대면 본인 인증을 수행하는 전자 장치 및 서버를 포함하는 시스템의 제어 방법 Download PDFInfo
- Publication number
- KR102502685B1 KR102502685B1 KR1020220113011A KR20220113011A KR102502685B1 KR 102502685 B1 KR102502685 B1 KR 102502685B1 KR 1020220113011 A KR1020220113011 A KR 1020220113011A KR 20220113011 A KR20220113011 A KR 20220113011A KR 102502685 B1 KR102502685 B1 KR 102502685B1
- Authority
- KR
- South Korea
- Prior art keywords
- facial
- face
- user
- server
- image
- Prior art date
Links
- 230000001815 facial effect Effects 0.000 title claims abstract description 199
- 238000000034 method Methods 0.000 title claims description 66
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 25
- 238000012790 confirmation Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000012795 verification Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 230000004913 activation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 208000035473 Communicable disease Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000000060 site-specific infrared dichroism spectroscopy Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
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
- 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
- G06F21/33—User authentication using certificates
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
-
- 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
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Accounting & Taxation (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Bioethics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Collating Specific Patterns (AREA)
Abstract
본 발명은 상기 전자 장치가, 신분증을 촬영하여 생성된 신분증 이미지 내의 신분증 안면 이미지로부터 제1 안면 템플릿 데이터를 생성하는 단계; 상기 전자 장치가, 사용자를 촬영하여 생성된 사용자 이미지 내의 사용자 안면 이미지로부터 제2 안면 템플릿 데이터를 생성하는 단계; 상기 서버가, 두 안면 이미지 각각이 나타내는 안면 간에 안면 일치 값을 결정하도록 훈련된 제1 인공지능 모델에 상기 제1 안면 템플릿 데이터 및 상기 제2 안면 템플릿 데이터를 입력하여, 상기 신분증 안면 이미지가 나타내는 안면 및 상기 사용자 안면 이미지가 나타내는 안면 간에 안면 일치 값을 획득하는 단계; 상기 서버가, 안면 이미지의 안면 라이브니스 값을 결정하도록 훈련된 제2 인공지능 모델에 상기 제2 안면 템플릿 데이터를 입력하여, 상기 사용자 안면 이미지의 안면 라이브니스 값을 획득하는 단계; 및 상기 서버가, 상기 안면 일치 값 및 상기 안면 라이브니스 값에 기초하여 상기 신분증의 신원이 상기 사용자인지를 판단하는 사용자 본인 인증을 수행하는 단계;를 포함할 수 있다.
Description
본 발명은 안면 인식 및 라이브니스를 이용하여 비대면 본인 인증을 수행하는 전자 장치 및 서버를 포함하는 시스템의 제어 방법에 관한 것으로, 보다 상세하게는, 신분증 안면 이미지와 사용자 안면 이미지의 안면 일치 값과 사용자 안면 이미지의 안면 라이브니스 값에 기초하여 신분증의 신원이 사용자인지를 판단하는 사용자 본인 인증을 수행하는 전자 장치 및 서버를 포함하는 시스템의 제어 방법에 관한 것이다.
일반적으로, 은행, 증권사, 보험사, 핀테크 관련 업체 등의 금융 관련 업체에서는 금융서비스를 요청한 고객의 신원 확인을 위해 대면 방식의 본인인증을 하고 있다. 그러나 이러한 대면 방식의 본인인증 방식은 고객이 금융 관련 업체에 방문해야 하는 불편함이 있으며, 해당 금융 관련 업체의 영업 시간이 아닌 경우에는 금융서비스를 이용하지 못하는 문제가 있다. 또한, 대면 방식의 본인인증 방식은 금융 관련 업체의 고객 확인 업무 부담을 가중시킬 뿐 아니라, 바이러스 등의 감염 질병이 유행하는 경우 감염 질병을 확산시키는 요인이 되며 이 때문에 고객이 금융 관련 업체에 방문을 꺼리게 되는 한계가 있다.
이에 최근에 비대면 방식의 본인인증 방식이 각광받고 있다. 도 1 및 도 2는 종래의 비대면 본인인증 방법 및 그 문제점을 설명하기 위한 개념도이다. 종래의 비대면 본인인증 방법은 ① 실명확인증표 사본 또는 신분증 사본 촬영, ② 고객과 영상 통화를 통해 신분증표와 사진 대조, ③ 접근 매체 전달시 확인(현금카드, 보안카드, OTP 전달), ④ 기존 고객 계좌 활용(1원 인증), ⑤ 타기관 인증서(예: 공인인증서) 기타 이에 준하는 방법의 5가지 중 2가지 이상의 인증을 통해 고객의 신원을 확인하도록 되어 있다.
이러한 종래의 비대면 본인인증 방법은 금융 관련 업체 측에서 고객과 영상 통화를 해야 하거나, 고객에게 현금카드이나 보안카드 또는 OTP 전달을 해야 하거나, 고객이 자신의 계좌에 입금 내역을 확인하고 인증번호를 입력하여 1원 인증을 해야 하거나, 타기관 인증서를 준비해야 하는 등 고객이 계좌 개설 등의 금융 서비스를 제공받기 위한 절차가 복잡하다. 또한, 1원 인증 방식을 활용할 경우 금융 관련 업체에서 1원 인증을 위한 비용이 소요되는 단점도 있다.
또한, 종래의 비대면 본인인증 방식은 신원 확인을 위해 필요한 정보 이상의 불필요한 개인 정보 노출을 꺼리는 고객이 주민등록번호 뒷자리를 메모지 등으로 가려야 하는 번거로움이 있다. 신분증을 이용한 비대면 본인인증 방식은 신분증 정보가 유출되거나 신분증 분실 우려가 있으며, 신분증을 분실하였거나 소지하고 있지 않은 경우 본인인증을 하지 못하게 된다.
종래의 비대면 본인인증 방식은 대면 방식에 비해 신원 확인의 검증 정확도가 낮은 문제도 있다. 종래의 비대면 본인인증 방식은 고객이 제출한 사진의 실시간성 확보가 어렵고, 고객이 신분증을 위,변조하여 금융서비스를 이용하려는 경우 대면 방식에 비해 이를 적발하기 어렵다. 최근에는 신분증 또는 신분증 사진을 위·변조하고 대포 통장을 활용하여 계좌번호를 입력하고 1원 인증을 한 후 대포폰으로 인증을 완료하여 신규 계좌를 개설하거나 대출을 승인받는 등의 사기 행위도 증가하고 있다. 본인인증의 검증 정확도를 높이기 위해 고객에게 보안성이 높은 인증방식을 요구할 경우 고객이 불편함과 불쾌감을 느낄 수 있는 문제가 있다.
본 발명이 해결하고자 하는 과제는 신분증 안면 이미지와 사용자 안면 이미지의 안면 일치 값과 사용자 안면 이미지의 안면 라이브니스 값에 기초하여 신분증의 신원이 사용자인지를 판단하는 사용자 본인 인증을 수행하는 전자 장치 및 서버를 포함하는 시스템의 제어 방법을 제공하고자 한다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 안면 인식 및 라이브니스를 이용하여 비대면 본인 인증을 수행하는 전자 장치 및 서버를 포함하는 시스템의 제어 방법에 있어서, 상기 전자 장치가, 신분증을 촬영하여 생성된 신분증 이미지 내의 신분증 안면 이미지로부터 제1 안면 템플릿 데이터를 생성하는 단계; 상기 전자 장치가, 사용자를 촬영하여 생성된 사용자 이미지 내의 사용자 안면 이미지로부터 제2 안면 템플릿 데이터를 생성하는 단계; 상기 서버가, 두 안면 이미지 각각이 나타내는 안면 간에 안면 일치 값을 결정하도록 훈련된 제1 인공지능 모델에 상기 제1 안면 템플릿 데이터 및 상기 제2 안면 템플릿 데이터를 입력하여, 상기 신분증 안면 이미지가 나타내는 안면 및 상기 사용자 안면 이미지가 나타내는 안면 간에 안면 일치 값을 획득하는 단계; 상기 서버가, 안면 이미지의 안면 라이브니스 값을 결정하도록 훈련된 제2 인공지능 모델에 상기 제2 안면 템플릿 데이터를 입력하여, 상기 사용자 안면 이미지의 안면 라이브니스 값을 획득하는 단계; 및 상기 서버가, 상기 안면 일치 값 및 상기 안면 라이브니스 값에 기초하여 상기 신분증의 신원이 상기 사용자인지를 판단하는 사용자 본인 인증을 수행하는 단계;를 포함할 수 있다.
바람직하게, 상기 제1 안면 템플릿 데이터를 생성하는 단계는, 상기 전자 장치가, 상기 신분증 안면 이미지로부터 복수의 제1 안면 특징점을 추출하여 제1 안면 특징점 데이터를 생성하는 단계; 및 상기 전자 장치가, 상기 제1 안면 특징점 데이터를 암호화 및 토큰화하여 상기 제1 안면 템플릿 데이터를 생성하는 단계;를 포함할 수 있다.
바람직하게, 상기 제2 안면 템플릿 데이터를 생성하는 단계는, 상기 전자 장치가, 상기 사용자 안면 이미지로부터 복수의 제2 안면 특징점을 추출하여 제2 안면 특징점 데이터를 생성하는 단계; 및 상기 전자 장치가, 상기 제2 안면 특징점 데이터를 암호화 및 토큰화하여 상기 제2 안면 템플릿 데이터를 생성하는 단계;를 포함할 수 있다.
바람직하게, 상기 사용자 본인 인증을 수행하는 단계는, 상기 서버가, 상기 안면 일치 값이 기준 안면 일치 값을 초과하는지 여부를 판단하는 단계; 상기 서버가, 상기 안면 라이브니스 값이 기준 안면 라이브니스 값을 초과하는지 여부를 판단하는 단계; 및 상기 서버가, 상기 안면 일치 값이 상기 기준 안면 일치 값을 초과하고, 상기 안면 라이브니스 값이 상기 기준 안면 라이브니스 값을 초과하면, 상기 신분증의 신원이 상기 사용자인 것으로 판단하는 단계;를 포함할 수 있다.
상술된 시스템의 제어 방법은 상기 전자 장치 또는 상기 서버가, 상기 신분증 이미지로부터 문자를 인식하여 신분증 정보를 생성하는 단계; 상기 서버가, 상기 신분증 정보에 기초하여 상기 신분증의 진위 여부를 확인 요청하는 단계; 및 상기 서버가, 상기 확인 요청의 응답으로 상기 신분증의 진위 여부를 나타내는 신분증 진위 정보를 수신하는 단계;를 포함할 수 있다.
바람직하게, 상기 사용자 본인 인증을 수행하는 단계는, 상기 서버가, 상기 안면 일치 값 및 상기 안면 라이브니스 값 외에 상기 신분증 진위 정보를 더 기초하여 상기 신분증의 신원이 상기 사용자인지 여부를 판단하고, 상기 신분증의 신원이 상기 사용자인지 여부를 판단하는 단계는, 상기 서버가, 상기 안면 일치 값이 상기 기준 안면 일치 값을 초과하고, 상기 안면 라이브니스 값이 상기 기준 안면 라이브니스 값을 초과하고, 상기 신분증 진위 정보가 상기 신분증이 진짜임을 나타내면, 상기 신분증의 신원이 상기 사용자인 것으로 판단하는 단계;를 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 안면 인식 및 라이브니스를 이용하여 비대면 본인 인증을 수행하는 서버의 제어 방법에 있어서, 상기 서버가, 신분증을 촬영하여 생성된 신분증 이미지 내의 신분증 안면 이미지로부터 생성된 제1 안면 템플릿 데이터를 수신하는 단계; 상기 서버가, 사용자를 촬영하여 생성된 사용자 이미지 내의 사용자 안면 이미지로부터 생성된 제2 안면 템플릿 데이터를 수신하는 단계; 상기 서버가, 두 안면 이미지 각각이 나타내는 안면 간에 안면 일치 값을 결정하도록 훈련된 제1 인공지능 모델에 상기 제1 안면 템플릿 데이터 및 상기 제2 안면 템플릿 데이터를 입력하여, 상기 신분증 안면 이미지가 나타내는 제1 안면 및 상기 사용자 안면 이미지가 나타내는 제2 안면 간에 안면 일치 값을 획득하는 단계; 상기 서버가, 안면 이미지의 안면 라이브니스 값을 결정하도록 훈련된 제2 인공지능 모델에 상기 제2 안면 템플릿 데이터를 입력하여, 상기 사용자 안면 이미지의 안면 라이브니스 값을 획득하는 단계; 및 상기 서버가, 상기 안면 일치 값 및 상기 안면 라이브니스 값에 기초하여 상기 신분증의 신원이 상기 사용자인지를 판단하는 사용자 본인 인증을 수행하는 단계;를 포함할 수 있다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명에 따른 전자 장치 및 서버를 포함하는 시스템의 제어 방법은 신분증 안면 이미지와 사용자 안면 이미지의 안면 일치 값과 사용자 안면 이미지의 안면 라이브니스 값에 기초하여 신분증의 신원이 사용자인지를 판단하는 사용자 본인 인증을 수행함으로써, 신속하고 정확하게 신분증을 통한 인증을 가능하게 한다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 일 실시예에 따른 시스템의 구성도이다.
도 2는 본 개시의 일 실시예에 따른 시스템에 포함된 전자 장치 및 서버의 구성도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 본인 인증 과정에 대한 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 전자 장치가 신분증 이미지를 획득하는 모습에 대한 예시도이다.
도 5 및 도 6은 본 개시의 일 실시예에 따른 전자 장치가 사용자 이미지를 획득하는 모습에 대한 예시도이다.
도 7은 본 개시의 일 실시예에 따른 서버가 인공지능 모델을 이용하여 안면 이미지에 대한 안면 라이브니스 값을 획득하는 과정을 설명하기 위한 도면이다.
도 8은 본 개시의 일 실시예에 따른 서버가 인공지능 모델을 이용하여 두 안면 이미지 각각이 나타내는 안면 간의 안면 일치 값을 획득하는 과정을 설명하기 위한 도면이다.
도 2는 본 개시의 일 실시예에 따른 시스템에 포함된 전자 장치 및 서버의 구성도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 본인 인증 과정에 대한 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 전자 장치가 신분증 이미지를 획득하는 모습에 대한 예시도이다.
도 5 및 도 6은 본 개시의 일 실시예에 따른 전자 장치가 사용자 이미지를 획득하는 모습에 대한 예시도이다.
도 7은 본 개시의 일 실시예에 따른 서버가 인공지능 모델을 이용하여 안면 이미지에 대한 안면 라이브니스 값을 획득하는 과정을 설명하기 위한 도면이다.
도 8은 본 개시의 일 실시예에 따른 서버가 인공지능 모델을 이용하여 두 안면 이미지 각각이 나타내는 안면 간의 안면 일치 값을 획득하는 과정을 설명하기 위한 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓일 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
도 1은 본 개시의 일 실시예에 따른 시스템의 구성도이다.
도 1에 도시된 바와 같이, 본 발명의 일 면에 따른 시스템은 전자 장치(100) 및 서버(200)를 포함할 수 있다.
전자 장치(100) 및 서버(200)는 생성된 값에 대한 정보, 판단 결과에 대한 정보, 데이터 및 신호를 송수신하며 사용자에 대해 사용자 본인 인증을 수행할 수 있다.
여기서, 사용자 본인 인증은 신분증이 나타내는 신분이 사용자인지를 판단하는 과정일 수 있다.
전자 장치(100)는 스마트폰, 태블릿 PC, TV, 콘솔 기기, 셋탑 박스, 기타 제어 기기 등으로 구현될 수 있다.
서버(200)는 전자 장치(100)로부터 수신되는 생성된 값에 대한 정보, 판단 결과에 대한 정보, 데이터 및 신호를 기초로 사용자에 대해 사용자 본인 인증을 수행하고, 사용자 본인 인증 결과를 전자 장치(100)로 송신할 수 있다.
도 2는 본 개시의 일 실시예에 따른 시스템에 포함된 전자 장치 및 서버의 구성도이다.
도 2를 참조하면, 전자 장치(100)는, 메모리(110), 카메라(120), 디스플레이(130), 프로세서(140) 및 통신부(150)를 포함할 수 있다.
메모리(110)는 전자 장치(100)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(110)는 비휘발성 메모리(110), 휘발성 메모리(110), 플래시메모리(110)(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다.
프로세서(140)는 메모리(110)에 저장된 각종 프로그램을 이용하여 전자 장치(100)의 전반적인 동작을 제어할 수 있다. 프로세서(140)는 RAM, ROM, 그래픽 처리부, 메인 CPU, 제1 내지 n 인터페이스 및 버스로 구성될 수 있다. 이때, RAM, ROM, 그래픽 처리부, 메인 CPU, 제1 내지 n 인터페이스 등은 버스를 통해 서로 연결될 수 있다.
RAM은 O/S 및 어플리케이션 프로그램을 저장한다. 구체적으로, 전자 장치(100)가 부팅되면 O/S가 RAM에 저장되고, 사용자가 선택한 각종 어플리케이션 데이터가 RAM에 저장될 수 있다.
ROM에는 시스템 부팅을 위한 명령어 세트 등이 저장된다. 턴 온 명령이 입력되어 전원이 공급되면, 메인 CPU는 ROM에 저장된 명령어에 따라 메모리(110)에 저장된 O/S를 RAM에 복사하고, O/S를 실행시켜 시스템을 부팅시킨다. 부팅이 완료되면, 메인 CPU는 메모리(110)에 저장된 각종 어플리케이션 프로그램을 RAM에 복사하고, RAM에 복사된 어플리케이션 프로그램을 실행시켜 각종 동작을 수행한다.
그래픽 처리부는 연산부(미도시) 및 렌더링부(미도시)를 이용하여 아이템, 이미지, 텍스트 등과 같은 다양한 객체를 포함하는 화면을 생성한다. 여기서, 연산부는 입력부로부터 수신된 제어 명령을 이용하여 화면의 레이아웃에 따라 각 객체들이 표시될 좌표값, 형태, 크기, 컬러 등과 같은 속성값을 연산하는 구성일 수 있다. 그리고, 렌더링부는 연산부에서 연산한 속성값에 기초하여 객체를 포함하는 다양한 레이아웃의 화면을 생성하는 구성이 일 수 있다. 이러한 렌더링부에서 생성된 화면은 디스플레이(130)의 디스플레이 영역 내에 표시될 수 있다.
메인 CPU는 메모리(110)에 액세스하여, 메모리(110)에 저장된 OS를 이용하여 부팅을 수행한다. 그리고, 메인 CPU는 메모리(110)에 저장된 각종 프로그램, 컨텐츠, 데이터 등을 이용하여 다양한 동작을 수행한다.
제1 내지 n 인터페이스는 상술한 각종 구성요소들과 연결된다. 제1 내지 n 인터페이스 중 하나는 네트워크를 통해 외부 장치와 연결되는 네트워크 인터페이스가 될 수도 있다.
한편, 프로세서(140)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.
일 실시예에 따른 프로세서(140)는 메모리(110)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 본 발명과 관련하여 설명된 방법을 수행한다.
예를 들어, 프로세서(140)는 메모리(110)에 저장된 하나 이상의 인스트럭션을 실행함으로써 신규 학습용 데이터를 획득하고, 학습된 모델을 이용하여, 획득된 신규 학습용 데이터에 대한 테스트를 수행하고, 테스트 결과, 라벨링된 정보가 소정의 제1 기준값 이상의 정확도로 획득되는 제1 학습용 데이터를 추출하고, 추출된 제1 학습용 데이터를 신규 학습용 데이터로부터 삭제하고, 추출된 학습용 데이터가 삭제된 신규 학습용 데이터를 이용하여 학습된 모델을 다시 학습시킬 수 있다.
한편, 프로세서(140)는 프로세서(140) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(140)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.
메모리(110)에는 프로세서(140)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(110)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.
카메라(120)는 적어도 하나의 피사체를 촬영하기 위한 구성으로, 사용자를 촬영하여 사용자의 안면이 포함된 사용자 이미지를 생성하고, 신분증을 촬영하여 신분증 이미지를 생성할 수 있다.
디스플레이(130)는 다양한 정보를 시각적으로 출력하기 위한 구성으로, LCD(Liquid Crystal Display), PDP(Plasma Display Panel), OLED(Organic Light Emitting Diodes), TOLED(Transparent OLED), Micro LED 등으로 구현될 수 있으나, 이에 한정되는 것은 아니고 이밖에 종래 알려진 다양한 형태의 디스플레이를 포함할 수 있다.
실시예로, 디스플레이(130)는, 사용자의 터치 조작을 감지할 수 있는 터치스크린 형태로 구현될 수 있으며, 접히거나 구부러질 수 있는 플렉서블 디스플레이로 구현될 수도 있다.
통신부(150)는 서버(200)와 통신을 수행할 수 있다. 특히, 통신부(150)는 와이파이 칩, 블루투스 칩, 무선 통신 칩, NFC칩, 저전력 블루투스 칩(BLE 칩) 등과 같은 다양한 통신 칩을 포함할 수 있다. 이때, 와이파이 칩, 블루투스 칩, NFC 칩은 각각 LAN 방식, WiFi 방식, 블루투스 방식, NFC 방식으로 통신을 수행한다. 와이파이 칩이나 블루투스칩을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신 하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 무선 통신칩은 IEEE, 지그비, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), 5G(5th Generation) 등과 같은 다양한 통신 규격에 따라 통신을 수행하는 칩을 의미한다.
도 2를 참조하면, 서버(200)는, 메모리(210), 프로세서(220) 및 통신부(230)를 포함할 수 있다.
메모리(210)는 서버(200)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(210)는 비휘발성 메모리(210), 휘발성 메모리(210), 플래시메모리(210)(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다.
프로세서(220)는 메모리(210)에 저장된 각종 프로그램을 이용하여 서버(200)의 전반적인 동작을 제어할 수 있다. 프로세서(220)는 RAM, ROM, 그래픽 처리부, 메인 CPU, 제1 내지 n 인터페이스 및 버스로 구성될 수 있다. 이때, RAM, ROM, 그래픽 처리부, 메인 CPU, 제1 내지 n 인터페이스 등은 버스를 통해 서로 연결될 수 있다.
RAM은 O/S 및 어플리케이션 프로그램을 저장한다. 구체적으로, 서버(200)가 부팅되면 O/S가 RAM에 저장되고, 사용자가 선택한 각종 어플리케이션 데이터가 RAM에 저장될 수 있다.
ROM에는 시스템 부팅을 위한 명령어 세트 등이 저장된다. 턴 온 명령이 입력되어 전원이 공급되면, 메인 CPU는 ROM에 저장된 명령어에 따라 메모리(210)에 저장된 O/S를 RAM에 복사하고, O/S를 실행시켜 시스템을 부팅시킨다. 부팅이 완료되면, 메인 CPU는 메모리(210)에 저장된 각종 어플리케이션 프로그램을 RAM에 복사하고, RAM에 복사된 어플리케이션 프로그램을 실행시켜 각종 동작을 수행한다.
메인 CPU는 메모리(210)에 액세스하여, 메모리(210)에 저장된 OS를 이용하여 부팅을 수행한다. 그리고, 메인 CPU는 메모리(210)에 저장된 각종 프로그램, 컨텐츠, 데이터 등을 이용하여 다양한 동작을 수행한다.
제1 내지 n 인터페이스는 상술한 각종 구성요소들과 연결된다. 제1 내지 n 인터페이스 중 하나는 네트워크를 통해 외부 장치와 연결되는 네트워크 인터페이스가 될 수도 있다.
한편, 나아가, 프로세서(220)는 인공지능 모델을 제어할 수 있다. 이 경우, 프로세서(220)는 인공지능 모델을 제어하기 위한 그래픽 전용 프로세서(예: GPU)를 포함할 수 있음은 물론이다.
한편, 본 발명에 따른 인공지능 모델은 교사 지도학습(supervised learning) 또는 비교사 지도학습(unsupervised learning)기반의 모델일 수 있다. 나아가, 본 발명에 따른 인공지능 모델은 SVM(support vector machine), Decision tree, neural network 등 및 이들이 응용된 방법론을 포함할 수 있다.
일 실시예로, 본 발명에 따른 인공지능 모델은 학습데이터를 입력하여 학습된 합성곱 신경망(Convolutional deep Neural Networks, CNN) 기반의 인공지능 모델일 수 있다. 다만, 이에 한정되는 것은 아니며, 다양한 인공지능 모델이 본 발명에 적용될 수 있음은 물론이다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 인공지능 모델로서 사용될 수 있으나, 이에 한정되지 않는다.
이때, 합성곱 신경망(Convolutional deep Neural Networks, CNN)은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. 합성곱 신경망은 하나 또는 여러개의 합성곱 계층(convolutional layer)과 그 위에 올려진 일반적인 인공신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 합성곱 신경망은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 또한, 합성곱 신경망은 표준 역전달을 통해 훈련될 수 있다. 합성곱 신경망은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
또한, 심층 신경망(Deep Neural Networks, DNN)은 입력 계층(input layer)과 출력 계층(output layer) 사이에 복수개의 은닉 계층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)이다.
이때, 심층 신경망의 구조는 퍼셉트론(perceptron)으로 구성될 수 있다. 퍼셉트론은 여러 개의 입력 값(input)과 하나의 프로세서(prosessor), 하나의 출력 값으로 구성된다. 프로세서는 여러 개의 입력 값에 각각 가중치를 곱한 후, 가중치가 곱해진 입력 값들을 모두 합한다. 그 다음 프로세서는 합해진 값을 활성화함수에 대입하여 하나의 출력 값을 출력한다. 만약 활성화함수의 출력 값으로 특정한 값이 나오기를 원하는 경우, 각 입력 값에 곱해지는 가중치를 수정하고, 수정된 가중치를 이용하여 출력 값을 다시 계산할 수 있다. 이때, 각각의 퍼셉트론은 서로 다른 활성화함수를 사용할 수 있다. 또한 각각의 퍼셉트론은 이전 계층에서 전달된 출력들을 입력으로 받아들인 다음, 활성화 함수를 이용해서 출력을 구한다. 구해진 출력은 다음 계층의 입력으로 전달된다. 상술한 바와 같은 과정을 거치면 최종적으로 몇 개의 출력 값을 얻을 수 있다.
순환 신경망(Reccurent Neural Network, RNN)은 인공신경망을 구성하는 유닛 사이의 연결이 Directed cycle을 구성하는 신경망을 말한다. 순환 신경망은 앞먹임 신경망과 달리, 임의의 입력을 처리하기 위해 신경망 내부의 메모리를 활용할 수 있다.
심층 신뢰 신경망(Deep Belief Networks, DBN)이란 기계학습에서 사용되는 그래프 생성 모형(generative graphical model)으로, 딥 러닝에서는 잠재변수(latent variable)의 다중계층으로 이루어진 심층 신경망을 의미한다. 계층 간에는 연결이 있지만 계층 내의 유닛 간에는 연결이 없다는 특징이 있다.
심층 신뢰 신경망은 생성 모형이라는 특성상 선행학습에 사용될 수 있고, 선행학습을 통해 초기 가중치를 학습한 후 역전파 혹은 다른 판별 알고리즘을 통해 가중치의 미조정을 할 수 있다. 이러한 특성은 훈련용 데이터가 적을 때 굉장히 유용한데, 이는 훈련용 데이터가 적을수록 가중치의 초기값이 결과적인 모델에 끼치는 영향이 세지기 때문이다. 선행학습된 가중치 초기값은 임의로 설정된 가중치 초기값에 비해 최적의 가중치에 가깝게 되고 이는 미조정 단계의 성능과 속도향상을 가능케 한다.
상술한 인공지능 및 그 학습방법에 관한 내용은 예시를 위하여 서술된 것이며, 상술한 실시 예들에서 이용되는 인공지능 및 그 학습방법은 제한되지 않는다. 예를 들어, 당 업계의 통상의 기술자가 동일한 과제해결을 위하여 적용할 수 있는 모든 종류의 인공지능 기술 및 그 학습방법이 개시된 실시 예에 따른 시스템을 구현하는 데 활용될 수 있다.
한편, 프로세서(220)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.
일 실시예에 따른 프로세서(220)는 메모리(210)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 본 발명과 관련하여 설명된 방법을 수행한다.
예를 들어, 프로세서(220)는 메모리(210)에 저장된 하나 이상의 인스트럭션을 실행함으로써 신규 학습용 데이터를 획득하고, 학습된 모델을 이용하여, 획득된 신규 학습용 데이터에 대한 테스트를 수행하고, 테스트 결과, 라벨링된 정보가 소정의 제1 기준값 이상의 정확도로 획득되는 제1 학습용 데이터를 추출하고, 추출된 제1 학습용 데이터를 신규 학습용 데이터로부터 삭제하고, 추출된 학습용 데이터가 삭제된 신규 학습용 데이터를 이용하여 학습된 모델을 다시 학습시킬 수 있다.
한편, 프로세서(220)는 프로세서(220) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(220)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.
메모리(210)에는 프로세서(220)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(210)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.
통신부(230)는 전자 장치(100)와 통신을 수행할 수 있다. 특히, 통신부(230)는 와이파이 칩, 블루투스 칩, 무선 통신 칩, NFC칩, 저전력 블루투스 칩(BLE 칩) 등과 같은 다양한 통신 칩을 포함할 수 있다. 이때, 와이파이 칩, 블루투스 칩, NFC 칩은 각각 LAN 방식, WiFi 방식, 블루투스 방식, NFC 방식으로 통신을 수행한다. 와이파이 칩이나 블루투스칩을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신 하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 무선 통신칩은 IEEE, 지그비, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), 5G(5th Generation) 등과 같은 다양한 통신 규격에 따라 통신을 수행하는 칩을 의미한다.
도 3은 본 개시의 일 실시예에 따른 사용자 본인 인증 과정에 대한 흐름도이다.
도 3에 도시된 바와 같이, 본 발명의 일 면에 따른 안면 인식 및 라이브니스를 이용하여 비대면 본인 인증을 수행하는 시스템의 제어 방법은, 서버(200)가, 신분증의 진위 여부를 확인(S1)하고, 서버(200)가, 사용자 안면 이미지에 대해 라이브니스 여부를 판단(S2)하며, 서버(200)가, 신분증 이미지가 나타내는 안면과 사용자 이미지가 나타내는 안면 간의 일치 여부를 판단(S3)하고, 서버(200)가, 라이브니스 여부의 판단 결과와 안면 간의 일치 여부에 기초하여 사용자 본인 인증을 수행(S4)할 수 있다.
도 4는 본 개시의 일 실시예에 따른 전자 장치가 신분증 이미지를 획득하는 모습에 대한 예시도이다.
단계 S1에 대해 설명하면, 전자 장치(100)는, 디스플레이에 사용자가 신분증(ID)을 촬영하도록 하는 신분증 촬영 UI를 출력하여, 사용자가 신분증(ID)을 촬영하도록 할 수 있다.
이때, 전자 장치(100)는 카메라로부터 촬영되는 이미지로부터 신분증이 인식되면 해당 이미지를 신분증 이미지로 획득하는 오토스캔 기능을 통해 신분증 이미지를 획득할 수 있다.
다른 실시 예에 따르면, 전자 장치(100)는 촬영 버튼을 디스플레이에 표시하고, 사용자로부터 촬영 버튼이 선택 입력되면, 촬영 버튼이 선택 입력된 입력 시점에 카메라를 이용하여 신분증 이미지를 획득할 수 있다.
이후, 전자 장치(100)는 신분증(ID)을 촬영하여 생성된 신분증 이미지(ID-I)로부터 문자(ID-C)를 인식하여 신분증 정보를 생성할 수 있다.
이를 위해, 전자 장치(100)는 문자 판독 모듈을 이용하여 문자(ID-C)를 인식할 수 있다.
여기서, 신분증 정보는 신분증 종류 정보, 신분증 고유 정보(예를 들어, 주민등록번호), 신분증 유효일 정보, 신분증 발급일 정보, 신분증이 나타내는 신원의 이름 정보 및 주소 정보 중 하나 이상을 포함할 수 있다.
한편, 전자 장치(100)는 신분증 이미지(ID-I)로부터 신분증 외곽선을 인식하고, 상술된 신분증 정보 중 일부 정보를 신분증 이미지(ID-I)에서 블라인드 처리할 수 있다.
여기서, 신분증은 실물의 주민등록증, 운전면허증, 여권 중 어느 하나일 수 있다.
한편, 신분증은 모바일 운전면허증, 모바일 주민등록증, 전자 여권 중 어느 하나 일 수도 있다. 이때, 전자 장치(100)는 신분증을 촬영하지 않고, 전자적 방법을 통해 모바일 운전면허증, 모바일 주민등록증, 전자 여권으로부터 신분증 정보를 획득할 수 있다.
전자 장치(100)는 생성된 신분증 정보를 서버(200)로 송신할 수 있다.
한편, 전자 장치(100)를 대신하여 서버(200)가 상술된 문자 인식을 통한 신분증 정보의 생성을 수행할 수 있다.
이를 위해, 전자 장치(100)는 신분증(ID)을 촬영하여 생성된 신분증 이미지(ID-I)를 서버(200)로 송신하고, 서버(200)는 신분증 이미지(ID-I)로부터 문자(ID-C)를 인식하여 신분증 정보를 생성할 수 있다.
이를 위해, 서버(200)는 문자 판독 모듈을 이용하여 문자(ID-C)를 인식할 수 있다.
서버(200)는 신분증 정보에 기초하여 신분증의 진위 여부를 확인 기관 서버에 확인 요청할 수 있다.
이를 위해, 서버(200)는 확인 기관 서버로 신분증 정보와 함께 진위 여부 확인 요청 신호를 송신할 수 있다.
이후, 서버(200)는 신분증의 진위 여부 확인 요청에 대한 응답으로 신분증의 진위 여부를 나타내는 신분증 진위 정보를 확인 기관 서버로부터 수신할 수 있다.
여기서, 확인 기관 서버는 신분증을 발급한 기관이 해당 신분증의 진위 여부에 대한 확인 결과를 제공하기 위해 운영하는 서버일 수 있다.
서버(200)는 수신된 신분증 진위 정보를 전자 장치(100)로 송신할 수 있다.
전자 장치(100)는 수신된 신분증 진위 정보가 신분증이 진짜임을 나타내면 신분증이 가짜임을 알리는 메시지를 출력할 수 있다.
또한, 전자 장치(100)는 수신된 신분증 진위 정보가 신분증이 진짜임을 나타내면 후속되는 사용자 안면 이미지에 대해 라이브니스 여부를 판단하는 과정에서 요구되는 이미지, 데이터 및 값을 획득하거나 생성할 수 있다.
반대로, 전자 장치(100)는 수신된 신분증 진위 정보가 신분증이 가짜임을 나타내면 신분증이 가짜임을 알리는 메시지와 진짜인 신분증의 촬영을 요청하는 메시지를 출력할 수 있다.
또한, 전자 장치(100)는 신분증 촬영 및 신분증 정보 생성을 재수행하여 서버(200)로 신분증 정보를 송신할 수 있다.
도 5 및 도 6은 본 개시의 일 실시예에 따른 전자 장치가 사용자 이미지를 획득하는 모습에 대한 예시도이다.
단계 S2에 대해 설명하면, 전자 장치(100)는 디스플레이에 사용자가 사용자 자신을 촬영하도록 하는 사용자 촬영 UI를 출력하여, 사용자(U)가 자기 자신을 촬영하도록 할 수 있다.
이때, 전자 장치(100)는 사용자가 특정 포즈 및 특정 표정을 취하도록 유도하지 않고 임의의 포즈 및 임의의 표정을 취한 사용자를 촬영하여 패시브 라이브니스 여부를 판단할 수 있다.
