KR20230038086A

KR20230038086A - 영상 데이터에 포함된 얼굴 및 신체 비식별화 방법 및 이를 수행하기 위한 장치

Info

Publication number: KR20230038086A
Application number: KR1020220096372A
Authority: KR
Inventors: 김진아; 장성수
Original assignee: 주식회사 스마트랩스
Priority date: 2021-02-26
Filing date: 2022-08-02
Publication date: 2023-03-17
Also published as: KR20220122457A; KR20220122455A; KR102665700B1; KR20220122456A; KR20220122458A; KR20230038088A; KR20230038087A

Abstract

영상 데이터에 포함된 얼굴 및 신체 비식별화 방법 및 이를 수행하기 위한 장치가 개시된다. 다양한 실시예에 따른 얼굴 및 신체 정보를 비식별화하는 비식별화 방법은 입력 이미지에 포함된 얼굴 및 신체 중 적어도 어느 하나의 경계부 박스(bounding box)를 검출하는 동작, 상기 입력 이미지에서 상기 경계 박스에 포함된 상기 적어도 어느 하나의 경계선을 따라 추출(예: 세그멘테이션(segmentation))하여 제1 입력 데이터를 획득하는 동작, 상기 제1 입력 데이터에서 상기 적어도 어느 하나를 구성하는 요소의 특징 및 각도를 알 수 있는 랜드마크를 추출하여 제2 입력 데이터를 획득하는 동작과 상기 제1 입력 데이터 및 상기 제2 입력 데이터를 비식별화 모델에 입력시켜 상기 입력 이미지에서 상기 적어도 어느 하나가 비식별화된 이미지를 생성하는 동작을 포함할 수 있다.

Description

영상 데이터에 포함된 얼굴 및 신체 비식별화 방법 및 이를 수행하기 위한 장치{METHOD FOR DE-IDENTIFYING FACE AND BODY CONTAINED IN VIDEO DATA, AND DEVICE PERFORMING THE SAME}

본 발명의 다양한 실시예는 영상 데이터에 포함된 얼굴 및 신체 비식별화 방법 및 이를 수행하기 위한 장치에 관한 것이다.

생성적 적대 신경망(generative adversarial network(GAN))은 딥러닝 모델 중 데이터셋과 유사한 이미지를 생성할 때 주로 쓰이는 모델이다. GAN은 Ian Goodfellow가 2014년도 논문으로 아이디어를 발표하여 처음 소개된 학습 방식이다. 심층 신경망 모델(deep neural network(DNN))들의 지속적인 발전에 기반하여서 GAN 모델들의 다양한 연구가 진행되고 GAN을 기반으로 한 이미지 생성 기술이 발전하고 있다.

위에서 설명한 배경기술은 발명자가 본원의 개시 내용을 도출하는 과정에서 보유하거나 습득한 것으로서, 반드시 본 출원 전에 일반 공중에 공개된 공지기술이라고 할 수는 없다.

기존의 GAN 및 원본 이미지를 기반으로 가상의 이미지를 생성하는 기술은 생성된 이미지가 원본 이미지의 특징 및 각도를 유지하지 못할 수 있다.

이에 원본 이미지에 포함되어 있는 사람 얼굴 및 신체의 기본 구조(예: 눈, 코, 입 위치, 관절의 위치, 방향 등) 및 각도를 유지한 채 다른 생김새의 존재하지 않는 가상 얼굴 및 가상 신체 중 어느 하나를 생성하는 방법이 요구될 수 있다.

다양한 실시예들은 원본 이미지로부터 추출한 랜드마크에 기초하여 원본 이미지에 포함된 얼굴 및 신체 중 적어도 어느 하나에 대응하는 가상 이미지를 생성하고, 원본 이미지에 가상 이미지를 합성함으로써 얼굴 및 신체 중 적어도 어느 하나를 비식별화하는 기술을 제공할 수 있다.

다만, 기술적 과제는 상술한 기술적 과제들로 한정되는 것은 아니며, 또 다른 기술적 과제들이 존재할 수 있다.

다양한 실시예에 따른 얼굴 및 신체 중에서 하나 이상을 비식별화하는 비식별화 모델을 생성 방법은 샘플 데이터 셋을 수집하는 동작과 상기 샘플 데이터 셋 및 랜덤 노이즈(random noise)에 기초하여 비식별화 모델을 생성하는 동작을 포함할 수 있다.

상기 샘플 데이터 셋은 상기 얼굴 및 신체 중 적어도 하나에 대응하는 부분을 포함하는 제1 샘플 데이터와 상기 제1 샘플 데이터로부터 랜드마크를 추출한 제2 샘플 데이터를 포함할 수 있다.

상기 생성하는 동작은 상기 제2 샘플 데이터 및 상기 랜덤 노이즈를 상기 비식별화 모델에 포함된 생성기에 입력시켜 상기 생성기를 학습시키는 동작, 상기 제1 샘플 데이터에 포함된 상기 적어도 어느 하나의 경계를 둘러싼 경계 상자(bounding box)를 검출하는 동작과 상기 경계 상자에 포함된 상기 적어도 어느 하나의 경계선을 따라 추출한 이미지, 상기 제2 샘플 데이터, 및 상기 생성기의 출력을 상기 비식별화 모델에 포함된 판별기에 입력시켜 상기 판별기를 학습시키는 동작을 포함할 수 있다.

상기 비식별화 모델 생성 방법은 상기 판별기의 출력을 사용하여 상기 생성기 및 상기 판별기를 학습시키는 동작을 더 포함할 수 있다.

상기 추출된 이미지는 상기 경계 박스에 얼굴이 포함된 경우, 상기 제1 샘플 데이터에서 배경 및 머리카락이 제거된 것이고, 상기 경계 박스에 신체가 포함된 경우, 상기 제1 샘플 데이터에서 배경이 제거된 것일 수 있다.

다양한 실시예에 따른 얼굴 및 신체 중에서 하나 이상을 비식별화하는 방법은 입력 이미지에 포함된 얼굴 및 신체 중 적어도 어느 하나의 경계부 박스(bounding box)를 검출하는 동작, 상기 입력 이미지에서 상기 경계 박스에 포함된 상기 적어도 어느 하나의 경계선을 따라 추출하여 제1 입력 데이터를 획득하는 동작, 상기 제1 입력 데이터에서 상기 적어도 어느 하나를 구성하는 요소의 특징 및 각도를 알 수 있는 랜드마크를 추출하여 제2 입력 데이터를 획득하는 동작과 상기 제1 입력 데이터 및 상기 제2 입력 데이터를 비식별화 모델에 입력시켜 상기 입력 이미지에서 상기 적어도 어느 하나가 비식별화된 이미지를 생성하는 동작을 포함할 수 있다.

상기 제1 입력 데이터는 상기 경계 박스에 얼굴이 포함된 경우, 상기 입력 이미지에서 배경 및 머리카락이 제거된 것이고, 상기 경계 박스에 신체가 포함된 경우, 상기 입력 이미지에서 배경이 제거된 것일 수 있다.

상기 비식별화된 이미지를 생성하는 동작은 가상 이미지를 생성하는 동작을 포함하고, 상기 가상 이미지는 상기 제2 입력 데이터의 정보를 유지한 채 상기 제1 입력 데이터와는 다른 생김새의 가상 얼굴 및 가상 신체 중 적어도 어느 하나인 것일 수 있다.

상기 비식별화된 이미지를 생성하는 동작은 상기 가상 이미지를 상기 입력 이미지에 합성하는 동작을 더 포함할 수 있다.

상기 합성하는 동작은 상기 입력 이미지에서 검출된 상기 경계 박스의 좌표에 기초하여 상기 가상 얼굴 및 가상 신체 중 적어도 어느 하나를 합성하는 동작을 포함할 수 있다.

다양한 실시예에 따른 얼굴 및 신체 중에서 하나 이상을 비식별화하는 장치는 인스터럭션들을 포함하는 메모리 및 상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들을 실행하기 위한 프로세서를 포함하고, 상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는, 입력 이미지에서 상기 얼굴 및 신체 중에서 적어도 어느 하나의 경계 박스(bounding box)를 검출하고, 상기 입력 이미지에서 상기 경계 박스에 기초하여 상기 적어도 어느 하나의 경계선을 따라 추출하여 제1 입력 데이터를 획득하고, 상기 제1 입력 데이터에서 상기 적어도 어느 하나를 구성하는 요소의 특징 및 각도를 알 수 있는 랜드마크를 추출하여 제2 입력 데이터를 획득하고, 상기 제1 입력 데이터 및 상기 제2 입력 데이터를 비식별화 모델에 입력시켜 상기 입력 이미지에서 상기 적어도 어느 하나가 비식별화된 이미지를 생성할 수 있다.

상기 프로세서는 가상 이미지를 생성하고, 상기 가상 이미지는 상기 제2 입력 데이터의 정보를 유지한 채 상기 제1 입력 데이터와는 다른 생김새의 가상 얼굴 및 가상 신체 중 적어도 어느 하나인 것일 수 있다.

상기 프로세서는 상기 가상 이미지를 상기 입력 이미지에 합성할 수 있다.

상기 프로세서는 상기 수신 이미지에서 검출된 상기 경계 박스의 좌표에 기초하여 상기 가상 얼굴 및 가상 신체 중 적어도 어느 하나를 합성할 수 있다.

도 1은 다양한 실시예에 따른 개인식별정보의 비식별화를 수행하는 전자 장치의 블록도이다.
도 2는 도 1에 도시된 객체 탐지기의 동작의 일 예를 설명하기 위한 도면이다.
도 3은 도 1에 도시된 비식별화 모델의 블록도이다.
도 4는 다양한 실시예에 따른 비식별화 모델을 생성하는 동작을 설명하기 위한 도면이다.
도 5는 다양한 실시예에 따른 제1 비식별화 모델을 생성하는 동작을 설명하기 위한 도면이다.
도 6은 다양한 실시예에 따른 전자 장치의 동작 방법의 일 예에 대한 흐름도이다.
도 7은 다양한 실시예에 따른 전자 장치의 동작 방법의 다른 예에 대한 흐름도이다.
도 8은 다양한 실시예에 따른 전자 장치의 다른 예를 나타낸다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

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 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 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 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 1은 다양한 실시예에 따른 개인식별정보의 비식별화를 수행하는 전자 장치의 블록도이다. 도 2는 도 1에 도시된 객체 탐지기의 동작의 일 예를 설명하기 위한 도면이다.

도 1 및 도 2를 참조하면, 다양한 실시예에 따르면, 전자 장치(100)는 객체 탐지기(110) 및 비식별화 모델(140)를 포함할 수 있다. 비식별화 모델(140)은 도 4 및 도 5를 참조하여 후술할 동작에 의해서 생성(예: 학습)된 것일 수 있다.

다양한 실시예에 따르면, 전자 장치(100)는 원본 미디어 내 객체의 특징 및 각도를 유지하면서도 다양한 개인식별정보(예: 얼굴, 신체, 차량 번호판, 명판, 간판 등)를 비식별화할 수 있다. 객체의 특징이 여전히 유지되기 때문에, 비식별화된 미디어는 학습 데이터로서의 가치를 보존할 수 있다. 예를 들어, 자율 주행을 위한 주행 학습 데이터를 수집할 때 보행자 영역을 blurring이나 blocking방식을 사용한다면 미디어의 학습 데이터로서의 가치가 상실될 수 있다. 전자 장치(100)가 원본 미디어에서 객체의 특징 및 각도를 유지하면서 개인식별정보만 비식별화함으로써, 보행자가 누구인지는 알 수 없으나, 보행자라는 객체의 특징이 유지되어 학습에 사용하기에 적합할 수 있다.

다양한 실시예에 따르면, 객체 탐지기(110)는 원본 미디어를 획득(예: 수신)할 수 있다. 원본 미디어는 외부로부터 수집된 것일 수 있다. 객체 탐지기(110)는 원본 미디어에 포함된 하나 이상의 객체(예: 보행자, 차량 등)를 탐지하여 객체가 탐지된 제1 이미지를 출력할 수 있다.

다양한 실시예에 따르면, 객체 탐지기(110)의 동작 일 예는 도 2에 도시된 바와 같을 수 있다. 동작 210에서, 객체 탐지기(110)는 원본 미디어에 대해 관심있는 객체를 식별하는 오브젝트 디텍션(object detection)을 수행할 수 있다. 예를 들어, 객체 탐지기(110)는 frame differencing, optical flow, background subtraction, 또는 그와 실질적으로 동일한 기능을 하는 알고리즘 중에서 하나 이상을 이용하여 오브젝트 디텍션을 수행할 수 있다. 동작 220에서, 객체 탐지기(110)는 수신한 원본 미디어가 연속된 이미지로 이루어진 영상인지의 여부를 판단할 수 있다. 원본 미디어가 영상이 아닌 단일 이미지일 경우, 객체 탐지기(110)는 원본 미디어에 대한 오브젝트 디텍션 수행 결과를 출력할 수 있다. 원본 미디어가 연속된 이미지일 경우, 객체 탐지기(110)는 연속된 이미지의 프레임에 걸쳐 동일 객체라고 판단된 객체를 추적하는 오브젝트 트래킹(object tracking)을 수행할 수 있다. 예를 들어, 객체 탐지기(110)는 point tracking, kernel tracking, silhouette 또는 그와 실질적으로 동일한 기능을 하는 알고리즘 중에서 하나 이상을 이용하여 오브젝트 트래킹을 수행할 수 있다.

다양한 실시예에 따르면, 비식별화 모델(140)은 객체 탐지기(110)로부터 출력된 제1 이미지를 수신할 수 있다. 제1 이미지는 개인식별정보를 포함할 수 있다. 비식별화 모델(140)은 제1 이미지에서 개인식별정보(예: 얼굴, 신체, 차량 번호판, 명판, 간판 등)에 대응하는 부분이 분할된 이미지를 생성할 수 있다. 또한, 비식별화 모델(140)은 개인식별정보에 대응하는 가상 이미지를 생성할 수 있다. 비식별화 모델(140)은 원본 미디어 및 제1 이미지에 기초하여 원본 미디어에 가상 이미지가 반영된 이미지를 생성할 수 있다. 예를 들어, 비식별화 모델(140)은 분할된 이미지의 위치에 기초하여 원본 미디어에 가상 이미지를 합성함으로써 제1 이미지의 개인식별정보가 비식별화된 제2 이미지를 생성할 수 있다.

도 3은 다양한 실시예에 따른, 도 1에 포함된 비식별화 모델의 블록도이다.

도 3을 참조하면, 다양한 실시예에 따르면, 비식별화 모델(140)은 분할 모델(150), 제1 비식별화 모델(160), 및 제2 비식별화 모델(170)를 포함할 수 있다. 제1 비식별화 모델(160)은 도 4 및 도 5를 참조하여 후술할 동작에 의해서 생성(예: 학습)된 것일 수 있다.

다양한 실시예에 따르면, 분할 모델(150)은 제1 이미지를 수신할 수 있다. 제1 이미지는 개인식별정보(예: 얼굴, 신체, 차량 번호판, 명판, 간판 등)를 포함할 수 있다. 분할 모델(150)은 제1 이미지에서 개인식별정보에 상응하는 부분을 분할할 수 있다. 분할 모델(150)은 세그멘테이션 네트워크(155)(예: CNN 기반의 세그멘테이션 네트워크)를 포함할 수 있다.

다양한 실시예에 따르면, 분할 모델(150)은 제1 이미지에 기초하여 계층정보 데이터를 생성할 수 있다. 예를 들어, 분할 모델(150)은 제1 이미지에 포함된 객체의 정보를 추출하여 계층화함으로써 계층정보 데이터를 생성할 수 있다.

다양한 실시예에 따르면, 세그멘테이션 네트워크(155)는 제1 이미지를 수신하여 제1 이미지의 개인식별정보에 대응되는 부분이 분할된 이미지를 생성하고, 분할된 이미지를 출력할 수 있다.

다양한 실시예에 따르면, 비식별화 모델(140)은 객체의 종류에 기초하여 분할 모델(150)의 출력(예: 분할된 이미지)을 분류하여 제1 비식별화 모델(160) 또는 제2 비식별화 모델(170)로 출력하는 분류기(미도시)를 더 포함할 수 있다. 객체가 보행자인 경우에는 분할 모델(150)의 출력(예: 분할된 이미지)은 제1 비식별화 모델(160)로 출력될 수 있고, 객체가 사물(예: 자동차, 간판 등)인 경우에는 분할 모델(150)의 출력(예: 분할된 이미지)은 제2 비식별화 모델(170)로 출력될 수 있다.

다양한 실시예에 따르면, 제1 비식별화 모델(160)은 입력 이미지(예: 분할된 이미지)를 수신하여 입력 이미지에 포함된 얼굴 및 신체 중 적어도 어느 하나를 비식별화된 이미지를 생성할 수 있다. 제1 비식별화 모델(160)은 GAN 네트워크(165)를 포함할 수 있다.

다양한 실시예에 따른 제1 비식별화 모델(160)은 입력 이미지에 포함된 얼굴 및 신체 중 적어도 어느 하나의 경계를 둘러싼 경계 박스(bounding box)를 추출할 수 있다. 예를 들어, 제1 비식별화 모델(160)은 MTCNN 또는 그와 실질적으로 동일한 기능을 하는 알고리즘을 이용하여 경계 박스를 추출할 수 있다. 제1 비식별화 모델(160)은 경계 박스에 포함된 얼굴 및 신체 중 적어도 어느 하나의 경계선을 따라 추출(예: 세그멘테이션(segmentation))하여 제1 입력 데이터를 획득할 수 있다. 경계 박스에 얼굴이 포함된 경우에는 제1 입력 데이터는 입력 이미지에서 배경 및 머리카락이 제거된 얼굴 이미지이고, 경계 박스에 신체가 포함된 경우에는 제1 입력 데이터는 입력 이미지에서 배경이 제거된 신체 이미지일 수 있다. 제1 비식별화 모델(160)은 제1 입력 데이터에 포함된 얼굴 및 신체 중 적어도 어느 하나의 랜드마크를 추출하여 제2 입력 데이터를 획득할 수 있다. 제2 입력 데이터는 제1 입력 데이터에 포함된 얼굴 및 신체 중 적어도 어느 하나를 구성하는 요소의 특징 및 각도에 대한 정보를 포함할 수 있다.

다양한 실시예에 따르면, GAN 네트워크(165)는 제1 입력 데이터 및 제2 입력 데이터에 기초하여 입력 이미지에 포함된 얼굴 및 신체 중 적어도 어느 하나에 대응하는 가상 이미지를 생성할 수 있다. GAN 네트워크(165)는 제2 입력 데이터에 기초하여 제1 입력 데이터에 포함된 얼굴 및 신체 중 적어도 어느 하나가 가지는 요소의 특징 및 각도를 유지하는 것을 조건으로 가상 이미지를 생성할 수 있고, 가상 이미지를 출력할 수 있다. 가상 이미지에 포함된 얼굴 및 신체 중 적어도 어느 하나는 제1 입력 데이터에 포함된 얼굴 및 신체 중 적어도 어느 하나와 전혀 다른 생김새일 수 있고, 크기는 동일할 수 있다. 가상 이미지에 가상 얼굴이 포함된 경우에는 가상 얼굴은 배경 및 머리카락이 제거된 얼굴 이미지이고, 가상 이미지에 가상 신체가 포함된 경우에는 가상 신체는 배경이 제거된 이미지일 수 있다.

다양한 실시예에 따르면, 제1 비식별화 모델(160)은 경계 박스의 좌표에 기초하여 원본 미디어에 가상 이미지를 합성하여 얼굴 및 신체 중 적어도 어느 하나가 비식별화된 이미지(예: 개인식별정보가 비식별화된 제2 이미지)를 출력할 수 있다. 예를 들어, 원본 미디어에 포함된 객체가 보행자일 경우, GAN 네트워크(165)는 보행자의 얼굴 및 신체 중 적어도 어느 하나를 포함하는 경계 박스의 좌표에 대응되는 가상의 얼굴 및 가상의 신체 중 적어도 어느 하나를 합성할 수 있다. GAN 네트워크(165)는 경계 박스에 기초하여 원본 미디어 내의 얼굴 및 신체 중 적어도 어느 하나와 대응되는 가상 이미지를 원본 미디어 내의 얼굴 및 신체 중 적어도 어느 하나의 기존 위치에 합성함으로써 이질감이 없고 자연스러운 비식별화된 이미지를 생성할 수 있다.

다양한 실시예에 따르면, 제1 비식별화 모델(160)의 출력인 비식별화된 이미지를 학습 데이터로서 활용할 경우, 원본 미디어 내 기존의 얼굴 및 신체 중 적어도 어느 하나가 있던 위치에 가상의 얼굴 및 가상의 신체 중 적어도 어느 하나가 존재하므로 개인식별정보를 노출시키지 않을 수 있다. 또한, 비식별화된 이미지는 이질감이 없고 자연스러우므로 학습 데이터로서의 가치를 보존할 수 있다.

다양한 실시예에 따르면, 제2 비식별화 모델(170)은 분할 모델(150)의 출력(예: 분할된 이미지)을 수신할 수 있다. 예를 들어, 분할된 이미지는 텍스트 플레이트(예: 차량 번호판, 간판, 명판 등)를 포함할 수 있다.

다양한 실시예에 따르면, 제2 비식별화 모델(170)은 분할된 이미지로부터 텍스트 플레이트 부분에 상응하는 부분을 검출할 수 있다. 텍스트 플레이트 부분은 개인식별정보를 포함할 수 있다. 텍스트 플레이트 부분에 상응하는 부분은 텍스트 데이터(예: 한글, 영어, 숫자 등) 및 텍스트 데이터를 제외한 나머지 부분인 이미지 데이터를 포함할 수 있다. 제2 비식별화 모델(170)은 텍스트 플레이트 부분에 상응하는 부분으로부터 텍스트 데이터(예: 한글, 영어, 숫자 등) 및 이미지 데이터를 추출해서 획득할 수 있다.

다양한 실시예에 따르면, 제2 비식별화 모델(170)은 텍스트 데이터를 변경할 수 있다. 제2 비식별화 모델(170)은 텍스트 데이터에서 텍스트(예: 한글, 영어, 숫자 등)를 변경한 텍스트 변형 데이터를 생성할 수 있다. 제2 비식별화 모델(170)은 텍스트를 규칙에 따라 변경하거나 규칙에 상관없이 랜덤하게 변경할 수 있다. 제2 비식별화 모델(170)은 신경망 네트워크(175)를 포함할 수 있다.

다양한 실시예에 따르면, 신경망 네트워크(175)는 이미지 데이터에 기초하여 텍스트 플레이트의 유형(예: 신형 자동차의 번호판, 구형 자동차의 번호판, 전기차의 번호판, 명판, 간판 등)을 파악할 수 있다. 신경망 네트워크(175)는 텍스트 플레이트의 유형이 기재된 라벨을 생성할 수 있으며, 라벨을 출력할 수 있다.

다양한 실시예에 따르면, 제2 비식별화 모델(170)은 라벨 및 텍스트 변형 데이터에 기초하여 합성 이미지(예: 개인식별정보가 비식별화된 제2 이미지)를 생성할 수 있다. 예를 들어, 제2 비식별화 모델(170)은 라벨에 기재된 텍스트 플레이트의 유형에 상응하는 이미지 데이터에 텍스트 변형 데이터를 합성하여 합성 이미지를 생성하고, 합성 이미지를 출력할 수 있다.

다양한 실시예에 따른 제2 비식별화 모델(170)의 출력인 합성 이미지를 학습 데이터로 활용할 경우, 원본 미디어 내 기존의 텍스트 플레이트가 있던 위치에 가상의 텍스트 플레이트가 존재하므로 개인식별정보를 노출시키지 않을 수 있다. 또한, 합성 이미지는 이질감이 없고 자연스러우므로 학습 데이터로서의 가치를 보존할 수 있다.

도 4는 다양한 실시예에 따른 비식별화 모델을 생성하는 동작을 설명하기 위한 도면이다.

도 4를 참조하면, 다양한 실시예에 따르면, 전자 장치(400)는 제1 학습 데이터 및 제1 학습 데이터로부터 획득한 제2 학습 데이터에 기초하여 비식별화 모델(440)을 생성(예: 학습)할 수 있다. 제2 학습 데이터는 전자 장치(400)에 포함된 데이터 수집기(410)에 의해 제1 학습 데이터로부터 획득될 수 있다.

다양한 실시예에 따르면, 데이터 수집기(410)는 제1 학습 데이터 및 제1 학습 데이터로부터 획득한 제2 학습 데이터를 수집할 수 있다. 제1 학습 데이터는 개인식별정보에 상응하는 데이터를 포함할 수 있다. 제2 학습 데이터는 개인식별정보(예: 얼굴, 신체, 텍스트 플레이트 등)에 상응하는 데이터일 수 있다. 데이터 수집기(410)는 추출 오픈소스(412) 및 개인식별정보 학습 데이터베이스(414)를 포함할 수 있다.

다양한 실시예에 따르면, 추출 오픈소스(412)는 제1 학습 데이터로부터 제2 학습 데이터를 추출할 수 있다. 추출 오픈소스(412)는 데이터를 추출 또는 그와 실질적으로 동일한 기능을 하기 위한 모든 오픈소스를 포함한다. 제1 학습 데이터 및 제2 학습 데이터는 쌍으로 존재할 수 있다.

다양한 실시예에 따르면, 개인식별정보 학습 데이터베이스(414)는 데이터를 저장할 수 있다. 저장된 데이터는 수신한 제1 학습 데이터 및 제2 학습 데이터의 쌍의 집합일 수 있다.

다양한 실시예에 따르면, 비식별화 모델(440)은 입력한 이미지의 개인식별정보 부분만 비식별화한 이미지를 생성하도록 학습될 수 있고, 생성한 이미지를 출력할 수 있도록 학습될 수 있다.

다양한 실시예에 따르면, 비식별화 모델(440)은 다량의 데이터에 기초하여 학습됨으로써 생성될 수 있다. 다량의 데이터는 개인식별정보 학습 데이터베이스(414)에서 공급될 수 있다. 비식별화 모델(440)은 분할 모델(150), 가상 영상 생성 학습 데이터베이스(444), 제1 비식별화 모델(446), 및 제2 비식별화 모델(170)을 포함할 수 있다. 분할 모델(150)은 제1 학습 데이터에서 개인식별정보에 대응되는 부분을 분할할 수 있다. 제1 비식별화 모델(446)은 분할 모델(150)의 출력을 수신하여 제1 학습 데이터에 포함된 얼굴 및 신체 중 하나 이상을 비식별화하도록 학습됨으로써 생성될 수 있다. 제2 비식별화 모델(170)은 분할 모델(150)의 출력을 수신하여 제1 학습 데이터의 텍스트 플레이트(예: 차량 번호판, 간판, 명판, 이정표 등)을 비식별화할 수 있다.

다양한 실시예에 따르면, 분할 모델(150)은 제1 이미지(예: 제1 학습 데이터)를 수신할 수 있다. 제1 이미지는 개인식별정보(예: 얼굴, 신체, 차량 번호판, 명판, 간판 등)를 포함할 수 있다. 분할 모델(150)은 제1 이미지에서 개인식별정보에 상응하는 부분을 분할할 수 있다. 분할 모델(150)은 세그멘테이션 네트워크(155)(예: CNN 기반의 세그멘테이션 네트워크)를 포함할 수 있다.

다양한 실시예에 따르면, 비식별화 모델(440)은 객체의 종류에 기초하여 분할 모델(150)의 출력(예: 분할된 이미지)을 분류하여 가상 영상 생성 학습 데이터 베이스(444) 또는 제2 비식별화 모델(170)로 출력하는 분류기(미도시)를 더 포함할 수 있다. 객체가 보행자인 경우에는 분할 모델(150)의 출력(예: 분할된 이미지)은 가상 영상 생성 학습 데이터 베이스(444)로 출력되어 가상 얼굴 및 신체 생성 학습 데이터로서 저장될 수 있다. 가상 영상 생성 학습 데이터 베이스(444)는 얼굴 및 신체 중 적어도 어느 하나가 분할된 이미지의 집합일 수 있고, 가상 얼굴 및 신체 생성 학습 데이터를 포함할 수 있다. 객체가 사물(예: 자동차, 간판 등)인 경우에는 분할 모델(150)의 출력(예: 분할된 이미지)은 제2 비식별화 모델(170)로 출력될 수 있다.

다양한 실시예에 따르면, 제2 비식별화 모델(170)은 분할 모델(150)의 출력(예: 분할된 이미지)을 수신할 수 있다. 예를 들어, 분할된 이미지는 얼굴 및 신체 중 적어도 어느 하나를 포함할 수 있다.

다양한 실시예에 따르면, 제2 비식별화 모델(170)은 라벨 및 텍스트 변형 데이터에 기초하여 합성 이미지를 생성할 수 있다. 예를 들어, 제2 비식별화 모델(170)은 라벨에 기재된 텍스트 플레이트의 유형에 상응하는 이미지 데이터에 텍스트 변형 데이터를 합성하여 합성 이미지를 생성하고, 합성 이미지를 출력할 수 있다.

도 5는 다양한 실시예에 따른 제1 비식별화 모델을 생성하는 동작을 설명하기 위한 도면이다.

도 5를 참조하면, 다양한 실시예에 따르면, 제1 비식별화 모델(446)은 제1 샘플 데이터(예: 도 4의 가상 영상 생성 학습 데이터베이스(444) 중 가상 얼굴 및 신체 생성 학습 데이터), 제1 샘플 데이터에 기초하여 추출된 제2 샘플 데이터, 및 랜덤 노이즈(예: 랜덤 노이즈 이미지)에 기초하여 학습됨으로써 생성될 수 있다. 제1 샘플 데이터는 얼굴 및 신체 중 적어도 어느 하나에 상응하는 부분을 포함할 수 있다. 제1 샘플 데이터는 분할 모델(예: 도 4의 분할 모델(160))의 출력인 가상 영상 생성 학습 데이터(예: 도 4의 가상 영상 생성 학습 데이터베이스(444))에서 공급될 수 있다. 예를 들어, 제1 샘플 데이터는 가상 영상 생성 학습 데이터베이스(444)에 포함된 가상 얼굴 및 신체 생성 학습 데이터일 수 있다. 랜덤 노이즈는 외부로부터 입력될 것일 수 있다.

다양한 실시예에 따르면, 제1 비식별화 모델(446)은 제1 샘플 데이터에서 얼굴 및 신체 중 적어도 어느 하나의 경계를 둘러싼 경계 박스(bounding box)를 추출할 수 있다. 예를 들어, 제1 비식별화 모델(446)은 MTCNN 또는 그와 실질적으로 동일한 기능을 하는 알고리즘을 이용하여 경계 박스를 추출할 수 있다. 제1 비식별화 모델(446)은 경계 박스에 포함된 얼굴 및 신체 중 적어도 어느 하나의 경계선을 따라 추출(예: 세그멘테이션(segmentation))하여 이미지를 획득할 수 있다. 경계 박스에 얼굴이 포함된 경우에는 추출된 이미지는 제1 샘플 데이터에서 배경 및 머리카락이 제거된 것이고, 경계 박스에 신체가 포함된 경우에는 추출된 이미지는 제1 샘플 데이터에서 배경이 제거된 것일 수 있다. 제1 비식별화 모델(446)은 랜드마크 추출 모듈(510), 생성기(520), 및 판별기(530)를 포함할 수 있다.

다양한 실시예에 따르면, 랜드마크 추출 모듈(510)은 추출된 이미지를 입력 받아 추출된 이미지에 포함된 얼굴 및 신체 중 적어도 어느 하나의 랜드마크를 추출할 수 있다. 랜드마크는 얼굴 및 신체 중 적어도 어느 하나를 구성하는 요소의 특징 및 각도 중에서 적어도 어느 하나에 대한 정보를 포함할 수 있다.

다양한 실시예에 따르면, 생성기(520) 및 판별기(530)는 GAN 기반 네트워크를 포함할 수 있다. 생성기(520)는 제2 샘플 데이터 및 랜덤 노이즈(예: 랜덤 노이즈 이미지)에 기초하여 추출된 이미지에 포함된 얼굴 및 신체 중 적어도 어느 하나에 대응하는 가상 이미지를 생성하도록 학습될 수 있다. 생성기(520)는 랜드마크에 기초하여 추출된 이미지에 포함된 얼굴 및 신체 중 적어도 어느 하나가 가지는 요소의 특징 및 각도를 유지하는 것을 조건으로 가상 이미지를 생성하고, 가상 이미지를 출력하도록 학습될 수 있다. 가상 이미지에 포함된 얼굴 및 신체 중 적어도 어느 하나는 추출된 이미지에 포함된 얼굴 및 신체 중 적어도 어느 하나와 전혀 다른 생김새일 수 있고, 크기는 동일할 수 있다. 가상 이미지에 포함된 가상 얼굴은 배경 및 머리카락이 제거된 얼굴 이미지이고, 가상 이미지에 포함된 가상 신체는 배경이 제거된 이미지일 수 있다.

다양한 실시예에 따르면, 제1 비식별화 모델(446)은 경계 박스의 좌표에 기초하여 제1 학습 데이터에 가상 이미지를 합성하여 얼굴 및 신체 중 적어도 어느 하나가 비식별화된 이미지를 생성할 수 있고, 비식별화된 이미지를 출력할 수 있다. 예를 들어, 제1 학습 데이터에 포함된 객체가 보행자일 경우, 제1 비식별화 모델(446)은 보행자의 얼굴 및 신체 중 적어도 어느 하나를 포함하는 경계 박스의 좌표에 가상의 얼굴 및 가상의 신체 중 적어도 어느 하나를 합성할 수 있다. 제1 비식별화 모델(446)은 경계 박스에 기초하여 제1 학습 데이터 내의 얼굴 또는 신체와 대응되는 가상 이미지를 제1 학습 데이터 내의 얼굴 또는 신체의 기존 위치에 합성함으로써 이질감이 없고 자연스러운 비식별화된 이미지를 생성하고 출력하도록 학습될 수 있다.

다양한 실시예에 따르면, 판별기(530)는 추출된 이미지, 제2 샘플 데이터, 및 가상 이미지에 기초하여 가상 이미지의 참/거짓 여부를 판별하도록 학습될 수 있다. 판별기(530)의 출력은 참 또는 거짓 중의 하나로 출력될 수 있다. 판별기(530)의 출력은 제1 비식별화 모델(446)에 포함된 생성기(520) 및 판별기(530)에 입력되어 피드백(학습)으로 작용할 수 있다.

도 6은 다양한 실시예에 따른 전자 장치의 동작 방법의 일 예에 대한 흐름도이다.

도 6을 참조하면, 동작 610 내지 동작 640은 전자 장치(예: 도 1의 전자 장치(100))가 수신한 입력 이미지에 포함된 얼굴 및 신체 중 적어도 어느 하나를 비식별화하는 동작을 설명하기 위한 것일 수 있다.

동작 610에서, 전자 장치(100)는 입력 이미지에 포함된 얼굴 및 신체 중 적어도 어느 하나의 경계를 둘러싼 경계 박스를 검출할 수 있다.

동작 620에서, 전자 장치(100)는 입력 이미지에서 경계 박스에 포함된 얼굴 및 신체 중 적어도 어느 하나의 경계선을 따라 추출(예: 세그멘테이션(segmentation))하여 제1 입력 데이터를 획득할 수 있다. 경계 박스에 얼굴이 포함된 경우, 제1 입력 데이터는 배경 및 머리카락이 제거된 얼굴 이미지이고, 경계 박스에 신체가 포함된 경우, 제1 입력 데이터는 배경이 제거된 신체 이미지일 수 있다.

동작 630에서, 전자 장치(100)는 제1 입력 데이터에서 얼굴 및 신체 중 적어도 어느 하나의 랜드마크를 추출하여 제2 입력 데이터를 획득할 수 있다. 랜드마크는 얼굴 및 신체 중 하나를 구성하는 요소의 특징 및 각도에 관한 정보를 포함할 수 있다.

동작 640에서, 전자 장치(100)는 제1 입력 데이터 및 제2 입력 데이터를 비식별화 모델(140)에 입력시켜 입력 이미지에서 얼굴 및 신체 중 적어도 어느 하나가 비식별화된 이미지를 생성할 수 있다. 전자 장치(100)는 제1 입력 데이터 및 제2 입력 데이터에 기초하여 입력 이미지에 포함된 얼굴 및 신체 중 적어도 어느 하나의 위치에 가상 이미지를 합성함으로써 입력 이미지의 개인식별정보를 비식별화할 수 있다.

도 7은 다양한 실시예에 따른 전자 장치의 동작 방법의 다른 예에 대한 흐름도이다.

도 7을 참조하면, 동작 710 및 동작 720은 전자 장치(예: 도 4의 전자 장치(400))가 제1 샘플 데이터에 포함된 얼굴 및 신체 중 적어도 어느 하나를 비식별화하는 제1 비식별화 모델을 생성하는 동작을 설명하기 위한 것일 수 있다.

동작 710에서, 전자 장치(400)는 샘플 데이터 셋을 수집할 수 있다. 샘플 데이터 셋은 제1 샘플 데이터 및 제1 샘플 데이터에서 랜드마크를 추출한 제2 샘플 데이터를 포함할 수 있다. 제1 샘플 데이터는 가상 영상 생성 학습 데이터베이스(444)로부터 공급받을 수 있다.

동작 720에서, 전자 장치(400)는 샘플 데이터 셋 및 랜덤 노이즈(예: 랜덤 노이즈 이미지에 기초하여 제1 샘플 데이터에 포함된 얼굴 및 신체 중 적어도 어느 하나를 비식별화하는 비식별화 모델을 생성할 수 있다. 랜덤 노이즈는 외부로부터 수집된 것일 수 있다.

도 8은 다양한 실시예에 따른 전자 장치의 다른 예를 나타낸다.

도 8을 참조하면, 다양한 실시예에 따르면, 비식별화 장치(800)는 도 1의 전자 장치(100) 및/또는 도 4의 전자 장치(400)와 실질적으로 동일할 수 있다.

메모리(810)는 프로세서(830)에 의해 실행가능한 인스트럭션들(예: 프로그램)을 저장할 수 있다. 예를 들어, 인스트럭션들은 프로세서(830)의 동작 및/또는 프로세서(830)의 각 구성의 동작을 실행하기 위한 인스트럭션들을 포함할 수 있다.

프로세서(830)는 메모리(810)에 저장된 데이터를 처리할 수 있다. 프로세서(830)는 메모리(810)에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서(830)에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다.

프로세서(830)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다.

예를 들어, 하드웨어로 구현된 데이터 처리 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.

프로세서(830)에 의해 수행되는 동작은 도 1 내지 도 3을 참조하여 설명한 전자 장치(100)의 동작과 실질적으로 동일할 수 있다. 도 1 내지 도 3에서 설명한 전자 장치(100)의 각 구성(예: 객체 탐지기(110), 및 비식별화 모델(140))은 프로세서(830)에 의해 실행될 수 있다. 또한, 프로세서(830)에 의해 수행되는 동작은 도 4 및 도 5를 참조하여 설명한 전자 장치(400)의 동작과 실질적으로 동일할 수 있다. 이에, 상세한 설명은 생략하도록 한다.

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, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 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 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. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 저장할 수 있으며 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.

위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 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

얼굴 및 신체 중에서 하나 이상을 비식별화하는 비식별화 모델을 생성하는 방법에 있어서,
샘플 데이터 셋을 수집하는 동작; 및
상기 샘플 데이터 셋 및 랜덤 노이즈(random noise)에 기초하여 비식별화 모델을 생성하는 동작
을 포함하는, 비식별화 모델 생성 방법.
제1항에 있어서,
상기 샘플 데이터 셋은,
상기 얼굴 및 신체 중 적어도 하나에 대응하는 부분을 포함하는 제1 샘플 데이터; 및
상기 제1 샘플 데이터로부터 랜드마크를 추출한 제2 샘플 데이터
를 포함하는, 비식별화 모델 생성 방법.
제2항에 있어서,
상기 생성하는 동작은,
상기 제2 샘플 데이터 및 상기 랜덤 노이즈를 상기 비식별화 모델에 포함된 생성기에 입력시켜 상기 생성기를 학습시키는 동작;
상기 제1 샘플 데이터에 포함된 상기 적어도 어느 하나의 경계 상자(bounding box)를 검출하는 동작; 및
상기 경계 상자에 포함된 상기 적어도 어느 하나의 경계선을 따라 추출한 이미지, 상기 제2 샘플 데이터, 및 상기 생성기의 출력을 상기 비식별화 모델에 포함된 판별기에 입력시켜 상기 판별기를 학습시키는 동작
을 포함하는, 비식별화 모델 생성 방법.
제3항에 있어서,
상기 판별기의 출력을 사용하여 상기 생성기 및 상기 판별기를 학습시키는 동작
을 더 포함하는, 비식별화 모델 생성 방법.
제3항에 있어서,
상기 추출된 이미지는,
상기 경계 박스에 얼굴이 포함된 경우, 상기 제1 샘플 데이터에서 배경 및 머리카락이 제거된 것이고,
상기 경계 박스에 신체가 포함된 경우, 상기 제1 샘플 데이터에서 배경이 제거된 것인, 비식별화 모델 생성 방법.
얼굴 및 신체 정보를 비식별화하는 비식별화 방법에 있어서,
입력 이미지에 포함된 얼굴 및 신체 중 적어도 어느 하나의 경계부 박스(bounding box)를 검출하는 동작;
상기 입력 이미지에서 상기 경계 박스에 포함된 상기 적어도 어느 하나의 경계선을 따라 추출하여 제1 입력 데이터를 획득하는 동작;
상기 제1 입력 데이터에서 상기 적어도 어느 하나를 구성하는 요소의 특징 및 각도를 알 수 있는 랜드마크를 추출하여 제2 입력 데이터를 획득하는 동작; 및
상기 제1 입력 데이터 및 상기 제2 입력 데이터를 비식별화 모델에 입력시켜 상기 입력 이미지에서 상기 적어도 어느 하나가 비식별화된 이미지를 생성하는 동작
을 포함하는 비식별화 방법.
제6항에 있어서,
상기 제1 입력 데이터는,
상기 경계 박스에 얼굴이 포함된 경우, 상기 입력 이미지에서 배경 및 머리카락이 제거된 것이고,
상기 경계 박스에 신체가 포함된 경우, 상기 입력 이미지에서 배경이 제거된 것인, 비식별화 방법.
제7항에 있어서,
상기 비식별화된 이미지를 생성하는 동작은,
가상 이미지를 생성하는 동작을 포함하고,
상기 가상 이미지는,
상기 제2 입력 데이터의 정보를 유지한 채 상기 제1 입력 데이터와는 다른 생김새의 가상 얼굴 및 가상 신체 중 적어도 어느 하나인 것인, 비식별화 방법.
제8항에 있어서,
상기 비식별화된 이미지를 생성하는 동작은,
상기 가상 이미지를 상기 입력 이미지에 합성하는 동작
을 더 포함하는, 비식별화 방법.
제9항에 있어서,
상기 합성하는 동작은,
상기 입력 이미지에서 검출된 상기 경계 박스의 좌표에 기초하여 상기 가상 얼굴 및 가상 신체 중 적어도 어느 하나를 합성하는 동작을 포함하는, 비식별화 방법.
하드웨어와 결합되어 제1항 내지 제10항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
얼굴 및 신체 중에서 하나 이상을 비식별화하는 장치에 있어서,
인스터럭션들을 포함하는 메모리; 및
상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들을 실행하기 위한 프로세서
를 포함하고,
상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는,
입력 이미지에 포함된 상기 얼굴 및 신체 중에서 적어도 어느 하나의 경계 박스(bounding box)를 검출하고,
상기 입력 이미지에서 상기 경계 박스에 포함된 상기 적어도 어느 하나의 경계선을 따라 추출하여 제1 입력 데이터를 획득하고,
상기 제1 입력 데이터에서 상기 적어도 어느 하나를 구성하는 요소의 특징 및 각도를 알 수 있는 랜드마크를 추출하여 제2 입력 데이터를 획득하고,
상기 제1 입력 데이터 및 상기 제2 입력 데이터를 비식별화 모델에 입력시켜 상기 입력 이미지에서 상기 적어도 어느 하나가 비식별화된 이미지를 생성하는, 장치.
제12항에 있어서,
상기 제1 입력 데이터는,
상기 경계 박스에 얼굴이 포함된 경우, 상기 입력 이미지에서 배경 및 머리카락이 제거된 것이고,
상기 경계 박스에 신체가 포함된 경우, 상기 입력 이미지에서 배경이 제거된 것인, 장치.
제13항에 있어서,
상기 프로세서는,
가상 이미지를 생성하고,
상기 가상 이미지는,
상기 제2 입력 데이터의 정보를 유지한 채 상기 제1 입력 데이터와는 다른 생김새의 가상 얼굴 및 가상 신체 중 적어도 어느 하나인 것인, 장치.
제14항에 있어서,
상기 프로세서는,
상기 가상 이미지를 상기 입력 이미지에 합성하는, 장치.
제15항에 있어서,
상기 프로세서는,
상기 입력 이미지에서 검출된 상기 경계 박스의 좌표에 기초하여 상기 가상 얼굴 및 가상 신체 중 적어도 어느 하나를 합성하는, 장치.