KR102570070B1 - 일반화된 사용자 모델을 이용한 사용자 인증 방법 및 장치 - Google Patents

일반화된 사용자 모델을 이용한 사용자 인증 방법 및 장치 Download PDF

Info

Publication number
KR102570070B1
KR102570070B1 KR1020180170905A KR20180170905A KR102570070B1 KR 102570070 B1 KR102570070 B1 KR 102570070B1 KR 1020180170905 A KR1020180170905 A KR 1020180170905A KR 20180170905 A KR20180170905 A KR 20180170905A KR 102570070 B1 KR102570070 B1 KR 102570070B1
Authority
KR
South Korea
Prior art keywords
user
parameter
test
feature vector
authentication
Prior art date
Application number
KR1020180170905A
Other languages
English (en)
Other versions
KR20200080921A (ko
Inventor
이도환
김규홍
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 KR1020180170905A priority Critical patent/KR102570070B1/ko
Priority to US16/545,095 priority patent/US11775851B2/en
Priority to EP19201858.8A priority patent/EP3674985A1/en
Priority to CN201911084027.2A priority patent/CN111382407A/zh
Priority to JP2019223017A priority patent/JP2020107331A/ja
Publication of KR20200080921A publication Critical patent/KR20200080921A/ko
Application granted granted Critical
Publication of KR102570070B1 publication Critical patent/KR102570070B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/04—Training, enrolment or model building
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/18—Artificial neural networks; Connectionist approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Computer Hardware Design (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

일반화된 사용자 모델을 이용한 사용자 인증 방법 및 장치가 개시된다. 일 실시예에 따르면, 사용자 인증 방법은 테스트 특징 벡터 및 등록 특징 벡터 간의 유사도를 나타내는 제1 파라미터를 결정하고, 테스트 특징 벡터 및 일반화된 사용자들에 대응하는 사용자 모델 간의 유사도를 나타내는 제2 파라미터를 결정하고, 제1 파라미터 및 제2 파라미터에 기초하여 테스트 사용자에 관한 인증 결과를 생성하는 단계들을 포함한다.

Description

일반화된 사용자 모델을 이용한 사용자 인증 방법 및 장치{METHOD AND APPARATUS FOR USER VERIFICATION USING GENERALIZED USER MODEL}
아래 실시예들은 일반화된 사용자 모델을 이용한 사용자 인증 방법 및 장치에 관한 것이다.
최근 들어, 입력 패턴을 특정 그룹으로 분류하는 문제를 해결하는 방안으로써, 인간이 지니고 있는 효율적인 패턴 인식 방법을 실제 컴퓨터에 적용시키려는 연구가 활발히 진행되고 있다. 이러한 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 있는데, 이를 인공 뉴럴 네트워크가 학습 능력이 있다고 표현한다. 또한, 인공 뉴럴 네트워크는 학습된 결과에 기초하여 학습에 이용되지 않았던 입력 패턴에 대하여 비교적 올바른 출력을 생성할 수 있는 일반화 능력을 가지고 있다.
일 실시예에 따르면, 사용자 인증 방법은 테스트 사용자에 의해 입력된 입력 데이터에 기초하여, 상기 테스트 사용자에 대응하는 테스트 특징 벡터를 생성하는 단계; 상기 테스트 특징 벡터 및 사용자 인증을 위해 미리 등록된 등록 특징 벡터 간의 유사도를 나타내는 제1 파라미터를 결정하는 단계; 상기 테스트 특징 벡터 및 일반화된 사용자(generalized user)들에 대응하는 사용자 모델 간의 유사도를 나타내는 제2 파라미터를 결정하는 단계; 및 상기 제1 파라미터 및 상기 제2 파라미터에 기초하여 상기 테스트 사용자에 관한 인증 결과를 생성하는 단계를 포함한다.
상기 사용자 모델은 상기 일반화된 사용자들에 대응하는 일반화된 특징 벡터(generalized feature vector)들이 클러스터화된 특징 클러스터들을 포함할 수 있다. 상기 제2 파라미터를 결정하는 단계는 상기 테스트 특징 벡터 및 각각의 상기 특징 클러스터들 간의 유사도에 기초하여 상기 특징 클러스터들 중 적어도 일부를 대표 특징 클러스터로 선정하는 단계; 및 상기 테스트 특징 벡터 및 상기 대표 특징 클러스터 간의 유사도에 기초하여 상기 제2 파라미터를 결정하는 단계를 포함할 수 있다.
상기 제2 파라미터를 결정하는 단계는 상기 테스트 특징 벡터 및 가우시안 분포(Gaussian distribution)들을 포함하는 GMM(Gaussian mixture model)에 기초하여 상기 제2 파라미터를 결정하는 단계를 포함할 수 있고, 상기 가우시안 분포들은 일반화된 사용자들을 나타내는 일반화된 특징 벡터(generalized feature vector)들의 분포에 대응할 수 있다. 상기 제2 파라미터를 결정하는 단계는 네트워크 입력 및 상기 사용자 모델 간의 유사도를 출력하도록 미리 트레이닝된 뉴럴 네트워크를 이용하여 상기 제2 파라미터를 결정하는 단계를 포함할 수 있다.
상기 테스트 특징 벡터를 생성하는 단계는 네트워크 입력으로부터 특징들을 추출하도록 미리 트레이닝된 뉴럴 네트워크 기반의 특징 추출기를 이용하여 상기 입력 데이터에서 특징들을 추출하여 상기 테스트 특징 벡터를 생성하는 단계를 포함할 수 있다.
상기 테스트 사용자에 관한 인증 결과를 생성하는 단계는 상기 제1 파라미터 및 상기 제2 파라미터에 기초하여 신뢰 점수를 결정하는 단계; 및 상기 신뢰 점수 및 임계치를 비교하여 상기 테스트 사용자에 관한 상기 인증 결과를 생성하는 단계를 포함할 수 있다. 상기 신뢰 점수는 상기 테스트 특징 벡터 및 상기 등록 특징 벡터 간의 상기 유사도가 클수록 증가하고, 상기 테스트 특징 벡터 및 상기 사용자 모델 간의 유사도가 클수록 감소할 수 있다.
상기 테스트 사용자에 관한 인증 결과를 생성하는 단계는 상기 제2 파라미터에 기초하여 임계치를 결정하는 단계; 및 상기 제1 파라미터에 대응하는 신뢰 점수 및 상기 결정된 임계치를 비교하여 상기 테스트 사용자에 관한 상기 인증 결과를 생성하는 단계를 포함할 수 있다. 상기 임계치는 상기 테스트 특징 벡터 및 상기 사용자 모델 간의 유사도가 클수록 증가할 수 있다.
상기 제1 파라미터는 상기 테스트 특징 벡터 및 상기 등록 특징 벡터 간의 거리가 가까울수록 증가하고, 상기 제2 파라미터는 상기 테스트 특징 벡터 및 상기 사용자 모델 간의 거리가 가까울수록 증가할 수 있다.
일 실시예에 따르면, 화자 인증 방법은 테스트 사용자에 의해 입력된 발화 데이터에서 특징을 추출하여, 상기 테스트 사용자에 대응하는 테스트 특징 벡터를 생성하는 단계; 상기 테스트 특징 벡터 및 사용자 인증을 위해 미리 등록된 등록 특징 벡터 간의 유사도를 나타내는 제1 파라미터를 결정하는 단계; 상기 테스트 특징 벡터 및 일반화된 사용자(generalized user)들에 대응하는 사용자 모델 간의 유사도를 나타내는 제2 파라미터를 결정하는 단계; 및 상기 제1 파라미터 및 상기 제2 파라미터에 기초하여 상기 테스트 사용자에 관한 인증 결과를 생성하는 단계를 포함한다.
상기 등록 특징 벡터는 등록 사용자에 의해 입력된 발화 데이터에 기초하여 생성될 수 있다. 상기 테스트 특징 벡터는 상기 테스트 사용자를 식별하기 위한 정보를 포함하고, 상기 등록 특징 벡터는 상기 등록 사용자를 식별하기 위한 정보를 포함할 수 있다.
일 실시예에 따르면, 사용자 인증 장치는 프로세서; 및 컴퓨터에서 읽을 수 있는 명령어들을 저장하는 메모리를 포함하고, 상기 명령어들이 상기 프로세서에서 실행되면, 상기 프로세서는 테스트 사용자에 의해 입력된 입력 데이터에 기초하여, 상기 테스트 사용자에 대응하는 테스트 특징 벡터를 생성하고, 상기 테스트 특징 벡터 및 사용자 인증을 위해 미리 등록된 등록 특징 벡터 간의 유사도를 나타내는 제1 파라미터를 결정하고, 상기 테스트 특징 벡터 및 일반화된 사용자(generalized user)들에 대응하는 사용자 모델 간의 유사도를 나타내는 제2 파라미터를 결정하고, 상기 제1 파라미터 및 상기 제2 파라미터에 기초하여 상기 테스트 사용자에 관한 인증 결과를 생성한다.
일 실시예에 따르면, 화자 인증 장치는 프로세서; 및 컴퓨터에서 읽을 수 있는 명령어들을 저장하는 메모리를 포함하고, 상기 명령어들이 상기 프로세서에서 실행되면, 상기 프로세서는 테스트 사용자에 의해 입력된 발화 데이터에서 특징을 추출하여, 상기 테스트 사용자에 대응하는 테스트 특징 벡터를 생성하고, 상기 테스트 특징 벡터 및 사용자 인증을 위해 미리 등록된 등록 특징 벡터 간의 유사도를 나타내는 제1 파라미터를 결정하고, 상기 테스트 특징 벡터 및 일반화된 사용자(generalized user)들에 대응하는 사용자 모델 간의 유사도를 나타내는 제2 파라미터를 결정하고, 상기 제1 파라미터 및 상기 제2 파라미터에 기초하여 상기 테스트 사용자에 관한 인증 결과를 생성한다.
도 1은 일 실시예에 따른 일반화된 사용자 모델을 이용한 사용자 인증 장치를 나타낸 도면.
도 2는 일 실시예에 따른 임계치 조절을 나타낸 도면.
도 3은 일 실시예에 따른 임계치 증가를 나타낸 도면.
도 4는 일 실시예에 따른 임계치 감소를 나타낸 도면.
도 5는 일 실시예에 따른 클러스터화 기반의 이산적 사용자 모델을 나타낸 도면.
도 6은 일 실시예에 따른 GMM 기반의 연속적 사용자 모델을 나타낸 도면.
도 7은 일 실시예에 따른 사용자 모델 기반의 뉴럴 네트워크를 나타낸 도면.
도 8은 일 실시예에 따른 사용자 인증 장치를 나타낸 블록도.
도 9는 일 실시예에 따른 전자 장치를 나타낸 블록도.
도 10은 일 실시예에 따른 사용자 인증 방법을 나타낸 동작 흐름도.
아래 개시되어 있는 특정한 구조 또는 기능들은 단지 기술적 개념을 설명하기 위한 목적으로 예시된 것으로서, 아래 개시와는 달리 다른 다양한 형태로 실시될 수 있으며 본 명세서의 실시예들을 한정하지 않는다.
제1 또는 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 이해되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일 실시예에 따른 일반화된 사용자 모델을 이용한 사용자 인증 장치를 나타낸 도면이다.
도 1을 참조하면, 사용자 인증 장치(100)는 입력 데이터를 수신하고, 수신된 입력 데이터를 처리하여 출력 데이터를 생성한다. 입력 데이터는 입력 음성 혹은 입력 영상에 대응할 수 있다. 예를 들어, 화자(speaker) 인증의 경우 입력 데이터는 음성 혹은 오디오를 포함할 수 있고, 음성 데이터 혹은 발화(speech) 데이터로 지칭될 수 있다. 얼굴 인증의 경우 입력 데이터는 얼굴 영상을 포함할 수 있고, 지문 인증의 경우 입력 데이터는 지문 영상을 포함할 수 있고, 홍채 인증의 경우 입력 데이터는 홍채 영상을 포함할 수 있다.
입력 데이터는 사용자 인증을 시도하는 테스트 사용자에 의해 입력될 수 있다. 사용자 인증 장치(100)는 입력 데이터를 처리하여 테스트 사용자에 관한 인증 결과를 생성할 수 있다. 출력 데이터는 사용자 인증 장치(100)에 의해 생성된 테스트 사용자에 관한 인증 결과를 포함할 수 있다. 예를 들어, 인증 결과는 인증 성공을 나타내거나, 인증 실패를 나타낼 수 있다.
사용자 인증 장치(100)는 특징 추출기(110) 및 비교기들(120, 130)을 이용하여 사용자 인증을 수행할 수 있다. 특징 추출기(110) 및 비교기들(120, 130)은 각각 적어도 하나의 하드웨어 모듈, 적어도 하나의 소프트웨어 모듈, 혹은 적어도 하나의 하드웨어 모듈 및 적어도 하나의 소프트웨어 모듈의 조합을 통해 구현될 수 있다. 일례로, 특징 추출기(110) 및 비교기들(120, 130)은 각각 뉴럴 네트워크(neural network)로 구현될 수 있다. 이 경우, 뉴럴 네트워크의 적어도 일부는 소프트웨어로 구현되거나, 뉴럴 프로세서(neural processor)를 포함하는 하드웨어로 구현되거나, 혹은 소프트웨어 및 하드웨어의 조합으로 구현될 수 있다.
예를 들어, 뉴럴 네트워크는 완전 연결 네트워크(fully connected network), 딥 컨볼루셔널 네트워크(deep convolutional network) 및 리커런트 뉴럴 네트워크(recurrent neural network) 등을 포함하는 딥 뉴럴 네트워크(deep neural network, DNN)에 해당할 수 있다. DNN은 복수의 레이어들을 포함할 수 있다. 복수의 레이어들은 입력 레이어(input layer), 적어도 하나의 히든 레이어(hidden layer), 및 출력 레이어(output layer)를 포함할 수 있다.
뉴럴 네트워크는 딥 러닝에 기반하여 비선형적 관계에 있는 입력 데이터 및 출력 데이터를 서로 매핑함으로써 주어진 동작을 수행하도록 트레이닝될 수 있다. 딥 러닝은 빅 데이터 세트로부터 주어진 문제를 해결하기 위한 기계 학습 기법이다. 딥 러닝은 준비된 트레이닝 데이터를 이용하여 뉴럴 네트워크를 트레이닝하면서 에너지가 최소화되는 지점을 찾아가는 최적화 문제 풀이 과정으로 이해될 수 있다. 딥 러닝의 지도식(supervised) 또는 비지도식(unsupervised) 학습을 통해 뉴럴 네트워크의 구조, 혹은 모델에 대응하는 웨이트가 구해질 수 있고, 이러한 웨이트를 통해 입력 데이터 및 출력 데이터가 서로 매핑될 수 있다.
특징 추출기(110)는 테스트 사용자에 의해 입력된 입력 데이터에 기초하여, 테스트 사용자에 대응하는 테스트 특징 벡터를 생성할 수 있다. 특징 추출기(110)는 입력 데이터에서 적어도 하나의 특징을 추출하여 테스트 특징 벡터를 생성할 수 있다. 예를 들어, 화자 인증의 경우, 특징 추출기(110)는 테스트 사용자에 의해 입력된 발화 데이터에서 특징을 추출하여, 테스트 사용자에 대응하는 테스트 특징 벡터를 생성할 수 있다. 테스트 특징 벡터는 테스트 사용자를 식별하기 위한 정보를 포함할 수 있다. 특징 추출기(110)는 네트워크 입력으로부터 특징들을 추출하도록 미리 트레이닝된 뉴럴 네트워크를 포함할 수 있다.
비교기(120)는 테스트 특징 벡터 및 등록 특징 벡터 간의 유사도를 나타내는 제1 파라미터를 결정하고, 결정된 제1 파라미터를 출력할 수 있다. 제1 파라미터는 테스트 특징 벡터 및 등록 특징 벡터 간의 거리가 가까울수록 증가할 수 있다. 일 실시예에 따르면, 비교기(120)는 네트워크 입력 및 등록 특징 벡터 간의 유사도를 출력하도록 미리 트레이닝된 뉴럴 네트워크를 포함할 수 있다.
등록 특징 벡터는 사용자 인증을 위해 미리 등록될 수 있다. 예를 들어, 등록 특징 벡터는 등록 사용자에 의해 등록될 수 있으며, 등록 사용자를 식별하기 위한 정보를 포함할 수 있다. 일례로, 등록 특징 벡터는 등록 사용자를 등록하기 위해 등록 사용자에 의해 입력된 등록 데이터에서 추출된 적어도 하나의 특징을 포함할 수 있다. 화자 인증의 경우, 등록 사용자에 의해 입력된 발화 데이터에서 특징을 추출하여, 등록 사용자에 대응하는 등록 특징 벡터가 생성될 수 있다. 테스트 사용자가 등록 사용자와 동일한 것으로 결정되면 테스트 사용자의 인증은 성공하게 되고, 테스트 사용자가 등록 사용자와 상이한 것으로 결정되면 테스트 사용자의 인증은 실패하게 된다.
비교기(130)는 테스트 특징 벡터 및 일반화된 사용자(generalized user)들에 대응하는 사용자 모델 간의 유사도를 나타내는 제2 파라미터를 결정하고, 결정된 제2 파라미터를 출력할 수 있다. 제2 파라미터는 테스트 특징 벡터 및 사용자 모델 간의 거리가 가까울수록 증가할 수 있다. 사용자 모델은 일반화된 사용자들에 대응하는 데이터를 포함할 수 있다. 사용자 모델은 일반화된 사용자들에 대응하는 일반화된 특징 벡터(generalized feature vector)들을 포함할 수 있다. 테스트 특징 벡터 및 사용자 모델 간의 유사도는 테스트 특징 벡터 및 일반화된 특징 벡터들 간의 거리들에 기초하여 결정될 수 있다.
예를 들어, 일반화된 사용자들에 대응하는 데이터는 미리 정해진 모집단의 사용자들에 대응하는 데이터에서 적어도 일부에 기초하여 구성될 수 있다. 사용자 모델은 테스트 사용자에 대한 타인, 다시 말해 다른 사용자로 볼 수 있다. 일 실시예에 따르면, 비교기(130)는 네트워크 입력 및 사용자 모델 간의 유사도를 출력하도록 미리 트레이닝된 뉴럴 네트워크를 포함할 수 있다. 일반화된 사용자들에 대응하는 데이터는 비교기(130)에 포함된 뉴럴 네트워크를 트레이닝하는 과정에서 사용된 트레이닝 데이터에 대응할 수 있다.
실시예에 따라, 사용자 모델은 일반화된 특징 벡터로서 저장되거나, 일반화된 특징 벡터가 클러스터화된 상태로 저장되거나, GMM(Gaussian mixture model)로서 저장되거나, 혹은 뉴럴 네트워크에 반영된 상태로 저장될 수 있다. 클러스터화, GMM, 및 사용자 모델에 기반한 뉴럴 네트워크에 관해서는 추후 상세히 설명한다.
사용자 인증 장치(100)는 제1 파라미터 및 제2 파라미터에 기초하여 테스트 사용자에 관한 인증 결과를 생성할 수 있다. 사용자 인증 장치(100)는 제1 파라미터 및 제2 파라미터에 기초하여 신뢰 점수(confidence score)를 결정하고, 신뢰 점수 및 임계 값을 비교하여 테스트 사용자에 관한 인증 결과를 생성할 수 있다. 예를 들어, 신뢰 점수가 임계 값보다 높은 경우 인증 성공을 나타내는 인증 결과가 생성될 수 있고, 신뢰 점수가 임계 값보다 낮은 경우 인증 실패를 나타내는 인증 결과가 생성될 수 있고, 신뢰 점수가 임계 값과 동일한 경우 인증 성공으로 처리할지 인증 실패로 처리할지는 정책적으로 결정될 수 있다.
실시예에 따르면, 사용자 인증 시 등록 특징 벡터뿐만 아니라 사용자 모델도 고려되어, 테스트 사용자의 특성에 맞는 인증 결과가 생성될 수 있다. 다시 말해, 테스트 사용자 마다 가변적인 인증 조건이 적용될 수 있다. 예를 들어, 테스트 사용자가 일반적인 특성을 갖는 경우 사용자 모델이 테스트 특징 벡터와 가까운 거리에 존재하게 되어, 테스트 사용자에게 타이트한 인증 조건이 적용될 수 있다. 혹은, 테스트 사용자가 일반적이지 않은 독특한 특성을 갖는 경우 사용자 모델이 테스트 특징 벡터와 먼 거리에 존재하게 되어, 테스트 사용자에게 루즈한 인증 조건이 적용될 수 있다.
사용자 식별(user identification)은 테스트 사용자가 누구인지 판단하는 프로세스이고, 사용자 인증(user verification)은 테스트 사용자가 등록 사용자가 맞는지 판단하는 프로세스이다. 일반적으로 사용자 인증 시 사용자 식별의 관점에서 트레이닝된 뉴럴 네트워크가 이용되며, 이 경우 인증 프로세스에 사용자 인증에 따른 특성이 반영되지 않는다. 실시예에 따르면, 사용자 인증 시 사용자 모델을 통해 테스트 사용자 및 다른 사용자 간의 관계를 고려하여, 사용자 인증의 신뢰도가 향상될 수 있다.
도 2는 일 실시예에 따른 인증 조건의 조절을 나타낸 도면이다.
도 2를 참조하면, 고정된 인증 조건이 적용되는 케이스(210) 및 사용자 모델에 따라 가변적인 인증 조건이 적용되는 케이스(220)가 도시되어 있다. 케이스(210)에서 테스트 특징 벡터(x) 및 등록 특징 벡터(y) 간의 거리는 인증 조건을 충족시키지 못하며, 테스트 특징 벡터(x)를 통한 인증은 실패하게 된다.
케이스(220)에서 테스트 특징 벡터(x) 및 사용자 모델에 대응하는 일반화된 특징 벡터들(c1 내지 cn) 간의 유사도는 낮은 상황이며, 이에 따라 인증 조건이 완화된 것으로 가정한다. 따라서, 케이스(220)에서 테스트 특징 벡터(x) 및 등록 특징 벡터(y) 간의 거리는 인증 조건을 충족시키며, 테스트 특징 벡터(x)를 통한 인증은 성공하게 된다. 케이스(220)에 따르면, 등록 사용자에 해당하는 정당한 테스트 사용자가 불필요한 인증 시도를 줄일 수 있다.
인증 조건은 신뢰 점수(confidence score)가 임계치보다 높은 것을 포함할 수 있다. 테스트 특징 벡터 및 사용자 모델 간의 유사도를 나타내는 제2 파라미터는 신뢰 점수에 반영되거나, 혹은 임계치에 반영될 수 있다. 제2 파라미터가 증가할수록, 즉 테스트 특징 벡터 및 사용자 모델 간의 거리가 가까울수록, 신뢰 점수는 낮아질 수 있고, 임계치는 증가할 수 있다. 신뢰 점수가 낮아지고 임계치가 증가할수록, 인증에 성공할 확률이 낮아지므로, 인증 조건이 강화된 것으로 볼 수 있다. 반대로, 신뢰 점수가 높아지고 임계치가 감소할수록, 인증에 성공할 확률이 높아지므로, 인증 조건이 완화된 것으로 볼 수 있다. 신뢰 점수(confidence score)는 수학식 1로 나타낼 수 있다.
수학식 1은 테스트 사용자(x), 및 등록 사용자 및 일반화된 사용자를 포함하는 전체 사용자 모델(θ)에 관한 사후 확률(posterior probability)을 나타낸다. 수학식 1은 수학식 2로 나타낼 수 있다.
사용자 인증 장치는 수학식 2의 마지막 항에 따라 신뢰 점수를 결정할 수 있다. 수학식 2의 마지막 항은 수학식 3으로 다시 기재한다.
수학식 3의 분자인, 는 등록된 사용자(θc)가 존재할 때, 테스트 사용자(x)가 등록된 사용자(θc)에 해당할 사후 확률을 나타낸다. 여기서, 테스트 사용자(x)는 테스트 특징 벡터에 대응할 수 있고, 등록된 사용자(θc)는 등록 특징 벡터에 대응할 수 있다.
수학식 3의 분모인, 는 사용자 모델(θn)이 존재할 때, 테스트 사용자(x)가 사용자 모델(θn)에 해당할 사후 확률을 나타낸다. 사용자 모델(θn)은 테스트 사용자(x)가 아닌 다른 사용자에 대응할 수 있다. 사용자 모델(θn)은 도 2의 일반화된 특징 벡터들(c1 내지 cn)에 대응할 수 있다.
는 테스트 특징 벡터 및 등록 특징 벡터 간의 유사도에 대응하거나, 혹은 테스트 특징 벡터 및 등록 특징 벡터 간의 거리에 대응할 수 있다. 예를 들어, 는 테스트 특징 벡터 및 등록 특징 벡터 간의 코사인 거리(cosine distance)에 기초하여 결정될 수 있다. 거리는 차이에 대응하는 개념으로, 유사도 및 거리는 서로 반비례할 수 있다. 예를 들어, 테스트 특징 벡터 및 등록 특징 벡터 간의 유사도가 높을수록, 혹은 테스트 특징 벡터 및 등록 특징 벡터 간의 거리가 가까울수록, 는 큰 값을 가질 수 있다. 유사하게, 는 테스트 특징 벡터 및 일반화된 특징 벡터들 간의 유사도 혹은 거리에 대응할 수 있다.
설명의 편의를 위해 및 는 유사도 개념을 통해 설명될 수 있다. 예를 들어, 는 테스트 특징 벡터 및 등록 특징 벡터 간의 유사도를 나타내는 제1 파라미터에 대응하는 것으로 설명될 수 있고, 는 테스트 특징 벡터 및 사용자 모델 간의 유사도를 나타내는 제2 파라미터에 대응하는 것으로 설명될 수 있다.
수학식 3에 기초하여 인증 조건은 수학식 4로 나타낼 수 있다.
수학식 4에서 TH는 임계치를 나타낸다. 수학식 4는 제2 파라미터가 신뢰 점수에 반영된 케이스를 나타낸다. 수학식 4에 따르면 신뢰 점수는 테스트 사용자(x)에 대응하는 테스트 특징 벡터 및 등록된 사용자(θc)에 대응하는 등록 특징 벡터 간의 유사도가 클수록 증가하고, 테스트 특징 벡터 및 사용자 모델(θn) 간의 유사도가 클수록 감소할 수 있다.
수학식 4에 따르면, 제2 파라미터가 증가할수록 인증에 성공할 확률이 낮아지므로, 인증 조건이 강화된 것으로 볼 수 있다. 또한, 제2 파라미터가 감소할수록 인증에 성공할 확률이 높아지므로, 인증 조건이 완화된 것으로 볼 수 있다. 수학식 4에 따르면, 사용자 인증 장치는 제1 파라미터 및 제2 파라미터에 기초하여 신뢰 점수를 결정하고, 신뢰 점수 및 임계치를 비교하여 테스트 사용자에 관한 인증 결과를 생성할 수 있다. 수학식 4는 수학식 5와 같이 나타낼 수 있다.
수학식 5는 제2 파라미터가 임계치에 반영된 케이스를 나타낸다. 수학식 5에 따르면 임계치는 테스트 사용자(x)에 대응하는 테스트 특징 벡터 및 사용자 모델(θn) 간의 유사도가 클수록 증가한다.
수학식 5의 우변인, 는 새로운 임계치로 정의될 수 있다. 수학식 5에 따르면, 제2 파라미터가 증가할수록 인증에 성공할 확률이 낮아지므로, 인증 조건이 강화된 것으로 볼 수 있다. 또한, 제2 파라미터가 감소할수록 인증에 성공할 확률이 높아지므로, 인증 조건이 완화된 것으로 볼 수 있다. 수학식 5에 따르면, 사용자 인증 장치는 제2 파라미터에 기초하여 임계치를 결정하고, 제1 파라미터에 대응하는 신뢰 점수 및 결정된 임계치를 비교하여 테스트 사용자에 관한 상기 인증 결과를 생성할 수 있다.
도 3은 일 실시예에 따른 인증 조건의 강화를 나타낸 도면이다. 도 3을 참조하면, 등록 특징 벡터(a) 및 일반화된 특징 벡터들(c1 내지 c8)이 도시되어 있다. 일반화된 특징 벡터들(c1 내지 c8)은 사용자 모델에 대응한다. 등록 특징 벡터(a) 및 일반화된 특징 벡터들(c1 내지 c4) 간의 유사도가 높기 때문에, 인증 조건이 강화될 수 있다.
예를 들어, 보정 계수(A)에 기초하여 오리지널 임계치(TH)가 새로운 임계치(TH*A)로 조절될 수 있다. 도 3의 임계치(TH)는 상술된 수학식 4 및 수학식 5의 임계치(TH)에 대응할 수 있고, 도 3의 보정 계수(A)는 수학식 5의 에 대응할 수 있다. 예를 들어, 보정 계수(A)는 오리지널 임계치(TH)를 증가시킬 수 있는 1보다 큰 실수일 수 있다. 보정 계수(A)에 따라 오리지널 임계치(TH)가 증가할 경우 인증에 성공할 확률이 낮아지므로, 인증 조건이 강화된 것으로 볼 수 있다.
도 4는 일 실시예에 따른 인증 조건의 완화를 나타낸 도면이다. 도 4를 참조하면, 등록 특징 벡터(b) 및 일반화된 특징 벡터들(c1 내지 c8)이 도시되어 있다. 등록 특징 벡터(b) 및 인접 일반화된 특징 벡터들(c5 내지 c8) 간의 유사도가 낮기 때문에, 인증 조건이 완화될 수 있다.
예를 들어, 보정 계수(B)에 기초하여 오리지널 임계치(TH)가 새로운 임계치(TH*B)로 조절될 수 있다. 도 4의 임계치(TH)는 상술된 수학식 4 및 수학식 5의 임계치(TH)에 대응할 수 있고, 도 4의 보정 계수(B)는 수학식 5의 에 대응할 수 있다. 예를 들어, 보정 계수(B)는 오리지널 임계치(TH)를 감소시킬 수 있는 1보다 작은 실수일 수 있다. 보정 계수(B)에 따라 오리지널 임계치(TH)가 감소할 경우 인증에 성공할 확률이 높아지므로, 인증 조건이 완화된 것으로 볼 수 있다.
도 5는 일 실시예에 따른 클러스터화 기반의 이산적 사용자 모델을 나타낸 도면이다. 도 5를 참조하면, 오리지널 사용자 모델(510) 및 클러스터화된 사용자 모델(520)이 도시되어 있다.
오리지널 사용자 모델(510)은 일반화된 특징 벡터들(c1 내지 c8)을 포함한다. 도 5에는 8개의 특징 벡터들(c1 내지 c8)이 도시되어 있으나, 실제로 오리지널 사용자 모델(510)은 이보다 더 많은 수의 특징 벡터들을 포함할 수 있다. 이러한 다수의 특징 벡터들에 관한 연산을 처리하기 위해 소모되는 컴퓨팅 부하를 줄이기 위해 특징 벡터들(c1 내지 c8)은 특징 클러스터들(θ1 내지 θ4)로 클러스터화될 수 있다.
또한, 특징 클러스터들(θ1 내지 θ4) 중 일부가 대표 특징 클러스터들(θ1 내지 θ3)로 선정되어 제2 파라미터를 결정하는데 이용될 수 있다. 특징 클러스터들(θ1 내지 θ4) 중에 미리 정해진 수의 특징 클러스터가 테스트 특징 벡터(x)에 가까운 순으로 대표 특징 클러스터들(θ1 내지 θ3)로 선정될 수 있다. 일례로, 특징 벡터들의 수는 5만5천개일 수 있고, 특징 클러스터들의 수는 10개, 50개 혹은 100개일 수 있고, 대표 특징 클러스터들의 수는 5개일 수 있다.
예를 들어, 사용자 인증 장치는 테스트 특징 벡터(x) 및 각각의 특징 클러스터들(θ1 내지 θ4) 간의 유사도에 기초하여 특징 클러스터들(θ1 내지 θ4) 중 적어도 일부를 대표 특징 클러스터들(θ1 내지 θ3)로 선정할 수 있다. 사용자 인증 장치는 테스트 특징 벡터(x) 및 대표 특징 클러스터들(θ1 내지 θ3) 간의 유사도에 기초하여 제2 파라미터를 결정할 수 있다. 예를 들어, 사용자 인증 장치는 수학식 3의 분모인 에서 사용자 모델(θn)로서 대표 특징 클러스터들(θ1 내지 θ3)을 대입하여 제2 파라미터를 결정할 수 있다. 사용자 인증 장치는 테스트 특징 벡터(x) 및 등록 특징 벡터(θc)에 기초하여 수학식 3의 분자인 를 계산하여 신뢰 점수를 결정할 수 있다.
도 6은 일 실시예에 따른 GMM 기반의 연속적 사용자 모델을 나타낸 도면이다. 도 6을 참조하면, 오리지널 사용자 모델(610) 및 GMM(Gaussian mixture model, 620)이 도시되어 있다. GMM(620)은 가우시안 분포 N(μn, σn)을 포함한다. μ은 평균을 나타내고, σ는 표준 편차를 나타낸다. 도 6에는 GMM(620)이 제1 가우시안 분포 N(μ1, σ1) 내지 제4 가우시안 분포 N(μ4, σ4)를 포함하는 것으로 도시되어 있다. 제1 가우시안 분포 N(μ1, σ1) 내지 제4 가우시안 분포 N(μ4, σ4)는 일반화된 특징 벡터(c1 내지 c8)들의 분포에 대응할 수 있다. 사용자 인증 장치는 테스트 특징 벡터(x) 및 GMM(620)에 기초하여 제2 파라미터를 결정할 수 있다. 예를 들어, 사용자 인증 장치는 가우시안 분포들 및 테스트 특징 벡터(x)를 이용하여 수학식 3의 분모인 를 계산하여 제2 파라미터를 결정할 수 있다. 사용자 인증 장치는 테스트 특징 벡터(x) 및 등록 특징 벡터(θc)에 기초하여 수학식 3의 분자인 를 계산하여 신뢰 점수를 결정할 수 있다.
도 7은 일 실시예에 따른 사용자 모델 기반의 뉴럴 네트워크를 나타낸 도면이다. 도 7을 참조하면, 사용자 모델(710) 및 사용자 모델(710)에 기초하여 트레이닝된 뉴럴 네트워크(720)가 도시되어 있다. 뉴럴 네트워크(720)는 네트워크 입력 및 사용자 모델(710) 간의 유사도를 출력하도록 미리 트레이닝될 수 있다. 예를 들어, 네트워크 입력은 네트워크 입력 및 사용자 모델(710)에 포함된 일반화된 특징 벡터(c1 내지 c8)들 간의 유사도를 출력하도록 미리 트레이닝될 수 있다. 이 경우, 뉴럴 네트워크(720)는 도 1의 비교기(130)에 대응할 수 있고, 뉴럴 네트워크(720)의 출력은 수학식 3의 분모인 에 대응할 수 있다. 따라서, 사용자 인증 장치는 뉴럴 네트워크(720)에 테스트 특징 벡터를 입력하고, 뉴럴 네트워크(720)의 출력에 대응하여 제2 파라미터를 획득할 수 있다.
도 8은 일 실시예에 따른 사용자 인증 장치를 나타낸 블록도이다.
도 8을 참조하면, 사용자 인증 장치(800)는 입력 데이터를 수신한다. 화자 인증의 경우, 사용자 인증 장치(800)는 화자 인증 장치로 지칭될 수도 있다. 입력 데이터는 입력 음성 혹은 입력 영상에 대응할 수 있다. 사용자 인증 장치(800)는 뉴럴 네트워크를 이용하여 입력 데이터를 처리할 수 있다. 예를 들어, 사용자 인증 장치(800)는 뉴럴 네트워크를 이용하여 입력 데이터에 인증 동작을 처리할 수 있다. 데이터베이스(830)는 등록 특징 벡터 및 사용자 모델을 저장할 수 있고, 프로세서(810)는 사용자 인증을 위해 데이터베이스(830)에 저장된 등록 특징 벡터 및 사용자 모델을 이용할 수 있다. 일 측에 따르면, 사용자 모델은 클러스터화 된 상태로 저장되거나, GMM으로 저장되거나, 혹은 도 7의 뉴럴 네트워크(720)로 저장될 수 있다.
사용자 인증 장치(800)는 사용자 인증과 관련하여 본 명세서에 기술되거나 또는 도시된 하나 이상의 동작을 수행할 수 있고, 사용자 인증 결과를 사용자에게 제공할 수 있다. 사용자 인증 장치(800)는 하나 이상의 프로세서(810) 및 메모리(820)를 포함할 수 있다. 메모리(820)는 프로세서(810)에 연결되고, 프로세서(810)에 의해 실행가능한 명령어들, 프로세서(810)가 연산할 데이터 또는 프로세서(810)에 의해 처리된 데이터를 저장할 수 있다. 메모리(820)는 비일시적인 컴퓨터 판독가능 매체, 예컨대 고속 랜덤 액세스 메모리 및/또는 비휘발성 컴퓨터 판독가능 저장 매체(예컨대, 하나 이상의 디스크 저장 장치, 플래쉬 메모리 장치, 또는 기타 비휘발성 솔리드 스테이트 메모리 장치)를 포함할 수 있다.
프로세서(810)는 도 1 내지 도 7을 참조하여 설명된 하나 이상의 동작을 실행하기 위한 명령어들을 실행할 수 있다. 예를 들어, 프로세서(810)는 테스트 사용자에 의해 입력된 입력 데이터에 기초하여, 테스트 사용자에 대응하는 테스트 특징 벡터를 생성하고, 테스트 특징 벡터 및 사용자 인증을 위해 미리 등록된 등록 특징 벡터 간의 유사도를 나타내는 제1 파라미터를 결정하고, 테스트 특징 벡터 및 일반화된 사용자들에 대응하는 사용자 모델 간의 유사도를 나타내는 제2 파라미터를 결정하고, 제1 파라미터 및 제2 파라미터에 기초하여 테스트 사용자에 관한 인증 결과를 생성할 수 있다.
도 9는 일 실시예에 따른 전자 장치를 나타낸 블록도이다.
도 9을 참조하면, 전자 장치(900)는 입력 데이터를 수신하고, 입력 데이터와 관련된 사용자 인증 동작을 처리할 수 있다. 전자 장치(900)는 사용자 인증 동작을 처리하는 과정에서 전술된 사용자 모델을 이용할 수 있다. 전자 장치(900)는 도 1 내지 도 8을 통해 설명된 사용자 인증 장치를 포함하거나, 도 1 내지 도 8을 통해 설명된 사용자 인증 장치의 기능을 수행할 수 있다.
전자 장치(900)는 프로세서(910), 메모리(920), 카메라(930), 저장 장치(940), 입력 장치(950), 출력 장치(960) 및 네트워크 인터페이스(970)를 포함할 수 있다. 프로세서(910), 메모리(920), 카메라(930), 저장 장치(940), 입력 장치(950), 출력 장치(960) 및 네트워크 인터페이스(970)는 통신 버스(980)를 통해 서로 통신할 수 있다.
프로세서(910)는 전자 장치(900) 내에서 실행하기 위한 기능 및 명령어들을 실행한다. 예를 들어, 프로세서(910)는 메모리(920) 또는 저장 장치(940)에 저장된 명령어들을 처리할 수 있다. 프로세서(910)는 도 1 내지 도 8을 통하여 설명된 하나 이상의 동작을 수행할 수 있다.
메모리(920)는 사용자 인증을 수행하기 위한 정보를 저장한다. 메모리(920)는 컴퓨터 판독가능한 저장 매체 또는 컴퓨터 판독가능한 저장 장치를 포함할 수 있다. 메모리(920)는 프로세서(910)에 의해 실행하기 위한 명령어들을 저장할 수 있고, 전자 장치(900)에 의해 소프트웨어 또는 애플리케이션이 실행되는 동안 관련 정보를 저장할 수 있다.
카메라(930)는 정지 영상, 비디오 영상, 또는 이들 모두를 촬영할 수 있다. 카메라(930)는 사용자가 얼굴 인증을 시도하기 위해 입력하는 얼굴 영역을 촬영할 수 있다. 카메라(930)는 객체들에 관한 깊이 정보를 포함하는 3D 영상을 제공할 수 있다.
저장 장치(940)는 컴퓨터 판독가능한 저장 매체 또는 컴퓨터 판독가능한 저장 장치를 포함한다. 저장 장치(940)는 등록 특징 벡터 및 사용자 모델과 같이 사용자 인증을 처리하기 위한 정보를 포함하는 데이터베이스를 저장할 수 있다. 일 실시예에 따르면, 저장 장치(940)는 메모리(920)보다 더 많은 양의 정보를 저장하고, 정보를 장기간 저장할 수 있다. 예를 들어, 저장 장치(940)는 자기 하드 디스크, 광 디스크, 플래쉬 메모리, 플로피 디스크 또는 이 기술 분야에서 알려진 다른 형태의 비휘발성 메모리를 포함할 수 있다.
입력 장치(950)는 키보드 및 마우스를 통한 전통적인 입력 방식, 및 터치 입력, 음성 입력, 및 이미지 입력과 같은 새로운 입력 방식을 통해 사용자로부터 입력을 수신할 수 있다. 예를 들어, 입력 장치(950)는 키보드, 마우스, 터치 스크린, 마이크로폰, 또는 사용자로부터 입력을 검출하고, 검출된 입력을 전자 장치(900)에 전달할 수 있는 임의의 다른 장치를 포함할 수 있다.
출력 장치(960)는 시각적, 청각적 또는 촉각적인 채널을 통해 사용자에게 전자 장치(900)의 출력을 제공할 수 있다. 출력 장치(960)는 예를 들어, 디스플레이, 터치 스크린, 스피커, 진동 발생 장치 또는 사용자에게 출력을 제공할 수 있는 임의의 다른 장치를 포함할 수 있다. 네트워크 인터페이스(970)는 유선 또는 무선 네트워크를 통해 외부 장치와 통신할 수 있다.
도 10은 일 실시예에 따른 사용자 인증 방법을 나타낸 동작 흐름도이다. 도 10을 참조하면, 사용자 인증 장치는 단계(1010)에서 테스트 사용자에 의해 입력된 입력 데이터에 기초하여 테스트 사용자에 대응하는 테스트 특징 벡터를 생성하고, 단계(1020)에서 테스트 특징 벡터 및 사용자 인증을 위해 미리 등록된 등록 특징 벡터 간의 유사도를 나타내는 제1 파라미터를 결정하고, 단계(1030)에서 테스트 특징 벡터 및 일반화된 사용자들에 대응하는 사용자 모델 간의 유사도를 나타내는 제2 파라미터를 결정하고, 단계(1040)에서 제1 파라미터 및 제2 파라미터에 기초하여 테스트 사용자에 관한 인증 결과를 생성한다. 화자 인증의 경우, 사용자 인증 방법은 화자 인증 방법으로 지칭될 수도 있다. 이 경우, 단계들(1010 내지 1040)은 화자 인증 장치에 의해 수행될 수 있으며, 화자 인증 장치는 단계(1010)에서 테스트 사용자에 의해 입력된 발화 데이터에서 특징을 추출하여, 상기 테스트 사용자에 대응하는 테스트 특징 벡터를 생성할 수 있다. 그 밖에 사용자 인증 방법에는 도 1 내지 도 9를 통해 설명된 사항이 적용될 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(Arithmetic Logic Unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(Field Programmable Gate Array), PLU(Programmable Logic Unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

Claims (30)

  1. 테스트 사용자에 의해 입력된 입력 데이터에 기초하여, 상기 테스트 사용자에 대응하는 테스트 특징 벡터를 생성하는 단계;
    상기 테스트 특징 벡터 및 사용자 인증을 위해 미리 등록된 등록 특징 벡터 간의 유사도를 나타내는 제1 파라미터를 결정하는 단계;
    상기 테스트 특징 벡터 및 일반화된 사용자(generalized user)들에 대응하는 사용자 모델 간의 유사도를 나타내는 제2 파라미터를 결정하는 단계; 및
    상기 제1 파라미터 및 상기 제2 파라미터에 기초하여 상기 테스트 사용자에 관한 인증 결과를 생성하는 단계
    를 포함하고,
    상기 인증 결과를 생성하는 단계는
    상기 제2 파라미터에 기초하여 상기 제1 파라미터 및 임계치 중 적어도 하나를 조절하는 단계; 및
    상기 제1 파라미터와 상기 임계치를 비교하여 상기 인증 결과를 생성하는 단계
    를 포함하는, 사용자 인증 방법.
  2. 제1항에 있어서,
    상기 사용자 모델은 상기 일반화된 사용자들에 대응하는 일반화된 특징 벡터(generalized feature vector)들이 클러스터화된 특징 클러스터들을 포함하는, 사용자 인증 방법.
  3. 제2항에 있어서,
    상기 제2 파라미터를 결정하는 단계는
    상기 테스트 특징 벡터 및 각각의 상기 특징 클러스터들 간의 유사도에 기초하여 상기 특징 클러스터들 중 적어도 일부를 대표 특징 클러스터로 선정하는 단계; 및
    상기 테스트 특징 벡터 및 상기 대표 특징 클러스터 간의 유사도에 기초하여 상기 제2 파라미터를 결정하는 단계
    를 포함하는, 사용자 인증 방법.
  4. 제1항에 있어서,
    상기 제2 파라미터를 결정하는 단계는
    상기 테스트 특징 벡터 및 가우시안 분포(Gaussian distribution)들을 포함하는 GMM(Gaussian mixture model)에 기초하여 상기 제2 파라미터를 결정하는 단계를 포함하고,
    상기 가우시안 분포들은 일반화된 사용자들을 나타내는 일반화된 특징 벡터(generalized feature vector)들의 분포에 대응하는,
    사용자 인증 방법.
  5. 제1항에 있어서,
    상기 제2 파라미터를 결정하는 단계는
    네트워크 입력 및 상기 사용자 모델 간의 유사도를 출력하도록 미리 트레이닝된 뉴럴 네트워크를 이용하여 상기 제2 파라미터를 결정하는 단계를 포함하는, 사용자 인증 방법.
  6. 제1항에 있어서,
    상기 테스트 특징 벡터를 생성하는 단계는
    네트워크 입력으로부터 특징들을 추출하도록 미리 트레이닝된 뉴럴 네트워크 기반의 특징 추출기를 이용하여 상기 입력 데이터에서 특징들을 추출하여 상기 테스트 특징 벡터를 생성하는 단계를 포함하는, 사용자 인증 방법.
  7. 제1항에 있어서,
    상기 테스트 사용자에 관한 인증 결과를 생성하는 단계는
    상기 제1 파라미터 및 상기 제2 파라미터에 기초하여 신뢰 점수를 결정하는 단계; 및
    상기 신뢰 점수 및 임계치를 비교하여 상기 테스트 사용자에 관한 상기 인증 결과를 생성하는 단계
    를 포함하는, 사용자 인증 방법.
  8. 제7항에 있어서,
    상기 신뢰 점수는 상기 테스트 특징 벡터 및 상기 등록 특징 벡터 간의 상기 유사도가 클수록 증가하고, 상기 테스트 특징 벡터 및 상기 사용자 모델 간의 유사도가 클수록 감소하는, 사용자 인증 방법.
  9. 제1항에 있어서,
    상기 테스트 사용자에 관한 인증 결과를 생성하는 단계는
    상기 제2 파라미터에 기초하여 임계치를 결정하는 단계; 및
    상기 제1 파라미터에 대응하는 신뢰 점수 및 상기 결정된 임계치를 비교하여 상기 테스트 사용자에 관한 상기 인증 결과를 생성하는 단계
    를 포함하는, 사용자 인증 방법.
  10. 제9항에 있어서,
    상기 임계치는 상기 테스트 특징 벡터 및 상기 사용자 모델 간의 유사도가 클수록 증가하는, 사용자 인증 방법.
  11. 제1항에 있어서,
    상기 제1 파라미터는 상기 테스트 특징 벡터 및 상기 등록 특징 벡터 간의 거리가 가까울수록 증가하고, 상기 제2 파라미터는 상기 테스트 특징 벡터 및 상기 사용자 모델 간의 거리가 가까울수록 증가하는, 사용자 인증 방법.
  12. 테스트 사용자에 의해 입력된 발화 데이터에서 특징을 추출하여, 상기 테스트 사용자에 대응하는 테스트 특징 벡터를 생성하는 단계;
    상기 테스트 특징 벡터 및 사용자 인증을 위해 미리 등록된 등록 특징 벡터 간의 유사도를 나타내는 제1 파라미터를 결정하는 단계;
    상기 테스트 특징 벡터 및 일반화된 사용자(generalized user)들에 대응하는 사용자 모델 간의 유사도를 나타내는 제2 파라미터를 결정하는 단계; 및
    상기 제1 파라미터 및 상기 제2 파라미터에 기초하여 상기 테스트 사용자에 관한 인증 결과를 생성하는 단계
    를 포함하고,
    상기 인증 결과를 생성하는 단계는
    상기 제2 파라미터에 기초하여 상기 제1 파라미터 및 임계치 중 적어도 하나를 조절하는 단계; 및
    상기 제1 파라미터와 상기 임계치를 비교하여 상기 인증 결과를 생성하는 단계
    를 포함하는, 화자 인증 방법.
  13. 제12항에 있어서,
    상기 등록 특징 벡터는 등록 사용자에 의해 입력된 발화 데이터에 기초하여 생성되는, 화자 인증 방법.
  14. 제13항에 있어서,
    상기 테스트 특징 벡터는 상기 테스트 사용자를 식별하기 위한 정보를 포함하고, 상기 등록 특징 벡터는 상기 등록 사용자를 식별하기 위한 정보를 포함하는, 화자 인증 방법.
  15. 제12항에 있어서,
    상기 사용자 모델은 상기 일반화된 사용자들에 대응하는 일반화된 특징 벡터(generalized feature vector)들이 클러스터화된 특징 클러스터들을 포함하는, 화자 인증 방법.
  16. 제12항에 있어서,
    상기 제2 파라미터를 결정하는 단계는
    상기 테스트 특징 벡터 및 가우시안 분포(Gaussian distribution)들을 포함하는 GMM(Gaussian mixture model)에 기초하여 상기 제2 파라미터를 결정하는 단계를 포함하고,
    상기 가우시안 분포들은 일반화된 사용자들을 나타내는 일반화된 특징 벡터(generalized feature vector)들의 분포에 대응하는,
    화자 인증 방법.
  17. 제12항에 있어서,
    상기 제2 파라미터를 결정하는 단계는
    네트워크 입력 및 상기 사용자 모델 간의 유사도를 출력하도록 미리 트레이닝된 뉴럴 네트워크를 이용하여 상기 제2 파라미터를 결정하는 단계를 포함하는, 화자 인증 방법.
  18. 제12항에 있어서,
    상기 테스트 사용자에 관한 인증 결과를 생성하는 단계는
    상기 제1 파라미터 및 상기 제2 파라미터에 기초하여 신뢰 점수를 결정하는 단계; 및
    상기 신뢰 점수 및 임계치를 비교하여 상기 테스트 사용자에 관한 상기 인증 결과를 생성하는 단계
    를 포함하는, 화자 인증 방법.
  19. 제12항에 있어서,
    상기 테스트 사용자에 관한 인증 결과를 생성하는 단계는
    상기 제2 파라미터에 기초하여 임계치를 결정하는 단계; 및
    상기 제1 파라미터에 대응하는 신뢰 점수 및 상기 결정된 임계치를 비교하여 상기 테스트 사용자에 관한 상기 인증 결과를 생성하는 단계
    를 포함하는, 화자 인증 방법.
  20. 제1항 내지 제19항 중 어느 한 항의 방법을 수행하기 위한 명령어들을 포함하는 하나 이상의 프로그램을 저장한 컴퓨터 판독 가능 저장매체.
  21. 프로세서; 및
    컴퓨터에서 읽을 수 있는 명령어들을 저장하는 메모리
    를 포함하고,
    상기 명령어들이 상기 프로세서에서 실행되면, 상기 프로세서는
    테스트 사용자에 의해 입력된 입력 데이터에 기초하여, 상기 테스트 사용자에 대응하는 테스트 특징 벡터를 생성하고,
    상기 테스트 특징 벡터 및 사용자 인증을 위해 미리 등록된 등록 특징 벡터 간의 유사도를 나타내는 제1 파라미터를 결정하고,
    상기 테스트 특징 벡터 및 일반화된 사용자(generalized user)들에 대응하는 사용자 모델 간의 유사도를 나타내는 제2 파라미터를 결정하고,
    상기 제1 파라미터 및 상기 제2 파라미터에 기초하여 상기 테스트 사용자에 관한 인증 결과를 생성하고,
    상기 프로세서는,
    상기 제2 파라미터에 기초하여 상기 제1 파라미터 및 임계치 중 적어도 하나를 조절하고, 상기 제1 파라미터와 상기 임계치를 비교하여 상기 인증 결과를 생성하여, 상기 인증 결과를 생성하는,
    사용자 인증 장치.
  22. 제21항에 있어서,
    상기 사용자 모델은 상기 일반화된 사용자들에 대응하는 일반화된 특징 벡터(generalized feature vector)들이 클러스터화된 특징 클러스터들을 포함하는, 사용자 인증 장치.
  23. 제22항에 있어서,
    상기 프로세서는
    상기 테스트 특징 벡터 및 각각의 상기 특징 클러스터들 간의 유사도에 기초하여 상기 특징 클러스터들 중 적어도 일부를 대표 특징 클러스터로 선정하고,
    상기 테스트 특징 벡터 및 상기 대표 특징 클러스터 간의 유사도에 기초하여 상기 제2 파라미터를 결정하는,
    사용자 인증 장치.
  24. 제21항에 있어서,
    상기 프로세서는 상기 테스트 특징 벡터 및 가우시안 분포(Gaussian distribution)들을 포함하는 GMM(Gaussian mixture model)에 기초하여 상기 제2 파라미터를 결정하고,
    상기 가우시안 분포들은 일반화된 사용자들을 나타내는 일반화된 특징 벡터(generalized feature vector)들의 분포에 대응하는,
    사용자 인증 장치.
  25. 제21항에 있어서,
    상기 프로세서는
    네트워크 입력 및 상기 사용자 모델 간의 유사도를 출력하도록 미리 트레이닝된 뉴럴 네트워크 기반의 비교기를 이용하여 상기 제2 파라미터를 결정하는, 사용자 인증 장치.
  26. 제21항에 있어서,
    상기 프로세서는
    네트워크 입력으로부터 특징들을 추출하도록 미리 트레이닝된 뉴럴 네트워크 기반의 특징 추출기를 이용하여 상기 입력 데이터에서 특징들을 추출하여 상기 테스트 특징 벡터를 생성하는, 사용자 인증 장치.
  27. 제21항에 있어서,
    상기 프로세서는
    상기 제1 파라미터 및 상기 제2 파라미터에 기초하여 신뢰 점수를 결정하고,
    상기 신뢰 점수 및 임계치를 비교하여 상기 테스트 사용자에 관한 상기 인증 결과를 생성하는,
    사용자 인증 장치.
  28. 제21항에 있어서,
    상기 프로세서는
    상기 제2 파라미터에 기초하여 임계치를 결정하고,
    상기 제1 파라미터에 대응하는 신뢰 점수 및 상기 결정된 임계치를 비교하여 상기 테스트 사용자에 관한 상기 인증 결과를 생성하는,
    사용자 인증 장치.
  29. 프로세서; 및
    컴퓨터에서 읽을 수 있는 명령어들을 저장하는 메모리
    를 포함하고,
    상기 명령어들이 상기 프로세서에서 실행되면, 상기 프로세서는
    테스트 사용자에 의해 입력된 발화 데이터에서 특징을 추출하여, 상기 테스트 사용자에 대응하는 테스트 특징 벡터를 생성하고,
    상기 테스트 특징 벡터 및 사용자 인증을 위해 미리 등록된 등록 특징 벡터 간의 유사도를 나타내는 제1 파라미터를 결정하고,
    상기 테스트 특징 벡터 및 일반화된 사용자(generalized user)들에 대응하는 사용자 모델 간의 유사도를 나타내는 제2 파라미터를 결정하고,
    상기 제1 파라미터 및 상기 제2 파라미터에 기초하여 상기 테스트 사용자에 관한 인증 결과를 생성하고
    상기 프로세서는,
    상기 제2 파라미터에 기초하여 상기 제1 파라미터 및 임계치 중 적어도 하나를 조절하고, 상기 제1 파라미터와 상기 임계치를 비교하여 상기 인증 결과를 생성하여, 상기 인증 결과를 생성하는,
    화자 인증 장치.
  30. 제29항에 있어서,
    상기 등록 특징 벡터는 등록 사용자에 의해 입력된 발화 데이터에 기초하여 생성되는, 화자 인증 장치.
KR1020180170905A 2018-12-27 2018-12-27 일반화된 사용자 모델을 이용한 사용자 인증 방법 및 장치 KR102570070B1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020180170905A KR102570070B1 (ko) 2018-12-27 2018-12-27 일반화된 사용자 모델을 이용한 사용자 인증 방법 및 장치
US16/545,095 US11775851B2 (en) 2018-12-27 2019-08-20 User verification method and apparatus using generalized user model
EP19201858.8A EP3674985A1 (en) 2018-12-27 2019-10-08 User verification method and apparatus using generalized user model
CN201911084027.2A CN111382407A (zh) 2018-12-27 2019-11-07 用户验证方法和设备及说话者验证方法和设备
JP2019223017A JP2020107331A (ja) 2018-12-27 2019-12-10 一般化されたユーザモデルを用いたユーザ認証方法及び装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180170905A KR102570070B1 (ko) 2018-12-27 2018-12-27 일반화된 사용자 모델을 이용한 사용자 인증 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20200080921A KR20200080921A (ko) 2020-07-07
KR102570070B1 true KR102570070B1 (ko) 2023-08-23

Family

ID=68242283

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180170905A KR102570070B1 (ko) 2018-12-27 2018-12-27 일반화된 사용자 모델을 이용한 사용자 인증 방법 및 장치

Country Status (5)

Country Link
US (1) US11775851B2 (ko)
EP (1) EP3674985A1 (ko)
JP (1) JP2020107331A (ko)
KR (1) KR102570070B1 (ko)
CN (1) CN111382407A (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102570070B1 (ko) * 2018-12-27 2023-08-23 삼성전자주식회사 일반화된 사용자 모델을 이용한 사용자 인증 방법 및 장치
US11568173B2 (en) * 2020-06-04 2023-01-31 Dell Products, L.P. Method and apparatus for processing test execution logs to detremine error locations and error types
KR102444003B1 (ko) * 2020-11-30 2022-09-15 경희대학교 산학협력단 음성 이미지 기반 사용자 인증 장치 및 그 방법
KR102498268B1 (ko) * 2022-07-15 2023-02-09 국방과학연구소 화자 인식을 위한 전자 장치 및 그의 동작 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150249664A1 (en) * 2012-09-11 2015-09-03 Auraya Pty Ltd. Voice Authentication System and Method

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04360291A (ja) * 1991-06-06 1992-12-14 Nippon Telegr & Teleph Corp <Ntt> ニューラルネットの学習方法
JP2001101406A (ja) * 1999-09-27 2001-04-13 Ntt Data Corp 一般的侵入者モデル作成方法及び装置、個人認証方法及び装置
KR100897553B1 (ko) 2007-01-04 2009-05-15 삼성전자주식회사 사용자의 기기 사용 패턴을 이용한 음성 인식 방법 및 장치
US8099288B2 (en) 2007-02-12 2012-01-17 Microsoft Corp. Text-dependent speaker verification
JP4410265B2 (ja) 2007-02-19 2010-02-03 株式会社東芝 音声認識装置及び方法
US10395018B2 (en) * 2010-11-29 2019-08-27 Biocatch Ltd. System, method, and device of detecting identity of a user and authenticating a user
CA2835104C (en) * 2011-05-06 2021-08-17 Duquesne University Of The Holy Spirit Authorship technologies
ES2780393T3 (es) * 2012-04-25 2020-08-25 Arcanum Tech Llc Sistema de introducción de contraseña resistente al fraude
US10386492B2 (en) * 2013-03-07 2019-08-20 Trimble Inc. Verifiable authentication services based on global navigation satellite system (GNSS) signals and personal or computer data
US10540979B2 (en) 2014-04-17 2020-01-21 Qualcomm Incorporated User interface for secure access to a device using speaker verification
US10410178B2 (en) 2015-03-16 2019-09-10 Moca Systems, Inc. Method for graphical pull planning with active work schedules
US10482225B1 (en) * 2015-07-14 2019-11-19 Melih Abdulhayoglu Method of authorization dialog organizing
US9978374B2 (en) 2015-09-04 2018-05-22 Google Llc Neural networks for speaker verification
US10769255B2 (en) * 2015-11-11 2020-09-08 Samsung Electronics Co., Ltd. Methods and apparatuses for adaptively updating enrollment database for user authentication
US20170236520A1 (en) * 2016-02-16 2017-08-17 Knuedge Incorporated Generating Models for Text-Dependent Speaker Verification
CN106127103B (zh) * 2016-06-12 2019-06-25 广州广电运通金融电子股份有限公司 一种离线身份认证的方法和装置
GB2552722A (en) 2016-08-03 2018-02-07 Cirrus Logic Int Semiconductor Ltd Speaker recognition
US9824692B1 (en) 2016-09-12 2017-11-21 Pindrop Security, Inc. End-to-end speaker recognition using deep neural network
US11881560B2 (en) * 2016-10-12 2024-01-23 Prologium Technology Co., Ltd. Lithium battery structure and electrode layer thereof
WO2018110608A1 (ja) * 2016-12-15 2018-06-21 日本電気株式会社 照合システム、方法、装置及びプログラム
JP6553664B2 (ja) * 2017-03-08 2019-07-31 日本電信電話株式会社 モデル学習装置、スコア計算装置、方法、データ構造、及びプログラム
CN106683680B (zh) * 2017-03-10 2022-03-25 百度在线网络技术（北京）有限公司 说话人识别方法及装置、计算机设备及计算机可读介质
KR102370063B1 (ko) * 2017-03-28 2022-03-04 삼성전자주식회사 얼굴 인증 방법 및 장치
KR102288302B1 (ko) * 2017-07-03 2021-08-10 삼성전자주식회사 적외선 영상을 이용한 사용자 인증 방법 및 장치
US11132427B2 (en) * 2017-11-20 2021-09-28 Ppip, Llc Systems and methods for biometric identity and authentication
US10733996B2 (en) * 2018-03-30 2020-08-04 Qualcomm Incorporated User authentication
US10621991B2 (en) * 2018-05-06 2020-04-14 Microsoft Technology Licensing, Llc Joint neural network for speaker recognition
US10593336B2 (en) * 2018-07-26 2020-03-17 Accenture Global Solutions Limited Machine learning for authenticating voice
KR20200024602A (ko) * 2018-08-28 2020-03-09 삼성전자주식회사 사용자 단말의 학습 방법 및 장치
KR102570070B1 (ko) * 2018-12-27 2023-08-23 삼성전자주식회사 일반화된 사용자 모델을 이용한 사용자 인증 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150249664A1 (en) * 2012-09-11 2015-09-03 Auraya Pty Ltd. Voice Authentication System and Method

Also Published As

Publication number Publication date
CN111382407A (zh) 2020-07-07
US20200210556A1 (en) 2020-07-02
JP2020107331A (ja) 2020-07-09
US11775851B2 (en) 2023-10-03
EP3674985A1 (en) 2020-07-01
KR20200080921A (ko) 2020-07-07

Similar Documents

Publication Publication Date Title
KR102608470B1 (ko) 데이터 인식 장치 및 방법과 트레이닝 장치 및 방법
KR102570070B1 (ko) 일반화된 사용자 모델을 이용한 사용자 인증 방법 및 장치
KR102564857B1 (ko) 데이터 인식 및 트레이닝 장치 및 방법
KR102644947B1 (ko) 뉴럴 네트워크를 위한 트레이닝 방법, 뉴럴 네트워크를 이용한 인식 방법 및 그 장치들
KR102486699B1 (ko) 영상 인식 방법, 영상 검증 방법, 장치, 및 영상 인식 및 검증에 대한 학습 방법 및 장치
KR102564855B1 (ko) 표정 변화에 강인한 객체 및 표정 인식 장치 및 방법, 객체 및 표정 트레이닝 장치 및 방법
KR102374747B1 (ko) 객체를 인식하는 장치 및 방법
KR102492318B1 (ko) 모델 학습 방법 및 장치, 및 데이터 인식 방법
KR20170016231A (ko) 사용자 인증을 위한 멀티-모달 퓨전 방법 및 사용자 인증 방법
KR102476756B1 (ko) 사용자 인증을 위한 등록 데이터베이스의 적응적 갱신 방법 및 장치
KR101997479B1 (ko) 사용자 인증을 위한 생체 영역을 검출하는 방법 및 장치
KR102483650B1 (ko) 사용자 인증 장치 및 방법
KR102427853B1 (ko) 사용자 인증을 위한 등록 데이터베이스의 적응적 갱신 방법 및 장치
KR20200110064A (ko) 변환 모델을 이용한 인증 방법 및 장치
KR20200024602A (ko) 사용자 단말의 학습 방법 및 장치
KR20170052448A (ko) 인증 방법 및 장치, 및 인식기 학습 방법 및 장치
KR20210069467A (ko) 뉴럴 네트워크의 학습 방법 및 장치와 뉴럴 네트워크를 이용한 인증 방법 및 장치
KR20170057118A (ko) 오브젝트 인식 방법 및 장치, 인식 모델 학습 방법 및 장치
US11335117B2 (en) Method and apparatus with fake fingerprint detection
KR102449840B1 (ko) 사용자 적응적인 음성 인식 방법 및 장치
EP3832542A1 (en) Device and method with sensor-specific image recognition
KR20220136017A (ko) 스푸핑 방지 방법 및 장치
KR20210145458A (ko) 위조 지문 검출 장치 및 위조 지문 방지를 위한 모델 업데이트 방법
KR20220136009A (ko) 입력 데이터를 분류하는 방법과 장치 및 입력 데이터의 도용 여부를 분류하는 방법
KR20230119574A (ko) 뉴럴 네트워크의 동작 방법, 뉴럴 네트워크의 트레이닝 방법, 뉴럴 네트워크를 이용하여 생체 정보의 위조 여부를 검출하는 방법 및 그 전자 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