이후, 전자 장치(100)는 사용자를 촬영하여 생성된 사용자 이미지(U-I) 내의 사용자 안면 이미지(U-FI)로부터 복수의 제2 안면 특징점을 추출하고, 복수의 제2 안면 특징점으로 구성된 제2 안면 특징점 데이터를 생성할 수 있다.
여기서, 복수의 제2 안면 특징점은 사용자 안면 이미지(U-FI)가 나타내는 안면의 특징에 대한 정보일 수 있다. 예를 들어, 복수의 제2 안면 특징점은 안면 세부 부위(눈꼬리, 입꼬리, 코끝 등) 각각의 좌표 정보, 각 좌표 정보에 대응되는 위치의 단위 이미지의 색상값, 각 좌표 정보에 대응되는 위치의 단위 이미지의 노출값, 각 좌표 정보의 변화값, 각 좌표 정보에 대응되는 이미지의 깊이값(카메라와 객체 간의 거리), 깊이값의 변화값, 색상값의 변화값, 노출값의 변화값을 포함할 수 있다.
이를 위해, 전자 장치(100)는 사전에 학습된 3D 얼굴 기하 모델을 이용하여 사용자 안면 이미지(U-FI)로부터 10,000개 이상의 안면 특징점을 추출할 수 있다.
전자 장치(100)는 제2 안면 특징점 데이터를 암호화 및 토큰화하여 제2 안면 템플릿 데이터를 생성할 수 있다.
이후, 전자 장치(100)는 제2 안면 템플릿 데이터를 서버(200)로 송신할 수 있다.
도 7은 본 개시의 일 실시예에 따른 서버가 인공지능 모델을 이용하여 안면 이미지에 대한 안면 라이브니스 값을 획득하는 과정을 설명하기 위한 도면이다.
도 7을 더 참조하면, 서버(200)는 전자 장치(100)로부터 제2 안면 템플릿 데이터(U-FT)를 수신하면, 제2 인공지능 모델(M2)에 제2 안면 템플릿 데이터(U-FT)를 입력하여, 사용자 안면 이미지(U-FI)의 안면 라이브니스 값을 획득할 수 있다.
여기서, 이미지에 대한 라이브니스 여부는 이미지가 실제 대상으로부터 획득된 이미지인지를 나타내는 것으로써, 라이브니스 값은 실제 대상으로부터 이미지가 획득되었을 확률을 나타내는 값일 수 있다.
이에 따라, 안면 라이브니스 값은 해당 안면 템플릿 데이터에 대응되는 안면 이미지가 실제 대상(사용자)으로부터 획득되었을 확률을 나타내는 값일 수 있다.
예를 들어, 안면 라이브니스 값이 100%에 가까울수록 해당 안면 템플릿 데이터에 대응되는 안면 이미지가 실제 대상(사용자)으로부터 획득되었을 확률이 높음을 나타낼 수 있다.
반대로, 안면 라이브니스 값이 0%에 가까울수록 해당 안면 템플릿 데이터에 대응되는 안면 이미지가 실제 대상(사용자)이 아닌 사용자 안면이 미리 쵤영된 사진, 영상 및 사용자 안면 형상의 가면 등으로부터 획득되었을 확률이 높음을 나타낼 수 있다.
한편, 제2 인공지능 모델(M2)은 안면 이미지의 안면 라이브니스 값을 결정하도록 훈련된 인공지능 모델일 수 있다.
이를 위해, 서버(200)는 안면 라이브니스 값을 출력하는 제2 인공지능 모델을 훈련시키는 인공지능 훈련 모듈을 구비할 수 있다.
구체적으로, 서버(200)는 안면 이미지로부터 생성된 안면 템플릿 데이터 및 안면 템플릿 데이터에 대해 미리 정해진 안면 라이브니스 값으로 구성된 학습 데이터를 이용하여 제2 인공지능 모델(M2)을 학습시킬 수 있다.
이를 통해, 서버(200)는 제2 인공지능 모델(M2)에 입력 데이터로써 제2 안면 템플릿 데이터(U-FT)를 입력하고, 제2 인공지능 모델(M2)의 출력 데이터로써 안면 라이브니스 값을 획득할 수 있다.
서버(200)는 획득된 안면 라이브니스 값이 기준 안면 라이브니스 값을 초과하면 사용자 안면 이미지(U-FI)가 실제 사용자로부터 촬영된 이미지인 것으로 판단하여 사용자 안면 이미지(U-FI)가 라이브니스를 가지는 것으로 판단할 수 있다.
반대로, 서버(200)는 획득된 안면 라이브니스 값이 기준 안면 라이브니스 값을 초과하지 않으면 사용자 안면 이미지(U-FI)가 실제 사용자로부터 촬영된 이미지가 아닌 것으로 판단하여 사용자 안면 이미지(U-FI)가 라이브니스를 가지지 않는 것으로 판단할 수 있다.
서버(200)는 안면 라이브니스 값에 따른 사용자 안면 이미지(U-FI)의 라이브니스 여부에 대한 판단 결과를 전자 장치(100)로 송신할 수 있다.
전자 장치(100)는 사용자 안면 이미지(U-FI)의 라이브니스 여부에 대한 판단 결과가 라이브니스를 가짐을 나타내면, 사용자 안면 이미지(U-FI)가 라이브니스를 가짐을 알리는 메시지를 출력할 수 있다.
또한, 전자 장치(100)는 사용자 안면 이미지(U-FI)의 라이브니스 여부에 대한 판단 결과가 라이브니스를 가짐을 나타내면, 후속되는 신분증 이미지가 나타내는 안면과 사용자 이미지가 나타내는 안면 간의 일치 여부를 판단하는 과정에서 요구되는 이미지, 데이터 및 값을 획득하거나 생성할 수 있다.
반대로, 전자 장치(100)는 사용자 안면 이미지(U-FI)의 라이브니스 여부에 대한 판단 결과가 라이브니스를 가지지 않음을 나타내면, 사용자 안면 이미지(U-FI)가 라이브니스를 가지지 않음을 알리는 메시지를 출력할 수 있다.
또한, 전자 장치(100)는 사용자 안면 이미지(U-FI)의 라이브니스 여부에 대한 판단 결과가 라이브니스를 가지지 않음을 나타내면 사용자의 안면을 재촬영 요청하는 메시지를 출력하고, 사용자 안면 이미지(U-FI)가 포함된 사용자 이미지(U-I)를 재촬영하며, 제2 안면 템플릿 데이터(U-FT)의 생성을 재수행하여 서버(200)로 송신할 수 있다.
한편, 도 4를 다시 참조하여 단계 S3를 설명하면, 전자 장치(100)는 상술된 신분증 진위 여부의 확인 결과, 진짜인 것으로 확인된 신분증(ID)의 신분증 이미지(ID-I) 내의 신분증 안면 이미지(ID-FI)로부터 복수의 제1 안면 특징점을 추출하고, 복수의 제1 안면 특징점으로 구성된 제1 안면 특징점 데이터를 생성할 수 있다.
여기서, 복수의 제1 안면 특징점은 신분증 안면 이미지(ID-FI)가 나타내는 안면의 특징에 대한 정보일 수 있다. 예를 들어, 복수의 제1 안면 특징점은 안면 세부 부위(눈꼬리, 입꼬리, 코끝 등) 각각의 좌표 정보, 각 좌표 정보에 대응되는 위치의 단위 이미지의 색상값, 각 좌표 정보에 대응되는 위치의 단위 이미지의 노출값, 각 좌표 정보의 변화값, 각 좌표 정보에 대응되는 이미지의 깊이값(카메라와 객체 간의 거리), 깊이값의 변화값, 색상값의 변화값, 노출값의 변화값을 포함할 수 있다.
이를 위해, 전자 장치(100)는 사전에 학습된 3D 얼굴 기하 모델을 이용하여 신분증 안면 이미지(ID-FI)로부터 10,000개 이상의 안면 특징점을 추출할 수 있다.
전자 장치(100)는 제1 안면 특징점 데이터를 암호화 및 토큰화하여 제1 안면 템플릿 데이터를 생성할 수 있다.
이후, 전자 장치(100)는 제1 안면 템플릿 데이터를 서버(200)로 송신할 수 있다.
도 8은 본 개시의 일 실시예에 따른 서버가 인공지능 모델을 이용하여 두 안면 이미지 각각이 나타내는 안면 간의 안면 일치 값을 획득하는 과정을 설명하기 위한 도면이다.
서버(200)는 전자 장치(100)로부터 제1 안면 템플릿 데이터(ID-FT)를 수신하면, 수신된 제1 안면 템플릿 데이터(ID-FT)와 라이브니스를 가지는 것으로 판단된 제2 안면 템플릿 데이터(U-FT)를 제1 인공지능 모델(M1)에 입력하여, 신분증 안면 이미지(ID-FI)가 나타내는 안면 및 사용자 안면 이미지(U-FI)가 나타내는 제2 안면 간에 안면 일치 값을 획득할 수 있다.
여기서, 안면 일치 여부는 두 안면 이미지가 각각 나타내는 안면이 동일한 안면인지를 나타내는 것으로써, 안면 일치 값은 두 안면 이미지가 각각 나타내는 안면이 동일한 정도를 나타내는 값일 수 있다.
예를 들어, 안면 일치 값이 100%에 가까울수록 두 안면 이미지가 각각 나타내는 안면이 동일한 안면일 확률이 높음을 나타낼 수 있다.
반대로, 안면 일치 값이 0%에 가까울수록 두 안면 이미지가 각각 나타내는 안면이 동일하지 않은 안면일 확률이 높음을 나타낼 수 있다.
한편, 제1 인공지능 모델(M1)은 안면 이미지의 안면 일치 값을 결정하도록 훈련된 인공지능 모델일 수 있다.
이를 위해, 서버(200)는 안면 일치 값을 출력하는 제1 인공지능 모델을 훈련시키는 인공지능 훈련 모듈을 구비할 수 있다.
구체적으로, 서버(200)는 두 안면 이미지로부터 각각 생성된 안면 템플릿 데이터 및 두 안면 이미지에 대해 미리 정해진 안면 일치 값으로 구성된 학습 데이터를 이용하여 제1 인공지능 모델(M1)을 학습시킬 수 있다.
이를 통해, 서버(200)는 제1 인공지능 모델(M1)에 입력 데이터로써 제1 안면 템플릿 데이터(ID-FT) 및 제2 안면 템플릿 데이터(U-FT)를 입력하고, 제1 인공지능 모델(M1)의 출력 데이터로써 안면 일치 값을 획득할 수 있다.
서버(200)는 획득된 안면 일치 값이 기준 안면 일치 값을 초과하면 신분증 안면 이미지(ID-FI)가 나타내는 안면과 사용자 안면 이미지(U-FI)가 나타내는 안면이 동일 즉, 일치하는 것으로 판단할 수 있다.
반대로, 서버(200)는 획득된 안면 일치 값이 기준 안면 일치 값을 초과하지 않으면 신분증 안면 이미지(ID-FI)가 나타내는 안면과 사용자 안면 이미지(U-FI)가 나타내는 안면이 동일하지 않는 즉, 불일치하는 것으로 판단할 수 있다.
서버(200)는 안면 일치 값에 따른 신분증 안면 이미지(ID-FI)가 나타내는 안면과 사용자 안면 이미지(U-FI)가 나타내는 안면 간의 일치 여부에 대한 판단 결과를 전자 장치(100)로 송신할 수 있다.
전자 장치(100)는 안면 일치 값에 따른 신분증 안면 이미지(ID-FI)가 나타내는 안면과 사용자 안면 이미지(U-FI)가 나타내는 안면 간의 일치 여부에 대한 판단 결과를 메시지로 출력할 수 있다.
단계 S4를 설명하면, 서버(200)는 안면 일치 값 및 안면 라이브니스 값에 기초하여 신분증의 신원이 사용자인지를 판단하는 사용자 본인 인증을 수행할 수 있다.
또한, 서버(200)는 신분증 진위 정보에 더 기초하여 신분증의 신원이 사용자인지를 판단하는 사용자 본인 인증을 수행할 수 있다.
구체적으로, 서버(200)는 S1 단계에서 촬영된 신분증이 신분증 발급 기관에서 발급된 신분증이며 위조 신분증이 아님이 확인되고, S2 단계에서 사용자 안면 이미지가 라이브니스를 가지는 것으로 판단되고, S3 단계에서 신분증 안면 이미지의 안면과 사용자 안면 이미지의 안면이 일치하는 것으로 판단되면 신분증의 신원이 사용자인 것으로 판단하여 사용자 본인 인증을 수행할 수 있다.
이때, 서버(200)는 S1 단계를 생략하고, S2 단계에서 사용자 안면 이미지가 라이브니스를 가지는 것으로 판단되고, S3 단계에서 신분증 안면 이미지의 안면과 사용자 안면 이미지의 안면이 일치하는 것으로 판단되면 신분증의 신원이 사용자인 것으로 판단하여 사용자 본인 인증을 수행할 수도 있다.
서버(200)는 수행된 사용자 본인 인증 결과를 전자 장치(100)로 송신하고, 전자 장치(100)는 수신된 사용자 본인 인증 결과를 메시지로 출력할 수 있다.
또한, 서버(200)는 수행된 사용자 본인 인증 결과를 인증 요청 서버로 송신할 수 있다. 인증 요청 서버는 사용자에 대해 사용자 본인 인증을 요청한 주체가 운영하는 서버일 수 있다. 예를 들어, 인증 요청 서버는 금융사 서버일 수 있다.
한편, 다른 실시 예에 따른 전자 장치(100)는 사용자 본인 인증을 시도하는 사용자의 위치 정보를 획득하고, 획득된 사용자의 위치 정보를 서버(200)로 송신할 수 있다.
이후, 다른 실시 예에 따른 서버(100)는 신분증 정보 중에서 주소 정보가 나타내는 주소의 위치에 대응되는 국가 정보를 확인할 수 있다.
이후, 다른 실시 예에 따른 서버(100)는 위치 정보가 나타내는 사용자의 위치가 국가 정보가 나타내는 국가 내에 포함되는지 여부를 판단할 수 있다.
이를 위해, 다른 실시 예에 따른 서버(100)는 국가 별 영역 정보 및 국가 별 주소 정보를 미리 참조 데이터를 획득해둘 수 있다.
다른 실시 예에 따른 서버(100)는 위치 정보가 나타내는 사용자의 위치가 국가 정보가 나타내는 국가 내에 포함되는 경우에만 상술된 안면 일치 여부 판단(S3 단계) 및 사용자 본인 인증(S4 단계)을 수행할 수 있다.
이에 따라, 다른 실시 예에 따른 서버(100)는 신분증 진위 여부 확인(S1 단계)을 수행한 이후, 위치 정보가 나타내는 사용자의 위치가 국가 정보가 나타내는 국가 내에 포함되는지 여부를 판단할 수 있다.
이후, 다른 실시 예에 따른 서버(100)는 위치 정보가 나타내는 사용자의 위치가 국가 정보가 나타내는 국가 내에 포함되지 않는 경우, 상술된 안면 일치 여부 판단(S3 단계) 및 사용자 본인 인증(S4 단계)을 수행하지 않을 수 있다.
반대로, 다른 실시 예에 따른 서버(100)는 위치 정보가 나타내는 사용자의 위치가 국가 정보가 나타내는 국가 내에 포함되는 경우, 상술된 안면 일치 여부 판단(S3 단계) 및 사용자 본인 인증(S4 단계)을 수행할 수 있다.
한편, 또 다른 실시 예에 따른 서버(100)는 주소 정보가 나타내는 주소의 위치와 위치 정보가 나타내는 사용자의 위치 간의 이격 거리에 기초하여 기준 안면 일치 값 및 기준 안면 라이브니스 값 중 하나 이상을 보정할 수 있다.
구체적으로, 또 다른 실시 예에 따른 서버(100)는 이격 거리가 길수록 기준 안면 일치 값 및 기준 안면 라이브니스 값 중 하나 이상이 상향되도록 보정할 수 있다.
이를 통해, 주소의 위치와 사용자의 위치가 먼 경우, 인증의 난도를 높혀 보안성을 향상시킬 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
또한, 본 발명의 서로 다른 실시예들은 상호 보완되거나 결합될 수 있다.
본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler), 파이썬(Python) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
100 : 전자 장치
200 : 서버
200 : 서버
Claims (7)
- 전자 장치 및 서버를 포함하는 시스템의 제어 방법에 있어서,
상기 전자 장치가, 신분증을 촬영하여 생성된 신분증 이미지 내의 신분증 안면 이미지로부터 제1 안면 템플릿 데이터를 생성하는 단계;
상기 전자 장치가, 사용자를 촬영하여 생성된 사용자 이미지 내의 사용자 안면 이미지로부터 제2 안면 템플릿 데이터를 생성하는 단계;
상기 서버가, 두 안면 이미지 각각이 나타내는 안면 간에 안면 일치 값을 결정하도록 훈련된 제1 인공지능 모델에 상기 제1 안면 템플릿 데이터 및 상기 제2 안면 템플릿 데이터를 입력하여, 상기 신분증 안면 이미지가 나타내는 안면 및 상기 사용자 안면 이미지가 나타내는 안면 간에 안면 일치 값을 획득하는 단계;
상기 서버가, 안면 이미지의 안면 라이브니스 값을 결정하도록 훈련된 제2 인공지능 모델에 상기 제2 안면 템플릿 데이터를 입력하여, 상기 사용자 안면 이미지의 안면 라이브니스 값을 획득하는 단계; 및
상기 서버가, 상기 안면 일치 값 및 상기 안면 라이브니스 값에 기초하여 상기 신분증의 신원이 상기 사용자인지를 판단하는 사용자 본인 인증을 수행하는 단계;를 포함하고,
상기 제1 안면 템플릿 데이터를 생성하는 단계는,
상기 전자 장치가, 상기 신분증 안면 이미지로부터 복수의 제1 안면 특징점을 추출하여 제1 안면 특징점 데이터를 생성하는 단계; 및
상기 전자 장치가, 상기 제1 안면 특징점 데이터를 암호화 및 토큰화하여 상기 제1 안면 템플릿 데이터를 생성하는 단계;를 포함하고,
상기 복수의 제1 안면 특징점은
상기 신분증 안면 이미지가 나타내는 안면에 대한 안면 세부 부위 각각의 제1 좌표 정보, 상기 제1 좌표 정보 각각에 대응되는 단위 이미지들의 색상값, 상기 제1 좌표 정보 각각에 대응되는 단위 이미지들의 노출값을 포함하고,
상기 제2 안면 템플릿 데이터를 생성하는 단계는,
상기 전자 장치가, 상기 사용자 안면 이미지로부터 복수의 제2 안면 특징점을 추출하여 제2 안면 특징점 데이터를 생성하는 단계; 및
상기 전자 장치가, 상기 제2 안면 특징점 데이터를 암호화 및 토큰화하여 상기 제2 안면 템플릿 데이터를 생성하는 단계;를 포함하고,
상기 복수의 제2 안면 특징점은
상기 사용자 안면 이미지가 나타내는 안면에 대한 안면 세부 부위 각각의 제2 좌표 정보, 상기 제2 좌표 정보 각각에 대응되는 단위 이미지들의 색상값, 상기 제2 좌표 정보 각각에 대응되는 단위 이미지들의 노출값, 상기 제2 좌표 정보 각각에 대응되는 단위 이미지들의 깊이값을 포함하고,
상기 깊이값은
상기 사용자 안면 이미지가 나타내는 안면의 안면 세부 부위인 객체와 카메라 간의 거리이고,
상기 시스템의 제어 방법은
상기 서버가, 두 안면 이미지로부터 각각 생성된 안면 템플릿 데이터 및 두 안면 이미지에 대해 미리 정해진 안면 일치 값으로 구성된 학습 데이터를 이용하여 상기 제1 인공지능 모델을 학습시키는 단계; 및
상기 서버가, 안면 이미지로부터 생성된 안면 템플릿 데이터 및 안면 템플릿 데이터에 대해 미리 정해진 안면 라이브니스 값으로 구성된 학습 데이터를 이용하여 상기 제2 인공지능 모델을 학습시키는 단계;를 더 포함하고,
상기 사용자 본인 인증을 수행하는 단계는,
상기 서버가, 상기 안면 일치 값이 기준 안면 일치 값을 초과하는지 여부를 판단하는 단계;
상기 서버가, 상기 안면 라이브니스 값이 기준 안면 라이브니스 값을 초과하는지 여부를 판단하는 단계; 및
상기 서버가, 상기 안면 일치 값이 상기 기준 안면 일치 값을 초과하고, 상기 안면 라이브니스 값이 상기 기준 안면 라이브니스 값을 초과하면, 상기 신분증의 신원이 상기 사용자인 것으로 판단하는 단계;를 포함하는, 시스템의 제어 방법.
- 삭제
- 삭제
- 삭제
- ◈청구항 5은(는) 설정등록료 납부시 포기되었습니다.◈제1항에 있어서,
상기 전자 장치 또는 상기 서버가, 상기 신분증 이미지로부터 문자를 인식하여 신분증 정보를 생성하는 단계;
상기 서버가, 상기 신분증 정보에 기초하여 상기 신분증의 진위 여부를 확인 요청하는 단계; 및
상기 서버가, 상기 확인 요청의 응답으로 상기 신분증의 진위 여부를 나타내는 신분증 진위 정보를 수신하는 단계;를 포함하는, 시스템의 제어 방법.
- ◈청구항 6은(는) 설정등록료 납부시 포기되었습니다.◈제5항에 있어서,
상기 사용자 본인 인증을 수행하는 단계는,
상기 서버가, 상기 안면 일치 값 및 상기 안면 라이브니스 값 외에 상기 신분증 진위 정보를 더 기초하여 상기 신분증의 신원이 상기 사용자인지 여부를 판단하고,
상기 신분증의 신원이 상기 사용자인지 여부를 판단하는 단계는,
상기 서버가, 상기 안면 일치 값이 기준 안면 일치 값을 초과하고, 상기 안면 라이브니스 값이 기준 안면 라이브니스 값을 초과하고, 상기 신분증 진위 정보가 상기 신분증이 진짜임을 나타내면, 상기 신분증의 신원이 상기 사용자인 것으로 판단하는 단계;를 포함하는, 시스템의 제어 방법.
- 서버의 제어 방법에 있어서,
상기 서버가, 신분증을 촬영하여 생성된 신분증 이미지 내의 신분증 안면 이미지로부터 생성된 제1 안면 템플릿 데이터를 수신하는 단계;
상기 서버가, 사용자를 촬영하여 생성된 사용자 이미지 내의 사용자 안면 이미지로부터 생성된 제2 안면 템플릿 데이터를 수신하는 단계;
상기 서버가, 두 안면 이미지 각각이 나타내는 안면 간에 안면 일치 값을 결정하도록 훈련된 제1 인공지능 모델에 상기 제1 안면 템플릿 데이터 및 상기 제2 안면 템플릿 데이터를 입력하여, 상기 신분증 안면 이미지가 나타내는 제1 안면 및 상기 사용자 안면 이미지가 나타내는 제2 안면 간에 안면 일치 값을 획득하는 단계;
상기 서버가, 안면 이미지의 안면 라이브니스 값을 결정하도록 훈련된 제2 인공지능 모델에 상기 제2 안면 템플릿 데이터를 입력하여, 상기 사용자 안면 이미지의 안면 라이브니스 값을 획득하는 단계; 및
상기 서버가, 상기 안면 일치 값 및 상기 안면 라이브니스 값에 기초하여 상기 신분증의 신원이 상기 사용자인지를 판단하는 사용자 본인 인증을 수행하는 단계;를 포함하고,
상기 제1 안면 템플릿 데이터는
상기 신분증 안면 이미지로부터 복수의 제1 안면 특징점이 추출되어 생성된 제1 안면 특징점 데이터가 암호화 및 토큰화되어 생성되고,
상기 복수의 제1 안면 특징점은
상기 신분증 안면 이미지가 나타내는 안면에 대한 안면 세부 부위 각각의 제1 좌표 정보, 상기 제1 좌표 정보 각각에 대응되는 단위 이미지들의 색상값, 상기 제1 좌표 정보 각각에 대응되는 단위 이미지들의 노출값을 포함하고,
상기 제2 안면 템플릿 데이터는
상기 사용자 안면 이미지로부터 복수의 제2 안면 특징점이 추출되어 생성된 제2 안면 특징점 데이터가 암호화 및 토큰화되어 생성되고,
상기 복수의 제2 안면 특징점은
상기 사용자 안면 이미지가 나타내는 안면에 대한 안면 세부 부위 각각의 제2 좌표 정보, 상기 제2 좌표 정보 각각에 대응되는 단위 이미지들의 색상값, 상기 제2 좌표 정보 각각에 대응되는 단위 이미지들의 노출값, 상기 제2 좌표 정보 각각에 대응되는 단위 이미지들의 깊이값을 포함하고,
상기 깊이값은
상기 사용자 안면 이미지가 나타내는 안면의 안면 세부 부위인 객체와 카메라 간의 거리이고,
상기 서버의 제어 방법은
상기 서버가, 두 안면 이미지로부터 각각 생성된 안면 템플릿 데이터 및 두 안면 이미지에 대해 미리 정해진 안면 일치 값으로 구성된 학습 데이터를 이용하여 상기 제1 인공지능 모델을 학습시키는 단계; 및
상기 서버가, 안면 이미지로부터 생성된 안면 템플릿 데이터 및 안면 템플릿 데이터에 대해 미리 정해진 안면 라이브니스 값으로 구성된 학습 데이터를 이용하여 상기 제2 인공지능 모델을 학습시키는 단계;를 더 포함하고,
상기 사용자 본인 인증을 수행하는 단계는,
상기 서버가, 상기 안면 일치 값이 기준 안면 일치 값을 초과하는지 여부를 판단하는 단계;
상기 서버가, 상기 안면 라이브니스 값이 기준 안면 라이브니스 값을 초과하는지 여부를 판단하는 단계; 및
상기 서버가, 상기 안면 일치 값이 상기 기준 안면 일치 값을 초과하고, 상기 안면 라이브니스 값이 상기 기준 안면 라이브니스 값을 초과하면, 상기 신분증의 신원이 상기 사용자인 것으로 판단하는 단계;를 포함하는, 서버의 제어 방법.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220113011A KR102502685B1 (ko) | 2022-09-06 | 2022-09-06 | 안면 인식 및 라이브니스를 이용하여 비대면 본인 인증을 수행하는 전자 장치 및 서버를 포함하는 시스템의 제어 방법 |
| KR1020230020858A KR102640356B1 (ko) | 2022-09-06 | 2023-02-16 | 안면 템플릿 데이터로 학습된 인공지능 모델을 이용한 비대면 본인 인증 시스템의 제어 방법 |
| KR1020230020859A KR102640357B1 (ko) | 2022-09-06 | 2023-02-16 | 안면 이미지의 색상값, 노출값 및 깊이값을 이용한 비대면 본인 인증 시스템의 제어 방법 |
| PCT/KR2023/012987 WO2024053932A1 (ko) | 2022-09-06 | 2023-08-31 | 안면 인식 및 라이브니스를 이용하여 비대면 본인 인증을 수행하는 전자 장치 및 서버를 포함하는 시스템의 제어 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220113011A KR102502685B1 (ko) | 2022-09-06 | 2022-09-06 | 안면 인식 및 라이브니스를 이용하여 비대면 본인 인증을 수행하는 전자 장치 및 서버를 포함하는 시스템의 제어 방법 |
Related Child Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230020859A Division KR102640357B1 (ko) | 2022-09-06 | 2023-02-16 | 안면 이미지의 색상값, 노출값 및 깊이값을 이용한 비대면 본인 인증 시스템의 제어 방법 |
| KR1020230020858A Division KR102640356B1 (ko) | 2022-09-06 | 2023-02-16 | 안면 템플릿 데이터로 학습된 인공지능 모델을 이용한 비대면 본인 인증 시스템의 제어 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102502685B1 true KR102502685B1 (ko) | 2023-02-23 |
Family
ID=85329945
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220113011A KR102502685B1 (ko) | 2022-09-06 | 2022-09-06 | 안면 인식 및 라이브니스를 이용하여 비대면 본인 인증을 수행하는 전자 장치 및 서버를 포함하는 시스템의 제어 방법 |
| KR1020230020858A KR102640356B1 (ko) | 2022-09-06 | 2023-02-16 | 안면 템플릿 데이터로 학습된 인공지능 모델을 이용한 비대면 본인 인증 시스템의 제어 방법 |
| KR1020230020859A KR102640357B1 (ko) | 2022-09-06 | 2023-02-16 | 안면 이미지의 색상값, 노출값 및 깊이값을 이용한 비대면 본인 인증 시스템의 제어 방법 |
Family Applications After (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230020858A KR102640356B1 (ko) | 2022-09-06 | 2023-02-16 | 안면 템플릿 데이터로 학습된 인공지능 모델을 이용한 비대면 본인 인증 시스템의 제어 방법 |
| KR1020230020859A KR102640357B1 (ko) | 2022-09-06 | 2023-02-16 | 안면 이미지의 색상값, 노출값 및 깊이값을 이용한 비대면 본인 인증 시스템의 제어 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (3) | KR102502685B1 (ko) |
| WO (1) | WO2024053932A1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102646405B1 (ko) * | 2023-12-26 | 2024-03-11 | 보이스아이 주식회사 | 안면과 지문을 이용한 신분증명 방법 |
| WO2024053932A1 (ko) * | 2022-09-06 | 2024-03-14 | 페이스피에이팍 유한회사 | 안면 인식 및 라이브니스를 이용하여 비대면 본인 인증을 수행하는 전자 장치 및 서버를 포함하는 시스템의 제어 방법 |
| KR102741027B1 (ko) * | 2024-05-16 | 2024-12-10 | 주식회사 메사쿠어컴퍼니 | 안면인식을 통한 의료시설의 신원 인증 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102324779B1 (ko) * | 2021-06-17 | 2021-11-11 | 주식회사 큐버모티브 | 본인 인증 시스템 |
| KR20220067918A (ko) * | 2020-11-18 | 2022-05-25 | 한국전자통신연구원 | 디지털 신분증을 이용한 얼굴 인증 장치 및 방법 |
| KR20220074147A (ko) * | 2020-11-27 | 2022-06-03 | 주식회사 유스비 | 비대면 본인인증 시스템 및 그 방법 |
| KR20220081476A (ko) | 2020-12-09 | 2022-06-16 | 도시공유플랫폼 주식회사 | 본인 인증을 위해 인공지능 카메라를 활용한 이상행동 감지 시스템 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10693872B1 (en) * | 2019-05-17 | 2020-06-23 | Q5ID, Inc. | Identity verification system |
| KR102213445B1 (ko) * | 2020-06-02 | 2021-02-05 | 주식회사 카카오뱅크 | 학습된 신경망을 이용한 신분 인증 방법 및 이를 수행하는 시스템 |
| KR102502685B1 (ko) * | 2022-09-06 | 2023-02-23 | 페이스피에이팍 유한회사 | 안면 인식 및 라이브니스를 이용하여 비대면 본인 인증을 수행하는 전자 장치 및 서버를 포함하는 시스템의 제어 방법 |
-
2022
- 2022-09-06 KR KR1020220113011A patent/KR102502685B1/ko active IP Right Grant
-
2023
- 2023-02-16 KR KR1020230020858A patent/KR102640356B1/ko active IP Right Grant
- 2023-02-16 KR KR1020230020859A patent/KR102640357B1/ko active IP Right Grant
- 2023-08-31 WO PCT/KR2023/012987 patent/WO2024053932A1/ko unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220067918A (ko) * | 2020-11-18 | 2022-05-25 | 한국전자통신연구원 | 디지털 신분증을 이용한 얼굴 인증 장치 및 방법 |
| KR20220074147A (ko) * | 2020-11-27 | 2022-06-03 | 주식회사 유스비 | 비대면 본인인증 시스템 및 그 방법 |
| KR20220081476A (ko) | 2020-12-09 | 2022-06-16 | 도시공유플랫폼 주식회사 | 본인 인증을 위해 인공지능 카메라를 활용한 이상행동 감지 시스템 |
| KR102324779B1 (ko) * | 2021-06-17 | 2021-11-11 | 주식회사 큐버모티브 | 본인 인증 시스템 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024053932A1 (ko) * | 2022-09-06 | 2024-03-14 | 페이스피에이팍 유한회사 | 안면 인식 및 라이브니스를 이용하여 비대면 본인 인증을 수행하는 전자 장치 및 서버를 포함하는 시스템의 제어 방법 |
| KR102646405B1 (ko) * | 2023-12-26 | 2024-03-11 | 보이스아이 주식회사 | 안면과 지문을 이용한 신분증명 방법 |
| KR102741027B1 (ko) * | 2024-05-16 | 2024-12-10 | 주식회사 메사쿠어컴퍼니 | 안면인식을 통한 의료시설의 신원 인증 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102640357B1 (ko) | 2024-02-27 |
| KR102640356B1 (ko) | 2024-02-26 |
| WO2024053932A1 (ko) | 2024-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11936647B2 (en) | Identity verification method and apparatus, storage medium, and computer device | |
| KR102502685B1 (ko) | 안면 인식 및 라이브니스를 이용하여 비대면 본인 인증을 수행하는 전자 장치 및 서버를 포함하는 시스템의 제어 방법 | |
| US11973877B2 (en) | Systems and methods for secure tokenized credentials | |
| CN112528259B (zh) | 身份验证方法、装置、计算机设备和存储介质 | |
| US11893099B2 (en) | Systems and methods for dynamic passphrases | |
| US20190318077A1 (en) | Visual data processing of response images for authentication | |
| CN108846676A (zh) | 生物特征辅助支付方法、装置、计算机设备及存储介质 | |
| US20230084897A1 (en) | Registration and payment method, device, and system using face information | |
| CN106600855A (zh) | 基于面部识别的支付装置和方法 | |
| US20210398109A1 (en) | Generating obfuscated identification templates for transaction verification | |
| US20210398135A1 (en) | Data processing and transaction decisioning system | |
| CN109686011A (zh) | 自助终端及自助终端的用户识别方法 | |
| KR102594999B1 (ko) | 보안성이 우수한 비대면 본인인증 시스템 및 그 방법 | |
| WO2020019456A1 (zh) | 用户指令匹配方法、装置、计算机设备及存储介质 | |
| CA3103484A1 (en) | Systems and methods for dynamic passphrases | |
| US11527087B1 (en) | Mobile application for automatic identification enrollment using information synthesis and biometric liveness detection | |
| KR102502686B1 (ko) | 화자 인증 및 안면 인증을 이용하여 비대면 본인 인증을 수행하는 전자 장치 및 서버를 포함하는 시스템의 제어 방법 | |
| KR102594998B1 (ko) | 비대면 본인인증 고객확인 장치 및 그 방법 | |
| TWM623959U (zh) | 身分驗證設備 | |
| Shukla et al. | Secure OTP Generated Hand Gesture Online Transaction Using CNN. | |
| Gupta et al. | IoT based secure bio-metric authentication system for cardless ATM | |
| Burkul et al. | Exploring the intricacies of Biometric ATM operations, specifically focusing on the integration of fingerprint and facial recognition using Deep Learning techniques | |
| Arepalli et al. | Enhancing Transaction Security through Iris Recognition | |
| CN119479086A (zh) | 交互式活体检测方法、装置、计算机设备、可读存储介质和程序产品 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20220906 |
|
| PA0201 | Request for examination | ||
| PA0302 | Request for accelerated examination |
Patent event date: 20220907 Patent event code: PA03022R01D Comment text: Request for Accelerated Examination Patent event date: 20220906 Patent event code: PA03021R01I Comment text: Patent Application |
|
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20221008 Patent event code: PE09021S01D |
|
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20230213 |
|
| A107 | Divisional application of patent | ||
| PA0107 | Divisional application |
Comment text: Divisional Application of Patent Patent event date: 20230216 Patent event code: PA01071R01D |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20230217 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20230217 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration |