KR20200127818A

KR20200127818A - 라이브니스 검사 방법 및 장치, 얼굴 인증 방법 및 장치

Info

Publication number: KR20200127818A
Application number: KR1020190105867A
Authority: KR
Inventors: 이한아; 이솔애; 고민수; 백지원; 한승주
Original assignee: 삼성전자주식회사
Priority date: 2019-05-02
Filing date: 2019-08-28
Publication date: 2020-11-11
Also published as: KR102570071B1

Abstract

라이브니스 검사 방법 및 장치, 얼굴 인증 방법 및 장치가 개시된다. 라이브니스 검사 방법은 입력 영상에서 얼굴 영역을 검출하는 단계, 얼굴 영역의 특성치를 측정하는 단계, 측정된 특성치가 조건을 만족시키지 않는 경우, 얼굴 영역의 특성치를 조정하는 단계 및 특성치가 조정된 얼굴 영역에 기초하여 라이브니스 검사를 수행하는 단계를 포함할 수 있다.

Description

라이브니스 검사 방법 및 장치, 얼굴 인증 방법 및 장치{LIVENESS TEST METHOD AND LIVENESS TEST APPARATUS, BIOMETRICS AUTHENTICATION METHOD AND FACE AUTHENTICATION APPARATUS}

아래의 실시예들은 라이브니스 검사 및 얼굴 인증 기술에 관한 것이다.

사용자 인증 시스템(user verification system)에서 컴퓨팅 장치는 사용자에 의해 제공되는 인증 정보에 기초하여 해당 컴퓨팅 장치에 대한 액세스를 허용할지 여부를 결정할 수 있다. 인증 정보는 사용자에 의해 입력되는 패스워드 또는 사용자의 생체 정보(biometric information) 등을 포함할 수 있다. 생체 정보는 지문(fingerprint), 홍채(iris) 또는 얼굴에 대한 정보를 포함한다.

최근, 사용자 인증 시스템을 위한 보안 방법으로서, 얼굴 스푸핑 방지(face anti-spoofing) 기술에 대한 관심이 증가하고 있다. 얼굴 스푸핑 방지는 컴퓨팅 장치에 입력된 사용자의 얼굴이 위조 얼굴(fake face)인지 아니면 진짜 얼굴(genuine face)인지 여부를 구별한다. 이를 위해, 입력 영상에서 LBP(Local Binary Patterns), HOG(Histogram of Oriented Gradients), DoG(Difference of Gaussians) 등과 같은 특징들(features)이 추출되고, 추출된 특징들에 기반하여 입력된 얼굴이 위조 얼굴인지 여부가 판정된다. 얼굴 스푸핑은 사진, 동영상 또는 마스크 등을 이용하는 공격 형태를 가지며, 얼굴 인증에 있어 이러한 공격들을 구별해 내는 것은 중요하다.

일 실시예에 따른 라이브니스 검사 방법은, 입력 영상에서 얼굴 영역을 검출하는 단계; 상기 얼굴 영역의 특성치를 측정하는 단계; 상기 측정된 특성치가 조건을 만족시키지 않는 경우, 상기 얼굴 영역의 특성치를 조정하는 단계; 및 상기 특성치가 조정된 얼굴 영역에 기초하여 라이브니스 검사를 수행하는 단계를 포함할 수 있다.

상기 얼굴 영역의 특성치를 측정하는 단계는, 상기 얼굴 영역의 색조를 측정하는 단계를 포함할 수 있다.

상기 얼굴 영역의 특성치를 조정하는 단계는, 상기 측정된 얼굴 영역의 색조가 미리 설정된 범위에 포함되지 않는 경우, 상기 얼굴 영역의 색조를 상기 미리 설정된 범위 내에 포함되는 색조로 보정하는 단계를 포함할 수 있다.

상기 얼굴 영역의 특성치를 측정하는 단계는, 상기 얼굴 영역에 나타난 얼굴이 기울어진 정도를 나타내는 얼굴 기울기를 측정하는 단계를 포함할 수 있다.

상기 얼굴 기울기를 측정하는 단계는, 상기 얼굴 영역에서, 좌안, 우안 및 양쪽 입꼬리에 대응하는 특징점들을 검출하는 단계; 및 상기 검출된 특징점들에 기초하여 상기 얼굴 기울기를 측정하는 단계를 포함할 수 있다.

상기 얼굴 영역의 특성치를 조정하는 단계는, 상기 측정된 얼굴 기울기가 미리 설정된 범위에 포함되지 않는 경우, 상기 얼굴 기울기를 보정하는 단계를 포함할 수 있다.

상기 얼굴 영역의 특성치를 조정하는 단계는, 상기 측정된 얼굴 영역의 화이트 밸런스가 미리 설정된 범위에 포함되지 않는 경우, 상기 얼굴 영역의 화이트 밸런스를 보정하는 단계를 포함할 수 있다.

일 실시예에 따른 라이브니스 검사 방법은, 상기 측정된 특성치가 상기 조건을 만족시키는 경우, 상기 특성치의 조정 없이 상기 검출된 얼굴 영역에 기초하여 라이브니스 검사를 수행하는 단계를 더 포함할 수 있다.

상기 라이브니스 검사를 수행하는 단계는, 뉴럴 네트워크 기반의 라이브니스 검사 모델을 이용하여 상기 라이브니스 검사를 수행하는 단계를 포함할 수 있다.

일 실시예에 따른 각각 영상 특징 값을 가지는 복수의 얼굴 영상들로 학습된 뉴럴 네트워크를 이용하는 얼굴 인증 방법은, 입력 영상에서 얼굴 영역에 대한 현재 얼굴 영상을 추출하는 단계; 상기 현재 얼굴 영상의 현재 영상 특징 값을 계산하는 단계; 상기 현재 영상 특징 값을, 상기 뉴럴 네트워크의 학습에 사용된 상기 복수의 얼굴 영상들의 영상 특징 값들이 가지는 범위와 비교하는 단계; 상기 현재 영상 특징 값이 상기 범위를 벗어나는 경우, 상기 현재 얼굴 영상의 영상 특징 값이 상기 범위에 포함되도록 상기 현재 얼굴 영상을 조정하는 단계; 및 상기 조정된 현재 얼굴 영상을 상기 뉴럴 네트워크에 입력시키는 단계를 포함할 수 있다.

상기 범위는, 상기 뉴럴 네트워크의 학습에 사용된 상기 복수의 얼굴 영상들의 영상 특징 값들 중 최소 영상 특징 값과 최대 영상 특징 값에 기초하여 결정되는 절대적 범위일 수 있다.

상기 범위는, 상기 뉴럴 네트워크의 학습에 사용된 상기 복수의 얼굴 영상들의 영상 특징 값들의 분포 특징에 기초하여 결정되는 통계적 범위이고, 상기 분포 특징은, 상기 영상 특징 값들의 평균과 표준편차를 포함할 수 있다.

상기 뉴럴 네트워크는, 상기 입력 영상에 나타난 얼굴 객체의 라이브니스를 검사하는데 이용되는 뉴럴 네트워크일 수 있다.

상기 뉴럴 네트워크는, 상기 입력 영상에 나타난 얼굴 객체를 인증하는데 이용되는 뉴럴 네트워크일 수 있다.

상기 현재 영상 특징 값을 계산하는 단계는, 상기 현재 얼굴 영상의 색조 값을 계산하는 단계를 포함하고, 상기 현재 얼굴 영상을 조정하는 단계는, 상기 색조 값이 상기 범위를 벗어나는 경우, 상기 현재 얼굴 영상의 색조 값이 상기 범위 내에 포함되도록 상기 현재 얼굴 영상의 색조 값을 보정하는 단계를 포함할 수 있다.

상기 현재 영상 특징 값을 계산하는 단계는, 상기 현재 얼굴 영상에 나타난 얼굴이 기울어진 정도를 나타내는 얼굴 기울기를 계산하는 단계를 포함하고, 상기 현재 얼굴 영상을 조정하는 단계는, 상기 얼굴 기울기가 상기 범위를 벗어나는 경우, 상기 얼굴 기울기가 상기 범위에 포함되도록 상기 현재 얼굴 영상의 얼굴 영역을 회전시키는 단계를 포함할 수 있다.

상기 현재 영상 특징 값을 계산하는 단계는, 상기 현재 얼굴 영상에 나타난 얼굴 영역의 화이트 밸런스를 계산하는 단계를 포함하고, 상기 현재 얼굴 영상을 조정하는 단계는, 상기 화이트 밸런스가 상기 범위를 벗어나는 경우, 상기 화이트 밸런스가 상기 범위에 포함되도록 상기 현재 얼굴 영상의 화이트 밸런스를 보정하는 단계를 포함할 수 있다.

일 실시예에 따른 장치는, 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는, 입력 영상에서 얼굴 영역을 검출하고, 상기 얼굴 영역의 특성치를 측정하고, 상기 측정된 특성치가 조건을 만족시키지 않는 경우, 상기 얼굴 영역의 특성치를 조정하고, 상기 특성치가 조정된 얼굴 영역에 기초하여 라이브니스 검사를 수행할 수 있다.

상기 하나 이상의 프로세서는, 상기 얼굴 영역의 색조를 측정하고, 상기 측정된 얼굴 영역의 색조가 미리 설정된 범위에 포함되지 않는 경우, 상기 얼굴 영역의 색조를 상기 미리 설정된 범위 내에 포함되는 색조로 보정할 수 있다.

상기 하나 이상의 프로세서는, 상기 얼굴 영역에 나타난 얼굴이 기울어진 정도를 나타내는 얼굴 기울기를 측정하고, 상기 측정된 얼굴 기울기가 미리 설정된 범위에 포함되지 않는 경우, 상기 얼굴 기울기를 보정할 수 있다.

상기 하나 이상의 프로세서는, 상기 얼굴 영역의 화이트 밸런스를 측정하고, 상기 측정된 얼굴 영역의 화이트 밸런스가 미리 설정된 범위에 포함되지 않는 경우, 상기 얼굴 영역의 화이트 밸런스를 보정할 수 있다.

상기 하나 이상의 프로세서는, 상기 측정된 특성치가 상기 조건을 만족시키는 경우, 상기 특성치의 조정 없이 상기 검출된 얼굴 영역에 기초하여 라이브니스 검사를 수행할 수 있다.

일 실시예에 따른 각각 영상 특징 값을 가지는 복수의 얼굴 영상들로 학습된 뉴럴 네트워크를 이용하는 장치는, 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는, 입력 영상에서 얼굴 영역에 대한 현재 얼굴 영상을 추출하고, 상기 현재 얼굴 영상의 현재 영상 특징 값을 계산하고, 상기 현재 영상 특징 값을, 상기 뉴럴 네트워크의 학습에 사용된 상기 복수의 얼굴 영상들의 영상 특징 값들이 가지는 범위와 비교하고, 상기 현재 영상 특징 값이 상기 범위를 벗어나는 경우, 상기 현재 얼굴 영상의 영상 특징 값이 상기 범위에 포함되도록 상기 현재 얼굴 영상을 조정하고, 상기 조정된 현재 얼굴 영상을 상기 뉴럴 네트워크에 입력시킬 수 있다.

도 1 및 도 2는 일실시예에 따른 얼굴 인증 및 라이브니스 검사를 설명하기 위한 도면들이다.
도 3은 일 실시예에 따른 라이브니스 검사 방법의 동작을 설명하기 위한 흐름도이다.
도 4는 일 실시예에 따른 얼굴 인증 방법의 동작을 설명하기 위한 흐름도이다.
도 5는 일 실시예에 따른 얼굴 인증 장치의 동작을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 절대적 범위와 통계적 범위의 일례를 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 색조를 조정하는 전처리 과정의 일례를 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 얼굴 기울기를 조정하는 전처리 과정의 일례를 설명하기 위한 도면이다.
도 9a 및 도 9b는 일 실시예에 따른 라이브니스 검사 방법의 일례를 설명하기 위한 도면들이다.
도 10은 일 실시예에 따른 얼굴 인증 장치의 구성을 도시한 도면이다.
도 11은 일 실시예에 따른 전자 장치의 구성을 도시하는 도면이다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 또한, 어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

단수의 표현은 달리 명시되지 않는 한 일반적으로 "하나 이상의"를 의미하는 것으로 해석되어야 한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.

도 1 및 도 2는 일실시예에 따른 얼굴 인증 및 라이브니스 검사를 설명하기 위한 도면이다.

생체 인증(biometrics)은 사용자 인증(user verification)을 위한 인증 기술들 중 지문, 홍채, 얼굴, 정맥, 피부 등의 개인 생체 정보를 이용하는 인증 기술이다. 생체 인증에서 얼굴 인증은(face verification)은 인증을 시도한 사용자의 얼굴 정보에 기초하여 해당 사용자가 유효한(valid) 사용자인지 여부를 판단하는 인증 방법이다. 얼굴 인증은 사용자 로그인, 결제 서비스 및 출입 통제 등에서 유효한 사용자를 인증하는데 이용될 수 있다.

도 1을 참조하면, 일 실시예에서 전자 장치(120)는 얼굴 인증을 통해 전자 장치(120)에 액세스하려는 사용자(110)에 대한 인증 과정을 수행할 수 있다. 예를 들어, 사용자(110)가 전자 장치(120)의 잠금 상태를 해제하고자 전자 장치(120)에 얼굴 인증을 시도하는 경우, 전자 장치(120)는 카메라(130)와 같은 이미지 센서 또는 영상 획득 장치를 이용하여 사용자(110)의 얼굴 영상을 획득하고, 획득된 얼굴 영상을 분석하여 전자 장치(100)의 잠금 상태를 해제할지 여부를 결정할 수 있다. 일 실시예에 따른 얼굴 영상을 분석하는 과정은 얼굴 영상에서 얼굴 영역을 검출하고, 특징 추출기를 이용하여 얼굴 영역에서 특징을 추출하는 과정을 포함한다. 추출된 특징은 유효한(valid) 사용자에 대한 등록 특징과 비교되고, 그 비교 결과에 기초하여 얼굴 인증의 성공 여부가 결정될 수 있다. 얼굴 인증이 성공한 것으로 결정된 경우, 사용자(110)는 전자 장치(120)의 잠금 모드를 성공적으로 해제시킬 수 있다. 반대로, 얼굴 인증이 실패한 것으로 결정된 경우, 전자 장치(120)는 계속적으로 잠금 모드에서 동작하게 된다. 다른 예로, 사용자(110)가 전자 장치(120)를 결제 서비스를 수행하고자 전자 장치(120)에 얼굴 인증을 수행하는 경우, 전자 장치(120)는 사용자(110)의 얼굴 영상을 획득하고, 얼굴 영상의 분석 결과로서 사용자(110)가 유효한 사용자로 인식된 경우에는 결제 요청을 승인하고, 그 외의 경우에는 결제 요청을 거부할 수 있다.

일 실시예에서, 유효한 사용자는 얼굴 등록 과정을 통해 자신의 얼굴을 전자 장치(120)에 미리 등록할 수 있고, 전자 장치(120)는 저장 장치 또는 클라우드 저장매체(cloud storage)에 해당 유효한 사용자를 식별하기 위한 정보를 저장할 수 있다. 예를 들어, 유효한 사용자의 얼굴 영상 또는 해당 얼굴 영상으로부터 추출된 얼굴 특징이 유효한 사용자의 등록 정보로서 저장될 수 있다.

일 실시예에 따르면, 위 얼굴 인증과 같은 생체 인증 과정에서 라이브니스 검사(liveness test)가 수행될 수 있다. 생체 인증 결과가 결정되기 이전 또는 이후에 라이브니스 검사가 수행될 수 있다. 또는, 생체 인증 과정과 라이브니스 검사 과정은 함께 수행될 수도 있다. 라이브니스 검사는 검사 대상(test subject)인 객체가 살아있는 객체인지 여부를 검사하는 것으로, 인증 수단의 진위 여부를 판단하기 위한 것이다. 예를 들어, 라이브니스 검사는 카메라(130)에 의해 촬영된 영상에 나타난 얼굴이 사람의 진짜 얼굴(genuine face)인지 아니면 가짜 얼굴(fake face)인지 여부를 검사하는 것이다. 라이브니스 검사는 살아있지 않은 객체(예를 들어, 위조 수단으로서 사용된 사진, 종이, 동영상 및 모형 등)와 살아있는 객체(예를 들어, 사람의 진짜 얼굴 등) 사이를 구별하는데 이용된다.

도 2는 일실시예에 따른 가짜 얼굴(210)과 진짜 얼굴(220)의 예시를 도시한다. 전자 장치(120)는 라이브니스 검사를 통해 진짜 사용자 얼굴이 촬영된 검사 대상 영상에서 진짜 얼굴(220)을 식별할 수 있다. 또한, 전자 장치(120)는 라이브니스 검사를 통해 스마트폰 스크린이나 PC 스크린에 디스플레이된 사용자 얼굴, 사진에 나타난 사용자 얼굴, 종이에 프린팅된 사용자 얼굴, 사용자 얼굴을 모델링한 모형 등이 촬영된 검사 대상 영상에서 가짜 얼굴(210)을 구분할 수 있다.

유효하지 않은 사용자는 위조 기술(spoofing techniques)을 이용하여 사용자 인증 시스템의 오인증(false acceptance)을 유발하기 위한 시도를 수행할 수 있다. 예를 들어, 얼굴 인증에서, 유효하지 않은 사용자는 오인증을 유발하기 위해 유효한 사용자의 얼굴이 나타난 컬러 사진, 동영상 또는 유효한 사용자의 얼굴 형상을 묘사한 모형을 카메라(130)에 제시할 수 있다. 라이브니스 검사는 이러한 사진, 동영상, 마스크 또는 모형과 같은 대체물을 이용한 인증 시도(다시 말해, 스푸핑 공격)를 걸러내어 오인증을 방지하는 역할을 한다. 라이브니스 검사 결과, 인증 대상이 살아있지 않은 객체로 결정된 경우, 등록된 대상과 비교하여 일치 여부를 판단하는 사용자 인증 단계로 넘어가지 않거나 또는 사용자 인증의 결과와 관계 없이 최종적으로 사용자 인증이 실패한 것으로 결정될 수 있다.

도 1로 돌아오면, 전자 장치(120)는 실시예에 따라 라이브니스 검사 및 생체 인증 중 어느 하나만 수행하거나, 또는 라이브니스 검사 및 생체 인증을 모두 수행할 수 있다. 전자 장치(120)는 예를 들어, 스마트폰, 웨어러블 기기(wearable device), 태블릿 컴퓨터, 넷북, 랩탑, 데스크탑, PDA(personal digital assistant), 셋탑 박스, 가전 기기, 생체 도어락, 보안 장치 또는 차량 시동 장치 등일 수 있다.

일 실시예에 따른 라이브니스 검사 과정에서, 전자 장치(120)는 카메라(130)에 의해 캡쳐된 영상에 나타난 다양한 요소들을 종합적으로 고려할 수 있다. 예를 들어, 전자 장치(120)는 캡쳐된 영상에 나타난 전체 얼굴의 형상(shape) 정보, 부분 얼굴의 텍스쳐(texture) 정보 및 컨텍스트(context) 정보 중 적어도 하나를 고려하여 검사 대상인 객체가 살아있는지 여부를 결정할 수 있다. 객체가 원거리에 있을 때 촬영된 영상에는 객체가 디스플레이 장치의 화면인지 또는 종이인지 여부에 대한 단서가 포함될 수 있다. 예를 들어, 디스플레이 장치 또는 종이를 들고 있는 사용자의 손이 영상에 나타날 수 있고, 이는 객체가 가짜인 것이라고 판단할 수 있는 단서가 된다. 컨텍스트 정보를 고려함으로써 이러한 위조 시도 상황을 효과적으로 검사할 수 있다. 또한, 전체 얼굴의 형상 정보를 통해, 빛의 반사 및 형상의 왜곡 등이 라이브니스 검사 결과에 고려될 수 있다. 예를 들어, 위조 수단 중 하나인 사진 또는 종이의 빛 반사는 사람의 진짜 얼굴과 다르고, 사진 또는 종이의 휘어짐 또는 구김으로 인하여 모양의 왜곡이 발생할 수 있다. 이러한 요소를 고려하여 라이브니스 검사가 수행될 수 있다. 그리고, 텍스쳐 정보를 통해, 사람의 피부와 종이/디스플레이 장치의 화면 사이를 구분할 수 있는 미세한 텍스쳐의 차이가 고려될 수 있다. 이를 통해, 전자 장치(120)는 다양한 레벨들의 라이브니스 판단 요소들을 종합적으로 고려함으로써 라이브니스 검사의 정확도를 향상시키고, 라이브니스 검사를 강인하게 수행할 수 있다.

위와 같은 라이브니스 검사 과정이나 얼굴 인증 과정에서 뉴럴 네트워크(neural network)가 이용될 수 있다. 뉴럴 네트워크가 라이브니스 검사 과정에서 이용되는 경우, 뉴럴 네트워크는 입력된 데이터에 기반하여 검사 대상이 진짜 얼굴 또는 가짜 얼굴에 해당할 수치, 확률 값 또는 특징 값을 나타내는 라이브니스 스코어를 제공할 수 있다. 뉴럴 네트워크가 얼굴 인증 과정에서 이용되는 경우, 뉴럴 네트워크는 입력된 데이터에 기반하여 특징 값을 제공할 수 있다.

위와 같은 뉴럴 네트워크는 학습(training) 과정을 통해 뉴럴 네트워크를 형성할 파라미터들이 결정될 수 있다. 학습 과정에서는, 많은 수의 학습 데이터와 각 학습 데이터에 대응되는 바람직한 목적 값(desired value)이 존재한다. 학습 과정에서, 뉴럴 네트워크는 학습 데이터를 입력 받고, 파라미터들에 기초한 계산 과정을 통해 학습 데이터에 대응하는 결과 값을 출력한다. 출력된 결과 값과 목적 값 간의 차이로 인한 손실(loss)이 계산되고, 해당 손실이 줄어들도록 뉴럴 네트워크를 구성하는 파라미터들을 조정하는 것에 의해 뉴럴 네트워크가 학습될 수 있다. 많은 수의 학습 데이터 각각에 대해 이와 같은 과정을 반복적으로 수행함으로써 뉴럴 네트워크의 파라미터들은 점차 바람직한 방향으로 조정될 수 있다.

학습 과정에서는, 일반적으로 뉴럴 네트워크가 다양한 케이스를 학습하도록 학습 데이터를 다양하게 구성하지만, 학습 데이터를 통해 모든 케이스(case)를 다루기에는 한계가 존재할 수 밖에 없다. 이에 따라, 실제로 라이브니스 검사나 얼굴 인증에서는 학습 과정에서 학습되지 않은 케이스 및 드물게 학습된 케이스(이하, '코너 케이스(corner case)'라 지칭함)를 처리해야 할 경우가 발생할 수 있다. 이러한 경우, 해당 코너 케이스에 대한 학습이 충분히 진행되지 않았기 때문에, 코너 케이스에 대한 처리 결과의 정확도는 낮을 수 있다.

또한, 코너 케이스에 해당하는 학습 데이터는 일반적인 케이스에 해당하는 학습 데이터에 비해 상대적으로 그 수가 적으며, 경우에 따라 코너 케이스에 해당하는 학습 데이터로 학습을 진행하는 경우 뉴럴 네트워크의 성능이 저하되는 문제가 발생할 수도 있다. 코너 케이스에 해당하는 학습 데이터까지 실제 학습 과정에서 이용하는 경우, 학습 데이터의 데이터 변동(data variation)이 커져서 뉴럴 네트워크가 목적하는 결과 값을 출력하도록 학습시키는 것이 어려워질 수 있다.

이하에서 설명할 실시예들에 따르면, 위와 같은 코너 케이스에 대해 라이브니스 검사 또는 얼굴 인증이 수행되더라도, 코너 케이스의 타입에 대응하는 전처리 과정을 통해 코너 케이스를 뉴럴 네트워크의 학습 과정에서 많이 학습된 케이스로 변환하는 과정을 수행함으로써, 코너 케이스에 강인하게 라이브니스 검사 및 얼굴 인증을 수행할 수 있고, 코너 케이스에 대한 처리 결과의 정확도를 개선시킬 수 있다.

도 3은 일 실시예에 따른 라이브니스 검사 방법의 동작을 설명하기 위한 흐름도이다. 라이브니스 검사 방법은 얼굴 인증 장치에 의해 수행될 수 있다.

도 3을 참조하면, 단계(310)에서 얼굴 인증 장치는 입력 영상에서 얼굴 영역을 검출한다. 입력 영상은 얼굴 인증 장치에 입력되는 영상으로, 라이브니스 검사의 대상이 되는 영상이다. 입력 영상은 예를 들어, 디지털 스틸 카메라, 비디오 카메라와 같은 영상 획득 장치에 의해 획득될 수 있다. 영상 획득 장치는 얼굴 인증 장치에 포함되거나 또는 얼굴 인증 장치의 외부에 존재할 수 있다.

일 실시예에서, 얼굴 인증 장치는 입력 영상에서 얼굴 영역 검출을 위한 뉴럴 네트워크, Haar 기반의 캐스케이드 에이다부스트 분류기(Haar-based cascade adaboost classifier), 또는 Viola-Jones 검출기 등을 이용하여 얼굴 영역을 검출할 수 있다. 다만, 실시예의 범위가 이에 한정되는 것은 아니고, 얼굴 인증 장치는 다양한 얼굴 영역 검출 기법을 이용하여 입력 영상에서 얼굴 영역을 검출할 수 있다. 예를 들어, 얼굴 인증 장치는 입력 영상에서 얼굴의 랜드마크들(facial landmarks)을 검출하고, 검출된 랜드마크들을 포함하는 바운딩(bounding) 영역을 얼굴 영역으로서 검출할 수도 있다.

단계(320)에서, 얼굴 인증 장치는 얼굴 영역의 특성치(characteristics)를 측정할 수 있다. 특성치는 얼굴 영역의 영상 특징이나 얼굴 영역에 나타난 얼굴 객체나 영상 관련 특징을 나타내는 값이다. 예를 들어, 얼굴 인증 장치는 얼굴 영역의 색조(hue), 얼굴 영역에 나타난 얼굴이 기울어진 정도를 나타내는 얼굴 기울기, 얼굴 영역의 화이트 밸런스(white balance), 명도, 감마(Gamma) 등의 특성치를 측정할 수 있다. 얼굴 인증 장치는 다양한 특성치들 중에서 하나 이상을 측정할 수 있다.

얼굴 영역의 색조, 화이트 밸런스, 명도, 감마 등의 특성치는 영상의 화질을 평가하는 영상 화질 평가 기법 등을 이용하여 측정될 수 있다.

얼굴 기울기의 경우, 얼굴 인증 장치는 얼굴 영역에서, 좌안, 우안 및 양쪽 입꼬리에 대응하는 특징점들을 검출하고, 검출된 특징점들에 기초하여 얼굴 기울기를 측정할 수 있다. 일 실시예에서, 얼굴 인증 장치는 좌안 및 우안의 특징점들 사이의 제1 중간점과 양쪽 입꼬리에 대응하는 특징점 사이의 제2 중간점을 지나는 직선과 기준선(예를 들어, 수직선 또는 수평선)이 이루는 각도를 기초로 얼굴 기울기를 측정할 수 있다.

단계(330)에서, 얼굴 인증 장치는 측정된 특성치가 조건을 만족시키는지 여부를 판단한다. 일 실시예에서, 얼굴 인증 장치는 입력 영상의 얼굴 영역에 대해 계산된 특성치가 뉴럴 네트워크 기반의 라이브니스 검사 모델의 학습에 이용된 얼굴 영상들의 특성치 범위에 포함되는지 여부를 판단할 수 있다. 학습에 이용된 얼굴 영상들은 각각 대응되는 특성치(또는 특징 값)을 가지고, 해당 얼굴 영상들의 특성치들에 기초하여 특성치 범위가 결정될 수 있다. 특성치 범위는 얼굴 영상들의 영상 특징 값들 중 최소 영상 특징 값과 최대 영상 특징 값 사이의 범위로 정의되는 절대적 범위이거나, 또는 얼굴 영상들의 영상 특징 값들의 분포 특징(예를 들어, 평균과 표준편차)에 의해 결정되는 통계적 범위일 수 있다. 통계적 범위의 경우, 정의되는 기준에 따라 절대적 범위보다 넓거나 좁을 수 있다. 예를 들어, 통계적 범위는 얼굴 영상들의 특성치들의 평균을 중심으로 양쪽으로 N(자연수) 표준편차의 범위를 가질 수 있고, N의 크기에 따라 통계적 범위는 절대적 범위보다 좁을 수 있고, 넓을 수도 있다.

일 실시예에서, 특성치가 얼굴 영역의 색조인 경우, 얼굴 인증 장치는 색조의 R(red), G(green), B(blue) 요소들 중 하나 이상이 미리 설정된 범위에 포함되는지 여부를 판단한다. 특성치가 얼굴 기울기인 경우, 얼굴 인증 장치는 얼굴 기울기가 미리 설정된 얼굴 기울기 범위 내에 포함되는지 여부를 판단한다. 특성치가 화이트 밸런스, 명도 또는 감마인 경우, 얼굴 인증 장치는 해당 특성치가 미리 설정된 범위 내에 포함되는지 여부를 판단한다. 위 조건은 라이브니스 검사 이전에 설정된 조건일 수 있고, 실시예에 따라 해당 조건은 중간에 변경될 수도 있다.

얼굴 영역의 특성치가 조건을 만족시키지 않는 경우, 단계(340)에서, 얼굴 인증 장치는 얼굴 영역의 특성치를 조정한다. 일 실시예에서, 얼굴 인증 장치는 입력 영상의 얼굴 영역에 대해 측정되는 특성치가 라이브니스 검사 모델의 학습에 이용된 얼굴 영상들의 특성치 범위에 포함되도록, 얼굴 영역의 특성치를 조정할 수 있다. 여기서, 특성치 범위는 절대적 범위 또는 통계적 범위일 수 있다. 얼굴 영역의 특성치가 해당 특성치 범위에 포함되지 않는다는 것은, 현재 라이브니스 검사 대상인 입력 영상이 코너 케이스에 해당하는 것을 의미할 수 있다. 이러한 경우에, 얼굴 인증 장치는 입력 영상의 얼굴 영역의 특성치가 학습에 이용된 얼굴 영상들의 특성치 범위에 포함되도록 얼굴 영역에 전처리를 수행함으로써, 라이브니스 검사 결과의 정확도를 높일 수 있다.

일 실시예에서, 측정된 얼굴 영역의 색조가 미리 설정된 범위에 포함되지 않는 경우, 얼굴 인증 장치는 얼굴 영역의 색조를 미리 설정된 범위 내에 포함되는 색조로 보정할 수 있다. 얼굴 인증 장치는 얼굴 영역에 색조 보정 모델을 적용하는 것에 의해 얼굴 영역의 색조를 보정할 수 있다. 색조 보정 모델은, 예를 들어 얼굴 영역의 색조를 학습 영상들이 가지는 평균 색조로 변환하는 기능을 수행할 수 있다. 색조 보정을 통해, 얼굴 영역의 색 분포(RGB 성분의 분포)가 학습 영상들의 색 분포와 유사하게 변할 수 있다.

다른 예로, 측정된 얼굴 기울기가 미리 설정된 범위에 포함되지 않는 경우, 얼굴 인증 장치는 얼굴 기울기를 보정할 수 있다. 얼굴 인증 장치는 측정된 얼굴 기울기에 기초하여 입력 영상의 얼굴 영역을 회전시키는 것에 의해 얼굴 기울기를 보정할 수 있다. 얼굴 인증 장치는 얼굴 기울기가 미리 설정된 범위 내에 포함되도록 얼굴 영역을 특정한 각도만큼 회전시킬 수 있다.

또 다른 예로, 측정된 얼굴 영역의 화이트 밸런스, 명도 및/또는 감마가 미리 설정된 범위에 포함되지 않는 경우, 얼굴 인증 장치는 얼굴 영역의 화이트 밸런스, 명도 및/또는 감마가 미리 설정된 범위 내에 포함되도록 얼굴 영역의 화이트 밸런스, 명도 및/또는 감마를 보정할 수 있다.

단계(340)에서 특성치가 조정된 경우, 단계(350)에서 얼굴 인증 장치는 특성치가 조정된 얼굴 영역에 기초하여 라이브니스 검사를 수행할 수 있다. 단계(330)에서 얼굴 영역의 특성치가 해당 조건을 만족시키는 것으로 판단된 경우, 얼굴 인증 장치는 특성치를 조정하는 과정을 수행하지 않고, 단계(310)에서 검출된 얼굴 영역에 기초하여 라이브니스 검사를 수행할 수 있다.

위 실시예들에서 설명된 라이브니스 검사 모델은, 예를 들어 입력 데이터에 기초하여 내부 파라미터들에 의해 계산된 값을 출력하는 뉴럴 네트워크일 수 있다. 라이브니스 검사 모델은 입력된 데이터에 기반하여 검사 대상인 얼굴 객체가 진짜 얼굴 또는 거짓 얼굴에 해당할 수치, 확률 값 또는 특징 값을 나타내는 라이브니스 값을 제공할 수 있다. 라이브니스 값은 객체의 라이브니스를 결정하는데 기준이 되는 값들이다. 라이브니스 검사 모델은, 예를 들어 깊은 컨볼루션 뉴럴 네트워크(Deep Convolutional Neural Network; DCNN) 모델에 기초할 수 있다. DCNN 모델은 컨볼루션 레이어(convolution layer), 풀링 레이어(pooling layer) 및 완전 연결 레이어(fully connected layer)를 포함하고, 각 레이어에 의해 수행되는 연산 과정을 통해 라이브니스 검사 모델에 입력되는 영상 정보로부터 라이브니스의 판단을 위한 정보를 제공할 수 있다. 여기서 영상 정보는, 영상에 포함된 픽셀들의 픽셀 값(예를 들어, 컬러 값 및/또는 밝기 값)이다. 위 DCNN 모델은 일 실시예에 불과하며, 라이브니스 검사 모델은 DCNN 모델 이외의 다른 구조의 뉴럴 네트워크 모델에 기초할 수도 있다.

일 실시예에서, 얼굴 인증 장치는 검출된 얼굴 영역에 대응하는 제1 영상에 기초하여 제1 라이브니스 값을 결정할 수 있다. 제1 영상의 영상 정보가 제1 라이브니스 검사 모델에 입력되고, 제1 라이브니스 검사 모델은 제1 영상의 영상 정보에 대응하는 제1 라이브니스 값을 출력한다. 제1 영상은 검출된 전체 얼굴 영역의 형상 정보를 포함하고, 제1 영상에 기초하여 결정된 제1 라이브니스 값은 위조 수단을 구별하는데 이용되는 빛 반사 및 모양의 왜곡 특성을 반영할 수 있다.

얼굴 인증 장치는 검출된 얼굴 영역의 부분 얼굴 영역에 대응하는 제2 영상에 기초하여 제2 라이브니스 값을 결정할 수 있다. 부분 얼굴은 검출된 얼굴 영역 내에서 보다 작은 영역을 추출하는 것에 의해 획득될 수 있다. 부분 얼굴 영역으로서 추출되는 영역은 검출된 얼굴 영역 내에서 랜덤하게 결정되거나 또는 검출된 얼굴 영역의 중심을 기준으로 미리 정해진 크기의 영역이 부분 얼굴 영역으로서 추출될 수 있다.

제2 영상의 영상 정보가 제2 라이브니스 검사 모델에 입력되고, 제2 라이브니스 검사 모델은 제2 영상의 영상 정보에 대응하는 제2 라이브니스 값을 출력한다. 제2 영상은 부분 얼굴 영역에 나타난 텍스쳐 정보를 포함하고, 제2 영상에 기초하여 결정된 제2 라이브니스 값은 위조 수단을 구별하는데 이용되는 미세한 텍스쳐 차이 특성을 반영할 수 있다.

얼굴 인증 장치는 입력 영상의 전체 영역에 대응하는 제3 영상에 기초하여 제3 라이브니스 값을 결정할 수 있다. 제3 영상에 대한 영상 정보가 제3 라이브니스 검사 모델에 입력되고, 제3 라이브니스 검사 모델은 입력 영상의 전체 영역에 대응하는 제3 라이브니스 값을 출력한다. 입력 영상에 기초하여 결정된 제3 라이브니스 값은 위조 수단을 구별하는데 이용되는 컨텍스트(context) 특성을 반영할 수 있다.

위 실시예들에서, 제1, 제2 및 제3 라이브니스 값들은 검사 대상의 라이브니스를 판단하는데 기준이 되는 값들이고, 제1, 제2 및 제3 라이브니스 값들은 각각 개별의 라이브니스 검사 모델들에 의해 결정될 수 있다. 또한, 위 실시예들에서, 얼굴 영역의 특성치가 조정된 경우, 특성치가 조정된 얼굴 영역이 반영된 제1, 제2 및 제3 영상 각각에 기초하여 제1, 제2 및 제3 라이브니스 값들이 결정된다.

다른 실시예에 따르면, 제1, 제2 및 제3 라이브니스 값들은 하나의 라이브니스 검사 모델에 의해 결정될 수도 있다. 예를 들어, 제1 영상의 영상 정보, 제2 영상의 영상 정보 및 입력 영상의 전체 영역에 대한 영상 정보가 단일 라이브니스 검사 모델에 입력되고, 단일 라이브니스 검사 모델의 하나 이상의 출력 레이어로부터 제1 라이브니스 값, 제2 라이브니스 값 및 제3 라이브니스 값이 출력될 수도 있다.

얼굴 인증 장치는 제1 라이브니스 값, 제2 라이브니스 값 및 제3 라이브니스 값에 기초하여 검사 대상의 라이브니스 여부를 결정한다. 일 실시예에 따르면, 얼굴 인증 장치는 제1 라이브니스 값, 제2 라이브니스 값 및 제3 라이브니스 값 모두에 기초하여 최종 라이브니스 값을 결정할 수 있다. 예를 들어, 얼굴 인증 장치는 1 라이브니스 값, 제2 라이브니스 값 및 제3 라이브니스 값의 합 또는 평균 값을 최종 라이브니스 값으로 결정할 수 있다. 다른 예로, 얼굴 인증 장치는 제1 라이브니스 값, 제2 라이브니스 값 및 제3 라이브니스 값 중 하나 이상에 가중치를 적용하고, 가중치의 적용 결과(예를 들어, 가중합(weighted sum))에 기초하여 최종 라이브니스 값을 결정할 수 있다. 가중치는 예를 들어, 미리 정해진 상수일 수 있고, 1 라이브니스 값, 제2 라이브니스 값 및 제3 라이브니스 값 각각에 적용되는 가중치도 서로 다를 수 있다. 다른 예로, 가중치는 특정한 조건(예를 들어, 검사 대상까지의 거리, 영상 품질, 얼굴 영역의 크기, 얼굴 영역에 나타난 얼굴의 포즈, 얼굴 영역의 위치, 얼굴 영역 내 폐색 영역의 존재 여부 또는 얼굴 영역의 조명 상태 등)에 기초하여 결정되는 조건 가중치일 수도 있다.

다른 실시예에 따르면, 얼굴 인증 장치는 제1 라이브니스 값, 제2 라이브니스 값 및 제3 라이브니스 값 중 하나 이상에 기초하여 최종 라이브니스 값을 결정할 수도 있다. 예를 들어, 최종 라이브니스 값은 제1 라이브니스 값, 제2 라이브니스 값, 제3 라이브니스 값, 또는 이들의 어느 조합으로 결정될 수 있다.

얼굴 인증 장치는 최종 라이브니스 값이 미리 설정된 조건을 만족시키는지 여부에 기초하여 검사 대상의 라이브니스 여부를 결정할 수 있다. 예를 들어, 얼굴 인증 장치는 최종 라이브니스 값이 미리 설정된 임계 값보다 큰 경우, 검사 대상이 라이브니스를 가진다(검사 대상이 진짜(genuine)이다)고 결정하고, 최종 라이브니스 값이 해당 임계 값 이하인 경우에는 검사 대상이 라이브니스를 가지지 않는다(검사 대상이 위조된 것이다)고 결정할 수 있다.

얼굴 인증 장치는 객체에 대한 라이브니스의 검사 결과에 응답하여 제어 동작을 수행할 수 있다. 일 실시예에서, 검사 대상이 살아있는 진짜 객체인 것으로 최종 결정된 경우, 얼굴 인증 장치는 사용자 인증 절차의 실행을 요청하기 위한 제어 신호를 생성할 수 있다. 이와 반대로, 객체가 살아있는 진짜 객체가 아닌 가짜 객체인 것으로 최종 결정된 경우, 얼굴 인증 장치는 사용자 인증 과정의 실행을 요청하지 않고, 사용자의 액세스를 차단하기 위한 제어 신호를 생성할 수 있다.

도 4는 일 실시예에 따른 얼굴 인증 방법의 동작을 설명하기 위한 흐름도이다. 얼굴 인증 방법은 얼굴 인증 장치에 의해 수행될 수 있다.

도 4를 참조하면, 단계(410)에서 얼굴 인증 장치는 입력 영상에서 얼굴 영역에 대한 현재 얼굴 영상을 추출한다. 얼굴 인증 장치는 도 3의 단계(310)에서와 같이 입력 영상에서 얼굴 영역을 검출하고, 검출된 얼굴 영역에 대한 영상인 현재 얼굴 영상을 획득할 수 있다.

단계(420)에서, 얼굴 인증 장치는 현재 얼굴 영상의 현재 영상 특징 값을 계산한다. 현재 영상 특징 값은, 현재 얼굴 영상이 가지는 특성치에 대응한다. 일 실시예에서, 얼굴 인증 장치는 현재 얼굴 영상의 색조 값, 현재 얼굴 영상에 나타난 얼굴이 기울어진 정도를 나타내는 얼굴 기울기 및/또는 현재 얼굴 영상에 나타난 얼굴 영역의 화이트 밸런스 등의 영상 특징 값을 계산할 수 있다.

단계(430)에서, 얼굴 인증 장치는 현재 영상 특징 값이 정의된 조건을 만족시키는지 여부를 판단한다. 일 실시예에서, 얼굴 인증 장치는 현재 영상 특징 값을, 뉴럴 네트워크의 학습에 사용된 복수의 얼굴 영상들의 영상 특징 값들에 기초한 범위와 비교하여, 현재 영상 특징 값이 해당 범위에 포함되는지 여부를 판단할 수 있다. 여기서, 뉴럴 네트워크는 입력 영상에 나타난 얼굴 객체를 인증하는데 이용되는 뉴럴 네트워크이거나 얼굴 객체의 라이브니스를 검사하는데 이용되는 뉴럴 네트워크일 수 있다.

학습에 사용된 복수의 얼굴 영상들의 영상 특징 값들에 기초한 범위는, 도 3에서 설명된 특성치 범위에 대응할 수 있으며, 실시예에 따라 절대적 범위 또는 통계적 범위로 정의될 수 있다. 절대적 범위의 경우, 학습에 이용된 얼굴 영상들의 영상 특징 값들 중 최소 영상 특징 값과 최대 영상 특징 값에 의해 범위의 크기가 결정된다. 통계적 범위의 경우, 학습에 이용된 얼굴 영상들의 영상 특징 값들의 평균과 표준편차에 의해 범위의 크기가 결정된다. 예를 들어, 통계적 범위는 해당 평균을 중심으로 양쪽으로 N(자연수) 표준편차의 범위를 가지는 것으로 정의될 수 있다.

현재 영상 특징 값이 정의된 조건을 만족시키지 않는 경우, 예를 들어 현재 영상 특징 값이 해당 범위를 벗어나는 경우(즉, 해당 범위에 포함되지 않는 경우), 단계(440)에서 얼굴 인증 장치는 현재 얼굴 영상의 영상 특징 값이 해당 범위에 포함되도록 현재 얼굴 영상을 조정할 수 있다. 일 실시예에서, 현재 얼굴 영상의 색조 값이 범위를 벗어나는 경우, 얼굴 인증 장치는 현재 얼굴 영상의 색조 값이 해당 범위 내에 포함되도록 현재 얼굴 영상의 색조 값을 보정할 수 있다. 다른 실시예에서, 현재 얼굴 영상에 나타난 얼굴 객체의 얼굴 기울기가 해당 범위를 벗어나는 경우, 얼굴 인증 장치는 얼굴 기울기가 해당 범위에 포함되도록 현재 얼굴 영상의 얼굴 영역을 회전시킬 수 있다. 또 다른 실시예에서, 현재 얼굴 영역의 화이트 밸런스가 해당 범위를 벗어나는 경우, 얼굴 인증 장치는 현재 얼굴 영역의 화이트 밸런스가 해당 범위에 포함되도록 현재 얼굴 영상의 화이트 밸런스를 보정할 수 있다.

단계(450)에서, 얼굴 인증 장치는 얼굴 인증 결과를 결정할 수 있다. 단계(440)이 수행되어 현재 얼굴 영상이 조정된 경우, 얼굴 인증 장치는 조정된 현재 얼굴 영상을 뉴럴 네트워크에 입력시킬 수 있다. 만약, 단계(440)이 수행되지 않았다면, 얼굴 인증 장치는 단계(410)에서 추출한 현재 얼굴 영상을 뉴럴 네트워크에 입력시킬 수 있다. 뉴럴 네트워크는 입력된 정보에 대응하는 특징 값을 출력할 수 있다. 얼굴 인증 장치는 뉴럴 네트워크로부터 획득한 특징 값과 미리 등록된 유효한 사용자의 특징 값과 유사한지 여부를 판단하고, 그 유사한 정도인 유사도가 임계 값보다 크면 얼굴 인증이 성공한 것으로 결정할 수 있다. 해당 유사도가 임계 값 이하인 경우, 얼굴 인증 장치는 얼굴 인증이 실패한 것으로 결정할 수 있다. 미리 등록된 유효한 사용자의 특징 값도 해당 뉴럴 네트워크를 통해 결정될 수 있다.

도 5는 일 실시예에 따른 얼굴 인증 장치의 동작을 설명하기 위한 도면이다.

도 5를 참고하면, 얼굴 인증 장치(500)는 라이브니스 검사 및/또는 얼굴 인증을 수행할 수 있다. 얼굴 인증 장치(500)는 얼굴 영역 검출부(510), 전처리부(520) 및 인증부(550)를 포함할 수 있다. 얼굴 영역 검출부(510)는 입력 영상에서 얼굴 영역을 검출한다. 얼굴 영역 검출부(510)는, 예를 들어 캐스케이드 에이다부스트 분류기, Viola-Jones 검출기 등을 이용하여 얼굴 영역을 검출할 수 있다.

전처리부(520)는 라이브니스 검사의 결과 정확도를 높이기 위한 전처리 과정을 수행할 수 있다. 전처리부(520)는 특성치 측정부(530) 및 특성치 조정부(540)를 포함할 수 있다. 특성치 측정부(530)는 얼굴 영역의 특성치(내지 영상 특징 값)를 측정할 수 있다. 예를 들어, 특성치 측정부(530)는 얼굴 영역의 색조, 화이트 밸런스, 명도, 감마, 얼굴 영역에 나타난 얼굴의 얼굴 기울기 등을 측정할 수 있다.

특성치 조정부(540)는 특성치 측정부(530)에 의해 측정된 특성치가 특정한 조건을 만족시키는지 여부를 판단하고, 특성치가 해당 조건을 만족시키지 않는 경우에는 특성치가 해당 조건을 만족시키도록 얼굴 영역의 특성치를 조정할 수 있다. 일 실시예에서, 특성치 조정부(540)는 측정된 특성치가 뉴럴 네트워크의 학습에 이용된 얼굴 영상들의 특성치 범위에 포함되는지 여부를 판단할 수 있다. 특성치 조정부(540)는 입력 영상의 얼굴 영역에 대해 측정되는 특성치가 뉴럴 네트워크의 학습에 이용된 얼굴 영상들의 특성치 범위에 포함되도록, 얼굴 영역의 특성치를 조정할 수 있다.

예를 들어, 얼굴 영역의 색조, 화이트 밸런스, 명도 및/또는 감마의 특성치가 미리 설정된 범위 내에 포함되지 않는 경우, 특성치 조정부(540)는 해당 특성치가 위 범위 내에 포함되도록 얼굴 영역의 특성치를 조정할 수 있다. 다른 예로, 얼굴 기울기가 미리 설정된 범위에 포함되지 않는 경우, 특성치 조정부(540)는 얼굴 기울기가 해당 범위에 포함되도록 얼굴 영역을 회전시킬 수 있다. 특성치 측정부(530)가 여러 특성치들을 측정하였고, 측정된 특성치들 중 하나 이상이 조건을 만족시키지 않는 경우, 특성치 조정부(540)는 해당 조건을 만족시키지 않는 하나 이상의 특성치를 조정할 수 있다.

위와 같이 특성치가 조정된 후, 인증부(550)는 특성치가 조정된 얼굴 영역에 기초하여 검사 대상에 대해 라이브니스 검사 및/또는 얼굴 인증을 수행하고, 그 수행 결과를 제공할 수 있다.

예를 들어, 인증부(550)는 뉴럴 네트워크 기반의 라이브니스 검사 모델을 이용하여 라이브니스 값을 결정하고, 라이브니스 값에 기초하여 검사 대상의 라이브니스 여부를 결정할 수 있다. 라이브니스 검사 모델에는 특성치가 조정된 얼굴 영역의 정보(예, 픽셀 값)가 입력되고, 라이브니스 검사 모델은 입력된 정보에 대응하는 라이브니스 값을 출력한다. 인증부(550)는 해당 라이브니스 값과 임계 값을 비교하여, 검사 대상의 라이브니스 검사 결과를 결정할 수 있다. 특성치 측정부(530)에 의해 측정된 특성치가 특정한 조건을 만족시키는 경우, 예를 들어 측정된 특성치가 정의된 특성치 범위에 포함되는 경우, 특성치 조정부(540)는 해당 특성치를 조정하는 과정을 수행하지 않고, 인증부(550)는 얼굴 영역 검출부(510)에 의해 검출된 얼굴 영역에 기초하여 라이브니스 검사를 수행할 수 있다.

일 실시예에서, 라이브니스 검사 결과, 검사 대상이 진짜 객체인 것으로 결정된 경우, 얼굴 인증이 수행될 수 있다. 특성치 측정부(530)에 의해 측정된 특성치가 특정한 조건을 만족시키지 않는 경우, 예를 들어 해당 측정된 특성치가 정의된 특성치 범위에 포함되지 않는 경우, 인증부(550)는 특성치 조정부(504)에 의해 특성치가 조정된 얼굴 영역을 특징 값 추출을 위한 뉴럴 네트워크에 입력시킬 수 있다. 특성치 측정부(530)에 의해 측정된 특성치가 특정한 조건을 만족시키는 경우, 예를 들어 해당 측정된 특성치가 정의된 특성치 범위에 포함되는 경우, 인증부(550)는 특성치 조정의 과정을 거치지 않은 얼굴 영역을 특징 값 추출을 위한 뉴럴 네트워크에 입력시킬 수 있다.

인증부(550)는 해당 뉴럴 네트워크로부터 획득한 특징 값과 미리 등록된 유효한 사용자의 특징 값과 비교하여, 두 특징 값들 간의 유사도가 임계 값보다 크면 얼굴 인증이 성공한 것으로 결정할 수 있다. 해당 유사도가 임계 값 이하이면, 얼굴 인증은 실패한 것으로 결정될 수 있다.

전처리부(520)는 위와 같은 전처리 과정을 통해 라이브니스 검사 및/또는 얼굴 인증에서 이용되는 뉴럴 네트워크의 학습 과정에서 학습되지 않거나 또는 충분히 학습되지 않은 코너 케이스를 학습 과정에서 충분히 학습된 케이스로 변환함으로써 코너 케이스에 대한 처리 정확도를 높일 수 있다. 코너 케이스에 대응하는 학습 데이터는 존재하지 않거나 학습 데이터의 양이 적어 뉴럴 네트워크를 학습시키기 어려울 수 있다. 하지만, 위와 같은 전처리부(520)의 전처리 동작을 통해 뉴럴 네트워크의 기본 인식 성능을 유지하면서도 코너 케이스에 강인하게 라이브니스 검사 및/또는 얼굴 인증을 수행할 수 있다.

도 6은 일 실시예에 따른 절대적 범위와 통계적 범위의 일례를 설명하기 위한 도면이다.

입력 영상에 나타난 얼굴 영역이 라이브니스 검사나 얼굴 인증에 적합한지 여부를 판단하기 위해, 미리 정의된 범위가 이용된다. 해당 범위는, 라이브니스 값이나 특징 값을 획득하는데 이용되는 뉴럴 네트워크의 학습에 사용된 복수의 얼굴 영상들(이하, '학습 영상들'이라 함)의 영상 특징 값들이 가지는 범위에 대응한다. 각각의 학습 영상은 대응되는 영상 특징 값을 가지며, 학습 영상들의 영상 특징 값들의 분포에 기초하여 위 범위가 결정될 수 있다. 입력 영상의 영상 특징 값이 해당 범위를 벗어나는 경우, 즉 영상 특징 값이 해당 범위에 포함되지 않는 경우, 입력 영상의 영상 특징 값이 해당 범위에 포함되도록 입력 영상을 조정하는 전처리 과정이 수행될 수 있다.

일 실시예에서, 해당 범위는 학습 영상들의 영상 특징 값들 중 최소 영상 특징 값과 최대 영상 특징 값 사이의 범위로 정의되는 절대적 범위일 수 있다. 다른 실시예에서, 해당 범위는 학습 영상들의 영상 특징 값들의 분포 특징(예를 들어, 평균과 표준편차)에 의해 결정되는 통계적 범위일 수 있다.

도 6을 참조하면, 학습 영상들의 영상 특징 값들의 분포 그래프(600)의 일례가 도시되어 있다. 절대적 범위의 경우, 영상 특징 값들의 분포에서 최소 영상 특징 값과 최대 영상 특징 값 사이의 범위인 범위 R5에 해당한다. 통계적 범위의 경우, 실시예에 따라 다양하게 통계적 범위의 크기가 결정될 수 있다. 예를 들어, 통계적 범위는 학습 영상들의 영상 특징 값들의 평균 m을 중심으로 양쪽으로 1 표준편차(σ)의 범위를 나타내는 범위 R1, 평균 m을 중심으로 양쪽으로 2 표준편차의 범위를 나타내는 범위 R2, 평균 m을 중심으로 양쪽으로 3 표준편차의 범위를 나타내는 범위 R3 또는 평균 m을 중심으로 양쪽으로 4 표준편차의 범위를 나타내는 범위 R4 일 수 있다.

도 7은 일 실시예에 따른 색조를 조정하는 전처리 과정의 일례를 설명하기 위한 도면이다.

도 7을 참조하면, 이상치의 색조를 가지는 입력 영상의 얼굴 영역(710)이 일례로 도시되어 있다. 특성치 측정부(530)는 얼굴 영역(710)의 색조를 측정할 수 있다. 예를 들어, 특성치 측정부(530)는 얼굴 영역(710)의 G(Green) 컬러 요소에 대한 B(blue) 컬러 요소의 비율에 기초하여 색조에 대한 특성치를 측정할 수 있다. 특성치 조정부(540)는 측정된 색조가 특정한 범위(예를 들어, 임계 범위) 내에 포함되는지 여부를 판단할 수 있다.

특성치가 해당 임계 범위에 포함되지 않는 경우, 특성치 조정부(540)는 얼굴 영역(710)에 대해 전처리 과정을 수행할 수 있다. 예를 들어, 특성치 조정부(540)는 얼굴 영역(710)에 색조 보정 모델을 적용하는 것에 의해 얼굴 영역(710)의 색조를 해당 임계 범위에 포함되는 색조로 보정하는 것을 통해 전처리 과정이 수행된 얼굴 영역(720)을 획득할 수 있다. 인증부(550)는 전처리 과정이 수행된 얼굴 영역(720)을 기초로 라이브니스 검사 및/또는 얼굴 인증을 수행할 수 있다.

도 8은 일 실시예에 따른 얼굴 기울기를 조정하는 전처리 과정의 일례를 설명하기 위한 도면이다.

도 8을 참조하면, 이상치의 얼굴 기울기를 가지는 입력 영상의 얼굴 영역(810)이 일례로 도시되어 있다. 얼굴 영역(810)에서 얼굴 기울기는 시계 방향으로 특정 각도만큼 기울어져 있다. 특성치 측정부(530)는 얼굴 영역(810)이 입력되면, 얼굴 영역(810)에서 얼굴 기울기를 측정할 수 있다. 예를 들어, 특성치 측정부(530)는 얼굴 영역(810)에서 좌안, 우안 및 양쪽 입꼬리에 대응하는 특징점들을 검출하고, 좌안 및 우안의 특징점들 사이의 제1 중간점과 양쪽 입꼬리에 대응하는 특징점 사이의 제2 중간점을 지나는 직선과 기준선(예를 들어, 수직선 또는 수평선)이 이루는 각도를 기초로 얼굴 기울기를 측정할 수 있다.

특성치 조정부(540)는 측정된 얼굴 기울기가 특정한 범위(예를 들어, 임계 범위) 내에 포함되는지 여부를 판단할 수 있다. 얼굴 기울기가 해당 범위에 포함되지 않는 경우, 특성치 조정부(540)는 얼굴 영역(810)의 얼굴 기울기를 조정할 수 있다. 특성치 조정부(540)는 얼굴 기울기가 위 범위 내에 포함되도록 얼굴 영역(810)을 특정한 각도만큼 회전시키는 것에 의해 전처리 과정이 수행된 얼굴 영역(820)을 획득할 수 있다. 라이브니스 인증부(550)는 전처리 과정이 수행된 얼굴 영역(820)을 기초로 라이브니스 검사 및/또는 얼굴 인증을 수행할 수 있다.

도 9a 및 도 9b는 일 실시예에 따른 라이브니스 검사 방법의 일례를 설명하기 위한 도면들이다.

도 9a를 참조하면, 검사 대상이 나타난 입력 영상(910)에서 전체 얼굴 영역(920)이 검출되고, 전체 얼굴 영역(920)의 일부 영역을 포함하는 부분 얼굴 영역(930)이 결정될 수 있다. 전체 얼굴 영역(920)에 대응하는 제1 영상(925)의 영상 정보는 제1 라이브니스 검사 모델(940)에 입력되고, 제1 라이브니스 검사 모델(940)은 제1 영상(925)에 대응하는 제1 라이브니스 값을 출력한다.

일 실시예에서, 제1 영상(925)은 전체 얼굴 영역(920)에 영상 정규화(예를 들어, 크기 조정, 아핀 변환(affine transform) 등)가 수행된 결과 영상일 수 있다. 부분 얼굴 영역(930)에 대응하는 제2 영상(935)의 영상 정보는 제2 라이브니스 검사 모델(950)에 입력되고, 제2 라이브니스 검사 모델(950)은 제2 영상(935)에 대응하는 제2 라이브니스 값을 출력한다. 일 실시예에서, 제2 영상(935)은 부분 얼굴 영역(930)에 영상 정규화가 수행된 결과 영상일 수 있다. 입력 영상(910)의 전체 영역에 대응하는 제3 영상(915)의 영상 정보는 제3 라이브니스 검사 모델(960)에 입력되고, 제3 라이브니스 검사 모델(960)은 제3 영상(915)에 대응하는 제3 라이브니스 값을 출력한다. 여기서, 제3 영상(915)은 입력 영상(910)과 동일하거나 또는 영상(910)에 영상 정규화가 수행된 영상일 수 있다.

위 실시예에서, 얼굴 영역의 특성치가 특정한 조건을 만족시키도록 얼굴 영역의 특성치를 조정하는 전처리 과정이 수행될 수 있고, 해당 전처리 과정이 수행된 얼굴 영역이 반영된 제1, 제2 및 제3 영상 각각에 기초하여 제1, 제2 및 제3 라이브니스 값들이 결정될 수 있다.

라이브니스 결정부(970)는 제1 라이브니스 값, 제2 라이브니스 값 및 제3 라이브니스 값에 기초하여 최종 라이브니스 값을 결정하고, 최종 라이브니스 값이 미리 설정된 조건을 만족시키는지 여부에 기초하여 검사 대상의 라이브니스 여부를 결정한다. 여기서, 최종 라이브니스 값은, 예를 들어 제1 라이브니스 값, 제2 라이브니스 값 및 제3 라이브니스 값의 합(sum), 평균 또는 가중 합일 수 있다.

도 9a에 도시된 제1 라이브니스 검사 모델(940), 제2 라이브니스 검사 모델(950) 및 제3 라이브니스 검사 모델(960)은, 실시예에 따라 도 9b에 도시된 것과 같이 하나의 라이브니스 검사 모델(980)로 구현될 수도 있다. 이 때, 제1 영상(925)의 영상 정보, 제2 영상(935)의 영상 정보 및 제3 영상(915)의 영상 정보는 라이브니스 검사 모델(980)의 하나 이상의 입력 레이어에 입력될 수 있다. 예를 들어, 제1 영상(925)의 영상 정보, 제2 영상(935)의 영상 정보 및 제3 영상(915)의 영상 정보가 각각 서로 다른 입력 레이어에 입력되거나 또는 제1 영상(925)의 영상 정보, 제2 영상(935)의 영상 정보 및 제3 영상(915)의 영상 정보가 서로 결합되어 하나의 입력 레이어에 입력될 수도 있다. 라이브니스 검사 모델(980)은 입력된 영상 정보에 기초하여 제1 영상(925), 제2 영상(935) 및 제3 영상(915) 각각에 대응하는 라이브니스 값을 출력하고, 라이브니스 결정부(990)는 해당 라이브니스 값이 미리 설정된 조건을 만족시키는지 여부에 기초하여 검사 대상의 라이브니스 여부를 결정할 수 있다.

도 10은 일 실시예에 따른 얼굴 인증 장치의 구성을 도시한 도면이다.

얼굴 인증 장치(1000)는 입력 영상에 나타난 객체에 대한 얼굴 인증 과정을 수행할 수 있다. 얼굴 인증 장치(1000)는 얼굴 인증 과정에서 라이브니스 검사를 수행할 수 있고, 라이브니스 검사 결과에 기초하여 얼굴 인증 결과를 결정할 수 있다. 얼굴 인증 장치(1000)는 라이브니스 검사나 얼굴 인증과 관련하여 본 명세서에 기술되거나 또는 도시된 하나 이상의 동작을 수행할 수 있고, 라이브니스 검사 결과나 얼굴 인증 결과를 사용자에게 제공할 수 있다.

도 10을 참조하면, 얼굴 인증 장치(1000)는 하나 이상의 프로세서(1010) 및 메모리(1020)를 포함할 수 있다. 메모리(1020)는 프로세서(1010)에 연결되고, 프로세서(1010)에 의해 실행가능한 인스트럭션들, 프로세서(1010)가 연산할 데이터 또는 프로세서(1010)에 의해 처리된 데이터를 저장할 수 있다.

프로세서(1010)는 도 1 내지 도 9를 참조하여 설명된 라이브니스 검사 및/또는 얼굴 인증과 관련된 하나 이상의 동작을 수행할 수 있다. 일 실시예에서, 프로세서(1010)는 라이브니스 검사 및/또는 얼굴 인증에서, 각각 영상 특징 값을 가지는 복수의 얼굴 영상들로 학습된 네트워크를 이용할 수 있다. 뉴럴 네트워크는 입력 영상에 나타난 얼굴 객체의 라이브니스를 검사하는데 이용되거나 얼굴 객체를 인증하는데 이용될 수 있다.

라이브니스 검사의 경우, 프로세서(1010)는 라이브니스 검사의 대상이 되는 입력 영상에서 얼굴 영역을 검출하고, 얼굴 영역의 특성치를 측정할 수 있다. 예를 들어, 프로세서(1010)는 얼굴 영역의 색조, 화이트 밸런스, 명도, 감마, 얼굴 영역에 나타난 얼굴의 얼굴 기울기 등의 특성치를 측정할 수 있다.

프로세서(1010)는 측정된 특성치가 조건을 만족시키는지 여부를 판단하고, 특성치가 해당 조건을 만족시키지 않는 경우, 특성치를 조정하는 전처리 과정을 수행할 수 있다. 예를 들어, 얼굴 영역의 색조, 화이트 밸런스, 명도 및/또는 감마의 특성치가 미리 설정된 범위 내에 포함되지 않는 경우, 프로세서(1010)는 해당 특성치가 위 범위 내에 포함되도록 얼굴 영역의 특성치를 조정할 수 있다. 다른 예로, 얼굴 기울기가 미리 설정된 범위에 포함되지 않는 경우, 프로세서(1010)는 얼굴 기울기가 해당 범위에 포함되도록 얼굴 영역을 회전시킬 수 있다. 이후에, 프로세서(1010)는 특성치가 조정된 얼굴 영역에 기초하여 라이브니스 검사를 수행할 수 있다.

얼굴 영역의 특성치가 해당 조건을 만족시키는 것으로 판단된 경우, 프로세서(1010)는 특성치를 조정하는 과정 없이, 입력 영상에서 검출된 얼굴 영역에 기초하여 라이브니스 검사를 수행할 수 있다.

일 실시예에서, 프로세서(1010)는 학습된 뉴럴 네트워크에 기반한 라이브니스 검사 모델을 이용하여 라이브니스 값을 획득하고, 획득한 라이브니스 값과 임계 값 간의 비교 결과에 기초하여 라이브니스 검사의 결과를 결정할 수 있다. 예를 들어, 프로세서(1010)는 해당 라이브니스 값이 임계 값보다 큰 경우 검사 대상이 진짜 객체인 것으로 결정하고, 라이브니스 값이 임계 값 이하이면 검사 대상이 가짜 객체인 것으로 결정할 수 있다.

얼굴 인증의 경우, 프로세서(1010)는 입력 영상에서 얼굴 영역에 대한 현재 얼굴 영상을 추출하고, 현재 얼굴 영상의 현재 영상 특징 값을 계산할 수 있다. 프로세서(1010)는 해당 현재 영상 특징 값을, 뉴럴 네트워크의 학습에 사용된 복수의 얼굴 영상들의 영상 특징 값들이 가지는 범위와 비교하여, 현재 영상 특징 값이 해당 범위를 벗어나는지 여부를 결정할 수 있다.

일 실시예에서, 위 영상 특징 값들이 가지는 범위는, 뉴럴 네트워크의 학습에 사용된 복수의 얼굴 영상들의 영상 특징 값들 중 최소 영상 특징 값과 최대 영상 특징 값에 기초하여 결정되는 절대적 범위일 수 있다. 절대적 범위의 최소 값은 위 최소 영상 특징 값이며, 해당 절대적 범위의 최대 값은 위 최대 영상 특징 값일 수 있다.

다른 실시예에서, 위 영상 특징 값들이 가지는 범위는, 뉴럴 네트워크의 학습에 사용된 복수의 얼굴 영상들의 영상 특징 값들의 분포 특징에 기초하여 결정되는 통계적 범위일 수 있다. 여기서, 분포 특징은, 예를 들어 해당 영상 특징 값들의 평균과 표준편차를 포함할 수 있다.

현재 영상 특징 값이 해당 범위를 벗어나는 경우, 프로세서(1010)는 현재 얼굴 영상의 영상 특징 값이 해당 범위에 포함되도록 현재 얼굴 영상을 조정하고, 조정된 현재 얼굴 영상을 뉴럴 네트워크에 입력시킬 수 있다. 뉴럴 네트워크는 입력된 정보에 기초하여 대응하는 특징 값을 출력할 수 있다.

현재 얼굴 영상을 조정하는 것과 관련하여, 예를 들어 프로세서(1010)는 현재 얼굴 영상의 색조 값을 계산하고, 계산된 색조 값이 상기 범위를 벗어나는 것으로 결정된 경우, 현재 얼굴 영상의 색조 값이 해당 범위 내에 포함되도록 현재 얼굴 영상의 색조 값을 보정할 수 있다. 다른 예로, 프로세서(1010)는 현재 얼굴 영상에 나타난 얼굴이 기울어진 정도를 나타내는 얼굴 기울기를 계산하고, 계산된 얼굴 기울기가 해당 범위를 벗어나는 것으로 결정된 경우, 얼굴 기울기가 해당 범위에 포함되도록 현재 얼굴 영상의 얼굴 영역을 회전시킬 수 있다. 또 다른 예로, 프로세서(1010)는 현재 얼굴 영상에 나타난 얼굴 영역의 화이트 밸런스를 계산하고, 계산된 화이트 밸런스가 해당 범위를 벗어나는 경우, 화이트 밸런스가 해당 범위에 포함되도록 현재 얼굴 영상의 화이트 밸런스를 보정할 수 있다.

프로세서(1010)는 뉴럴 네트워크를 통해 획득한 특징 값을 미리 등록된 특징 값과 비교하여, 두 특징 값들 간의 유사도에 기초하여 얼굴 인증 결과를 결정할 수 있다. 예를 들어, 프로세서(1010)는 해당 유사도가 임계 값보다 큰 경우 얼굴 인증이 성공한 것으로 결정하고, 유사도가 임계 값 이하이면 얼굴 인증이 실패한 것으로 결정할 수 있다.

프로세서(1010)는 위 라이브니스 검사나 얼굴 인증의 결과에 기초하여 제어 신호를 생성할 수 있다. 예를 들어, 프로세서(1010)는 해당 결과에 따라 객체의 액세스를 허용 또는 차단을 결정하거나, 객체의 요청(예, 특정한 기능의 실행 요청)을 거부 또는 실행하는 제어 신호를 생성할 수 있다.

도11은 일 실시예에 따른 전자 장치의 구성을 도시하는 도면이다.

도 11을 참조하면, 전자 장치(1100)는 입력 영상에 나타난 검사 대상의 라이브니스 검사 및/또는 얼굴 인증을 수행할 수 있다. 전자 장치(1100)는 도 1의 전자 장치(120)에 대응할 수 있고, 도 10의 얼굴 인증 장치(1000)의 기능을 수행할 수 있다.

전자 장치(1100)는 하나 이상의 프로세서(1110), 메모리(1120), 카메라(1130), 저장 장치(1140), 입력 장치(1150), 출력 장치(1160) 및 네트워크 인터페이스(1170)를 포함할 수 있다. 프로세서(1110), 메모리(1120), 카메라(1130), 저장 장치(1130), 입력 장치(1150), 출력 장치(1160) 및 네트워크 인터페이스(1170)는 통신 버스(communication bus; 1180)를 통해 서로 통신할 수 있다.

프로세서(1110)는 라이브니스 검사 및/또는 얼굴 인증을 수행하기 위한 기능 및 인스트럭션들을 실행할 수 있다. 예를 들어, 프로세서(1110)는 메모리(1120) 또는 저장 장치(1140)에 저장된 인스트럭션들을 처리할 수 있다. 프로세서(1110)는 도 1 내지 도 10을 통하여 전술한 하나 이상의 동작을 수행할 수 있다.

메모리(1120)는 라이브니스 검사 및/또는 얼굴 인증을 수행하기 위한 정보를 저장한다. 메모리(1120)는 컴퓨터 판독가능한 저장 매체 또는 컴퓨터 판독가능한 저장 장치를 포함할 수 있다. 메모리(1120)는 프로세서(1110)에 의해 실행하기 위한 인스트럭션들과 라이브니스 검사의 수행에 필요한 정보를 저장할 수 있다.

카메라(1130)는 라이브니스 검사 및/또는 얼굴 인증의 대상이 나타난 정지 영상, 비디오 영상, 또는 이들 모두를 획득할 수 있다. 카메라(1130)에 의해 획득된 영상은 본 명세서에서 설명된 입력 영상에 대응할 수 있다.

저장 장치(1140)는 컴퓨터 판독가능한 저장 매체 또는 컴퓨터 판독가능한 저장 장치를 포함한다. 일 실시예에 따르면, 저장 장치(1140)는 메모리(1120)보다 더 많은 양의 정보를 저장하고, 정보를 장기간 저장할 수 있다. 예를 들어, 저장 장치(1140)는 자기 하드 디스크, 광 디스크, 플래쉬 메모리, 또는 플로피 디스크를 포함할 수 있다.

입력 장치(1150)는 촉각, 비디오, 오디오 또는 터치 입력을 통해 사용자로부터 입력을 수신할 수 있다. 예를 들어, 입력 장치(1150)는 키보드, 마우스, 터치 스크린, 마이크로폰, 또는 사용자로부터 입력을 검출하고, 검출된 입력을 전자 장치(1100)에 전달할 수 있는 임의의 다른 장치를 포함할 수 있다.

출력 장치(1160)는 시각적, 청각적 또는 촉각적인 채널을 통해 사용자에게 전자 장치(1100)의 출력을 제공할 수 있다. 출력 장치(1160)는 예를 들어, 디스플레이, 터치 스크린, 스피커, 진동 발생 장치 또는 사용자에게 출력을 제공할 수 있는 임의의 다른 장치를 포함할 수 있다. 네트워크 인터페이스(1170)는 유선 또는 무선 네트워크를 통해 외부 장치와 통신할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims

입력 영상에서 얼굴 영역을 검출하는 단계;
상기 얼굴 영역의 특성치(characteristics)를 측정하는 단계;
상기 측정된 특성치가 조건을 만족시키지 않는 경우, 상기 얼굴 영역의 특성치를 조정하는 단계; 및
상기 특성치가 조정된 얼굴 영역에 기초하여 라이브니스 검사를 수행하는 단계
를 포함하는 라이브니스 검사 방법.
제1항에 있어서,
상기 얼굴 영역의 특성치를 측정하는 단계는,
상기 얼굴 영역의 색조(hue)를 측정하는 단계
를 포함하는 라이브니스 검사 방법.
제2항에 있어서,
상기 얼굴 영역의 특성치를 조정하는 단계는,
상기 측정된 얼굴 영역의 색조가 미리 설정된 범위에 포함되지 않는 경우, 상기 얼굴 영역의 색조를 상기 미리 설정된 범위 내에 포함되는 색조로 보정하는 단계
를 포함하는 라이브니스 검사 방법.
제3항에 있어서,
상기 보정하는 단계는,
상기 얼굴 영역에 색조 보정 모델을 적용하는 것에 의해 상기 얼굴 영역의 색조를 보정하는,
라이브니스 검사 방법.
제1항에 있어서,
상기 얼굴 영역의 특성치를 측정하는 단계는,
상기 얼굴 영역에 나타난 얼굴이 기울어진 정도를 나타내는 얼굴 기울기를 측정하는 단계
를 포함하는 라이브니스 검사 방법.
제5항에 있어서,
상기 얼굴 기울기를 측정하는 단계는,
상기 얼굴 영역에서, 좌안, 우안 및 양쪽 입꼬리에 대응하는 특징점들을 검출하는 단계; 및
상기 검출된 특징점들에 기초하여 상기 얼굴 기울기를 측정하는 단계
를 포함하는 라이브니스 검사 방법.
제5항에 있어서,
상기 얼굴 영역의 특성치를 조정하는 단계는,
상기 측정된 얼굴 기울기가 미리 설정된 범위에 포함되지 않는 경우, 상기 얼굴 기울기를 보정하는 단계
를 포함하는 라이브니스 검사 방법.
제7항에 있어서,
상기 보정하는 단계는,
상기 측정된 얼굴 기울기에 기초하여 상기 얼굴 영역을 회전시키는 것에 의해 상기 얼굴 기울기를 보정하는,
라이브니스 검사 방법.
제1항에 있어서,
상기 얼굴 영역의 특성치를 측정하는 단계는,
상기 얼굴 영역의 화이트 밸런스(white balance)를 측정하는 단계
를 포함하는 라이브니스 검사 방법.
제9항에 있어서,
상기 얼굴 영역의 특성치를 조정하는 단계는,
상기 측정된 얼굴 영역의 화이트 밸런스가 미리 설정된 범위에 포함되지 않는 경우, 상기 얼굴 영역의 화이트 밸런스를 보정하는 단계
를 포함하는 라이브니스 검사 방법.
제1항에 있어서,
상기 측정된 특성치가 상기 조건을 만족시키는 경우, 상기 특성치의 조정 없이 상기 검출된 얼굴 영역에 기초하여 라이브니스 검사를 수행하는 단계
를 더 포함하는 라이브니스 검사 방법.
제1항에 있어서,
상기 라이브니스 검사를 수행하는 단계는,
뉴럴 네트워크 기반의 라이브니스 검사 모델을 이용하여 상기 라이브니스 검사를 수행하는 단계
를 포함하는 라이브니스 검사 방법.
각각 영상 특징 값을 가지는 복수의 얼굴 영상들로 학습(training)된 뉴럴 네트워크를 이용하는 얼굴 인증 방법에 있어서,
입력 영상에서 얼굴 영역에 대한 현재 얼굴 영상을 추출하는 단계;
상기 현재 얼굴 영상의 현재 영상 특징 값을 계산하는 단계;
상기 현재 영상 특징 값을, 상기 뉴럴 네트워크의 학습에 사용된 상기 복수의 얼굴 영상들의 영상 특징 값들이 가지는 범위와 비교하는 단계;
상기 현재 영상 특징 값이 상기 범위를 벗어나는 경우, 상기 현재 얼굴 영상의 영상 특징 값이 상기 범위에 포함되도록 상기 현재 얼굴 영상을 조정하는 단계; 및
상기 조정된 현재 얼굴 영상을 상기 뉴럴 네트워크에 입력시키는 단계
를 포함하는 얼굴 인증 방법.
제13항에 있어서,
상기 범위는,
상기 뉴럴 네트워크의 학습에 사용된 상기 복수의 얼굴 영상들의 영상 특징 값들 중 최소 영상 특징 값과 최대 영상 특징 값에 기초하여 결정되는 절대적 범위인,
얼굴 인증 방법.
제13항에 있어서,
상기 범위는,
상기 뉴럴 네트워크의 학습에 사용된 상기 복수의 얼굴 영상들의 영상 특징 값들의 분포 특징에 기초하여 결정되는 통계적 범위이고,
상기 분포 특징은, 상기 영상 특징 값들의 평균과 표준편차를 포함하는,
얼굴 인증 방법.
제15항에 있어서,
상기 통계적 범위는,
상기 평균을 중심으로 양쪽으로 1 표준편차의 범위를 나타내는,
얼굴 인식 방법.
제15항에 있어서,
상기 통계적 범위는,
상기 평균을 중심으로 양쪽으로 2 표준편차의 범위를 나타내는,
얼굴 인증 방법.
제15항에 있어서,
상기 통계적 범위는,
상기 평균을 중심으로 양쪽으로 3 표준편차의 범위를 나타내는,
얼굴 인증 방법.
제15항에 있어서,
상기 통계적 범위는,
상기 평균을 중심으로 양쪽으로 4 표준편차의 범위를 나타내는,
얼굴 인증 방법.
제13항에 있어서,
상기 뉴럴 네트워크는,
상기 입력 영상에 나타난 얼굴 객체의 라이브니스를 검사하는데 이용되는 뉴럴 네트워크인,
얼굴 인증 방법.
제13항에 있어서,
상기 뉴럴 네트워크는,
상기 입력 영상에 나타난 얼굴 객체를 인증하는데 이용되는 뉴럴 네트워크인,
얼굴 인증 방법.
제13항에 있어서,
상기 현재 영상 특징 값을 계산하는 단계는,
상기 현재 얼굴 영상의 색조 값을 계산하는 단계를 포함하고,
상기 현재 얼굴 영상을 조정하는 단계는,
상기 색조 값이 상기 범위를 벗어나는 경우, 상기 현재 얼굴 영상의 색조 값이 상기 범위 내에 포함되도록 상기 현재 얼굴 영상의 색조 값을 보정하는 단계
를 포함하는 얼굴 인증 방법.
제13항에 있어서,
상기 현재 영상 특징 값을 계산하는 단계는,
상기 현재 얼굴 영상에 나타난 얼굴이 기울어진 정도를 나타내는 얼굴 기울기를 계산하는 단계를 포함하고,
상기 현재 얼굴 영상을 조정하는 단계는,
상기 얼굴 기울기가 상기 범위를 벗어나는 경우, 상기 얼굴 기울기가 상기 범위에 포함되도록 상기 현재 얼굴 영상의 얼굴 영역을 회전시키는 단계
를 포함하는 얼굴 인증 방법.
제13항에 있어서,
상기 현재 영상 특징 값을 계산하는 단계는,
상기 현재 얼굴 영상에 나타난 얼굴 영역의 화이트 밸런스를 계산하는 단계를 포함하고,
상기 현재 얼굴 영상을 조정하는 단계는,
상기 화이트 밸런스가 상기 범위를 벗어나는 경우, 상기 화이트 밸런스가 상기 범위에 포함되도록 상기 현재 얼굴 영상의 화이트 밸런스를 보정하는 단계
를 포함하는 얼굴 인증 방법.
제1항 내지 제24항 중 어느 하나의 항의 방법을 실행하기 위한 인스트럭션들을 저장하는 컴퓨터 판독 가능한 저장 매체.
하나 이상의 프로세서를 포함하고,
상기 하나 이상의 프로세서는,
입력 영상에서 얼굴 영역을 검출하고,
상기 얼굴 영역의 특성치를 측정하고,
상기 측정된 특성치가 조건을 만족시키지 않는 경우, 상기 얼굴 영역의 특성치를 조정하고,
상기 특성치가 조정된 얼굴 영역에 기초하여 라이브니스 검사를 수행하는,
장치.
제26항에 있어서,
상기 하나 이상의 프로세서는,
상기 얼굴 영역의 색조를 측정하고, 상기 측정된 얼굴 영역의 색조가 미리 설정된 범위에 포함되지 않는 경우, 상기 얼굴 영역의 색조를 상기 미리 설정된 범위 내에 포함되는 색조로 보정하는,
장치.
제26항에 있어서,
상기 하나 이상의 프로세서는,
상기 얼굴 영역에 나타난 얼굴이 기울어진 정도를 나타내는 얼굴 기울기를 측정하고, 상기 측정된 얼굴 기울기가 미리 설정된 범위에 포함되지 않는 경우, 상기 얼굴 기울기를 보정하는,
장치.
제26항에 있어서,
상기 하나 이상의 프로세서는,
상기 얼굴 영역의 화이트 밸런스를 측정하고, 상기 측정된 얼굴 영역의 화이트 밸런스가 미리 설정된 범위에 포함되지 않는 경우, 상기 얼굴 영역의 화이트 밸런스를 보정하는,
장치.
제26항에 있어서,
상기 하나 이상의 프로세서는,
상기 측정된 특성치가 상기 조건을 만족시키는 경우, 상기 특성치의 조정 없이 상기 검출된 얼굴 영역에 기초하여 라이브니스 검사를 수행하는,
장치.
제26항에 있어서,
상기 하나 이상의 프로세서는,
뉴럴 네트워크 기반의 라이브니스 검사 모델을 이용하여 상기 라이브니스 검사를 수행하는,
장치.
각각 영상 특징 값을 가지는 복수의 얼굴 영상들로 학습된 뉴럴 네트워크를 이용하는 장치에 있어서,
하나 이상의 프로세서를 포함하고,
상기 하나 이상의 프로세서는,
입력 영상에서 얼굴 영역에 대한 현재 얼굴 영상을 추출하고,
상기 현재 얼굴 영상의 현재 영상 특징 값을 계산하고,
상기 현재 영상 특징 값을, 상기 뉴럴 네트워크의 학습에 사용된 상기 복수의 얼굴 영상들의 영상 특징 값들이 가지는 범위와 비교하고,
상기 현재 영상 특징 값이 상기 범위를 벗어나는 경우, 상기 현재 얼굴 영상의 영상 특징 값이 상기 범위에 포함되도록 상기 현재 얼굴 영상을 조정하고,
상기 조정된 현재 얼굴 영상을 상기 뉴럴 네트워크에 입력시키는,
장치.
제32항에 있어서,
상기 범위는,
상기 뉴럴 네트워크의 학습에 사용된 상기 복수의 얼굴 영상들의 영상 특징 값들 중 최소 영상 특징 값과 최대 영상 특징 값에 기초하여 결정되는 절대적 범위인,
장치.
제32항에 있어서,
상기 범위는,
상기 뉴럴 네트워크의 학습에 사용된 상기 복수의 얼굴 영상들의 영상 특징 값들의 분포 특징에 기초하여 결정되는 통계적 범위이고,
상기 분포 특징은, 상기 영상 특징 값들의 평균과 표준편차를 포함하는,
장치.
제32항에 있어서,
상기 뉴럴 네트워크는,
상기 입력 영상에 나타난 얼굴 객체를 인증하는데 이용되는 뉴럴 네트워크인,
장치.
제32항에 있어서,
상기 하나 이상의 프로세서는,
상기 현재 얼굴 영상의 색조 값을 계산하고,
상기 색조 값이 상기 범위를 벗어나는 경우, 상기 현재 얼굴 영상의 색조 값이 상기 범위 내에 포함되도록 상기 현재 얼굴 영상의 색조 값을 보정하는,
장치.
제32항에 있어서,
상기 하나 이상의 프로세서는,
상기 현재 얼굴 영상에 나타난 얼굴이 기울어진 정도를 나타내는 얼굴 기울기를 계산하고,
상기 얼굴 기울기가 상기 범위를 벗어나는 경우, 상기 얼굴 기울기가 상기 범위에 포함되도록 상기 현재 얼굴 영상의 얼굴 영역을 회전시키는,
장치.
제32항에 있어서,
상기 하나 이상의 프로세서는,
상기 현재 얼굴 영상에 나타난 얼굴 영역의 화이트 밸런스를 계산하고,
상기 화이트 밸런스가 상기 범위를 벗어나는 경우, 상기 화이트 밸런스가 상기 범위에 포함되도록 상기 현재 얼굴 영상의 화이트 밸런스를 보정하는,
장치.