KR20220151941A - 신경망을 이용한 신분증 도용 탐지 서버 및 방법 - Google Patents

신경망을 이용한 신분증 도용 탐지 서버 및 방법 Download PDF

Info

Publication number
KR20220151941A
KR20220151941A KR1020210059274A KR20210059274A KR20220151941A KR 20220151941 A KR20220151941 A KR 20220151941A KR 1020210059274 A KR1020210059274 A KR 1020210059274A KR 20210059274 A KR20210059274 A KR 20210059274A KR 20220151941 A KR20220151941 A KR 20220151941A
Authority
KR
South Korea
Prior art keywords
background
card
area
neural network
stolen
Prior art date
Application number
KR1020210059274A
Other languages
English (en)
Other versions
KR102513075B1 (ko
Inventor
전상현
Original Assignee
주식회사 카카오뱅크
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 카카오뱅크 filed Critical 주식회사 카카오뱅크
Priority to KR1020210059274A priority Critical patent/KR102513075B1/ko
Publication of KR20220151941A publication Critical patent/KR20220151941A/ko
Application granted granted Critical
Publication of KR102513075B1 publication Critical patent/KR102513075B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G06K9/6201—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 신경망을 이용한 신분증 도용 탐지 방법에 대한 것으로, 신분증이 촬영된 신분증 이미지를 수신하는 단계, 제1 신경망 모델을 이용하여 신분증 이미지를 신분증 영역과 신분증이 촬영된 신분증 영역 이외의 배경 영역으로 구분하여 인식하는 단계, 인식된 배경 영역을 소정 크기의 영역으로 분할하는 단계, 제2 신경망 모델을 이용하여 분할된 복수의 배경 영역에서 각각의 특징 벡터를 추출하는 단계 및 분할된 복수의 배경 영역에서 추출된 특징 벡터들을 기초로 상기 신분증의 도용 여부를 탐지하는 단계를 포함할 수 있다. 본 발명에 따르면 분할된 복수의 배경 영역에서 추출된 특징 벡터들을 기초로 신분증 이미지의 배경 영역이 기 저장된 다른 신분증의 배경과 유사한 경우, 해당 신분증이 도용된 것으로 판단할 수 있다.

Description

신경망을 이용한 신분증 도용 탐지 서버 및 방법{Identity card theft monitoring server and method using neural network}
본 발명은 신경망을 이용한 신분증 도용 탐지 방법에 관한 것으로, 신분증이 촬영된 신분증 이미지에 포함된 특징을 기반으로 신분증 도용을 탐지하는 서버 및 방법에 관한 것이다.
스마트폰과 모바일 통신 기술의 발달에 힘입어 사용자들은 과거에 오프라인을 통해 수행하던 기능을 언제 어디서나 간편하고 편리하게 이용할 수 있게 되었다.
최근에는 일상생활에서의 편의성을 더욱 향상시키고자 스마트폰의 어플리케이션을 통해 금융 업무를 비대면(非對面)으로 처리하는 기술이 개발되어 서비스되고 있으며, 비대면으로 사용자의 신분을 확인하기 위하여 사용자의 신분증을 스마트폰으로 촬영 후 원격으로 확인하는 인증 방식이 사용되고 있다.
또한 인공지능 기술의 발달로 인공지능 기술들이 다양한 분야에 적용되고 있으며, 신분증 인식 분야에서도 기존의 영상 처리 방식을 대신하여 신경망 모델을 통해 영상 내 신분증을 검출하고, 인식하는 방법들이 개발되어 사용되고 있다.
인공지능을 위해 이용되는 신경망 모델은 학습을 통하여 일반적인 영상 처리에 비해 입력된 이미지 내에서 보다 빠르고, 정확하게 신분증을 검출 및 인식할 수 있다.
다만, 신분증을 통한 인증 방식은 신분증 자체의 특성상 습득이나 위조 만으로도 쉽게 도용이 가능함에 따른 문제가 지속적으로 발생하고 있다.
따라서, 이러한 신분증 도용 문제를 해결하기 위해 부가적인 생체 정보 나 위치 정보 또는 IP 조회 등을 통한 검증 방식이 이용되고 있으나 도용자의 생체 정보의 위조, IP우회 등의 조작으로 신분증 도용을 검증하는데 한계가 있다.
또한, 신종 바이러스 코로나19(COVID-19)의 확산에 따라 포스트 코로나 시대에 언택트 기반의 서비스들의 수요가 증대됨에 따라, 비대면 기반의 신분 인증에 필수적으로 이용되는 신분증의 도용 문제를 해결하기 위한 탐지 방법이 더욱 요구될 것으로 보인다.
본 발명은 직접적 촬영 대상이 아닌 촬영 주변 정보를 이용함으로써 신분증과 같은 촬영 대상의 도용이나 오용을 방지하는 방법을 제안하는 것을 목적으로 한다.
구체적으로, 본 발명은 신경망을 이용하여 신분증 이미지에서 신분증이 촬영된 신분증 영역 이외의 배경 영역을 인식하고, 배경 영역을 기반으로 신분증 도용을 탐지하는 서버 및 방법을 제안하는 것을 목적으로 한다.
상기 기술적 과제를 해결하기 위한 본 발명에 따른 신경망을 이용한 신분증 도용 탐지 방법은 신분증이 촬영된 신분증 이미지를 수신하는 단계, 제1 신경망 모델을 이용하여 상기 신분증 이미지를 신분증이 촬영된 신분증 영역과 상기 신분증 영역 이외의 배경 영역으로 구분하여 인식하는 단계, 상기 인식된 배경 영역을 소정 크기의 영역으로 분할하는 단계, 제2 신경망 모델을 이용하여 상기 분할된 복수의 배경 단위 영역에서 각각의 특징 벡터를 추출하는 단계 및 상기 분할된 복수의 배경 영역에서 추출된 특징 벡터들을 기초로 상기 신분증의 도용 여부를 탐지하는 단계를 포함할 수 있다.
또한, 상기 인식하는 단계는 상기 제1 신경망 모델을 통해 상기 신분증 이미지에서 상기 신분증의 모서리를 인식하고, 상기 신분증의 모서리를 기준으로 상기 신분증 영역과 상기 배경 영역으로 구분하여 인식할 수 있다.
또한, 상기 제2 신경망 모델은 인코더(encoder)를 통해 상기 분할된 배경 단위 영역에서 특징 벡터를 추출하도록 학습될 수 있다.
또한, 상기 신분증의 도용 여부를 탐지하는 단계는 상기 추출된 특징 벡터들을 각각 기 저장된 배경 영역 데이터베이스상에서 클러스터링하여 유사한 특징을 갖는 배경 영역 그룹을 탐색하는 단계 및 상기 배경 영역 그룹의 탐색 결과에 따라 신분증의 도용 여부를 판단하는 단계를 더 포함할 수 있다.
또한, 신분증의 도용 여부를 판단하는 단계는 상기 탐색 결과 상기 배경 영역 그룹이 소정 횟수 이상 탐색된 경우, 해당 신분증이 도용 또는 도용 가능성이 있는 것으로 판단할 수 있다.
또한, 신분증의 도용 여부를 판단하는 단계는 상기 탐색 결과 상기 배경 영역 그룹 내 특징 벡터의 식별 정보가 소정 횟수 이상 공통된 경우, 해당 신분증이 도용 또는 도용 가능성이 있는 것으로 판단할 수 있다.
한편, 신경망을 이용한 신분증 도용 탐지 서버는 신분증이 촬영된 신분증 이미지를 수신하는 통신부, 제1 신경망 모델을 이용하여 상기 신분증 이미지를 신분증이 촬영된 신분증 영역과 상기 신분증 영역 이외의 배경 영역으로 구분하여 인식하는 배경 영역 인식부, 상기 인식된 배경 영역을 소정 크기의 영역으로 분할하는 분할부, 제2 신경망 모델을 이용하여 상기 분할된 복수의 배경 단위 영역에서 각각의 특징 벡터를 추출하는 추출부 및 상기 분할된 복수의 배경 단위 영역에서 추출된 특징 벡터들을 기초로 상기 신분증의 도용 여부를 탐지하는 탐지부를 포함할 수 있다,
또한, 상기 배경 영역 인식부는 상기 제1 신경망 모델을 통해 상기 신분증 이미지에서 상기 신분증의 모서리를 인식하고, 상기 신분증의 모서리를 기준으로 상기 신분증 영역과 상기 배경 영역으로 구분하여 인식할 수 있다.
또한, 상기 제2 신경망 모델은 인코더(encoder)를 통해 상기 분할된 배경 단위 영역에서 특징 벡터를 추출하도록 학습될 수 있다.
또한, 상기 탐지부는 상기 추출된 특징 벡터들을 각각 기 저장된 배경 영역 데이터베이스상에서 클러스터링하여 유사한 특징을 갖는 배경 영역 그룹을 탐색하고, 상기 배경 영역 그룹의 탐색 결과에 따라 신분증의 도용 여부를 판단할 수 있다.
한편, 상술한 목적을 달성하기 위한 본 발명의 일 실시 예에 따르면, 컴퓨터가 판독 가능한 기록 매체에 저장된 신분증 도용 탐지 방법을 실행하기 위한 프로그램 코드를 포함할 수 있다.
따르면 본인 인증을 위한 프로세스 중 부가적인 절차의 추가 없이 신분증 이미지에서 배경 영역을 구분하여 인식하고, 해당 배경 영역을 기준으로 신분 인증이 동일 장소에서 수행되는지 여부를 판단할 수 있다.
이를 통해 본 발명은 동일 장소에서 신분 인증이 수행되는 것을 판단하여 동일 장소에서 타 사용자의 신분증을 이용한 불법 행위를 탐지할 수 있다.
도 1은 본 발명의 일 실시예에 따른 신분증 도용 탐지 시스템을 나타낸 예시도이다.
도 2는 본 발명의 일 실시예에 따른 신경망을 이용한 신분증 도용 탐지 방법을 나타낸 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 신분증 이미지를 나타낸 예시도이다.
도 4는 본 발명의 일 실시예에 따른 제1 신경망 모델을 나타낸 예시도이다.
도 5는 본 발명의 일 실시예에 따른 분할된 배경 영역을 나타낸 예시도이다.
도 6은 본 발명의 일 실시예에 따른 제2 신경망 모델을 나타낸 예시도이다.
도 7a 내지 도 7c는 본 발명의 일 실시예에 따른 배경 영역 데이터베이스를 나타낸 예시도이다.
도 8은 본 발명의 일 실시예에 따른 신분증 도용 탐지 서버의 구성을 나타낸 블록도이다.
이하의 내용은 단지 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시 되지 않았지만 발명의 원리를 구현하고 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시 예들은 원칙적으로, 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이외같이 특별히 열거된 실시 예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.
상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.
또한, 발명을 설명함에 있어서 발명과 관련된 공지 기술에 대한 구체적인 설명이 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다. 이하에는 첨부한 도면을 참조하여 본 발명의 바람직한 실시 예에 대해 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 신분증 도용 탐지 시스템을 나타낸 예시도이다.
도 1을 참조하면, 신분증 도용 탐지 시스템(1000)는 신분증 도용 탐지 서버(100)와 사용자 단말기(200)로 구성될 수 있다.
비대면에서 사용자의 신분을 증명하기 위해 사용자는 신분증(10)을 사용자 단말기(200)로 촬영하고, 사용자 단말기(200)는 촬영된 신분증 이미지(20)를 신분증 도용 탐지 서버(100)로 전송할 수 있다.
신분증 도용 탐지 서버(100)는 신경망을 이용하여 수신된 신분증 이미지(20)를 신분증 영역(22)과 신분증 영역 이외의 배경 영역으로 구분하여 인식하고, 인식된 배경 영역(24)을 기 저장된 배경 영역들과 비교하여 신분증(10)의 도용 여부를 탐지할 수 있다.
이하에서는 도 2를 참조하여 신분증 도용 탐지 서버(100)의 신경망을 이용한 신분증 도용 탐지 방법을 설명한다.
도 2는 본 발명의 일 실시예에 따른 신경망을 이용한 신분증 도용 탐지 방법을 나타낸 흐름도이다.
신분증 도용 탐지 서버(100)는 사용자 단말기(200)로부터 신분증이 촬영된 신분증 이미지(20)를 수신할 수 있다(S100). 여기서, 신분증 이미지(20)에는 신분증과 신분증 이외의 배경이 함께 포함될 수 있다. 여기서, 배경은 신분증을 촬영하면서 함께 찍힌 주변 환경으로 신분증을 두고 찍게 되는 책상의 면, 신분증을 들고 찍게 되는 경우 벽면이나 주변의 객체들을 포함할 수 있다.
도 3을 참조하면 신분증의 촬영을 위한 사용자 단말기(200)의 어플리케이션은 신분증 촬영 가이드를 촬영 화면과 함께 인터페이스로 제공하여 비교적 일정한 크기와 비율로 신분증을 촬영할 수 있도록 하므로, 신분증 도용 탐지 서버(100)는 사용자 단말기(200)로부터 신분증 이미지(20)에서 신분증 영역(22)과 배경 영역(24)의 비율이 일정한 신분증 이미지(20)를 수신할 수 있다.
신분증 도용 탐지 서버(100)는 이상의 인터페이스를 이용하여 촬영된 이미지를 수신하면 제1 신경망 모델을 이용하여 신분증 이미지(20)를 신분증이 촬영된 신분증 영역(22)과 신분증 영역 이외의 배경 영역(24)으로 구분하여 인식할 수 있다(S200). 구체적으로, 제1 신경망 모델은 신분증 이미지(20)에서 신분증의 모서리를 인식하여 출력하도록 학습될 수 있다.
이와 관련하여 도 4를 참조하여 설명한다.
도 4는 본 발명의 일 실시예에 따른 제1 신경망 모델을 나타낸 예시도이다.
도 4를 참조하면, 본 실시예에 따른 제1 신경망 모델(30)은 복수의 합성곱 연산을 수행하는 레이어로 구성된 CNN(Convolution Neural Network) 모델로 구성될 수 있다.
신분증 이미지(20)가 입력되면, 제1 신경망 모델(30) 내부의 레이어들은 신분증 이미지(20) 내에 포함된 신분증과 배경 영역을 구분하고, 신분증 영역의 특정을 위해 신분증의 외곽선 중 모서리에 해당하는 특징 요소의 형상이나 색상에 따른 특징 값들을 강조하는 방향으로 순차적인 합성곱 연산을 수행한다.
따라서 제1 신경망 모델(30)은 신분증의 영역 바람직하게는 신분증의 모서리 위치 정보가 레이블링된 신분증 이미지(20)를 학습데이터로, 입력된 신분증 이미지(20)에 포함된 픽셀들의 특징 값들이 합성곱 레이어(Convolution layer)를 거치면서 새로운 특징 맵의 형태로 생성되도록 한다. 합성곱 레이어의 반복 연산을 통해 생성된 최종 특징 맵은 완전연결 레이어(Fully-connected layer)에 따른 결과로 신분증의 영역에 해당하는 픽셀들 중 최외곽에 위치하는 모서리의 위치 정보로 출력될 수 있다.
신분증 도용 탐지 서버(100)는 제1 신경망 모델(30)에서 출력된 신분증 이미지의 각 모서리(32)에 해당하는 픽셀들의 위치를 기준으로 사각형의 영역을 설정하고 사각형의 내부 영역을 신분증 영역(22), 사각형의 외부 영역을 배경 영역(24)으로 구분하여 인식할 수 있다.
한편, 상술한 신분증을 인식하는 단계(S200)는 신분증 도용 탐지 서버(100)뿐만 아니라 사용자 단말기(200)에서 수행될 수도 있다.
예를 들어, 사용자 단말기(200)는 신분증 촬영을 위한 어플리케이션에 포함된 제1 신경망 모델을 이용하여 신분증 이미지(20)를 신분증이 촬영된 신분증 영역(22)과 신분증 영역 이외의 배경 영역(24)으로 구분하여 인식할 수 있다.
이 경우, 신분증 도용 탐지 서버(100)는 사용자 단말기(200)로부터 신분증 이미지(20)를 신분증 영역(22)과 배경 영역(24)으로 구분하여 수신하고 수신된 배경 영역(24)을 탐지에 이용할 수 있다.
이어서, 신분증 도용 탐지 서버(100)는 인식된 배경 영역(24)을 소정 크기의 영역들로 분할할 수 있다(S300). 여기서, 소정 크기는 인식된 배경 영역(24)의 크기를 균등하게 분할하기 위한 기준으로 미리 결정될 수 있다.
도 3과 같이 신분증의 촬영 영역의 크기가 고정된 형태로 사용자가 신분증의 크기를 인터페이스로 제시되는 가이드 테두리에 맞추어 촬영하는 경우에는, 배경 영역(24)의 크기가 촬영 조건과 상관없이 동일하므로 분할 기준에 따라 복수의 동일한 크기와 개수의 단위 영역들로 분할 될 수 있다.
또는, 가이드 테두리 없이 신분증의 모서리를 직접 인식하여 엣지를 검출하는 형태로 촬영이 수행되는 경우에는 촬영 조건으로 인식된 배경 영역(24)의 넓이에 따라 동적으로 결정되거나, 신분증 영역(22)의 초점과 배경 영역(24)의 초점 간의 거리에 따라 결정될 수도 있다.
예를 들어, 신분증 도용 탐지 서버(100)는 인식된 배경 영역(24)의 넓이가 넓을수록 분할하는 영역의 크기를 크게 결정하여 분할된 단위 이미지의 개수를 조절할 수 있으며, 반대로 인식된 배경 영역(24)의 넓이가 좁을수록 소정 크기를 작게 결정할 수 있다.
다른 예로, 신분증 도용 탐지 서버(100)는 신분증 영역(22)의 초점과 배경 영역(24)의 초점 간의 차이가 커질수록 소정 크기를 기준 크기 보다 큰 영역들로 배경 영역(24)을 분할함으로써 상대적으로 비선명한 객체들로부터 특징 정보들을 추출할 수 있도록 한다. 반대로, 신분증 영역(22)의 초점과 배경 영역(24)의 초점 간의 거리가 같거나 가까워질수록 소정 크기를 기준 크기와 유사하도록 결정하여 배경 영역(24)을 분할하는 것도 가능하다.
구체적으로 도 5를 참조하면, 신분증 도용 탐지 서버(100)는 신분증 영역(22)과 배경 영역(24)으로 구분된 신분증 이미지(20)에서 배경 영역(24)을 소정 크기의 배경 단위 영역들(26-1, 26-2, 26-3, 26-4, 26-N : 26)로 분할할 수 있다.
다음 신분증 도용 탐지 서버(100)는 제2 신경망 모델을 이용하여 분할된 복수의 배경 단위 영역들 로부터 각각의 특징 벡터를 추출할 수 있다(S400). 여기서, 제2 신경망은 인코더(encoder)를 통해 분할된 배경 영역에서 특징 벡터를 추출하도록 학습된 것일 수 있다.
이와 관련하여 도 6을 참조하여 보다 상세히 설명한다.
도 6은 본 발명의 일 실시예에 따른 제2 신경망 모델을 나타낸 예시도이다.
도 6을 참조하면, 본 실시예에 따른 제2 신경망 모델(40)은 대칭적인 구조로 구성될 수 있다.
제2 신경망 모델(40)은 입력 측에 입력된 배경 단위 영역의 압축된 특징들로, 이미지 내의 특징들을 컨볼루션 연산을 통해 내부적인 표현으로 변환하는 인코더(encoder)와, 인코더에서 출력된 내부 표현을 디컨볼루션 연산을 통해 확장함으로써 입력과 같은 크기의 출력으로 재 변환하는 출력 측의 디코더(decoder) 형태로 구성될 수 있으며 인코더와 디코더는 각각 내부의 (디)컨볼루션 연산을 위한 가중치들을 유기적으로 학습할 수 있다.
구체적으로 제2 신경망 모델(40)은 학습을 위해, 임의의 배경 단위 영역들을 학습데이터로 인코더에서 입력하여 특징 벡터를 추출하고, 추출된 특징 벡터들을 디코더를 통해 분할된 배경 영역으로 복원하도록 네트워크를 구성하여 복원된 분할된 배경 영역과 입력된 배경 영역 간의 오차를 손실로 정의함으로써 학습을 수행할 수 있다.
제2 신경망은 입력 값과 복원된 출력값 간의 차이로 계산된 손실값을 기초로 오차를 역전파(backpropagtion)함으로써, 인코더의 컨볼루션 연산을 위한 필터들의 가중치와 및 디코더의 디컨볼루션 가중치를 갱신할 수 있다.
즉, 인코더와 디코더의 경쟁적인 학습으로 인코더는 입력된 배경 단위 영역의 특징을 보다 잘 표현하는 벡터들로 압축하도록 학습되며, 디코더는 압축된 벡터들로 복원을 잘하도록 학습될 수 있다.
학습된 제2 신경망은 소정 크기로 분할된 배경 단위 영역들(26-1, 26-2, 26-3, 26-N)이 입력되면, 컨볼루션 계산을 통해 인코더(encoder)에서 특징 벡터(42)를 추출할 수 있다.
분할된 배경 단위 영역들(26-1, 26-2, 26-3, 26-N)이 입력된 경우, 제2 신경망 모델(40)은 각 배경 단위 영역에 대응되는 특징 벡터(42-1, 42-2, 42-3, 42-N)를 추출할 수 있다.
이상의 과정을 통해 학습된 제2 신경망의 인코더에서 추출된 특징 벡터들은 특징 벡터 데이터베이스에 저장되어 탐지에 이용될 수 있다.
이하, 추출된 특징 벡터를 이용하여 신분증의 도용 여부를 탐지하는 방법에 대하여 설명한다.
신분증 도용 탐지 서버(100)는 단위 영역 별 추출된 특징 벡터와 특징 벡터 데이터베이스 내 인접한 벡터들의 개수를 이용하여 도용 여부를 판단할 수 있다.
예를 들어, 특징 벡터들이 정의되는 공간 내에서 추출된 특징 벡터와 특정 거리 d이내인 데이터베이스 내 기 저장 벡터들이 존재하는 경우 특징 벡터가 추출된 배경 영역과 유사한 배경에서 다른 신분증에 대하여 촬영이 수행되었던 것으로 판단할 수 있다.
즉, 특징 벡터 별 인접한 기 저장 벡터들의 수가 임계값 이상인 경우 유사한 배경에서 촬영된 것으로 판단하되, 유사한 배경에서 촬영된 것으로 판단된 특징 벡터 수의 비율에 따라 신분증 도용 가능성을 판단할 수 있다.
또한, 신분증 도용 탐지 서버(100)는 특징 벡터 테이터베이스 상에서 클러스터링을 통해 신분증의 도용 여부를 탐지하는 것도 가능하다.
구체적으로, 신분증 도용 탐지 서버(100)는 추출된 특징 벡터들을 각각 기 저장된 특징 벡터 데이터베이스상에서 클러스터링(clustering)함으로써, 동일하거나 유사한 특징을 갖는 배경 영역 그룹을 탐색할 수 있다(S500).
구체적으로 신분증 도용 탐지 서버(100)는 배경 영역 데이터베이스 상에서 기 저장된 사용자들의 신분증 촬영 시 배경 단위 영역의 특징 벡터와 제2 신경망 모델(40)을 통해 기 추출된 특징 벡터들 간의 클러스터링(clustering)을 통해 유사한 특징을 갖는 클러스터들을 탐색할 수 있다.
이를 위해, 배경 영역 데이터베이스(150)는 신분증 도용 탐지 서버(100)를 통해 과거 본인 인증에 이용된 신분증 이미지(20)의 배경 영역에서 추출된 특징 벡터들을 사용자 또는 신분증을 단위로 식별하여 저장하고 관리할 수 있다.
즉, 신분증 도용 탐지 서버(100)는 추출된 특징 벡터를 배경 영역 데이터베이스(150) 상에서 기 저장된 특징 벡터들과의 유사도에 따라 클러스터링함으로써 추출된 특징 벡터가 속하는 클러스터를 탐색할 수 있으며, 탐색된 클러스터는 신분증의 촬영 시 배경 영역이 유사한 특징을 갖는 그룹으로 정의될 수 있다.
구체적으로 특징 벡터 간 클러스터링을 위해서, 추출된 특징 벡터와 기 저장된 특징 벡터들의 특징 공간 내 거리를 유사도로 산출할 수 있다. 본 실시예에서 신분증 도용 탐지 서버(100)는 동일한 배경에서 촬영된 신분증들의 경우 배경 단위 영역에서 추출되는 특징 벡터들은 특징 벡터들이 정의되는 공간 내에 비슷한 위치에 있음을 가정으로 밀도기반 클러스터링을 수행한다.
예를 들어 특징 벡터들의 클러스터링을 위해 DBSCAN(Density-Based Spatial Clustering of Applications with Noise) 알고리즘을 이용할 수 있다.
이와 관련하여, 도 7a 내지 7c를 참조하여 보다 자세히 설명한다.
도 7a 내지 7c는 본 발명의 일 실시예에 따른 배경 영역 데이터베이스를 나타낸 예시도이다. 본 실시예에서 DBSCAN을 위한 특징 벡터들은 예를 들어 N차원의 특징 공간 상의 값으로 매핑될 수 있으며, 제2 신경망의 인코더의 합성곱 연산을 통해 출력된 특징 벡터들 역시 입력된 배경 영역의 특징을 N차원 상의 값으로 축소 또는 확장하여 표현될 수 있다.
또한 배경 영역 데이터베이스에 기 저장된 특징 벡터들은 신분증을 단위로 특징 벡터의 종류에 따른 값으로 각각 N 차원 상의 특정 좌표를 가질 수 있으므로, 현재 추출된 특징 벡터와 기 저장된 특징 벡터들의 유사도를 N 차원의 공간 내 거리로 산출할 수 있다.
구체적으로, 배경 영역 데이터베이스 내 과거 신분증 촬영 시 획득된 K개의 배경 단위 영역에 대하여 제2 신경망에서 출력된 특징 벡터가 N 차원에 따른 좌표
Figure pat00001
= [
Figure pat00002
,
Figure pat00003
,
Figure pat00004
…
Figure pat00005
](i = 1, 2, 3 … , K) 갖는 다면, 추출된 배경 단위 영역의 특징 벡터
Figure pat00006
와 K개의 특징 벡터 각각의 유클리드 거리(d)는 아래의 수식 1과 같이 계산될 수 있다.
[수학식 1]
Figure pat00007
이때 DBSCAN은 두 특징 벡터의 거리의 임계값 반경과 함께 동일 클러스터에 속할 수 있는 특징 벡터들의 최소 개수를 미리 결정할 수 있다.
즉, 각각의 특징 벡터에 대하여, 산출된 거리를 이용하여 아래의 수식 2 조건을 만족하는 경우 각각의 특징 벡터를 하나의 클러스터로 그룹화할 수 있다.
[수학식 2]
Figure pat00008
여기서, ε은 설정된 임계값 반경을 나타낸다. 또한, 하나의 클러스터에 속할 수 있는 특징 벡터들의 최소개수(Nmin)를 설정할 수 있다.
이상의 결정된, 거리에 대한 임계값 반경과 최소 개수를 만족시키는 경우 특징 벡터를 중심으로 유사한 클러스터 그룹으로 클러스터링 될 수 있다.
이때, DBSCAN을 위한 최소 개수의 적절한 값은 배경 영역 데이터베이스 상의 특징 벡터의 개수, 차원 등에 따라 가변적으로 결정될 수 있다. 또는 신분증 도용 탐지 서버(100)가 배경 영역 데이터베이스를 관리하고 갱신하는 주기에 따라 결정될 수 있다.
신분증 도용 탐지 서버(100)는 추출된 배경 단위 영역 별 특징 벡터를 순차적으로 배경 영역 데이터베이스(150)에 저장된 신분증 별 특징 벡터와 비교하고, 해당 특징 벡터가 속하는 클러스터를 탐색하여 탐색된 배경 영역 그룹을 결과로 출력할 수 있다.
일 예로, 결정된 최소개수 1, 및 임계값 반경 2를 기준으로 클러스터링을 수행함에 따라 도 7a와 같이 제1 배경 단위 영역(26-1)에서 추출된 특징 벡터(42-1)는 기 저장된 특징 벡터(74-1, 74-2)와 동일한 배경 영역 그룹으로 클러스터링 될 수 있다. 신분증 도용 탐지 서버(100)는 특징 벡터(74-1, 74-2)에 매칭된 사용자 정보 또는 해당 신분증 정보를 특징 벡터(42-1)의 탐색 결과로 출력할 수 있다.
또한, 도 7b와 7c의 경우, 제2 및 제N 배경 단위 영역(26-2,3)에 대하여 추출된 특징 벡터(42-2)와 특징 벡터(42-N)는 기 저장된 특징 벡터(72-1, 72-3) 및 특징 벡터(74-2, 74-3, 74-4)로 각각 클러스터링 될 수 있다.
따라서, 신분증 도용 탐지 서버(100)는 클러스터링 된 특징 벡터(72-1, 72-3) 및 특징 벡터(74-2, 74-3, 74-4) 각각에 매칭된 사용자 정보를 기초로 신분증의 도용 가능성을 판단한다.
이때, 신분증 도용 탐지 서버(100)는 탐색된 배경 영역 그룹 내 포함된 특징 벡터가 여러 신분증의 배경 영역에 대응되는 벡터 정보가 포함되는 경우, 검색된 클러스터 내 특징 벡터의 개수가 많이 포함된 특징 벡터에 해당하는 사용자 정보를 탐색 결과로 출력할 수 있다.
예를 들어, 탐색된 클러스터 내 사용자 A의 특징 벡터 4개, 사용자 B의 특징 벡터 1개가 포함된 경우, 신분증 도용 탐지 서버(100)는 사용자 A의 특징 벡터에 매칭된 사용자 정보를 기초로 탐색 결과를 출력할 수 있다.
다음 신분증 도용 탐지 서버(100)는 클러스터링 결과에 따라 신분증의 도용 여부를 판단한다(S600).
구체적으로, 각각의 그룹 내 유사한 것으로 클러스터링 된 특징 벡터 들의 식별 정보가 동일한 비율에 따라 도용 가능성을 판단할 수 있다.
예를 들어 배경 단위 영역 별 특징 벡터와 비교 결과, 클러스터링 특정 그룹 내 특징 벡터에 해당하는 신분증이 소정 횟수 또는 소정 비율 이상으로 다른 그룹에 출현된 경우, 신분증 도용 탐지 서버(100)는 해당 신분증이 기 저장된 벡터의 신분증과 동일한 공간에서 촬영된 것으로 판단할 수 있다.
즉, 신분증의 촬영 시 획득한 배경 단위 영역에서 추출된 각각의 특징 벡터가 기 저장된 벡터와 유사하고, 유사하다고 판단된 벡터들이 동일한 신분증에 대한 것이라면 동일한 장소에서 반복하여 다른 신분증이 촬영된 것으로 보고 도용 가능성이 있는 것으로 판단한다.
나아가, 소정 횟수와 소정 비율은 분할된 배경 영역의 개수에 따라 가변적으로 결정될 수 있다.
예를 들어, 배경 단위 영역들 로부터 추출된 10개의 특징 벡터를 기초로 9개의 클러스터가 탐색되고, 그 중 8개가 동일한 사용자의 특징 벡터가 포함된 경우, 신분증 도용 탐지 서버(100)는 해당 신분증이 도용된 것으로 판단할 수 있다.
이상, 신분증 도용 탐지 서버(100)는 분할된 복수의 배경 영역에서 추출된 특징 벡터들을 기초로 신분증 이미지(20)의 배경 영역이 기 저장된 다른 신분증의 배경과 유사한 경우, 해당 신분증이 도용된 것으로 판단할 수 있으며, 타 사용자의 신분증을 이용한 불법 행위(예를 들어, 작업대출, 대포통장 개설 등)를 탐지할 수 있다.
이어서, 도 8을 참조하여 신분증 도용 탐지 서버(100)의 구성에 대해서 설명한다.
도 8은 본 발명의 일 실시예에 따른 신분증 도용 탐지 서버(100)의 구성을 나타낸 블록도이다.
도 8을 참조하면, 신분증 도용 탐지 서버(100)는 통신부(110), 배경 영역 인식부(120), 분할부(130), 추출부(140), 배경 영역 데이터베이스(150) 및 탐지부(160)로 구성될 수 있다.
통신부(110)는 사용자 단말기(10)와 통신하며 여러 데이터를 송수신할 수 있다. 구체적으로, 통신부(110)는 사용자 단말기(10)로 신분증 이미지(20)를 수신할 수 있다.
배경 영역 인식부(120)는 신분증 이미지(20)에서 신분증 영역(22)과 배경 영역(24)를 구분하여 인식할 수 있다.
구체적으로, 배경 영역 인식부(120)는 제1 신경망 모델(30)를 이용하여 신분증 이미지(20)에서 신분증의 모서리를 인식하고, 인식된 신분증의 모서리를 기준으로 신분증 영역(22)과 배경 영역(24)를 구분하여 인식할 수 있다. 이와 관련하여 상술한 바 설명을 생략한다.
분할부(130)는 인식된 배경 영역(24)을 소정 크기로 분할할 수 있다.
구체적으로, 분할부(130)는 인식된 배경 영역(24)의 넓이 또는 신분증 영역(22)의 초점과 배경 영역(24)의 초점 간의 거리에 따라 소정 크기를 결정하고, 소정 크기로 배경 영역(24)을 분할할 수 있다.
추출부(140)는 분할된 배경 영역(24)에서 특징 벡터를 추출할 수 있다.
구체적으로, 추출부(140)는 제2 신경망 모델(40)을 이용하여 배경 영역(24)으로 부터 특징 벡터를 추출할 수 있다. 또한, 배경 영역 데이터베이스(150)에는 배경 영역에서 추출된 특징 벡터들이 사용자 정보와 매칭되어 저장될 수 있다.
탐지부(160)는 추출된 특징 벡터들을 각각 배경 영역 데이터베이스(150) 내 기 저장된 특징 벡터들과 클러스터링함으로써 유사한 특징을 갖는 배경 영역 그룹을 탐색한다. 탐지부(160)는 탐색 결과를 출력하고, 배경 영역 그룹의 탐색 결과에 따라 신분증의 도용 여부를 판단할 수 있다.
구체적으로 배경 영역 그룹에 속하는 다른 사용자 또는 신분증이 임계값 이상 반복 출현되는 경우에는 동일한 장소에서 다른 신분증들이 촬영된 것으로 판단할 수 있다.
즉, 본원 발명은 신분증 이미지(20)의 배경 영역(24)을 구분하여 인식하고, 해당 배경 영역(24)을 기준으로 해당 신분 인증이 동일 장소에서 수행되는지 여부를 판단함으로써 신분증의 도용 가능성을 탐지할 수 있으며, 다른 신분증이 본인 인증에 이용되는 것을 경고하거나 방지할 수 있다.
나아가, 여기에 설명되는 다양한 실시예는 예를 들어, 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여 컴퓨터 또는 이와 유사한 장치로 읽을 수 있는 기록매체 내에서 구현될 수 있다.
하드웨어적인 구현에 의하면, 여기에 설명되는 실시예는 ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays, 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 명세서에서 설명되는 실시예들이 제어 모듈 자체로 구현될 수 있다.
소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 씌여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 메모리 모듈에 저장되고, 제어모듈에 의해 실행될 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다.
따라서, 본 발명에 개시된 실시 예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구 범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (11)

  1. 신경망을 이용한 신분증 도용 탐지 방법에 있어서,
    신분증이 촬영된 신분증 이미지를 수신하는 단계;
    제1 신경망 모델을 이용하여 상기 신분증 이미지를 신분증 영역과 상기 신분증 영역 이외의 신분증이 촬영된 배경 영역으로 구분하여 인식하는 단계;
    상기 인식된 배경 영역을 소정 크기의 영역으로 분할하는 단계;
    제2 신경망 모델을 이용하여 상기 분할된 복수의 배경 단위 영역에서 각각의 특징 벡터를 추출하는 단계; 및
    상기 분할된 복수의 배경 영역에서 추출된 특징 벡터들을 기초로 상기 신분증의 도용 여부를 탐지하는 단계;를 포함하는 신분증 도용 탐지 방법.
  2. 제 1 항에 있어서,
    상기 인식하는 단계는 상기 제1 신경망 모델을 통해 상기 신분증 이미지에서 상기 신분증의 모서리를 인식하고, 상기 신분증의 모서리를 기준으로 상기 신분증 영역과 상기 배경 영역으로 구분하여 인식하는 것을 특징으로 하는 신분증 도용 탐지 방법.
  3. 제 1 항에 있어서,
    상기 제2 신경망 모델은 인코더(encoder)를 통해 상기 분할된 배경 단위 영역에서 특징 벡터를 추출하도록 학습된 것을 특징으로 하는 신분증 도용 탐지 방법.
  4. 제 1 항에 있어서,
    상기 신분증의 도용 여부를 탐지하는 단계는
    상기 추출된 특징 벡터들을 각각 기 저장된 배경 영역 데이터베이스상에서 클러스터링하여 유사한 특징을 갖는 배경 영역 그룹을 탐색하는 단계; 및
    상기 배경 영역 그룹의 탐색 결과에 따라 신분증의 도용 여부를 판단하는 단계;를 더 포함하는 것을 특징으로 하는 신분증 도용 탐지 방법.
  5. 제 4 항에 있어서,
    신분증의 도용 여부를 판단하는 단계는
    상기 탐색 결과 상기 배경 영역 그룹이 소정 횟수 이상 탐색된 경우, 해당 신분증이 도용 또는 도용 가능성이 있는 것으로 판단하는 것을 특징으로 하는 신분증 도용 탐지 방법.
  6. 제 5 항에 있어서,
    신분증의 도용 여부를 판단하는 단계는
    상기 탐색 결과 상기 배경 영역 그룹 내 특징 벡터의 식별 정보가 소정 횟수 이상 공통된 경우, 해당 신분증이 도용 또는 도용 가능성이 있는 것으로 판단하는 것을 특징으로 하는 신분증 도용 탐지 방법.
  7. 신경망을 이용한 신분증 도용 탐지 서버에 있어서,
    신분증이 촬영된 신분증 이미지를 수신하는 통신부;
    제1 신경망 모델을 이용하여 상기 신분증 이미지를 신분증 영역과 신분증이 촬영된 상기 신분증 영역 이외의 배경 영역으로 구분하여 인식하는 배경 영역 인식부;
    상기 인식된 배경 영역을 소정 크기의 영역으로 분할하는 분할부;
    제2 신경망 모델을 이용하여 상기 분할된 복수의 배경 단위 영역에서 각각의 특징 벡터를 추출하는 추출부; 및
    상기 분할된 복수의 배경 단위 영역에서 추출된 특징 벡터들을 기초로 상기 신분증의 도용 여부를 탐지하는 탐지부;를 포함하는 신분증 도용 탐지 서버.
  8. 제 7 항에 있어서,
    상기 배경 영역 인식부는 상기 제1 신경망 모델을 통해 상기 신분증 이미지에서 상기 신분증의 모서리를 인식하고, 상기 신분증의 모서리를 기준으로 상기 신분증 영역과 상기 배경 영역으로 구분하여 인식하는 것을 특징으로 하는 신분증 도용 탐지 서버.
  9. 제 7 항에 있어서,
    상기 제2 신경망 모델은 인코더(encoder)를 통해 상기 분할된 배경 단위 영역에서 특징 벡터를 추출하도록 학습된 것을 특징으로 하는 신분증 도용 탐지 서버.
  10. 제 7 항에 있어서,
    상기 탐지부는
    상기 추출된 특징 벡터들을 각각 기 저장된 배경 영역 데이터베이스상에서 클러스터링하여 유사한 특징을 갖는 배경 영역 그룹을 탐색하고,
    상기 배경 영역 그룹의 탐색 결과에 따라 신분증의 도용 여부를 판단하는 것을 특징으로 하는 신분증 도용 탐지 서버.
  11. 제 1 항 내지 제 6 항 중 어느 한 항에 따른 신분증 도용 탐지 방법을 수행하는 프로그램이 저장된 컴퓨터 판독 가능한 기록 매체.
KR1020210059274A 2021-05-07 2021-05-07 신경망을 이용한 신분증 도용 탐지 서버 및 방법 KR102513075B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210059274A KR102513075B1 (ko) 2021-05-07 2021-05-07 신경망을 이용한 신분증 도용 탐지 서버 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210059274A KR102513075B1 (ko) 2021-05-07 2021-05-07 신경망을 이용한 신분증 도용 탐지 서버 및 방법

Publications (2)

Publication Number Publication Date
KR20220151941A true KR20220151941A (ko) 2022-11-15
KR102513075B1 KR102513075B1 (ko) 2023-03-22

Family

ID=84041681

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210059274A KR102513075B1 (ko) 2021-05-07 2021-05-07 신경망을 이용한 신분증 도용 탐지 서버 및 방법

Country Status (1)

Country Link
KR (1) KR102513075B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110090731A (ko) * 2010-02-04 2011-08-10 한국전자통신연구원 위조 영상 판별 장치 및 그 방법
KR20130032856A (ko) * 2011-09-23 2013-04-02 광주과학기술원 영상 감시 장치 및 영상 감시 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110090731A (ko) * 2010-02-04 2011-08-10 한국전자통신연구원 위조 영상 판별 장치 및 그 방법
KR20130032856A (ko) * 2011-09-23 2013-04-02 광주과학기술원 영상 감시 장치 및 영상 감시 방법

Also Published As

Publication number Publication date
KR102513075B1 (ko) 2023-03-22

Similar Documents

Publication Publication Date Title
Zeng et al. A survey of face recognition techniques under occlusion
US20200364443A1 (en) Method for acquiring motion track and device thereof, storage medium, and terminal
Tao et al. Biometric authentication system on mobile personal devices
US20190362058A1 (en) Face unlocking method and device, electronic device, and computer storage medium
Dagnes et al. Occlusion detection and restoration techniques for 3D face recognition: a literature review
WO2015149534A1 (zh) 基于Gabor二值模式的人脸识别方法及装置
Kafai et al. Reference face graph for face recognition
El Khiyari et al. Age invariant face recognition using convolutional neural networks and set distances
Malhotra et al. Fingerphoto authentication using smartphone camera captured under varying environmental conditions
Kalas Real time face detection and tracking using OpenCV
CN112215180A (zh) 一种活体检测方法及装置
CN110674677A (zh) 一种多模态多层融合的用于人脸反欺骗的深度神经网络
CN113298158B (zh) 数据检测方法、装置、设备及存储介质
US20220327189A1 (en) Personalized biometric anti-spoofing protection using machine learning and enrollment data
El-Abed et al. Quality assessment of image-based biometric information
Tathe et al. Human face detection and recognition in videos
Viola Complex feature recognition: A bayesian approach for learning to recognize objects
Choras Multimodal biometrics for person authentication
Kim et al. Deep residual network-based recognition of finger wrinkles using smartphone camera
KR102513075B1 (ko) 신경망을 이용한 신분증 도용 탐지 서버 및 방법
Sikkandar Design a contactless authentication system using hand gestures technique in COVID-19 panic situation
Yuan et al. Fingerprint liveness detection adapted to different fingerprint sensors based on multiscale wavelet transform and rotation-invarient local binary pattern
Hasan et al. Dual iris matching for biometric identification
KR102240495B1 (ko) 신분 인증 부정 사용자 차등 관리 방법 및 서버
Chinnappan et al. Fingerprint recognition technology using deep learning: a review

Legal Events

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