KR20200020107A - 기계학습을 이용한 획 기반 수기 서명 인증 방법 및 시스템 - Google Patents

기계학습을 이용한 획 기반 수기 서명 인증 방법 및 시스템 Download PDF

Info

Publication number
KR20200020107A
KR20200020107A KR1020180095417A KR20180095417A KR20200020107A KR 20200020107 A KR20200020107 A KR 20200020107A KR 1020180095417 A KR1020180095417 A KR 1020180095417A KR 20180095417 A KR20180095417 A KR 20180095417A KR 20200020107 A KR20200020107 A KR 20200020107A
Authority
KR
South Korea
Prior art keywords
stroke
signature
sequence
extracting
feature
Prior art date
Application number
KR1020180095417A
Other languages
English (en)
Other versions
KR102111858B1 (ko
Inventor
최호진
박찬용
이영준
Original Assignee
한국과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020180095417A priority Critical patent/KR102111858B1/ko
Publication of KR20200020107A publication Critical patent/KR20200020107A/ko
Application granted granted Critical
Publication of KR102111858B1 publication Critical patent/KR102111858B1/ko

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
    • G06F21/33—User authentication using certificates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0487—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
    • G06F3/0488—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures
    • G06F3/04883—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures for inputting data by handwriting, e.g. gesture or text
    • G06K9/00187—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/30—Writer recognition; Reading and verifying signatures
    • G06V40/37—Writer recognition; Reading and verifying signatures based only on signature signals such as velocity or pressure, e.g. dynamic signature recognition
    • G06V40/382—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Human Computer Interaction (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Collating Specific Patterns (AREA)

Abstract

기계학습을 이용한 획 기반 수기 서명 인증 방법 및 시스템이 제시된다. 일 실시예에 따른 획 기반 수기 서명 인증 방법은, 사용자로부터 입력 받은 서명의 수집 점(point)들로부터 획 이미지 시퀀스(sequence)와 획 시간 시퀀스를 추출하는 단계; 상기 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출하고, 상기 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출하여 특징 벡터를 추출하는 단계; 및 추출된 상기 특징 벡터를 이용하여 서명의 진위 여부를 판별하는 단계를 포함하여 이루어질 수 있다.

Description

기계학습을 이용한 획 기반 수기 서명 인증 방법 및 시스템{METHOD AND SYSTEM FOR AUTHENTICATING STROKE-BASED HANDWRITTEN SIGNATURE USING MACHINE LEARNING}
아래의 실시예들은 수기 서명의 인증에 관한 것으로, 더욱 상세하게는 기계 학습을 이용하여 서로 다른 사람들의 진 서명, 또한 진 서명과 이를 모방한 위조 서명을 구별 가능하게 하는 수기 서명의 인증 방법 및 시스템에 관한 것이다.
최근 개개인의 타인과 구별되는 생물학적 특성을 이용하여 자신을 인증하는 생체 인식 기술들이 개발되고 있다. 일반적인 생체 인식 수단으로 지문, 홍채, 수기 서명 등이 이용되고 있다. 이 중에서 수기 서명은 사회에서 이미 널리 사용되고 있기 때문에 다른 방법들에 비해 쉽게 적용될 수 있는 장점을 가지고 있다.
하지만 수기 서명을 이용한 생체 인식 방법은 동일인의 진 서명이 매번 완전하게 일치하지 않고 진 서명들과 이를 모방한 서명이 쉽게 구별되지 않는 문제가 있다. 이는 인증 시스템으로 하여금 보안상의 큰 문제를 야기하므로 수기 서명을 이용한 인증 시스템의 경우 사용자의 진 서명을 이를 모방한 서명 또는 타인의 진 서명과 구별할 수 있는 방법이 반드시 동반되어야 한다.
이러한 수기 서명 인증의 종래 기술로는 DTW(Dynamic Time Warping) 알고리즘을 이용하거나 뉴럴 네트워크의 한 종류인 RNN(Recurrent Neural Network)을 이용한 방법들이 있다.
DTW 기반 방법은 사용자의 원본 서명들을 수집하는 단계, 새로운 서명과 기존에 수집된 사용자의 원본 서명들을 동적으로 비교하여 유사도를 측정하는 단계, 구해진 유사도가 정해진 임계 값보다 낮으면 해당 서명을 위조 서명으로, 높으면 진 서명으로 판단하는 단계로 이루어진다. 이러한 서명 인증 방법은 비교 과정을 위해 모든 원본 서명들을 데이터 베이스화 하므로 언제든지 데이터 베이스로부터 사용자들의 서명 정보가 유출될 수 있는 위험을 가지고 있다.
상기 문제를 해결하기 위해 특징 추출(feature extraction) 기반 서명 인증 방법들이 제안되었다. 이들 중 리커런트 네트워크(recurrent network)를 이용한 서명 인증 방법은 서명들을 수집하는 단계, 수집된 서명을 전처리하는 단계, 수집된 서명으로부터 진 서명의 특징 벡터를 추출하는 단계, 추출된 특징 벡터를 이용하여 진 서명 또는 위조 서명으로 판별하는 과정으로 이루어진다. 서명으로부터 특징 벡터를 추출하는 단계는 서명을 이루는 수집 점(point)들의 시퀀스를 입력으로, 서명의 특징 벡터(feature vector)를 출력으로 하는 리커런트 네트워크를 이용한다.
상기 특징 추출 기반 서명 인증 방법은 원본 서명들을 데이터 베이스화하지 않으므로 사용자의 원본 서명이 유출될 위험이 없다는 장점을 가진다.
하지만 상기 방법의 경우 리커런트 네트워크의 입력 데이터의 시퀀스 길이가 길어짐에 따라 발생하는 감소하는 기울기(vanishing gradient) 문제를 가진다. 수기 서명은 일반적으로 수백 개의 수집 점 시퀀스로 이루어져 있기 때문에 리커런트 네트워크의 학습과정에서 네트워크가 올바르게 수렴하지 못하게 되고, 결과적으로 서명 인증의 정확도가 낮아지게 된다.
한국공개특허 10-2017-0007068호는 이러한 수기서명 인증 시스템 및 방법에 관한 것으로, 사용자의 수기서명에 대해 미리 등록 된 수기서명 이미지와, 수기서명 시 추적되는 추적 수기서명 이미지, 수기서명 시 수집되는 수기서명 행위특성, 상기 수기서명 행위특성에 의해 복원된 수기서명 이미지 중 하나 이상을 비교하여 수기서명 인증을 수행하는 시스템에 관한 기술을 기재하고 있다.
한국공개특허 10-2017-0007068호
실시예들은 기계학습을 이용한 획 기반 수기 서명 인증 방법 및 시스템에 관하여 기술하며, 보다 구체적으로 기계 학습을 이용하여 서로 다른 사람들의 진 서명, 또한 진 서명과 이를 모방한 위조 서명을 구별 가능하게 하는 기술을 제공한다.
실시예들은 수기 서명을 이루는 수집 점 시퀀스를 획(stroke) 시퀀스로 변환한 후 진 서명과 위조 서명이 구별되도록 특징 벡터를 추출함으로써, 서명 인증의 성능을 향상시킬 수 있는 기계학습을 이용한 획 기반 수기 서명 인증 방법 및 시스템을 제공하는데 있다.
일 실시예에 따른 획 기반 수기 서명 인증 방법은, 사용자로부터 입력 받은 서명의 수집 점(point)들로부터 획 이미지 시퀀스(sequence)와 획 시간 시퀀스를 추출하는 단계; 상기 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출하고, 상기 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출하여 특징 벡터를 추출하는 단계; 및 추출된 상기 특징 벡터를 이용하여 서명의 진위 여부를 판별하는 단계를 포함하여 이루어질 수 있다.
상기 서명의 수집 점들로부터 획 이미지 시퀀스와 획 시간 시퀀스를 추출하는 단계는, 입력 받은 상기 서명의 수집 점의 시퀀스에서 화면에 가해지는 압력의 세기가 0이 되는 수집 점을 찾아 획(stroke) 시퀀스를 추출하는 단계; 추출된 각각의 상기 획 시퀀스에 포함되는 수집 점의 화면 상 좌표 정보를 이용하여 상기 획 이미지 시퀀스를 생성하는 단계; 및 각각의 상기 획 시퀀스에 포함되는 수집 점의 개수를 통해 획을 그리는데 걸린 시간을 추정하여 상기 획 시간 시퀀스를 생성하는 단계를 포함할 수 있다.
상기 특징 벡터를 추출하는 단계는, 상기 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출하는 단계; 상기 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출하는 단계; 및 추출된 상기 획 이미지의 특징 및 상기 획 시간의 특징으로부터 특징 벡터를 추출하는 단계를 포함할 수 있다.
상기 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출하는 단계는, 단일 또는 복수의 컨볼루션(convolution) 레이어를 통해 상기 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출할 수 있다.
상기 획 이미지의 특징 및 상기 획 시간의 특징으로부터 특징 벡터를 추출하는 단계는, 단일 또는 복수의 리커런트(recurrent) 레이어를 통해 상기 획 이미지의 특징 및 상기 획 시간의 특징으로부터 특징 벡터를 추출할 수 있다.
상기 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출하는 단계는, 획 시간이 포함되는 시간 구간을 탐색하여 기 학습된 해당 시간 구간의 대표 벡터를 출력할 수 있다.
상기 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출하는 단계는, 획 시간 구간에 대한 대표 벡터를 학습하는 단계를 더 포함할 수 있다. 여기서, 상기 획 시간 구간에 대한 대표 벡터를 학습하는 단계는, 학습 데이터에서 하나의 획 이미지가 입력되었을 때 동일한 획 이미지를 출력하도록 오토-인코더(auto-encoder)를 학습시키는 단계; 상기 학습 데이터의 획 이미지를 학습된 오토-인코더의 인코더 네트워크를 이용하여 인코딩하는 단계; 0초에서 상기 학습 데이터의 최대 획 시간까지의 범위를 통상적인 기계학습의 변별 과정에서 최적의 값으로 선택될 수 있는 자연수 K 개의 시간 구간으로 분할하는 단계; 획 시간에 따라 상기 학습 데이터의 각 획을 획 시간 구간에 할당하는 단계; 및 각 획 시간 구간에 포함되어 있는 획들의 인코딩된 획 이미지의 평균을 구함으로써 해당 시간 구간의 대표 벡터를 생성하는 단계를 포함하여 이루어질 수 있다.
상기 특징 벡터를 이용하여 서명의 진위 여부를 판별하는 단계는, 출력인 상기 특징 벡터를 입력 받아 사용자의 진 서명의 특징 벡터들과 비교하여 해당 서명이 진 서명인지 위조 서명인지를 판별할 수 있다.
