KR20170055393A - Method and apparatus for adaptively updating registration database for user authentication - Google Patents
Method and apparatus for adaptively updating registration database for user authentication Download PDFInfo
- Publication number
- KR20170055393A KR20170055393A KR1020160027745A KR20160027745A KR20170055393A KR 20170055393 A KR20170055393 A KR 20170055393A KR 1020160027745 A KR1020160027745 A KR 1020160027745A KR 20160027745 A KR20160027745 A KR 20160027745A KR 20170055393 A KR20170055393 A KR 20170055393A
- Authority
- KR
- South Korea
- Prior art keywords
- feature
- registration database
- input image
- vector
- distance
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G06F17/30247—
-
- G06F17/30345—
-
- G06K9/00268—
-
- G06K9/00288—
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Collating Specific Patterns (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
Description
아래 실시예들은 사용자 인증을 위한 등록 데이터베이스의 적응적 갱신 방법 및 장치에 관한 것이다.The following embodiments relate to an adaptive update method and apparatus for a registration database for user authentication.
스마트 폰 등 다양한 모바일 기기나 웨어러블 기기는 지문, 홍채, 목소리, 얼굴, 혈관 등 사용자의 생체 정보를 보안 인증에 이용할 수 있다. 얼굴 인식의 경우는 사용자의 화장, 헤어스타일, 수염 및 체중 등과 같이 시간에 따른 많은 변화 요소를 가지고 있어서 최초에 등록된 하나의 등록 영상과 입력되는 얼굴 영상을 비교하여 인증을 수행하는 방식에는 문제가 있을 수 있다. Various mobile devices such as smart phones and wearable devices can use biometric information of the user such as fingerprint, iris, voice, face, and blood vessel for security authentication. In case of facial recognition, there are many change factors according to time such as user's make-up, hairstyle, beard and weight. Therefore, there is a problem in a method of performing authentication by comparing a registered image registered at the beginning with an inputted facial image Can be.
일 측에 따르면, 등록 데이터베이스의 적응적 갱신 방법은 사용자의 얼굴을 포함하는 입력 영상으로부터 제1 특징 벡터를 추출하는 단계; 상기 제1 특징 벡터, 등록 데이터베이스에 등록된 등록 영상들의 제2 특징 벡터들, 및 상기 제2 특징 벡터들을 대표하는 대표 벡터에 기초하여, 상기 입력 영상을 상기 등록 데이터베이스에 등록시킬지 여부를 판단하는 단계; 및 상기 판단 결과에 기초하여 상기 입력 영상을 상기 등록 데이터베이스에 등록시키는 단계를 포함한다. According to one aspect, an adaptive updating method of a registration database includes extracting a first feature vector from an input image including a user's face; Determining whether to register the input image in the registration database based on the first feature vector, second feature vectors of registered images registered in the registration database, and representative vectors representative of the second feature vectors ; And registering the input image in the registration database based on the determination result.
상기 등록시킬지 여부를 판단하는 단계는 상기 제1 특징 벡터, 상기 제2 특징 벡터들, 및 상기 대표 벡터에 기초하여 상기 입력 영상이 아웃라이어(outlier)에 해당하는지 여부를 판단하는 단계; 및 상기 제1 특징 벡터, 및 상기 제2 특징 벡터들에 기초하여 상기 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 단계 중 적어도 하나를 포함할 수 있다. Wherein the step of determining whether the input image is to be registered includes determining whether the input image corresponds to an outlier based on the first feature vector, the second feature vectors, and the representative vector. And determining whether the feature range of the registration database is extended based on the first feature vector and the second feature vectors.
상기 입력 영상이 아웃라이어에 해당하는지 여부를 판단하는 단계는 상기 제1 특징 벡터와 상기 제2 특징 벡터들 사이의 최소 거리를 계산하는 단계; 상기 제1 특징 벡터 및 상기 대표 벡터 사이의 대표 거리를 계산하는 단계; 및 상기 최소 거리 및 상기 대표 거리에 기초하여, 상기 입력 영상이 아웃라이어인지를 판단하는 단계를 포함할 수 있다. Wherein the step of determining whether the input image corresponds to an outlier comprises: calculating a minimum distance between the first feature vector and the second feature vector; Calculating a representative distance between the first feature vector and the representative vector; And determining whether the input image is an outlier based on the minimum distance and the representative distance.
상기 아웃라이어인지를 판단하는 단계는 상기 최소 거리가 상기 등록 데이터베이스의 갱신을 위하여 미리 설정된 제1 임계치보다 작은지 여부 및 상기 대표 거리가 미리 설정된 제2 임계치보다 작은지 여부에 기초하여 상기 입력 영상이 아웃라이어인지를 판단하는 단계를 포함할 수 있다. Wherein the step of determining whether the input image is the outlier is based on whether the minimum distance is smaller than a first threshold preset for updating the registration database and whether the representative distance is smaller than a second predetermined threshold value, And determining whether the outlier is an outlier.
상기 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 단계는 상기 제1 특징 벡터 및 상기 제2 특징 벡터들을 포함하는 벡터 집합에서, 각각의 벡터에 대응하는 누적 특징 거리 -상기 누적 특징 거리는 상기 벡터 집합 내 하나의 벡터와 나머지 벡터들 사이의 거리들에 기초하여 결정됨- 를 결정하는 단계; 및 상기 제1 특징 벡터에 대응하는 누적 특징 거리가 상기 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 지 여부를 판단하는 단계를 포함할 수 있다. Wherein the step of determining whether the feature range of the registration database is extended comprises calculating, in a vector set including the first feature vector and the second feature vectors, a cumulative feature distance corresponding to each vector, Determined based on distances between one of the vectors and the remaining vectors; And determining whether the cumulative feature distance corresponding to the first feature vector is greater than at least one of cumulative feature distances corresponding to the second feature vectors.
상기 등록 데이터베이스에 등록시키는 단계는 상기 제1 특징 벡터에 대응하는 누적 특징 거리가 상기 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 경우에 상기 등록 영상들 중 어느 하나의 등록 영상을 상기 입력 영상과 교체하는 단계를 포함할 수 있다. Wherein the step of registering in the registration database further includes the step of, when a cumulative feature distance corresponding to the first feature vector is larger than at least one of cumulative feature distances corresponding to the second feature vectors, And replacing the input image with the input image.
상기 어느 하나의 등록 영상을 상기 입력 영상과 교체하는 단계는 상기 누적 특징 거리들 중 최소 누적 특징 거리를 가지는 제2 특징 벡터에 대응하는 등록 영상을 상기 입력 영상과 교체하는 단계를 포함할 수 있다. The step of replacing any one of the registered images with the input image may include the step of replacing the registered image corresponding to the second feature vector having the minimum cumulative feature distance among the cumulative feature distances with the input image.
상기 등록시킬지 여부를 판단하는 단계는 상기 등록 데이터베이스에 등록된 등록 영상들의 개수와 상기 등록 데이터베이스의 최대 등록 개수를 비교하는 단계를 포함할 수 있다. The step of determining whether or not to register may include comparing the number of registered images registered in the registration database with the maximum number of registered registered databases.
상기 입력 영상을 상기 등록 데이터베이스에 등록시키는 단계는 상기 등록 영상들의 개수가 상기 최대 등록 개수보다 작은 경우에 상기 입력 영상을 상기 등록 데이터베이스에 추가하는 단계; 및 상기 등록 영상들의 개수가 상기 최대 등록 개수와 같은 경우에 상기 등록 데이터베이스에 등록된 등록 영상들 중 어느 하나를 상기 입력 영상과 교체하는 단계를 포함할 수 있다. Wherein the step of registering the input image in the registration database comprises: adding the input image to the registration database when the number of registered images is smaller than the maximum number of registered images; And replacing any one of registered images registered in the registration database with the input image if the number of registered images is equal to the maximum registered number.
상기 등록 데이터베이스에 추가하는 단계는 상기 입력 영상이 아웃라이어가 아니고, 상기 등록 영상들의 개수가 상기 최대 등록 개수보다 작으면, 상기 입력 영상을 상기 등록 데이터베이스에 추가하는 단계를 포함할 수 있다. The adding to the registration database may include adding the input image to the registration database if the input image is not an outlier and the number of registered images is smaller than the maximum registered number.
상기 등록시킬지 여부를 판단하는 단계는 상기 제1 특징 벡터, 상기 제2 특징 벡터들, 및 상기 대표 벡터에 기초하여, 상기 사용자를 인증하는 단계를 포함할 수 있다. The step of determining whether to register may include authenticating the user based on the first feature vector, the second feature vectors, and the representative vector.
상기 사용자를 인증하는 단계는 상기 제1 특징 벡터와 상기 제2 특징 벡터들 사이의 최소 거리를 계산하는 단계; 상기 제1 특징 벡터 및 상기 대표 벡터 사이의 대표 거리를 계산하는 단계; 및 상기 최소 거리와 상기 대표 거리 중의 최소값과 사용자 인증을 위하여 미리 설정된 임계치와의 비교 결과에 기초하여, 상기 사용자를 인증하는 단계를 포함할 수 있다. Wherein authenticating the user comprises: calculating a minimum distance between the first feature vector and the second feature vector; Calculating a representative distance between the first feature vector and the representative vector; And authenticating the user based on the comparison between the minimum distance and a minimum value of the representative distance and a preset threshold value for user authentication.
상기 등록시킬지 여부를 판단하는 단계는 상기 사용자 인증이 성공인지 여부에 기초하여, 상기 입력 영상을 상기 등록 데이터베이스에 등록시킬지 여부를 판단하는 단계를 포함할 수 있다. The step of determining whether or not to register may include determining whether to register the input image in the registration database, based on whether the user authentication is successful.
상기 등록 데이터베이스의 적응적 갱신 방법은 상기 입력 영상이 상기 등록 데이터베이스에 등록된 경우, 상기 제1 특징 벡터에 의해 상기 대표 벡터를 갱신하는 단계를 더 포함할 수 있다. The adaptive updating method of the registration database may further include updating the representative vector by the first feature vector when the input image is registered in the registration database.
일 측에 따르면, 등록 데이터베이스의 적응적 갱신 장치는 등록 데이터베이스를 저장하는 메모리; 및 사용자의 얼굴을 포함하는 입력 영상으로부터 제1 특징 벡터를 추출하고, 상기 제1 특징 벡터, 상기 등록 데이터베이스에 등록된 등록 영상들의 제2 특징 벡터들, 및 상기 제2 특징 벡터들을 대표하는 대표 벡터에 기초하여, 상기 입력 영상을 상기 등록 데이터베이스에 등록시킬지 여부를 판단하여 등록시키는 프로세서를 포함한다. According to one aspect, an adaptive updating device of a registration database comprises: a memory for storing a registration database; Extracting a first feature vector from an input image including a face of a user and extracting a first feature vector of the registered images registered in the registration database and a representative vector representing the second feature vectors, And determining whether to register the input image in the registration database, and registering the input image.
상기 프로세서는 상기 제1 특징 벡터, 상기 제2 특징 벡터들, 및 상기 대표 벡터에 기초하여 상기 입력 영상이 아웃라이어에 해당하는지 여부 또는 상기 제1 특징 벡터, 및 상기 제2 특징 벡터들에 기초하여 상기 등록 데이터베이스의 특징 범위가 확장되는지 여부 중 적어도 하나를 판단할 수 있다. Wherein the processor is configured to determine whether the input image corresponds to an outlier based on the first feature vector, the second feature vectors, and the representative vector or based on the first feature vector and the second feature vectors And whether or not the feature range of the registration database is extended.
상기 프로세서는 상기 제1 특징 벡터와 상기 제2 특징 벡터들 사이의 최소 거리 및 상기 제1 특징 벡터 및 상기 대표 벡터 사이의 대표 거리를 계산하고, 상기 최소 거리 및 상기 대표 거리에 기초하여, 상기 입력 영상이 아웃라이어인지를 판단할 수 있다. Wherein the processor calculates a minimum distance between the first feature vector and the second feature vectors and a representative distance between the first feature vector and the representative vector, and based on the minimum distance and the representative distance, It is possible to judge whether the image is an outlier.
상기 프로세서는 상기 제1 특징 벡터 및 상기 제2 특징 벡터들을 포함하는 벡터 집합에서, 각각의 벡터에 대응하는 누적 특징 거리 -상기 누적 특징 거리는 상기 벡터 집합 내 하나의 벡터와 나머지 벡터들 사이의 거리들에 기초하여 결정됨- 를 결정하고, 상기 제1 특징 벡터에 대응하는 누적 특징 거리가 상기 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 지 여부에 기초하여 상기 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단할 수 있다. Wherein the processor is configured to calculate, in a set of vectors comprising the first feature vector and the second feature vectors, a cumulative feature distance corresponding to each vector, the cumulative feature distance being a distance between one vector in the vector set and the remaining vectors - determining a feature range of the registration database based on whether the cumulative feature distance corresponding to the first feature vector is greater than at least one of the cumulative feature distances corresponding to the second feature vectors Can be expanded.
상기 프로세서는 상기 판단 결과, 상기 제1 특징 벡터에 대응하는 누적 특징 거리가 상기 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 경우, 상기 등록 영상들 중 최소 누적 특징 거리를 가지는 제2 특징 벡터에 대응하는 등록 영상을 상기 입력 영상과 교체할 수 있다. Wherein when the cumulative feature distance corresponding to the first feature vector is greater than at least one of the cumulative feature distances corresponding to the second feature vectors as a result of the determination, The registered image corresponding to the second feature vector can be replaced with the input image.
상기 프로세서는 상기 등록 데이터베이스에 등록된 등록 영상들의 개수와 상기 등록 데이터베이스의 최대 등록 개수의 비교 결과에 기초하여, 상기 입력 영상을 상기 등록 데이터베이스에 추가 또는 교체할지 여부를 결정할 수 있다. The processor may determine whether to add or replace the input image to the registration database based on a comparison result between the number of registered images registered in the registration database and the maximum number of registered databases.
상기 프로세서는 상기 제1 특징 벡터, 상기 제2 특징 벡터들, 및 상기 대표 벡터에 기초하여, 상기 사용자를 인증하고, 상기 사용자 인증이 성공인지 여부를 기초로, 상기 입력 영상을 상기 등록 데이터베이스에 등록시킬지 여부를 판단할 수 있다. Wherein the processor authenticates the user based on the first feature vector, the second feature vectors, and the representative vector, and registers the input image in the registration database based on whether the user authentication is successful Or not.
상기 프로세서는 상기 입력 영상이 상기 등록 데이터베이스에 등록된 경우, 상기 제1 특징 벡터에 의해 상기 대표 벡터를 갱신할 수 있다. The processor may update the representative vector by the first feature vector when the input image is registered in the registration database.
일 측에 따른 등록 데이터베이스의 적응적 갱신 방법은 입력 영상을 인증하는 단계; 상기 입력 영상이 아웃라이어인지 여부를 판단하는 단계; 상기 입력 영상으로 인하여 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 단계; 및 상기 등록 데이터베이스의 등록 영상들 중 어느 하나와 상기 입력 영상을 교체하는 단계를 포함한다.An adaptive updating method of a registration database according to one side includes: Determining whether the input image is an outlier; Determining whether the feature range of the registration database is expanded due to the input image; And replacing the input image with any one of the registered images of the registration database.
상기 입력 영상이 아웃라이어인지 여부를 판단하는 단계는 상기 입력 영상으로부터 추출된 제1 특징 벡터와 상기 등록 데이터베이스의 등록 영상들로부터 추출된 제2 특징 벡터들의 최소 거리를 계산하는 단계; 상기 제1 특징 벡터와 상기 제2 특징 벡터들을 대표하는 대표 벡터 사이의 대표 거리를 계산하는 단계; 및 상기 최소 거리에 관한 제1 조건, 및 상기 대표 거리에 관한 제2 조건이 만족되는지 여부를 판단하는 단계를 포함할 수 있다.Wherein the step of determining whether the input image is an outlier comprises: calculating a minimum distance between a first feature vector extracted from the input image and second feature vectors extracted from registered images of the registration database; Calculating a representative distance between the first feature vector and a representative vector representative of the second feature vectors; And determining a first condition for the minimum distance and a second condition for the representative distance are satisfied.
상기 입력 영상으로 인하여 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 단계는 상기 입력 영상으로부터 추출된 제1 특징 벡터 및 상기 등록 데이터베이스의 등록 영상들로부터 추출된 제2 특징 벡터들을 포함하는 벡터 집합에서, 각각의 벡터에 대응하는 누적 특징 거리를 계산하는 단계; 및 상기 제1 특징 벡터에 대응하는 누적 특징 거리가 상기 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 지 여부를 판단하는 단계를 포함할 수 있다.Wherein the step of determining whether the feature range of the registration database is expanded due to the input image includes a step of extracting a first feature vector extracted from the input image and a second feature vector extracted from the registered images of the registration database Calculating a cumulative feature distance corresponding to each vector; And determining whether the cumulative feature distance corresponding to the first feature vector is greater than at least one of cumulative feature distances corresponding to the second feature vectors.
상기 각각의 벡터에 대응하는 누적 특징 거리를 계산하는 단계는 상기 각각의 벡터에 대응하여, 해당 벡터와 상기 벡터 집합 내 나머지 벡터들 사이의 거리들을 합산하는 단계를 포함할 수 있다.The step of calculating a cumulative feature distance corresponding to each of the vectors may comprise summing the corresponding vectors and the distances between the remaining vectors in the vector set corresponding to the respective vectors.
일 측에 따른 등록 데이터베이스의 적응적 갱신 장치는 등록 데이터베이스에 기초하여 입력 영상을 인증하고, 상기 등록 데이터베이스의 등록 영상들을 대표하는 대표 벡터에 기초하여 상기 입력 영상이 아웃라이어인지 여부를 판단하며, 상기 인증 결과 및 상기 판단 결과에 기초하여 상기 등록 데이터베이스를 적응적으로 갱신하는 프로세서를 포함한다.The adaptive updating apparatus of the registration database according to one side authenticates an input image based on a registration database and determines whether the input image is an outlier based on a representative vector representing registered images of the registration database, And a processor for adaptively updating the registration database based on the authentication result and the determination result.
상기 프로세서는 상기 입력 영상이 아웃라이어인지 여부를 판단하기 위하여, 상기 입력 영상으로부터 추출된 제1 특징 벡터와 상기 등록 데이터베이스의 등록 영상들로부터 추출된 제2 특징 벡터들의 최소 거리를 계산하고, 상기 제1 특징 벡터와 상기 대표 벡터 사이의 대표 거리를 계산하며, 상기 최소 거리에 관한 제1 조건 및 상기 대표 거리에 관한 제2 조건이 만족되는지 여부를 판단할 수 있다.Wherein the processor calculates a minimum distance between a first feature vector extracted from the input image and second feature vectors extracted from registered images of the registration database to determine whether the input image is an outlier, 1 feature vector and the representative vector to determine whether a first condition for the minimum distance and a second condition for the representative distance are satisfied.
도 1은 일 실시예에 따른 등록 데이터베이스의 적응적 갱신 방법을 나타낸 흐름도.
도 2는 일 실시예에 따른 등록 데이터베이스의 적응적 갱신에 의해 본인 인증률이 향상되는 원리를 설명하는 도면.
도 3은 일 실시예에 따른 입력 영상이 아웃라이어(outlier)에 해당하는지 여부를 판단하는 방법을 설명하는 도면.
도 4는 일 실시예에 따른 등록 데이터베이스의 적응적 갱신 알고리즘을 나타낸 흐름도.
도 5는 일 실시예에 따른 임계치를 결정하는 방법을 설명하는 도면.
도 6은 일 실시예에 따른 입력 영상에 의해 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 방법을 설명하는 도면.
도 7은 일 실시예에 따른 등록 데이터베이스에 적응적으로 갱신된 등록 영상들을 나타낸 도면.
도 8은 등록 데이터베이스에 처음 등록된 등록 영상들 간의 특징 거리 및 최종적으로 갱신된 등록 영상들 간의 특징 거리를 나타낸 도면.
도 9는 일 실시예에 따른 등록 데이터베이스의 적응적 갱신 장치의 블록도.1 is a flow diagram illustrating an adaptive update method of a registration database according to an embodiment;
FIG. 2 is a diagram illustrating a principle of improving the identity verification rate by adaptive updating of a registration database according to an embodiment; FIG.
FIG. 3 illustrates a method for determining whether an input image corresponds to an outlier according to an exemplary embodiment. FIG.
4 is a flow diagram illustrating an adaptive update algorithm of a registration database according to an embodiment;
5 is a diagram illustrating a method for determining a threshold according to an embodiment;
6 is a diagram illustrating a method of determining whether a feature range of a registration database is expanded by an input image according to an exemplary embodiment.
FIG. 7 illustrates registered images adaptively updated in a registration database according to an embodiment; FIG.
8 is a diagram showing feature distances between registered images initially registered in a registration database and feature distances between finally registered registered images;
9 is a block diagram of an adaptive update apparatus of a registration database according to an embodiment;
본 명세서에 개시되어 있는 특정한 구조적 또는 기능적 설명들은 단지 기술적 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것이다. 개시된 실시예들은 다양한 다른 형태로 변경되어 실시될 수 있으며 본 명세서의 범위는 개시된 실시예들에 한정되지 않는다.The specific structural or functional descriptions disclosed herein are merely illustrative for purposes of illustrating embodiments in accordance with the technical concepts. The disclosed embodiments may be modified and implemented in various other forms, and the scope of the present disclosure is not limited to the disclosed embodiments.
제1 또는 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.The terms first or second may be used to describe various components, but such terms should be interpreted solely for the purpose of distinguishing one component from another. For example, the first component may be referred to as a second component, and similarly, the second component may also be referred to as a first component.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.It is to be understood that when an element is referred to as being "connected" to another element, it may be directly connected or connected to the other element, although other elements may be present in between.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The singular expressions include plural expressions unless the context clearly dictates otherwise. In this specification, the terms "comprises ", or" having ", and the like, are used to specify one or more of the described features, numbers, steps, operations, elements, But do not preclude the presence or addition of steps, operations, elements, parts, or combinations thereof.
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.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art. Terms such as those defined in commonly used dictionaries are to be interpreted as having a meaning consistent with the meaning of the context in the relevant art and, unless explicitly defined herein, are to be interpreted as ideal or overly formal Do not.
하기에서 설명될 실시예들은 사용자의 얼굴을 인식하는 데 사용될 수 있다. 사용자의 얼굴을 인식하는 동작은 그 사용자를 인증하거나 식별하는 동작을 포함할 수 있다. 사용자를 인증하는 동작은, 예를 들어 그 사용자가 기 등록된 사용자인지 여부를 판단하는 동작을 포함할 수 있다. 이 경우, 사용자를 인증하는 동작의 결과는 참 또는 거짓으로 출력될 수 있다. 사용자를 식별하는 동작은, 예를 들어 그 사용자가 기 등록된 복수의 사용자들 중 어느 사용자에 해당하는지를 판단하는 동작을 포함할 수 있다. 이 경우, 사용자를 식별하는 동작의 결과는 어느 하나의 기 등록된 사용자의 아이디로 출력될 수 있다. 만약 그 사용자가 기 등록된 복수의 사용자들 중 어느 사용자에도 해당하지 않는 경우, 그 사용자가 식별되지 않음을 알리는 신호가 출력될 수도 있다.Embodiments to be described below can be used to recognize a user's face. The act of recognizing the user's face may include an act of authenticating or identifying the user. The act of authenticating the user may include, for example, determining whether the user is an already registered user. In this case, the result of the operation of authenticating the user may be output as true or false. The operation of identifying a user may include, for example, an operation of determining which user of the plurality of users the user is registered with. In this case, the result of the operation of identifying the user may be output as the ID of any one of the pre-registered users. If the user does not correspond to any of the plurality of pre-registered users, a signal indicating that the user is not identified may be output.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다. 예를 들어, 실시예들은 스마트 폰, 모바일 기기, 스마트 홈 시스템 등에서 사용자를 인증하는데 적용될 수 있다. 실시예들은 사용자 인증을 통한 결제 서비스에 적용될 수 있다. 또한, 실시예들은 사용자를 인증하여 자동으로 시동을 거는 지능형 자동차 시스템 등에도 적용될 수 있다. 이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.Embodiments may be implemented in various forms of products, such as personal computers, laptop computers, tablet computers, smart phones, televisions, smart home appliances, intelligent cars, kiosks, wearable devices, For example, embodiments may be applied to authenticating users in smart phones, mobile devices, smart home systems, and the like. Embodiments can be applied to a payment service through user authentication. In addition, the embodiments can be applied to an intelligent automobile system that automatically authenticates a user and starts up. Hereinafter, embodiments will be described in detail with reference to the accompanying drawings. Like reference symbols in the drawings denote like elements.
도 1은 일 실시예에 따른 등록 데이터베이스의 적응적 갱신(adaptive update) 방법을 나타낸 흐름도이다. 적응적 갱신 방법을 수행하는 갱신 장치는 예를 들어, 사용자 인증 장치에 포함될 수도 있고, 별도의 장치로 구성될 수도 있다. 갱신 장치는 소프트웨어 모듈, 하드웨어 모듈, 또는 이들의 다양한 조합으로 구현될 수 있다. 등록 데이터베이스는 등록 템플레이트(enrollment template)라고 지칭될 수 있다.1 is a flowchart illustrating an adaptive update method of a registration database according to an exemplary embodiment of the present invention. The update device that performs the adaptive update method may be included in the user authentication device, for example, or may be configured as a separate device. The updating device may be implemented as a software module, a hardware module, or various combinations thereof. The registration database may be referred to as an enrollment template.
도 1을 참조하면, 갱신 장치는 단계(110)에서 사용자의 얼굴을 포함하는 입력 영상으로부터 제1 특징 벡터를 추출한다. '제1 특징 벡터'는 입력 영상으로부터 추출되는 얼굴 인식을 위한 특징을 나타내는 벡터로 이해될 수 있다. 갱신 장치는 예를 들어, LBP(Local Binary Pattern) 기법, 가보르(Gabor) 기법, 또는 딥 러닝(Deep Learning) 기법 등 다양한 기법을 이용하여 입력 영상으로부터 제1 특징 벡터를 추출할 수 있다.Referring to FIG. 1, the updating apparatus extracts a first feature vector from an input image including a face of a user in
갱신 장치는 단계(120)에서 입력 영상을 등록 데이터베이스에 등록시킬지 여부를 판단한다. 예를 들어, 갱신 장치는 입력 영상의 인증을 수행하고, 입력 영상이 아웃라이어에 해당하는지 여부를 판단함으로써, 입력 영상을 등록 데이터베이스에 등록시킬지 여부를 판단할 수 있다.The update apparatus determines in
갱신 장치는 제1 특징 벡터, 제2 특징 벡터들, 및 대표 벡터를 이용할 수 있다. '제2 특징 벡터(들)'는 등록 데이터베이스에 등록된 등록 영상(들)으로부터 추출되는 얼굴 인식을 위한 특징을 나타내는 벡터(들)로 이해될 수 있다. 제2 특징 벡터(들) 또한 LBP 기법, Gabor 기법, 또는 딥 러닝 기법 등에 의해 추출될 수 있다. The updating device may use the first feature vector, the second feature vectors, and the representative vector. The 'second feature vector (s)' can be understood as vector (s) representing characteristics for face recognition extracted from the registered image (s) registered in the registration database. The second feature vector (s) may also be extracted by an LBP technique, a Gabor technique, or a deep learning technique.
'대표 벡터'는 제2 특징 벡터들을 대표하는 벡터로, 제2 특징 벡터들의 통계 연산(예를 들어, 평균, 표준 편차 등)을 통하여 계산될 수 있다. 등록 영상들(X 1 , X 2 , ... , X n )로부터 추출되는 제2 특징 벡터들(x i ) 및 대표 벡터()는 예를 들어, 아래의 <수학식 1>과 같이 표현될 수 있다. The 'representative vector' is a vector representing the second feature vectors, and can be calculated through a statistical calculation (for example, average, standard deviation, etc.) of the second feature vectors. Registered image with the second feature is extracted from (X 1, X 2, ... , X n) of the vector (x i) and the representative vector ( Can be expressed, for example, as Equation (1) below.
여기서, n은 등록 데이터베이스에 등록된 등록 영상들의 수이다.Here, n is the number of registered images registered in the registration database.
갱신 장치는 제1 특징 벡터, 제2 특징 벡터들, 및 대표 벡터에 기초하여, 입력 영상의 인증을 수행할 수 있다. 일 예로, 갱신 장치는 {제2 특징 벡터들, 대표 벡터}의 집합 내 벡터들과 제1 특징 벡터를 비교함으로써, 입력 영상의 인증을 수행할 수 있다.The updating device may perform authentication of the input image based on the first feature vector, the second feature vectors, and the representative vector. In one example, the updating device can perform authentication of the input image by comparing the first feature vector with the vectors in the set of {the second feature vectors, representative vector}.
갱신 장치는 {제2 특징 벡터들, 대표 벡터}의 집합 내 벡터들과 제1 특징 벡터 사이의 최소 거리를 계산할 수 있다. {제2 특징 벡터들, 대표 벡터}의 집합 내 벡터들과 제1 특징 벡터 사이의 거리는 예를 들어, 특징 벡터들 간의 유사도에 반비례하는 유클리디언 거리로 이해될 수 있다. 갱신 장치는 <수학식 2>를 이용하여 최소 거리(dn)를 계산할 수 있다.The updating device can calculate the minimum distance between the first feature vector and the vectors in the set of {the second feature vectors, representative vector}. The distance between the first feature vector and the vectors in the set of {second feature vectors, representative vectors} can be understood as an Euclidean distance inversely proportional to, for example, the similarity between feature vectors. The updating apparatus can calculate the minimum distance d n using Equation (2).
여기서, y는 제1 특징 벡터이고, x 1 내지 x n 은 제2 특징 벡터들이며, 는 대표 벡터이고, d n 은 {제2 특징 벡터들, 대표 벡터}의 집합 내 벡터들과 제1 특징 벡터 사이의 최소 거리일 수 있다.Here, y is a first feature vector, x 1 to x n are second feature vectors, And d n may be the minimum distance between the vectors in the set of {the second feature vectors, the representative vector} and the first feature vector.
최소 거리(d n )가 제1 임계 거리보다 작은 경우, 갱신 장치는 입력 영상의 인증이 성공했다고 판단할 수 있다. 제1 임계 거리는 1%의 오인식률(false acceptance rate; FAR)에 해당하는 거리 등으로 미리 정해질 수 있다. 오인식률(FAR)은 타인을 본인으로 잘못 인식하는 비율이다.When the minimum distance d n is smaller than the first threshold distance, the updating device can determine that the authentication of the input image is successful. The first threshold distance may be predetermined to a distance corresponding to a false acceptance rate (FAR) of 1%. The false recognition rate (FAR) is the rate of wrong recognition of others.
갱신 장치는 거리 대신 유사도를 이용할 수 있다. 이 경우, 갱신 장치는 {제2 특징 벡터들, 대표 벡터}의 집합 내 벡터들과 제1 특징 벡터 사이의 최대 유사도를 계산할 수 있다. 최대 유사도가 제1 임계 유사도보다 큰 경우, 갱신 장치는 입력 영상의 인증에 성공했다고 판단할 수 있다. 제1 임계 유사도는 1%의 오인식률(FAR)에 해당하는 유사도 등으로 미리 정해질 수 있다.The updating device can use the similarity instead of the distance. In this case, the updating apparatus can calculate the maximum similarity between the first feature vector and the vectors in the set of {the second feature vectors, the representative vector}. When the maximum similarity degree is larger than the first threshold similarity degree, the updating apparatus can determine that the input image has been successfully authenticated. The first threshold similarity may be predetermined by a degree of similarity corresponding to a false recognition rate (FAR) of 1%.
다른 예로, 갱신 장치는 제1 특징 벡터와 제2 특징 벡터들을 비교함으로써, 입력 영상의 인증 성공 여부를 판단할 수도 있다.In another example, the updating device may determine whether the authentication of the input image is successful by comparing the first feature vector with the second feature vector.
입력 영상의 인증이 성공한 경우에도, 실제로는 입력 영상이 오인식(false acceptance)된 것일 수 있다. 예를 들어, 인증 과정에서 입력 영상이 본인에 해당한다고 판단되었으나, 실제로 입력 영상은 타인에 해당하는 영상일 수 있다. 갱신 장치는 오인식된 입력 영상이 등록 데이터베이스에 등록되는 것을 방지하기 위하여, 인증을 위한 제1 기준보다 엄격한 제2 기준을 통하여, 입력 영상을 등록 데이터베이스에 등록할지 여부를 결정할 수 있다. 제2 기준은 입력 영상이 아웃라이어(outlier)에 해당하는지 여부를 판단하는 기준일 수 있다. 여기서, '아웃라이어'는 인증은 성공하였지만 실제로는 본인이 아닌 타인에 해당하는 영상으로 이해될 수 있다. Even if the authentication of the input image is successful, the input image may actually be false acceptance. For example, in the authentication process, it is determined that the input image corresponds to the user, but in reality, the input image may be an image corresponding to another person. The updating device can determine whether to register the input image in the registration database through a second criterion that is stricter than the first criterion for authentication in order to prevent the misleading input image from being registered in the registration database. The second criterion may be a criterion for determining whether the input image corresponds to an outlier. Here, 'outliers' can be understood as images corresponding to others who succeeded in authentication but actually are not themselves.
갱신 장치는 제1 특징 벡터, 제2 특징 벡터들, 및 대표 벡터에 기초하여 입력 영상이 아웃라이어에 해당하는지 여부를 판단할 수 있다. 예를 들어, 갱신 장치는 2가지 조건들을 검사할 수 있다. 첫째로, 갱신 장치는 제1 특징 벡터와 제2 특징 벡터들 사이의 거리들 중 최소 거리가 미리 정해진 제2 임계 거리보다 작은지 여부를 검사할 수 있다. 여기서, 제2 임계 거리는 입력 영상의 인증을 위한 제1 임계 거리보다 엄격하게 결정될 수 있다. 예를 들어, 제2 임계 거리는 0.01%의 오인식률(FAR)에 해당하는 거리일 수 있다. 둘째로, 갱신 장치는 제1 특징 벡터와 대표 벡터 사이의 거리가 미리 정해진 제3 임계 거리보다 작은지 여부를 검사할 수 있다. 제3 임계 거리는 제2 임계 거리와 동일하게 결정될 수도 있고, 상이하게 결정될 수도 있다.The updating device can determine whether the input image corresponds to an outlier based on the first feature vector, the second feature vectors, and the representative vector. For example, the updating device can check two conditions. First, the updating device can check whether the minimum distance among the distances between the first feature vector and the second feature vectors is smaller than a predetermined second threshold distance. Here, the second threshold distance may be determined more strictly than the first threshold distance for authentication of the input image. For example, the second threshold distance may be a distance corresponding to a false recognition rate (FAR) of 0.01%. Second, the updating device can check whether the distance between the first feature vector and the representative vector is smaller than a predetermined third threshold distance. The third threshold distance may be determined to be equal to or different from the second threshold distance.
갱신 장치는 거리 대신 유사도를 이용할 수 있다. 이 경우, 갱신 장치는 제1 특징 벡터와 제2 특징 벡터들 사이의 최대 유사도가 미리 정해진 제2 임계 유사도보다 큰지 여부를 검사할 수 있다. 제2 임계 유사도는 예를 들어, 0.01%의 오인식률(FAR)에 해당하는 유사도일 수 있다. 또한, 갱신 장치는 제1 특징 벡터와 대표 벡터 사이의 유사도가 미리 정해진 제3 임계 유사도보다 큰지 여부를 검사할 수 있다.The updating device can use the similarity instead of the distance. In this case, the updating apparatus can check whether the maximum similarity degree between the first feature vector and the second feature vector is larger than the predetermined second criticality similarity. The second threshold similarity may be, for example, a similarity corresponding to a false recognition rate (FAR) of 0.01%. Further, the updating apparatus can check whether or not the similarity degree between the first feature vector and the representative vector is larger than a predetermined third criticality similarity.
갱신 장치는 전술한 2 가지 조건들이 모두 통과되는 경우, 입력 영상이 아웃라이어에 해당하지 않는다고 판단할 수 있다. 입력 영상이 아웃라이어에 해당하지 않는 경우, 갱신 장치는 입력 영상을 등록 데이터베이스에 등록시킨다고 판단할 수 있다. 반면, 입력 영상이 아웃라이어에 해당하는 경우, 갱신 장치는 입력 영상을 등록 데이터베이스에 등록시키지 않는다고 판단할 수 있다.The update apparatus can determine that the input image does not correspond to an outlier when both of the above two conditions are satisfied. If the input image does not correspond to the outlier, the update device can determine that the input image is registered in the registration database. On the other hand, when the input image corresponds to an outlier, the update device can determine that the input image is not registered in the registration database.
입력 영상을 등록 데이터베이스에 등록시킨다는 판단에 따라, 갱신 장치는 단계(130)에서, 입력 영상을 등록 데이터베이스에 등록한다. 여기서, '등록'은 등록 데이터베이스에 입력 영상을 추가(add)하는 것 및 등록 데이터베이스에 있는 등록 영상들 중 어느 하나와 입력 영상을 교체(replace)하는 것을 모두 포함하는 의미로 이해될 수 있다. In response to the determination that the input image is to be registered in the registration database, the updating apparatus registers the input image in the registration database in step 130. Here, 'registration' may be understood to include adding an input image to the registration database and replacing any of the registered images in the registration database with the input image.
일 예로, 등록 데이터베이스에 포함된 등록 영상들의 수가 미리 정해진 임계 개수(예를 들어, 10 개)보다 작은 경우, 갱신 장치는 입력 영상을 등록 데이터베이스에 추가할 수 있다.For example, when the number of registered images included in the registration database is smaller than a predetermined threshold number (for example, 10), the updating apparatus can add the input image to the registration database.
다른 예로, 등록 데이터베이스에 포함된 등록 영상들의 수가 임계 개수와 같은 경우, 갱신 장치는 입력 영상으로 인하여 등록 데이터베이스의 특징 범위가 확장되는지 여부에 따라 등록 영상들 중 어느 하나와 입력 영상을 교체할 수 있다. 여기서, '등록 데이터베이스의 특징 범위가 확장된다'는 것은 등록 데이터베이스에 포함된 등록 영상들에 의하여 인식 가능한 사용자의 얼굴 변화들이 다양해진다는 의미로 이해될 수 있다. 사용자의 얼굴 변화들은 화장, 헤어스타일, 수염, 체중 등 다양한 요소들에 기인할 수 있다.As another example, if the number of registered images included in the registration database is equal to the threshold number, the updating apparatus can replace any one of the registered images with the input image depending on whether the feature range of the registration database is expanded due to the input image . Here, 'the feature range of the registration database is expanded' can be understood as meaning that the user's face changes that can be recognized by the registered images included in the registration database are varied. The user's facial changes can be attributed to various factors such as makeup, hairstyle, beard, and weight.
갱신 장치는 제1 특징 벡터 및 제2 특징 벡터들에 기초하여, 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단할 수 있다. 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 방법은 도 6을 참조하여 설명한다.The updating device can determine whether the feature range of the registration database is expanded based on the first feature vector and the second feature vectors. A method for determining whether or not the feature range of the registration database is expanded will be described with reference to Fig.
실시예들에 따른 갱신 장치는 타인에 해당하는 영상이 등록 데이터베이스에 잘못 포함되는 것을 방지하면서, 본인에 해당하는 다양한 영상들이 등록 데이터베이스에 포함되도록 등록 데이터베이스를 적응적으로 갱신할 수 있다. 적응적으로 갱신된 등록 데이터베이스를 통하여, 본인 인증률이 향상될 수 있다.The update apparatus according to the embodiments can adaptively update the registration database so that various images corresponding to the user are included in the registration database while preventing the image corresponding to the other person from being erroneously included in the registration database. Through the adaptively updated registration database, the identity verification rate can be improved.
도 2는 일 실시예에 따른 등록 데이터베이스의 적응적 갱신에 의해 본인 인증률이 향상되는 원리를 설명하는 도면이다. 도 2를 참조하면, 등록 데이터베이스의 등록 영상들이 적응적으로 추가 또는 교체됨에 따라, 등록 데이터베이스의 등록 영상들에 의한 인증 범위가 본인에 해당하는 범위를 효과적으로 커버하도록 개선될 수 있다. 도 2에서 각 등록 영상으로부터 방사형으로 그려진 원은 해당 등록 영상에 의한 인증 범위를 나타낸다. 2 is a diagram for explaining the principle of improving the identity verification rate by adaptive update of the registration database according to an embodiment. Referring to FIG. 2, as registration images of the registration database are adaptively added or replaced, the authentication range by the registered images of the registration database can be improved to effectively cover the range corresponding to the user. In FIG. 2, a circle drawn radially from each registered image represents an authentication range based on the registered image.
도 2의 (a)를 참조하면, 등록 데이터베이스에 한 개의 등록 영상(X1)이 등록된 경우의 등록 영상(X1)에 의한 인증 범위가 도시된다. 전술한 바와 같이, 얼굴은 예를 들어, 조명, 화장, 헤어 스타일, 수염, 및 체중 등과 같은 많은 변화 요소들을 가지므로 한 개의 등록 영상으로는 사용자에 해당하는 범위를 효과적으로 커버하기 어렵다. 이 경우, 인식률(verification rate; VR)이 낮고, 오거부율(false rejection rate; FRR)이 클 수 있다. 인식률(VR)은 사용자 본인을 제대로 인식하는 비율이고, 오거부율(FRR)은 사용자 본인을 잘못 거부하는 비율이다. 도면에 도시하지 않았으나, 등록 영상(X1) 만으로 사용자에 해당하는 범위를 모두 커버하려면, 등록 영상(X1)의 인증 범위가 타인을 본인으로 오인식하는 범위까지 확장되어야 한다. 이 경우, 오인식률(FAR)이 심각하게 증가될 수 있다.Referring to FIG. 2A, an authentication range based on the registered image X 1 when one registered image X 1 is registered in the registered database is shown. As described above, since the face has many changing elements such as illumination, makeup, hair style, beard, weight, and the like, it is difficult to effectively cover the range corresponding to the user with one registered image. In this case, the verification rate (VR) may be low and the false rejection rate (FRR) may be large. Recognition rate (VR) is the ratio of recognizing the user correctly, and false rejection rate (FRR) is the rate of rejecting the user wrongly. Although not illustrated in the figure, the registration image to cover the range corresponding to the user only by (X 1), to be extended to the scope of the registered image (X 1) to the extent that misrecognized others for identity. In this case, the false recognition rate (FAR) can be seriously increased.
도 2의 (b)를 참조하면, 등록 데이터베이스에 복수 개의 등록 영상들(X1, X2, X3, X4, X5)이 추가된 경우의 인증 범위가 도시된다. 등록 데이터베이스에 복수 개의 등록 영상들(X2, X3, X4, X5)이 추가된 경우, 한 개의 등록 영상(X1)만 등록된 경우에 비해 인식률(VR)이 향상될 수 있다. Referring to FIG. 2B , an authentication range when a plurality of registered images X 1, X 2, X 3, X 4, and X 5 are added to the registration database is shown. When a plurality of registered images X 2, X 3, X 4, and X 5 are added to the registration database, the recognition rate VR can be improved as compared with the case where only one registered image X 1 is registered.
일 실시예에서는 복수 개의 등록 영상들의 특징들(예를 들어, 제2 특징 벡터들) 및 등록 영상들의 평균 특징(예를 들어, 대표 벡터)을 함께 사용하여 인식률(VR)을 높이는 한편, 개별 등록 영상의 인증 범위를 좁게 설정함으로써 오인식률(FAR)을 낮출 수 있다. In one embodiment, the recognition rate (VR) is increased by using the features (e.g., second feature vectors) of the plurality of registered images and the average feature (e.g., representative vector) of the registered images together, By setting the authentication range of the image narrower, the false recognition rate (FAR) can be lowered.
도 2의 (c)를 참조하면, 등록 데이터베이스가 복수의 등록 영상들(X'1 , X'2 , X'3, X'4 , X'5)로 교체되는 경우의 인증 범위가 도시된다. 교체된 복수의 등록 영상들(X'1, X'2 , X'3 , X'4 , X'5)이 본인에 해당하는 범위에 가능한 넓게 포진된 경우, 다양하게 변하는 사용자의 얼굴에 대한 인식률(VR)을 향상시킬 수 있다. Referring to FIG. 2C , the authentication range is shown when the registration database is replaced with a plurality of registered images (X ' 1 , X' 2 , X ' 3, X' 4 , X ' 5 ). The replaced multiple registered images of (X '1, X' 2 , X '3, X' 4, X '5) In this case, the possible range for the I widely herpes, the recognition rate of the face variously changing user (VR) can be improved.
일 실시예에서는 등록 데이터베이스에 저장된 등록 영상들 간의 거리가 최대한 넓게 유지되도록 등록 영상들을 지속적으로 교체함으로써 인식률(VR)을 높여 사용자의 얼굴 변화에 적응하도록 할 수 있다. 여기서, '등록 영상들 간의 거리를 최대한 넓게 유지한다'는 것은 등록 영상들이 최대한 다양한 변화를 나타내도록 등록 영상들 간의 유사도를 최대한 낮게 한다는 의미로 이해될 수 있다. 이때, 등록 영상들 간 거리를 최대한 넓게 유지하더라도 아웃라이어가 등록 영상에 포함되지 않도록 해야 한다. 아웃라이어가 등록 영상에 포함되지 않도록 하는 방법은 도 3을 참조하여 설명한다. In one embodiment, the registration images are continuously changed so that the distance between the registered images stored in the registration database is kept as wide as possible, so that the recognition rate (VR) can be increased to adapt to the user's face change. Here, 'maintaining the distance between the registered images as wide as possible' can be understood as meaning that the degree of similarity between the registered images is minimized so that the registered images exhibit various changes as much as possible. At this time, even if the distance between the registered images is kept as wide as possible, the outliers should not be included in the registered image. A method for preventing an outlier from being included in a registered image will be described with reference to FIG.
일 실시예에서는 도 2의 (b) 및 (c)와 같은 등록 영상들의 추가 및 교체를 통해 사용자에 해당하는 범위를 효과적으로 커버함으로써 입력 영상에 대한 인식률(VR)을 높이는 한편, 오인식률(FAR) 및 오거부율(FRR)을 낮출 수 있다. In one embodiment, the range corresponding to the user is effectively covered by adding and replacing the registered images as shown in (b) and (c) of FIG. 2, thereby increasing the recognition rate (VR) And the false rejection rate (FRR).
도 3은 일 실시예에 따른 입력 영상이 아웃라이어에 해당하는지 여부를 판단하는 방법을 설명하는 도면이다. 도 3의 (a)는 입력 영상이 아웃라이어로 판단되는 경우를 도시하고, 도 3의 (b)는 입력 영상이 아웃라이어가 아니라고 판단되는 경우를 도시한다. 이때, 등록 데이터베이스는 등록 영상들의 제2 특징 벡터들(x1, x2, x3, x4, x5) 및 제2 특징 벡터들을 대표하는 대표 벡터()를 포함한다고 하자. 대표 벡터는 등록 영상들의 대표 벡터(예를 들어, 평균 특징)에 해당할 수 있다.FIG. 3 illustrates a method for determining whether an input image corresponds to an outlier according to an exemplary embodiment of the present invention. Referring to FIG. 3 (a) shows a case where the input image is determined as an outlier, and FIG. 3 (b) shows a case where it is determined that the input image is not an outlier. At this time, the registration database stores the second feature vectors (x 1, x 2, x 3, x 4, x 5 ) of the registered images and the representative vector ). The representative vector may correspond to a representative vector (e.g., average feature) of the registered images.
도 3의 (a)를 참조하면, 제1 입력 영상의 제1 특징 벡터(y1)와 등록 데이터베이스에 저장된 제4 등록 영상의 특징 벡터(x4) 사이의 거리는 미리 정해진 제2 임계 거리보다 작지만, 제1 특징 벡터(y1)와 등록 영상들의 대표 벡터() 사이의 거리는 미리 정해진 제3 임계 거리보다 클 수 있다. 이 경우, 제1 입력 영상은 제4 등록 영상과 유사하지만, 등록 데이터베이스에 저장된 등록 영상들을 대표하는 영상과는 유사하지 않다고 판단될 수 있다. 3A, the distance between the first feature vector y 1 of the first input image and the feature vector x 4 of the fourth registered image stored in the registration database is smaller than a predetermined second threshold distance , A first feature vector (y 1 ) and a representative vector of registered images ( May be greater than a predetermined third critical distance. In this case, it can be determined that the first input image is similar to the fourth registered image but is not similar to the representative image stored in the registration database.
갱신 장치는 입력 영상이 등록 데이터베이스에 저장된 등록 영상들 중 하나 또는 그 이상의 등록 영상과 유사하다고 판단되더라도, 입력 영상이 등록 영상들을 대표하는 영상과 유사하지 않다고 판단되는 경우, 입력 영상을 등록 데이터베이스에 등록시키지 않을 수 있다. 이로 인하여, 실시예들은 아웃라이어가 등록 데이터베이스에 포함되는 것을 방지할 수 있다. Even if it is determined that the input image is similar to one or more of the registered images stored in the registration database, if the input image is judged not to be similar to the image representing the registered images, . As a result, the embodiments can prevent the outlier from being included in the registration database.
도 3의 (b)를 참조하면, 제2 입력 영상의 제1 특징 벡터(y2)와 등록 데이터베이스에 저장된 제4 등록 영상의 특징 벡터(x4) 사이의 거리가 제2 임계 거리보다 작고, 제1 특징 벡터(y2)와 대표 벡터() 사이의 거리 또한 제3 임계 거리보다 작을 수 있다. 이는 제2 입력 영상이 등록 영상들 모두와 일정 수준 이상의 높은 유사도를 가짐을 나타낸다. 갱신 장치는 제1 특징 벡터(y2)에 대응되는 제2 입력 영상을 본인에 해당하는 영상으로 판단하고, 제2 입력 영상을 등록 데이터베이스에 등록시킬 수 있다.3B, the distance between the first feature vector y 2 of the second input image and the feature vector x 4 of the fourth registered image stored in the registration database is smaller than the second threshold distance, 1 feature vector (y 2 ) and representative vector ( May also be less than the third critical distance. This indicates that the second input image has a high degree of similarity with all the registered images above a predetermined level. The updating device can determine the second input image corresponding to the first feature vector y 2 as an image corresponding to the user and register the second input image in the registration database.
도 4는 일 실시예에 따른 등록 데이터베이스의 적응적 갱신 알고리즘을 나타낸 흐름도이다. 도 4를 참조하면, 갱신 장치는 단계(410)에서 입력 영상(Y)을 수신할 수 있다. 갱신 장치는 입력 영상(Y)으로부터 제1 특징 벡터를 추출할 수 있다. 갱신 장치는 단계(420)에서 사용자 인증에 성공하였는지 여부를 판단할 수 있다. 예를 들어, 갱신 장치는 제1 특징 벡터와 등록 데이터베이스(405)를 이용하여 사용자 인증을 수행할 수 있다. 사용자 인증에 실패하면, 갱신 장치는 입력 영상(Y)을 등록 데이터베이스(405)에 등록시키지 않고 동작을 종료할 수 있다.4 is a flowchart illustrating an adaptive update algorithm of a registration database according to an embodiment. Referring to FIG. 4, the update device may receive the input image Y at
사용자 인증에 성공하면, 갱신 장치는 단계(430)에서 입력 영상(Y)이 아웃라이어인지 여부를 판단할 수 있다. 갱신 장치는 도 1을 통하여 전술한 2가지 조건들을 검사함으로써 입력 영상(Y)이 아웃라이어인지 여부를 판단할 수 있다.If the user authentication is successful, the update device can determine in
입력 영상이 아웃라이어에 해당하는지 여부를 판단하는 조건은 다양하게 변형될 수 있다. 예를 들어, 갱신 장치는 아래의 <수학식 3>에 의해 입력 영상이 아웃라이어인지를 판단할 수 있다.The condition for determining whether the input image corresponds to an outlier can be variously modified. For example, the updating apparatus can determine whether the input image is an outlier according to Equation (3) below.
여기서, y는 제1 특징 벡터이고, x i 는 i번째 제2 특징 벡터이며, N은 제2 특징 벡터들의 수이고, 는 대표 벡터이다. d(x i , y)는 제1 특징 벡터와 i번째 제2 특징 벡터 사이의 거리이고, d( , y)는 제1 특징 벡터와 대표 벡터 사이의 거리이다.Here, y is a first feature vector, x i is an i-th second feature vector, N is a number of second feature vectors, Is a representative vector. d ( x i , y ) is the distance between the first feature vector and the i th second feature vector, d ( , y ) is the distance between the first feature vector and the representative vector.
수학식 3에 따르면, N개의 제2 특징 벡터들 중 제1 특징 벡터와의 거리가 임계 값(T3)보다 작은 제2 특징 벡터의 수가 2 이상이고, 대표 벡터와 제1 특징 벡터 사이의 거리가 임계 값(T3)보다 작은 경우, 제1 특징 벡터가 아웃라이어가 아니고 등록 갱신 후보라고 판단될 수 있다.According to Equation ( 3 ), the number of second feature vectors whose distance from the first feature vector among the N feature vectors is smaller than the threshold value (T 3 ) is 2 or more, and the distance between the representative vector and the first feature vector Is smaller than the threshold value (T 3 ), the first feature vector may be judged to be a registration update candidate rather than an outlier.
입력 영상(Y)이 아웃라이어라고 판단되면, 갱신 장치는 입력 영상(Y)을 등록 데이터베이스(405)에 등록시키지 않고, 동작을 종료할 수 있다. 입력 영상(Y)이 아웃라이어가 아니라고 판단되면, 갱신 장치는 단계(440)에서 등록 데이터베이스에 등록된 등록 영상들의 개수(n)와 등록 데이터베이스(405)의 최대 등록 개수(N)를 비교할 수 있다. 최대 등록 개수(N)는 미리 설정된 값(예를 들어, 10)일 수 있다.If it is determined that the input image Y is an outlier, the update apparatus can end the operation without registering the input image Y in the
등록 영상들의 개수가 최대 등록 개수보다 작은 경우, 갱신 장치는 단계(445)에서 입력 영상(Y)을 등록 데이터베이스(405)에 추가할 수 있다. 입력 영상(Y)이 등록 데이터베이스(405)에 추가되면, 등록 데이터베이스(405)를 대표하는 대표 벡터가 갱신될 수 있다. 예를 들어, 입력 영상(Y)이 등록 데이터베이스(405)에 추가되는 경우, 대표 벡터는 아래의 <수학식 4>와 같이 갱신될 수 있다. If the number of registered images is smaller than the maximum registered number, the updating device may add the input image Y to the
등록 영상들의 개수가 최대 등록 개수보다 크거나 같은 경우, 갱신 장치는 단계(450)에서 입력 영상(Y)에 의해 등록 데이터베이스(405)의 특징 범위가 확장되는지 여부를 판단할 수 있다. 입력 영상(Y)에 의해 등록 데이터베이스(405)의 특징 범위가 확장되는지 여부를 판단하는 방법은 도 6을 참조하여 설명한다. 입력 영상(Y)에 의해 등록 데이터베이스(405)의 특징 범위가 확장되지 않는다고 판단되면, 갱신 장치는 입력 영상(Y)을 등록 데이터베이스(405)에 등록시키지 않고, 동작을 종료할 수 있다.If the number of registered images is equal to or greater than the maximum number of registered images, the updating device can determine whether the feature range of the
입력 영상(Y)에 의해 등록 데이터베이스(405)의 특징 범위가 확장된다고 판단되면, 갱신 장치는 단계(455)에서 입력 영상(Y)을 등록 데이터베이스(405)에 등록된 등록 영상들 중 어느 하나와 교체할 수 있다. If it is determined that the feature range of the
일 예로, 갱신 장치는 <수학식 5>에 의해 입력 영상(Y)이 등록 데이터베이스의 등록 갱신 후보에 해당하는지를 판단할 수 있다.For example, the update apparatus can determine whether the input image Y corresponds to the registration update candidate of the registration database by Equation (5).
보다 구체적으로, 갱신 장치는 제1 특징 벡터(y)를 N+1번째 제2 특징 벡터(xN+1)로 설정할 수 있다. 갱신 장치는 N+1개의 제2 특징 벡터들 각각에 대응하는 누적 특징 거리(Si)를 계산할 수 있다. 누적 특징 거리들 중 최소 누적 특징 거리의 인덱스(imin)가 N 이하인 경우, 갱신 장치는 imin 번째 영상을 입력 영상과 교체한다. 다시 말해, 입력 영상이 최소 누적 특징 거리를 가지는 경우 갱신 장치는 교체를 진행하지 않고, 기존 등록 영상이 최소 누적 특징 거리를 가지는 경우 갱신 장치는 해당 등록 영상과 입력 영상을 교체할 수 있다.More specifically, the updating device may set the first feature vector y to the ( N + 1 ) th second feature vector x N + 1 . The updating device may calculate a cumulative feature distance S i corresponding to each of the (N + 1) second feature vectors. When the index (i min ) of the minimum cumulative feature distance among the cumulative feature distances is equal to or less than N, the updating apparatus replaces the i min th image with the input image. In other words, if the input image has the minimum cumulative feature distance, the update device does not proceed to replace the update image, and if the existing registered image has the minimum cumulative feature distance, the update device can replace the registered image with the input image.
입력 영상(Y)이 등록 데이터베이스(405)의 등록 영상들 중 어느 하나와 교체되면, 등록 데이터베이스(405)를 대표하는 대표 벡터가 갱신될 수 있다.If the input image Y is replaced with any of the registered images in the
일 실시예에서는 입력 영상(Y)이 아웃라이어가 아니고, 입력 영상(Y)이 등록 영상들의 특징 범위(또는, 인증 범위)를 더 넓힐 수 있다면, 입력 영상(Y)을 기존의 등록 영상과 교체하여 등록 데이터베이스(405)에 포함된 등록 영상들의 다양성을 확보할 수 있다. If the input image Y is not an outlier and the input image Y can broaden the feature range (or the authentication range) of the registered images, the input image Y may be replaced with the existing registered image So that diversity of the registered images included in the
단계(410)은 도 1의 단계(110)에 대응하고, 단계(420) 및 단계(430)은 도 1의 단계(120)에 대응하며, 단계(440), 단계(445), 단계(450), 및 단계(455)는 도 1의 단계(130)에 대응할 수 있으므로, 보다 상세한 설명은 생략한다.Step 410 corresponds to step 110 of Figure 1 and
도 5는 일 실시예에 따른 임계치를 결정하는 방법을 설명하는 도면이다. 임계치는 사용자 인증을 위한 임계 거리 또는 임계 유사도, 아웃라이어 판단을 위한 임계 거리 또는 임계 유사도 등을 포함할 수 있다. 임계치는 다양한 성능 지표에 기초하여 결정될 수 있다. 예를 들어, 임계치는 인식률(VR), 오인식률(FAR), 오거부율(FRR), 또는 이들의 다양한 조합에 기초하여 결정될 수 있다.5 is a diagram illustrating a method for determining a threshold according to an embodiment. The threshold value may include a threshold distance or threshold similarity for user authentication, a critical distance or critical similarity for outlier determination, and the like. The threshold can be determined based on various performance indicators. For example, the threshold may be determined based on a recognition rate (VR), a false recognition rate (FAR), a false rejection rate (FRR), or various combinations thereof.
도 5를 참조하면, 사용자 본인의 영상들 사이의 특징 거리에 관한 정규분포 곡선(510)과 타인 영상들 사이의 특징 거리에 관한 정규분포 곡선(530)이 도시된다. 여기서, 특징 거리는 영상들 간의 유사도에 반비례하는 거리라고 이해될 수 있다. 도 5의 그래프에서 x축은 두 영상들 사이의 특징 거리를 나타내고, y축은 해당 특징 거리에 대응하는 확률 밀도 함수의 값을 나타낼 수 있다. 5, there is shown a
일 예로, 사용자 인증을 위한 제1 임계 거리를 1%의 오인식률(FAR)에 해당하는 거리로 설정하기 위하여, 갱신 장치는 타인 영상들 사이의 특징 거리에 관한 정규분포 곡선(530)의 전체 면적 중 하위 1%의 면적을 구분하는 경계선(550)의 특징 거리를 제1 임계 거리로 설정할 수 있다.For example, in order to set the first threshold distance for user authentication to a distance corresponding to a false recognition rate (FAR) of 1%, the updating device calculates the total area of the
도 6은 일 실시예에 따른 입력 영상에 의해 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 방법을 설명하는 도면이다. 도 6의 (a)를 참조하면, 입력 영상이 수신된 경우에 입력 영상의 제1 특징 벡터(y) 및 등록 영상들의 제2 특징 벡터들(x1, x2, x3, x4, x5)을 포함하는 벡터 집합이 도시된다.FIG. 6 is a diagram for explaining a method of determining whether the feature range of the registration database is expanded by an input image according to an exemplary embodiment. Referring to FIG. 6A, when the input image is received, the first feature vector y of the input image and the second feature vectors x 1, x 2, x 3, x 4, x 5 are shown.
갱신 장치는 도 6의 (a)의 벡터 집합 내 어느 하나의 벡터와 나머지 벡터들 사이의 거리들의 합에 의해 도 6의 (b)와 같이 각각의 벡터에 대응하는 누적 특징 거리(S)를 결정할 수 있다. 갱신 장치는 예를 들어, 제2 특징 벡터(x1)과 제1 특징 벡터(y) 사이의 거리, 및 제2 특징 벡터(x1)와 나머지 제2 특징 벡터들(x2, x3, x4, x5) 각각과의 거리를 합산하여 제2 특징 벡터(x1)에 대응하는 누적 특징 거리(S1)를 결정할 수 있다. 갱신 장치는 이러한 방식으로, 나머지 제2 특징 벡터들(x2, x3, x4, x5) 각각에 대응하는 누적 특징 거리(S2, S3, S4, S5)와 제1 특징 벡터(y)에 대응하는 누적 특징 거리(SY)를 결정할 수 있다. The updating device determines the cumulative feature distance S corresponding to each vector as shown in FIG. 6 (b) by the sum of the distances between any one of the vectors and the remaining vectors in the vector set of FIG. 6 (a) . The updating device calculates the distance between the second feature vector x 1 and the first feature vector y and the distance between the second feature vector x 1 and the remaining second feature vectors x 2 , x 4, and x 5 , respectively, to determine the cumulative feature distance S 1 corresponding to the second feature vector x 1 . Updating apparatus in this way, the other second feature vectors (x 2, x 3, x 4, x 5) Cumulative characterized distances corresponding to the respective (S 2, S 3, S 4, S 5) and the first feature The cumulative feature distance S Y corresponding to the vector y can be determined.
갱신 장치는 제1 특징 벡터에 대응하는 누적 특징 거리(SY)가 제2 특징 벡터들에 대응하는 누적 특징 거리들(S1, S2, S3, S4, S5) 중 적어도 하나보다 큰 지 여부를 판단할 수 있다. 갱신 장치는 제1 특징 벡터에 대응하는 누적 특징 거리가 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 경우에 기존의 등록 영상을 입력 영상과 교체할 수 있다. 갱신 장치는 누적 특징 거리들 중 최소 누적 특징 거리를 가지는 제2 특징 벡터에 대응하는 등록 영상을 입력 영상과 교체할 수 있다.The updating device is configured to determine whether the cumulative feature distance S Y corresponding to the first feature vector is greater than at least one of the cumulative feature distances S 1 , S 2 , S 3 , S 4 , S 5 corresponding to the second feature vectors It can be judged whether it is large or not. The updating device may replace the existing registered image with the input image when the cumulative feature distance corresponding to the first feature vector is greater than at least one of the cumulative feature distances corresponding to the second feature vectors. The update apparatus may replace the registered image corresponding to the second feature vector having the minimum cumulative feature distance among the cumulative feature distances with the input image.
예를 들어, 각 특징 벡터들에 대응하는 누적 특징 거리들의 크기가 S4 < S5 < SY < S3 < S1 < S2 와 같다고 하자. 이때, 제1 특징 벡터에 대응하는 누적 특징 거리(SY)는 제2 특징 벡터들에 대응하는 누적 특징 거리들(S4, S5)보다 크다. 갱신 장치는 누적 특징 거리(S4, S5)를 가지는 제2 특징 벡터(x4, x5)에 대응하는 등록 영상들 중 어느 하나와 입력 영상을 교체할 수 있다. 갱신 장치는 최소 누적 특징 거리(S4)를 가지는 제2 특징 벡터(x4)에 대응되는 등록 영상을 입력 영상과 교체할 수 있다. 제2 특징 벡터(x4)에 대응되는 등록 영상이 입력 영상에 의해 교체된 결과는 도 6의 (c)와 같다. For example, let S 4 <S 5 <S Y <S 3 <S 1 <S 2 be the size of cumulative feature distances corresponding to each feature vector. At this time, the cumulative feature distance (S Y ) corresponding to the first feature vector is larger than the cumulative feature distances (S 4 , S 5 ) corresponding to the second feature vectors. The updating device may replace the input image with any of the registered images corresponding to the second feature vector (x 4, x 5 ) having the cumulative feature distance (S 4 , S 5 ). The updating apparatus can replace the registered image corresponding to the second feature vector x 4 having the minimum cumulative feature distance S 4 with the input image. The result obtained by replacing the registered image corresponding to the second feature vector x 4 with the input image is shown in (c) of FIG.
갱신 장치는 입력 영상과 등록 영상들의 특징 거리들을 서로 비교하여 교체함으로써 등록 영상들 간의 특징 거리가 더 넓어지도록 하여 더욱 다양하게 변화된 입력 영상들에 대한 인증률을 향상시킬 수 있다. The updating device compares the feature distances of the input image and the registered images with each other to replace the feature images, thereby widening the feature distance between the registered images, thereby improving the authentication rate for the more variously changed input images.
도 7은 일 실시예에 따른 등록 데이터베이스에 적응적으로 갱신된 등록 영상들을 나타낸 도면이고, 도 8은 도 7에서 등록 데이터베이스에 처음 등록된 등록 영상들 간의 특징 거리 및 최종적으로 갱신된 등록 영상들 간의 특징 거리를 나타낸 도면이다.FIG. 7 is a diagram illustrating registered images adaptively updated in a registration database according to an exemplary embodiment. FIG. 8 is a diagram illustrating a relationship between feature distances between registered images initially registered in the registration database in FIG. 7, Fig.
도 7을 참조하면, 최초 등록 영상 A1(710), 추가된 9개의 등록 영상들(A2, A3, A4 , A5, A6, A7, A8, A9, A10)(730) 및 최종적으로 교체된 10개의 등록 영상들(A1''',A2, A3', A4' , A5''', A6'', A7, A8'', A9, A10''')(750)이 도시된다. 도 7에서 A1'는 최초 등록 영상 A1에 대응하여 1회 교체된 영상을, A1''는 2회 교체된 영상을, A1'''는 3회 교체된 영상을 나타낸다. 7, the first registered image A 1 (710), the added nine registered images A 2, A 3, A 4 , A 5, A 6, A 7, A 8, A 9, A 10 , 730 and the final 10 registration image is replaced with (a 1 ''', a 2, a 3', a 4 ', a 5''', a 6 '', a 7, a 8 '', A 9, A 10 ''') 750 are shown. 7, A 1 'corresponds to the first registered image A 1 A 1 '' represents an image that has been replaced twice, and A 1 '''represents an image that has been replaced three times.
도 8에서 위쪽 그림은 등록 데이터베이스에 처음 등록된 등록 영상들 간의 특징 거리를 나타내고, 아래쪽 그림은 등록 데이터베이스에 최종적으로 등록된 등록 영상들 간의 특징 거리를 나타낸다. 도 8을 참조하면, 처음 등록된 등록 영상들에 비해 최종적으로 등록된 등록 영상들 간의 특징 거리가 더 큰 값을 가짐을 파악할 수 있다. 8 shows the feature distance between the registered images initially registered in the registration database and the lower figure shows the feature distance between the registered images finally registered in the registration database. Referring to FIG. 8, it can be understood that the feature distance between the registered images finally registered with respect to the registered images registered for the first time has a larger value.
일 실시예에서는 등록 영상들의 추가 및 교체를 통해 등록 영상들 간의 특징 거리를 넓게 유지함으로써 다양하게 변화된 얼굴 영상에 대한 인증 성능을 향상시킬 수 있다. In one embodiment, the feature distance between the registered images is widened by adding and replacing the registered images, thereby improving the authentication performance of variously changed face images.
도 9는 일 실시예에 따른 등록 데이터베이스의 적응적 갱신 장치의 블록도이다. 도 9를 참조하면, 일 실시예에 따른 갱신 장치(900)는 프로세서(910), 메모리(920), 및 이미지 센서(930)를 포함한다. 프로세서(910), 메모리(920) 및 이미지 센서(930)는 버스(940)를 통하여 서로 통신할 수 있다. 9 is a block diagram of an adaptive updating apparatus of a registration database according to an embodiment. 9, an updating
프로세서(910)는 사용자의 얼굴을 포함하는 입력 영상과 기 등록된 등록 영상들을 이용하여 등록 데이터베이스를 적응적으로 갱신할 수 있다. The
프로세서(910)는 사용자의 얼굴을 포함하는 입력 영상으로부터 제1 특징 벡터를 추출한다. 프로세서(910)는 제1 특징 벡터, 등록 데이터베이스에 등록된 등록 영상들의 제2 특징 벡터들, 및 제2 특징 벡터들을 대표하는 대표 벡터에 기초하여, 입력 영상을 등록 데이터베이스에 등록시킬지 여부를 판단한다. 프로세서(910)는 판단 결과에 기초하여 입력 영상을 등록 데이터베이스에 등록시킨다. The
프로세서(910)는 제1 특징 벡터, 제2 특징 벡터들, 및 대표 벡터에 기초하여 입력 영상이 아웃라이어에 해당하는지 여부 또는 제1 특징 벡터, 및 제2 특징 벡터들에 기초하여 등록 데이터베이스의 특징 범위가 확장되는지 여부 중 적어도 하나를 판단할 수 있다. 입력 영상이 아웃라이어에 해당하지 않고 등록 영상의 개수가 최대 등록 개수보다 작은 경우, 프로세서(910)는 입력 영상을 등록 데이터베이스에 추가할 수 있다. 등록 영상의 개수가 최대 등록 개수보다 크거나 같은 경우, 프로세서(910)는 등록 데이터베이스의 특징 범위가 확장되는지 여부를 추가로 판단할 수 있다. 특징 범위가 확장되는 경우, 프로세서(910)는 입력 영상을 등록 영상 중 하나와 교체할 수 있다. Based on the first feature vector, the second feature vectors, and the representative vector, the
이 밖에도, 프로세서(910)는 도 1 내지 도 8을 통하여 전술한 적어도 하나의 방법을 수행할 수 있다.In addition, the
프로세서(910)는 프로그램을 실행하고, 갱신 장치를 제어할 수 있다. 프로세서(910)에 의하여 실행되는 프로그램 코드는 메모리(920)에 저장될 수 있다. 갱신 장치는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.The
메모리(920)는 기 등록 영상들을 포함하는 등록 데이터베이스를 저장한다. 메모리(920)는 입력 영상으로부터 추출된 제1 특징 벡터, 등록 영상들의 제2 특징 벡터들 및 제2 특징 벡터들을 대표하는 대표 벡터를 포함할 수 있다. 또한, 메모리(920)는 새로이 등록된 입력 영상과 새로이 등록된 입력 영상에 의해 갱신된 대표 벡터 또한 저장할 수 있다. 메모리(920)는 휘발성 메모리 또는 비 휘발성 메모리일 수 있다. 이미지 센서(930)는 사용자의 얼굴을 포함하는 입력 영상을 캡쳐할 수 있다. The
갱신 장치(900)는 소프트웨어 모듈로 구현되어 적어도 하나의 프로세서에 의하여 구동될 수 있다. 소프트웨어 모듈은 프로세서와 연결된 메모리에 프로그램 형태로 기록될 수 있다. 또는, 갱신 장치(900)는 하드웨어 모듈로 구현될 수 있다. 또는, 갱신 장치(900)는 소프트웨어 모듈 및 하드웨어 모듈의 조합으로 구현될 수도 있다. 이 경우, 소프트웨어 모듈로 구현된 기능은 프로세서에 의하여 수행되고, 하드웨어 모듈로 구현된 기능은 해당 하드웨어에 의하여 수행될 수 있다. 프로세서와 하드웨어는 입출력 버스 등을 통하여 서로 신호를 주고 받을 수 있다.The updating
갱신 장치(900)는 이동 전화, 스마트 폰, PDA, 태블릿 컴퓨터, 랩톱 컴퓨터 등 모바일 장치, 퍼스널 컴퓨터, 태블릿 컴퓨터, 넷북 등 컴퓨팅 장치, 또는 텔레비전, 스마트 텔레비전, 게이트 제어를 위한 보안 장치 등 전자 제품 등 다양한 전자 시스템들을 포함할 수 있다.The updating
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.The embodiments described above may be implemented in hardware components, software components, and / or a combination of hardware components and software components. For example, the devices, methods, and components described in the embodiments may be implemented within a computer system, such as, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, such as an array, a programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. The processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For ease of understanding, the processing apparatus may be described as being used singly, but those skilled in the art will recognize that the processing apparatus may have a plurality of processing elements and / As shown in FIG. For example, the processing unit may comprise a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as a parallel processor.
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.The software may include a computer program, code, instructions, or a combination of one or more of the foregoing, and may be configured to configure the processing device to operate as desired or to process it collectively or collectively Device can be commanded. The software and / or data may be in the form of any type of machine, component, physical device, virtual equipment, computer storage media, or device , Or may be permanently or temporarily embodied in a transmitted signal wave. The software may be distributed over a networked computer system and stored or executed in a distributed manner. The software and data may be stored on one or more computer readable recording media.
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.The method according to an embodiment may be implemented in the form of a program command that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, and the like, alone or in combination. The program instructions to be recorded on the medium may be those specially designed and configured for the embodiments or may be available to those skilled in the art of computer software. Examples of computer-readable media include magnetic media such as hard disks, floppy disks and magnetic tape; optical media such as CD-ROMs and DVDs; magnetic media such as floppy disks; Magneto-optical media, and hardware devices specifically configured to store and execute program instructions such as ROM, RAM, flash memory, and the like. Examples of program instructions include machine language code such as those produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter or the like. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.
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.Although the embodiments have been described with reference to the drawings, various technical modifications and variations may be applied to those skilled in the art. For example, it is to be understood that the techniques described may be performed in a different order than the described methods, and / or that components of the described systems, structures, devices, circuits, Lt; / RTI > or equivalents, even if it is replaced or replaced.
Claims (29)
상기 제1 특징 벡터, 등록 데이터베이스에 등록된 등록 영상들의 제2 특징 벡터들, 및 상기 제2 특징 벡터들을 대표하는 대표 벡터에 기초하여, 상기 입력 영상을 상기 등록 데이터베이스에 등록시킬지 여부를 판단하는 단계; 및
상기 판단 결과에 기초하여 상기 입력 영상을 상기 등록 데이터베이스에 등록시키는 단계
를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.Extracting a first feature vector from an input image including a user's face;
Determining whether to register the input image in the registration database based on the first feature vector, second feature vectors of registered images registered in the registration database, and representative vectors representative of the second feature vectors ; And
Registering the input image in the registration database based on the determination result
And updating the registration database.
상기 등록시킬지 여부를 판단하는 단계는
상기 제1 특징 벡터, 상기 제2 특징 벡터들, 및 상기 대표 벡터에 기초하여 상기 입력 영상이 아웃라이어(outlier)에 해당하는지 여부를 판단하는 단계; 및
상기 제1 특징 벡터, 및 상기 제2 특징 벡터들에 기초하여 상기 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 단계
중 적어도 하나를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.The method according to claim 1,
The step of determining whether to register
Determining whether the input image corresponds to an outlier based on the first feature vector, the second feature vectors, and the representative vector; And
Determining whether a feature range of the registration database is expanded based on the first feature vector and the second feature vectors
The method comprising the steps of:
상기 입력 영상이 아웃라이어에 해당하는지 여부를 판단하는 단계는
상기 제1 특징 벡터와 상기 제2 특징 벡터들 사이의 최소 거리를 계산하는 단계;
상기 제1 특징 벡터 및 상기 대표 벡터 사이의 대표 거리를 계산하는 단계; 및
상기 최소 거리 및 상기 대표 거리에 기초하여, 상기 입력 영상이 아웃라이어인지를 판단하는 단계
를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.3. The method of claim 2,
Wherein the step of determining whether the input image corresponds to an outlier
Calculating a minimum distance between the first feature vector and the second feature vectors;
Calculating a representative distance between the first feature vector and the representative vector; And
Determining whether the input image is an outlier based on the minimum distance and the representative distance,
And updating the registration database.
상기 아웃라이어인지를 판단하는 단계는
상기 최소 거리가 상기 등록 데이터베이스의 갱신을 위하여 미리 설정된 제1 임계치보다 작은지 여부 및 상기 대표 거리가 미리 설정된 제2 임계치보다 작은지 여부에 기초하여 상기 입력 영상이 아웃라이어인지를 판단하는 단계
를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.The method of claim 3,
The step of determining whether the outlier is
Determining whether the input image is an outlier based on whether the minimum distance is smaller than a predetermined first threshold for updating the registration database and whether the representative distance is smaller than a preset second threshold
And updating the registration database.
상기 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 단계는
상기 제1 특징 벡터 및 상기 제2 특징 벡터들을 포함하는 벡터 집합에서, 각각의 벡터에 대응하는 누적 특징 거리 -상기 누적 특징 거리는 상기 벡터 집합 내 하나의 벡터와 나머지 벡터들 사이의 거리들에 기초하여 결정됨- 를 결정하는 단계; 및
상기 제1 특징 벡터에 대응하는 누적 특징 거리가 상기 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 지 여부를 판단하는 단계
를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.3. The method of claim 2,
Wherein the step of determining whether the feature range of the registration database is extended
In a set of vectors comprising the first feature vector and the second feature vectors, a cumulative feature distance corresponding to each vector, the cumulative feature distance being based on distances between one vector and the remaining vectors in the vector set - determining whether the user has been selected; And
Determining whether a cumulative feature distance corresponding to the first feature vector is greater than at least one of cumulative feature distances corresponding to the second feature vectors
And updating the registration database.
상기 등록 데이터베이스에 등록시키는 단계는
상기 제1 특징 벡터에 대응하는 누적 특징 거리가 상기 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 경우에 상기 등록 영상들 중 어느 하나의 등록 영상을 상기 입력 영상과 교체하는 단계
를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.6. The method of claim 5,
The step of registering in the registration database
Replacing any one of the registered images with the input image when the cumulative feature distance corresponding to the first feature vector is greater than at least one of the cumulative feature distances corresponding to the second feature vectors
And updating the registration database.
상기 어느 하나의 등록 영상을 상기 입력 영상과 교체하는 단계는
상기 누적 특징 거리들 중 최소 누적 특징 거리를 가지는 제2 특징 벡터에 대응하는 등록 영상을 상기 입력 영상과 교체하는 단계
를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.The method according to claim 6,
The step of replacing any one of the registered images with the input image
Replacing the registered image corresponding to the second feature vector having the minimum cumulative feature distance among the cumulative feature distances with the input image;
And updating the registration database.
상기 등록시킬지 여부를 판단하는 단계는
상기 등록 데이터베이스에 등록된 등록 영상들의 개수와 상기 등록 데이터베이스의 최대 등록 개수를 비교하는 단계
를 포함하는, 등록 데이터베이스의 적응적 갱신 방법. The method according to claim 1,
The step of determining whether to register
Comparing the number of registered images registered in the registration database with the maximum registered number of the registration database
And updating the registration database.
상기 입력 영상을 상기 등록 데이터베이스에 등록시키는 단계는
상기 등록 영상들의 개수가 상기 최대 등록 개수보다 작은 경우에 상기 입력 영상을 상기 등록 데이터베이스에 추가하는 단계; 및
상기 등록 영상들의 개수가 상기 최대 등록 개수와 같은 경우에 상기 등록 데이터베이스에 등록된 등록 영상들 중 어느 하나를 상기 입력 영상과 교체하는 단계
를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.9. The method of claim 8,
The step of registering the input image in the registration database
Adding the input image to the registration database when the number of registered images is smaller than the maximum registered number; And
Replacing one of the registered images registered in the registration database with the input image when the number of registered images is equal to the maximum registered number
And updating the registration database.
상기 등록 데이터베이스에 추가하는 단계는
상기 입력 영상이 아웃라이어가 아니고, 상기 등록 영상들의 개수가 상기 최대 등록 개수보다 작으면, 상기 입력 영상을 상기 등록 데이터베이스에 추가하는 단계
를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.10. The method of claim 9,
The step of adding to the registration database
Adding the input image to the registration database if the input image is not an outlier and the number of registered images is smaller than the maximum registered number
And updating the registration database.
상기 등록시킬지 여부를 판단하는 단계는
상기 제1 특징 벡터, 상기 제2 특징 벡터들, 및 상기 대표 벡터에 기초하여, 상기 사용자를 인증하는 단계
를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.The method according to claim 1,
The step of determining whether to register
Authenticating the user based on the first feature vector, the second feature vectors, and the representative vector
And updating the registration database.
상기 사용자를 인증하는 단계는
상기 제1 특징 벡터와 상기 제2 특징 벡터들 사이의 최소 거리를 계산하는 단계;
상기 제1 특징 벡터 및 상기 대표 벡터 사이의 대표 거리를 계산하는 단계; 및
상기 최소 거리와 상기 거리 중의 최소값과 사용자 인증을 위하여 미리 설정된 임계치와의 비교 결과에 기초하여, 상기 사용자를 인증하는 단계
를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.12. The method of claim 11,
The step of authenticating the user
Calculating a minimum distance between the first feature vector and the second feature vectors;
Calculating a representative distance between the first feature vector and the representative vector; And
Authenticating the user based on the minimum distance and a result of comparison between a minimum value of the distance and a preset threshold value for user authentication
And updating the registration database.
상기 등록시킬지 여부를 판단하는 단계는
상기 사용자 인증이 성공인지 여부에 기초하여, 상기 입력 영상을 상기 등록 데이터베이스에 등록시킬지 여부를 판단하는 단계
를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.12. The method of claim 11,
The step of determining whether to register
Determining whether to register the input image in the registration database based on whether the user authentication is successful or not
And updating the registration database.
상기 입력 영상이 상기 등록 데이터베이스에 등록된 경우, 상기 제1 특징 벡터에 의해 상기 대표 벡터를 갱신하는 단계
를 더 포함하는, 등록 데이터베이스의 적응적 갱신 방법.The method according to claim 1,
Updating the representative vector by the first feature vector when the input image is registered in the registration database
Further comprising the steps of:
사용자의 얼굴을 포함하는 입력 영상으로부터 제1 특징 벡터를 추출하고, 상기 제1 특징 벡터, 상기 등록 데이터베이스에 등록된 등록 영상들의 제2 특징 벡터들, 및 상기 제2 특징 벡터들을 대표하는 대표 벡터에 기초하여, 상기 입력 영상을 상기 등록 데이터베이스에 등록시킬지 여부를 판단하여 등록시키는 프로세서
를 포함하는, 등록 데이터베이스의 적응적 갱신 장치.A memory for storing a registration database; And
Extracting a first feature vector from an input image including a face of the user and generating a second feature vector corresponding to the first feature vector, second feature vectors of registered images registered in the registration database, and representative vectors representative of the second feature vectors A processor for determining whether to register the input image in the registration database and registering the input image in the registration database,
And an adaptive updating device in the registration database.
상기 프로세서는
상기 제1 특징 벡터, 상기 제2 특징 벡터들, 및 상기 대표 벡터에 기초하여 상기 입력 영상이 아웃라이어(outlier)에 해당하는지 여부 또는 상기 제1 특징 벡터, 및 상기 제2 특징 벡터들에 기초하여 상기 등록 데이터베이스의 특징 범위가 확장되는지 여부 중 적어도 하나를 판단하는, 등록 데이터베이스의 적응적 갱신 장치.17. The method of claim 16,
The processor
Based on the first feature vector, the second feature vectors, and the representative vector, whether the input image corresponds to an outlier or based on the first feature vector and the second feature vectors And whether or not the feature range of the registration database is extended.
상기 프로세서는
상기 제1 특징 벡터와 상기 제2 특징 벡터들 사이의 최소 거리 및 상기 제1 특징 벡터 및 상기 대표 벡터 사이의 대표 거리를 계산하고, 상기 최소 거리 및 상기 대표 거리에 기초하여, 상기 입력 영상이 아웃라이어인지를 판단하는, 등록 데이터베이스의 적응적 갱신 장치.18. The method of claim 17,
The processor
Calculating a minimum distance between the first feature vector and the second feature vectors, and a representative distance between the first feature vector and the representative vector, and based on the minimum distance and the representative distance, An adaptive update device of the registration database for determining if the license is a licensee.
상기 프로세서는
상기 제1 특징 벡터 및 상기 제2 특징 벡터들을 포함하는 벡터 집합에서, 각각의 벡터에 대응하는 누적 특징 거리 -상기 누적 특징 거리는 상기 벡터 집합 내 하나의 벡터와 나머지 벡터들 사이의 거리들에 기초하여 결정됨- 를 결정하고, 상기 제1 특징 벡터에 대응하는 누적 특징 거리가 상기 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 지 여부에 기초하여 상기 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는, 등록 데이터베이스의 적응적 갱신 장치.18. The method of claim 17,
The processor
In a set of vectors comprising the first feature vector and the second feature vectors, a cumulative feature distance corresponding to each vector, the cumulative feature distance being based on distances between one vector and the remaining vectors in the vector set Determines whether the feature range of the registration database is expanded based on whether the cumulative feature distance corresponding to the first feature vector is greater than at least one of the cumulative feature distances corresponding to the second feature vectors Wherein the determination unit determines whether the registration database is updated.
상기 프로세서는
상기 판단 결과, 상기 제1 특징 벡터에 대응하는 누적 특징 거리가 상기 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 경우, 상기 등록 영상들 중 최소 누적 특징 거리를 가지는 제2 특징 벡터에 대응하는 등록 영상을 상기 입력 영상과 교체하는, 등록 데이터베이스의 적응적 갱신 장치.20. The method of claim 19,
The processor
Wherein when the cumulative feature distance corresponding to the first feature vector is greater than at least one of the cumulative feature distances corresponding to the second feature vectors as a result of the determination, And replaces the registered image corresponding to the vector with the input image.
상기 프로세서는
상기 등록 데이터베이스에 등록된 등록 영상들의 개수와 상기 등록 데이터베이스의 최대 등록 개수의 비교 결과에 기초하여, 상기 입력 영상을 상기 등록 데이터베이스에 추가 또는 교체할지 여부를 결정하는, 등록 데이터베이스의 적응적 갱신 장치.17. The method of claim 16,
The processor
And determines whether to add or replace the input image to the registration database based on a result of comparison between the number of registered images registered in the registration database and the maximum number of registered databases.
상기 프로세서는
상기 제1 특징 벡터, 상기 제2 특징 벡터들, 및 상기 대표 벡터에 기초하여, 상기 사용자를 인증하고, 상기 사용자 인증이 성공인지 여부를 기초로, 상기 입력 영상을 상기 등록 데이터베이스에 등록시킬지 여부를 판단하는, 등록 데이터베이스의 적응적 갱신 장치.17. The method of claim 16,
The processor
The method comprising: authenticating the user based on the first feature vector, the second feature vectors, and the representative vector; and determining whether to register the input image in the registration database, based on whether the user authentication is successful An adaptive update device of the registration database.
상기 프로세서는
상기 입력 영상이 상기 등록 데이터베이스에 등록된 경우, 상기 제1 특징 벡터에 의해 상기 대표 벡터를 갱신하는, 등록 데이터베이스의 적응적 갱신 장치.17. The method of claim 16,
The processor
And updates the representative vector by the first feature vector when the input image is registered in the registration database.
상기 입력 영상이 아웃라이어인지 여부를 판단하는 단계;
상기 입력 영상으로 인하여 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 단계; 및
상기 등록 데이터베이스의 등록 영상들 중 어느 하나와 상기 입력 영상을 교체하는 단계
를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.Authenticating an input image;
Determining whether the input image is an outlier;
Determining whether the feature range of the registration database is expanded due to the input image; And
Replacing one of the registered images of the registration database with the input image
And updating the registration database.
상기 입력 영상이 아웃라이어인지 여부를 판단하는 단계는
상기 입력 영상으로부터 추출된 제1 특징 벡터와 상기 등록 데이터베이스의 등록 영상들로부터 추출된 제2 특징 벡터들의 최소 거리를 계산하는 단계;
상기 제1 특징 벡터와 상기 제2 특징 벡터들을 대표하는 대표 벡터 사이의 대표 거리를 계산하는 단계; 및
상기 최소 거리에 관한 제1 조건, 및 상기 대표 거리에 관한 제2 조건이 만족되는지 여부를 판단하는 단계
를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.25. The method of claim 24,
The step of determining whether the input image is an outlier
Calculating a minimum distance between a first feature vector extracted from the input image and second feature vectors extracted from registered images of the registration database;
Calculating a representative distance between the first feature vector and a representative vector representative of the second feature vectors; And
Determining a first condition for the minimum distance and a second condition for the representative distance are satisfied,
And updating the registration database.
상기 입력 영상으로 인하여 등록 데이터베이스의 특징 범위가 확장되는지 여부를 판단하는 단계는
상기 입력 영상으로부터 추출된 제1 특징 벡터 및 상기 등록 데이터베이스의 등록 영상들로부터 추출된 제2 특징 벡터들을 포함하는 벡터 집합에서, 각각의 벡터에 대응하는 누적 특징 거리를 계산하는 단계; 및
상기 제1 특징 벡터에 대응하는 누적 특징 거리가 상기 제2 특징 벡터들에 대응하는 누적 특징 거리들 중 적어도 하나보다 큰 지 여부를 판단하는 단계
를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.25. The method of claim 24,
Wherein the step of determining whether the feature range of the registration database is expanded due to the input image
Calculating a cumulative feature distance corresponding to each vector in a vector set including a first feature vector extracted from the input image and second feature vectors extracted from registered images of the registration database; And
Determining whether a cumulative feature distance corresponding to the first feature vector is greater than at least one of cumulative feature distances corresponding to the second feature vectors
And updating the registration database.
상기 각각의 벡터에 대응하는 누적 특징 거리를 계산하는 단계는
상기 각각의 벡터에 대응하여, 해당 벡터와 상기 벡터 집합 내 나머지 벡터들 사이의 거리들을 합산하는 단계
를 포함하는, 등록 데이터베이스의 적응적 갱신 방법.27. The method of claim 26,
The step of calculating a cumulative feature distance corresponding to each vector
Corresponding to each of the vectors, summing the corresponding vector and the distances between the remaining vectors in the vector set
And updating the registration database.
를 포함하는, 등록 데이터베이스의 적응적 갱신 장치.Based on a representative vector representative of registered images of the registration database, determines whether the input image is an outlier, and based on the authentication result and the determination result, Lt; RTI ID = 0.0 >
And an adaptive updating device in the registration database.
상기 프로세서는
상기 입력 영상이 아웃라이어인지 여부를 판단하기 위하여,
상기 입력 영상으로부터 추출된 제1 특징 벡터와 상기 등록 데이터베이스의 등록 영상들로부터 추출된 제2 특징 벡터들의 최소 거리를 계산하고, 상기 제1 특징 벡터와 상기 대표 벡터 사이의 대표 거리를 계산하며, 상기 최소 거리에 관한 제1 조건 및 상기 대표 거리에 관한 제2 조건이 만족되는지 여부를 판단하는, 등록 데이터베이스의 적응적 갱신 장치.29. The method of claim 28,
The processor
In order to determine whether the input image is an outlier,
Calculating a minimum distance between a first feature vector extracted from the input image and second feature vectors extracted from registered images of the registration database, calculating a representative distance between the first feature vector and the representative vector, And determines whether a first condition for the minimum distance and a second condition for the representative distance are satisfied.
Priority Applications (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/270,172 US10769255B2 (en) | 2015-11-11 | 2016-09-20 | Methods and apparatuses for adaptively updating enrollment database for user authentication |
EP16190622.7A EP3168777B1 (en) | 2015-11-11 | 2016-09-26 | Methods and apparatuses for adaptively updating enrollment database for user authentication |
JP2016211851A JP6802039B2 (en) | 2015-11-11 | 2016-10-28 | Adaptive update method and device of registration database for user authentication |
CN201610987098.3A CN106682068B (en) | 2015-11-11 | 2016-11-09 | Method and apparatus for adaptively updating a registration database for user authentication |
US15/469,984 US10769256B2 (en) | 2015-11-11 | 2017-03-27 | Methods and apparatuses for adaptively updating enrollment database for user authentication |
US16/860,267 US11537698B2 (en) | 2015-11-11 | 2020-04-28 | Methods and apparatuses for adaptively updating enrollment database for user authentication |
JP2020195840A JP7098701B2 (en) | 2015-11-11 | 2020-11-26 | Adaptive update method and equipment of registration database |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020150158148 | 2015-11-11 | ||
KR20150158148 | 2015-11-11 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20170055393A true KR20170055393A (en) | 2017-05-19 |
KR102427853B1 KR102427853B1 (en) | 2022-08-02 |
Family
ID=59049717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020160027745A KR102427853B1 (en) | 2015-11-11 | 2016-03-08 | Method and apparatus for adaptively updating registration database for user authentication |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7098701B2 (en) |
KR (1) | KR102427853B1 (en) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180137948A (en) * | 2017-06-20 | 2018-12-28 | 삼성전자주식회사 | Method and apparatus for adaptively updating enrollment database for user authentication |
KR20200086056A (en) * | 2019-01-08 | 2020-07-16 | 주식회사 케이티 | Face Image Registration Method For Face Recognition, Face Recognition Method and Server |
KR20200094649A (en) * | 2019-01-30 | 2020-08-07 | 주식회사 스트라드비젼 | Method and device for managing smart database for face recognition based on continual learning |
KR20200115018A (en) * | 2019-03-29 | 2020-10-07 | 에스프레스토 주식회사 | Image search apparatus and method for collecting image tehreof |
KR20210063710A (en) * | 2019-11-25 | 2021-06-02 | (주) 시큐이데아 | Fast Face Recognition Apparatus connected to a Camera |
KR20210104471A (en) * | 2020-02-17 | 2021-08-25 | 주식회사 에프에스솔루션 | Face identification method, and device and program using the same |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150092996A1 (en) * | 2013-09-30 | 2015-04-02 | Kabushiki Kaisha Toshiba | Authentication apparatus, authentication system, and authentication method |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4775515B1 (en) * | 2011-03-14 | 2011-09-21 | オムロン株式会社 | Image collation apparatus, image processing system, image collation program, computer-readable recording medium, and image collation method |
-
2016
- 2016-03-08 KR KR1020160027745A patent/KR102427853B1/en active IP Right Grant
-
2020
- 2020-11-26 JP JP2020195840A patent/JP7098701B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150092996A1 (en) * | 2013-09-30 | 2015-04-02 | Kabushiki Kaisha Toshiba | Authentication apparatus, authentication system, and authentication method |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180137948A (en) * | 2017-06-20 | 2018-12-28 | 삼성전자주식회사 | Method and apparatus for adaptively updating enrollment database for user authentication |
US11455384B2 (en) | 2017-06-20 | 2022-09-27 | Samsung Electronics Co., Ltd. | User authentication method and apparatus with adaptively updated enrollment database (DB) |
KR20200086056A (en) * | 2019-01-08 | 2020-07-16 | 주식회사 케이티 | Face Image Registration Method For Face Recognition, Face Recognition Method and Server |
KR20200094649A (en) * | 2019-01-30 | 2020-08-07 | 주식회사 스트라드비젼 | Method and device for managing smart database for face recognition based on continual learning |
KR20200115018A (en) * | 2019-03-29 | 2020-10-07 | 에스프레스토 주식회사 | Image search apparatus and method for collecting image tehreof |
KR20210063710A (en) * | 2019-11-25 | 2021-06-02 | (주) 시큐이데아 | Fast Face Recognition Apparatus connected to a Camera |
KR20210104471A (en) * | 2020-02-17 | 2021-08-25 | 주식회사 에프에스솔루션 | Face identification method, and device and program using the same |
KR20220034746A (en) * | 2020-02-17 | 2022-03-18 | 주식회사 에프에스솔루션 | Face identification method, and device and program using the same |
Also Published As
Publication number | Publication date |
---|---|
JP7098701B2 (en) | 2022-07-11 |
KR102427853B1 (en) | 2022-08-02 |
JP2021028848A (en) | 2021-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10769256B2 (en) | Methods and apparatuses for adaptively updating enrollment database for user authentication | |
KR102439938B1 (en) | Multi-modal fusion method for user authentification and user authentification method | |
KR102608470B1 (en) | Data recognition device and method and training device and method | |
KR102427853B1 (en) | Method and apparatus for adaptively updating registration database for user authentication | |
KR102415504B1 (en) | Updating method and apparatus of registration database for user authentication | |
KR102476756B1 (en) | Method and apparatus for adaptively updating enrollment database for user authentication | |
KR101956071B1 (en) | Method and apparatus for verifying a user | |
KR20180052900A (en) | User certification method using fingerprint image and generating method of coded model for user certification | |
US9036876B2 (en) | Method and system for authenticating biometric data | |
KR101997479B1 (en) | Detecting method and apparatus of biometrics region for user authentication | |
KR102238688B1 (en) | Biometric authentication method and biometrics authentication apparatus | |
US8792686B2 (en) | Biometric authentication device, method of controlling biometric authentication device and non-transitory, computer readable storage medium | |
KR20180050861A (en) | Fingerprint enrollment method and apparatus | |
KR102313981B1 (en) | Fingerprint verifying method and apparatus | |
KR20170046448A (en) | Method and device for complex authentication | |
KR102558741B1 (en) | Device and method to register user | |
KR102387569B1 (en) | Method and apparatus for verifying fingerprint | |
CN111382666A (en) | Device and method with user authentication | |
US9292752B2 (en) | Image processing device and image processing method | |
KR20180006838A (en) | Method and apparatus for verifying user using multiple biometric verifiers | |
KR20200080921A (en) | Method and apparatus for user verification using generalized user model | |
KR102558736B1 (en) | Method and apparatus for recognizing finger print | |
KR20210145458A (en) | Fake fingerprint detection device and model update method for fake fingerprint prevention | |
CN112818312A (en) | MES system login authentication method based on face recognition technology and MES system | |
CN114332905A (en) | Biological characteristic multi-mode fusion recognition method and device, storage medium and equipment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |