WO2023054782A1 - 반려동물 신원 인증 시스템 및 방법 - Google Patents

반려동물 신원 인증 시스템 및 방법 Download PDF

Info

Publication number
WO2023054782A1
WO2023054782A1 PCT/KR2021/013809 KR2021013809W WO2023054782A1 WO 2023054782 A1 WO2023054782 A1 WO 2023054782A1 KR 2021013809 W KR2021013809 W KR 2021013809W WO 2023054782 A1 WO2023054782 A1 WO 2023054782A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning
image
authentication
companion animal
management server
Prior art date
Application number
PCT/KR2021/013809
Other languages
English (en)
French (fr)
Inventor
이동훈
Original Assignee
주식회사 애니온
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 애니온 filed Critical 주식회사 애니온
Publication of WO2023054782A1 publication Critical patent/WO2023054782A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
    • 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
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • 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
    • G06V40/164—Detection; Localisation; Normalisation using holistic features
    • 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
    • G06V40/168—Feature extraction; Face representation
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast

Definitions

  • the present invention relates to a companion animal identity authentication system and method, and more particularly, to a companion animal identity authentication system that authenticates the identity of a companion animal using object recognition, receives companion animal information, stores it in a server, and systematically manages the identity of the companion animal. It's about how.
  • Companion animals such as dogs and cats
  • An object of the present invention is to receive at least one learning facial image captured in a user terminal through a communication network, extract facial feature points from the learning facial image, set them as input variables of an object recognition model, perform learning, and perform learning from the user terminal.
  • Providing a companion animal identity authentication system and method capable of performing authentication and management by establishing an identity management server that receives a photographed facial image for authentication and performs authentication by comparison with the learning image when requesting authentication. is to do
  • a companion animal identity authentication method includes the steps of receiving, by an identity management server for performing companion animal identity authentication and management, at least one face image for learning captured in a user terminal through a communication network;
  • the identity management server extracts facial feature points from the received facial image for learning, sets them as input variables of an object recognition model, performs learning, and stores the learning image in a database; and receiving, by the identity management server, a face image for authentication taken when requesting authentication from the user terminal, and performing authentication by comparing with the learning image.
  • the identity management server receiving an inscription image captured from the user terminal, or extracting an inscription region from the learning face image, additionally setting it as a learning image, and storing it in a database;
  • the identity management server may further include performing additional authentication with the inscription image or the learning image for the extracted inscription area, upon request for authentication from the user terminal.
  • the identity management server extracts a feature point of the companion animal's face based on pixel information from the face image, and the feature point to be extracted includes at least one of the center of the eyebrows, both edges of the eyes, the corners of the mouth, and the center of the lips, and the boundary line extraction method It is characterized in that the outlines of the eyebrows, eyes, nose, mouth, and ears are extracted using , and feature points are extracted by checking the pixel value of each pixel within each outline.
  • the facial contour is extracted using the boundary line extraction method, and the complexion region is separated and used as a learning image.
  • the identity management server uses a training image including feature points when performing learning, but deep learning is performed through a combination of CNN (Convolution Neural Network), LSTM RNN (Long Short Term Memory Recurrent Neural Network), and Attention mechanism It is characterized in that it is configured to.
  • CNN Convolution Neural Network
  • LSTM RNN Long Short Term Memory Recurrent Neural Network
  • Attention mechanism It is characterized in that it is configured to.
  • the attention mechanism includes an encoder that creates a matrix of hidden states of LSTM and a decoder that emphasizes important states among hidden states. After extracting features, extracting temporal information with the LSTM layer, and collecting information by focusing on local features with the Attention layer, it reduces the amount of learning required for object recognition and improves object recognition efficiency as a result of learning. to be
  • the identity management server periodically receives the latest facial image from the user terminal for the learning image stored in the database and updates the learning image;
  • the identity management server may further include deleting the existing learning image when updating the learning image.
  • the companion animal identification method is performed by a computer program stored in a computer-readable recording medium.
  • Companion animal identity authentication system receives at least one facial image for learning captured in a user terminal through a communication network to perform companion animal identity authentication and management, and receives facial feature points from the facial image for learning. is extracted and set as an input variable of the object recognition model, learning is performed, the learning image is stored in a database, and a face image for authentication taken at the time of authentication request is provided from the user terminal, and authentication is performed by comparing with the learning image.
  • the identity management server includes a server communication unit having a communication protocol for communicating with the user terminal through a communication network; a learning unit extracting facial feature points from the learning face image received from the user terminal, setting them as input variables of an object recognition model, and performing learning; an authentication management unit that receives a face image for authentication taken when requesting authentication from the user terminal and performs authentication by comparing with the learning image; A security unit that performs data encryption/decryption to protect personal information on facial images, learning images, and authentication information when authentication is performed; and a database for storing the training image.
  • the database is characterized in that the latest face image is periodically provided from the user terminal for the stored learning image to update the learning image, and when updating the learning image, the existing learning image is deleted.
  • the encryption/decryption is a lightweight encryption algorithm that uses the identification information of each user terminal and identity management server as a private key by giving identification information capable of verifying the identity of each user terminal and identity management server.
  • the lightweight encryption algorithm is characterized by utilizing at least one of symmetric key encryption algorithms, HIGHT (HIGh security and light weight), LEA (Lightweight Encryption), and LSH (Lightweight Secure Hash), hash function.
  • Companion animal identification system and method of the present invention learns a facial image and an inscription image for learning with a neural network object recognition algorithm to authenticate the unique identity of a companion animal, and according to the learning result, a companion animal photographed through a user terminal, which is a mobile terminal.
  • a companion animal identification and management can be performed using images.
  • image learning is performed periodically, and identity authentication can be performed using the latest image data quickly and up-to-date by updating the latest image.
  • identity authentication can be performed using the latest image data quickly and up-to-date by updating the latest image.
  • companion animal information is systematically stored and managed in the database
  • guardians and protection officials who consider companion animals as members of the family recognize the need for companion animal and animal management shelters to manage abandoned dogs and help systematically manage companion animals. There are advantages to using it.
  • FIG. 1 is a block diagram showing the configuration of a companion animal identification system according to an embodiment of the present invention.
  • FIG. 2 is a block diagram showing the internal configuration of the companion animal identification system of FIG. 1 in detail.
  • FIG. 3 is a flowchart of a companion animal identification method according to an embodiment of the present invention.
  • FIG. 1 is a block diagram showing the configuration of a companion animal identity authentication system according to an embodiment of the present invention
  • FIG. 2 is a block diagram showing the internal configuration of the companion animal identity authentication system of FIG. 1 in detail.
  • the companion animal identification system of the present invention includes an identity management server 300 capable of managing animals by communicating with a user terminal 100 through a communication network 200 .
  • the identity management server 300 receives at least one facial image for learning captured by the user terminal 100 through the communication network 200 in order to authenticate and manage the identity of a companion animal, and extracts facial feature points from the facial image for learning. set as an input variable of the object recognition model, learning is performed, the learning image is stored in the database 350, and the user terminal 100 receives a face image for authentication taken when requesting authentication from the user terminal 100 and compares it with the learning image Authentication is performed by
  • companion animals may include various types of animals, and may include not only pets but also abandoned pets such as abandoned dogs managed by animal control centers.
  • the user terminal 100 is a terminal possessed by a user, and captures a facial image used for companion animal identity authentication, transmits it to the identity management server 300, and performs identification and management of companion animals.
  • a companion animal management app that works with the management server 300 may be included.
  • the companion animal management app is a program that is installed and executed in the user terminal 100, and is linked through the identity management server 300 and the communication network 200, and captures and registers facial and inscription images for identification of companion animals. , authentication, search and inquiry, and editing management functions can be provided, and companion animal information can be searched by inputting companion animal information and providing it to the identity management server 300.
  • companion animal information may include all information necessary for companion animal identification and registration, for example, companion animal portrait, unique identification code, inscription image, date of birth, eye color, hair type/color, breed, gender, grade , name, signature, residence, guardian's name, guardian's contact information, guardian's e-mail address, identification code, DNA information, health care history, etc. may be included.
  • the recognition code is a two-dimensional code that can be uniquely recognized, such as a QR code or barcode, and can be used for authentication requests through companion animal management apps.
  • the unique identification code may include RFID information that is uniquely recognized to manage companion animals with a code of a uniquely identifiable number and alphabet combination or an RF tag identification tag.
  • the RFID information can be read and stored through a reader (not shown).
  • the RFID information may include a part of the above-mentioned companion animal information, so that it can be used to identify and authenticate the companion animal's identity, so that it can be used for object recognition of inscriptions or facial images, as well as various types of companion animal identity authentication. By doing so, it is possible to have versatility.
  • the identity management server 300 when searching for companion animal information, in detail, when a user possessing the user terminal 100 photographs an inscription or facial image of a companion animal through a companion animal management app and transmits it to the identity management server 300, the identity management server 300 ) performs authentication using the learned image, and when authenticated, the companion animal information of the corresponding companion animal can be read from the database 350 and the companion animal information can be retrieved from the companion animal management app.
  • information on health care history or DNA information on DNA test results can be provided by the identity management server 300 in connection with a government office server (not shown) or a hospital server (not shown), and is periodically updated. It can be stored and managed in the database 350.
  • the identity management server 300 further includes a server communication unit 310, an authentication management unit 320, a learning unit 330, a security unit 340, and a database 350 to perform the above functions.
  • a server communication unit 310 an authentication management unit 320, a learning unit 330, a security unit 340, and a database 350 to perform the above functions.
  • the server communication unit 310 has a communication protocol for communicating with the user terminal 100 through the communication network 200, and may include at least one application programming interface (API) for interworking with the companion animal management app.
  • API application programming interface
  • the learning unit 330 extracts facial feature points from the face image for training received from the user terminal 100 and sets them as input variables of the object recognition model to perform learning.
  • the identity management server 300 extracts a feature point of the companion animal's face based on pixel information from the face image, but the feature point to be extracted includes at least one of the center of the eyebrows, both edges of the eyes, the mouth, and the center of the lips, ,
  • the boundary line extraction method the outlines of the eyebrows, eyes, nose, mouth, and ears are extracted, and feature points can be extracted by checking the pixel value of each pixel within each outline.
  • the identity management server 300 may extract facial outlines using a boundary line extraction method, classify complexion regions, and utilize them as learning images.
  • Object recognition models for this include, for example, CNN (Convolutional Neural Networks), R-CNN (Region-based Convolutional Neural Networks), Fast R-CNN, R-FCN, YOLO (You only Look Once), TensorFlow ( TensorFlow), SSD (Single Shot MultiBox Detector), etc., among the above-mentioned neural network algorithms, can be selectively applied or applied multiple times. Object recognition speed can be improved.
  • the identity management server 300 uses the learning image including the feature points when performing learning, but as a specific neural network algorithm, CNN (Convolution Neural Network), LSTM RNN (Long Short Term Memory Recurrent Neural Network), attention mechanism (Attention mechanism) It can be configured to perform deep learning through a combination.
  • CNN Convolution Neural Network
  • LSTM RNN Long Short Term Memory Recurrent Neural Network
  • attention mechanism Anttention mechanism
  • the attention mechanism includes an encoder that makes the hidden state of the LSTM into a matrix, and a decoder that emphasizes important states among the hidden states. After extracting spatial) characteristics, extracting temporal information with the LSTM layer, and collecting information by concentrating local characteristics with the Attention layer, the amount of learning required for object recognition can be reduced, and as a result of learning, object recognition efficiency can be improved. there is.
  • AdaBoost AdaBoost
  • SVM Support Vector Machine
  • LDA Linear Discriminant Analysis
  • PCA Principal Component Analysis
  • a neural network learning algorithm may be used to determine forgery of photographed facial data or epitaph images due to hacking or the like.
  • a new image can be created or regenerated, so it can be used for restoring a damaged image.
  • generative adversarial networks are structured with multiple deep neural networks and require dozens of times more computation than existing deep neural network models to generate high-resolution images, but can provide excellent performance for image restoration. there is.
  • the authentication management unit 320 receives a face image for authentication taken when requesting authentication from the user terminal 100 and performs authentication by comparing with the learning image.
  • the security unit 340 may perform data encryption/decryption to protect personal information, such as face image, learning image, authentication information during authentication, and companion animal information.
  • the encryption/decryption is performed by giving the user terminal 100 and the identity management server 300 identification information capable of verifying their identity, respectively, so that the identification information of each user terminal 100 and the identity management server 300 is private. Performs a lightweight encryption algorithm that is used as a private key.
  • the lightweight encryption algorithm may utilize at least one of symmetric key encryption algorithms HIGHT (HIGh security and light weight), LEA (Lightweight Encryption), and LSH (Lightweight Secure Hash) hash function.
  • HIGHT HIGHT security and light weight
  • LEA Lightweight Encryption
  • LSH Lightweight Secure Hash
  • the sponge makes the original message (in this case, the original data of the random key) into a certain size (padding), and then converts it to a specific standard size known only to the generator of the key (for example, the original message divided into specific bit sizes).
  • a specific standard size known only to the generator of the key (for example, the original message divided into specific bit sizes).
  • random data is exchanged using several update functions at the rear end of the split data (split original message), and the other side is implemented to decrypt using a known reference size.
  • the database 350 includes learning images (learning data set) learned for companion animal identification, information necessary for companion animal inquiry management, such as companion animal management history through companion animal management apps, companion animal information, etc. can be stored and managed.
  • learning images learning data set
  • information necessary for companion animal inquiry management such as companion animal management history through companion animal management apps, companion animal information, etc. can be stored and managed.
  • the database 350 periodically receives the latest face image from the user terminal 100 for the stored training image to update the training image, and when updating the training image, the existing training image can be deleted.
  • FIG. 3 is a flowchart of a companion animal identification method according to an embodiment of the present invention.
  • the identity management server 300 for performing companion animal identity authentication and management includes at least one photographed by the user terminal 100 through the communication network 200.
  • a face image for learning is transmitted (S11).
  • the identity management server 300 extracts facial feature points from the received face image for learning, sets them as input variables of an object recognition model, performs learning, and stores the learning image in the database 350 (S12).
  • the identity management server 300 receives the facial image for authentication taken when requesting authentication from the user terminal 100 and performs authentication by comparing with the learning image (S16).
  • the identity management server 300 receives the inscription image taken from the user terminal 100, or extracts an inscription region from the facial image for learning, additionally sets it as a learning image, and stores it in the database 350 (S13).
  • the identity management server 300 can perform additional authentication with an inscription image or a training image for an extracted inscription area when requesting authentication from the user terminal 100 .
  • the identity management server 300 may periodically update the learning image by receiving the latest facial image from the user terminal 100 for the learning image stored in the database 350 (S14, S15).
  • the identity management server 300 updates the learning image
  • the existing learning image is deleted and the latest facial image is reflected and recognized, so that the companion animal's accessory or aging image change can be adapted and recognized.
  • a 'terminal' may be a wireless communication device with guaranteed portability and mobility, and may be, for example, any type of handheld-based wireless communication device such as a smart phone, a tablet PC, or a laptop computer.
  • the 'terminal' may be a wired communication device such as a PC capable of accessing other terminals or servers through a network.
  • a network refers to a connection structure capable of exchanging information between nodes such as terminals and servers, such as a local area network (LAN), a wide area network (WAN), and the Internet (WWW : World Wide Web), wired and wireless data communication networks 200, telephone networks, wired and wireless television communication networks 200, and the like.
  • wireless data communication network 200 examples include 3G, 4G, 5G, 3rd Generation Partnership Project (3GPP), Long Term Evolution (LTE), World Interoperability for Microwave Access (WIMAX), Wi-Fi, Bluetooth communication, and infrared Communication, ultrasonic communication, visible light communication (VLC: Visible Light Communication), LiFi, and the like are included, but are not limited thereto.
  • 3GPP 3rd Generation Partnership Project
  • LTE Long Term Evolution
  • WWX World Interoperability for Microwave Access
  • Wi-Fi Wi-Fi
  • Bluetooth communication examples of the wireless data communication network 200
  • infrared Communication ultrasonic communication
  • VLC Visible Light Communication
  • LiFi and the like are included, but are not limited thereto.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

본 발명의 일 실시예에 따른 반려동물 신원 인증 방법은 반려동물 신원 인증 및 관리를 수행하기 위한 신원관리서버는 통신망을 통하여 유저단말기에서 촬영된 적어도 하나의 학습용 안면 이미지를 전송받는 단계; 상기 신원관리서버는 수신한 학습용 안면 이미지로부터 안면의 특징점을 추출하여 객체 인식 모델의 입력 변수로 설정하여, 학습을 수행하고, 학습 이미지를 데이터베이스에 저장하는 단계; 및 상기 신원관리서버는 상기 유저단말기로부터 인증 요청시 촬영된 인증용 안면 이미지를 제공받아 상기 학습 이미지와 대조에 의해 인증을 수행하는 단계를 포함할 수 있다.

Description

반려동물 신원 인증 시스템 및 방법
본 발명은 반려동물 신원 인증 시스템 및 방법에 관한 것으로, 더욱 상세하게는 객체 인식을 활용하여 반려동물의 신원을 인증하고 반려동물 정보를 제공받아 서버에 저장하여 체계적으로 관리하는 반려동물 신원 인증 시스템 및 방법에 관한 것이다.
반려동물에 대한 수요는 1인 가구 및 핵가족의 증가, 인구 고령화 등으로 인해 점차 증가하고 있으며, 이러한 반려동물 양육 증가와 관련하여 국내 반려동물 연관 시장 규모 역시 빠른 성장세를 나타내고 있다.
반려견, 반려묘 등 반려동물이 사람 인구 대비 1/5인 수준인 1000만 개체로 급증하고, 이에 따른 팻산업이 6조원 규모로 급성장하는 추세와 함께 RFID 칩을 신체 내부에 이식하는 형태의 동물등록제 실시에 대한 부정적인 시각과 거부감으로 인하여 최근 들어 반려동물의 비문(일명 코지문), 홍채 등 바이오인식기술을 이용한 개체식별기술에 대한 니즈가 증대되고 있는 실정이다.
이에 따라 최근 반려동물에 대한 바이오 인식 기술을 접목한 개체식별기술을 활용하는 동물등록제 적용을 위하여 동물보호법 개정작업이 활발히 진행될 것으로 전망되며, 반려동물의 유사한 품종에 대한 개체식별 필요성에 따라 팻보험 사기예방, 유기견 예방, 디지털 동물병원 헬스케어서비스, 팻레저, 팻복지 등의 다양한 팻산업 응용분야에서 바이오 인식 기술을 이용한 반려동물 개체식별의 필요성은 날로 증대될 것으로 전망된다.
특히, 반려동물을 가족의 일원으로 생각하는 보호자들이 증가함에 따라 이러한 프리미엄 제품에 대한 소비는 향후 지속될 것으로 예상되며, 반려동물 및 동물 관리 보호소의 유기견 관리 필요성을 인식하고, 해당 동물들의 등록을 의무화하는 추세이기도 하다.
그러나 현재 시행되는 반려동물등록제의 경우, 반려동물들을 동물병원에서 등록하고 시, 군, 구청에서 별도의 신고를 해야 하는 등의 번거로움이 있고, 반려동물 등록 여부를 증명하기 위해 마이크로칩 체내 삽입 시술, 체내 삽입시술은 부작용이 발생할 수 있는 위험을 가지고 있다.
따라서, 전술한 문제를 해결하기 위하여 반려동물의 신원을 인증하고 체계적으로 관리하는 반려동물 신원 인증 시스템 및 방법에 대한 연구가 필요하게 되었다.
본 발명의 목적은 통신망을 통하여 유저단말기에서 촬영된 적어도 하나의 학습용 안면 이미지를 전송받고, 학습용 안면 이미지로부터 안면의 특징점을 추출하여 객체 인식 모델의 입력 변수로 설정하여 학습을 수행하고, 유저단말기로부터 인증 요청시 촬영된 인증용 안면 이미지를 제공받아 상기 학습 이미지와 대조에 의해 인증을 수행하는 신원관리서버를 구축하여, 반려동물 신원 인증 및 관리를 수행할 수 있는 반려동물 신원 인증 시스템 및 방법을 제공하는 것이다.
본 발명의 일 실시예에 따른 반려동물 신원 인증 방법은, 반려동물 신원 인증 및 관리를 수행하기 위한 신원관리서버는 통신망을 통하여 유저단말기에서 촬영된 적어도 하나의 학습용 안면 이미지를 전송받는 단계; 상기 신원관리서버는 수신한 학습용 안면 이미지로부터 안면의 특징점을 추출하여 객체 인식 모델의입력 변수로 설정하여, 학습을 수행하고, 학습 이미지를 데이터베이스에 저장하는 단계; 및 상기 신원관리서버는 상기 유저단말기로부터 인증 요청시 촬영된 인증용 안면 이미지를 제공받아 상기 학습 이미지와 대조에 의해 인증을 수행하는 단계를 포함한다.
상기 신원관리서버는 상기 유저단말기로부터 촬영된 비문 이미지를 제공받거나, 상기 학습용 안면 이미지로부터 비문 영역을 추출하여 학습 이미지로 추가 설정하고 데이터베이스에 저장하는 단계; 상기 신원관리서버는 상기 유저단말기로부터 인증 요청시, 상기 비문 이미지 또는 추출된 비문 영역에 대한 학습 이미지로 추가 인증을 수행하는 단계를 더 포함한다.
상기 신원관리서버는 안면 이미지에서 픽셀 정보를 기반으로 반려동물 안면의 특징점을 추출하되, 추출할 특징점은 눈썹 중심, 눈의 양 가장자리, 입가, 입술 중앙점 중 적어도 어느 하나를 포함하고, 경계선 추출 방식을 이용하여, 눈썹, 눈, 코, 입, 귀의 윤곽선을 추출하고, 각 윤곽선 내에서 각 픽셀의 픽셀값을 확인하여 특징점을 추출하는 것을 특징으로 한다.
상기 경계선 추출 방식을 이용하여 안면 윤곽선을 추출하고, 안색 영역을 구분하여 학습 이미지로 활용하는 것을 특징으로 한다.
상기 신원관리서버는 학습 수행시 특징점을 포함한 학습 이미지를 이용하되, CNN(Convolution Neural Network), LSTM RNN(Long Short Term Memory Recurrent Neural Network), 어텐션 메카니즘(Attention mechanism)의 조합을 통해 심층학습을 수행하도록 구성되는 것을 특징으로 한다.
상기 어텐션 메카니즘은 LSTM의 히든 스테이트를 행렬로 만드는 인코더, 히든 스테이트중 중요한 스테이트를 강조하는 디코더를 포함하며, 상기 신원관리서버는 특징점 추출 과정에서 객체 인식 모델은 CNN레이어로 스펙트럼의 공간적(spatial)인 특성을 추출하고, LSTM레이어로 시간적(temporal)인 정보를 추출한 후 Attention 레이어로 지역적인 특성을 집중하여 정보를 수집하여 객체 인식에 필요한 학습량을 줄이고, 학습 결과 객체 인식 효율을 향상시킬 수 있는 것을 특징으로 한다.
상기 신원관리서버는 데이터베이스에 저장되는 학습 이미지에 대하여 주기적으로 최신의 안면 이미지를 상기 유저단말기로부터 제공받아 학습 이미지를 갱신하는 단계; 상기 신원관리서버는 상기 학습 이미지의 갱신시, 기존의 학습 이미지를 삭제하는 단계를 더 포함한다.
상기 반려동물 신원 인증 방법은, 컴퓨터로 판독 가능한 기록매체에 저장된 컴퓨터 프로그램에 의해 수행된다.
본 발명의 일 실시예에 따른 반려동물 신원 인증 시스템은, 반려동물 신원 인증 및 관리를 수행하기 위해 통신망을 통하여 유저단말기에서 촬영된 적어도 하나의 학습용 안면 이미지를 전송받고, 학습용 안면 이미지로부터 안면의 특징점을 추출하여 객체 인식 모델의 입력 변수로 설정하여, 학습을 수행하고, 학습 이미지를 데이터베이스에 저장하며, 유저단말기로부터 인증 요청시 촬영된 인증용 안면 이미지를 제공받아 상기 학습 이미지와 대조에 의해 인증을 수행하는 신원관리서버를 포함한다.
상기 신원관리서버는 상기 유저단말기와 통신망을 통하여 통신하기 위한 통신 프로토콜을 구비하는 서버통신부; 상기 유저단말기로부터 수신한 학습용 안면 이미지로부터 안면의 특징점을 추출하여 객체 인식 모델의 입력 변수로 설정하여, 학습을 수행하는 학습부; 상기 유저단말기로부터 인증 요청시 촬영된 인증용 안면 이미지를 제공받아 상기 학습 이미지와 대조에 의해 인증을 수행하는 인증관리부; 안면 이미지, 학습 이미지, 인증 수행시의 인증정보에 대하여 개인 정보 보호를 위해 데이터 암복호화를 수행하는 보안부; 및 상기 학습 이미지를 저장하는 데이터베이스를 더 포함한다.
상기 데이터베이스는 저장되는 학습 이미지에 대하여 주기적으로 최신의 안면 이미지를 상기 유저단말기로부터 제공받아 학습 이미지를 갱신하고, 상기 학습 이미지의 갱신시, 기존의 학습 이미지를 삭제하는 것을 특징으로 한다.
상기 암복호화는 유저단말기와 신원관리서버 각각 신분 증명이 가능한, 식별 정보(identification information)를 부여하여, 각 유저단말기와 신원관리서버의 식별 정보를 사설 암호 키(private key)로 활용하는 경량 암호 알고리즘을 수행하며, 상기 경량 암호 알고리즘은 대칭키 암호 알고리즘인 HIGHT(HIGh security and light weigHT), LEA(Lightweight Encryption)와 해시함수인 LSH(Lightweight Secure Hash) 중 적어도 어느 하나를 활용하는 것을 특징으로 한다.
본 발명의 반려동물 신원 인증 시스템 및 방법은 반려동물의 고유한 신원 인증을 위해 학습용 안면 이미지와 비문 이미지를 신경망 객체 인식 알고리즘으로 학습시키고, 학습 결과에 따라 휴대 단말기인 유저단말기를 통하여 촬영된 반려동물 이미지를 이용하여 반려동물 신원 인증 및 관리를 수행할 수 있는 장점이 있다.
또한, 이미지 학습을 주기적으로 수행하고, 최신 이미지 갱신에 의해 신속하고 최신 데이터에 의해 신원 인증이 가능하고, 신원 인증 확인 후 서버에 저장된 해당 반려동물의 반려동물 정보를 유저단말기를 통하여 쉽게 확인할 수 있어 반려동물 관리에 유용한 장점이 있다.
또한, 반려동물 정보를 체계적으로 데이터베이스에 저장하고 관리함에 따라, 반려동물을 가족의 일원으로 생각하는 보호자들 및 보호 관계자들이 반려동물 및 동물 관리 보호소의 유기견 관리 필요성을 인식하고 반려동물의 체계적 관리에 활용할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 반려동물 신원 인증 시스템의 구성을 보인 블록도이다.
도 2는 도 1의 반려동물 신원 인증 시스템의 내부 구성을 세부적으로 보인 블록도이다.
도 3은 본 발명의 일 실시예에 따른 반려동물 신원 인증 방법의 순서도이다.
이하에서는 도면을 참조하여 본 발명의 구체적인 실시예를 상세하게 설명한다. 다만, 본 발명의 사상은 제시되는 실시예에 제한되지 아니하고, 본 발명의 사상을 이해하는 당업자는 동일한 사상의 범위 내에서 다른 구성요소를 추가, 변경, 삭제 등을 통하여, 퇴보적인 다른 발명이나 본 발명 사상의 범위 내에 포함되는 다른 실시예를 용이하게 제안할 수 있을 것이나, 이 또한 본원 발명 사상 범위 내에 포함된다고 할 것이다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명한다.
도 1은 본 발명의 일 실시예에 따른 반려동물 신원 인증 시스템의 구성을 보인 블록도이며, 도 2는 도 1의 반려동물 신원 인증 시스템의 내부 구성을 세부적으로 보인 블록도이다.
본 발명의 반려동물 신원 인증 시스템은 도 1을 참조하면, 유저단말기(100)와 통신망(200)을 통하여 통신하여 동물들을 관리할 수 있는 신원관리서버(300)를 포함한다.
신원관리서버(300)는 반려동물 신원 인증 및 관리를 수행하기 위해 통신망(200)을 통하여 유저단말기(100)에서 촬영된 적어도 하나의 학습용 안면 이미지를 전송받고, 학습용 안면 이미지로부터 안면의 특징점을 추출하여 객체 인식 모델의 입력 변수로 설정하여, 학습을 수행하고, 학습 이미지를 데이터베이스(350)에 저장하며, 유저단말기(100)로부터 인증 요청시 촬영된 인증용 안면 이미지를 제공받아 상기 학습 이미지와 대조에 의해 인증을 수행한다.
여기서 반려동물에는 다양한 종류의 동물이 포함될 수 있으며, 애완동물뿐만 아니라, 동물 관리소에서 관리되고 있는 유기견과 같은 유기동물(abandoned pets)도 포함될 수 있다.
또한 유저단말기(100)는 사용자(user)가 소지한 단말기로, 반려동물 신원 인증에 활용한 안면 이미지를 촬영하여 신원관리서버(300)로 전송하고, 반려동물의 인증 및 관리 수행할 수 있도록 신원관리서버(300)와 연동되는 반려동물 관리 앱이 포함될 수 있다.
즉, 반려동물 관리 앱은 유저단말기(100)에 설치 및 실행되는 프로그램으로, 신원관리서버(300)와 통신망(200)을 통하여 연동되고, 반려동물의 신원인증을 위한 안면 및 비문 이미지 촬영, 등록, 인증, 검색 및 조회, 편집 관리 기능을 제공할 수 있으며, 반려동물 정보를 입력하여 신원관리서버(300)에 제공하여 반려동물 정보를 조회할 수도 있다.
여기서 반려동물 정보에는 반려동물 신원 인증 및 등록에 필요한 제반 정보가 포함될 수 있으며, 예컨대 반려동물 초상화, 고유식별코드, 비문 이미지, 출생일, 눈색깔, 헤어타입/색깔, 종(Breed), 성별, 등급, 이름, 서명, 거주지, 보호자 이름, 보호자 연락처, 보호자 이메일주소, 인식코드, DNA 정보, 건강 관리 이력 등이 포함될 수 있다.
또한 인식코드는 QR 코드, 바코드 등의 고유 인식이 가능한 이차원 코드로서, 반려동물 관리 앱을 통한 인증 요청에 활용될 수 있다.
또한 고유식별코드는 고유 식별 가능한 숫자와 알파벳 조합의 코드나, RF태그 인식표 등으로 반려동물을 관리하기 위해 고유 인식되는 RFID 정보가 포함될 수 있다.
즉, 기존의 RF태그 인식표를 반려동물에 고리나 삽입형으로 부착하여 사용하는 경우에도, RFID 정보를 리더기(미도시)를 통하여 독출하여 저장할 수 있다.
이때 RFID 정보에는 상술한 반려동물 정보의 일부가 포함될 수 있어서, 반려동물의 신분을 확인하고 인증하는데 활용될 수 있도록 하여 비문이나 안면 이미지의 객체 인식뿐만 아니라, 다양한 형태의 반려동물 신원 인증이 가능하도록 함으로써, 범용성을 지니도록 할 수 있다.
또한 반려동물 정보 조회시에는 구체적으로 유저단말기(100)를 소지한 사용자가 반려동물 관리 앱을 통하여 반려동물의 비문 또는 안면 이미지를 촬영하여 신원관리서버(300)로 전송하면, 신원관리서버(300)는 학습된 이미지를 이용하여 인증을 수행하고, 인증된 경우 해당 반려동물의 반려동물 정보를 데이터베이스(350)에서 독출하여 반려동물 관리 앱에서 반려동물 정보를 조회할 수 있다.
나아가 반려동물 정보 중 간단한 정보(고유식별코드, 초상화 혹은 비문이미지, 이름, 종 등)에 대해서는 신원관리서버(300)에서 인증만 수행하고, 유저단말기(100)에 최초 등록시 유저단말기(100)의 저장수단에 저장되어 인증 후 바로 반려동물 관리 앱에서 조회가 가능하도록 할 수도 있다.
또한 건강 관리 이력에 대한 정보나 DNA 검사 결과에 대한 DNA 정보 등은 신원관리서버(300)가 관공서 서버(미도시)나 병원서버(미도시)와 연계하여 정보를 제공받을 수 있으며, 주기적으로 갱신되어 데이터베이스(350)에 저장되어 관리될 수 있다.
또한 신원관리서버(300)는 상술한 기능을 수행하기 위해 도 2를 참조하면, 서버통신부(310), 인증관리부(320), 학습부(330), 보안부(340) 및 데이터베이스(350)를 더 포함할 수 있다.
서버통신부(310)는 유저단말기(100)와 통신망(200)을 통하여 통신하기 위한 통신 프로토콜을 구비하며, 반려동물 관리 앱과 연동하기 위한 응용 프로그래밍 인터페이스(API)가 적어도 하나 이상 포함될 수 있다.
학습부(330)는 유저단말기(100)로부터 수신한 학습용 안면 이미지로부터 안면의 특징점을 추출하여 객체 인식 모델의 입력 변수로 설정하여, 학습을 수행한다.
구체적으로 신원관리서버(300)는 안면 이미지에서 픽셀 정보를 기반으로 반려동물 안면의 특징점을 추출하되, 추출할 특징점은 눈썹 중심, 눈의 양 가장자리, 입가, 입술 중앙점 중 적어도 어느 하나를 포함하고, 경계선 추출 방식을 이용하여, 눈썹, 눈, 코, 입, 귀의 윤곽선을 추출하고, 각 윤곽선 내에서 각 픽셀의 픽셀값을 확인하여 특징점을 추출할 수 있다.
또한 신원관리서버(300)는 경계선 추출 방식을 이용하여 안면 윤곽선을 추출하고, 안색 영역을 구분하여 학습 이미지로 활용할 수 있다.
이를 위한 객체 인식 모델로는 예를 들어, CNN(Convolutional Neural Networks), R-CNN(Region-based Convolutional Neural Networks), Fast R-CNN, R-FCN, YOLO(You only Look Once), 텐서플로(TensorFlow), SSD(Single Shot MultiBox Detector) 등이 있는데, 상술한 신경망 알고리즘 중 선택적으로 적용하거나 다중으로 적용할 수 있으며, 상술한 신경망 알고리즘을 적용하여 원하는 객체(동물 안면 특징점이나 비문 이미지)를 인식시켜 객체 인식 속도를 향상시킬 수 있다.
또한 신원관리서버(300)는 학습 수행시 특징점을 포함한 학습 이미지를 이용하되, 구체적인 신경망 알고리즘으로 CNN(Convolution Neural Network), LSTM RNN(Long Short Term Memory Recurrent Neural Network), 어텐션 메카니즘(Attention mechanism)의 조합을 통해 심층학습을 수행하도록 구성될 수 있다.
여기서, 어텐션 메카니즘은 LSTM의 히든 스테이트를 행렬로 만드는 인코더, 히든 스테이트중 중요한 스테이트를 강조하는 디코더를 포함하며, 신원관리서버(300)는 특징점 추출 과정에서 객체 인식 모델은 CNN레이어로 스펙트럼의 공간적(spatial)인 특성을 추출하고, LSTM레이어로 시간적(temporal)인 정보를 추출한 후 Attention 레이어로 지역적인 특성을 집중하여 정보를 수집하여 객체 인식에 필요한 학습량을 줄이고, 학습 결과 객체 인식 효율을 향상시킬 수 있다.
나아가 객체 인식율을 높이기 위해 에이다부스트(AdaBoost), 서포트 벡터 머신(Support Vector Machine: SVM), 선형판별식 해석(Linear Disciminant Analysis: LDA), 주성분 분석(Principal Component Analusis: PCA) 등의 알고리즘이 추가로 이용될 수도 있으며, 이러한 알고리즘 기법들은 모두 외형에 기반하여 인식대상 영역을 식별하는 것으로, 트레이닝에 사용될 영상 이미지들의 집합에 의해 트레이닝된 모델을 이용해서 객체 주위의 영역을 검출하며, 여러 주변의 제약 조건들이 트레이닝을 통해 극복되어지기 때문에 결과적으로 객체 인식 정확도와 신뢰도를 높일 수 있다.
더 나아가 학습부(330)는 복수의 반려동물 안면 데이터나 비문 이미지를 추출하더라도, 카메라 성능의 한계나 카메라 오류 등으로 인하여 인증에 필요한 안면 데이터나 비문 이미지가 선명하지 않는 경우의 이미지 복원이나, 카메라 해킹 등으로 인한 촬영된 안면 데이터나 비문 이미지의 위조를 판별하기 위해서 신경망 학습 알고리즘이 활용될 수도 있다.
특히 생성적 적대 신경망(Generative Adversarial Networks)을 활용함으로써, 새로운 이미지를 생성 또는 재생성할 수 있어 손상된 이미지 복원에 활용될 수 있다.
생성적 적대 신경망은 기존의 딥러닝 네트워크와는 달리 여러 개의 심층 신경망으로 이루어진 구조로, 고해상도 이미지를 생성하기 위해 기존 심층 신경망 모델보다 수십 배 많은 연산량을 요구하지만, 이미지 복원에 탁월한 성능을 제공할 수 있다.
인증관리부(320)는 유저단말기(100)로부터 인증 요청시 촬영된 인증용 안면 이미지를 제공받아 상기 학습 이미지와 대조에 의해 인증을 수행한다.
보안부(340)는 안면 이미지, 학습 이미지, 인증 수행시의 인증정보 및 반려동물 정보 등에 대하여 개인 정보 보호를 위해 데이터 암복호화를 수행할 수 있다.
여기서 암복호화는 유저단말기(100)와 신원관리서버(300) 각각 신분 증명이 가능한, 식별 정보(identification information)를 부여하여, 각 유저단말기(100)와 신원관리서버(300)의 식별 정보를 사설 암호 키(private key)로 활용하는 경량 암호 알고리즘을 수행한다.
또한 경량 암호 알고리즘은 대칭키 암호 알고리즘인 HIGHT(HIGh security and light weigHT), LEA(Lightweight Encryption)와 해시함수인 LSH(Lightweight Secure Hash) 중 적어도 어느 하나를 활용할 수 있다.
보다 구체적으로는 이러한 경량 해시함수 중에서도 키가 없이(unkeyed) 데이터의 치환(permutation)이 가능하도록 하는 스폰지(Sponge) 알고리즘을 사용하는 것이 바람직하다.
좀더 구체적으로 스폰지는 원본 메시지(여기서는 랜덤키의 원본 데이터)를 일정한 크기로 만든 뒤(padding), 이를 키의 생성자만 알 수 있는 특정한 기준 크기(예를 들어 특정 비트 사이즈로 분할된 원본 메시지)로 복수 개로 분할한 뒤, 복수 개로 분할된 데이터(분할된 원본 메시지)의 후단에 랜덤한 데이터들을 여러 업데이트 함수를 활용하여 교환하고, 반대편에서는 이미 알고 있는 기준 크기를 활용하여 복호화도록 구현된다.
또한, 데이터베이스(350)는 반려동물 신원 인증을 위해 학습된 학습 이미지(학습 데이터 셋)를 포함하여, 반려동물 조회 관리에 필요한 정보 이를테면, 반려동물 관리 앱을 통한 반려동물 관리 이력, 반려동물 정보 등을 저장하고 관리할 수 있다.
또한 데이터베이스(350)는 저장되는 학습 이미지에 대하여 주기적으로 최신의 안면 이미지를 유저단말기(100)로부터 제공받아 학습 이미지를 갱신하고, 학습 이미지의 갱신시, 기존의 학습 이미지를 삭제할 수 있다.
도 3은 본 발명의 일 실시예에 따른 반려동물 신원 인증 방법의 순서도이다.
본 발명의 반려동물 신원 인증 시스템을 이용한 반려동물 신원 인증 방법은 우선 반려동물 신원 인증 및 관리를 수행하기 위한 신원관리서버(300)가 통신망(200)을 통하여 유저단말기(100)에서 촬영된 적어도 하나의 학습용 안면 이미지를 전송받는다(S11).
신원관리서버(300)는 수신한 학습용 안면 이미지로부터 안면의 특징점을 추출하여 객체 인식 모델의 입력 변수로 설정하여 학습을 수행하고, 학습 이미지를 데이터베이스(350)에 저장한다(S12).
신원관리서버(300)는 유저단말기(100)로부터 인증 요청시 촬영된 인증용 안면 이미지를 제공받아 학습 이미지와 대조에 의해 인증을 수행한다(S16).
이때, 신원관리서버(300)는 유저단말기(100)로부터 촬영된 비문 이미지를 제공받거나, 학습용 안면 이미지로부터 비문 영역을 추출하여 학습 이미지로 추가 설정하고 데이터베이스(350)에 저장할 수 있다(S13).
즉, 신원관리서버(300)는 유저단말기(100)로부터 인증 요청시, 비문 이미지 또는 추출된 비문 영역에 대한 학습 이미지로 추가 인증을 수행할 수 있는 것이다.
또한, 신원관리서버(300)는 데이터베이스(350)에 저장되는 학습 이미지에 대하여 주기적으로 최신의 안면 이미지를 상기 유저단말기(100)로부터 제공받아 학습 이미지를 갱신할 수 있다(S14, S15).
또한 신원관리서버(300)는 상기 학습 이미지의 갱신시, 기존의 학습 이미지를 삭제하여 최신의 안면 이미지를 반영하여 인식시킴으로써, 반려동물의 악세사리나 노화 등에 따른 이미지 변화에 적응시켜 인식시킬 수 있는 강점이 있다.
본 명세서에서 ‘단말’은 휴대성 및 이동성이 보장된 무선 통신 장치일 수 있으며, 예를 들어 스마트폰, 태블릿 PC 또는 노트북 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치일 수 있다. 또한, ‘단말’은 네트워크를 통해 다른 단말 또는 서버 등에 접속할 수 있는 PC 등의 유선 통신 장치인 것도 가능하다. 또한, 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망(200), 전화망, 유무선 텔레비전 통신망(200) 등을 포함한다.
무선 데이터 통신망(200)의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.
[부호의 설명]
100 : 유저단말기
200 : 통신망
300 : 신원관리서버
310 : 서버통신부
320 : 인증관리부
330 : 학습부
340 : 보안부
350 : 데이터베이스

Claims (12)

  1. 반려동물 신원 인증 및 관리를 수행하기 위한 신원관리서버는 통신망을 통하여 유저단말기에서 촬영된 적어도 하나의 학습용 안면 이미지를 전송받는 단계;
    상기 신원관리서버는 수신한 학습용 안면 이미지로부터 안면의 특징점을 추출하여 객체 인식 모델의 입력 변수로 설정하여, 학습을 수행하고, 학습 이미지를 데이터베이스에 저장하는 단계; 및
    상기 신원관리서버는 상기 유저단말기로부터 인증 요청시 촬영된 인증용 안면 이미지를 제공받아 상기 학습 이미지와 대조에 의해 인증을 수행하는 단계
    를 포함하는 반려동물 신원 인증 방법.
  2. 제1항에 있어서,
    상기 신원관리서버는 상기 유저단말기로부터 촬영된 비문 이미지를 제공받거나, 상기 학습용 안면 이미지로부터 비문 영역을 추출하여 학습 이미지로 추가 설정하고 데이터베이스에 저장하는 단계; 및
    상기 신원관리서버는 상기 유저단말기로부터 인증 요청시, 상기 비문 이미지 또는 추출된 비문 영역에 대한 학습 이미지로 추가 인증을 수행하는 단계
    를 더 포함하는 반려동물 신원 인증 방법.
  3. 제1항에 있어서,
    상기 신원관리서버는 안면 이미지에서 픽셀 정보를 기반으로 반려동물 안면의 특징점을 추출하되,
    추출할 특징점은 눈썹 중심, 눈의 양 가장자리, 입가, 입술 중앙점 중 적어도 어느 하나를 포함하고,
    경계선 추출 방식을 이용하여, 눈썹, 눈, 코, 입, 귀의 윤곽선을 추출하고, 각 윤곽선 내에서 각 픽셀의 픽셀값을 확인하여 특징점을 추출하는 것을 특징으로 하는 반려동물 신원 인증 방법.
  4. 제3항에 있어서,
    상기 경계선 추출 방식을 이용하여 안면 윤곽선을 추출하고, 안색 영역을 구분하여 학습 이미지로 활용하는 것을 특징으로 하는 반려동물 신원 인증 방법.
  5. 제4항에 있어서,
    상기 신원관리서버는
    학습 수행시 특징점을 포함한 학습 이미지를 이용하되,
    CNN(Convolution Neural Network), LSTM RNN(Long Short Term Memory Recurrent Neural Network), 어텐션 메카니즘(Attention mechanism)의 조합을 통해 심층학습을 수행하도록 구성되는 것을 특징으로 하는 반려동물 신원 인증 방법.
  6. 제5항에 있어서,
    상기 어텐션 메카니즘은
    LSTM의 히든 스테이트를 행렬로 만드는 인코더, 히든 스테이트중 중요한 스테이트를 강조하는 디코더를 포함하며,
    상기 신원관리서버는
    특징점 추출 과정에서 객체 인식 모델은 CNN레이어로 스펙트럼의 공간적(spatial)인 특성을 추출하고,
    LSTM레이어로 시간적(temporal)인 정보를 추출한 후 Attention 레이어로 지역적인 특성을 집중하여 정보를 수집하여 객체 인식에 필요한 학습량을 줄이고, 학습 결과 객체 인식 효율을 향상시킬 수 있는 것을 특징으로 하는 반려동물 신원 인증 방법.
  7. 제1항에 있어서,
    상기 신원관리서버는 데이터베이스에 저장되는 학습 이미지에 대하여 주기적으로 최신의 안면 이미지를 상기 유저단말기로부터 제공받아 학습 이미지를 갱신하는 단계;
    상기 신원관리서버는 상기 학습 이미지의 갱신시, 기존의 학습 이미지를 삭제하는 단계
    를 더 포함하는 반려동물 신원 인증 방법.
  8. 제1항 내지 제7항 중 어느 한 항의 반려동물 신원 인증 방법을 수행하는 컴퓨터로 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
  9. 반려동물 신원 인증 및 관리를 수행하기 위해 통신망을 통하여 유저단말기에서 촬영된 적어도 하나의 학습용 안면 이미지를 전송받고, 학습용 안면 이미지로부터 안면의 특징점을 추출하여 객체 인식 모델의 입력 변수로 설정하여 학습을 수행하고, 학습 이미지를 데이터베이스에 저장하며, 유저단말기로부터 인증 요청시 촬영된 인증용 안면 이미지를 제공받아 상기 학습 이미지와 대조에 의해 인증을 수행하는 신원관리서버
    를 포함하는 반려동물 신원 인증 시스템.
  10. 제9항에 있어서,
    상기 신원관리서버는
    상기 유저단말기와 통신망을 통하여 통신하기 위한 통신 프로토콜을 구비하는 서버통신부;
    상기 유저단말기로부터 수신한 학습용 안면 이미지로부터 안면의 특징점을 추출하여 객체 인식 모델의 입력 변수로 설정하여, 학습을 수행하는 학습부;
    상기 유저단말기로부터 인증 요청시 촬영된 인증용 안면 이미지를 제공받아 상기 학습 이미지와 대조에 의해 인증을 수행하는 인증관리부;
    안면 이미지, 학습 이미지, 인증 수행시의 인증정보에 대하여 개인 정보 보호를 위해 데이터 암복호화를 수행하는 보안부; 및
    상기 학습 이미지를 저장하는 데이터베이스
    를 더 포함하는 반려동물 신원 인증 시스템.
  11. 제10항에 있어서,
    상기 데이터베이스는
    저장되는 학습 이미지에 대하여 주기적으로 최신의 안면 이미지를 상기 유저단말기로부터 제공받아 학습 이미지를 갱신하고,
    상기 학습 이미지의 갱신시, 기존의 학습 이미지를 삭제하는 것을 특징으로 하는 반려동물 신원 인증 시스템.
  12. 제10항에 있어서,
    상기 암복호화는 유저단말기와 신원관리서버 각각 신분 증명이 가능한, 식별 정보(identification information)를 부여하여, 각 유저단말기와 신원관리서버의 식별 정보를 사설 암호 키(private key)로 활용하는 경량 암호 알고리즘을 수행하며,
    상기 경량 암호 알고리즘은 대칭키 암호 알고리즘인 HIGHT(HIGh security and light weigHT), LEA(Lightweight Encryption)와 해시함수인 LSH(Lightweight Secure Hash) 중 적어도 어느 하나를 활용하는 것을 특징으로 하는 반려동물 신원 인증 시스템.
PCT/KR2021/013809 2021-09-30 2021-10-07 반려동물 신원 인증 시스템 및 방법 WO2023054782A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210129354A KR20230047228A (ko) 2021-09-30 2021-09-30 반려동물 신원 인증 시스템 및 방법
KR10-2021-0129354 2021-09-30

Publications (1)

Publication Number Publication Date
WO2023054782A1 true WO2023054782A1 (ko) 2023-04-06

Family

ID=85783013

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/013809 WO2023054782A1 (ko) 2021-09-30 2021-10-07 반려동물 신원 인증 시스템 및 방법

Country Status (2)

Country Link
KR (1) KR20230047228A (ko)
WO (1) WO2023054782A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116798108A (zh) * 2023-07-19 2023-09-22 星宠王国(北京)科技有限公司 一种犬虹膜识别方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180092778A (ko) * 2017-02-10 2018-08-20 한국전자통신연구원 실감정보 제공 장치, 영상분석 서버 및 실감정보 제공 방법
KR20200041296A (ko) * 2018-10-11 2020-04-21 주식회사 핏펫 동물의 안면 및 비문 이미지에 기초하여 동물의 개체 정보를 제공하는 컴퓨터 프로그램 및 단말기
KR102176934B1 (ko) * 2020-09-24 2020-11-10 주식회사 디랩스 안면인식을 이용한 반려동물 종합 관리 서비스 제공 시스템
KR20200142829A (ko) * 2019-06-13 2020-12-23 주식회사 파이리코 동물 인식 장치 및 동물 인식 방법
KR20210074017A (ko) * 2019-12-11 2021-06-21 대한민국(농촌진흥청장) 반려견 생체정보 인증 시스템

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080021749A (ko) 2008-02-18 2008-03-07 안정현 다중애완동물인식표

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180092778A (ko) * 2017-02-10 2018-08-20 한국전자통신연구원 실감정보 제공 장치, 영상분석 서버 및 실감정보 제공 방법
KR20200041296A (ko) * 2018-10-11 2020-04-21 주식회사 핏펫 동물의 안면 및 비문 이미지에 기초하여 동물의 개체 정보를 제공하는 컴퓨터 프로그램 및 단말기
KR20200142829A (ko) * 2019-06-13 2020-12-23 주식회사 파이리코 동물 인식 장치 및 동물 인식 방법
KR20210074017A (ko) * 2019-12-11 2021-06-21 대한민국(농촌진흥청장) 반려견 생체정보 인증 시스템
KR102176934B1 (ko) * 2020-09-24 2020-11-10 주식회사 디랩스 안면인식을 이용한 반려동물 종합 관리 서비스 제공 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116798108A (zh) * 2023-07-19 2023-09-22 星宠王国(北京)科技有限公司 一种犬虹膜识别方法和系统

Also Published As

Publication number Publication date
KR20230047228A (ko) 2023-04-07

Similar Documents

Publication Publication Date Title
WO2020122403A1 (ko) 블록체인을 기반으로 동물 관련 서비스 방법 및 이러한 방법을 수행하는 장치
WO2019033571A1 (zh) 面部特征点检测方法、装置及存储介质
WO2020006111A1 (en) Identifying and verifying individuals using facial recognition
WO2012060537A2 (ko) 얼굴 및 스타일 인식 기반의 추천 시스템 및 그 방법
US20150007295A1 (en) Biometric-based authentication method, apparatus and system
WO2013100697A1 (en) Method, apparatus, and computer-readable recording medium for authenticating a user
BR112015004867A2 (pt) sistema e método para autenticação biométrica em conjunto com dispositivos equipados com câmera
US20150030212A1 (en) Systems and methods for applying commercial web search technologies to biometric matching and identification
WO2018012928A1 (ko) 얼굴 인식을 이용한 사용자 인증 방법 및 그 장치
WO2023068795A1 (ko) 이미지 분석을 이용한 메타버스 생성 장치 및 방법
CN111967429A (zh) 一种基于主动学习的行人重识别模型训练方法及装置
WO2015102126A1 (ko) 얼굴 인식 기술을 이용한 전자 앨범 관리 방법 및 시스템
CN101976356A (zh) 网吧实名制人脸识别方法及识别系统
WO2021040287A1 (ko) 사람 재식별 장치 및 방법
WO2023054782A1 (ko) 반려동물 신원 인증 시스템 및 방법
WO2014182014A1 (ko) 얼굴 인식 방법 및 시스템
WO2022045746A1 (ko) 얼굴 특징점 정보를 포함한 패턴 코드 인증을 수행하는 컴퓨팅 장치 및 그 방법
CN111583485A (zh) 小区门禁系统、门禁控制方法和装置、门禁单元及介质
KR102125633B1 (ko) 동물의 개체 식별 및 특정화 시스템 및 방법
WO2019063852A1 (es) Autenticación multi-factor de usuarios por rasgos biométricos/biotecnológicos mejorada
KR102688435B1 (ko) 사용자 단말기 정보와 안면 인식 검출 기반의 방문자 출입 보안 시스템
US10311290B1 (en) System and method for generating a facial model
Sun et al. iRyP: a purely edge-based visual privacy-respecting system for mobile cameras
CN111401258A (zh) 基于人工智能的活体检测方法、以及装置
WO2024101466A1 (ko) 속성 기반 실종자 추적 장치 및 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21959553

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE