KR20240021438A - 인공 지능 기반의 지문을 이용한 사용자 성향 분석 서비스 제공 방법 - Google Patents
인공 지능 기반의 지문을 이용한 사용자 성향 분석 서비스 제공 방법 Download PDFInfo
- Publication number
- KR20240021438A KR20240021438A KR1020220099759A KR20220099759A KR20240021438A KR 20240021438 A KR20240021438 A KR 20240021438A KR 1020220099759 A KR1020220099759 A KR 1020220099759A KR 20220099759 A KR20220099759 A KR 20220099759A KR 20240021438 A KR20240021438 A KR 20240021438A
- Authority
- KR
- South Korea
- Prior art keywords
- fingerprint
- user
- data
- type
- determining
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 24
- 238000010191 image analysis Methods 0.000 claims abstract description 5
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 2
- 230000015654 memory Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000009193 crawling Effects 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000002316 cosmetic surgery Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
- G06Q10/1053—Employment or hiring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/167—Personality evaluation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V40/12—Fingerprints or palmprints
-
- 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
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
- G06V40/1359—Extracting features related to ridge properties; Determining the fingerprint type, e.g. whorl or loop
-
- 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
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Psychology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Psychiatry (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Animal Behavior & Ethology (AREA)
Abstract
본 발명은 적어도 하나 이상의 프로세서에 의해 실행되는 프로그램이 저장된 컴퓨팅 디바이스에서 동작하는 지문 기반의 사용자 성향을 분석하여 제공하는 방법에 관한 것으로서, 이를 위하여 상기 컴퓨팅 디바이스 내 프로그램의 실행을 통해 지문을 포함한 데이터 샘플을 수집하고, 수집한 데이터 샘플에 대한 이미지 분석 및 인공 지능 학습을 통해 적어도 12가지 이상의 지문 유형을 판단할 수 있는 지문 유형 판단용 학습 모델을 생성하는 단계와, 지문과 관련되어 성향을 판단할 수 있는 데이터를 수집한 후 이를 토대로 적어도 12가지 이상의 지문 유형 각각에 대한 성향 판단을 위한 판단 데이터를 구축하는 단계와, 사용자의 지문 이미지가 입력됨에 따라 상기 입력된 지문 이미지를 상기 지문 유형 판단용 학습 모델에 적용하여 상기 사용자의 지문 유형을 결정하는 단계와, 상기 결정한 지문 유형에 대한 판단 데이터를 이용하여 상기 사용자의 성향 정보를 생성한 후 이를 사용자에게 제공하는 단계를 포함하는 인공 지능 기반의 지문을 이용한 사용자 성향 분석 서비스 제공 방법을 제공할 수 있다.
Description
본 발명은 인공 지능 기반으로 사용자의 지문을 이용한 성향 분석에 관한 것이다.
인간의 지문을 분석하여 인간의 타고난 성향과 능력을 알아내려는 노력은 인류 역사 내내 계속되었다. 최근에는 10 손가락의 지문 정보 분석에 의해서 인간의 적성과 다중능력검사를 수행하는 노력이 있어 왔다.
그러나, 종래의 적성검사 및 다중능력(지능) 검사에서는 우월순위만 제공하여 왔을 뿐 이를 활용하여 정확한 진로를 파악할 수 있는 노력이 없었다. 따라서 진로를 정하는 데 있어서 검사를 해놓고도 활용할 수 없어서 적합한 진로 탐색에 어려움을 느껴왔으며, 유전자지문 적성검사의 가치를 정확히 평가받는데 어려움을 겪어왔다.
더불어, 개인의 성향에 대한 특성을 파악하였으나 부가적으로 성향별 대응 요령에 대한 연구가 없어 효율적인 유전자지문 적성검사의 활용에 어려움이 있었다.
또한, 선천적인 지문이 후천적인 환경에 의해 미소하게 변화되는 경우가 있는데, 이러한 미소한 변화에 따른 지문 패턴의 정확한 인식에 어려움이 있다.
본 발명은 인공 지능을 이용하여 지문 유형을 판단할 수 있는 학습 모델을 생성한 후 이를 토대로 입력 지문에 대한 유형을 판단하며, 판단한 지문의 유형에 따라 사용자의 성향 정보를 제공함으로써, 지문 유형의 판단에 있어서 정확도를 높일 수 있는 인공 지능 기반의 지문을 이용한 사용자 성향 분석 서비스 제공 방법을 제공한다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 실시예에 따른 인공 지능 기반의 지문을 이용한 사용자 성형 분석 서비스 제공 방법은 적어도 하나 이상의 프로세서에 의해 실행되는 프로그램이 저장된 컴퓨팅 디바이스에서 동작하는 지문 기반의 사용자 성향을 분석하여 제공하는 방법에 있어서, 상기 컴퓨팅 디바이스 내 프로그램의 실행을 통해 지문을 포함한 데이터 샘플을 수집하고, 수집한 데이터 샘플에 대한 이미지 분석 및 인공 지능 학습을 통해 적어도 12가지 이상의 지문 유형을 판단할 수 있는 지문 유형 판단용 학습 모델을 생성하는 단계와, 지문과 관련되어 성향을 판단할 수 있는 데이터를 수집한 후 이를 토대로 적어도 12가지 이상의 지문 유형 각각에 대한 성향 판단을 위한 판단 데이터를 구축하는 단계와, 사용자의 지문 이미지가 입력됨에 따라 상기 입력된 지문 이미지를 상기 지문 유형 판단용 학습 모델에 적용하여 상기 사용자의 지문 유형을 결정하는 단계와, 상기 결정한 지문 유형에 대한 판단 데이터를 이용하여 상기 사용자의 성향 정보를 생성한 후 이를 사용자에게 제공하는 단계를 포함할 수 있다.
본 발명의 실시예에 따르면, 상기 지문 유형 판단용 학습 모델을 생성하는 단계는 상기 데이터 샘플을 상기 적어도 12가지 이상의 지문 유형으로 분류하는 단계와, 상기 분류된 각 지문 유형의 데이터 샘플에 대한 다양한 변화를 통해 상기 데이터 샘플을 증식시켜 상기 각 지문 유형에 대한 학습 데이터셋을 생성하는 단계와, 상기 각 지문 유형의 학습 데이터셋에 대한 CNN 학습을 수행하여 상기 각 지문 유형에 대한 특징점을 추출하고, 상기 추출한 특징점에 대한 통계학적 분석을 통해 상기 각 지문 유형의 패턴을 생성하는 단계와, 상기 사용자의 지문 이미지가 입력됨에 따라 상기 패턴을 이용하여 상기 사용자의 지문 유형을 상기 12가지 이상의 지문 유형 중 어느 하나로 판단할 수 있는 지문 유형 판단용 모델을 생성하는 단계를 포함할 수 있다.
본 발명의 실시예에 따르면, 상기 컴퓨팅 디바이스는 다양한 성향들간의 관계를 비교할 수 있는 제 1 관계형 데이터베이스 및 성향과 직무 및 직업군의 특성을 비교할 수 있는 제 2 관계형 데이터베이스를 구비하며, 상기 사용자에게 제공하는 단계는 상기 사용자의 성향 정보와 상기 제 1 및 제 2 관계형 데이터베이스에 저장된 데이터간의 연계 분석을 통해 상기 사용자와 다른 성향을 갖는 사용자간의 관계 및 대응 방법을 상기 사용자의 성향에 맞는 직무 및 직업군에 대한 정보를 더 포함한 리포트를 생성하여 상기 사용자에게 제공할 수 있다.
본 발명의 실시예에 따르면, 상기 12가지의 지문 유형은 반기문, 두형문 및 쌍기문을 적어도 포함하며, 상기 지문 유형 판단용 모델을 생성하는 단계는 상기 반기문에 대한 기준 형상 데이터와 데이터 샘플 내 지문 이미지간의 비교를 통해 변형 정도를 계산한 후 변형 정도가 기 설정된 임계범위를 벗어나는 경우 변형된 반기문으로 판단하고, 상기 두형문에 대한 기준 형상 데이터와 데이터 샘플 내 지문 이미지간의 비교를 통해 변형 정도를 계산한 후 변형 정도가 기 설정된 임계범위를 벗어나는 경우 변형된 두형문으로 판단하고, 상기 쌍기문에 대한 기준 형상 데이터와 지문 이미지간의 비교를 통해 변형 정도를 계산한 후 변형 정도가 기 설정된 임계범위를 벗어나는 경우 변형된 변형된 쌍기문으로 판단하여 분류하는 방식으로 상기 데이터 샘플을 적어도 15가지 이상의 지문 유형으로 분류하는 단계와, 상기 분류된 각 지문 유형의 데이터 샘플에 대한 다양한 변화를 통해 상기 데이터 샘플을 증식시켜 상기 각 지문 유형에 대한 학습 데이터셋을 생성하는 단계와, 상기 각 지문 유형의 학습 데이터셋에 대한 CNN 학습을 수행하여 상기 각 지문 유형에 대한 특징점을 추출하고, 상기 추출한 특징점에 대한 통계학적 분석을 통해 상기 각 지문 유형의 패턴을 생성하는 단계와, 상기 사용자의 지문 이미지가 입력됨에 따라 상기 패턴을 이용하여 상기 사용자의 지문 유형을 상기 15가지 이상의 지문 유형 중 어느 하나로 판단할 수 있는 지문 유형 판단용 모델을 생성하는 단계를 포함할 수 있다.
전술한 본 발명의 실시예에 따르면, 인공 지능을 이용하여 지문 유형을 판단할 수 있는 학습 모델을 생성한 후 이를 토대로 입력 지문에 대한 유형을 판단하며, 판단한 지문의 유형에 따라 사용자의 성향 정보를 제공함으로써, 지문 유형의 판단에 있어서 정확도를 높일 수 있기 때문에 지문을 이용한 성향 판단에 있어서 정확도를 높일 수 있다.
도 1은 일반적인 인공 지능 기술이 적용된 컴퓨팅 디바이스의 구성을 도시한 블록도이다.
도 2는 본 발명의 실시예에 따른 사용자 성향 분석 서비스 제공 방법을 제공할 수 있는 컴퓨팅 디바이스의 세부 구성을 도시한 블록도이다.
도 3은 본 발명의 실시예에 따른 지문 기반의 사용자 성향 정보를 분석하는 과정을 도시한 흐름도이다.
도 4는 본 발명의 실시예에 적용된 지문에 대한 구성을 도시한 도면이다.
도 5는 본 발명의 실시예에 따른 인공 지능용 프로그램에 의해 제공되는 리포트 형식을 설명하기 위한 예시도이다.
도 2는 본 발명의 실시예에 따른 사용자 성향 분석 서비스 제공 방법을 제공할 수 있는 컴퓨팅 디바이스의 세부 구성을 도시한 블록도이다.
도 3은 본 발명의 실시예에 따른 지문 기반의 사용자 성향 정보를 분석하는 과정을 도시한 흐름도이다.
도 4는 본 발명의 실시예에 적용된 지문에 대한 구성을 도시한 도면이다.
도 5는 본 발명의 실시예에 따른 인공 지능용 프로그램에 의해 제공되는 리포트 형식을 설명하기 위한 예시도이다.
이하, 도면을 참조하여 본 발명의 구체적인 실시 형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 따른 인공 지능 기반의 사용자 성향 분석 서비스 제공을 위한 컴퓨팅 디바이스와 이를 이용한 사용자 성향 분석 서비스 제공 방법에 대해 설명하기로 한다.
도 1은 일반적인 인공 지능 기술이 적용된 컴퓨팅 디바이스의 구성을 도시한 블록도이며, 도 2는 본 발명의 실시예에 따른 사용자 성향 분석 서비스 제공 방법을 제공할 수 있는 컴퓨팅 디바이스의 세부 구성을 도시한 블록도이다.
본 발명의 실시예에서 인공 지능 기술이 적용된 컴퓨팅 디바이스(100)는, 도 1에 도시된 바와 같이, 중앙 처리 유닛(CPU)(110), 인터페이스들(140), 및 (PCI(peripheral component interconnect) 등의) 버스(130)를 포함한다. 적절한 소프트웨어 또는 펌웨어의 제어 하에서 동작할 때, CPU(110)는 특정하게 구성된 컴퓨팅 디바이스 또는 기계의 기능들과 연관된 특정 기능들을 구현할 수 있다. 예를 들면, 본 발명의 실시예에서, 서버가 CPU(110), 메모리(120), 및 인터페이스(들)(140)를 활용하는 인공 지능용 프로그램 시스템으로서 기능하도록 구성되거나 또는 디자인될 수 있다. 또한, 본 발명의 실시예에서, CPU(110)가 소프트웨어 모듈들/컴포넌트들(예를 들어, 운영 시스템 및 임의의 적절한 응용 프로그램 소프트웨어, 드라이버들 등을 포함함)의 제어 하에서 하나 이상의 상이한 타입의 인공 지능용 프로그램 기능들 및/또는 작업들을 수행하도록 초래될 수 있다.
CPU(110)는 예를 들어, 모토롤라의 프로세서 또는 인텔 마이크로프로세서 패밀리 또는 MIPS 마이크로프로세서 패밀리와 같은 하나 이상의 프로세서(들)(114)를 포함할 수 있다. 본 발명의 실시예에서, 프로세서(들)(114)는 컴퓨팅 디바이스(100)의 동작들을 제어하기 위해 특별히 디자인된 하드웨어(예를 들면, ASIC(application-specific integrated circuit)들, EEPROM(electrically erasable programmable read-only memory)들, FPGA(field-programmable gate array)들 등)를 포함할 수 있다. 또한, 비휘발성 RAM(random access memory) 및/또는 ROM(read-only memory) 등의 메모리(120)가 또한 CPU(110)의 부분을 형성한다. 그러나, 메모리가 시스템과 결합할 수 있는 많은 상이한 방식들이 있다. 메모리 블록(112, 120)은 예를 들면, 데이터, 프로그래밍 명령어 등의 캐싱(caching) 및/또는 저장과 같은 다양한 목적을 위해 사용될 수 있다.
본 명세서에서 사용되는 바와 같이, "프로세서"라는 용어는 단지 당해 기술 분야에서 프로세서라고 지칭되는 그러한 집적 회로들에 한정되는 것이 아니라, 마이크로컨트롤러, 마이크로컴퓨터, 프로그램 가능 로직 컨트롤러(programmable logic controller), ASIC(application-specific integrated circuit), 및 임의의 다른 프로그램가능 회로를 널리 지칭한다.
본 발명의 실시예에서, 인터페이스들(140)은 (때때로 "라인 카드들"로 지칭되는) 인터페이스 카드들로서 제공되며, 인터페이스 카드들은 컴퓨팅 네트워크 상의 데이터 패킷들의 전송 및 수신을 제어하고 때때로 컴퓨팅 디바이스(100)와 함께 사용되는 다른 주변기기들을 지원한다. 제공될 수 있는 인터페이스들(140) 중에는 이더넷 인터페이스들, 프레임 릴레이 인터페이스들, 케이블 인터페이스들, DSL 인터페이스들, 토큰 링 인터페이스들 등이 있다. 또한, 예를 들어 유니버설 시리얼 버스(USB), 시리얼, 이더넷, 화이어와이어, PCI, 패러랠, 무선 주파수(RF), 블루투스, (예를 들면, 근거리 자기장 마그네틱들을 이용하는) 근거리 자기장 통신, 802.11(WiFi), 프레임 릴레이, TCP/IP, ISDN, 패스트 이더넷 인터페이스들, 기가비트 이더넷 인터페이스들, 비동기 전달 모드(ATM) 인터페이스들, 고속 시리얼 인터페이스(HSSI) 인터페이스들, POS(Point of Sale) 인터페이스들, FDDI(fiber data distributed interface)들 등과 같은 다양한 타입의 인터페이스들이 제공될 수 있다.
이러한 인터페이스들(140)은 적절한 매체와의 통신에 적절한 포트들을 포함할 수 있다. 일부 경우들에서, 그것들은 또한 독립적인 프로세서를 포함할 수 있으며, 일부 사례에서 휘발성 및/또는 비휘발성 메모리(예를 들면, RAM)를 포함할 수 있다.
도 1에 도시된 시스템이 본 명세서에 기술된 발명의 기술을 구현하기 위한 컴퓨팅 디바이스(100)에 대한 하나의 특정 아키텍쳐를 도시하지만, 이는 절대로 본 명세서에 기술된 특징들 및 기술들의 적어도 일부가 구현될 수 있는 유일한 디바이스 아키텍쳐는 아니다. 예를 들면, 하나 또는 임의의 수의 프로세서(들)(114)를 가지는 아키텍쳐들이 사용될 수 있으며, 그러한 프로세서(들)(114)는 하나의 디바이스 내에 존재하거나 임의의 수의 디바이스들 사이에 분포할 수 있다. 일 실시예에서, 하나의 프로세서(114)는 라우팅 계산과 함께 통신을 취급한다. 다양한 실시예들에서, 상이한 타입의 인공 지능용 프로그램 특징들 및/또는 기능들이 서버 시스템(들)을 포함하는 인공 지능용 프로그램 시스템에서 구현될 수 있다.
네트워크 디바이스 구성과 무관하게, 본 발명의 시스템은 데이터, 범용 네트워크 연산들을 위한 프로그램 명령어들 및/또는 본 명세서에 기술된 인공 지능용 프로그램 기술들의 기능과 관련된 다른 정보를 저장하도록 구성된 하나 이상의 메모리들 또는 (예를 들면, 메모리 블록과 같은) 메모리 모듈들을 채용할 수 있다. 프로그램 명령어들은 예를 들어 운영 시스템의 동작 및/또는 하나 이상의 응용 프로그램들을 제어할 수 있다. 메모리 또는 메모리들은 또한 데이터 구조들, 키워드 분류 정보, 광고 정보, 사용자 클릭 및 노출(click and impression) 정보 및/또는 본 명세서에 설명된 다른 특정한 비 프로그램 정보를 저장하도록 구성될 수 있다.
그러한 정보 및 프로그램 명령어들이 본 명세서에 설명된 시스템들/방법들을 구현하기 위해 채용될 수 있기 때문에, 적어도 일부의 네트워크 디바이스 실시예들은 비일시적(nontransitory) 기계 판독가능 저장 매체를 포함할 수 있는데, 비일시적 기계 판독가능 저장 매체는, 예를 들어, 본 명세서에서 설명된 다양한 작업들을 실행하기 위한 프로그램 명령어들, 상태 정보 등을 저장하도록 구성되거나 설계될 수 있다. 그러한 비일시적 기계 판독가능 매체의 예들은 하드 디스크들, 플로피 디스크들, 및 마그네틱 테이프와 같은 마그네틱 매체; CD-ROM 디스크들과 같은 광학 매체; 플롭티컬 디스크(floptical disk)들과 같은 마그네토-광학 매체, 및 프로그램 명령어들을 저장하고 실행하도록 특별히 구성된 판독전용 메모리 디바이스들(ROM), 플래시 메모리, 멤리스터(memristor) 메모리, 랜덤 액세스 메모리(RAM) 등과 같은 하드웨어 디바이스들을 포함하지만, 이에 한정되는 것은 아니다. 프로그램 명령어들의 예들은 컴파일러에 의해 생성된 것과 같은 기계 코드(machine code), 및 해석기를 사용하는 컴퓨터에 의해 실행될 수 있는 더 높은 레벨의 코드를 포함하는 파일들 양쪽을 포함한다.
한편, 상술한 바와 같은 구성을 갖는 컴퓨팅 디바이스(100)는, 도 2에 도시된 바와 같이, 사용자 입력, 즉 사용자 지문을 입력받을 수 있는 입력기기(150)와 연동할 수 있다.
이러한 컴퓨팅 디바이스(100) 상에서 실행되는 본 발명의 실시예에 따른 인공 지능용 프로그램(200)은 복수의 데이터 샘플을 이용하여 적어도 12가지 이상의 지문 유형에 대한 딥러닝(예컨대, CNN) 학습을 통해 지문 유형 판단용 학습 모델을 생성하고, 생성한 지문 유형 판단용 학습 모델을 토대로 입력기기(150)를 통해 입력된 사용자 지문의 어떤 유형인지를 결정한 후 이를 토대로 사용자 성향을 분석하여 제공할 수 있는 서비스를 제공할 수 있다.
또한, 본 발명의 실시예에 따른 컴퓨팅 디바이스(100)에서 실행되는 인공 능용 프로그램(200)은 다양한 데이터베이스, 예컨대 제 1 및 제 2 관계형 데이터베이스(210, 220)와의 연동을 통해 사용자 성향과 관련된 다양한 부가 정보를 제공할 수 있다.
이하에서는 상술한 바와 같은 컴퓨팅 디바이스(100)에서 실행된 인공 지능용 프로그램(200)에 의해 사용자 입력, 즉 지문 이미지를 이용하여 사용자의 성향을 분석하여 제공하는 과정에 대해 설명하기로 한다.
설명에 앞서, 컴퓨팅 디바이스(100)에 의해 실행되는 인공 지능용 프로그램(200)은 적어도 하나 이상의 프로세서(114)에 의해 실행 가능한 형태로 메모리(120, 112) 등에 저장되며, 입력기기(150)로부터 사용자 지문이 입력됨에 따라 적어도 하나 이상의 프로세서(114)에 의해 실행될 수 있다.
도 3은 본 발명의 실시예에 따른 지문 기반의 사용자 성향 정보를 분석하는 과정을 도시한 흐름도이며, 도 4는 본 발명의 실시예에 적용된 지문에 대한 구성을 도시한 도면이며, 도 5는 본 발명의 실시예에 따른 인공 지능용 프로그램에 의해 제공되는 리포트 형식을 설명하기 위한 예시도이다.
본 발명의 실시예에 대한 설명에 앞서, 사용자 성향 정보에는 성격, 기질, 자질 등이 포함될 수 있다.
도 3에 도시된 바와 같이, 지문 기반의 사용자 성향 정보를 분석하는 과정은 지문 유형을 판단할 수 있는 인공 지능 기반의 학습 모델을 생성하기 위한 것을 포함할 수 있다.
먼저, 컴퓨팅 디바이스(100)는 지문과 관련된 데이터 샘플을 수집(S300)한 후 데이터 샘플에 대한 이미지 분석을 통해 적어도 12가지 지문 유형으로 분류하는 데이터 분류 단계(S310)를 수행한다.
본 발명의 실시예에서, 데이터 샘플은 손가락 지문을 포함한 이미지 데이터로서, 왼손 및 오른손에 대한 다섯 손가락의 지문을 포함한 이미지일 수 있다.
본 발명의 실시예에서 데이터 샘플에 대한 이미지 분석은 지문을 포함한 데이터 샘플을 이용하는 것으로서, 도 4에 도시된 바와 같이, 지문을 구성하는 핵, 삼각점 및 융선의 개수 등을 분석하는 것을 의미할 수 있다.
본 발명의 실시예에 따른 12가지의 지문 유형으로 분류하는 단계에 대해 설명하면, 먼저 기 저장된 4가지의 기준 형상 데이터와의 비교 분석을 통해 지문 형상이 호형문(ARCH), 기형문(Loop), 두형문(Whorl) 및 혼합형(Composite)인지를 판단한다.
그런 다음, 호형문의 경우 3개의 세부 기준 형상 데이터와 지문 형상간의 비교를 통해 단순 호형문, 텐트 호형문 및 루프 호형문 중 어느 하나인지를 판단하며, 기형문인 경우 2개의 세부 기준 형상 데이터와 지문 형상간의 비교를 통해 정기문 및 반기문 중 어느 하나인지를 판단하며, 두형문인 경우 2개의 세부 기준 형상 데이터와 지문 형상간의 비교를 통해 나선형 및 원형인지를 판단하며, 혼합문인 경우 5개의 세부 기준 형상 데이터간의 비교를 통해 지문 형상이 쌍기문, 나선쌍두문, 원형 쌍기문, 공작눈 및 반기 공작문인지를 판단하는 방식으로 지문에 대응되는 이미지 데이터를 12가지의 유형으로 분류할 수 있다.
그런 다음, 12가지 각 유형으로 분류된 데이터의 변형을 통해 증식시켜 지문 유형별 학습 데이터셋이 생성된다(S320). 여기에서, 증식은 데이터 샘플의 다양한 각도로의 회전, 다양한 블러(Blur) 처리 등을 의미할 수 있다.
이후, 학습 데이터셋에 대한 CNN(Convolutional Neural Networks) 학습을 수행하여 각 유형에 대한 특징점을 추출하며, 추출한 특징점에 대한 통계학적 분석을 통해 각 유형에 대한 패턴을 생성한 후 이를 토대로 지문 유형을 판단할 수 있는 지문 유형 판단용 학습 모델이 생성된다(S330). 여기에서, 통계학적 분석은 특징점의 평균 변화 정도, 표준편차 및 분산 등의 산출을 통해 각 지문 유형의 패턴을 생성하는 것을 의미할 수 있다.
특히, 본 발명의 실시예에서 학습 데이터셋에 대한 학습은 손가락별 문형과 핵과 삼각점 사이의 좌우 융선 수, 핵과 삼각점 사이의 거리 즉 밀도 등의 지문 유형 판별 요소를 계산하여 각 지문 유형의 판단을 위해 각 요소에 대한 가중치를 생성하는 방식으로 수행할 수 있다. 이에 따라, 지문 유형 판단용 학습 모델은 각 지문 유형 판별 요소에 가중치가 부여된 형태로 생성될 수 있다.
그런 다음, 지문 유형에 따른 성향 및 기질 등의 정보를 생성하기 위한 데이터, 예컨대 학술 문헌, 자료 등을 수집한 후 이를 토대로 각 지문 유형에 대한 판단 데이터를 생성한다(S340). 이때, 데이터의 수집은 복수의 학술 문헌 제공 사이트, 인터넷 상에 배포된 다양한 정보에 대한 크롤링을 통해 이루어질 수 있다.
또한, 판단 데이터의 생성은 크롤링을 통해 수집된 데이터의 분석을 통해 이루어지며, 생성된 판단 데이터를 이용하여 판단용 데이터베이스(230)가 구축될 수 있다.
그런 다음, 다양한 사용자 입력 기기(150)로부터 사용자 지문이 입력(S350)됨에 지문 유형 판단용 학습 모델을 토대로 사용자 지문이 어떤 유형인지를 판단(S360)하며, 판단한 유형에 대응되는 판단 데이터를 이용하여 도 5에 도시된 바와 같이, 사용자의 성향 정보로 이루어진 리포트를 생성한 후 이를 사용자에게 제공한다(S370).
특히, 본 발명의 실시예에서 제공되는 리포트에는 사용자의 성향 정보뿐만 아니라 사용자의 성향에 따른 추천 직업, 직무 적합도, 다른 성형과의 관계 형성을 위한 조언, 학습 방향 등의 부가 정보를 더 포함할 수 있다.
이를 위하여, 본 발명의 실시예에서는 온라인 및 오프라인 상에 성향에 따른 특징을 연구한 자료 데이터를 수집하고, 수집한 데이터의 분석을 통해 다양한 성향들간의 제 1 관계형 데이터베이스(210)를 구축하고, 성향과 직무 및 직업군의 특성을 비교 분석한 제 2 관계형 데이터베이스(220)를 구축할 수 있다. 이를 통해, 지문으로 기반으로 사용자의 성향 정보가 생성됨에 따라 사용자의 성향 정보와 제 1 및 제 2 관계형 데이터베이스(210, 220) 내 데이터를 연계 분석하여 부가 정보를 생성한 후 이를 포함한 리포트를 생성할 수 있다.
상술한 바와 같은 본 발명의 실시예에서는 12가지의 유형으로 나눠서 분석하는 것으로 예를 들어 설명하였지만, 사고문형을 더 포함시켜 분석할 수도 있다.
즉, 반기문에 대한 기준 형상 데이터와 지문 이미지간의 비교를 통해 변형 정도를 계산한 후 변형 정도가 기 설정된 임계범위를 벗어나는 경우 변형된 반기문으로 판단하고, 두형문에 대한 기준 형상 데이터와 지문 이미지간의 비교를 통해 변형 정도를 계산한 후 변형 정도가 기 설정된 임계범위를 벗어나는 경우 변형된 두형문으로 판단하고, 쌍기문에 대한 기준 형상 데이터와 지문 이미지간의 비교를 통해 변형 정도를 계산한 후 변형 정도가 기 설정된 임계범위를 벗어나는 경우 변형된 변형된 쌍기문으로 판단하여 분류할 수 있다. 이에 따라, 데이터 샘플을 입력받아 15가지의 유형으로 분류한 후 이를 변형하여 증식시켜 학습 데이터셋을 생성한 후 이를 이용하여 지문 유형 판단용 학습 모델을 생성할 수 있다.
한편, 본 발명의 실시예에서, 새로운 지문 데이터가 입력됨에 따라 입력된 지문 데이터를 지문 유형 판단용 학습 모델을 통해 판단한 결과 12가지의 유형에 속하지 않을 경우, 즉 지문 데이터의 형상이 12가지의 유형과 비교한 결과 기 설정된 임계 범위를 벗어나는 경우 변형된 유형으로 판단하고, 변형된 유형에 대한 데이터셋을 구축한 후 변형된 유형에 대한 데이터셋이 기 설정된 개수 이상 누적된 경우 이를 토대로 새로운 지문 유형을 판단할 수 있도록 지문 유형 판단용 학습 모델을 업데이트시킬 수 있다. 이 경우, 지문 유형 판단용 학습 모델은 12가지의 유형 중 가장 근접한 유형을 토대로 지문 유형을 결정한 후 이를 토대로 사용자 성향 정보를 생성한 후 리포트를 제공하되, 결정한 지문 유형과 지문 데이터간의 일치 정도에 대한 정보를 포함한 리포트를 제공할 수 있다.
또한, 새로운 지문 유형에 대한 판단 데이터는 새로운 정보 수집, 예컨대 온라인 상에 배포된 지문 관련 데이터의 크롤링을 통해 수집하여 분석함과 더불어 새로운 지문 유형을 갖는 사용자의 MBIT(Myers-Briggs Type Indicator) 및 혈액형에 따른 성격 분석 데이터를 토대로 생성되며, 이를 통해 판단용 데이터베이스(230)가 업데이트될 수 있다.
본 발명의 실시예에 따른 인공 지능용 프로그램(200)은 적어도 하나 이상의 명령어들의 조합으로 구성된 지문 유형 판단용 학습 모델을 구비하고, 지문 유형 판단용 학습 모델에 의해 판단된 지문 유형을 기반으로 제 1, 2 관계형 데이터베이스(210, 220) 및 판단용 데이터베이스(230)에 액세스하여 사용자 성향 정보 및 부가 정보를 포함하는 데이터, 즉 리포트를 생성할 수 있는 기능을 가질 수 있다.
또한, 본 발명의 실시예에 따른 인공 지능형 프로그램(200)은 새로운 지문 유형에 체크됨에 따라 이를 토대로 S320과 같은 단계를 통해 새로운 지문 유형에 대한 학습 데이터셋을 생성하며, 생성한 학습 데이터셋을 이용하여 지문 유형 판단용 학습 모델을 업데이트시킬 수 있다.
또한, 새로운 지문 유형에 대한 판단 데이터는 S340을 통해 생성되거나 새로운 지문 유형을 갖는 사용자의 MBIT(Myers-Briggs Type Indicator) 및 혈액형에 따른 성격 분석 데이터를 토대로 생성되며, 이를 통해 판단용 데이터베이스(230)가 업데이트될 수 있다.
상술한 바와 같은 본 발명의 실시예에 따르면, 판단 데이터를 생성할 때, 지문 유형에 따른 데이터를 수집하여 이를 통해 생성되는 것으로 예를 들어 설명하였지만, 데이터 샘플의 사용자에 대한 정보, 예컨대 MBIT, 혈액형 등의 정보를 이용하여 생성할 수도 있다. 구체적으로, 컴퓨팅 디바이스(200)는 지문 유형에 따른 판단 데이터를 생성할 때 수집된 지문 유형에 따른 데이터를 이용할 뿐만 아니라 사용자의 MBIT, 혈액형 등에 대한 성격 분석 데이터를 반영하여 판단 데이터를 생성할 수 있다.
또한, 본 발명의 실시예에 사용자에게 리포트를 제공하는 것은 사용자의 SNS 계정, 이메일 주소, 문자 메시지 형태로 이루어질 수 있다.
한편, 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록에서 설명된 기능들을 수행하는 수단을 생성하게 된다.
이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 기록매체(또는 메모리) 등에 저장되는 것도 가능하므로, 그 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 기록매체(또는 메모리)에 저장된 인스트럭션들은 블록도의 각 블록에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다.
그리고, 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록은 특정된 논리적 기능(들)을 실행하기 위한 적어도 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시 예들에서는 블록들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
100 : 컴퓨팅 디바이스
150 : 입력기기
200 : 인공 지능용 프로그램
210, 220 : 제 1, 2 관계형 데이터베이스
230 : 판단용 데이터베이스
150 : 입력기기
200 : 인공 지능용 프로그램
210, 220 : 제 1, 2 관계형 데이터베이스
230 : 판단용 데이터베이스
Claims (4)
- 적어도 하나 이상의 프로세서에 의해 실행되는 프로그램이 저장된 컴퓨팅 디바이스에서 동작하는 지문 기반의 사용자 성향을 분석하여 제공하는 방법에 있어서,
상기 컴퓨팅 디바이스 내 프로그램의 실행을 통해 지문을 포함한 데이터 샘플을 수집하고, 수집한 데이터 샘플에 대한 이미지 분석 및 인공 지능 학습을 통해 적어도 12가지 이상의 지문 유형을 판단할 수 있는 지문 유형 판단용 학습 모델을 생성하는 단계와,
지문과 관련되어 성향을 판단할 수 있는 데이터를 수집한 후 이를 토대로 적어도 12가지 이상의 지문 유형 각각에 대한 성향 판단을 위한 판단 데이터를 구축하는 단계와,
사용자의 지문 이미지가 입력됨에 따라 상기 입력된 지문 이미지를 상기 지문 유형 판단용 학습 모델에 적용하여 상기 사용자의 지문 유형을 결정하는 단계와,
상기 결정한 지문 유형에 대한 판단 데이터를 이용하여 상기 사용자의 성향 정보를 생성한 후 이를 사용자에게 제공하는 단계를 포함하는 인공 지능 기반의 지문을 이용한 사용자 성향 분석 서비스 제공 방법.
- 제1항에 있어서,
상기 지문 유형 판단용 학습 모델을 생성하는 단계는,
상기 데이터 샘플을 상기 적어도 12가지 이상의 지문 유형으로 분류하는 단계와,
상기 분류된 각 지문 유형의 데이터 샘플에 대한 다양한 변화를 통해 상기 데이터 샘플을 증식시켜 상기 각 지문 유형에 대한 학습 데이터셋을 생성하는 단계와,
상기 각 지문 유형의 학습 데이터셋에 대한 CNN 학습을 수행하여 상기 각 지문 유형에 대한 특징점을 추출하고, 상기 추출한 특징점에 대한 통계학적 분석을 통해 상기 각 지문 유형의 패턴을 생성하는 단계와,
상기 사용자의 지문 이미지가 입력됨에 따라 상기 패턴을 이용하여 상기 사용자의 지문 유형을 상기 12가지 이상의 지문 유형 중 어느 하나로 판단할 수 있는 지문 유형 판단용 모델을 생성하는 단계를 포함하는 인공 지능 기반의 지문을 이용한 사용자 성향 분석 서비스 제공 방법.
- 제1항에 있어서,
상기 컴퓨팅 디바이스는,
다양한 성향들간의 관계를 비교할 수 있는 제 1 관계형 데이터베이스 및 성향과 직무 및 직업군의 특성을 비교할 수 있는 제 2 관계형 데이터베이스를 구비하며,
상기 사용자에게 제공하는 단계는,
상기 사용자의 성향 정보와 상기 제 1 및 제 2 관계형 데이터베이스에 저장된 데이터간의 연계 분석을 통해 상기 사용자와 다른 성향을 갖는 사용자간의 관계 및 대응 방법을 상기 사용자의 성향에 맞는 직무 및 직업군에 대한 정보를 더 포함한 리포트를 생성하여 상기 사용자에게 제공하는 인공 지능 기반의 지문을 이용한 사용자 성향 분석 서비스 제공 방법.
- 제1항에 있어서,
상기 12가지의 지문 유형은 반기문, 두형문 및 쌍기문을 적어도 포함하며,
상기 지문 유형 판단용 모델을 생성하는 단계는,
상기 반기문에 대한 기준 형상 데이터와 데이터 샘플 내 지문 이미지간의 비교를 통해 변형 정도를 계산한 후 변형 정도가 기 설정된 임계범위를 벗어나는 경우 변형된 반기문으로 판단하고, 상기 두형문에 대한 기준 형상 데이터와 데이터 샘플 내 지문 이미지간의 비교를 통해 변형 정도를 계산한 후 변형 정도가 기 설정된 임계범위를 벗어나는 경우 변형된 두형문으로 판단하고, 상기 쌍기문에 대한 기준 형상 데이터와 지문 이미지간의 비교를 통해 변형 정도를 계산한 후 변형 정도가 기 설정된 임계범위를 벗어나는 경우 변형된 변형된 쌍기문으로 판단하여 분류하는 방식으로 상기 데이터 샘플을 적어도 15가지 이상의 지문 유형으로 분류하는 단계와,
상기 분류된 각 지문 유형의 데이터 샘플에 대한 다양한 변화를 통해 상기 데이터 샘플을 증식시켜 상기 각 지문 유형에 대한 학습 데이터셋을 생성하는 단계와,
상기 각 지문 유형의 학습 데이터셋에 대한 CNN 학습을 수행하여 상기 각 지문 유형에 대한 특징점을 추출하고, 상기 추출한 특징점에 대한 통계학적 분석을 통해 상기 각 지문 유형의 패턴을 생성하는 단계와,
상기 사용자의 지문 이미지가 입력됨에 따라 상기 패턴을 이용하여 상기 사용자의 지문 유형을 상기 15가지 이상의 지문 유형 중 어느 하나로 판단할 수 있는 지문 유형 판단용 모델을 생성하는 단계를 포함하는 인공 지능 기반의 지문을 이용한 사용자 성향 분석 서비스 제공 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220099759A KR20240021438A (ko) | 2022-08-10 | 2022-08-10 | 인공 지능 기반의 지문을 이용한 사용자 성향 분석 서비스 제공 방법 |
| US18/058,248 US20240054774A1 (en) | 2022-08-10 | 2022-11-22 | Method of providing user propensity analysis service using artificial intelligence-based fingerprints |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220099759A KR20240021438A (ko) | 2022-08-10 | 2022-08-10 | 인공 지능 기반의 지문을 이용한 사용자 성향 분석 서비스 제공 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240021438A true KR20240021438A (ko) | 2024-02-19 |
Family
ID=89846421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220099759A KR20240021438A (ko) | 2022-08-10 | 2022-08-10 | 인공 지능 기반의 지문을 이용한 사용자 성향 분석 서비스 제공 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20240054774A1 (ko) |
| KR (1) | KR20240021438A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220022592A (ko) | 2020-08-19 | 2022-02-28 | 김용 | 유전자지문적성검사와 다중능력검사를 융합한 맞춤형 진로탐색시스템 및 방법 |
-
2022
- 2022-08-10 KR KR1020220099759A patent/KR20240021438A/ko unknown
- 2022-11-22 US US18/058,248 patent/US20240054774A1/en active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220022592A (ko) | 2020-08-19 | 2022-02-28 | 김용 | 유전자지문적성검사와 다중능력검사를 융합한 맞춤형 진로탐색시스템 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20240054774A1 (en) | 2024-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11537820B2 (en) | Method and system for generating and correcting classification models | |
| CN108475287B (zh) | 用于流数据的离群值检测 | |
| Fawagreh et al. | Random forests: from early developments to recent advancements | |
| JP2019164761A (ja) | ラベル付きトレーニングデータの品質向上 | |
| US9183285B1 (en) | Data clustering system and methods | |
| US8949237B2 (en) | Detecting overlapping clusters | |
| AlFarraj et al. | Optimized feature selection algorithm based on fireflies with gravitational ant colony algorithm for big data predictive analytics | |
| CN110929752A (zh) | 基于知识驱动和数据驱动的分群方法及相关设备 | |
| Yahyaoui et al. | A feature-based trust sequence classification algorithm | |
| CN111159481B (zh) | 图数据的边预测方法、装置及终端设备 | |
| US11410020B2 (en) | Machine learning models for predicting time in traffic | |
| CN114706985A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| JP3896868B2 (ja) | パターンの特徴選択方法及び分類方法及び判定方法及びプログラム並びに装置 | |
| Li et al. | Intrusion detection method based on imbalanced learning classification | |
| KR20240021438A (ko) | 인공 지능 기반의 지문을 이용한 사용자 성향 분석 서비스 제공 방법 | |
| CN110705889A (zh) | 一种企业筛选方法、装置、设备及存储介质 | |
| Medina Garcia et al. | A comparative study between feature selection algorithms | |
| CN110347928A (zh) | 一种个性化信息推荐方法与系统 | |
| Zhang et al. | Feature selection with symmetrical complementary coefficient for quantifying feature interactions | |
| CN109063944A (zh) | 基于大数据分析技术的城市金融指数分析方法及装置 | |
| CN113887115A (zh) | 运行状态的安全检测方法、装置、设备和存储介质 | |
| Qi et al. | Event-based Pathology Data Prioritisation: A Study using Multi-variate Time Series Classification. | |
| CN114090869A (zh) | 目标对象处理方法、装置、电子设备及存储介质 | |
| Junior et al. | The Influence of Feature Selection on Job Clustering for an E-recruitment Recommender System | |
| CN113191540A (zh) | 一种产业链路制造资源的构建方法及装置 |