다른 실시예에 따른 획 기반 수기 서명 인증 방법은, 사용자 단말을 통해 수기로 입력 받은 수집 점(point)의 시퀀스(sequence)로 이루어진 사용자의 서명을 전달 받는 단계; 상기 서명의 진위 여부를 판별하는 단계; 및 판별된 결과를 상기 사용자 단말로 전송하는 단계를 포함하여 이루어질 수 있다. 이 때, 상기 서명의 진위 여부를 판별하는 단계는, 사용자로부터 입력 받은 상기 서명의 수집 점들로부터 획 이미지 시퀀스와 획 시간 시퀀스를 추출하는 단계; 상기 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출하고, 상기 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출하여 특징 벡터를 추출하는 단계; 및 추출된 상기 특징 벡터를 이용하여 서명의 진위 여부를 판별하는 단계를 포함할 수 있다.
또 다른 실시예에 따른 획 기반 수기 서명 인증 시스템은, 사용자로부터 입력 받은 서명의 수집 점(point)들로부터 획 이미지 시퀀스(sequence)와 획 시간 시퀀스를 추출하는 서명 전처리부; 상기 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출하고, 상기 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출하여 특징 벡터를 추출하는 특징 추출부; 및 추출된 상기 특징 벡터를 이용하여 서명의 진위 여부를 판별하는 서명 판별부를 포함하여 이루어질 수 있다.
사용자 단말을 통해 수기로 입력 받은 수집 점(point)의 시퀀스(sequence)로 이루어진 사용자의 서명을 전달 받는 입력부; 및 판별된 결과를 상기 사용자 단말로 전송하는 출력부를 더 포함할 수 있다.
상기 서명 전처리부는, 입력 받은 상기 서명의 수집 점의 시퀀스에서 화면에 가해지는 압력의 세기가 0이 되는 수집 점을 찾아 획(stroke) 시퀀스를 추출하고, 추출된 각각의 상기 획 시퀀스에 포함되는 수집 점의 화면 상 좌표 정보를 이용하여 상기 획 이미지 시퀀스를 생성하며, 각각의 상기 획 시퀀스에 포함되는 수집 점의 개수를 통해 획을 그리는데 걸린 시간을 추정하여 상기 획 시간 시퀀스를 생성할 수 있다.
상기 특징 추출부는, 단일 또는 복수의 컨볼루션(convolution) 레이어를 통해 상기 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출하는 컨볼루션 계층부; 상기 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출하는 획 시간 구간 임베딩 계층부; 및 단일 또는 복수의 리커런트(recurrent) 레이어를 통해 추출된 상기 획 이미지의 특징 및 상기 획 시간의 특징으로부터 특징 벡터를 추출하는 리커런트 계층부를 포함할 수 있다.
상기 획 시간 구간 임베딩 계층부는, 획 시간이 포함되는 시간 구간을 탐색하여 기 학습된 해당 시간 구간의 대표 벡터를 출력할 수 있다.
상기 서명 판별부는, 출력인 상기 특징 벡터를 입력 받아 사용자의 진 서명의 특징 벡터들과 비교하여 해당 서명이 진 서명인지 위조 서명인지를 판별할 수 있다.
실시예들에 따르면 서명의 수집 점들의 시퀀스를 획 이미지, 시간 시퀀스로 변환하여 시퀀스의 길이를 줄임으로써 리커런트 네트워크가 가지는 감소하는 기울기 문제를 해결하는 기계학습을 이용한 획 기반 수기 서명 인증 방법 및 시스템을 제공할 수 있다.
또한, 실시예들에 따르면 획 시간 구간 임베딩 계층부로부터 진 서명과 이를 위조한 서명의 획이 가지는 시간적 특성의 차이를 구별함으로써 서명 인증의 정확도를 높이는 기계학습을 이용한 획 기반 수기 서명 인증 방법 및 시스템을 제공할 수 있다.
도 1은 일 실시예에 따른 서명 인증 시스템의 구성도를 나타내는 도면이다.
도 2는 일 실시예에 따른 수기 서명 인증 시스템의 특징 추출부를 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 획 시간 구간의 예를 나타내는 도면이다.
도 4는 일 실시예에 따른 획 기반 수기 서명 인증 방법에 대한 흐름도를 나타낸다.
도 5는 일 실시예에 따른 획 시간 구간 임베딩 계층부의 학습에 대한 흐름도를 나타낸다.
도 6은 일 실시예에 따른 사용자 독립적인 특징 학습 모델을 설명하기 위한 도면이다.
도 7을 일 실시예에 따른 시간 구간 벡터의 재구성(K= 5)을 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 실시예들을 설명한다. 그러나, 기술되는 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명되는 실시예들에 의하여 한정되는 것은 아니다. 또한, 여러 실시예들은 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다. 도면에서 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
아래의 실시예들은 사용자의 서명을 획(stroke) 시퀀스로 나누고 진 서명의 획 시퀀스와 위조 서명의 획 시퀀스가 구별되도록 특징 벡터를 추출함으로써 서명 인증 시스템의 성능을 향상시킬 수 있다.
이러한 본 실시예들에 따르는 서명 인증 시스템의 구성을 도 1을 참조하여 설명한다.
도 1은 일 실시예에 따른 서명 인증 시스템의 구성도를 나타내는 도면이다.
도 1을 참조하면, 서명 인증 시스템은 획 기반 수기 서명 인증 시스템(200)을 포함할 수 있으며, 실시예에 따라 사용자 단말(100)을 더 포함하여 이루어질 수 있다. 여기서, 획 기반 수기 서명 인증 시스템(200)은 서명 인증 서버일 수 있다.
사용자 단말(100)은 사용자의 수기 서명을 입력 받아 획 기반 수기 서명 인증 시스템(200)으로 전송하고, 상기 획 기반 수기 서명 인증 시스템(200)으로부터 서명의 진위 여부가 판별되면 그 결과를 사용자 단말(100)로 전송할 수 있다.
그리고 사용자 단말(100)에서 수집된 서명은 수집 점(point)의 시퀀스(sequence)로 이루어질 수 있다. 수집 점(point)은 일정한 시간 간격으로 수집되며 사용자 단말(100)의 화면 상의 좌표, 화면에 가해지는 압력의 세기 등의 정보를 포함할 수 있다.
여기에서는 본 발명의 실시예에 따른 사용자 단말(100)은 통신망에 연결되어 런처 서비스를 제공할 수 있는 이동통신단말기를 대표적인 예로서 설명하지만 단말기는 이동통신단말기에 한정된 것이 아니고, 모든 정보통신기기, 멀티미디어 단말기, 유선 단말기, 고정형 단말기 및 IP(Internet Protocol) 단말기 등의 다양한 단말기에 적용될 수 있다. 또한, 단말기는
여기서, 사용자 단말(100)은 휴대폰, PMP(Portable Multimedia Player), MID(Mobile Internet Device), 스마트폰(Smart Phone), 데스크톱(Desktop), 태블릿 컴퓨터(Tablet PC), 노트북(Note book), 넷북(Net book) 및 정보통신 기기 등과 같은 다양한 이동통신 사양을 갖는 모바일(Mobile) 단말기일 때 유리하게 활용될 수 있다.
획 기반 수기 서명 인증 시스템(200)으로 서명이 전송되면 해당 서명은 서명 전처리부(210), 특징 추출부(220) 및 서명 판별부(230)를 차례로 거쳐 서명의 진위 여부가 판별될 수 있다.
획 기반 수기 서명 인증 시스템(200)의 서명 전처리부(210)는 입력 받은 수집 점의 시퀀스에서 화면에 가해지는 압력의 세기가 0이 되는 수집 점을 찾아 획(stroke) 시퀀스를 추출할 수 있다. 그리고 서명 전처리부(210)는 추출된 각 획에 포함되는 수집 점의 화면 상 좌표 정보를 이용하여 획 이미지를 생성할 수 있다. 또한, 수집 점은 일정한 시간 간격으로 수집되므로 각 획에 포함되는 수집 점의 개수로 획을 그리는데 걸린 시간을 추정할 수 있다.
특징 추출부(220)는 뉴럴 네트워크로 이루어져 있으며, 컨볼루션 계층부(221), 리커런트 계층부(222) 및 획 시간 구간 임베딩 계층부(223)를 포함하여 구성될 수 있다.
아래에서는 획 기반 수기 서명 인증 시스템에 대해 보다 구체적으로 설명하기로 한다.
일 실시예에 따른 획 기반 수기 서명 인증 시스템은 서명 전처리부(210), 특징 추출부(220) 및 서명 판별부(230)를 포함하여 이루어질 수 있다. 실시예에 따라 획 기반 수기 서명 인증 시스템은 입력부 및 출력부를 더 포함하여 이루어질 수 있으며, 앞에서 설명한 바와 같이 사용자 단말(100)을 더 포함할 수도 있다. 여기서, 획 기반 수기 서명 인증 시스템은 앞에서 설명한 바와 같이 사용자 단말과 네트워크를 통해 무선 통신하는 서명 인증 서버일 수 있다.
서명 전처리부(210)는 사용자로부터 입력 받은 서명의 수집 점들로부터 획 이미지 시퀀스와 획 시간 시퀀스를 추출할 수 있다. 여기서, 서명은 사용자 단말(100)을 통해 사용자로부터 입력 받은 서명일 수 있으며, 수집 점(point)의 시퀀스(sequence)로 이루어질 수 있다.
서명 전처리부(210)는 입력 받은 서명의 수집 점의 시퀀스에서 화면에 가해지는 압력의 세기가 0이 되는 수집 점을 찾아 획(stroke) 시퀀스를 추출하고, 추출된 각각의 획 시퀀스에 포함되는 수집 점의 화면 상 좌표 정보를 이용하여 획 이미지 시퀀스를 생성하며, 각각의 획 시퀀스에 포함되는 수집 점의 개수를 통해 획을 그리는데 걸린 시간을 추정하여 획 시간 시퀀스를 생성할 수 있다.
특징 추출부(220)는 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출하고, 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출하여 특징 벡터를 추출할 수 있다.
보다 구체적으로, 특징 추출부(220)는 뉴럴 네트워크로 이루어져 있으며, 컨볼루션 계층부(221), 리커런트 계층부(222) 및 획 시간 구간 임베딩 계층부(223)를 포함하여 이루어질 수 있다.
컨볼루션 계층부(221)는 단일 또는 복수의 컨볼루션(convolution) 레이어를 통해 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출할 수 있다.
리커런트 계층부(222)는 단일 또는 복수의 리커런트(recurrent) 레이어를 통해 추출된 획 이미지의 특징 및 획 시간의 특징으로부터 특징 벡터를 추출할 수 있다.
획 시간 구간 임베딩 계층부(223)는 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출할 수 있으며, 획 시간이 포함되는 시간 구간을 탐색하여 기 학습된 해당 시간 구간의 대표 벡터를 출력할 수 있다.
특히, 획 시간 구간 임베딩 계층부(223)는 학습 데이터에서 하나의 획 이미지가 입력되었을 때 동일한 획 이미지를 출력하도록 오토-인코더(auto-encoder)를 학습시키고, 상기 학습 데이터의 획 이미지를 학습된 오토-인코더의 인코더 네트워크를 이용하여 인코딩하며, 0초에서 상기 학습 데이터의 최대 획 시간까지의 범위를 통상적인 기계학습의 변별 과정에서 최적의 값으로 선택될 수 있는 자연수 K 개의 시간 구간으로 분할하고, 획 시간에 따라 상기 학습 데이터의 각 획을 획 시간 구간에 할당하며, 각 획 시간 구간에 포함되어 있는 획들의 인코딩된 획 이미지의 평균을 구함으로써 해당 시간 구간의 대표 벡터를 생성할 수 있다.
서명 판별부(230)는 추출된 특징 벡터를 이용하여 서명의 진위 여부를 판별하는 것으로, 출력인 특징 벡터를 입력 받아 사용자의 진 서명의 특징 벡터들과 비교하여 해당 서명이 진 서명인지 위조 서명인지를 판별할 수 있다.
한편, 실시예에 따라 획 기반 수기 서명 인증 시스템은 입력부 및 출력부를 더 포함할 수 있다. 입력부는 사용자 단말(100)을 통해 수기로 입력 받은 수집 점의 시퀀스로 이루어진 사용자의 서명을 전달 받을 수 있고, 출력부는 판별된 결과를 사용자 단말(100)로 전송할 수 있다.
이하에서는 특징 추출부(220)를 도 1 및 도 2를 참조하여 보다 상세히 설명한다.
도 2는 일 실시예에 따른 수기 서명 인증 시스템의 특징 추출부를 설명하기 위한 도면이다.
획 기반 수기 서명 인증 시스템(200)으로 전송된 서명은 서명 전처리부(210)를 거쳐 획 이미지 시퀀스와 획 시간 시퀀스로 변환될 수 있다. 획 이미지 시퀀스의 각 획 이미지는 이미지의 특성을 추출하기 위해 흔히 사용되는 컨볼루션 계층부(221)를 거쳐 이미지의 특성을 포함하는 실수 벡터로 변환될 수 있다. 그리고 획 시간 시퀀스의 각 획 시간은 이하에서 서술될 획 시간 구간 임베딩 계층부(223)를 통과하여 실수 벡터로 변환될 수 있다. 상기 두 실수 벡터의 시퀀스는 시퀀스 인덱스에 따라 합쳐져 리커런트 계층부(222)에 전달될 수 있다. 리커런트 계층부(222)는 상기 합쳐진 시퀀스를 입력으로 받아 최종적으로 서명의 특징 벡터를 출력할 수 있게 된다.
획 시간 구간 임베딩 계층부(223)는 획 시간 시퀀스를 입력으로 받을 수 있다. 설명하기에 앞서, 시간 구간이란 0에서부터 학습 데이터에서 나타난 최대 획 시간까지의 실수 구간을 학습되는 하이퍼-파라미터(hyper-parameter) K 개로 겹쳐짐 없이 나눈 구간을 뜻한다. 따라서 각 획 시간은 항상 어느 한 시간 구간에 포함되어 있게 된다. 또한, 시간 구간은 각 시간 구간에 포함되는 획의 개수가 유사하거나 같도록 나누어질 수 있다.
도 3은 일 실시예에 따른 획 시간 구간의 예를 나타내는 도면이다.
도 3을 참조하면, 획 시간 구간의 이해를 돕기 위해 K = 3일 때의 획 시간 구간의 예를 나타낸 도면이다. 여기서, x 축은 획 시간을 의미하고, y 축은 학습 데이터에서 해당 획 시간의 개수들을 의미한다. 획 시간 구간은 각각의 획 시간 구간에 포함되는 획 개수가 같도록 나누어질 수 있다(즉,
Figure pat00001
).
획 시간 구간 임베딩 계층부(223)는 상기 획 시간이 포함되는 시간 구간을 탐색한 후, 기 학습된 해당 시간 구간의 대표 벡터를 출력하게 된다. 상기 획 시간 구간의 대표 벡터의 학습 과정은 이하에서 보다 상세히 설명한다.
서명 판별부(230)는 특징 추출부(220)의 출력인 특징 벡터를 입력 받아 사용자의 진 서명 특징 벡터들과 비교하여 해당 서명이 진 서명인지, 위조 서명인지를 판별할 수 있다. 이러한 서명 판별부(230)로는 기계학습 분야에서 분류 작업에 흔히 사용되는 서포트 벡터 머신(Support Vector Machine, SVM), 로지스틱 회귀(Logistic Regression) 방법 등이 사용될 수 있다.
도 4는 일 실시예에 따른 획 기반 수기 서명 인증 방법에 대한 흐름도를 나타낸다.
도 4를 참조하면, 획 기반 수기 서명 인증 방법은 사용자로부터 입력 받은 서명의 수집 점(point)들로부터 획 이미지 시퀀스(sequence)와 획 시간 시퀀스를 추출하는 단계(S110), 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출하고, 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출하여 특징 벡터를 추출하는 단계(S120), 및 추출된 특징 벡터를 이용하여 서명의 진위 여부를 판별하는 단계(S130)를 포함하여 이루어질 수 있다.
여기서, 특징 벡터를 추출하는 단계(S120)은 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출하는 단계, 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출하는 단계, 및 추출된 획 이미지의 특징 및 획 시간의 특징으로부터 특징 벡터를 추출하는 단계를 포함할 수 있다.
아래에서 일 실시예에 따른 획 기반 수기 서명 인증 방법에 대해 보다 구체적으로 설명하기로 한다.
일 실시예에 따른 획 기반 수기 서명 인증 방법은 도 1 내지 도 3에서 설명한 일 실시예에 따른 획 기반 수기 서명 인증 시스템을 이용하여 보다 구체적으로 설명할 수 있다. 일 실시예에 따른 획 기반 수기 서명 인증 시스템은 서명 전처리부(210), 특징 추출부(220) 및 서명 판별부(230)를 포함하여 이루어질 수 있다.
단계(S110)에서, 서명 전처리부(210)는 사용자로부터 입력 받은 서명의 수집 점(point)들로부터 획 이미지 시퀀스(sequence)와 획 시간 시퀀스를 추출할 수 있다.
보다 구체적으로, 서명 전처리부(210)는 입력 받은 서명의 수집 점의 시퀀스에서 화면에 가해지는 압력의 세기가 0이 되는 수집 점을 찾아 획(stroke) 시퀀스를 추출하고, 추출된 각각의 획 시퀀스에 포함되는 수집 점의 화면 상 좌표 정보를 이용하여 획 이미지 시퀀스를 생성하며, 각각의 획 시퀀스에 포함되는 수집 점의 개수를 통해 획을 그리는데 걸린 시간을 추정하여 획 시간 시퀀스를 생성할 수 있다.
단계(S120)에서, 특징 추출부(220)는 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출하고, 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출하여 특징 벡터를 추출할 수 있다.
여기서, 특징 추출부(220)는 뉴럴 네트워크로 이루어져 있으며, 컨볼루션 계층부(221), 리커런트 계층부(222) 및 획 시간 구간 임베딩 계층부(223)를 포함하여 이루어질 수 있다.
컨볼루션 계층부(221)는 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출할 수 있으며, 이 때 단일 또는 복수의 컨볼루션(convolution) 레이어를 통해 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출할 수 있다.
획 시간 구간 임베딩 계층부(223)는 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출할 수 있으며, 이 때 획 시간이 포함되는 시간 구간을 탐색하여 기 학습된 해당 시간 구간의 대표 벡터를 출력할 수 있다. 이러한 획 시간 구간 임베딩 계층부(223)는 획 시간 구간에 대한 대표 벡터를 학습하는 단계를 더 포함할 수 있으며, 이는 아래에서 보다 상세히 설명하기로 한다.
리커런트 계층부(222)는 추출된 획 이미지의 특징 및 획 시간의 특징으로부터 특징 벡터를 추출할 수 있으며, 이 때 단일 또는 복수의 리커런트(recurrent) 레이어를 통해 추출된 획 이미지의 특징 및 획 시간의 특징으로부터 특징 벡터를 추출할 수 있다.
단계(S130)에서, 서명 판별부(230)는 추출된 특징 벡터를 이용하여 서명의 진위 여부를 판별할 수 있다. 특히, 서명 판별부(230)는 출력인 특징 벡터를 입력 받아 사용자의 진 서명의 특징 벡터들과 비교하여 해당 서명이 진 서명인지 위조 서명인지를 판별할 수 있다.
한편, 다른 실시예에 따른 획 기반 수기 서명 인증 방법은, 사용자 단말을 통해 수기로 입력 받은 수집 점(point)의 시퀀스(sequence)로 이루어진 사용자의 서명을 전달 받는 단계, 상기 서명의 진위 여부를 판별하는 단계, 및 판별된 결과를 상기 사용자 단말로 전송하는 단계를 포함하여 이루어질 수 있다. 이 때, 상기 서명의 진위 여부를 판별하는 단계는, 사용자로부터 입력 받은 상기 서명의 수집 점들로부터 획 이미지 시퀀스와 획 시간 시퀀스를 추출하는 단계, 상기 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출하고, 상기 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출하여 특징 벡터를 추출하는 단계, 및 추출된 상기 특징 벡터를 이용하여 서명의 진위 여부를 판별하는 단계를 포함할 수 있다. 다른 실시예에 따른 획 기반 수기 서명 인증 방법은 앞에서 설명한 일 실시예에 따른 획 기반 수기 서명 인증 방법과 그 구성이 동일하거나 유사하여 구체적인 설명은 생략하기로 한다.
상기 획 시간 구간의 대표 벡터를 학습하는 과정을 도 5를 참조하여 상세히 설명한다.
도 5는 일 실시예에 따른 획 시간 구간 임베딩 계층부의 학습에 대한 흐름도를 나타낸다.
도 5를 참조하면, 획 시간 구간 임베딩 계층부(223)는 획 시간 구간에 대한 대표 벡터를 학습하는 단계를 더 포함할 수 있다.
획 시간 구간에 대한 대표 벡터를 학습하는 단계는, 학습 데이터에서 하나의 획 이미지가 입력되었을 때 동일한 획 이미지를 출력하도록 오토-인코더(auto-encoder)를 학습시키는 단계(S210), 상기 학습 데이터의 획 이미지를 학습된 오토-인코더의 인코더 네트워크를 이용하여 인코딩하는 단계(S220), 0초에서 상기 학습 데이터의 최대 획 시간까지의 범위를 통상적인 기계학습의 변별 과정에서 최적의 값으로 선택될 수 있는 자연수 K 개의 시간 구간으로 분할하는 단계(S230), 획 시간에 따라 상기 학습 데이터의 각 획을 획 시간 구간에 할당하는 단계(S240), 및 각 획 시간 구간에 포함되어 있는 획들의 인코딩된 획 이미지의 평균을 구함으로써 해당 시간 구간의 대표 벡터를 생성하는 단계(S250)를 포함하여 이루어질 수 있다.
단계(S210)에서, 획 시간 구간 임베딩 계층부(223)는 학습 데이터에서 하나의 획 이미지가 입력되었을 때 동일한 획 이미지를 출력하도록 오토-인코더(auto-encoder)를 학습시킬 수 있다. 획 시간 구간의 대표 벡터는 오토-인코더(auto-encoder)를 이용하여 학습되며 상기 오토-인코더는 학습을 위해 수집된 획 이미지들을 이용할 수 있다. 이 때, 오토-인코더의 학습은 하나의 획 이미지가 입력되었을 때 동일한 획 이미지를 출력하도록 하는 것을 특징으로 한다.
단계(S220)에서, 오토-인코더 학습 후, 학습 데이터의 모든 획 이미지는 상기 학습된 오토-인코더의 인코더 네트워크를 이용하여 인코딩될 수 있다. 즉, 획 시간 구간 임베딩 계층부(223)는 학습 데이터의 획 이미지를 학습된 오토-인코더의 인코더 네트워크를 이용하여 인코딩할 수 있다.
그 후, 단계(S230)에서, 획 시간 구간 임베딩 계층부(223)는 0초에서 학습 데이터의 최대 획 시간까지의 범위를 통상적인 기계학습의 변별 과정에서 최적의 값으로 선택될 수 있는 자연수 K 개의 시간 구간으로 분할할 수 있다. 이 때, 상기 자연수 K는 하이퍼-파라미터로써 통상적인 기계학습의 변별 과정에서 최적의 값으로 선택될 수 있다.
시간 구간이 나누어지면, 단계(S240)에서, 획 시간 구간 임베딩 계층부(223)는 획 시간에 따라 학습 데이터의 각 획을 획 시간 구간에 할당할 수 있다.
그 후, 단계(S250)에서, 획 시간 구간 임베딩 계층부(223)는 각 획 시간 구간에 포함되어 있는 획들의 인코딩된 획 이미지의 평균을 구함으로써 해당 시간 구간의 대표 벡터를 생성할 수 있게 된다.
이와 같이, 실시예들에 따르면 획 시간 구간 임베딩 계층부로부터 진 서명과 이를 위조한 서명의 획이 가지는 시간적 특성의 차이를 구별함으로써 서명 인증의 정확도를 높이는 기계학습을 이용한 획 기반 수기 서명 인증 방법 및 시스템을 제공할 수 있다.
아래에서는 본 실시예들에 따른 기계학습을 이용한 획 기반 수기 서명 인증 방법 및 시스템을 이용한 서명 검증 실험을 설명한다.
온라인 수기 서명 검증을 위해 롱텀 커런트 컨볼루션 네트워크(Long-Term Recurrent Convolutional Network, LRCN) 기반의 새로운 네트워크 구조를 제안할 수 있다. 이에 더해, 진 서명과 이를 위조한 서명을 구별하기 위해 위조에 민감한 손실(forgery-sensitive loss) 함수를 제안할 수 있다. 여기에서는 진 서명 및 위조 서명이 모두 포함된 SUSIG 데이터 셋을 이용하여 서명 검증 실험을 진행하였다.
수기 서명 검증 시스템은 사용자 독립적인(user-independent) 특징 학습 단계와 사용자 의존적인(user-dependent) 분류 단계로 이루어질 수 있다. 사용자 독립적인 특징 학습 단계에서는 많은 사용자들의 서명을 이용하여 진 서명과 위조 서명이 구별될 수 있는 글로벌한 특징을 추출하도록 LRCN 모델을 학습하게 된다. 사용자 의존적인 분류 단계에서는 학습된 LRCN 모델을 입력된 서명의 특징을 추출하고 각 사용자만의 SVM(support vector machine)을 이용하여 해당 특징이 진 서명인지 위조 서명인지를 분류하게 된다. 이처럼 검증 시스템을 두 가지 단계로 나누는 이유는 실제 등록 시스템에서 새롭게 등록된 사용자들의 위조 서명 데이터를 획득하는 것이 비현실적이기 때문이다.
도 6은 일 실시예에 따른 사용자 독립적인 특징 학습 모델을 설명하기 위한 도면이다.
도 6을 참조하면, CNN(Convolutional Neural Networ) 레이어, 획 시간 구간 임베딩 레이어, LSTM(Long Short Term Memory) 레이어로 이루어진 LRCN 특징 학습 모델을 보인다.
학습 시,
Figure pat00002
을 입력으로 입력으로 {y,s}을 출력으로 하여 LRCN 모델이 학습하게 된다. 이 때 xi는 획의 이미지, ti는 획을 그리는데 걸린 시간, m은 해당 서명을 이루는 총 획수를 의미한다. 또한, y는 해당 서명의 사용자 ID 를, s는 해당 서명이 진 서명인지 혹은 숙련된 위조 서명인지를 나타낸다.
CNN 계층과 획 시간 구간 임베딩 레이어는 각각 획 이미지 xi와 획 시간 ti를 실수 벡터로 인코딩하며 LSTM 레이어는 인코딩된 실수 벡터의 시퀀스를 특징 벡터로 추출하게 된다.
특징 학습 모델은 추출된 특징 벡터가 다음과 같은 특징을 갖는 것을 목표로 한다. (1) 동일 사용자의 서명의 특징 벡터는 유사해야 한다; (2) 서로 다른 사용자의 서명의 특징 벡터를 구별되어야 한다; (3) 진 서명과 숙련된 위조 서명은 구별되어야 한다. 이어지는 설명에서 제안된 모델이 위에서 언급된 특징을 어떻게 충족시키는 지에 대해 서술된다.
여기에서는 사용자 분류 손실과 숙련된 위조자 분류 손실의 가중합으로 이루어진 위조에 민감한 손실 함수를 제안한다.
먼저, 사용자 분류 손실 함수의 경우 아래의 다중-레이블 크로스 엔트로피(multi-label cross entropy)를 최소화 하도록 학습될 수 있다.
[수학식 1]
Figure pat00003
여기서, yi는 목표 사용자 ID의 인덱스에 있는 값만이 1인 원핫(one-hot) 인코딩 벡터,
Figure pat00004
는 입력 서명이 목표 사용자로 분류될 확률, nu는 전체 사용자의 수를 의미한다. 학습 과정에서, 모델은 서로 다른 유저를 구별하도록 학습되므로 모델의 히든 레이어는 유저 내(intra-user) 서명들이 가까이 있고 유저간(inter-user) 서명들이 구별되도록 입력 서명을 특징벡터로 변환하게 된다.
그러나, 사용자 분류 손실만으로는 진 서명과 매우 유사한 숙련된 위조 서명을 구별할 수 있도록 특징벡터를 추출할 수 없다. 이 문제를 해결하기 위해, 숙련된 위조 분류 손실을 제안할 수 있다.
[수학식 2]
Figure pat00005
여기서, S는 주어진 입력이 진 서명인지 또는 숙련된 위조 서명인지 나타내고
Figure pat00006
이에 대한 모델의 예측 확률을 뜻한다. 모델은 숙련된 위조 분류 손실을 줄이기 위해, 진 서명들과 숙련된 위조 서명이 상대적으로 먼 거리의 특징 공간으로 투영되도록 학습될 수 있다.
최종적으로 특징 학습 단계에서는 제안된 두 손실의 가중 합을 손실 함수로 사용할 수 있다.
[수학식 3]
Figure pat00007
Figure pat00008
는
Figure pat00009
에 대한 가중치 하이퍼 파라미터이다.
여기에서는 획을 그리는데 걸린 시간을 임베딩 하는데 있어 시간 길이에 대한 정보를 정보를 유지하는 획 시간의 벡터 표현을 제안한다. 연속되는 시간의 범위는 범위는
Figure pat00010
이므로 모든 획 시간을 각각 임베딩 벡터로 변환하는 것은 불가능하다. 대신, 연속되는 시간 범위를 K 개 시간 구간으로 나누고 이를 벡터로 변환한다. 또한 각 시간 구간에 포함되는 학습 데이터의 획의 숫자가 균형적으로 분포하도록 획 구간을 나누었다. 그 후, 아래와 같이 각 시간 구간에 대한 벡터 표현을 얻을 수 있다.
[수학식 4]
Figure pat00011
Si,j는 시간 구간 Si에 포함되어 있는 획들의 이미지를, ni는 시간 구간 Si에 포함되어 있는 총 획의 수를 의미한다.
Figure pat00012
는 학습 데이터에서 진 서명의 모든 획 이미지들을 이용하여 학습된 CNN 기반 오토-인코더로부터 추출된 실수 벡터이다.
도 7을 일 실시예에 따른 시간 구간 벡터의 재구성(K=5)을 설명하기 위한 도면이다.
도 7을 참조하면, 시간 구간 벡터를 학습된 오토 인코더의 디코더를 이용해 재구성한 이미지를 보인다. 이미지의 선명도와 그려진 선의 수로 보았을때, 각 시간 구간이 고유하게 표현되는 것을 알 수 있다. 또한, 높은 시간대의 시간 구간이 낮은 시간대의 시간 구간에 비해 이미지의 선명도가 높고 선의 수가 많아지게 된다. 이는 제안된 시간 구간이 시간 길이에 대한 정보를 유지하고 있음을 나타낸다.
본 실험에서는 잘 알려진 온라인 서명 데이터 셋인 SUSIG를 이용하였다. 해당 데이터 셋은 개인당 진 서명 20 개, 숙련된 위조 서명 10 개씩 94 명의 서명 데이터로 이루어져 있다. 서명의 전처리 과정에서는 서명의 각 수집 점의 x-y 좌표와 pen up/down 정보를 이용해 획 이미지를 추출하였고 각 획의 포함되는 수집 점의 개수로 획 시간을 추정하였다. 전체 94 명의 서명 중 54 명의 서명들을 이용해 특징 학습 모델을 학습하였고 하이퍼 파라미터를 조정하는데 6명의 서명을 사용하였다. 사용자 의존적인 분류 모델의 경우 34 명의 서명을 이용하여 학습 및 테스트되었다.
특징 학습 모델로는 6개의 CNN 레이어, 2 개의 LSTM 레이어, 사용자 분류와 숙련된 위조자 분류를 위한 각각 1개의 심층 신경망(DNN)이 이용되었다. CNN의 레이어의 경우 32X3X3의 커널 함수를 이용하였다.
표 1은 획 시간 구간 임베딩 여부에 따른 성능 비교를 나타낸다.
[표 1]
Figure pat00013
실험 결과, 두 모델 모두 제안된 손실 함수를 통해 학습되었다. 성능 비교를 위해 Equal Error Rate(EER)과 AREA UNDER AN ROC(AUC)평가척도를 사용하였다. SVM의 경우 Linear, RBF, Poly 커널을, 하이퍼 파라미터로는 K=10,
Figure pat00014
=0.8를 이용하였다.
EERr과 AUCr는 임의 위조에 대한 실험을 EERs과 AUCs는 숙련된 위조에 대한 실험을 의미한다. 두 모델을 비교했을 때, 획 시간 구간 임베딩을 더함으로써 숙련된 위조 실험에 대해 EER과 AUC 모두 10% 이상의 성능 향상을 보였다. 이 결과는 제안된 획 시간 임베딩이 진 서명과 숙련된 위조 서명 사이의 다른 양상을 포착하는데 매우 효과적임을 보인다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable 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 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 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.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
100: 사용자 단말
200: 획 기반 수기 서명 인증 시스템
210: 서명 전처리부
220: 특징 추출부
230: 서명 판별부
221: 컨볼루션 계층부
222: 리커런트 계층부
223: 획 시간 구간 임베딩 계층부

Claims (15)

  1. 사용자로부터 입력 받은 서명의 수집 점(point)들로부터 획 이미지 시퀀스(sequence)와 획 시간 시퀀스를 추출하는 단계;
    상기 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출하고, 상기 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출하여 특징 벡터를 추출하는 단계; 및
    추출된 상기 특징 벡터를 이용하여 서명의 진위 여부를 판별하는 단계
    를 포함하는, 획 기반 수기 서명 인증 방법.
  2. 제1항에 있어서,
    상기 서명의 수집 점들로부터 획 이미지 시퀀스와 획 시간 시퀀스를 추출하는 단계는,
    입력 받은 상기 서명의 수집 점의 시퀀스에서 화면에 가해지는 압력의 세기가 0이 되는 수집 점을 찾아 획(stroke) 시퀀스를 추출하는 단계;
    추출된 각각의 상기 획 시퀀스에 포함되는 수집 점의 화면 상 좌표 정보를 이용하여 상기 획 이미지 시퀀스를 생성하는 단계; 및
    각각의 상기 획 시퀀스에 포함되는 수집 점의 개수를 통해 획을 그리는데 걸린 시간을 추정하여 상기 획 시간 시퀀스를 생성하는 단계
    를 포함하는, 획 기반 수기 서명 인증 방법.
  3. 제1항에 있어서,
    상기 특징 벡터를 추출하는 단계는,
    상기 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출하는 단계;
    상기 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출하는 단계; 및
    추출된 상기 획 이미지의 특징 및 상기 획 시간의 특징으로부터 특징 벡터를 추출하는 단계
    를 포함하는, 획 기반 수기 서명 인증 방법.
  4. 제3항에 있어서,
    상기 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출하는 단계는,
    단일 또는 복수의 컨볼루션(convolution) 레이어를 통해 상기 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출하는 것
    을 특징으로 하는, 획 기반 수기 서명 인증 방법.
  5. 제3항에 있어서,
    상기 획 이미지의 특징 및 상기 획 시간의 특징으로부터 특징 벡터를 추출하는 단계는,
    단일 또는 복수의 리커런트(recurrent) 레이어를 통해 상기 획 이미지의 특징 및 상기 획 시간의 특징으로부터 특징 벡터를 추출하는 것
    을 특징으로 하는, 획 기반 수기 서명 인증 방법.
  6. 제3항에 있어서,
    상기 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출하는 단계는,
    획 시간이 포함되는 시간 구간을 탐색하여 기 학습된 해당 시간 구간의 대표 벡터를 출력하는 것
    을 특징으로 하는, 획 기반 수기 서명 인증 방법.
  7. 제6항에 있어서,
    상기 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출하는 단계는,
    획 시간 구간에 대한 대표 벡터를 학습하는 단계를 더 포함하고,
    상기 획 시간 구간에 대한 대표 벡터를 학습하는 단계는,
    학습 데이터에서 하나의 획 이미지가 입력되었을 때 동일한 획 이미지를 출력하도록 오토-인코더(auto-encoder)를 학습시키는 단계;
    상기 학습 데이터의 획 이미지를 학습된 오토-인코더의 인코더 네트워크를 이용하여 인코딩하는 단계;
    0초에서 상기 학습 데이터의 최대 획 시간까지의 범위를 통상적인 기계학습의 변별 과정에서 최적의 값으로 선택될 수 있는 자연수 K 개의 시간 구간으로 분할하는 단계;
    획 시간에 따라 상기 학습 데이터의 각 획을 획 시간 구간에 할당하는 단계; 및
    각 획 시간 구간에 포함되어 있는 획들의 인코딩된 획 이미지의 평균을 구함으로써 해당 시간 구간의 대표 벡터를 생성하는 단계
    를 포함하는, 획 기반 수기 서명 인증 방법.
  8. 제1항에 있어서,
    상기 특징 벡터를 이용하여 서명의 진위 여부를 판별하는 단계는,
    출력인 상기 특징 벡터를 입력 받아 사용자의 진 서명의 특징 벡터들과 비교하여 해당 서명이 진 서명인지 위조 서명인지를 판별하는 것
    을 특징으로 하는, 획 기반 수기 서명 인증 방법.
  9. 사용자 단말을 통해 수기로 입력 받은 수집 점(point)의 시퀀스(sequence)로 이루어진 사용자의 서명을 네트워크를 통해 전달 받는 단계;
    상기 서명의 진위 여부를 판별하는 단계; 및
    판별된 결과를 네트워크를 통해 상기 사용자 단말로 전송하는 단계
    를 포함하고,
    상기 서명의 진위 여부를 판별하는 단계는,
    사용자로부터 입력 받은 상기 서명의 수집 점들로부터 획 이미지 시퀀스와 획 시간 시퀀스를 추출하는 단계;
    상기 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출하고, 상기 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출하여 특징 벡터를 추출하는 단계; 및
    추출된 상기 특징 벡터를 이용하여 서명의 진위 여부를 판별하는 단계
    를 포함하는, 획 기반 수기 서명 인증 방법.
  10. 사용자로부터 입력 받은 서명의 수집 점(point)들로부터 획 이미지 시퀀스(sequence)와 획 시간 시퀀스를 추출하는 서명 전처리부;
    상기 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출하고, 상기 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출하여 특징 벡터를 추출하는 특징 추출부; 및
    추출된 상기 특징 벡터를 이용하여 서명의 진위 여부를 판별하는 서명 판별부
    를 포함하는, 획 기반 수기 서명 인증 시스템.
  11. 제10항에 있어서,
    사용자 단말을 통해 수기로 입력 받은 수집 점(point)의 시퀀스(sequence)로 이루어진 사용자의 서명을 전달 받는 입력부; 및
    판별된 결과를 상기 사용자 단말로 전송하는 출력부
    를 더 포함하는, 획 기반 수기 서명 인증 시스템.
  12. 제10항에 있어서,
    상기 서명 전처리부는,
    입력 받은 상기 서명의 수집 점의 시퀀스에서 화면에 가해지는 압력의 세기가 0이 되는 수집 점을 찾아 획(stroke) 시퀀스를 추출하고, 추출된 각각의 상기 획 시퀀스에 포함되는 수집 점의 화면 상 좌표 정보를 이용하여 상기 획 이미지 시퀀스를 생성하며, 각각의 상기 획 시퀀스에 포함되는 수집 점의 개수를 통해 획을 그리는데 걸린 시간을 추정하여 상기 획 시간 시퀀스를 생성하는 것
    을 특징으로 하는, 획 기반 수기 서명 인증 시스템.
  13. 제10항에 있어서,
    상기 특징 추출부는,
    단일 또는 복수의 컨볼루션(convolution) 레이어를 통해 상기 획 이미지 시퀀스로부터 각각의 획 이미지의 특징을 추출하는 컨볼루션 계층부;
    상기 획 시간 시퀀스로부터 각각의 획 시간의 특징을 추출하는 획 시간 구간 임베딩 계층부; 및
    단일 또는 복수의 리커런트(recurrent) 레이어를 통해 추출된 상기 획 이미지의 특징 및 상기 획 시간의 특징으로부터 특징 벡터를 추출하는 리커런트 계층부
    를 포함하는, 획 기반 수기 서명 인증 시스템.
  14. 제13항에 있어서,
    상기 획 시간 구간 임베딩 계층부는,
    획 시간이 포함되는 시간 구간을 탐색하여 기 학습된 해당 시간 구간의 대표 벡터를 출력하는 것
    을 특징으로 하는, 획 기반 수기 서명 인증 시스템.
  15. 제10항에 있어서,
    상기 서명 판별부는,
    출력인 상기 특징 벡터를 입력 받아 사용자의 진 서명의 특징 벡터들과 비교하여 해당 서명이 진 서명인지 위조 서명인지를 판별하는 것
    을 특징으로 하는, 획 기반 수기 서명 인증 시스템.
KR1020180095417A 2018-08-16 2018-08-16 기계학습을 이용한 획 기반 수기 서명 인증 방법 및 시스템 KR102111858B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180095417A KR102111858B1 (ko) 2018-08-16 2018-08-16 기계학습을 이용한 획 기반 수기 서명 인증 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180095417A KR102111858B1 (ko) 2018-08-16 2018-08-16 기계학습을 이용한 획 기반 수기 서명 인증 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20200020107A true KR20200020107A (ko) 2020-02-26
KR102111858B1 KR102111858B1 (ko) 2020-05-15

Family

ID=69637644

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180095417A KR102111858B1 (ko) 2018-08-16 2018-08-16 기계학습을 이용한 획 기반 수기 서명 인증 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102111858B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111985319A (zh) * 2020-07-13 2020-11-24 上海眼控科技股份有限公司 签名识别方法及设备
CN114996688A (zh) * 2022-05-26 2022-09-02 华南理工大学 一种基于软动态时间规整的联机签名认证系统和方法
CN117592125A (zh) * 2024-01-19 2024-02-23 湖南省不动产登记中心 一种二手房交易无纸化办理系统的高可靠性电子签名方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102289514B1 (ko) * 2021-01-12 2021-08-11 이세종 경영 컨설팅 시스템 및 이를 수행하기 위한 기록매체

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101598331B1 (ko) * 2015-12-11 2016-03-14 주식회사 시큐브 시간분할 세그먼트 블록 기반 수기서명 인증 시스템 및 방법
KR20170007068A (ko) 2015-09-11 2017-01-18 주식회사 시큐브 수기서명 인증 시스템 및 방법
KR20170041702A (ko) * 2014-08-11 2017-04-17 소니 주식회사 정보 처리 장치, 정보 처리 방법, 및 정보 처리 시스템
KR101862639B1 (ko) * 2017-05-30 2018-07-04 동국대학교 산학협력단 나선 신경망 기법을 이용한 홍채 인식 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170041702A (ko) * 2014-08-11 2017-04-17 소니 주식회사 정보 처리 장치, 정보 처리 방법, 및 정보 처리 시스템
KR20170007068A (ko) 2015-09-11 2017-01-18 주식회사 시큐브 수기서명 인증 시스템 및 방법
KR101598331B1 (ko) * 2015-12-11 2016-03-14 주식회사 시큐브 시간분할 세그먼트 블록 기반 수기서명 인증 시스템 및 방법
KR101862639B1 (ko) * 2017-05-30 2018-07-04 동국대학교 산학협력단 나선 신경망 기법을 이용한 홍채 인식 장치 및 방법

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111985319A (zh) * 2020-07-13 2020-11-24 上海眼控科技股份有限公司 签名识别方法及设备
CN114996688A (zh) * 2022-05-26 2022-09-02 华南理工大学 一种基于软动态时间规整的联机签名认证系统和方法
CN114996688B (zh) * 2022-05-26 2023-11-21 华南理工大学 一种基于软动态时间规整的联机签名认证系统和方法
CN117592125A (zh) * 2024-01-19 2024-02-23 湖南省不动产登记中心 一种二手房交易无纸化办理系统的高可靠性电子签名方法
CN117592125B (zh) * 2024-01-19 2024-04-09 湖南省不动产登记中心 一种二手房交易无纸化办理系统的可靠性电子签名方法

Also Published As

Publication number Publication date
KR102111858B1 (ko) 2020-05-15

Similar Documents

Publication Publication Date Title
CN109948408B (zh) 活性测试方法和设备
WO2021203863A1 (zh) 基于人工智能的物体检测方法、装置、设备及存储介质
CN110362677B (zh) 文本数据类别的识别方法及装置、存储介质、计算机设备
KR102111858B1 (ko) 기계학습을 이용한 획 기반 수기 서명 인증 방법 및 시스템
US20190362058A1 (en) Face unlocking method and device, electronic device, and computer storage medium
US11126827B2 (en) Method and system for image identification
CN110414550B (zh) 人脸识别模型的训练方法、装置、系统和计算机可读介质
US20160092779A1 (en) Implementations of, and methods of use for a pattern memory engine applying associative pattern memory for pattern recognition
US20220327189A1 (en) Personalized biometric anti-spoofing protection using machine learning and enrollment data
CN110163061B (zh) 用于提取视频指纹的方法、装置、设备和计算机可读介质
CN111339897B (zh) 活体识别方法、装置、计算机设备和存储介质
KR102275803B1 (ko) 얼굴 위변조 검출 장치 및 방법
Alpar Online signature verification by continuous wavelet transformation of speed signals
Peer et al. Strategies for exploiting independent cloud implementations of biometric experts in multibiometric scenarios
Wang et al. Fingerprint pore extraction using U-Net based fully convolutional network
Guo Impact on Biometric Identification Systems of COVID‐19
Deb et al. Use of auxiliary classifier generative adversarial network in touchstroke authentication
CN113505716B (zh) 静脉识别模型的训练方法、静脉图像的识别方法及装置
Barman et al. Improving person re-identification systems: A novel score fusion framework for rank-n recognition
Janarthanan et al. An Efficient Face Detection and Recognition System Using RVJA and SCNN
CN112380369B (zh) 图像检索模型的训练方法、装置、设备和存储介质
Shekar et al. Blockwise binary pattern: a robust and an efficient approach for offline signature verification
Khoh et al. Spatiotemporal spectral histogramming analysis in hand gesture signature recognition
US11087121B2 (en) High accuracy and volume facial recognition on mobile platforms
Liu Fingerprint analysis and singular point definition by deep neural network

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant