KR20190049148A

KR20190049148A - 촬영 영상 내의 생체정보 보안 처리방법 및 장치

Info

Publication number: KR20190049148A
Application number: KR1020170144695A
Authority: KR
Inventors: 김민서; 이동현; 김휘서
Original assignee: 김민서; 김휘서; 이동현
Priority date: 2017-11-01
Filing date: 2017-11-01
Publication date: 2019-05-09

Abstract

본원 발명에 따른 촬영 영상 내의 생체정보 보안 처리방법은 카메라를 통해 촬영된 영상으로부터 생체정보를 갖는 신체 부위의 위치와 모양을 검출하는 단계; 상기 검출된 신체 부위의 위치와 모양으로부터 상기 신체 부위의 생체정보 영역을 검출하는 단계; 상기 검출된 생체정보 영역의 이미지 정보를 변형시키는 단계; 및 변형된 이미지 정보를 상기 생체정보 영역에 대체시키는 단계를 포함하는 것을 특징으로 한다.

Description

촬영 영상 내의 생체정보 보안 처리방법 및 장치{Security processing method and apparatus for biometric information in a captured image}

본 발명은 촬영 이미지에 대한 편집에 관한 것으로, 보다 상세하게는 촬영 이미지로부터 개인 정보가 무단 유출되는 것을 차단하는 기술에 관한 것이다.

근래에 사람의 지문 또는 홍채 등의 생체정보가 암호화 수단으로 적용되고 있다. 생체정보를 활용한 기기들이 증가하고 있으며 앞으로 대표적인 암호 수단으로 사용될 것으로 전망된다. 하지만 생체정보의 본질적인 문제는 ‘한 번 태어나면 바꿀 수 없다’는 것이다. 이런 born-only information이 도난당한다면 큰 문제가 발생할 수 있다.

그런데, 개인정보를 전문적으로 유출하는 해커들이 HD렌즈로 촬영된 사진 속 인물의 지문 또는 홍채를 확대해 복사하는 방식으로 생체정보를 도용하는 사례가 발생하고 있다. 예를 들어, 2014년 12월 19일 CCC라고 불리는 독일 해커그룹에서 독일 국방장관의 기자회견 중 클로즈업 된 사진 여러 장을 지문 정보 추출 프로그램을 통해 재생시키는 사건이 발생하였다.

갈수록 사진기술, 카메라 기술은 발전할 것이며 위와 같은 방식으로 생체정보를 도난당할 가능성이 증가하고 있다. 따라서, 카메라 기술이 증가하고 정보 노출수단의 증가로 촬영 영상에서 생체정보가 도난당할 가능성이 증대되고 있으며, 더욱이 정지 영상 즉, 사진 뿐만 아니라 동영상 속에서도 같은 방식으로 정보를 도난당할 수 있는 문제점이 있다.

본원 발명이 해결하고자 하는 과제는 카메라를 통해 촬영되는 영상 속에 포함된 생체정보를 변형시킴으로써, 생체정보가 도난되는 것을 방지하는 촬영 영상 내의 생체정보 보안 처리방법 및 장치를 제공하는데 있다.

상기의 과제를 해결하기 위한 본원 발명에 따른 촬영 영상 내의 생체정보 보안 처리방법은 카메라를 통해 촬영된 영상으로부터 생체정보를 갖는 신체 부위의 위치와 모양을 검출하는 단계; 상기 검출된 신체 부위의 위치와 모양으로부터 상기 신체 부위의 생체정보 영역을 검출하는 단계; 상기 검출된 생체정보 영역의 이미지 정보를 변형시키는 단계; 및 변형된 이미지 정보를 상기 생체정보 영역에 대체시키는 단계를 포함하는 것을 특징으로 한다.

신경망 알고리즘을 이용한 기계 학습(machine learning)을 통해 상기 신체 부위의 위치와 모양을 검출하는 것을 특징으로 한다.

상기 검출된 신체 부위가 손에 해당하는 경우에, 상기 검출된 손의 위치와 모양으로부터 상기 손의 지문 영역을 검출하고, 상기 검출된 지문 영역의 이미지 정보를 변형시킨 후에, 변형된 이미지 정보를 상기 지문 영역에 대체시키는 것을 특징으로 한다.

신경망 알고리즘을 이용한 기계 학습(machine learning)을 통해 상기 검출된 손의 위치와 모양으로부터 손가락 마디 위치를 검출하고, 상기 검출된 손가락 마디 위치의 끝단의 이미지를 상기 지문 영역으로 검출하는 것을 특징으로 한다.

상기 검출된 신체 부위가 눈에 해당하는 경우에, 상기 검출된 눈의 위치와 모양으로부터 상기 눈의 홍채 영역을 검출하고, 상기 검출된 홍채 영역의 이미지 정보를 변형시킨 후에, 변형된 이미지 정보를 상기 홍채 영역에 대체시키는 것을 특징으로 한다.

상기 검출된 생체정보 영역의 이미지 정보를 변형시키는 단계는, 상기 생체정보 영역 내에 존재하는 어느 하나의 대상 픽셀을 순차적으로 선택하는 단계; 선택된 상기 대상 픽셀의 주변에 존재하는 주변 픽셀들 중 적어도 하나 이상을 랜덤하게 선택하는 단계; 상기 랜덤하게 선택된 주변 픽셀들의 화소값들을 평균화한 평균 화소값을 산출하는 단계; 상기 산출된 평균 화소값을 상기 대상 픽셀의 화소값으로 결정하는 단계; 및 선택할 상기 대상 픽셀이 존재하는가를 판단하는 단계를 포함하고, 선택할 상기 대상 픽셀이 존재한다면 전술한 과정을 반복하는 것을 특징으로 한다.

난수 함수를 이용하여 상기 주변 픽셀들 중 적어도 하나 이상을 랜덤하게 선택하는 것을 특징으로 한다.

상기 평균 화소값을 산출하는 단계는, 산출된 상기 평균 화소값을 정수화하는 것을 특징으로 한다.

상기 주변 픽셀들의 화소값들은 R(red) 값, G(green) 값 및 B(blue) 값 중 적어도 하나 이상을 포함하는 것을 특징으로 한다.

상기 변형된 이미지 정보를 상기 생체정보 영역에 대체시키는 단계는, 상기 검출된 생체정보 영역 내의 픽셀들의 화소값들을 상기 결정된 평균 화소값들로 각각 치환하는 단계; 상기 검출된 생체정보 영역과 상기 원본 영상 간의 경계에 대응하는 경계 픽셀들의 경계 화소값들에 대한 각각의 근사화값을 산출하는 단계; 및 상기 산출된 근사화값을 상기 경계 픽셀들의 경계 화소값으로 치환하는 단계를 포함하는 것을 특징으로 한다.

상기 선형 근사화값을 산출하는 단계는, 상기 원본 영상에서 경계 픽셀들에 대한 명도 데이터 또는 채도 데이터 중 적어도 하나 이상을 선형 근사화 또는 다항함수 근사화하여 산출하는 것을 특징으로 한다.

상기의 과제를 해결하기 위한 본원 발명에 따른 촬영 영상 내의 생체정보 보안 처리장치는 카메라를 통해 촬영된 영상으로부터 신체 부위의 위치와 모양을 검출하는 신체 부위 검출동작, 상기 검출된 신체 부위의 위치와 모양으로부터 상기 신체 부위의 생체정보 영역을 검출하는 생체정보 영역 검출동작, 상기 검출된 생체정보 영역의 이미지 정보를 변형시키는 이미지 변형동작 및 변형된 이미지 정보를 상기 생체정보 영역에 대체시키는 이미지 대체동작 중 적어도 하나 이상의 동작을 수행하는 제어부; 및 상기 신체 부위 검출동작, 상기 생체정보 영역 검출동작, 상기 이미지 변형동작 및 상기 이미지 대체동작을 각각 수행하기 위한 프로그램을 저장하고 있는 저장부를 포함하는 것을 특징으로 한다.

상기 제어부는, 신경망 알고리즘을 이용한 기계 학습(machine learning)을 통해 상기 신체 부위의 위치와 모양을 검출하는 것을 특징으로 한다.

상기 제어부는, 상기 검출된 신체 부위가 손에 해당하는 경우에, 상기 검출된 손의 위치와 모양으로부터 상기 손의 지문 영역을 검출하고, 상기 검출된 지문 영역의 이미지 정보를 변형시킨 후에, 변형된 이미지 정보를 상기 지문 영역에 대체시키는 것을 특징으로 한다.

상기 제어부는, 신경망 알고리즘을 이용한 기계 학습(machine learning)을 통해 상기 검출된 손의 위치와 모양으로부터 손가락 마디 위치를 검출하고, 상기 검출된 손가락 마디 위치의 끝단의 이미지를 상기 지문 영역으로 검출하는 것을 특징으로 한다.

상기 제어부는, 상기 검출된 신체 부위가 눈에 해당하는 경우에, 상기 검출된 눈의 위치와 모양으로부터 상기 눈의 홍채 영역을 검출하고, 상기 검출된 홍채 영역의 이미지 정보를 변형시킨 후에, 변형된 이미지 정보를 상기 홍채 영역에 대체시키는 것을 특징으로 한다.

상기 제어부는, 상기 생체정보 영역 내에 존재하는 어느 하나의 대상 픽셀을 순차적으로 선택하고, 선택된 상기 대상 픽셀의 주변에 존재하는 주변 픽셀들 중 적어도 하나 이상을 랜덤하게 선택하고, 상기 랜덤하게 선택된 주변 픽셀들의 화소값들을 평균화한 평균 화소값을 산출하고, 상기 산출된 평균 화소값을 상기 대상 픽셀의 화소값으로 결정하는 것을 특징으로 한다.

상기 제어부는, 난수 함수를 이용하여 상기 주변 픽셀들 중 적어도 하나 이상을 랜덤하게 선택하는 것을 특징으로 한다.

상기 제어부는, 산출된 상기 평균 화소값을 정수화하는 것을 특징으로 한다.

상기 제어부는, 상기 검출된 생체정보 영역 내의 픽셀들의 화소값들을 상기 결정된 평균 화소값들로 각각 치환하고, 상기 검출된 생체정보 영역과 상기 원본 영상 간의 경계에 대응하는 경계 픽셀들의 경계 화소값들에 대한 각각의 근사화값을 산출하고, 상기 산출된 근사화값을 상기 경계 픽셀들의 경계 화소값으로 치환하는 것을 특징으로 한다.

본 발명에 따르면, 카메라를 통해 촬영된 영상으로부터 생체정보 영역을 검출하고, 검출된 생체정보 영역의 이미지 정보를 변형시킨 후에, 변형된 이미지 정보를 상기 생체정보 영역에 대체시킴으로써, 카메라를 통해 촬영되는 피사체의 생체정보(예를 들어, 지문 또는 홍채 등)가 무단으로 유출 또는 도난당하는 것을 방지할 수 있다.

도 1은 본 발명의 실시예에 따른 촬영 영상 내의 생체정보 보안 처리장치를 구성하는 블록도이다.
도 2는 본 발명에 따라 제어부에서 수행되는 손의 위치와 모양을 검출하기 위한 신경망 알고리즘을 예시하는 참조도이다.
도 3a는 도 2에 도시된 신경망 알고리즘을 이용한 기계 학습을 통해 영상으로부터 손의 모양 및 위치가 검출된 상황을 예시하는 참조도이다.
도 3b는 도 2에 도시된 신경망 알고리즘을 이용한 기계 학습을 통해 영상으로부터 눈의 모양 및 위치가 검출된 상황을 예시하는 참조도이다.
도 4a는 신경망 알고리즘을 이용한 기계 학습을 통해 손의 모양으로부터 손가락 마디 위치가 검출된 상황을 예시하는 참조도이다.
도 4b는 도 4a에서 검출된 손가락 마디 위치에 따른 지문 영역이 검출되는 상황을 예시하는 참조도이다.
도 4c는 도 4b에 도시된 지문 영역을 예시하는 참조도이다.
도 5는 대상 픽셀의 주변에 존재하는 주변 픽셀들이 선택된 상황을 예시하는 참조도이다.
도 6a는 원본 영상과 생체정보 영역 사이의 경계에 대응하는 경계 픽셀들에 대한 명도 선형 근사화를 예시하는 참조도이다.
도 6b는 원본 영상과 생체정보 영역 사이의 경계에 대응하는 경계 픽셀들에 대한 명도 다항함수 근사화를 예시하는 참조도이다.
도 7은 본 발명의 실시예에 따른 촬영 영상 내의 생체정보 보안 처리방법을 설명하기 위한 일 실시예의 플로차트이다.
도 8은 도 7에 도시된 생체정보 영역의 이미지 정보를 변형시키는 과정을 설명하기 위한 일 실시예의 플로차트이다.
도 9는 도 7에서 변형된 이미지 정보를 상기 생체정보 영역에 대체시키는 과정을 설명하기 위한 일 실시예의 플로차트이다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하기로 한다.　

본 발명의 실시예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위하여 제공되는 것이며, 아래의 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 아래의 실시예들로 한정되는 것은 아니다. 오히려, 이들 실시예는 본 개시를 더욱 충실하고 완전하게 하며 당업자에게 본 발명의 사상을 완전하게 전달하기 위하여 제공되는 것이다.　

본 명세서에서 사용된 용어는 특정 실시예를 설명하기 위하여 사용되며, 본 발명을 제한하기 위한 것이 아니다. 본 명세서에서 사용된 바와 같이 단수 형태는 문맥상 다른 경우를 분명히 지적하는 것이 아니라면, 복수의 형태를 포함할 수 있다. 또한, 본 명세서에서 사용되는 경우 "포함한다(comprise)" 및/또는 "포함하는(comprising)"은 언급한 형상들, 숫자, 단계, 동작, 부재, 요소 및/또는 이들 그룹의 존재를 특정하는 것이며, 하나 이상의 다른 형상, 숫자, 동작, 부재, 요소 및/또는 그룹들의 존재 또는 부가를 배제하는 것이 아니다. 본 명세서에서 사용된 바와 같이, 용어 "및/또는"은 해당 열거된 항목 중 어느 하나 및 하나 이상의 모든 조합을 포함한다.

본 명세서에서 제1, 제2 등의 용어가 다양한 부재, 영역 및/또는 부위들을 설명하기 위하여 사용되지만, 이들 부재, 부품, 영역, 층들 및/또는 부위들은 이들 용어에 의해 한정되어서는 안됨은 자명하다. 이들 용어는 특정 순서나 상하, 또는 우열을 의미하지 않으며, 하나의 부재, 영역 또는 부위를 다른 부재, 영역 또는 부위와 구별하기 위하여만 사용된다. 따라서, 이하 상술할 제1 부재, 영역 또는 부위는 본 발명의 가르침으로부터 벗어나지 않고서도 제2 부재, 영역 또는 부위를 지칭할 수 있다.

이하, 본 발명의 실시예들은 본 발명의 실시예들을 개략적으로 도시하는 도면들을 참조하여 설명한다. 도면들에 있어서, 예를 들면, 제조 기술 및/또는 공차에 따라, 도시된 형상의 변형들이 예상될 수 있다. 따라서, 본 발명의 실시예는 본 명세서에 도시된 영역의 특정 형상에 제한된 것으로 해석되어서는 아니 되며, 예를 들면 제조상 초래되는 형상의 변화를 포함하여야 한다.

도 1은 본 발명의 실시예에 따른 촬영 영상 내의 생체정보 보안 처리장치를 구성하는 블록도이다. 도 1을 참조하면, 촬영 영상 내의 생체정보 보안 처리장치는 저장부(100) 및 제어부(120)를 포함한다.

저장부(100)는 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 저장부(100)는 생체정보 보안 처리장치의 구성요소에 관계된 명령 또는 데이터를 저장할 수 있다. 저장부(100)는 소프트웨어 및/또는 프로그램을 저장할 수 있다. 여기서, 프로그램은 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스 (API) 또는 어플리케이션 프로그램 등을 포함할 수 있다.

또한, 저장부(100)는 신체 부위 검출동작, 상기 생체정보 영역 검출동작, 상기 이미지 변형동작 및 상기 이미지 대체동작을 각각 수행하기 위한 프로그램들을 저장하고 있다. 여기서, 신체 부위 검출동작은 카메라를 통해 촬영된 영상으로부터 신체 부위의 위치와 모양을 검출하는 동작을 의미한다. 또한, 생체정보 영역 검출동작은 상기 검출된 신체 부위의 위치와 모양으로부터 상기 신체 부위의 생체정보 영역을 검출하는 동작을 의미한다. 또한, 이미지 변형동작은 상기 검출된 생체정보 영역의 이미지 정보를 변형시키는 동작을 의미한다. 또한, 이미지 대체동작은 변형된 이미지 정보를 상기 생체정보 영역에 대체시키는 동작을 의미한다.

또한, 저장부(100)는 카메라(미도시)로부터 촬영된 원본 영상(예를 들어, 사진 또는 동영상 등)을 저장하며, 제어부(110)에 의해 생체정보가 변형된 변조 영상을 저장할 수 있다.

제어부(110)는 카메라를 통해 촬영된 영상으로부터 신체 부위 검출동작, 생체정보 영역 검출동작, 이미지 변형동작 또는 이미지 대체동작을 중 적어도 하나 이상의 동작을 수행한다. 이를 위해, 제어부(110)는 저장부(100)에 저장된 신체 부위 검출을 위한 프로그램, 생체정보 영역 검출을 위한 프로그램, 이미지 변형을 위한 프로그램 또는 이미지 대체를 위한 프로그램을 각각 액세스하여, 각각의 프로그램에 대응하는 동작을 수행할 수 있다. 여기서, 카메라는 예를 들면, 정지 영상 및 동영상을 촬영할 수 있는 장치로서, 하나 이상의 이미지 센서 (예: 전면 센서 또는 후면 센서), 렌즈, ISP (image signal processor), 또는 플래쉬 (flash)(예: LED 또는 xenon lamp)를 포함할 수 있다.

먼저, 제어부(110)는 신경망 알고리즘을 이용한 기계 학습(machine learning)을 통해 신체 부위의 위치와 모양을 검출할 수 있다. 여기서, 신체 부위는 생체정보를 포함하고 있는 손 또는 눈을 예시할 수 있다. 제어부(110)는 저장부(100)에 저장된 신체 부위 검출을 위한 프로그램을 구동하여 신체 부위의 위치와 모양을 검출할 수 있다. 이때, 신체 부위의 위치와 모양을 검출하기 위한 프로그램으로서 신경망 알고리즘을 이용한 기계 학습 프로그램이 예시될 수 있다. 즉, 제어부(110)는 신경망 알고리즘을 이용한 기계 학습을 통해 손 또는 눈의 위치와 모양을 검출할 수 있다.

예를 들어, 제어부(110)는 영상이 촬영되면, 촬영된 원본 영상 속에서 손의 위치와 모양을 인식한다. 이를 위해, 제어부(110)는 영상 인식 알고리즘을 사용할 수 있으며, 영상 인식 알고리즘의 예로서, 신경망 알고리즘을 사용할 수 있다. 제어부(110)는 신체 부위 중 손 검출을 위해 설계된 신경망 알고리즘의 기계 학습을 통해 영상 속에서 손의 위치와 모양을 인식할 수 있다.

도 2는 본 발명에 따라 제어부(110)에서 수행되는 손의 위치와 모양을 검출하기 위한 신경망 알고리즘을 예시하는 참조도이고, 도 3a는 도 2에 도시된 신경망 알고리즘을 이용한 기계 학습을 통해 영상으로부터 손의 모양 및 위치가 검출된 상황을 예시하는 참조도이다. 도 3b는 도 2에 도시된 신경망 알고리즘을 이용한 기계 학습을 통해 영상으로부터 눈의 모양 및 위치가 검출된 상황을 예시하는 참조도이다.

도 2를 참조하면, 신경망 알고리즘은 많은 퍼셉트론이라고 불리는 노드(node)들의 연결로 이루어진다. 여러 개의 층(layer)로 이루어져 있으며 각각의 층들은 여러 노드로 이루어져 있다. 각각의 노드는 서로 연결되어 있으며 각 연결에 일정한 가중치(weight)이 부여되어 있다. 기계 학습 방법은 다음과 같다. input data 즉 영상 데이터가 들어오면 노드를 따라 확률적으로 결과(특정 부위)가 검출된다. 검출된 결과와 실제 값(손 부위)과의 오차를 다시 거꾸로 보내주면서 각각의 노드 사이의 가중치를 변경한다. 이를 역전파(back propagation)이라고 부른다. 이런 과정을 충분히 많은 양의 데이터를 통해 반복 학습 시킨다면 올바른 결과를 도출할 수 있을 정도로 모든 가중치가 조절된다. 따라서, 그 후에 입력되는 데이터에 대해서는 손 부위에 대한 정확한 데이터가 출력될 수 있다. 이와 같이, 영상에서 손 부위에 대한 데이터를 입력 데이터로 하여 손 모양을 검출할 수 있도록 학습할 수 있다. 도 3a를 참조하면, 도 2에 도시된 신경망 알고리점을 이용한 기계 학습을 통해 촬영 영상으로부터 영상 속 인물에 대한 손의 위치와 모양을 검출할 수 있다.

또 다른 예로서, 제어부(110)는 영상이 촬영되면, 촬영된 원본 영상 속에서 눈의 위치와 모양을 인식한다. 이를 위해, 제어부(110)는 전술한 바와 같이 영상 인식 알고리즘으로서 신경망 알고리즘을 사용할 수 있다. 도 3b를 참조하면, 제어부(110)는 신체 부위 중 눈 검출을 위해 설계된 신경망 알고리즘의 기계 학습을 통해 영상 속에서 눈의 위치와 모양을 인식할 수 있다. 눈의 위치와 모양을 검출하는 과정은 전술한 도 2 및 도 3a에서의 손 위치 및 모양을 검출하는 과정과 동일하므로, 상세한 설명은 생략한다.

그 후, 제어부(110)는 검출된 신체 부위의 위치와 모양으로부터 신체 부위의 생체정보 영역을 검출한다. 이를 위해, 제어부(110)는 신경망 알고리즘을 이용한 기계 학습을 통해 신체 부위(예를 들어, 손 또는 눈)의 생체정보 영역(예를 들어, 지문 영역 또는 홍채 영역)을 검출할 수 있다.

예를 들어, 검출된 신체 부위가 손에 해당하는 경우에, 제어부(110)는 검출된 손의 위치와 모양에서 신경망 알고리즘을 이용한 기계 학습을 통해 손가락 마디 위치를 검출한다. 그 후, 제어부(110)는 검출된 손가락 마디 위치의 끝단의 이미지를 생체정보 영역 즉, 지문 영역으로 검출할 수 있다.

도 4a는 신경망 알고리즘을 이용한 기계 학습을 통해 손의 모양으로부터 손가락 마디 위치가 검출된 상황을 예시하는 참조도이고, 도 4b는 도 4a에서 검출된 손가락 마디 위치에 따른 지문 영역이 검출되는 상황을 예시하는 참조도이고, 도 4c는 도 4b에 도시된 지문 영역을 예시하는 참조도이다.

도 4a를 참조하면, 제어부(110)는 신경망 알고리즘을 이용한 기계 학습을 통해 손의 위치와 모양으로부터 손가락의 구부러지는 마디들(J)을 검출할 수 있다. 또한, 도 4b 및 도 4c을 참조하면, 제어부(110)는 검출된 손가락의 구부러진 마디들로부터 손가락 마디의 끝단의 이미지를 지문 영역(FR)으로 검출할 수 있다.

또 다른 예로서, 검출된 신체 부위가 눈에 해당하는 경우에, 제어부(110)는 검출된 눈의 위치와 모양에서 신경망 알고리즘을 이용한 기계 학습을 통해 눈동자의 위치를 검출한다. 그 후, 제어부(110)는 검출된 눈동자 위치의 이미지를 생체정보 영역 즉, 홍채 영역으로 검출할 수 있다. 홍채 영역을 검출하는 과정은 전술한 도 4 내지 도 6에서의 지문 영역을 검출하는 과정과 유사하므로, 상세한 설명은 생략한다.

제어부(110)는 생체정보 영역에 대응하는 이미지 정보를 변형시킨다. 이는 원본 영상에 포함된 생체정보에 대한 복호화가 불가능하도록 파괴시키기 위함이다.

먼저, 제어부(110)는 생체정보 영역(예를 들어, 지문 영역 또는 홍채 영역) 내에 존재하는 어느 하나의 대상 픽셀을 순차적으로 선택하고, 선택된 상기 대상 픽셀의 주변에 존재하는 주변 픽셀들 중 적어도 하나 이상을 랜덤하게 선택한다. 이때, 제어부(110)는 난수 함수를 이용하여 상기 주변 픽셀들 중 적어도 하나 이상을 랜덤하게 선택할 수 있다.

도 5는 대상 픽셀의 주변에 존재하는 주변 픽셀들이 선택된 상황을 예시하는 참조도이다. 도 5를 참조하면, 생체정보 영역(예를 들어, 지문 영역 또는 홍채 영역) 중 어느 하나의 대상 픽셀(TP)을 에워싸는 주변 픽셀들은 총 8개(P1, P2, P3, P4, P5, P6, P7, P8)가 존재할 수 있다. 이들 8개의 주변 픽셀들 중에서 난수 함수를 이용하여 일부 또는 전부의 주변 픽셀들이 랜덤하게 선택될 수 있다. 난수 함수는 모든 시스템에 포함되어 있다. 랜덤적으로 숫자를 출력하는 기능은 android, ios, window, linux 등 모든 프로그램의 기초 함수 중 하나이다. 따라서, 8개의 주변 픽셀들 중에서 무작위로 고른 1부터 8 중의 자연수 n에 따라 주변 픽셀들을 난수 함수를 통해 선택할 수 있다. n이라는 숫자는 난수 함수를 통해 1부터 8까지의 수가 랜덤하게 선택될 수 있다. 도 5에 따르면, 대상 픽셀(TP)의 주변 픽셀들 중에서 난수 n=5에 대응하는 5개의 주변 픽셀들(P1, P3, P4, P6, P8)이 선택되었음을 확인할 수 있다.

제어부(110)는 랜덤하게 선택된 주변 픽셀들의 화소값들을 평균화한 평균 화소값을 산출한다. 예를 들어, 도 5에 도시된 바와 같이, 제어부(110)는 난수 함수에 의해 선택된 주변 픽셀들(P1, P3, P4, P6, P8)의 화소값들을 평균한 평균 화소값을 산출할 수 있다. 또한, 도 5에 도시된 바와 같이, 주변 픽셀들의 화소값들은 R(red) 값, G(green) 값 및 B(blue) 값 중 적어도 하나 이상을 포함한다. 따라서, 제어부(110)는 대상 픽셀(TP)의 주변 픽셀들 중에서 선택된 픽셀들에 대한 R(red) 값, G(green) 값 또는 B(blue) 값에 대한 평균 화소값을 각각 산출할 수 있다. 이때, 제어부(110)는 산출된 상기 평균 화소값을 정수화(integer)할 수 있다. 제어부(110)는 산출된 평균 화소값(또는 정수화된 평균 화소값)을 상기 대상 픽셀의 화소값으로 결정한다.

난수 함수에 따른 주변 픽셀들의 평균 화소값은 예측할 수 없다. 따라서, 평균화 된 값들은 다시 복원할 수는 없다. 또한 평균화시키면서 평균값을 정수화하여 소수점은 버리거나 반올림함으로써, 생체정보(예를 들어, 지문 정보 또는 홍채 정보)를 찾기 위해 생체정보 영역을 복호화하는 경우에 오차 값이 커진다. 예를 들어, 정수 변환으로 생기는 오차는 1 이하이며, 각 숫자가 모두 하나 작던지 하나 클 수 있다. 수식적으로 한 픽셀 당 복호화 시

개의 조합이 나온다. 여기서, n은 해당 픽셀주위의 8개의 픽셀 중 임의로 선택된 픽셀의 개수를 의미한다. 예를 들어, 도 5에서, TP 주위에서 P1, P3, P4, P6, P8을 선택하여 n=5인 경우를 예시할 수 있다. 이제 모든 픽셀에 대해 시행하면, 복호화 시 나올 수 있는 경우의 수는

이다. n은 1부터 8까지의 수 중 하나이므로 경우의 수는

가 된다. 게다가 8개중 n개의 픽셀을 선택하는 방식까지 고려한다면 더욱 경우의 수가 많아질 것이다. 작은 화면 속 픽셀의 수는 최소 10000개의 화소일 것이고 한 화소 당 R값, G값, B값이 있는 것을 고려한다면 총 경우의 수는 대략 최소

정도이다. 따라서, 오늘날 컴퓨터의 최고의 연산속도가 대략 1초당 1000조의 연산을 한다고 가정하면, 복호화 하는데 걸리는 시간은

정도이고, 이는 복호화하는데 불가능한 시간을 의미한다.

제어부(110)는 생체정보 영역 내에서 모든 대상 픽셀이 선택되어 전술한 평균 화소값을 검출하는 과정을 수행했는가를 확인한다. 만일, 대상 픽셀이 모두 선택된 경우에는 더이상 선택될 대상 픽셀이 존재하지 않는 경우이므로 생체정보 영역의 이미지 정보를 변형하는 동작을 종료한다. 그러나, 선택되어야 할 대상 픽셀이 아직 존재한다면, 생체정보 영역의 이미지 정보를 변형하는 동작을 반복적으로 수행한다.

제어부(110)는 변형된 이미지 정보를 검출된 생체정보 영역에 대체시킨다. 이를 위해, 제어부(110)는 검출된 생체정보 영역(예를 들어, 지문 영역 또는 홍채 영역) 내 픽셀들의 화소값들을 상기 결정된 평균 화소값들로 각각 치환한다.

그 후, 제어부(110)는 검출된 생체정보 영역과 원본 영상 간의 경계에 대응하는 경계 픽셀들의 경계 화소값들 각각에 대한 근사화값을 산출한다.

제어부(110)는 변형 전의 원본 영상과 생체정보 영역의 경계부분을 작은 직사각형들으로 구분하고, 구분된 직사각형들 영역에 대응하는 경계 픽셀들의 경계 화소값 중 명도 데이터 또는 채도 데이터를 선형(일차함수) 근사화함으로써, 원본 영상과 생체정보 영역의 경계부분에 해당하는 경계 픽셀들의 화소값으로서 선형 근사화값을 산출한다.

도 6a는 원본 영상과 생체정보 영역 사이의 경계에 대응하는 경계 픽셀들에 대한 명도 선형(일차함수) 근사화를 예시하는 참조도이다. 도 6a를 참조하면, 경계 픽셀들의 경계 화소값들이 선형성을 갖도록 경계 픽셀들의 명도 데이터에 대한 선형 근사화가 이루어짐을 확인할 수 있다.

다만, 원본 영상과 생체정보 영역 사이의 경계가 흰색과 검정색의 경계로 이루어진 경우에는 선형 근사화에 따른 오차가 발생할 수 있다. 이에 따라, 제어부(110)는 검출된 생체정보 영역과 원본 영상 간의 경계에 대응하는 경계 픽셀들의 경계 화소값들 각각에 대한 다항함수 근사화값을 산출할 수도 있다.

도 6b는 원본 영상과 생체정보 영역 사이의 경계에 대응하는 경계 픽셀들에 대한 명도 다항함수 근사화를 예시하는 참조도이다. 도 6b를 참조하면, 다항함수 근사화값은 다항식 회귀 분석(Polynomial Regression Analysis) 알고리즘을 이용하여 산출할 수 있다. 이러한 다항식 회귀 알고리즘은 예를 들어, 최소자승법(Least Squre Method(LSM)) 또는 가우스 조던소거법(Gauss-Jordan Elimination)을 예시할 수 있다. 제어부(110)는 다항식 회귀 분석 알고리즘을 이용해 오차가 가장 적은 다항함수의 계수를 계산함으로써 다항함수 근사화값을 산출할 수 있다. 예를 들어, 제어부(110)는 주어진 데이터들을 포함하는 6차 다항함수와 같은 함수를 통해 명도 채도 데이터의 오차를 줄이면서 정확도를 높인 연속적인 함수를 산출한다. 이러한 함수를 산출함으로써, 원본 영상과 생체정보 영역의 경계에서 명도 채도를 맞춰주어 자연스러움을 유지할 수 있도록 한다.

그 후, 제어부(110)는 산출된 근사화값을 경계 픽셀들의 경계 화소값으로 각각 치환함으로써, 생체정보가 파괴된 변조 영상을 생성한다. 이에 따라, 변조 영상은 원본 영상과 생체정보 영역의 경계 부분이 연속적이고 자연스러운 이미지가 되도록 처리될 수 있다. 즉, 산출된 근사화값이 경계 픽셀들의 경계 화소값으로 각각 치환됨으로써, 변조 영상은 생체정보 영역의 변형된 후에도 원본 영상에서 느끼는 영상의 자연스러움을 유지할 수 있다.

도 7은 본 발명의 실시예에 따른 촬영 영상 내의 생체정보 보안 처리방법을 설명하기 위한 일 실시예의 플로차트이다.

먼저, 카메라를 통해 촬영된 영상으로부터 생체정보를 갖는 신체 부위의 위치와 모양을 검출한다(S200 단계). 신경망 알고리즘을 이용한 기계 학습(machine learning)을 통해 상기 신체 부위의 위치와 모양을 검출할 수 있다. 예를 들어, 신체 부위 중 손 검출을 위해 설계된 신경망 알고리즘의 기계 학습을 통해 영상 속에서 손의 위치와 모양을 인식할 수 있다. 또 다른 예로서, 신체 부위 중 눈 검출을 위해 설계된 신경망 알고리즘의 기계 학습을 통해 영상 속에서 눈의 위치와 모양을 인식할 수 있다.

S200 단계 후에, 상기 검출된 신체 부위의 위치와 모양으로부터 상기 신체 부위의 생체정보 영역을 검출한다(S202 단계). 신경망 알고리즘을 이용한 기계 학습을 통해 신체 부위(예를 들어, 손 또는 눈)의 생체정보 영역(예를 들어, 지문 영역 또는 홍채 영역)을 검출할 수 있다. 예를 들어, 검출된 신체 부위가 손에 해당하는 경우에, 검출된 손의 위치와 모양에서 신경망 알고리즘을 이용한 기계 학습을 통해 손가락 마디 위치를 검출한다. 그 후, 검출된 손가락 마디 위치의 끝단의 이미지를 생체정보 영역 즉, 지문 영역으로 검출할 수 있다. 또 다른 예로서, 검출된 신체 부위가 눈에 해당하는 경우에, 검출된 눈의 위치와 모양에서 신경망 알고리즘을 이용한 기계 학습을 통해 눈동자의 위치를 검출한다. 그 후, 검출된 눈동자 위치의 이미지를 생체정보 영역 즉, 홍채 영역으로 검출할 수 있다.

S202 단계 후에, 상기 검출된 생체정보 영역의 이미지 정보를 변형시킨다(S204 단계). 원본 영상에 포함된 생체정보에 대한 복호화가 불가능하도록 파괴시키는 과정이다.

도 8은 도 7에 도시된 생체정보 영역의 이미지 정보를 변형시키는 과정을 설명하기 위한 일 실시예의 플로차트이다.

먼저, 생체정보 영역 내에 존재하는 어느 하나의 대상 픽셀을 순차적으로 선택한다(S300 단계). 예를 들어, 생체정보 영역으로서 지문 영역 또는 홍채 영역이 검출되었다면, 검출된 지문 영역 또는 홍채 영역 내에 존재하는 어느 하나의 대상 픽셀을 순차적으로 선택한다.

S300 단계 후에, 선택된 상기 대상 픽셀의 주변에 존재하는 주변 픽셀들 중 적어도 하나 이상을 선택한다(S302 단계). 이때, 난수 함수를 이용하여 상기 주변 픽셀들 중 적어도 하나 이상을 랜덤하게 선택할 수 있다. 예를 들어, 전술한 도 5에 도시된 바와 같이, 생체정보 영역(예를 들어, 지문 영역 또는 홍채 영역) 중 어느 하나의 대상 픽셀(TP)을 에워싸는 주변 픽셀들은 총 8개(P1, P2, P3, P4, P5, P6, P7, P8)가 존재할 수 있다. 8개의 주변 픽셀들 중에서 무작위로 고른 1부터 8 중의 자연수 n에 따라 주변 픽셀들을 난수 함수를 통해 선택할 수 있다.

S302 단계 후에, 상기 랜덤하게 선택된 주변 픽셀들의 화소값들을 평균화한 평균 화소값을 산출한다(S304 단계). 예를 들어, 도 5에 도시된 바와 같이, 대상 픽셀(TP)의 주변 픽셀들 중에서 선택된 픽셀들에 대한 R(red) 값, G(green) 값 또는 B(blue) 값에 대한 평균 화소값을 각각 산출할 수 있다. 이때, 산출된 상기 평균 화소값을 정수화(integer)할 수 있다. 산출된 평균 화소값의 소수점을 버리거나 반올림함으로써, 정수화할 수 있다.

S304 단계 후에, 상기 산출된 평균 화소값을 상기 대상 픽셀의 화소값으로 결정한다(S306 단계). 이때, 산출된 평균 화소값을 상기 대상 픽셀의 화소값으로 결정한다. 이때, 산출된 평균 화소값이 정수화된 경우에는 정수화된 평균 화소값을 대상 픽셀의 화소값으로 결정할 수 있다.

S306 단계 후에, 선택할 대상 픽셀이 존재하는가를 판단한다(S308 단계). S300 단계에서 순차적으로 선택되는 대상 픽셀이 모두 선택된 경우에는 더이상 선택될 대상 픽셀이 존재하지 않는 경우이므로 S206 단계로 진행한다. 그러나, S300 단계에서 순차적으로 선택되는 대상 픽셀이 아직 존재한다면, S300 단계로 복귀하여 전술한 S300 단계 내지 S308 단계를 반복적으로 수행한다.

S204 단계 후에, 변형된 이미지 정보를 상기 생체정보 영역에 대체시킨다(S206 단계).

도 9는 도 7에서 변형된 이미지 정보를 상기 생체정보 영역에 대체시키는 과정을 설명하기 위한 일 실시예의 플로차트이다.

먼저, 검출된 생체정보 영역 내의 픽셀들의 화소값들을 상기 결정된 평균 화소값들로 각각 치환한다(S400 단계). 예를 들어, 검출된 지문 영역 또는 홍채 영역 내 픽셀들의 화소값들을 상기 결정된 평균 화소값들로 각각 치환한다.

S400 단계 후에, 상기 검출된 생체정보 영역과 상기 원본 영상 간의 경계에 대응하는 경계 픽셀들의 경계 화소값들에 대한 각각의 근사화값을 산출(S402 단계). 변형 전의 원본 영상과 생체정보 영역의 경계부분을 작은 직사각형들으로 구분하고, 구분된 직사각형들 영역에 대응하는 경계 픽셀들의 경계 화소값 중 명도 데이터 또는 채도 데이터를 선형 근사화 또는 다항함수 근사화를 함으로써, 원본 영상과 생체정보 영역의 경계부분에 해당하는 경계 픽셀들의 화소값으로서 근사화값을 산출한다.

S402 단계 후에, 산출된 근사화값을 상기 경계 픽셀들의 경계 화소값으로 치환한다(S404 단계). 산출된 근사화값을 경계 픽셀들의 경계 화소값으로 각각 치환함으로써, 생체정보가 파괴된 변조 영상을 생성한다. 산출된 근사화값이 경계 픽셀들의 경계 화소값으로 각각 치환됨으로써, 변조 영상은 생체정보 영역의 변형된 후에도 원본 영상에서 느끼는 영상의 자연스러움을 유지할 수 있다.

본 발명의 촬영 영상 내의 생체정보 보안 처리방법 및 장치는 소프트웨어적인 프로그램으로 구현하여 컴퓨터로 읽을 수 있는 소정 기록매체에 기록해 둠으로써 다양한 재생장치에 적용할 수 있다. 다양한 재생장치는 PC, 노트북, 휴대용 단말 등일 수 있다. 예컨대, 기록매체는 각 재생장치의 내장형으로 하드디스크, 플래시 메모리, RAM, ROM 등이거나, 외장형으로 CD-R, CD-RW와 같은 광디스크, 콤팩트 플래시 카드, 스마트 미디어, 메모리 스틱, 멀티미디어 카드일 수 있다.

이상과 같이 본 발명의 실시예를 설명하였으나, 본 발명의 명세서에 개시된 실시예들은 본 발명을 한정하는 것이 아니다. 본 발명의 범위는 아래의 특허청구범위에 의해 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술도 본 발명의 범위에 포함되는 것으로 해석해야 할 것이다.

100: 저장부
110: 제어부

Claims

카메라를 통해 촬영된 영상으로부터 생체정보를 갖는 신체 부위의 위치와 모양을 검출하는 단계;
상기 검출된 신체 부위의 위치와 모양으로부터 상기 신체 부위의 생체정보 영역을 검출하는 단계;
상기 검출된 생체정보 영역의 이미지 정보를 변형시키는 단계; 및
변형된 이미지 정보를 상기 생체정보 영역에 대체시키는 단계를 포함하는 것을 특징으로 하는 촬영 영상 내의 생체정보 보안 처리방법.
청구항 1에 있어서,
신경망 알고리즘을 이용한 기계 학습(machine learning)을 통해 상기 신체 부위의 위치와 모양을 검출하는 것을 특징으로 하는 촬영 영상 내의 지문 정보 보안 처리 방법.
청구항 1에 있어서,
상기 검출된 신체 부위가 손에 해당하는 경우에,
상기 검출된 손의 위치와 모양으로부터 상기 손의 지문 영역을 검출하고, 상기 검출된 지문 영역의 이미지 정보를 변형시킨 후에, 변형된 이미지 정보를 상기 지문 영역에 대체시키는 것을 특징으로 하는 촬영 영상 내의 생체정보 보안 처리방법.
청구항 3에 있어서,
신경망 알고리즘을 이용한 기계 학습(machine learning)을 통해 상기 검출된 손의 위치와 모양으로부터 손가락 마디 위치를 검출하고,
상기 검출된 손가락 마디 위치의 끝단의 이미지를 상기 지문 영역으로 검출하는 것을 특징으로 하는 촬영 영상 내의 생체정보 보안 처리 방법.
청구항 1에 있어서,
상기 검출된 신체 부위가 눈에 해당하는 경우에,
상기 검출된 눈의 위치와 모양으로부터 상기 눈의 홍채 영역을 검출하고, 상기 검출된 홍채 영역의 이미지 정보를 변형시킨 후에, 변형된 이미지 정보를 상기 홍채 영역에 대체시키는 것을 특징으로 하는 촬영 영상 내의 생체정보 보안 처리방법.
청구항 1에 있어서,
상기 검출된 생체정보 영역의 이미지 정보를 변형시키는 단계는,
상기 생체정보 영역 내에 존재하는 어느 하나의 대상 픽셀을 순차적으로 선택하는 단계;
선택된 상기 대상 픽셀의 주변에 존재하는 주변 픽셀들 중 적어도 하나 이상을 랜덤하게 선택하는 단계;
상기 랜덤하게 선택된 주변 픽셀들의 화소값들을 평균화한 평균 화소값을 산출하는 단계;
상기 산출된 평균 화소값을 상기 대상 픽셀의 화소값으로 결정하는 단계; 및
선택할 상기 대상 픽셀이 존재하는가를 판단하는 단계를 포함하고,
선택할 상기 대상 픽셀이 존재한다면 전술한 과정을 반복하는 것을 특징으로 하는 촬영 영상 내의 생체정보 보안 처리 방법.
청구항 6에 있어서,
난수 함수를 이용하여 상기 주변 픽셀들 중 적어도 하나 이상을 랜덤하게 선택하는 것을 특징으로 하는 촬영 영상 내의 생체정보 보안 처리 방법.
청구항 6에 있어서,
상기 평균 화소값을 산출하는 단계는,
산출된 상기 평균 화소값을 정수화하는 것을 특징으로 하는 촬영 영상 내의 생체정보 보안 처리 방법.
청구항 6에 있어서,
상기 주변 픽셀들의 화소값들은 R(red) 값, G(green) 값 및 B(blue) 값 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 촬영 영상 내의 생체정보 보안 처리 방법.
청구항 6에 있어서,
상기 변형된 이미지 정보를 상기 생체정보 영역에 대체시키는 단계는,
상기 검출된 생체정보 영역 내의 픽셀들의 화소값들을 상기 결정된 평균 화소값들로 각각 치환하는 단계;
상기 검출된 생체정보 영역과 상기 원본 영상 간의 경계에 대응하는 경계 픽셀들의 경계 화소값들에 대한 각각의 근사화값을 산출하는 단계; 및
상기 산출된 근사화값을 상기 경계 픽셀들의 경계 화소값으로 치환하는 단계를 포함하는 것을 특징으로 하는 촬영 영상 내의 생체정보 보안 처리 방법.
청구항 10에 있어서,
상기 근사화값을 산출하는 단계는,
상기 원본 영상에서 경계 픽셀들에 대한 명도 데이터 또는 채도 데이터 중 적어도 하나 이상을 선형 근사화 또는 다항함수 근사화하여 산출하는 것을 특징으로 하는 촬영 영상 내의 생체정보 보안 처리 방법.
카메라를 통해 촬영된 영상으로부터 신체 부위의 위치와 모양을 검출하는 신체 부위 검출동작, 상기 검출된 신체 부위의 위치와 모양으로부터 상기 신체 부위의 생체정보 영역을 검출하는 생체정보 영역 검출동작, 상기 검출된 생체정보 영역의 이미지 정보를 변형시키는 이미지 변형동작 및 변형된 이미지 정보를 상기 생체정보 영역에 대체시키는 이미지 대체동작 중 적어도 하나 이상의 동작을 수행하는 제어부; 및
상기 신체 부위 검출동작, 상기 생체정보 영역 검출동작, 상기 이미지 변형동작 및 상기 이미지 대체동작을 각각 수행하기 위한 프로그램을 저장하고 있는 저장부를 포함하는 것을 특징으로 하는 촬영 영상 내의 생체정보 보안 처리장치.
청구항 12에 있어서,
상기 제어부는,
신경망 알고리즘을 이용한 기계 학습(machine learning)을 통해 상기 신체 부위의 위치와 모양을 검출하는 것을 특징으로 하는 촬영 영상 내의 지문 정보 보안 처리장치.
청구항 12에 있어서,
상기 제어부는,
상기 검출된 신체 부위가 손에 해당하는 경우에, 상기 검출된 손의 위치와 모양으로부터 상기 손의 지문 영역을 검출하고, 상기 검출된 지문 영역의 이미지 정보를 변형시킨 후에, 변형된 이미지 정보를 상기 지문 영역에 대체시키는 것을 특징으로 하는 촬영 영상 내의 생체정보 보안 처리장치.
청구항 14에 있어서,
상기 제어부는,
신경망 알고리즘을 이용한 기계 학습(machine learning)을 통해 상기 검출된 손의 위치와 모양으로부터 손가락 마디 위치를 검출하고, 상기 검출된 손가락 마디 위치의 끝단의 이미지를 상기 지문 영역으로 검출하는 것을 특징으로 하는 촬영 영상 내의 생체정보 보안 처리장치.
청구항 12에 있어서,
상기 제어부는,
상기 검출된 신체 부위가 눈에 해당하는 경우에, 상기 검출된 눈의 위치와 모양으로부터 상기 눈의 홍채 영역을 검출하고, 상기 검출된 홍채 영역의 이미지 정보를 변형시킨 후에, 변형된 이미지 정보를 상기 홍채 영역에 대체시키는 것을 특징으로 하는 촬영 영상 내의 생체정보 보안 처리장치.
청구항 12에 있어서,
상기 제어부는,
상기 생체정보 영역 내에 존재하는 어느 하나의 대상 픽셀을 순차적으로 선택하고, 선택된 상기 대상 픽셀의 주변에 존재하는 주변 픽셀들 중 적어도 하나 이상을 랜덤하게 선택하고, 상기 랜덤하게 선택된 주변 픽셀들의 화소값들을 평균화한 평균 화소값을 산출하고, 상기 산출된 평균 화소값을 상기 대상 픽셀의 화소값으로 결정하는 것을 특징으로 하는 촬영 영상 내의 생체정보 보안 처리장치.
청구항 17에 있어서,
상기 제어부는,
난수 함수를 이용하여 상기 주변 픽셀들 중 적어도 하나 이상을 랜덤하게 선택하는 것을 특징으로 하는 촬영 영상 내의 생체정보 보안 처리장치.
청구항 17에 있어서,
상기 제어부는,
산출된 상기 평균 화소값을 정수화하는 것을 특징으로 하는 촬영 영상 내의 생체정보 보안 처리장치.
청구항 17에 있어서,
상기 제어부는,
상기 검출된 생체정보 영역 내의 픽셀들의 화소값들을 상기 결정된 평균 화소값들로 각각 치환하고, 상기 검출된 생체정보 영역과 상기 원본 영상 간의 경계에 대응하는 경계 픽셀들의 경계 화소값들에 대한 각각의 근사화값을 산출하고, 상기 산출된 근사화값을 상기 경계 픽셀들의 경계 화소값으로 치환하는 것을 특징으로 하는 촬영 영상 내의 생체정보 보안 처리장치.