KR20200087350A - Ai 기반의 얼굴인식 시스템 - Google Patents

Ai 기반의 얼굴인식 시스템 Download PDF

Info

Publication number
KR20200087350A
KR20200087350A KR1020180174200A KR20180174200A KR20200087350A KR 20200087350 A KR20200087350 A KR 20200087350A KR 1020180174200 A KR1020180174200 A KR 1020180174200A KR 20180174200 A KR20180174200 A KR 20180174200A KR 20200087350 A KR20200087350 A KR 20200087350A
Authority
KR
South Korea
Prior art keywords
unit
face
image
face recognition
feature map
Prior art date
Application number
KR1020180174200A
Other languages
English (en)
Other versions
KR102184493B1 (ko
Inventor
백지현
김영재
김수상
박성찬
현승훈
석재호
김채홍
Original Assignee
주식회사 포스코아이씨티
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 주식회사 포스코아이씨티 filed Critical 주식회사 포스코아이씨티
Priority to KR1020180174200A priority Critical patent/KR102184493B1/ko
Priority to PCT/KR2019/017218 priority patent/WO2020117006A1/ko
Publication of KR20200087350A publication Critical patent/KR20200087350A/ko
Application granted granted Critical
Publication of KR102184493B1 publication Critical patent/KR102184493B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06K9/00221—
    • 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
    • G06K9/481—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Abstract

중앙서버에서 생성된 얼굴인식모델을 각 에지 디바이스에 배포함으로써 얼굴인식 및 인증처리를 에지 디바이스에 수행할 수 있는 본 발명의 일 측면에 따른 AI 기반의 얼굴인식시스템은, 등록요청된 사용자의 입력 이미지를 얼굴인식모델에 입력함으로써 얼굴이미지를 추출하고, 상기 추출된 얼굴이미지로부터 복수개의 특징벡터를 생성하는 얼굴인식부; 각 사용자 별로 상기 복수개의 특징벡터와 사용자의 식별정보로 구성된 어레이를 생성하고, 생성된 어레이들을 머지하여 어레이 파일을 생성하는 어레이 파일 생성부; 및 상기 생성된 어레이 파일을 에지 디바이스로 전송하는 인터페이스부를 포함하는 중앙서버를 포함하고, 상기 얼굴인식모델은, 상기 입력 이미지로부터 상기 얼굴이미지를 추출하는 얼굴이미지 추출부; 및 상기 얼굴이미지에 포함된 얼굴로부터 특징벡터를 추출하는 특징벡터 추출부를 포함하는 것을 특징으로 한다.

Description

AI 기반의 얼굴인식 시스템{System for Face Recognition Based On AI}
본 발명은 얼굴인식기술에 관한 것이다.
얼굴인식(Face Recognition) 기술이란 생체인식(Biometrics) 분야 중의 하나로써 사람마다 얼굴에 담겨있는 고유한 특징 정보를 이용하여 기계가 자동으로 사람을 식별하고 인증하는 기술을 의미하는 것으로서, 비밀번호 등에 의한 기존의 인증방식에 비해 보안성이 뛰어나 최근 다양한 분야에서 널리 이용되고 있다.
일반적인 얼굴인식시스템은 출입게이트 등에 설치된 디바이스에서 촬영된 얼굴이미지를 서버로 전송하고, 서버가 얼굴인식 및 얼굴인식에 따른 사용자 인증을 수행하고 인증결과를 디바이스로 전송함으로써 출입게이트의 개방여부를 결정한다.
상술한 바와 같은 일반적인 얼굴인식시스템의 경우, 얼굴인식기능은 물론 얼굴인식 결과에 따른 인증기능까지 모두 서버에서 구현되기 때문에, 출입하는 사용자의 인원이 많은 곳에 얼굴인식시스템을 적용하고자 하는 경우 고성능 및 고가의 서버가 요구되어 얼굴인식시스템의 구축비용이 증가하게 된다는 문제점이 있다.
또한, 일반적인 얼굴인식시스템의 경우 얼굴인식기능이 서버에 집중되어 있기 때문에 서버 또는 네트워크에 장애가 발생하게 되면 얼굴인식 서비스 제공 자체가 불가능해진다는 문제점이 있다.
또한, 일반적인 얼굴인식시스템의 경우 디바이스에서 촬영된 얼굴이미지가 네트워크를 통해 서버로 전송되어야 하기 때문에 해킹등을 통해 얼굴이미지가 외부로 유출될 수 있어 개인정보 보안에 취약하다는 문제점이 있다.
또한, 일반적인 얼굴인식시스템의 경우 동일인임에도 불구하고 다른 환경에서 얼굴이 촬영되거나 다른 조도에서 얼굴이 촬영되는 경우 동일인임을 구별해 내지 못한다는 문제점이 있다.
본 발명은 상술한 문제점을 해결하기 위한 것으로서, 중앙서버에서 생성된 얼굴인식모델을 각 에지 디바이스에 배포함으로써 얼굴인식 및 인증처리를 에지 디바이스에 수행할 수 있는 AI 기반의 얼굴인식시스템을 제공하는 것을 그 기술적 과제로 한다.
또한, 본 발명은 사용자 단말기에 설치된 얼굴등록 에이전트를 이용하여 사용자의 얼굴을 촬영한 사용자이미지를 등록할 수 있는 AI 기반의 얼굴인식시스템을 제공하는 것을 다른 기술적 과제로 한다.
또한, 본 발명은 얼굴이미지의 랜드마크 좌표를 이용하여 기준 랜드마크를 기준으로 얼굴이미지를 정렬할 수 있는 AI 기반의 얼굴인식시스템을 제공하는 것을 다른 기술적 과제로 한다.
또한, 본 발명은 장소나 조명에 종속되지 않고 정확한 얼굴인식이 가능한 AI 기반의 얼굴인식시스템을 제공하는 것을 다른 기술적 과제로 한다.
또한, 본 발명은 입력되는 얼굴이미지에서 얼굴의 특징을 인식 가능하게 하는 특징벡터를 추출할 수 있는 특징벡터추출 알고리즘을 적용하여 얼굴인식 정확도를 높일 수 있는 AI 기반의 얼굴인식시스템을 제공하는 것을 다른 기술적 과제로 한다.
또한, 본 발명은 얼굴인식시 발생되는 오차가 감소될 수 있도록 얼굴인식모델을 트레이닝시킴으로써 장소나 조명에 종속되지 않고 정확하게 얼굴을 인식할 수 있는 AI 기반의 얼굴인식시스템을 제공하는 것을 또 다른 기술적 과제로 한다.
또한, 본 발명은 중앙서버에서 중앙서버에서 각 사용자의 얼굴이미지로부터 획득된 복수개의 특징벡터들과 각 사용자의 키(Key)값으로 구성된 어레이파일을 암호화하여 에지 디바이스로 배포할 수 있는 AI 기반의 얼굴인식시스템을 제공하는 것을 또 다른 기술적 과제로 한다.
또한, 본 발명은 사용자의 얼굴이미지 및 개인정보의 저장 없이 얼굴인식 및 인증처리를 수행할 수 있는 AI 기반의 얼굴인식시스템을 제공하는 것을 다른 기술적 과제로 한다.
또한, 본 발명은 신규 사용자의의 얼굴 이미지에 대응되는 어레이 파일을 용이하게 업데이트할 수 있는 AI 기반의 얼굴인식시스템을 제공하는 것을 또 다른 기술적 과제로 한다.
상술한 목적을 달성하기 위해서 본 발명의 일 측면에 따른 AI 기반의 얼굴인식시스템은, 등록요청된 사용자의 입력 이미지를 얼굴인식모델에 입력함으로써 얼굴이미지를 추출하고, 상기 추출된 얼굴이미지로부터 복수개의 특징벡터를 생성하는 얼굴인식부; 각 사용자 별로 상기 복수개의 특징벡터와 사용자의 식별정보로 구성된 어레이를 생성하고, 생성된 어레이들을 머지하여 어레이 파일을 생성하는 어레이 파일 생성부; 및 상기 생성된 어레이 파일을 에지 디바이스로 전송하는 인터페이스부를 포함하는 중앙서버를 포함하고, 상기 얼굴인식모델은, 상기 입력 이미지로부터 상기 얼굴이미지를 추출하는 얼굴이미지 추출부; 및 상기 얼굴이미지에 포함된 얼굴로부터 특징벡터를 추출하는 특징벡터 추출부를 포함하는 것을 특징으로 한다.
본 발명에 따르면, 중앙서버에서 생성된 얼굴인식모델을 각 에지 디바이스에 배포됨으로써 얼굴인식 및 인증처리가 에지 디바이스에 수행되기 때문에 출입하는 사용자의 인원이 많은 곳에 얼굴인식시스템이 적용되더라도 고성능 및 고가의 서버가 요구되지 않아 얼굴인식시스템의 구축비용을 감소시킬 수 있다는 효과가 있다.
또한, 본 발명에 따르면 각 에지 디바이스에 배포됨으로써 얼굴인식 및 인증처리가 에지 디바이스에 수행되기 때문에 서버 또는 네트워크에 장애가 발생하더라도 얼굴인식 서비스를 지속적으로 제공할 수 있어 서비스 제공 신뢰도를 향상시킬 수 있고, 디바이스에서 촬영된 얼굴이미지가 서버로 전송되지 않기 때문에 얼굴이미지가 외부로 유출될 가능성이 사전에 차단되어 개인정보 보안을 향상시킬 수 있다는 효과가 있다.
또한, 본 발명은 사용자 단말기에 설치된 얼굴등록 에이전트를 이용하여 사용자의 얼굴을 촬영한 사용자이미지를 등록할 수 있기 때문에, 간편하게 사용자이미지를 등록할 수 있다는 효과가 있다.
또한, 본 발명은 얼굴이미지의 랜드마크 좌표를 이용하여 기준 랜드마크 좌표를 기준으로 얼굴이미지를 정렬할 수 있기 때문에 얼굴이미지의 각도의 제약없이 얼굴이미지의 일관성을 부여할 수 있어 정확한 얼굴인식을 할 수 있다는 효과가 있다.
또한, 본 발명은 중앙서버에서 각 사용자의 얼굴이미지로부터 획득된 복수개의 특징벡터들과 각 사용자의 키(Key)값으로 구성된 어레이파일을 암호화하여 에지 디바이스로 배포함으로써 보안을 강화할 수 있을 뿐만 아니라, 개인정보를 보호할 수 있다는 효과가 있다.
또한, 본 발명에 따르면, 심층신경망 기반으로 특징벡터 추출장치를 구현함으로써 얼굴의 특징을 나타내는 특징벡터를 정확하게 추출할 수 있어 장소나 조명에 종속되지 않고 정확한 얼굴인식이 가능해진다는 효과가 있다.
또한, 본 발명에 따르면 입력되는 얼굴이미지에서 얼굴의 특징을 인식 가능하게 하는 특징벡터를 추출할 수 있는 특징추출 알고리즘을 적용하여 256개 이상의 특징벡터를 추출할 수 있어 얼굴인식 정확도를 높일 수 있다는 효과가 있다.
또한, 본 발명에 따르면 특징벡터 추출장치를 구성하는 심층신경망의 트레이닝을 서로 다른 클래스에 속하는 얼굴이미지들의 분류시 발생되는 오차를 감소시킬 수 있어 얼굴인식 정확도를 극대화시킬 수 있다는 효과가 있다.
또한, 본 발명에 따르면 에지 디바이스에는 얼굴인식을 위한 얼굴인식모델 및 어레이 파일만 저장될 뿐 사용자의 얼굴이미지나 개인정보가 저장되지 않기 때문에 에지 디바이스가 해킹되더라도 사용자의 개인정보가 유출될 염려가 없어 보안이 강화된다는 효과가 있다.
또한, 본 발명은 신규 사용자의 추가시 하드웨어 변경이나 얼굴인식모델의 변경 없이 해당 신규 사용자의 얼굴 이미지에 대응되는 어레이 파일만을 에지 디바이스에 업데이트하면 되므로 신규 사용자의 추가가 용이해진다는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반의 얼굴인식모델을 이용하여 특징벡터를 추출하는 얼굴인식시스템의 구성을 개략적으로 보여주는 블록도이다
도 2는 본 발명의 일 실시예에 따른 중앙서버의 구성을 개략적으로 보여주는 블록도이다.
도 3a는 사용자 이미지를 다운샘플링하여 해상도가 다른 복수개의 사용자 이미지를 획득하는 방법을 예시적으로 보여주는 도면이다.
도 3b는 얼굴이미지에서 랜드마크 좌표를 예시적으로 보여주는 도면이다.
도 4a 내지 도 4d는 얼굴인식모델을 구성하는 얼굴이미지 추출부의 구성을 보여주는 블록도이다.
도 5는 본 발명에 따른 특징벡터 추출부의 구성을 개략적으로 보여주는 블록도이다.
도 6은 얼굴이미지 처리부에 포함된 제1 유닛의 구성을 보여주는 블록도이다.
도 7은 얼굴이미지 처리부에 포함된 제2 유닛의 구성을 보여주는 블록도이다.
도 8은 일반적인 얼굴인식모델이 동일인을 인식하지 못하는 예를 보여주는 도면이다.
도 9는 학습이미지들간의 거리에 따라 학습이미지를 벡터공간에 배치할 때 중첩되는 영역이 발생되는 예를 보여주는 도면이다.
도 10은 학습이미지를 2차원 각도 평면 상에 배치한 예를 보여주는 도면이다.
도 11은 2차원 각도 평면 상에서 학습 이미지들간에 마진각도가 부여되어 학습 이미지들이 이격되는 것을 예시적으로 보여주는 도면이다.
도 12는 오차감소부에 의해 오차감소가 수행되었을 때 서로 다른 환경에서 촬영된 동일인 이미지가 정확하게 분류되는 예를 보여주는 도면이다.
도 13은 본 발명의 제1 실시예에 따른 에지 디바이스의 구성을 개략적으로 보여주는 블록도이다
도 14는 인증부가 타겟 사용자를 인증하는 방법을 예시적으로 보여주는 도면이다.
도 15는 본 발명의 제2 실시예에 따른 에지 디바이스의 구성을 개략적으로 보여주는 블록도이다.
도 16a 및 도 16b는 제2 촬영부에 의해 생성되는 뎁스 이미지의 일 예를 보여주는 도면이다.
본 명세서에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 정의하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다.
"포함하다" 또는 "가지다" 등의 용어는 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
"적어도 하나"의 용어는 하나 이상의 관련 항목으로부터 제시 가능한 모든 조합을 포함하는 것으로 이해되어야 한다. 예를 들어, "제1 항목, 제2 항목 및 제 3항목 중에서 적어도 하나"의 의미는 제1 항목, 제2 항목 또는 제3 항목 각각 뿐만 아니라 제1 항목, 제2 항목 및 제3 항목 중에서 2개 이상으로부터 제시될 수 있는 모든 항목의 조합을 의미한다.
이하, 본 발명에 따른 딥러닝 기반의 얼굴인식모델을 이용하여 특징벡터를 추출하는 얼굴인식시스템의 구성을 도 1을 참조하여 보다 구체적으로 설명한다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반의 얼굴인식모델을 이용하여 특징벡터를 추출하는 얼굴인식시스템의 구성을 개략적으로 보여주는 블록도이다. 도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 딥러닝 기반의 얼굴인식모델을 이용하여 특징벡터를 추출하는 얼굴인식시스템(100, 이하, '얼굴인식시스템'이라 함)은 중앙서버(110) 및 복수개의 에지 디바이스(120)들을 포함한다.
중앙서버(110)는 얼굴인식모델을 생성하고, 생성된 얼굴인식모델을 이용하여 사용자 단말기(130)로부터 입력되는 사용자의 얼굴정보로부터 추출된 특징벡터를 이용하여 타겟사용자의 인증을 위한 어레이 파일(Array File)을 생성한다. 중앙서버(110)는 생성된 어레이 파일을 에지 디바이스(120)로 전송함으로써 에지 디바이스(120)가 타겟사용자를 인증할 수 있도록 한다.
이를 위해, 본 발명에 따른 중앙서버(110)는 도 2에 도시된 바와 같이, 사용자 등록부(210), 입력 이미지 생성부(215), 얼굴인식부(220), 얼굴인식모델(225), 어레이 파일 생성부(230), 얼굴인식모델 트레이닝부(240), 및 인터페이스부(250)를 포함한다.
사용자 등록부(210)는 등록을 희망하는 사용자의 사용자 단말기(130)로부터 하나 이상의 사용자 이미지를 수신한다. 사용자 등록부(210)는 사용자 이미지가 수신되면 해당 사용자가 사용자 이미지와 동일인인지 여부를 확인하고, 동일인인 것으로 판단되면 해당 사용자에게 부여되어 있는 출입권한정보를 획득하여 사용자 이미지와 함께 사용자 데이터베이스(212)에 등록한다.
일 실시예에 있어서, 사용자 등록부(210)는 사용자 단말기(130)로부터 해당 사용자의 식별정보를 사용자 이미지와 함께 수신할 수 있다. 예컨대, 사용자 등록부(210)는 사용자의 아이디, 성명, 전화번호, 또는 사용자의 직원번호 등과 같은 사용자의 식별정보를 해당 사용자 이미지와 함께 수신할 수 있다. 이러한 실시예에 따르는 경우 사용자 등록부(210)는 사용자의 식별정보 및 사용자의 출입원한정보를 해당 사용자 이미지와 함께 사용자 데이터베이스(212)에 등록할 수 있다.
한편, 사용자 등록부(210)는 사용자 단말기(130)로부터 복수개의 사용자 이미지를 입력 받는 경우 서로 다른 사용자 이미지가 입력 되도록 유도할 수 있다. 예컨대, 사용자 등록부(210)는 사용자가 사용자 단말기(130)를 통해 다른 환경에서 촬영된 사용자 이미지 또는 다른 조도에서 촬영된 사용자 이미지를 입력하도록 유도할 수 있다. 이와 같이, 사용자 등록부(210)가 한 명의 사용자로부터 서로 다른 환경 또는 서로 다른 조도에서 촬영된 복수개의 사용자 이미지를 수신함으로써 얼굴인식의 정확도를 향상시킬 수 있게 된다.
입력 이미지 생성부(215)는 사용자 등록부(210)에 의해 입력된 사용자 이미지로부터 얼굴인식에 이용될 입력 이미지를 생성한다. 구체적으로 입력 이미지 생성부(215)는 하나의 사용자 이미지를 미리 정해진 단계까지 다운샘플링하거나 업샘플링함으로써 하나의 사용자 이미지로부터 해상도가 서로 다른 복수개의 사용자 이미지들을 생성한다. 예컨대, 입력 이미지 생성부(215)는 도 3a에 도시된 바와 같이 하나의 사용자 이미지(400)를 다운샘플링함으로써 해상도가 서로 다른 복수개의 사용자 이미지(400a~400n)를 생성할 수 있다.
일 실시예에 있어서, 입력 이미지 생성부(215)는 사용자 이미지에 가우시안 피라미드(Gaussian Pyramid)를 적용함으로써 다운샘플링된 사용자 이미지를 생성하거나, 사용자 이미지에 라플라시안 피라미드(Laplacian Pyramid)를 적용함으로써 업샘플링된 사용자 이미지를 생성할 수 있다.
해상도가 서로 다른 복수개의 사용자 이미지가 생성되면, 입력 이미지 생성부(215)는 각각의 사용자 이미지에 대해, 도 3b에 도시된 바와 같이 사용자 이미지(400) 상에서 미리 정해진 픽셀크기의 윈도우(405)를 이동시켜가면서 획득되는 복수개의 이미지를 입력 이미지로 생성한다. 입력 이미지 생성부(215)는 생성된 복수개의 입력 이미지를 얼굴인식부(220)로 입력한다.
얼굴인식부(220)는 얼굴인식모델 트레이닝부(250)에 의해 트레이닝된 얼굴인식모델(225)에 입력 이미지 생성부(215)에 의해 생성된 복수개의 입력 이미지를 입력함으로써 얼굴영역이 포함된 얼굴이미지를 획득하고, 획득된 얼굴 이미지로부터 특징벡터를 추출한다.
일 실시예에 있어서 얼굴인식모델(225)은 입력 이미지로부터 얼굴이미지를 추출하는 얼굴이미지 추출부(227) 및 얼굴이미지로부터 특징벡터를 추출하는 특징벡터 추출부(229)를 포함할 수 있다.
이하, 도 4 내지 도 7을 참조하여 얼굴인식부(220)가 얼굴인식모델(225)에 포함된 얼굴이미지 추출부(227) 및 특징벡터 추출부(229)를 이용하여 입력 이미지로부터 얼굴이미지와 특징벡터를 추출하는 내용에 대해 구체적으로 설명한다.
도 4a 내지 도 4d는 얼굴인식모델을 구성하는 얼굴이미지 추출부의 구성을 보여주는 블록도이다. 본 발명에 따른 얼굴이미지 추출부(227)는 컨벌루션 신경망(Convolutional Neural Network: CNN)을 기반으로 구성되어 입력 이미지로부터 얼굴영역이 포함된 얼굴이미지를 추출한다. 이러한 얼굴이미지 추출부(227)는 도 4a에 도시된 바와 같이, 제1 얼굴탐지부(310), 제2 얼굴탐지부(320), 제3 얼굴탐지부(330), 및 얼굴 이미지 정렬부(340)를 포함한다.
제1 얼굴탐지부(310)는 얼굴인식부(220)에 의해 입력되는 입력 이미지에 컨벌루션 연산을 적용함으로써 각 입력 이미지들의 피쳐를 추출하고, 추출된 피쳐를 기초로 해당 입력 이미지 상에서 얼굴영역을 1차적으로 추출한다.
이를 위해, 제1 얼굴탐지부(310)는 도 4b에 도시된 바와 같이 n개의 컨벌루션 연산부(311a~311c), 샘플링부(313), 제1 및 제2 차원감소부(315a, 315b), 및 제1 확률값 연산부(317)를 포함한다.
일 실시예에 있어서, 제1 얼굴탐지부(310)는 3개의 컨벌루션 연산부(311a~311c)를 포함할 수 있다. 도 4b에서는 설명의 편의를 위해 제1 얼굴탐지부(310)가 3개의 컨벌루션 연산부(311a~311c)를 포함하는 것으로 도시하였지만, 이는 하나의 예일 뿐 제1 얼굴탐지부(310)는 4개 이상의 컨벌루션 연산부를 포함하거나 1개 또는 2개의 컨벌루션 연산부를 포함할 수도 있을 것이다.
제1 내지 제3 컨벌루션 연산부(311a~311c) 각각은 입력되는 이미지에 컨벌루션 필터를 적용하여 피쳐맵을 생성하고, 생성된 피쳐맵에 활성화함수를 적용함으로써 피쳐맵에 비선형적 특성을 반영한다. 이때, 제1 내지 제3 컨벌루션 연산부(311a~311c)에 적용되는 컨벌루션 필터는 서로 상이한 필터일 수 있다.
일 실시예에 있어서, 제1 내지 제3 컨벌루션 연산부(311a~311c)에서 이용되는 활성화함수는 피쳐맵의 픽셀값들 중 양의 값은 그대로 출력하고 음의 값은 미리 정해진 크기만큼 감소된 값으로 출력하는 활성화함수일 수 있다. 여기서, 활성화함수란 복수의 입력정보에 가중치를 부여하여 결합해 완성된 결과값을 출력하는 함수를 의미한다.
샘플링부(313)는 제1 컨벌루션 연산부(311a)로부터 출력되는 피쳐맵에 샘플링 필터를 적용하여 피쳐맵으로부터 특징값을 추출한다. 일 실시예에 있어서, 샘플링부(313)는 피쳐맵 상에서 샘플링 필터에 상응하는 영역에 포함된 픽셀값들 중 최대값을 피쳐맵의 특징값으로 추출할 수 있다. 이러한 실시예에 따르는 경우 샘플링부(313)는 맥스 풀링(Max Pooling) 레이어로 구현될 수 있고, 맥스 풀링 레이어를 통해 피쳐맵의 차원이 감소된다. 샘플링부(313)는 차원이 감소된 피쳐맵을 제2 컨벌루션 연산부(311b)로 입력한다.
제1 차원감소부(315a)는 제3 컨벌루션 연산부(311c)에서 출력되는 피쳐맵에 제1 차원감소 필터를 적용함으로써 제3 컨벌루션 연산부(311c)에서 출력되는 피쳐맵의 차원을 감소시킨다. 일 실시예에 있어서 제1 차원감소 필터는 피쳐맵을 2차원으로 감소시킬 수 있는 필터로 설정될 수 있다.
제1 확률값 연산부(317)는 제1 차원감소부(315a)에 의해서 출력되는 2차원의 출력 데이터에 미리 정해진 분류함수를 적용함으로써 해당 입력 이미지에 얼굴영역이 포함되어 있는지 여부에 대한 제1 확률값을 계산한다. 일 실시예에 있어서, 제1 확률값 연산부(317)는 산출된 제1 확률값이 제1 문턱값 이상이면 입력 이미지에 얼굴영역이 포함되어 있는 것으로 판단할 수 있다.
제2 차원감소부(315b)는 제1 확률값 연산부(317)에 의해 산출된 제1 확률값이 제1 문턱값 이상인 경우 제3 컨벌루션 연산부(311c)에서 출력되는 피쳐맵에 제2 차원감소 필터를 적용함으로써 제3 컨벌루션 연산부(311c)에서 출력되는 피쳐맵의 차원을 감소시킨다. 일 실시예에 있어서 제2 차원감소 필터는 피쳐맵을 4차원으로 감소시킬 수 있는 필터로 설정될 수 있고, 제2 차원 감소부(315b)는 4차원으로 출력되는 4개의 값을 해당 입력 이미지 상에서의 얼굴영역 좌표로 결정한다. 이때, 얼굴영역의 좌표는 얼굴이 포함된 영역을 사각형 형태의 바운딩박스(Bounding Box)로 표시하였을 때 좌측 상단 꼭지점의 좌표와 우측 하단 꼭지점의 좌표로 정의되거나, 우측상단 꼭지점의 좌표와 좌측 하단 꼭지점의 좌표로 정의될 수 있다.
제2 얼굴탐지부(320)는 제1 얼굴탐지부(310)에 의해 얼굴영역이 포함된 것으로 판단된 입력 이미지들 및 해당 입력 이미지들 상에서의 얼굴영역의 좌표를 입력 받고, 해당 입력 이미지들 상에서 얼굴영역의 좌표에 해당하는 제1 서브 입력 이미지들에 컨벌루션 연산을 적용함으로써 제1 서브 입력 이미지들의 피쳐를 추출하고, 추출된 피쳐를 기초로 제1 서브 입력 이미지들 상에서 얼굴영역을 2차적으로 추출한다.
이를 위해, 도 4c에 도시된 바와 같이, 제2 얼굴탐지부(320)는 n개의 컨벌루션 연산부(321a~321c), 제2 내지 제3 샘플링부(323a, 323b), 제1 차원증가부(325), 제3 및 제4 차원감소부(327a, 327b), 및 제2 확률값 연산부(328)를 포함한다.
일 실시예에 있어서, 제2 얼굴탐지부(320)는 3개의 컨벌루션 연산부(321a~321c)를 포함할 수 있다. 도 4c에서는 설명의 편의를 위해 제2 얼굴탐지부(320)가 3개의 컨벌루션 연산부(321a~321c)를 포함하는 것으로 도시하였지만, 이는 하나의 예일 뿐 제2 얼굴탐지부(320)는 제1 얼굴탐지부(320)에 포함된 컨벌루션 연산부(311a~312c)의 개수 이상의 컨벌루션 연산부를 포함할 수 있다.
제4 내지 제6 컨벌루션 연산부(321a~312c) 각각은 입력되는 이미지에 컨벌루션 필터를 적용하여 피쳐맵을 생성하고, 생성된 피쳐맵에 활성화함수를 적용함으로써 피쳐맵에 비선형적 특성을 반영한다. 일 실시예에 있어서, 제4 내지 제6 컨벌루션 연산부(321a~312c)가 이용하는 활성화함수는 피쳐맵의 픽셀값들 중 양의 값은 그대로 출력하고 음의 값은 미리 정해진 크기만큼 감소된 값으로 출력하는 활성화함수일 수 있다.
제2 샘플링부(323a)는 제4 컨벌루션 연산부(321a)로부터 출력되는 피쳐맵에 샘플링 필터를 적용하여 해당 피쳐맵에서 특징값을 추출하고, 제3 샘플링부(323b)는 제5 컨벌루션 연산부(321b)로부터 출력되는 피쳐맵에 샘플링 필터를 적용하여 해당 피쳐맵에서 특징값을 추출한다. 일 실시예에 있어서, 제2 및 제3 샘플링부(323a, 323b)는 각각의 피쳐맵 상에서 샘플링 필터에 상응하는 영역에 포함된 픽셀값들 중 최대값을 피쳐맵의 특징값으로 추출할 수 있다. 이러한 실시예에 따르는 경우 제2 및 제3 샘플링부(323a, 323b)는 맥스풀링 레이어로 구현될 수 있고, 맥스풀링 레이어를 통해 각 피쳐맵의 차원이 감소된다.
제1 차원증가부(325)는 제6 컨벌루션 연산부(321c)에서 출력되는 피쳐맵이 미리 정해진 크기의 차원을 갖도록 복수개의 노드들을 이용하여 피쳐맵의 차원을 증가시킨다. 일 실시예에 있어서, 제1 차원증가부(325)는 제6 컨벌루션 연산부(321c)에서 출력되는 피쳐맵이 128*128의 크기를 갖거나 256*256의 크기를 갖도록 차원을 증가시킬 수 있다.
제1 차원 증가부(325)는 차원이 증가된 피쳐맵에 활성화함수를 적용함으로써 차원이 증가된 피쳐맵에 비선형적 특정을 반영한다. 일 실시예에 있어서, 제1 차원 증가부(325)는 피쳐맵의 픽셀값들 중 양의 값은 그대로 출력하고 음의 값은 미리 정해진 크기만큼 감소된 값으로 출력하는 활성화함수를 적용하여 피쳐맵에 비선형적 특성을 반영할 수 있다.
제3 차원감소부(327a)는 제1 차원증가부(325)에서 출력되는 피쳐맵에 제3 차원감소 필터를 적용함으로써 제1 차원증가부(325)에서 출력되는 피쳐맵의 차원을 감소시킨다. 일 실시예에 있어서 제3 차원감소 필터는 피쳐맵을 2차원으로 감소시킬 수 있는 필터로 설정될 수 있다.
제2 확률값 연산부(329)는 제3 차원감소부(327a)에 의해서 출력되는 2차원의 출력 데이터에 미리 정해진 분류함수를 적용함으로써 해당 제1 서브 입력 이미지에 얼굴영역이 포함되어 있는지 여부에 대한 제2 확률값을 계산한다. 일 실시예에 있어서, 제2 확률값 연산부(328)는 산출된 제2 확률값이 제1 문턱값보다 큰 제2 문턱값 이상이면 해당 제1 서브 입력이미지에 얼굴영역이 포함된 것으로 판단할 수 있다.
제4 차원감소부(327b)는 제2 확률값 연산부(329)에 의해 산출된 제2 확률값이 제2 문턱값 이상인 경우 제1 차원증가부(325)에서 출력되는 피쳐맵에 제4 차원감소 필터를 적용함으로써 제1 차원증가부(325)에서 출력되는 피쳐맵의 차원을 감소시킨다. 일 실시예에 있어서 제4 차원감소 필터는 피쳐맵을 4차원으로 감소시킬 수 있는 필터로 설정될 수 있고, 제4 차원 감소부(327b)는 4차원으로 출력되는 4개의 값을 해당 제1 서브 입력 이미지 상에서의 얼굴영역 좌표로 결정한다. 이때, 얼굴영역의 좌표는 얼굴이 포함된 영역을 사각형 형태의 바운딩박스로 표시하였을 때 좌측 상단 꼭지점의 좌표와 우측 하단 꼭지점의 좌표로 정의되거나, 우측상단 꼭지점의 좌표와 좌측 하단 꼭지점의 좌표로 정의될 수 있다.
제3 얼굴탐지부(330)는 제2 얼굴탐지부(310)에 의해 얼굴영역이 포함된 것으로 판단된 제1 서브 입력 이미지들 및 해당 제1 서브 입력 이미지들 상에서의 얼굴영역의 좌표를 입력 받고, 해당 제1 서브 입력 이미지들 상에서 얼굴영역의 좌표에 해당하는 제2 서브 입력 이미지들에 컨벌루션 연산을 적용함으로써 제2 서브 입력 이미지들의 피쳐를 추출하고, 추출된 피쳐를 기초로 제2 서브 입력 이미지들 상에서 얼굴영역을 3차적으로 추출한다.
이를 위해, 제3 얼굴탐지부(330)는 도 4d에 도시된 바와 같이 n+1개의 컨벌루션 연산부(331a~331d), 제4 내지 제6 샘플링부(333a~333c), 제2 차원증가부(327), 제5 내지 제6 차원감소부(337a~337c), 및 제3 확률값 연산부(339)를 포함한다.
일 실시예에 있어서, 제3 얼굴탐지부(330)는 4개의 컨벌루션 연산부(331a~331d)를 포함할 수 있다. 도 4d에서는 설명의 편의를 위해 제3 얼굴탐지부(330)가 4개의 컨벌루션 연산부(331a~331d)를 포함하는 것으로 도시하였지만, 이는 하나의 예일 뿐 제3 얼굴탐지부(330)는 제2 얼굴탐지부(320)에 포함된 컨벌루션 연산부(321a~322c)의 개수 이상의 컨벌루션 연산부를 포함한다면 그 개수에는 제한이 없을 수 있다.
제7 내지 제10 컨벌루션 연산부(331a~331d) 각각은 입력되는 이미지에 컨벌루션 필터를 적용하여 피쳐맵을 생성하고, 생성된 피쳐맵에 활성화함수를 적용함으로써 피쳐맵에 비선형적 특성을 반영한다. 일 실시예에 있어서, 제7 내지 제10 컨벌루션 연산부(331a~331d)가 이용하는 활성화함수는 피쳐맵의 픽셀값들 중 양의 값은 그대로 출력하고 음의 값은 미리 정해진 크기만큼 감소된 값으로 출력하는 활성화함수일 수 있다.
제4 샘플링부(333a)는 제7 컨벌루션 연산부(331a)로부터 출력되는 피쳐맵에 샘플링 필터를 적용하여 해당 피쳐맵에서 특징값을 추출하고, 제5 샘플링부(333b)는 제8 컨벌루션 연산부(331b)로부터 출력되는 피쳐맵에 샘플링 필터를 적용하여 해당 피쳐맵에서 특징값을 추출하며, 제6 샘플링부(333c)는 제9 컨벌루션 연산부(331c)로부터 출력되는 피쳐맵에 샘플링 필터를 적용하여 해당 피쳐맵에서 특징값을 추출한다. 일 실시예에 있어서, 제4 내지 제6 샘플링부(333a~333c)는 각각의 피쳐맵 상에서 샘플링 필터에 상응하는 영역에 포함된 픽셀값들 중 최대값을 피쳐맵의 특징값으로 추출할 수 있다. 이러한 실시예에 따르는 경우 제4 내지 제6 샘플링부(333a~333c)는 맥스풀링 레이어로 구현될 수 있고, 맥스풀링 레이어를 통해 각 피쳐맵의 차원이 감소된다.
제2 차원증가부(335)는 제10 컨벌루션 연산부(331d)에서 출력되는 피쳐맵이 미리 정해진 크기의 차원을 갖도록 복수개의 노드들을 이용하여 피쳐맵의 차원을 증가시킨다. 일 실시예에 있어서, 제2 차원증가부(335)는 제10 컨벌루션 연산부(331d)에서 출력되는 피쳐맵이 128*128의 크기를 갖거나 256*256의 크기를 갖도록 차원을 증가시킬 수 있다.
제2 차원 증가부(335)는 차원이 증가된 피쳐맵에 활성화함수를 적용함으로써 차원이 증가된 피쳐맵에 비선형적 특정을 반영한다. 일 실시예에 있어서, 제2 차원 증가부(335)는 피쳐맵의 픽셀값들 중 양의 값은 그대로 출력하고 음의 값은 미리 정해진 크기만큼 감소된 값으로 출력하는 활성화함수를 적용하여 피쳐맵에 비선형적 특성을 반영할 수 있다.
제5 차원감소부(337a)는 제2 차원증가부(335)에서 출력되는 피쳐맵에 제5 차원감소 필터를 적용함으로써 제2 차원증가부(335)에서 출력되는 피쳐맵의 차원을 감소시킨다. 일 실시예에 있어서 제5 차원감소 필터는 피쳐맵을 2차원으로 감소시킬 수 있는 필터로 설정될 수 있다.
제3 확률값 연산부(339)는 제5 차원감소부(337a)에 의해서 출력되는 2차원의 출력 데이터에 미리 정해진 분류함수를 적용함으로써 해당 제2 서브 입력 이미지에 얼굴영역이 포함되어 있는지 여부에 대한 제3 확률값을 계산한다. 일 실시예에 있어서, 제3 확률값 연산부(339)는 산출된 제3 확률값이 제2 문턱값보다 큰 제3 문턱값 이상이면 해당 제2 서브 입력이미지에 얼굴영역이 포함된 것으로 판단한다.
제6 차원감소부(337b)는 제3 확률값 연산부(339)에 의해 산출된 제3 확률값이 제3 문턱값 이상인 경우 제2 차원증가부(335)에서 출력되는 피쳐맵에 제6 차원감소 필터를 적용함으로써 제2 차원증가부(335)에서 출력되는 피쳐맵의 차원을 감소시킨다. 일 실시예에 있어서 제6 차원감소 필터는 피쳐맵을 4차원으로 감소시킬 수 있는 필터로 설정될 수 있고, 제6 차원 감소부(337b)는 4차원으로 출력되는 4개의 값을 해당 제2 서브 입력 이미지 상에서의 얼굴영역 좌표로 결정한다. 이때, 얼굴영역의 좌표는 얼굴이 포함된 영역을 사각형 형태의 바운딩박스로 표시하였을 때 좌측 상단 꼭지점의 좌표와 우측 하단 꼭지점의 좌표로 정의되거나, 우측상단 꼭지점의 좌표와 좌측 하단 꼭지점의 좌표로 정의될 수 있다.
제6 차원감소부(337b)는 산출된 얼굴영역 좌표를 이용하여 얼굴영역이 포함된 것으로 판단된 제2 서브 입력 이미지 상에서 얼굴 이미지를 추출한다.
제7 차원감소부(337c)는 제3 확률값 연산부(339)에 의해 산출된 제3 확률값이 제3 문턱값 이상인 경우 제2 차원증가부(335)에서 출력되는 피쳐맵에 제7 차원감소 필터를 적용함으로써 제2 차원증가부(335)에서 출력되는 피쳐맵의 차원을 감소시킨다. 일 실시예에 있어서 제7 차원감소 필터는 피쳐맵을 10차원으로 감소시킬 수 있는 필터로 설정될 수 있고, 제7 차원 감소부(337c)는 10차원으로 출력되는 10개의 값을 해당 제2 서브 입력 이미지 상에서의 랜드마크 좌표로 결정한다. 이때, 랜드마크 좌표는 도 3c에 도시된 바와 같이 제2 서브 입력 이미지(350) 상에서의 2개의 눈의 좌표(420, 425), 코의 좌표(430), 2개의 입의 좌표(440, 450)를 의미하고, 2개의 입의 좌표(440, 450)는 입의 좌측 꼬리에 대한 좌표(440) 및 입의 우측 꼬리에 대한 좌표(450)를 의미한다.
이와 같이, 본 발명에 따르면 얼굴이미지 추출부(300)가 제1 내지 제3 얼굴탐지부(310~330)로 구현되고, 제1 얼굴탐지부(310)는 제2 얼굴탐지부(320)에 비해 얕은(Shallow) 뎁스의 네트워크로 구성되고, 제2 얼굴탐지부(320)는 제3 얼굴탐지부(330)에 비해 얕은 뎁스의 네트워크로 구성됨으로써 얼굴이미지 추출부(300)가 전체적으로 Shallow-to-Deep구조로 단계적인 형태로 형성되도록 한다. 이를 통해, 얼굴이미지 추출의 정확도를 향상시킴과 동시에 복잡도를 감소시킴으로써 얼굴인식 속도 측면에서 이득을 취할 수 있게 된다.
얼굴 이미지 정렬부(340)는 제3 얼굴탐지부(330)에서 출력된 랜드마크 좌표를 이용하여 얼굴이미지를 정렬한다. 구체적으로, 얼굴 이미지 정렬부(340)는 추출된 얼굴이미지에 대한 랜드마크 좌표를 이용하여 얼굴이미지에 대해 회전, 평행이동, 확대 및 축소 중 적어도 하나를 수행하여 얼굴이미지를 정렬한다. 본 발명에서 얼굴 이미지 정렬부(340)를 이용하여 얼굴이미지를 정렬하는 이유는 특징벡터 추출부(229)에 입력으로 제공될 얼굴이미지에 일관성을 부여함으로써 얼굴인식 성능을 향상시키기 위함이다.
일 실시예에 있어서, 얼굴 이미지 정렬부(340)는 제3 얼굴탐지부(330)에 의해 추출된 얼굴이미지를 특징벡터 추출부(229)에서 이용되는 얼굴이미지와 동일한 해상도로 리사이징(Resizing)하고, 특징벡터 추출부(229)에서 이용되는 해상도의 얼굴이미지에 대한 기준 랜드마크 좌표를 기준으로 제3 얼굴탐지부(330)에 의해 산출된 랜드마크 좌표를 이동시킴으로써 얼굴이미지를 회전, 평행이동, 확대 또는 축소시킬 수 있다.
다시 도 2를 참조하면, 특징벡터 추출부(229)는 얼굴이미지 추출부(227)로부터 얼굴이미지가 입력되면, 해당 얼굴이미지에 포함된 얼굴로부터 특징벡터를 추출한다. 이하, 도 5를 참조하여 본 발명에 따른 특징벡터 추출부에 대해 보다 구체적으로 설명한다.
도 5는 본 발명에 따른 특징벡터 추출부의 구성을 개략적으로 보여주는 블록도이다. 도 5에 도시된 바와 같이, 본 발명의 일 실시예에 따른 특징벡터 추출부는 복수개의 얼굴이미지 처리부(510a~510n) 및 특징벡터 생성부(520)를 포함한다.
복수개의 얼굴이미지 처리부(510a~510n)는 입력 데이터를 영상 처리하여 출력 데이터를 생성한다. 이때, 복수개의 얼굴이미지 처리부(510a~510n) 중 1 번째 얼굴이미지 처리부(510a)에는 입력 이미지로써 얼굴이미지 추출부(227)로부터 출력되는 얼굴이미지가 입력되고, n+1번째 얼굴이미지 처리부(510n+1)에는 입력 이미지로써 n번재 얼굴이미지 처리부(510n)의 출력 데이터가 입력된다.
예컨대, 1번째 얼굴이미지 처리부(510a)는 얼굴이미지를 영상처리하여 출력 데이터를 생성하고, 생성된 출력 데이터를 2번?? 얼굴이미지 처리부(510b)로 입력한다. 1번째 얼굴이미지 처리부(510b)는 1번째 얼굴이미지 처리부(510a)에서 출력되는 출력 데이터를 영상처리하여 새로운 출력 데이터를 생성하고, 생성된 새로운 출력 데이터를 3번?? 얼굴이미지 처리부(510c)로 입력한다.
도 5에 도시된 복수개의 얼굴이미지 처리부(510a~510n)의 기능 및 세부구성은 동일하므로 이하에서는 복수개의 얼굴이미지 처리부(510a~510n)들 중 제1 얼굴이미지 처리부(510a)에 대해 예시적으로 설명한다. 이하에서는 설명의 편의를 위해 제1 얼굴이미지 처리부(510a)를 얼굴이미지 처리부(510)로 표기하기로 한다.
얼굴이미지 처리부(510)는 도 5에 도시된 바와 같이 입력 데이터(얼굴이미지 또는 이전 얼굴이미지 처리부의 출력 데이터임)에 대해 컨벌루션 연산을 수행하여 피쳐맵을 생성하는 제1 유닛(512), 제1 유닛(512)에 의해 생성된 피쳐맵에 가중치를 부여하는 제2 유닛(514), 및 연산부(516)으로 구성된다.
이하, 제1 유닛(512)의 구성을 도 6을 참조하여 보다 구체적으로 설명한다. 도 6은 얼굴이미지 처리부에 포함된 제1 유닛의 구성을 보여주는 블록도이다. 도 6에 도시된 바와 같인, 제1 유닛(512)은 정규화부(600), 제1 컨벌루션 연산부(610), 및 비선형화부(620)를 포함한다.
정규화부(600)는 얼굴이미지 추출부(227)로부터 입력되는 얼굴이미지들을 배치(Batch)단위로 정규화한다. 배치란 한번에 처리할 얼굴이미지들의 개수단위를 의미한다. 본 발명에 따른 정규화부가 배치단위로 정규화를 수행하는 이유는 배치 단위로 정규화를 수행하게 되면 각 얼굴 이미지에 대한 평균 및 분산이 배치 전체에 대한 평균 및 분산과 다를 수 있는데 이러한 특징이 일종의 노이즈로 작용하게 되어 전체적인 성능이 향상될 수 있기 때문이다.
또한, 배치 정규화를 통해 네트워크의 각 층마다 입력의 분포(Distribution)가 일관성 없이 바뀌는 내부 공분산 이동(Internal Covariance Shift) 현상에 의해 학습의 복잡성이 증가하고 그라디언트 소멸 또는 폭발(Gradient Vanishing or Exploding)이 일어나는 것을 방지할 수 있게 되기 때문이다.
제1 컨벌루션 연산부(610)는 정규화부(600)에 의해 정규화된 얼굴이미지에 대해 제1 컨벌루션 필터를 적용하여 제1 피쳐맵을 생성한다. 일 실시예에 있어서, 제1 컨벌루션 연산부(610)는 3*3 픽셀크기를 갖고 스트라이드(Stride)의 값이 1인 제1 컨벌루션 필터를 얼굴이미지에 적용하여 제1 피쳐맵을 생성할 수 있다. 이와 같이, 본 발명에 따른 제1 컨벌루션 연산부(610)는 3*3 픽셀크기를 갖고 스트라이드 값이 1인 제1 컨벌루션 필터를 얼굴이미지에 적용하기 때문에 제1 피쳐맵의 해상도를 높게 보존할 수 있게 된다.
비선형화부(620)는 제1 피쳐맵에 활성화함수를 적용함으로써 제1 피쳐맵에 비선형적 특성을 부여한다. 일 실시예에 있어서, 비선형화부(620)는 제1 피쳐맵의 픽셀값들 중 양의 픽셀값을 동일하게 출력하고 음의 픽셀값은 그 크기를 감소시켜 출력하는 활성화함수를 제1 피쳐맵에 적용함으로써 제1 피쳐맵에 비선형적 특성을 부여할 수 있다.
도 6에서는 비선형화부(620)가 제1 컨벌루션 연산부(610)에 의해 생성된 제1 피쳐맵에 비선형적 특성을 부여하는 것으로 설명하였다. 하지만, 변형된 실시예에 있어서 정규화부(600)는 제1 컨벌루션 연산부(610)에 의해 생성된 제1 피쳐맵들을 배치단위로 추가로 정규화할 수도 있다. 이러한 실시예에 따르는 경우 정규화부(600)는 정규화된 제1 피쳐맵을 비선형화부(620)로 제공하고, 비선형화부(620)는 정규화된 제1 피쳐맵에 활성화함수를 적용함으로써 정규화된 제1 피쳐맵에 비선형적 특성을 부여할 수 있다.
한편, 상술한 실시예에 있어서 제1 유닛(512)은 제1 컨벌루션 연산부(610)만을 포함하는 것으로 설명하였다. 하지만, 변형된 실시예에 있어서 제1 유닛(512)은 도 6에 도시된 바와 같이 제2 컨벌루션 연산부(630)를 더 포함할 수 있다.
구체적으로, 제2 컨벌루션 연산부(630)는 비선형화부(620)에 의해 비선형적 특성이 부여된 제1 피쳐맵에 제2 컨벌루션 필터를 적용하여 제2 피쳐맵을 생성한다. 일 실시예에 있어서, 제2 컨벌루션 필터는 제1 컨벌루션 필터와 다른 필터일 수 있다. 제2 컨벌루션 필터는 제1 컨벌루션 필터의 크기는 동일하지만 다른 스트라이드 값을 갖는 필터일 수 있다. 일 예로, 제2 컨벌루션 필터는 3*3 픽셀크기를 갖고 스트라이드(Stride)의 값이 2인 필터일 수 있다.
이러한 실시예에 따르는 경우 정규화부(600)는 제2 컨벌루션 연산부(630)에 의해 생성된 제2 피쳐맵들을 배치단위로 추가로 정규화할 수도 있을 것이다.
한편, 도 6에 도시하지는 않았지만 제1 유닛(512)은 사전정규화부를 더 포함할 수 있다. 사전정규화부는 얼굴이미지 추출부로부터 입력되는 얼굴이미지에 포함된 각 픽셀들의 픽셀값을 정규화할 수 있다. 일 예로, 사전정규화부는 얼굴이미지의 각 픽셀값에서 127.5를 감산한 후, 감산 결과값을 128로 제산함으로써 얼굴이미지를 정규화할 수 있다. 사전정규화부는 사전 정규화된 입력 얼굴이미지를 정규화부(600)로 제공할 수 있다.
다시 도 5를 참조하면, 제2 유닛(514)은 제1 유닛(512)에 의해 생성된 제2 피쳐맵에 가중치를 부여한다. 본 발명에서 제2 유닛(514)을 통해 제2 피쳐맵에 가중치를 부여하는 이유는 컨벌루션 연산의 경우 입력 이미지의 모든 채널을 컨벌루션 필터와 곱한 후 합산하는 과정에서 중요한 채널과 중요하지 않은 채널들이 모두 얽히게 되므로 데이터의 민감도(Sensitivity)가 저하되므로, 제2 피쳐맵에 각 채널 별로 그 중요도에 따라 가중치를 부여하기 위한 것이다.
이하, 제2 유닛(514)의 구성을 도 7을 참조하여 보다 구체적으로 설명한다. 도 7은 얼굴이미지 처리부에 포함된 제2 유닛의 구성을 보여주는 블록도이다. 도 7에 도시된 바와 같인, 제2 유닛(514)은 샘플링부(710), 가중치 반영부(720), 및 업스케일링부(730)를 포함한다.
먼저, 샘플링부(710)는 제1 유닛(512)으로부터 입력되는 제2 피쳐맵을 서브 샘플링하여 차원을 감소시킨다. 일 실시예에 있어서, 샘플링부(710)는 제2 피쳐맵에 글로벌 풀링(Global Pooling) 필터를 적용함으로써 제2 피쳐맵의 차원을 감소시킬 수 있다. 일 예로, 제2 피쳐맵의 차원이 H*W*C인 경우 샘플링부(710)는 제2 피쳐맵의 서브 샘플링을 통해 제2 피쳐맵의 차원을 1*1*C로 감소시킬 수 있다.
가중치 반영부(720)는 샘플링부(710)에 의해 차원이 감소된 제2 피쳐맵에 가중치를 부여한다. 이를 위해, 도 7에 도시된 바와 같이 가중치 반영부(720)는 차원 감소부(722), 제1 비선형화부(724), 차원 증가부(726), 및 제2 비선형화부(728)를 포함할 수 있다.
차원 감소부(722)는 서브 샘플링된 제2 피쳐맵을 하나의 레이어로 연결함으로써 서브 샘플링된 제2 피쳐맵의 차원을 감소시킨다. 일 예로, 샘플링부(710)로부터 출력되는 제2 피쳐맵의 차원이 1*1*C인 경우 차원 감소부(722)는 제2 피쳐맵의 차원을 1*1*C/r로 감소시킨다. 여기서, r은 감소율을 의미하는 것으로서, 추출하기 원하는 특징벡터의 개수에 따라 결정될 수 있다.
제1 비선형화부(724)는 차원 감소부(722)에 의해 차원이 감소된 제2 피쳐맵에 제1 활성화함수를 적용함으로써 차원이 감소된 제2 피쳐맵에 비선형적 특성을 부여한다. 일 실시예에 있어서, 제1 비선형화부(724)는 제2 피쳐맵의 픽셀값들 중 양의 픽셀값은 그대로 출력하고 음의 픽셀값은 0으로 출력하는 제1 활성화함수를 적용함으로써 차원이 감소된 제2 피쳐맵에 비선형적 특성을 부여할 수 있다.
차원 증가부(726)는 제1 비선형화부(724)에 의해 비선형적 특성이 부여된 제2 피쳐맵의 차원을 증가시킨다. 일 예로, 비선형적 특성이 부여된 제2 피쳐맵의 차원이 1*1*c/r인 경우 차원 증가부(726)는 제2 피쳐맵의 차원을 다시 1*1*C로 증가시킨다.
제2 비선형화부(728)는 차원 증가부(726)에 의해 차원이 증가된 제2 피쳐맵에 제2 활성화함수를 적용함으로써 차원이 증가된 제2 피쳐맵에 비선형적 특성을 다시 부여한다. 일 실시예에 있어서, 제2 활성화함수는 제1 활성화함수와 다른 함수일 수 있다. 예컨대, 제2 비선형화부(728)는 차원이 증가된 제2 피쳐맵의 픽셀값들 중 양의 픽셀값은 미리 정해진 값으로 수렴하도록 하고 음의 픽셀값은 0으로 출력하는 제2 활성화함수를 적용함으로써 차원이 증가된 제2 피쳐맵에 비선형적 특성을 부여할 수 있다.
이와 같이, 본 발명에 따른 가중치 반영부(720)는 차원감소부(722), 제1 비선형화부(724), 차원증가부(726), 및 제2 비선형화부)728)를 통해 제2 피쳐맵에 가중치를 부여하고, 차원감소부(722)와 차원증가부(726)를 통해 병목구간을 만들어 게이팅 메커니즘을 한정함으로써 모델 복잡도를 제한하고 일반화를 지원할 수 있게 된다.
업스케일링부(730)는 가중치 반영부(720)에 의해 가중치가 부여된 제2 피쳐맵을 제2 유닛(514)에 입력된 얼굴이미지와 동일한 차원으로 업스케일링한다. 일 실시예에 있어서, 제2 유닛(514)에 입력된 얼굴이미지의 차원이 H*W*C인 경우 업스케일링부(720)는 가중치가 부여된 제2 피쳐맵의 차원을 H*W*C로 업스케일링한다.
다시 도 5를 참조하면, 연산부(516)는 제2 유닛(514)을 통해 출력되는 업스케일링된 제2 피쳐맵을 제1 유닛(512)에 입력된 얼굴이미지와 합산한다. 본 발명에서 연산부(516)를 통해 제2 유닛(514)에서 출력된 업스케일링된 제2 피쳐맵을 제1 유닛(512)에 입력된 얼굴이미지와 합산하는 이유는 컨벌루션 신경망에서 깊이가 깊어지는 경우 특징이 흐려지는 문제(Vanish Problem)를 방지하기 위한 것이다.
특징벡터 생성부(520)는 복수개의 얼굴이미지 처리부(510a~510n)들 중 마지막 얼굴 이미지 처리부(510n)로부터 출력되는 피쳐맵을 하나의 레이어로 병합하여 차원을 감소시킴으로써 미리 정해진 개수의 특징벡터를 생성한다. 일 실시예에 있어서, 특징벡터 생성부(520)는 얼굴이미지 처리부(510n)로부터 출력되는 피쳐맵으로부터 128개 이상의 특징벡터를 출력할 수 있다. 예컨대, 특징벡터 생성부(520)는 얼굴 이미지 처리부(510n)로부터 출력되는 피쳐맵으로부터 512개의 특징벡터를 출력할 수 있다.
다시 도 2를 참조하면 어레이 파일 생성부(230)는 얼굴인식부(220)에 의해 생성된 특징벡터를 이용하여 각 사용자 별로 어레이(Array)를 생성하고, 생성된 어레이들을 하나의 파일로 머지하여 어레이 파일을 생성한다. 어레이 파일 생성부(230)는 생성된 어레이 파일을 어레이 파일 데이터베이스(미도시)에 저장할 수 있다.
일 실시예에 있어서, 어레이 파일 생성부(230)에 의해 생성되는 어레이는 각 사용자의 얼굴이미지로부터 획득된 복수개의 특징벡터들과 각 사용자의 키(Key)값으로 구성될 수 있다. 이때, 사용자의 키 값은 각 사용자의 식별정보 및 각 사용자의 출입권한정보를 포함한다. 각 사용자의 식별정보는 상술한 바와 같이 각 사용자의 아이다, 성명, 전화번호, 또는 직원번호 등으로 정의될 수 있고, 각 사용자의 출입권한정보는 각 사용자가 출입할 수 있는 각 층에 대한 정보를 포함할 수 있다.
일 실시예에 있어서, 어레이 파일 생성부(230)는 에지 디바이스(120)가 설치되어 있는 각 장소 별로 어레이 파일을 생성할 수 있다. 예컨대, 제1 어레이 파일은 제1 층에 대한 출입권한이 부여된 사용자들의 어레이들로 구성될 수 있고, 제2 어레이 파일은 제2 층에 대한 출입원한이 부여된 사용자들의 어레이들로 구성될 수 있다. 이를 위해, 어레이 파일 생성부(230)는 각 사용자의 어레이들 또한 각 사용자가 출입할 수 있는 지역 별로 구분하여 생성할 수 있다. 예컨대, 제1 사용자가 제1 층과 제3 층에 출입 가능한 권한을 가진 경우, 어레이 파일 생성부(230)는 제1 사용자에 대해 제1 층에 대한 출입권한정보가 포함된 제1 어레이와 제3 층에 대한 출입권한정보가 포함된 제2 어레이를 별도로 생성할 수 있다.
본 발명에 따른 어레이 파일 생성부(230)가 에지 디바이스(120)가 설치된 각 장소 별로 어레이 파일을 생성하는 이유는 사용자의 얼굴을 인증하는 에지 디바이스(120)가 각 장소 별로 설치되는 경우, 특정 장소에 설치된 에지 디바이스(120)로 해당 장소에 대한 출입권한정보가 포함된 어레이 파일만을 전송하면 되므로 어레이 파일의 전송 및 에지 디바이스(120)에서의 어레이 파일 관리가 용이해지기 때문이다.
상술한 실시예에 있어서는 어레이 파일 생성부(230)가 각 장소 별로 어레이 파일을 생성하는 것으로 기재하였지만, 변형된 실시예에 있어서 어레이 파일 생성부(230)는 에지 디바이스(120)가 설치된 모든 장소에 대한 권한정보가 포함된 하나의 어레이 파일을 생성하고, 생성된 어레이 파일을 모든 에지 디바이스(120)로 전송할 수도 있다.
에지 디바이스 등록부(240)는 각 장소에 설치되어 있는 복수개의 에지 디바이스(120)들의 정보를 에지 디바이스 정보 데이터베이스(242)에 등록한다. 일 실시예에 있어서, 에지 디바이스 등록부(240)는 각 에지 디바이스(120)의 식별정보를 각 에지 디바이스가 설치된 장소와 매핑시켜 에지 디바이스 정보 데이터베이스(242)에 저장할 수 있다. 여기서, 에지 디바이스(120)의 식별정보는 에지 디바이스(120)의 제조사 및 시리얼 번호 등을 포함할 수 있다.
한편, 에지 디바이스 등록부(240)는 인터페이스부(270)를 통해 미리 정해진 기간 마다 에지 디바이스(120)로부터 인증기록을 수신하고, 수신된 출입기록을 에지 디바이스 정보 데이터베이스(242)에 저장할 수 있다.
출입권한정보 관리부(250)는 각 사용자 별로 부여되어 있는 출입권한정보를 변경하거나 새로운 출입권한정보를 추가한다. 일 실시예에 있어서, 출입권한 정보 관리부(250)는 각 사용자 별로 출입권한정보를 별개로 부여하거나 각 사용자가 속한 조직 단위로 출입권한정보를 부여할 수 있다.
한편 본 발명에 따른 중앙서버(110)는 스케쥴러(260)를 더 포함할 수 있다. 스케쥴러(260)는 미리 정해진 기간이 도래하거나 미리 정해진 이벤트가 발생할 때마다 일괄적으로 신규 사용자를 등록하는 기능을 수행한다. 예컨대, 상술한 실시예에 있어서는 사용자 등록부(210)가 사용자로부터 등록요청이 발생하는 경우 신규 사용자의 등록절차를 수행하는 것으로 설명하였지만, 중앙서버(110)가 스케쥴러(260)를 포함하는 경우 미리 정해진 시간 단위로 또는 미리 정해진 이벤트가 발생하면 스케쥴러(260)가 사용자 등록부(210), 입력 이미지 생성부(215), 및 얼굴인식부(220)의 동작을 개시시킴으로써 신규 사용자 등록절차가 자동으로 수행되도록 할 수 있다.
인터페이스부(270)는 어레이 파일 생성부(230)에 의해 생성된 어레이 파일을 미리 정해진 방식으로 암호화하여 각 에지 디바이스(120)로 전송한다. 일 실시예에 있어서, 인터페이스부(270)는 공개키 기반의 암호화 알고리즘을 이용하여 어레이 파일을 암호화하여 각 에지 디바이스(120)로 전송할 수 있다.
한편, 인터페이스부(270)는 암호화된 어레이 파일을 에지 디바이스(120)와 약속된 프로토콜에 따라 에지 디바이스(120)로 전송할 수 있다.
또한, 인터페이스부(270)는 각 에지 디바이스(120)로부터 미리 정해진 기간 마다 인증기록을 수신하여 에지 디바이스(120)로 제공할 수 수 있다.
얼굴인식모델 트레이닝부(280)는 컨벌루션 신경망을 기초로 얼굴인식모델(225)을 생성하고, 생성된 얼굴인식모델(225)을 트레이닝시킨다. 구체적으로, 얼굴인식모델 트레이닝부(280)는 얼굴인식모델(225)을 구성하는 컨벌루션 신경망을 지속적으로 트레이닝킴으로써 최적의 얼굴인식모델을 생성한다.
이를 위해, 얼굴인식모델 트레이닝부(280)는 얼굴이미지 추출부(227)를 트레이닝시키는 얼굴이미지 추출 트레이닝부(282), 특징벡터 추출부(229)를 트레이닝시키는 특징벡터 추출 트레이닝부(284), 및 특징벡터 추출부(229)의 오차를 감소시키는 오차감소부(286)를 포함한다.
얼굴이미지 추출 트레이닝부(282)는 얼굴이미지 추출부(227)를 구성하는 제1 내지 제3 얼굴탐지부(310~330)를 학습 이미지를 이용하여 트레이닝시킨다. 구체적으로, 얼굴이미지 추출 트레이닝부(282)는 도 4b에 도시된 바와 같은 구조를 갖는 제1 얼굴탐지부(310)에 미리 정해진 크기를 갖는 복수개의 학습 이미지를 입력하여 학습 이미지에서 얼굴영역이 포함될 제1 확률값 및 얼굴영역 좌표를 산출하고, 산출된 제1 확률값 및 얼굴영역 좌표를 역전파(Back Propagation) 알고리즘에 따라 제1 얼굴탐지부(310)에 피드백함으로써 제1 얼굴탐지부(310)에 적용된 컨벌루션 필터들의 필터계수 및 가중치를 갱신한다.
도 4b에서는 제1 얼굴탐지부(310)가 해당 이미지가 얼굴영역을 포함할 제1 확률값과 해당 이미지 상에서 얼굴영역 좌표만을 산출하는 것으로 설명하였기 때문에 얼굴이미지 추출 트레이닝부(282)는 산출된 제1 확률값 및 얼굴영역 좌표를 역전파 알고리즘을 이용하여 제1 얼굴탐지부(310)에 피드백하여 제1 얼굴탐지부(310)에 적용된 컨벌루션 필터들의 필터계수 및 가중치를 갱신하는 것으로 설명하였다.
하지만, 다른 실시예에 있어서 얼굴이미지 추출 트레이닝부(282)는 랜드마크 좌표 추출의 정확도를 향상시키기 위해 제1 얼굴탐지부(310)의 트레이닝시 제1 얼굴탐지부(310)로부터 랜드마크 좌표를 추가로 산출하고, 산출된 랜드마크 좌표를 제1 확률값 및 얼굴영역 좌표와 함께 역전파 알고리즘을 통해 제1 얼굴탐지부(310)에 피드백함으로써 제1 얼굴탐지부(310)에 적용된 컨벌루션 필터들의 필터계수 및 가중치를 갱신할 수도 있을 것이다.
이러한 실시예에 따르는 경우 제1 얼굴탐지부(310)는 랜드마크 좌표를 획득하기 위해 제3 컨벌루션 연산부(311c)에서 출력되는 피쳐맵에 차원감소 필터를 적용함으로써 제3 컨벌루션 연산부(311c)에서 출력되는 피쳐맵의 차원을 10차원으로 감소시키는 차원 감소부(미도시)를 추가로 포함할 수 있다. 이때, 10차원으로 출력되는 10개의 값이 랜드마크인 2개의 눈의 좌표, 코의 좌표, 좌측 입 꼬리의 좌표, 및 우측 입 꼬리의 좌표로 결정된다.
또한, 얼굴이미지 추출 트레이닝부(282)는 도 4c에 도시된 바와 같은 구조를 갖는 제2 얼굴탐지부(320)에 미리 정해진 크기를 갖는 복수개의 학습 이미지를 입력하여 학습 이미지에서 얼굴영역이 포함될 제2 확률값 및 얼굴영역 좌표를 산출하고, 산출된 제2 확률값 및 얼굴영역 좌표를 역전파 알고리즘을 이용하여 제2 얼굴탐지부(320)에 피드백함으로써 제2 얼굴탐지부(320)에 적용된 컨벌루션 필터들의 필터계수 및 가중치를 갱신한다. 이때, 제2 얼굴탐지부(320)에 입력되는 학습 이미지는 제1 얼굴탐지부(310)에 의해 얼굴영역이 포함된 것으로 결정된 학습이미지로 선정될 수 있다.
도 4c에서는 제2 얼굴탐지부(320)가 해당 이미지가 얼굴영역을 포함하는 확률과 해당 이미지 상에서 얼굴영역 좌표만을 산출하는 것으로 설명하였기 때문에 얼굴이미지 추출 트레이닝부(282)는 산출된 제2 확률값 및 얼굴영역 좌표를 역전파 알고리즘을 이용하여 제2 얼굴탐지부(320)에 피드백하여 제2 얼굴탐지부(320)에 적용된 컨벌루션 필터들의 필터계수 및 가중치를 갱신하는 것으로 설명하였다.
하지만, 다른 실시예에 있어서 얼굴이미지 추출 트레이닝부(282)는 랜드마크 좌표 추출의 정확도를 향상시키기 위해 제2 얼굴탐지부(320)의 트레이닝시에도 제2 얼굴탐지부(320)로부터 랜드마크 좌표를 추가로 산출하고, 산출된 랜드마크 좌표를 제2 확률값 및 얼굴영역 좌표와 함께 역전파 알고리즘을 통해 제2 얼굴탐지부(320)에 피드백함으로써 제2 얼굴탐지부(320)에 적용된 컨벌루션 필터들의 필터계수 및 가중치를 갱신할 수도 있을 것이다.
이러한 실시예에 따르는 경우 제2 얼굴탐지부(320)는 랜드마크 좌표를 획득하기 위해 제1 차원증가부(325)에서 출력되는 피쳐맵에 차원감소 필터를 적용함으로써 제1 차원증가부(325)에서 출력되는 피쳐맵의 차원을 10차원으로 감소시키는 차원 감소부(미도시)를 추가로 포함할 수 있다. 이때, 10차원으로 출력되는 10개의 값이 랜드마크인 2개의 눈의 좌표, 코의 좌표, 좌측 입 꼬리의 좌표, 및 우측 입 꼬리의 좌표로 결정된다.
또한, 얼굴이미지 추출 트레이닝부(282)는 도 4d에 도시된 바와 같은 구조를 갖는 제3 얼굴탐지부(330)에 미리 정해진 크기를 갖는 복수개의 학습 이미지를 입력하여 학습 이미지에 얼굴영역이 포함될 제3 확률값, 얼굴영역 좌표, 및 랜드마크의 좌표를 산출하고, 산출된 제3 확률값, 얼굴영역 좌표, 및 랜드마크의 좌표를 역전파 알고리즘을 이용하여 제3 얼굴탐지부(330)에 피드백함으로써 제3 얼굴탐지부(330)에 적용된 컨벌루션 필터들의 필터계수 및 가중치를 갱신한다. 이때, 제3 얼굴탐지부(330)에 입력되는 학습 이미지는 제2 얼굴탐지부(320)에 의해 얼굴영역이 포함된 것으로 결정된 학습이미지로 선정될 수 있다.
특징벡터 추출 트레이닝부(284)는 도 5 내지 도 7에 도시된 바와 같은 구성을 갖는 특징벡터 추출부(229)를 학습 이미지를 이용하여 트레이닝시킨다. 구체적으로, 특징벡터 추출 트레이닝부(284)는 도 5 내지 도 7에 도시된 바와 같은 구조를 갖는 특징벡터 추출부(229)에 복수개의 학습 이미지를 미리 정해진 배치단위로 입력함으로써 각 학습이미지로부터 특징벡터를 추출한다.
특징벡터 추출 트레이닝부(284)는 추출된 특징벡터들을 미리 정해진 분류함수에 적용함으로써 해당 학습 이미지가 특정 클래스에 포함될 확률값을 예측하고, 예측된 확률값(이하, '예측값'이라 함)과 실제값간의 오차를 연산하여 그 결과를 역전파 알고리즘을 이용하여 특징벡터 추출부(229)에 피드백함으로써 특징벡터 추출부(229)에 적용된 컨벌루션 필터들의 필터계수 및 가중치를 갱신한다.
한편, 본 발명에 따른 얼굴인식모델 트레이닝부(280)는 오차감소부(286)를 통해 특징벡터 추출시 발생되는 오차를 더욱 감소시킴으로써 특징벡터 추출부(229)의 성능을 더욱 향상시킬 수 있다.
구체적으로, 오차감소부(286)는 특징벡터 추출 트레이닝부(284)가 특징벡터 추출부(229)를 트레이닝시키는 과정에서 특징벡터 추출부(229)를 통해 추출된 특징벡터들에 기초한 예측값과 실제값간의 오차를 감소시킨다. 구체적으로, 오차감소부(286)는 특징벡터 추출부(229)가 학습 이미지로부터 추출한 특징벡터들을 기초로 예측값과 실제값간의 오차를 계산하고, 오차가 감소될 수 있도록 각 학습 이미지를 2차원 각도 평면상에 배치하고 배치결과에 따른 확률값을 이용하여 특징벡터 추출 트레이닝부(284)가 특징벡터 추출부(229)를 트레이닝시킬 수 있도록 한다.
본 발명에 따른 얼굴인식모델 트레이닝부(280)가 오차감소부(286)를 통해 오차감소가 되도록 특징벡터 추출부(279)를 학습시키는 이유는 도 8에 도시된 바와 같이 일반적인 얼굴인식모델의 경우 동일인임에도 불구하고 얼굴이 촬영된 조명이나 환경이 변화하는 경우 동일인임을 구분해 내지 못하는 것과 같은 오차가 발생하기 때문에, 이러한 오차감소부(286)를 통해 얼굴인식의 오차가 감소될 수 있는 특징벡터가 추출되도록 특징벡터 추출부(229)를 트레이닝 시키기 위한 것이다.
본 발명의 일 실시예에 따른 오차감소부(286)는 도 2에 도시된 바와 같이 얼굴이미지 배치부(287) 및 확률산출부(289)를 포함한다.
얼굴이미지 배치부(287)는 학습 이미지에 대해 특징벡터 추출부(229)가 추출한 복수개의 특징벡터들을 기초로 각 학습 이미지들을 2차원 각도 평면 상에 배치한다. 구체적으로, 얼굴이미지 배치부(287)는 서로 다른 클래스에 포함되는 학습 이미지들간의 코사인 유사도를 산출하고, 코사인 유사도에 따라 각 학습 이미지들 간의 이격각도인 기준각도를 산출함으로써 학습 이미지들을 2차원 각도 평면상에 배치하게 된다.
본 발명에서 얼굴이미지 배치부(287)가 각 학습 이미지들의 특징벡터를 기초로 산출되는 각 학습 이미지들 간의 거리에 따라 학습 이미지를 벡터공간에 배치하게 되면 도 9에 도시된 바와 같이 각 학습 이미지들 간에 중첩되는 영역(900)이 발생할 수 밖에 없어, 학습시 동일인과 타인을 명확하게 구분하기가 어렵다는 한계가 있다.
따라서, 본 발명에서는 얼굴이미지 배치부(287)가 서로 다른 클래스에 포함되는 학습 이미지들 사이의 각도를 코사인 유사도를 통해 산출하고, 산출된 각도를 기초로 각 학습 이미지를 2차원 각도 평면상에 배치하는 것이다.
확률 산출부(289)는, 2차원 각도 평면 상에서 얼굴이미지 배치부(287)에 의해 산출된 기준각도에 가산될 마진각도를 가변시키고, 가변되는 마진각도 별로 각 학습 이미지들이 해당 클래스에 포함될 확률을 산출한다.
구체적으로, 확률 산출부(289)는 도 10에 도시된 바와 같이 각 학습 이미지 간의 기준각도(θ1,θ2)에 가산되는 마진각도(P1, P2)를 가변시키면서 서로 중첩되는 특성을 갖는 학습 이미지들이 2차원 각도 평면 상에서 이격되도록 한다. 일 실시예에 있어서, 마진각도(P1, P2)는 0보다 크고 90도 보다 작은 범위 내에서 학습률(Learning Rate)에 따라 결정될 수 있다.
예컨대, 학습률이 증가하면 마진각도도 그에 따라 증가하고 학습률이 감소하면 마진각도도 그에 따라 감소하도록 설정될 수 있다. 이때, 확률 산출부(288)는 마진각도를 미리 정해진 기준 단위만큼 가변시킬 수 있다.
확률산출부(289)에 의해 마진각도가 기준각도에 가산되면 도 11에 도시된 바와 같이, 벡터공간 내에서 서로 중첩되는 특징을 가졌던 학습 이미지들이 서로 이격되도록 배치된다는 것을 알 수 있다.
확률산출부(289)는 기준각도에 가산되는 마진각도 별로 각 학습 이미지들이 해당 클래스에 포함될 확률을 산출하고, 산출된 확률값을 특징벡터 추출 트레이닝부(284)로 제공함으로써 특징벡터 추출 트레이닝부(284)가 확률산출부(289)에 의해 산출된 확률값을 기초로 특징벡터 추출부(229)를 학습시킬 수 있도록 한다. 즉, 특징벡터 추출 트레이닝부(284)는 확률산출부(288)에 의해 산출된 확률값을 기초로 특징벡터 추출부(229)에 적용된 컨벌루션 필터들의 계수 및 가중치 중 적어도 하나를 갱신함으로써 특징벡터 추출부(279)를 학습시키게 된다.
일 실시예에 있어서, 확률 산출부(289)는 아래의 수학식 1을 이용하여 각 마진각도별로 각 학습 이미지들이 해당 클래스에 포함될 확률을 산출할 수 있다.
Figure pat00001
수학식 1에서 x는 기준각도를 나타내고 p는 상기 마진각도를 나타내며, n은 클래스의 개수를 나타낸다.
일 실시예에 있어서, 확률 산출부(289)는 확률 산출부(289)에 의해 산출된 확률값을 기초로 특징벡터 추출 트레이닝부(284)에 의해 트레이닝된 특징벡터 추출부(229)에 미리 정해진 테스트 얼굴이미지를 적용했을 때 예측값과 실제값간의 오차가 기준치 이하가 될 때까지 마진각도를 계속하여 가변시킬 수 있다.
즉, 확률 산출부(289)는 트레이닝된 특징벡터 추출부(229)에 미리 정해진 테스트 얼굴이미지를 적용했을 때 산출되는 예측값과 실제값간의 오차가 기준치 이하가 되는 시점의 마진각도를 최종 마진각도로 결정한다. 이때, 예측값과 실제값간의 오차는 크로스 엔트로피(Cross Entropy) 함수를 이용하여 산출할 수 있다.
상술한 바와 같은 오차감소부(286)를 통해 오차감소가 수행되면 도 12에 도시된 바와 같이, 서로 다른 환경이나 다른 조명에서 촬영된 경우라 하더라도 동일인을 정확하게 분류해 낼 수 있게 된다.
상술한 실시예에 있어서, 얼굴인식모델 트레이닝부(280)를 구성하는 얼굴이미지 추출 트레이닝부(282), 특징벡터 추출 트레이닝부(284), 및 오차감소부(286)는 알고리즘 형태의 소프트웨어로 구현되어 중앙서버(110)에 탑재될 수 있다.
다시 도 1을 참조하면, 에지 디바이스(120)는 특정 장소 마다 배치되어 중앙서버(110)에 의해 배포되는 얼굴인식모델(225)을 이용하여 해당 장소로의 출입을 희망하는 타겟사용자의 얼굴을 인식하고, 인식결과를 기초로 타겟사용자의 출입을 인증하는 기능을 수행한다.
본 발명에서, 중앙서버(110)가 타겟 사용자의 얼굴인식 및 인증을 수행하지 않고 에지 디바이스(120)가 타겟 사용자의 얼굴인식 및 인증을 수행하도록 한 이유는 타겟 사용자의 얼굴인식 및 인증을 중앙서버(110)에서 수행하는 경우 중앙서버(110) 또는 네트워크에서 장애가 발생되면 얼굴인식 및 인증이 수행될 수 없을 뿐만 아니라 사용자의 수가 증가함에 따라 고가의 중앙서버(110)의 증설이 요구되기 때문이다.
이에 따라 본 발명은 에지 컴퓨팅(Edge Computing) 방식을 적용하여 에지 디바이스(120)에서 타겟 사용자의 얼굴인식 및 인증을 수행하도록 함으로써 중앙서버(110) 또는 네트워크에 장애가 발생하더라도 정상적으로 얼굴인식 서비스를 제공할 수 있어 서비스 제공 신뢰도를 향상시킬 수 있고, 사용자의 수가 증가하더라도 고가의 중앙서버(110)를 증설할 필요가 없어 얼굴인식시스템(100) 구축비용을 절감할 수 있게 된다.
이하, 본 발명에 따른 에지 디바이스(120)의 구성을 도 13을 참조하여 보다 구체적으로 설명한다.
도 13은 본 발명의 제1 실시예에 따른 에지 디바이스의 구성을 개략적으로 보여주는 블록도이다. 도 13에 도시된 바와 같이, 본 발명의 제1 실시예에 따른 에지 디바이스(120)는 제1 촬영부(1210), 입력 이미지 생성부(1250), 얼굴인식부(1300), 인증부(1310), 얼굴인식모델(1320), 어레이 파일 업데이트부(1330), 메모리(1340), 및 인터페이스부(1350)를 포함한다.
제1 촬영부(1210)는 인증대상이 되는 타겟 사용자가 접근하면, 타겟 사용자를 촬영하여 촬영 이미지를 생성한다. 제1 촬영부(1210)는 생성된 촬영이미지를 입력 이미지 생성부(1250)로 전송한다.
입력 이미지 생성부(1250)는 제1 촬영부(1210)로부터 전송된 타겟 사용자의 촬영이미지로부터 얼굴인식에 이용될 입력 이미지를 생성한다. 구체적으로 입력 이미지 생성부(1250)는 하나의 타겟 사용자의 촬영이미지를 미리 정해진 단계까지 다운샘플링하거나 업샘플링함으로써 하나의 타겟 사용자의 촬영이미지로부터 해상도가 서로 다른 복수개의 타겟 사용자의 이미지들을 생성한다.
예컨대, 입력 이미지 생성부(1250)는 타겟 사용자의 이미지에 가우시안 피라미드를 적용함으로써 다운 샘플링된 타겟 사용자 이미지를 생성하거나, 타겟 사용자 이미지에 라플라시안 피라미드를 적용함으로써 업샘플링된 타겟 사용자 이미지를 생성할 수 있다.
해상도가 서로 다른 복수개의 타겟 사용자 이미지가 생성되면, 입력 이미지 생성부(1250)는 각각의 타겟 사용자 이미지에 대해, 타겟 사용자 이미지 상에서 미리 정해진 픽셀크기의 윈도우를 이동시켜가면서 획득되는 복수개의 이미지를 입력 이미지로 생성한다. 입력 이미지 생성부(1250)는 생성된 입력 이미지를 얼굴인식부(1300)로 입력한다.
얼굴인식부(1300)는 입력 이미지 생성부(1250)로부터 타겟 사용자의 입력 이미지가 수신되면 수신된 타겟 사용자의 입력 이미지를 얼굴중앙서버(110)로부터 배포된 얼굴인식모델(1320)에 입력하여 타겟 얼굴이미지를 추출하고, 추출된 타겟 얼굴이미지로부터 타겟 특징벡터를 추출한다. 특히, 중앙서버(110)로부터 배포되는 얼굴인식모델(1320)은 상술한 오차감소부(286)를 통한 학습에 의해 오차가 감소된 것일 수 있다.
또한, 얼굴인식모델(1320)은 미리 정해진 주기마다 업데이트될 수 있다. 일 예로, 에지 디바이스(120)는 중앙서버(110)에 의해 얼굴인식모델(1320)이 업데이트될 때마다 중앙서버(110)로부터 새로운 얼굴인식모델(1320)을 배포받음으로써 기 배포된 얼굴인식모델(1320)을 새로운 얼굴인식모델(1320)로 업데이트할 수 있다.
타겟 얼굴이미지 추출 및 타겟 특징벡터 추출에 이용되는 얼굴인식모델(1320)은 도 4 내지 도 8에 도시된 얼굴인식모델(225)과 동일하므로 이에 대한 구체적인 설명은 생략한다.
또한, 얼굴인식부(1300)가 얼굴인식모델(1320)을 이용하여 타겟 사용자의 입력 이미지로부터 타겟 얼굴이미지 및 타겟 특징벡터를 추출하는 방법은 중앙서버(110)에 포함된 얼굴인식부(220)가 얼굴인식모델(225)을 이용하여 얼굴이미지 및 특징벡터를 추출하는 것과 동일하므로 이에 대한 구체적인 설명은 생략한다.
인증부(1310)는 얼굴인식부(1300)에 의해 획득된 타겟 특징벡터와 중앙서버(110)로부터 수신된 어레이 파일에 포함된 특징벡터들을 비교하여 타겟 사용자가 해당 장소에 출입이 가능한 정당한 사용자인지 여부를 인증한다. 이하, 인증부(1310)가 타겟 사용자를 인증하는 방법에 대해 구체적으로 설명한다.
먼저, 인증부(1310)는 어레이 파일에 포함된 각 어레이 마다 해당 어레이에 포함된 특징벡터에서 타겟 특징벡터를 동일 인덱스 별로 감산하여 제곱한 제1 결과값을 산출한다. 인증부(1310)는 인덱스 별로 산출된 제1 결과값을 합산하여 제2 결과값을 산출하고, 미리 정해진 기준값에서 제2 결과값을 감산한 제3 결과값을 산출한다.
인증부(1310)는 어레이 파일에 포함된 어레이들 중 제3 결과값이 가장 큰 어레이에 매핑되어 있는 사용자가 타겟사용자와 가장 유사한 사용자인 것으로 결정한다. 이때, 인증부(1310)는 제3 결과값이 미리 정해진 문턱값 이상인 경우 타겟사용자가 정당한 권한을 가진 사용자로 인증하게 되고, 이에 따라 타겟 사용자가 해당 장소의 출입이 허가될 수 있다.
일 실시예에 있어서, 문턱값은 에지 디바이스(120)가 설치되는 장소의 보안레벨에 따라 차등 설정될 수 있다. 예컨대, 에지 디바이스(120)가 높은 보안 레벨이 적용되는 지역에 설치되는 경우 문턱값은 높게 설정될 수 있고 에지 디바이스(120)가 낮은 보안 레벨이 적용되는 지역에 설치되는 경우 문턱값은 낮게 설정될 수 있다.
이하, 인증부(1310)가 얼굴인식부(1300)에 의해 획득된 타겟 특징벡터와 어레이 파일에 포함된 특징벡터들을 비교하여 타겟 사용자가 해당 층에 출입이 가능한 정당한 사용자인지 여부를 인증하는 방법을 예를 들어 설명하기로 한다.
도 14는 인증부가 타겟 사용자를 인증하는 방법을 예시적으로 보여주는 도면이다. 도 14에 도시된 바와 같이, 어레이 파일은 각 사용자의 특징벡터들을 포함하는 어레이가 각 로우 별로 배치되어 있다. 예컨대, 1번째 로우에는 제1 사용자에 대한 특징벡터들이 순차적으로 배치되어 있고, 2번째 로우에는 제2 사용자에 대한 특징벡터들이 순차적으로 배치되어 있다. 이때, 각 사용자의 특징벡터들은 인덱스 순서에 따라 하나의 로우에 배치되어 있다.
도 14a에 도시된 바와 같이 인증부(1310)는 어레이 파일(1410)의 각 어레이의 특징벡터들과 타겟 특징벡터들 간의 차이값을 인덱스 별로 산출하고, 도 14b에 도시된 바와 같이 산출된 차이값들을 제곱하여 제1 결과값을 산출하며, 도 14c에 도시된 바와 같이 각 어레이 별로 제1 결과값들을 모두 합산하여 제2 결과값을 산출한다.
이후, 도 14d에 도시된 바와 같이, 인증부(1310)는 미리 정해진 기준값(예컨대, 1)에서 제2 결과값을 감산함으로써 제3 결과값을 산출하고, 산출된 제3 결과값들 중 제일 큰 값인 0.310528에 해당하는 어레이에 매핑되어 있는 사용자를 타겟 사용자와 가장 유사한 사용자로 결정한다. 또한, 인증부(1310)는 가장 큰 값으로 결정된 제3 결과값이 미리 정해진 문턱값(예컨대, 0.15)보다 큰 값이므로 타겟 사용자를 해당 어레이에 매핑되어 있는 사용자로 최종 인증한다.
인증부(1310)가 타겟 사용자를 인증하는 방식을 수학식으로 표현하면 아래의 수학식2와 같이 표현할 수 있다.
Figure pat00002
수학식 2에서 Z는 제3 결과값을 나타내고, R은 미리 정해진 기준값을 나타내며, Xi는 n개의 특징벡터들 중 i번째 인덱스에 해당하는 특징벡터를 나타내고 Yi는 n개의 특징벡터들 중 i번째 인덱스에 해당하는 타겟 특징벡터를 나타낸다.
얼굴인식모델(1320)은 중앙서버(110)에 의해 생성되어 배포된 것으로서, 얼굴인식모델(1320)은 중앙서버(110)에 의해 얼굴인식모델(225)이 트레이닝되어 갱신될 때마다 갱신된 얼굴인식모델(225)로 대체된다. 이때, 얼굴인식모델(1320)은 인터페이스부(1350)를 통해 중앙서버(110)로부터 수신될 수 있다.
어레이 파일 업데이트부(1330)는 인터페이스부(1350)를 통해 중앙서버(110)로부터 어레이 파일이 수신되면 이를 제1 메모리(1342)에 업로드하여 인증부(1310)가 이를 이용하여 타겟 사용자를 인증할 수 있도록 한다. 특히, 본 발명에 따른 어레이 파일 업데이트부(1330)는 어레이 파일을 동적으로 로딩할 수 있다.
구체적으로, 어레이 파일 업데이트부(1330)는 제1 메모리(1342)에 어레이 파일이 로딩되어 있을 때, 중앙서버(110)로부터 신규 어레이 파일이 수신되는 경우 신규 어레이 파일을 제2 메모리(1344)에 로딩하고, 제2 메모리(1344)에 신규 레이 파일의 로딩이 완료되면 제1 메모리(1342)에 로딩되어 있는 어레이 파일을 제2 메모리(1344)에 로딩되어 있는 신규 어레이 파일로 대체한다.
본 발명에 따른 어레이 파일 업데이트부(1330)가 상술한 바와 같이 어레이 파일을 동적 로딩하는 이유는 인증부(1310)가 타겟 사용자에 대한 인증처리를 수행함과 동시에 어레이 파일 업데이트부(1330)가 신규 어레이 파일을 업데이트할 수 있도록 함으로써 에지 디바이스(120)가 새롭게 업데이트된 어레이 파일을 기초로 실시간으로 얼굴인식이 수행될 수 있도록 하기 위함이다.
제1 메모리(1342)에는 인증부(1310)에 의해 이용되는 어레이 파일이 로딩되고, 제2 메모리(1344)에는 새롭게 수신된 신규 어레이 파일이 로딩된다. 제2 메모리(1344)에 신규 어레이 파일의 로딩이 완료되면 어레이 파일 업데이트부(1330)에 의해 제1 메모리(1342)에 기록된 어레이 파일이 신규 어레이 파일로 대체되게 된다.
인터페이스부(1350)는 에지 디바이스(120)와 중앙서버(110)간의 데이터 송수신을 매개한다. 구체적으로, 인터페이스부(1350)는 중앙서버(110)로부터 얼굴인식모델(1320)을 수신하고, 중앙서버(110)로부터 어레이 파일을 수신하여 어레이 파일 업데이트부(1330)를 통해 제1 메모리(1342) 또는 제2 메모리(1344)에 로딩한다. 또한, 인터페이스부(1350)는 인증부(1330)에 의한 인증기록을 중앙서버(110)로 주기적으로 전송한다.
일 실시예에 있어서, 어레이 파일 및 얼굴인식모델(1320)은 인터페이스부(1350)를 통해 미리 정해진 주기마다 업데이트될 수 있다.
상술한 바와 같이, 본 발명에 따르면 에지 디바이스(120)에는 얼굴인식을 위한 얼굴인식모델(1320) 및 어레이 파일만 저장될 뿐 사용자의 얼굴이미지나 개인정보가 저장되지 않기 때문에 에지 디바이스(120)가 해킹되더라도 사용자의 개인정보가 유출될 염려가 없어 보안이 강화된다.
상술한 제1 실시예에 따른 에지 디바이스(120)의 경우, 제1 촬영부(1210)에 의해 생성된 촬영이미지가 입력 이미지 생성부(1250)로 직접 입력되는 것으로 설명하였다. 하지만 이러한 실시예에 따르는 경우 제1 촬영부(1210)에 의해 타겟 사용자의 얼굴이 포함된 사진이 촬영되는 경우에도 제1 촬영부(1210)는 정상적인 촬영 이미지를 생성하여 입력 이미지 생성부(1250)로 전달하게 됨으로써, 타겟 사용자가 아닌 사용자가 타겟 사용자의 사진을 이용하여 인증을 수행하게 될 수 있다는 문제점이 있다.
이하, 상술한 문제점을 해결할 수 있는 제2 실시예에 따른 에지 디바이스(120)에 대해 구체적으로 설명한다.
도 15는 본 발명의 제2 실시예에 따른 에지 디바이스의 구성을 보여주는 블록도이다. 도 15에 도시된 제2 실시예에 따른 에지 디바이스는 도 13에 도시된 제1 실시예에 따른 에지 디바이스에 비해 제2 촬영부(1370) 및 진위판단부(1380)를 더 포함한다는 점에서 제1 실시예에 따른 에지 디바이스와 구별된다. 이하에서는, 설명의 편의를 위해 제1 실시예에 따른 에지 디바이스와 동일한 기능을 하는 구성에 대한 설명은 생략하고, 새롭게 추가된 제2 촬영부(1510) 및 진위판단부(1520)와 새롭게 추가된 구성으로 인해 그 기능이 변경된 제1 촬영부(1210)에 대해서만 기재하기로 한다.
제1 촬영부(1210)는 촬영대상을 촬영하여 촬영이미지를 생성한다. 제1 촬영부(1210)는 생성된 촬영이미지를 진위판단부(1520)로 전송한다.
제2 촬영부(1510)는 촬영대상을 촬영하여 뎁스(Depth) 이미지를 생성한다. 제2 촬영부(1510)는 제1 촬영부(1210)에 의해 촬영대상이 촬영되는 시점과 동일한 시점 또는 제1 촬영부(1210)에 촬영대상이 촬영되는 시점으로부터 소정시간 이전 또는 소정시간 이후에 촬영대상을 촬영할 수 있다.
일 실시예에 있어서, 제2 촬영부(1510)는 촬영대상을 촬영하여 뎁스 이미지를 생성할 수 있는 IR 카메라로 구현될 수 있다.
이와 같이 제2 실시예에 따른 에지 디바이스(120)가 제2 촬영부(1510)를 통해 촬영대상를 촬영하여 뎁스 이미지를 생성하는 이유는, 제2 촬영부(1510)에 의해 촬영대상의 실제 얼굴이 촬영되는 경우와 촬영대상의 얼굴이 포함된 사진이 촬영된 경우 서로 다른 형태의 뎁스 이미지가 생성되기 때문이다.
예컨대, 제2 촬영부(1510)에 의해 촬영대상의 얼굴이 포함된 사진이 촬영된 경우 도 16a에 도시된 바와 같은 형태의 뎁스 이미지가 생성됨에 반해, 제2 촬영부(1510)에 의해 촬영대상의 실제 얼굴이 촬영된 경우 도 16b에 도시된 바와 같은 형태의 제2 뎁스 이미지가 생성된다.
제2 촬영부(1510)는 생성된 뎁스 이미지를 진위판단부(1520)로 전송한다.
진위판단부(1520)는 제2 촬영부(1510)로부터 전송된 뎁스 이미지를 이용하여 제2 촬영부(1510)에 의해 촬영된 촬영대상이 사진인지 또는 실제 촬영대상의 얼굴인지 여부를 판단한다.
구체적으로, 진위판단부(1520)는 제2 촬영부(1510)로부터 수신한 뎁스 이미지로부터 뎁스 데이터를 추출하고, 이진 분류(Binary Classification)를 통해 뎁스 이미지가 촬영대상의 실제 얼굴인지 여부를 판단한다. 일 실시예에 있어서, 진위판단부(1520)는 딥 러닝(Deep Learning) 알고리즘 기반의 트레이닝을 통해 실제 얼굴과 사진에 대한 분류 정확도가 향상되도록 할 수 있다.
진위판단부(1520)는 제2 촬영부(1510)에 의해 촬영된 촬영대상이 실제 얼굴인 것으로 판단되면 제1 촬영부(1210)로부터 수신된 촬영 이미지를 입력 이미지 생성부(1250)로 전송한다. 한편, 진위판단부(1520)는 제2 촬영부(1510)에 의해 촬영된 촬영대상이 실제 얼굴이 아닌 것으로 판단되면 제1 촬영부(1210)로부터 수신된 촬영 이미지를 입력 이미지 생성부(1250)로 전송하지 않고, 인증처리가 실패하였음을 문자 형태 또는 음성 형태의 알람 메시지를 이용하여 출력하거나, 비정상적 접근 시도가 있었음을 시스템 운영자에게 통지할 수 있다.
이와 같이, 본 발명에 따르면 촬영된 촬영대상이 실제 얼굴인지 사진인지 여부를 정확하게 판별하여 사진이 촬영된 경우 인증처리가 수행되지 않도록 함으로써 정당한 권원없는 사용자가 타인의 사진을 이용하여 인증을 받고자 수행하는 시도를 원천적으로 차단할 수 있고, 이를 통해 보안을 향상시킬 수 있게 된다.
다시 도 1을 참조하면, 사용자 단말기(130)는 사용자를 신규 등록하기 위한 사용자 이미지를 사용자의 식별정보와 함께 중앙서버(110)로 전송한다. 일 실시예에 있어서, 사용자 단말기(130)에는 중앙서버(110)와 연동할 수 있는 얼굴등록 에이전트(미도시)가 탑재되어 있고, 사용자는 사용자 단말기(130) 상에서 얼굴등록 에이전트를 실행시킴으로써 사용자의 얼굴을 촬영한 이미지나 기 촬영된 이미지를 사용자 식별정보와 함께 중앙서버(110)로 전송할 수 있다.
일 실시예에 있어서, 사용자 단말기(130)는 각 사용자 별로 복수개의 사용자 이미지를 등록하도록 요청할 수 있다. 이때, 각 사용자 별로 등록요청되는 복수개의 이미지는 서로 다른 환경에서 촬영된 사진이거나 서로 다른 조명하에서 촬영된 사진일 수 있다.
사용자 단말기(130)는 중앙서버(110)로 사용자 이미지를 전송하여 사용자 등록을 요청할 수 있는 것이라면 그 종류에 제한 없이 어떤 것이든 이용 가능하다. 예컨대, 사용자 단말기(130)는 스마트폰, 노트북, 데스크탑 또는 테플릿 PC등으로 구현될 수 있다.
본 발명이 속하는 기술분야의 당업자는 상술한 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다.
예컨대, 도 2에 도시된 중앙서버의 구성 및 도 13에 도시된 에지 디바이스의 구성은 프로그램 형태로 구현될 수도 있을 것이다. 본 발명에 따른 중앙서버의 구성 및 에지 디바이스의 구성이 프로그램으로 구현되는 경우, 도 2 및 도 13에 도시된 각 구성들이 코드로 구현되고, 특정 기능을 구현하기 위한 코드들이 하나의 프로그램으로 구현되거나, 복수개의 프로그램을 분할되어 구현될 수도 있을 것이다.
그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 얼굴인식시스템 110: 중앙서버
120: 에지 디바이스 130: 사용자 단말기
210: 사용자 등록부 215: 입력 이미지 생성부
220: 얼굴인식부 225: 얼굴인식모델
230: 어레이 파일 생성부 240: 얼굴인식모델 트레이닝부
250: 인터페이스부

Claims (20)

  1. 등록요청된 사용자의 입력 이미지를 얼굴인식모델에 입력함으로써 얼굴이미지를 추출하고, 상기 추출된 얼굴이미지로부터 복수개의 특징벡터를 생성하는 얼굴인식부;
    각 사용자 별로 상기 복수개의 특징벡터와 사용자의 식별정보로 구성된 어레이를 생성하고, 생성된 어레이들을 머지하여 어레이 파일을 생성하는 어레이 파일 생성부; 및
    상기 생성된 어레이 파일을 에지 디바이스로 전송하는 인터페이스부를 포함하는 중앙서버를 포함하고,
    상기 얼굴인식모델은,
    상기 입력 이미지로부터 상기 얼굴이미지를 추출하는 얼굴이미지 추출부; 및
    상기 얼굴이미지에 포함된 얼굴로부터 특징벡터를 추출하는 특징벡터 추출부를 포함하는 것을 특징으로 하는 AI 기반의 얼굴인식시스템.
  2. 제1항에 있어서,
    상기 얼굴이미지 추출부는,
    서로 다른 뎁스(Depth)의 신경망 네트워크를 갖는 2개 이상의 얼굴탐지부를 이용하여 상기 입력 이미지들로부터 상기 얼굴이미지를 추출하고,
    상기 2개 이상의 얼굴탐지부는 뎁스가 깊어지는 순서에 따라 순차적으로 배치되어 n번째 얼굴탐지부에 입력되는 입력 이미지의 개수가 n-1번째 얼굴탐지부에 입력되는 입력 이미지의 개수보다 감소되는 것을 특징으로 하는 AI 기반의 얼굴인식시스템.
  3. 제2항에 있어서,
    상기 얼굴이미지 추출부는,
    제1 뎁스(Depth)를 갖는 제1 신경망 네트워크를 이용하여 복수개의 입력 이미지들의 피쳐맵을 생성하고, 상기 피쳐맵를 기초로 상기 복수개의 입력 이미지들 중 얼굴영역이 포함된 복수개의 제1 서브 입력 이미지들을 1차적으로 선별하는 제1 얼굴탐지부;
    상기 제1 뎁스보다 깊은 제2 뎁스를 갖는 제2 신경망 네트워크를 이용하여 상기 복수개의 제1 서브 입력이미지의 피쳐맵을 생성하고, 상기 제2 신경망 네트워크를 통해 생성된 피쳐맵을 기초로 상기 복수개의 제1 서브 입력이미지들 중 얼굴영역이 포함된 복수개의 제2 서브 입력 이미지들을 2차적으로 선별하는 제2 얼굴탐지부; 및
    상기 제2 뎁스보다 깊은 제3 뎁스를 갖는 제3 신경망 네트워크를 이용하여 상기 복수개의 제2 서브 입력 이미지의 피쳐맵을 생성하고, 상기 제3 신경망 네트워크를 통해 생성된 피쳐맵을 기초로 상기 복수개의 제2 서브 입력 이미지들 중 얼굴영역이 포함된 얼굴이미지를 선별하는 제3 얼굴탐지부를 포함하는 것을 특징으로 하는 AI 기반의 얼굴인식시스템.
  4. 제1항에 있어서,
    상기 얼굴이미지 추출부에 복수개의 학습이미지를 입력하여 상기 학습 이미지가 얼굴영역을 포함할 확률값, 얼굴영역의 좌표, 및 랜드마크 좌표를 산출하고, 산출된 확률값, 얼굴영역의 좌표, 및 랜드마크 좌표를 역전파(Back Propagation) 알고리즘에 따라 상기 얼굴이미지 추출부에 피드백하여 상기 얼굴이미지 추출부에 적용된 컨벌루션 필터들의 필터계수 및 가중치 중 적어도 하나를 갱신하는 얼굴인식모델 트레이닝부를 더 포함하는 것을 특징으로 하는 AI 기반의 얼굴인식시스템.
  5. 제1항에 있어서,
    상기 특징벡터 추출부는,
    입력 데이터를 영상 처리하여 출력 데이터를 생성하는 복수개의 얼굴이미지 처리부; 및
    상기 복수개의 얼굴이미지 처리부들 중 마지막 얼굴이미지 처리부에서 출력되는 출력 데이터를 하나의 레이어로 병합하여 미리 정해진 개수의 특징벡터를 생성하는 특징벡터 생성부를 포함하고,
    상기 복수개의 얼굴 이미지 처리부들 중 1번째 얼굴이미지 처리부에는 상기 입력 이미지로써 얼굴이미지가 입력되고, n+1번째 얼굴이미지 처리부에는 상기 입력 이미지로써 n번재 얼굴이미지 처리부의 출력 데이터가 입력되는 것을 특징으로 하는 AI 기반의 얼굴인식시스템.
  6. 제5항에 있어서,
    상기 복수개의 얼굴이미지 처리부는,
    상기 입력 데이터에 컨벌루션 필터를 적용하여 피쳐맵을 생성하는 제1 유닛;
    상기 제1 유닛에 의해 생성된 피쳐맵에 가중치를 부여하는 제2 유닛; 및
    상기 제2 유닛에 의해 가중치가 부여된 피쳐맵과 상기 제1 유닛으로 입력된 상기 입력 데이터를 합산하여 상기 출력 데이터를 생성하는 연산부를 포함하는 것을 특징으로 하는 AI 기반의 얼굴인식시스템.
  7. 제5항에 있어서,
    상기 얼굴이미지 처리부는,
    상기 입력 데이터를 정규화하는 정규화부;
    상기 정규화된 얼굴이미지에 제1 컨벌루션 필터를 적용하여 제1 피쳐맵을 생성하는 제1 컨벌루션 연산부; 및
    상기 제1 피쳐맵의 픽셀값들 중 양의 값은 그대로 출력하고 음의 값은 그 크기를 감소시켜 출력하여 상기 제1 피쳐맵에 비선형적 특성을 부여하는 비선형화부를 포함하는 것을 특징으로 하는 AI 기반의 얼굴인식시스템.
  8. 제7항에 있어서,
    상기 얼굴이미지 처리부는,
    상기 비선형적 특성이 부여된 제1 피쳐맵에 제2 컨벌루션 필터를 적용하여 제2 피쳐맵을 생성하는 제2 컨벌루션 연산부를 더 포함하고,
    상기 제1 컨벌루션 필터와 상기 제2 컨벌루션 필터는 크기는 동일하고 서로 다른 스트라이드(Stride) 값을 갖는 필터인 것을 특징으로 하는 AI 기반의 얼굴인식시스템.
  9. 제5항에 있어서,
    상기 얼굴이미지 처리부는,
    상기 입력 데이터에 컨벌루션 필터를 적용하여 생성된 피쳐맵을 서브 샘플링하여 상기 피쳐맵의 차원을 감소시키는 샘플링부;
    상기 서브 샘플링된 피쳐맵에 가중치를 반영하는 가중치 반영부; 및
    상기 가중치가 반영된 피쳐맵을 상기 샘플링부로 입력된 피쳐맵과 동일한 차원으로 업스케일링하는 업스케일링부를 포함하는 것을 특징으로 하는 AI 기반의 얼굴인식시스템.
  10. 제9항에 있어서,
    상기 가중치 반영부는,
    상기 서브 샘플링된 피쳐맵을 하나의 레이어로 연결하여 차원을 감소시키는 차원 감소부;
    상기 차원이 감소된 피쳐맵의 픽셀값들 중 양의 값은 그대로 출력하고 음의 값은 0으로 출력하여 상기 차원이 감소된 피쳐맵에 비선형적 특성을 부여하는 제1 비선형화부;
    상기 비선형적 특성이 부여된 피쳐맵의 차원을 증가시키는 차원 증가부; 및
    상기 차원이 증가된 피쳐맵의 픽셀값들 중 양의 값은 미리 정해진 값으로 수렴시키고 음의 값은 0으로 출력하여 상기 차원이 증가된 피쳐맵에 비선형적 특성을 부여하는 제2 비선형화부를 포함하는 것을 특징으로 하는 AI 기반의 얼굴인식시스템.
  11. 제1항에 있어서,
    학습 이미지들을 이용하여 상기 얼굴인식모델을 트레이닝 시키는 얼굴인식모델 트레이닝부를 더 포함하고,
    상기 얼굴인식모델 트레이닝부는,
    상기 학습 이미지들을 상기 얼굴인식모델에 입력하여 획득된 복수개의 학습용 특징벡터를 기초로 상기 학습 이미지들을 2차원 각도 평면 상에 배치하는 얼굴이미지 배치부;
    서로 다른 클래스에 포함된 학습 이미지들간의 기준각도에 가산될 마진각도를 가변시키고, 상기 가변되는 마진각도 별로 각 학습 이미지들이 상기 각 클래스에 포함될 확률을 산출하는 확률 산출부; 및
    상기 산출된 확률을 이용하여 상기 얼굴인식모델을 학습시키는 특징벡터 추출 트레이닝부를 포함하는 것을 특징으로 하는 AI 기반의 얼굴인식시스템.
  12. 제1항에 있어서,
    상기 에지 디바이스는 복수개이고,
    상기 어레이 파일 생성부는 상기 에지 디바이스 별로 상기 어레이 파일을 생성하는 것을 특징으로 하는 AI 기반의 얼굴인식시스템.
  13. 제1항에 있어서,
    사용자 단말기로부터 수신되는 사용자 이미지를 업샘플링 또는 다운 샘플링하여 해상도가 서로 다른 복수개의 상기 입력 이미지를 생성하는 입력 이미지 생성부를 더 포함하는 것을 특징으로 하는 AI 기반의 얼굴인식시스템.
  14. 제1항에 있어서,
    상기 중앙서버에 의해 배포되는 상기 얼굴인식모델 및 상기 중앙서버로부터 수신된 어레이 파일을 이용하여 인증대상이 되는 타겟 사용자를 인증하는 상기 에지 디바이스를 더 포함하는 것을 특징으로 하는 AI 기반의 얼굴인식시스템.
  15. 제14항에 있어서,
    상기 에지 디바이스는,
    상기 중앙서버로부터 상기 어레이 파일과 상기 얼굴인식모델을 수신하는 인터페이스부;
    상기 수신된 얼굴인식모델을 이용하여 상기 타겟 사용자의 입력 이미지로부터 타겟 얼굴이미지를 추출하고, 추출된 상기 타겟 얼굴이미지로부터 타겟 특징벡터를 생성하는 얼굴인식부; 및
    상기 타겟 특징벡터를 상기 어레이 파일과 비교하여 상기 타겟 사용자를 인증하는 인증부를 포함하는 것을 특징으로 하는 AI 기반의 얼굴인식시스템.
  16. 제15항에 있어서,
    상기 인증부는,
    상기 어레이 파일에 포함된 각 어레이 마다 해당 어레이에 포함된 특징벡터에서 상기 타겟 특징벡터를 동일 인덱스 별로 감산하여 제곱한 제1 결과값을 산출하고, 인덱스 별로 산출된 제1 결과값들을 합산하여 산출되는 제2 결과값을 이용하여 상기 타겟 사용자를 인증하는 것을 특징으로 하는 AI 기반의 얼굴인식시스템.
  17. 제16항에 있어서,
    상기 인증부는
    상기 어레이 파일에 포함된 어레이들 중 미리 정해진 기준값에서 상기 제2 결과값을 감산한 제3 결과값이 가장 큰 어레이에 매핑되어 있는 사용자가 상기 타겟사용자와 가장 유사한 사용자인 것으로 결정하고, 상기 제3 결과값이 미리 정해진 문턱값 이상이면 상기 타겟사용자를 인증하는 것을 특징으로 하는 AI 기반의 얼굴인식시스템.
  18. 제17항에 있어서,
    상기 문턱값은 상기 에지 디바이스가 설치되는 장소의 보안레벨에 따라 차등 설정되는 것을 특징으로 하는 AI 기반의 얼굴인식시스템.
  19. 제14항에 있어서,
    상기 에지 디바이스는,
    상기 어레이 파일을 제1 메모리에 로딩하고, 상기 중앙서버로부터 신규 어레이 파일이 수신되면 상기 신규 어레이 파일을 제2 메모리에 로딩하고, 상기 제2 메모리에 상기 신규 어레이 파일의 로딩이 완료되면 상기 제1 메모리에 로딩되어 있는 상기 어레이 파일을 상기 제2 메모리에 로딩되어 있는 신규 어레이 파일로 대체하는 어레이 파일 업데이트부를 포함하는 것을 특징으로 하는 AI 기반의 얼굴인식시스템.
  20. 제14항에 있어서,
    상기 에지 디바이스는,
    상기 타겟 사용자의 촬영 이미지를 획득하는 제1 촬영부;
    촬영대상을 촬영하여 뎁스 이미지를 생성하는 제2 촬영부;
    상기 제2 촬영부에 의해 생성된 뎁스 이미지를 기초로 상기 촬영대상이 얼굴 또는 사진인지 여부를 판단하는 진위판단부; 및
    상기 진위 판단부에 의해 상기 촬영대상이 얼굴인 것으로 판단되면 상기 촬영이미지가 입력되고, 상기 촬영이미지를 업샘플링 또는 다운 샘플링하여 해상도가 서로 다른 복수개의 상기 타겟 사용자의 입력 이미지를 생성하는 입력 이미지 생성부를 더 포함하는 것을 특징으로 하는 AI 기반의 얼굴인식시스템.
KR1020180174200A 2018-12-07 2018-12-31 Ai 기반의 얼굴인식 시스템 KR102184493B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180174200A KR102184493B1 (ko) 2018-12-31 2018-12-31 Ai 기반의 얼굴인식 시스템
PCT/KR2019/017218 WO2020117006A1 (ko) 2018-12-07 2019-12-06 Ai 기반의 안면인식시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180174200A KR102184493B1 (ko) 2018-12-31 2018-12-31 Ai 기반의 얼굴인식 시스템

Publications (2)

Publication Number Publication Date
KR20200087350A true KR20200087350A (ko) 2020-07-21
KR102184493B1 KR102184493B1 (ko) 2020-11-30

Family

ID=71832590

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180174200A KR102184493B1 (ko) 2018-12-07 2018-12-31 Ai 기반의 얼굴인식 시스템

Country Status (1)

Country Link
KR (1) KR102184493B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215179A (zh) * 2020-10-19 2021-01-12 平安国际智慧城市科技股份有限公司 车内人脸识别方法、设备、装置及存储介质
KR102500252B1 (ko) * 2022-01-20 2023-02-17 (주)에이아이매틱스 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템
KR102517968B1 (ko) * 2022-09-06 2023-04-04 주식회사 비브스튜디오스 신경망 모델을 이용한 이미지 특징 추출 방법
CN117437522A (zh) * 2023-12-19 2024-01-23 福建拓尔通软件有限公司 一种人脸识别模型训练方法、人脸识别方法及装置
CN112215179B (zh) * 2020-10-19 2024-04-19 平安国际智慧城市科技股份有限公司 车内人脸识别方法、设备、装置及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008225813A (ja) * 2007-03-13 2008-09-25 National Institute Of Advanced Industrial & Technology Ｗｅｂブラウザ上で動作する顔認識方法及びそのプログラム
JP2014137719A (ja) * 2013-01-17 2014-07-28 Ntt Communications Corp 特徴点出力装置、特徴点出力プログラム、特徴点出力方法、検索装置、検索プログラムおよび検索方法
KR20140127478A (ko) * 2013-04-25 2014-11-04 주식회사 슈프리마 분산형 생체 인식 서비스 제공 방법
KR20160073427A (ko) * 2013-11-30 2016-06-24 베이징 센스타임 테크놀로지 디벨롭먼트 컴퍼니 리미티드 얼굴 이미지들의 데이터로부터 얼굴 특징들을 추출하는 방법 및 시스템
KR20170000748A (ko) * 2015-06-24 2017-01-03 삼성전자주식회사 얼굴 인식 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008225813A (ja) * 2007-03-13 2008-09-25 National Institute Of Advanced Industrial & Technology Ｗｅｂブラウザ上で動作する顔認識方法及びそのプログラム
JP2014137719A (ja) * 2013-01-17 2014-07-28 Ntt Communications Corp 特徴点出力装置、特徴点出力プログラム、特徴点出力方法、検索装置、検索プログラムおよび検索方法
KR20140127478A (ko) * 2013-04-25 2014-11-04 주식회사 슈프리마 분산형 생체 인식 서비스 제공 방법
KR20160073427A (ko) * 2013-11-30 2016-06-24 베이징 센스타임 테크놀로지 디벨롭먼트 컴퍼니 리미티드 얼굴 이미지들의 데이터로부터 얼굴 특징들을 추출하는 방법 및 시스템
KR20170000748A (ko) * 2015-06-24 2017-01-03 삼성전자주식회사 얼굴 인식 방법 및 장치

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215179A (zh) * 2020-10-19 2021-01-12 平安国际智慧城市科技股份有限公司 车内人脸识别方法、设备、装置及存储介质
CN112215179B (zh) * 2020-10-19 2024-04-19 平安国际智慧城市科技股份有限公司 车内人脸识别方法、设备、装置及存储介质
KR102500252B1 (ko) * 2022-01-20 2023-02-17 (주)에이아이매틱스 얼굴 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템
KR102517968B1 (ko) * 2022-09-06 2023-04-04 주식회사 비브스튜디오스 신경망 모델을 이용한 이미지 특징 추출 방법
CN117437522A (zh) * 2023-12-19 2024-01-23 福建拓尔通软件有限公司 一种人脸识别模型训练方法、人脸识别方法及装置

Also Published As

Publication number Publication date
KR102184493B1 (ko) 2020-11-30

Similar Documents

Publication Publication Date Title
KR102137329B1 (ko) 딥러닝 기반의 얼굴인식모델을 이용하여 특징벡터를 추출하는 얼굴인식시스템
JP7142778B2 (ja) アイデンティティ検証方法並びにその、装置、コンピュータプログラムおよびコンピュータ機器
KR102161359B1 (ko) 딥러닝 기반의 얼굴이미지 추출장치
US11443559B2 (en) Facial liveness detection with a mobile device
KR102294574B1 (ko) 딥러닝 기반의 얼굴인식모델을 이용하여 실물이미지를 판단할 수 있는 안면인식시스템
WO2021232832A1 (zh) 数据处理方法、联邦学习的训练方法及相关装置、设备
KR102184490B1 (ko) 얼굴인식용 에지 디바이스
WO2022033220A1 (zh) 人脸活体检测方法、系统、装置、计算机设备和存储介质
CN106030654A (zh) 面部认证系统
KR102184493B1 (ko) Ai 기반의 얼굴인식 시스템
KR102308122B1 (ko) 인증결과를 활용한 안면인식서버 및 안면인식시스템
EP3655874B1 (en) Method and electronic device for authenticating a user
CN111967033A (zh) 基于人脸识别的图片加密方法、装置、终端及存储介质
US20220327189A1 (en) Personalized biometric anti-spoofing protection using machine learning and enrollment data
KR102546327B1 (ko) 클러스터링 기법을 이용하여 얼굴이미지를 비교하는 에지 디바이스 및 이를 포함한 얼굴인증 시스템
KR102137328B1 (ko) 오차감소 알고리즘을 이용하여 얼굴인식모델을 트레이닝시키는 얼굴인식시스템
KR102312152B1 (ko) 시공간 환경 변화에 따른 안면인식을 위한 안면인식서버 및 안면인식 시스템
KR20220043905A (ko) 주파수 성분을 이용하여 얼굴인식모델을 학습시키는 얼굴인식 시스템
JP6222692B2 (ja) 機密生体サーバー認証
US20220383663A1 (en) Method for obtaining data from an image of an object of a user that has a biometric characteristic of the user
KR20220043842A (ko) 마스크 착용 얼굴인식용 에지 디바이스 및 마스크 착용 얼굴인식 시스템
CN113518061A (zh) 人脸识别中的数据传输方法、设备、装置、系统及介质
CN113537993B (zh) 一种基于脸部支付的数据检测方法及装置
Nambiar et al. The Use of Privacy-Preserving Techniques in Edge-Cloud Computing: A Study of Alternative Approaches to Face Recognition
SUNITHA SECURE IMAGE DATA SHARING BASED ON BLOCKCHAIN AND CLOUD SECURITY

Legal Events

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