KR20220091821A - 디지털 합성/위조 안면 검증 시스템 - Google Patents

디지털 합성/위조 안면 검증 시스템 Download PDF

Info

Publication number
KR20220091821A
KR20220091821A KR1020200182915A KR20200182915A KR20220091821A KR 20220091821 A KR20220091821 A KR 20220091821A KR 1020200182915 A KR1020200182915 A KR 1020200182915A KR 20200182915 A KR20200182915 A KR 20200182915A KR 20220091821 A KR20220091821 A KR 20220091821A
Authority
KR
South Korea
Prior art keywords
image
classifier
facial image
face
module
Prior art date
Application number
KR1020200182915A
Other languages
English (en)
Other versions
KR102612941B1 (ko
Inventor
정여빈
Original Assignee
주식회사 유인원테크
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 유인원테크 filed Critical 주식회사 유인원테크
Priority to KR1020200182915A priority Critical patent/KR102612941B1/ko
Publication of KR20220091821A publication Critical patent/KR20220091821A/ko
Application granted granted Critical
Publication of KR102612941B1 publication Critical patent/KR102612941B1/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
    • G06V40/172—Classification, e.g. identification
    • 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

Abstract

디지털 합성/위조 안면 검증 시스템이 개시된다. 사용자의 안면 이미지를 등록하는 안면 이미지 등록 모듈; 상기 안면 이미지 저장 모듈에 미리 저장된 안면 이미지를 이용하여 사용자를 인식하기 위한 분류기를 미리 생성하는 분류기 생성 모듈; 상기 분류기 생성 모듈에 의해 미리 생성된 분류기가 사용자 별로 미리 저장되는 사용자별 분류기 저장 모듈을 구성한다. 상술한 디지털 합성/위조 안면 검증 시스템에 의하면, 안면 인식에 네트워크 임베딩 알고리즘을 적용하여 실제 안면 이미지와 디지털 합성/위조 안면 이미지를 정확하게 구별해내도록 구성됨으로써, 합성/위조에 의한 스푸핑(spoofing)을 방지하고 보안을 강화할 수 있는 효과가 있다. 특히, 안면 이미지의 학습을 위해 가우시안 노이즈, 가우시안 블러, 압축 등을 가하여 학습 이미지를 생성하도록 구성됨으로써, 실제 이미지와 합성/위조 이미지의 구별에 대한 정확도를 더욱 높일 수 있는 효과가 있다. 아울러, 안면의 눈, 코, 입 등의 특정 부위를 가린 특정 부위 블라인드 이미지를 이용하여 학습을 하도록 구성됨으로써, 안면의 특정 패턴에 의해 학습이 과적합되는 것을 방지하고 안면 이미지의 인식 오류를 줄이고 합성/위조 이미지를 더욱 정확하게 구별에 낼 수 있는 효과가 있다.

Description

디지털 합성/위조 안면 검증 시스템{SYSTEM OF VERIFYING DIGITAL SYNTHESIS/COUNTERFEIT FACE}
본 발명은 디지털 안면 인식 시스템에 관한 것으로서, 구체적으로는 디지털 합성/위조 안면 검증 시스템에 관한 것이며, 좀 더 구체적으로는 네트워크 임베딩(network embeddings) 기술을 이용하여 실제 안면(real face)과 합성/위조 안면(fake face)을 구별하여 검증하는 시스템에 관한 것이다.
안면 이미지 인식 기술은 출입 장치, 노트북, 스마트 폰 등의 다양한 장치에 이용되고 있다.
이러한 기술의 이용이 확대됨에 따라 합성/위조 안면의 사용에 의한 스푸핑(spoofing)도 늘어나고 있는 추세이다.
디지털 합성/위조 안면 이미지가 더욱 정교해지고 이를 정확하게 감별해낼 수 있는 수단의 필요성이 점점 커지고 있는 실정이다.
도 1에서는 실제 이미지(original image)와 디지털 합성/위조 이미지를 나타내며, 안면 일부 위조 또는 상관/하관의 합성 등을 하여 이미지를 만들 수 있음을 나타낸다.
하지만, 아직까지 디지털 합성/위조 안면을 정확하게 구별해 낼 수 있는 수단이 부재하여 스푸핑(spoofing)에 대한 위험성이 더욱 높아지고 있다.
공개특허공보 10-2004-0037180 공개특허공보 10-2018-0135898
본 발명의 목적은 디지털 합성/위조 안면 검증 시스템을 제공하는 데 있다.
상술한 본 발명의 목적에 따른 디지털 합성/위조 안면 검증 시스템은, 사용자의 안면 이미지를 등록하는 안면 이미지 등록 모듈; 상기 안면 이미지 저장 모듈에 미리 저장된 안면 이미지를 이용하여 사용자를 인식하기 위한 분류기를 미리 생성하는 분류기 생성 모듈; 상기 분류기 생성 모듈에 의해 미리 생성된 분류기가 사용자 별로 미리 저장되는 사용자별 분류기 저장 모듈을 포함하도록 구성될 수 있다.
여기서, 상기 사용자별 분류기 저장 모듈에 저장된 분류기를 이용하여 상기 안면 이미지 수신 모듈에서 수신된 안면 이미지의 사용자를 확인하는 안면 인식 모듈을 더 포함하도록 구성될 수 있다.
그리고 상기 안면 인식 모듈에서 확인된 사용자 또는 해당 인식 결과를 출력하는 안면 인식 결과 출력 모듈을 더 포함하도록 구성될 수 있다.
상술한 디지털 합성/위조 안면 검증 시스템에 의하면, 안면 인식에 네트워크 임베딩 알고리즘을 적용하여 실제 안면 이미지와 디지털 합성/위조 안면 이미지를 정확하게 구별해내도록 구성됨으로써, 합성/위조에 의한 스푸핑(spoofing)을 방지하고 보안을 강화할 수 있는 효과가 있다.
특히, 안면 이미지의 학습을 위해 가우시안 노이즈, 가우시안 블러, 압축 등을 가하여 학습 이미지를 생성하도록 구성됨으로써, 실제 이미지와 합성/위조 이미지의 구별에 대한 정확도를 더욱 높일 수 있는 효과가 있다.
아울러, 안면의 눈, 코, 입 등의 특정 부위를 가린 특정 부위 블라인드 이미지를 이용하여 학습을 하도록 구성됨으로써, 안면의 특정 패턴에 의해 학습이 과적합되는 것을 방지하고 안면 이미지의 인식 오류를 줄이고 합성/위조 이미지를 더욱 정확하게 구별에 낼 수 있는 효과가 있다.
도 1은 디지털 합성/위조 안면 이미지의 예시도이다.
도 2는 본 발명의 일 실시예에 따른 디지털 합성/위조 안면 검증 시스템의 블록 구성도이다.
도 3은 본 발명의 일 실시예에 따른 디지털 합성/위조 안면 검증의 모식도이다.
도 4는 네트워크 임베딩 기술을 나타내는 그래프이다.
도 5는 본 발명의 일 실시예에 따른 네트워크 임베딩 알고리즘을 이용한 디지털 합성/위조 안면의 검증 결과를 나타내는 그래프이다.
도 6은 본 발명의 일 실시예에 따른 네트워크 임베딩 알고리즘을 이용한 디지털 합성/위조 안면 알고리즘을 나타내는 모식도이다.
도 7은 본 발명의 실시예에 따른 학습 이미지의 예시도이다.
도 8은 본 발명의 실시예에 따른 압축 이미지의 예시도이다.
도 9는 본 발명의 실시예에 따른 안면 랜드마크 이미지의 예시도이다.
도 10은 본 발명의 실시예에 따른 특정 부위 블라인트 안면 이미지의 예시도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 발명을 실시하기 위한 구체적인 내용에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 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.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 2는 본 발명의 일 실시예에 따른 디지털 합성/위조 안면 검증 시스템의 블록 구성도이다. 그리고 도 3은 본 발명의 일 실시예에 따른 디지털 합성/위조 안면 검증의 모식도이고, 도 4는 네트워크 임베딩 기술을 나타내는 그래프이고, 도 5는 본 발명의 일 실시예에 따른 네트워크 임베딩 알고리즘을 이용한 디지털 합성/위조 안면의 검증 결과를 나타내는 그래프이고, 도 6은 본 발명의 일 실시예에 따른 네트워크 임베딩 알고리즘을 이용한 디지털 합성/위조 안면 알고리즘을 나타내는 모식도이고, 도 7은 본 발명의 실시예에 따른 학습 이미지의 예시도이고, 도 8은 본 발명의 실시예에 따른 압축 이미지의 예시도이고, 도 9는 본 발명의 실시예에 따른 안면 랜드마크 이미지의 예시도이고, 도 10은 본 발명의 실시예에 따른 특정 부위 블라인트 안면 이미지의 예시도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 디지털 합성/위조 안면 검증 시스템(100)은 사용자 등록 모듈(101), 사용자 정보 저장 모듈(102), 안면 이미지 등록 모듈(103), 안면 이미지 저장 모듈(104), 분류기(discriminator) 생성 모듈(105), 사용자별 분류기 저장 모듈(106), 학습 이미지 추가 모듈(107), 블라인드(blind) 안면 이미지 추가 모듈(108), 학습 이미지 데이터베이스(109), 분류기 학습/추가 모듈(110), 안면 이미지 수신 모듈(111), 안면 인식 모듈(112), 안면 인식 결과 출력 모듈(113)을 포함하도록 구성될 수 있다.
그리고 도 3에서는 본 발명은 기본적으로 1) 안면 감지, 2) CNN 알고리즘을 이용한 특징 벡터 검출과 네트워크 임베딩(network embeddings)을 이용한 저차원 매핑, 3) 분류기 생성, 4) 실제 이미지와 디지털 합성/위조 이미지의 구별 출력이라는 순서로 구성됨을 나타낸다.
이하, 도 2의 세부적인 구성에 대하여 설명한다.
사용자 등록 모듈(101)은 사용자 정보를 입력받아 등록하도록 구성될 수 있다. 사용자 정보는 사용자의 이름, ID, 사원 번호 등을 포함할 수 있다.
사용자 정보 저장 모듈(102)은 사용자 등록 모듈(101)에 의해 등록되는 사용자 정보가 저장되도록 구성될 수 있다.
안면 이미지 등록 모듈(103)은 사용자의 안면 이미지를 등록하도록 구성될 수 있다. 안면 이미지 등록 모듈(103)은 사용자 정보 저장 모듈(102)에 저장된 사용자 정보에 대응하여 안면 이미지를 등록하도록 구성될 수 있다.
안면 이미지 저장 모듈(104)은 안면 이미지 등록 모듈(103)에서 등록된 안면 이미지가 사용자 정보 저장 모듈(102)에 저장된 사용자 정보 별로 미리 저장되도록 구성될 수 있다.
분류기 생성 모듈(105)은 안면 이미지 저장 모듈(104)에 미리 저장된 안면 이미지를 이용하여 사용자를 인식하기 위한 분류기를 미리 생성하도록 구성될 수 있다.
여기서, 분류기는 로그인을 위해 안면 이미지 수신 모듈(111)에 의해 수신되는 안면 이미지와 안면 이미지 저장 모듈(104)에 미리 저장된 안면 이미지를 대비하여 사용자를 인식하도록 구성될 수 있다.
분류기 생성 모듈(105)은 제1 CNN 특징점 추출부(105a), 제1 네트워크 임베딩 저차원 매핑부(105b), 분류기 생성부(105c)를 포함하도록 구성될 수 있다.
이하, 세부적인 구성에 대하여 설명한다.
제1 CNN 특징점 추출부(105a)는 안면 이미지 저장 모듈(104)에 저장된 안면 이미지 상의 특징점들을 추출하고, 추출된 특징점들을 기반으로 안면을 정렬하도록 구성될 수 있다. 그리고 그 정렬된 안면에서 CNN 알고리즘을 이용하여 512개의 특징 벡터를 추출하도록 구성될 수 있다.
제1 네트워크 임베딩 저차원 매핑부(105b)는 제1 CNN 특징점 추출부(105a)에서 추출된 특징 벡터를 네트워크 임베딩(network embeddings) 알고리즘을 이용하여 저차원 공간으로 매핑하도록 구성될 수 있다.
도 4는 네트워크 임베딩에 의해 사람, 얼굴, 책 종류 등의 다양한 여러 종류의 데이터를 분류하는 데 이용된다. 그러나 본 발명에서는 도 5와 같이 실제 이미지와 디지털 합성/위조 이미지를 구별해내는 데 이용하도록 구성될 수 있다.
도 5를 보면, CNN 알고리즘에 의해 이미지의 특징이 수치화된 특징 벡터를 저차원 공간으로 맵핑하는 경우, 도 5와 같이 실제 안면 이미지와 디지털 합성/위조 안면 이미지가 서로 분리되어 나타나며, 이를 통해 디지털 합성/위조 안면 이미지를 감별해 낼 수 있다.
도 6에서는 네트워크 임베딩 알고리즘을 나타내는데, 네트워크 임베딩을 이용한 학습 과정은 궁극적으로 Triplet Loss가 anchor와 positive 간의 거리가 최소화되도록 학습하도록 구성될 수 있다. 여기서, Triplet Loss는
Figure pat00001
으로 정의될 수 있으며, positive와의 거리는 보다 가깝게하고 negative와의 거리는 보다 멀게되게끔 학습하는 데 있다. Positive는 실제 이미지라고 볼 수 있고, negative는 디지털 합성/위조 이미지라고 볼 수 있다. 기존에는 Triplet Loss가 음수인 경우에는 0으로 처리하여 weights(가중치)를 학습시키지 않도록 구성될 수 있다. 그러나, 본 발명에서는 도 6의 우측에서 보듯이 Loss가 음수일 경우 positive 간의 거리와
Figure pat00002
를 이용하여 학습 속도를 개선하고 Local minima를 방지하도록 구성될 수 있다.
기본 분류기 생성부(105c)는 제1 네트워크 임베딩 저차원 매핑부(105b)에서 저차원 공간으로 매핑된 특징 벡터로 구성되는 기본 분류기를 생성하도록 구성될 수 있다.
사용자별 분류기 저장 모듈(106)은 분류기 생성 모듈(105)에 의해 미리 생성된 분류기가 사용자 별로 미리 저장되도록 구성될 수 있다.
학습 이미지 추가 모듈(107)은 안면 이미지 등록 모듈(103)에 의해 등록된 안면 이미지를 이용하여 학습 이미지를 추가하도록 구성될 수 있다.
학습 이미지 추가 모듈(107)은 가우시안 노이즈 추가부(107a), 가우시안 블러 추가부(107b), 가우시안 노이즈/블러 추가부(107c), 이미지 압축부(107d)를 포함하도록 구성될 수 있다.
이하, 세부적인 구성에 대하여 설명한다.
가우시안 노이즈 추가부(107a)는 안면 이미지 등록 모듈(103)에서 등록되는 안면 이미지에 대해 가우시안 노이즈를 추가하여 학습 이미지를 생성하고 추가하도록 구성될 수 있다.
가우시안 블러 추가부(107b)는 안면 이미지 등록 모듈(103)에서 등록되는 안면 이미지에 대해 가우시안 블러를 추가하여 학습 이미지를 생성하고 추가하도록 구성될 수 있다.
가우시안 노이즈/블러 추가부(107c)는 안면 이미지 등록 모듈(103)에서 등록되는 안면 이미지에 대해 가우시안 노이즈 및 가우시안 블러를 추가하여 학습 이미지를 생성하고 추가하도록 구성될 수 있다.
이미지 압축부(107d)는 안면 이미지 등록 모듈(103)에서 등록되는 안면 이미지를 압축 처리하여 학습 이미지를 생성하고 추가하도록 구성될 수 있다.
도 7은 가우시안 노이즈 및 가우시안 블러를 가한 학습 이미지를 예시하고 있고, 도 8은 압축을 가한 학습 이미지를 예시하고 있다. 이를 통해 디지털 합성/위조 이미지의 구별에 대한 정확도를 높일 수 있다.
블라인드 안면 이미지 추가 모듈(108)은 안면 이미지 등록 모듈(103)에 의해 등록된 안면 이미지를 이용하여 블라인지 안면 이미지를 추가하도록 구성될 수 있다.
블라인드 안면 이미지 추가 모듈(108)은 랜드마크 검출부(108a), 특정 블라인드 안면 이미지 생성부(108b)를 포함하도록 구성될 수 있다.
이하, 세부적인 구성에 대하여 설명한다.
랜드마크 검출부(108a)는 학습 이미지 데이터베이스(109)에 저장된 학습 이미지 및 블라인드 안면 이미지에서 안면의 주요 부위에 대한 68개의 랜드마크를 검출하도록 구성될 수 있다.
특정 부위 블라인드 안면 이미지 생성부(108b)는 랜드마크 검출부(108a)에서 검출된 랜드마크를 기반으로 해당 안면의 소정 부위를 가린 블라인드 안면 이미지를 생성하도록 구성될 수 있다.
도 9는 안면 랜드마크 이미지를 나타내고 도 10은 특정 부위 블라인드 안면 이미지를 예시하고 있다. 이를 통해 학습 과정에서 안면의 특정 부위 패턴에 의해 학습이 과적합되는 것을 방지하고, 디지털 합성/위조 이미지의 구별에 대한 정확도를 높일 수 있다.
학습 이미지 데이터베이스(109)는 학습 이미지 추가 모듈(107)에 의해 추가된 학습 이미지 및 블라인드 안면 이미지 추가 모듈(108)에 의해 추가된 블라인드 안면 이미지가 저장되도록 구성될 수 있다.
분류기 학습/추가 모듈(110)은 학습 이미지 데이터베이스(109)에 저장된 학습 이미지 및 블라인드 안면 이미지를 이용하여 학습하여 각 사용자의 분류기를 추가하고 사용자별 분류기 저장 모듈(106)에 추가 저장하도록 구성될 수 있다.
분류기 학습/추가 모듈(110)은 제2 CNN 특징점 추출부(110a), 제2 네트워크 임베딩 저차원 매핑부(110b), 합성/위조 분류기 추가부(110c)를 포함하도록 구성될 수 있다.
이하, 세부적인 구성에 대하여 설명한다.
제2 CNN 특징점 추출부(110a)는 학습 이미지 데이터베이스(109)에 학습 이미지 또는 블라인드 안면 이미지 상의 특징점들을 추출하고, 추출된 특징점들을 기반으로 안면을 정렬하고, 정렬된 안면에서 CNN 알고리즘을 이용하여 512개의 특징 벡터를 추출하도록 구성될 수 있다.
제2 네트워크 임베딩 저차원 매핑부(110b)는 제2 CNN 특징점 추출부(110a)에서 추출된 특징 벡터를 네트워크 임베딩(network embeddings) 알고리즘을 이용하여 저차원 공간으로 매핑하도록 구성될 수 있다.
합성/위조 분류기 추가부(110c)는 제2 네트워크 임베딩 저차원 매핑부(110b)에서 저차원 공간으로 매핑된 특징 벡터로 구성되는 합성/위조 분류기를 사용자 별로 추가하도록 구성될 수 있다.
안면 이미지 수신 모듈(111)은 사용자 확인을 위한 안면 이미지를 수신하도록 구성될 수 있다.
안면 인식 모듈(112)은 사용자별 분류기 저장 모듈(106)에 저장된 분류기를 이용하여 안면 이미지 수신 모듈(111)에서 수신된 안면 이미지의 사용자를 확인하도록 구성될 수 있다.
안면 인식 모듈(112)은 기본 분류기 활용 안면 인식부(112a), 합성/위조 분류기 활용 안면 인식부(112b)를 포함하도록 구성될 수 있다.
이하, 세부적인 구성에 대하여 설명한다.
1차적으로는 기본 분류기 활용 안면 인식부(112a)가 기본 분류기 생성부(105c)에서 생성된 기본 분류기를 활용하여 안면 이미지 수신 모듈(111)에서 수신된 안면 이미지를 인식하도록 구성될 수 있다.
2차적으로는 합성/위조 분류기 활용 안면 인식부(112b)가 합성/위조 분류기 추가부(110c)에서 추가된 합성/위조 분류기를 활용하여 안면 이미지 수신 모듈(111)에서 수신된 안면 이미지의 합성/위조를 구별하여 인식하도록 구성될 수 있다.
안면 인식 결과 출력 모듈(113)은 안면 인식 모듈(112)에서 확인된 사용자 또는 해당 인식 결과를 출력하도록 구성될 수 있다.
이상 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
101: 사용자 등록 모듈
102: 사용자 정보 저장 모듈
103: 안면 이미지 등록 모듈
104: 안면 이미지 저장 모듈
105: 분류기 생성 모듈
105a: 제1 CNN 특징점 추출부
105b: 제1 네트워크 임베딩 저차원 매핑부
105c: 기본 분류기 생성부
106: 사용자별 분류기 저장 모듈
107: 학습 이미지 추가 모듈
107a: 가우시안 노이즈 추가부
107b: 가우시안 블러 추가부
107c: 가우시안 노이즈/블러 추가부
107d: 이미지 압축부
108: 블라인드 안면 이미지 추가 모듈
108a: 랜드마크 검출부
108b: 특정 부위 블라인드 안면 이미지 생성부
109: 학습 이미지 데이터베이스
110: 분류기 학습/추가 모듈
110a: CNN 특징점 추출부
110b: 네트워크 임베딩 저차원 매핑부
110c: 합성/위조 분류기 추가부
111: 안면 이미지 수신 모듈
112: 안면 인식 모듈
112a: 기본 분류기 활용 안면 인식부
112b: 합성/위조 분류기 활용 안면 인식부
113: 안면 인식 결과 출력 모듈

Claims (3)

  1. 사용자의 안면 이미지를 등록하는 안면 이미지 등록 모듈
    상기 안면 이미지 저장 모듈에 미리 저장된 안면 이미지를 이용하여 사용자를 인식하기 위한 분류기를 미리 생성하는 분류기 생성 모듈
    상기 분류기 생성 모듈에 의해 미리 생성된 분류기가 사용자 별로 미리 저장되는 사용자별 분류기 저장 모듈을 포함하는 디지털 합성/위조 안면 검증 시스템.
  2. 제1항에 있어서,
    상기 사용자별 분류기 저장 모듈에 저장된 분류기를 이용하여 상기 안면 이미지 수신 모듈에서 수신된 안면 이미지의 사용자를 확인하는 안면 인식 모듈을 더 포함하도록 구성되는 것을 특징으로 하는 디지털 합성/위조 안면 검증 시스템.
  3. 제2항에 있어서,
    상기 안면 인식 모듈에서 확인된 사용자 또는 해당 인식 결과를 출력하는 안면 인식 결과 출력 모듈을 더 포함하도록 구성되는 것을 특징으로 하는 디지털 합성/위조 안면 검증 시스템.
KR1020200182915A 2020-12-24 2020-12-24 디지털 합성 안면 및 디지털 위조 안면 검증 시스템 KR102612941B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200182915A KR102612941B1 (ko) 2020-12-24 2020-12-24 디지털 합성 안면 및 디지털 위조 안면 검증 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200182915A KR102612941B1 (ko) 2020-12-24 2020-12-24 디지털 합성 안면 및 디지털 위조 안면 검증 시스템

Publications (2)

Publication Number Publication Date
KR20220091821A true KR20220091821A (ko) 2022-07-01
KR102612941B1 KR102612941B1 (ko) 2023-12-12

Family

ID=82396899

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200182915A KR102612941B1 (ko) 2020-12-24 2020-12-24 디지털 합성 안면 및 디지털 위조 안면 검증 시스템

Country Status (1)

Country Link
KR (1) KR102612941B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040037180A (ko) 2001-09-28 2004-05-04 코닌클리케 필립스 일렉트로닉스 엔.브이. 학습 모델 부분들을 사용하는 안면 인식 시스템 및 방법
KR20170006355A (ko) * 2015-07-08 2017-01-18 주식회사 케이티 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치
KR20180135898A (ko) 2016-03-17 2018-12-21 아비질론 코포레이션 기계 학습에 의해 객체 분류기를 훈련시키는 시스템 및 방법
KR102078249B1 (ko) * 2019-06-18 2020-02-17 주식회사 페이스테그 얼굴 인증 방법, 얼굴 인증 장치, 이를 위한 컴퓨터 프로그램

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040037180A (ko) 2001-09-28 2004-05-04 코닌클리케 필립스 일렉트로닉스 엔.브이. 학습 모델 부분들을 사용하는 안면 인식 시스템 및 방법
KR20170006355A (ko) * 2015-07-08 2017-01-18 주식회사 케이티 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치
KR20180135898A (ko) 2016-03-17 2018-12-21 아비질론 코포레이션 기계 학습에 의해 객체 분류기를 훈련시키는 시스템 및 방법
KR102078249B1 (ko) * 2019-06-18 2020-02-17 주식회사 페이스테그 얼굴 인증 방법, 얼굴 인증 장치, 이를 위한 컴퓨터 프로그램

Also Published As

Publication number Publication date
KR102612941B1 (ko) 2023-12-12

Similar Documents

Publication Publication Date Title
KR102406432B1 (ko) 신원 인증 방법 및 장치, 전자 기기 및 저장 매체
US8903181B2 (en) Low cost unique identification generation using combination of patterns and unique code images
US6782120B2 (en) Method and system for generating a key record
Schouten et al. Biometrics and their use in e-passports
CN105513221A (zh) 一种基于三维人脸识别的atm机防欺诈装置及系统
US10403076B2 (en) Method for securing and verifying a document
US8655026B2 (en) Robust biometric feature extraction with and without reference point
US11238271B2 (en) Detecting artificial facial images using facial landmarks
Malathi An integrated approach of physical biometric authentication system
JP2020524860A (ja) 身元認証方法および装置、電子機器、コンピュータプログラムおよび記憶媒体
Kant et al. A watermarking based approach for protection of templates in multimodal biometric system
Ambadiyil et al. Biometric based unique ID generation and one to one verification for security documents
Alsuhimat et al. Offline signature verification using long short-term memory and histogram orientation gradient
KR102612941B1 (ko) 디지털 합성 안면 및 디지털 위조 안면 검증 시스템
Fooprateepsiri et al. A fast and accurate face authentication method using hamming-trace transform combination
Anand et al. 3D signature for efficient authentication in multimodal biometric security systems
Alonso-Fernandez et al. Fusion of static image and dynamic information for signature verification
Sinduja et al. Sheltered iris attestation by means of visual cryptography (sia-vc)
Kurutach et al. A highly robust approach face recognition using hausdorff-trace transformation
CN109784029A (zh) 一种防伪证书的制作方法、防伪系统及验证方法
Shrivastava et al. Offline signature verification using SVM method and DWT-Gabor filter feature extraction
Kulkarni et al. Review on authentication mechanisms of digital signatures used for certification
KR20040076962A (ko) 얼굴과 홍채를 결합한 복합 생체 코드 추출 시스템
Harris et al. An Improved Signature Forgery Detection using Modified CNN in Siamese Network
Adithya et al. Signature analysis for forgery detection

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant