KR102502631B1 - 사용자를 인증하기 위한 기법 - Google Patents
사용자를 인증하기 위한 기법 Download PDFInfo
- Publication number
- KR102502631B1 KR102502631B1 KR1020200152858A KR20200152858A KR102502631B1 KR 102502631 B1 KR102502631 B1 KR 102502631B1 KR 1020200152858 A KR1020200152858 A KR 1020200152858A KR 20200152858 A KR20200152858 A KR 20200152858A KR 102502631 B1 KR102502631 B1 KR 102502631B1
- Authority
- KR
- South Korea
- Prior art keywords
- face image
- user
- learning
- image
- identification card
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000012545 processing Methods 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 description 69
- 230000008569 process Effects 0.000 description 51
- 238000003860 storage Methods 0.000 description 38
- 238000004891 communication Methods 0.000 description 30
- 238000004422 calculation algorithm Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 18
- 238000012549 training Methods 0.000 description 18
- 238000000605 extraction Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000415 inactivating effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/34—User authentication involving the use of external additional devices, e.g. dongles or smart cards
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/45—Structures or tools for the administration of authentication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
- G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
- G06K19/08—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code using markings of different kinds or more than one marking of the same kind in the same record carrier, e.g. one marking being sensed by optical and the other by magnetic means
- G06K19/10—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code using markings of different kinds or more than one marking of the same kind in the same record carrier, e.g. one marking being sensed by optical and the other by magnetic means at least one kind of marking being used for authentication, e.g. of credit or identity cards
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/146—Aligning or centring of the image pick-up or image-field
- G06V30/1475—Inclination or skew detection or correction of characters or of image to be recognised
- G06V30/1478—Inclination or skew detection or correction of characters or of image to be recognised of characters or characters lines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Collating Specific Patterns (AREA)
Abstract
본 개시의 몇몇 실시예에 따른 사용자를 인증하기 위한 방법은, 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 방법으로서, 사용자 및 상기 사용자의 식별 카드가 촬영된 제 1 이미지를 카메라를 통해 획득하는 단계; 상기 제 1 이미지에서 상기 식별 카드가 포함된 제 1 영역에 존재하는 상기 사용자의 얼굴이 포함된 제 1 얼굴 이미지를 추출하는 단계; 및 상기 제 1 얼굴 이미지와 상기 컴퓨팅 장치에 기 저장된 상기 사용자의 제 2 얼굴 이미지의 동일 여부에 기초하여 상기 식별 카드의 위조 여부를 판단하는 단계;를 포함할 수 있다.
Description
본 개시 내용은 사용자를 인증하기 위한 방법 및 컴퓨터 프로그램에 관한 것으로, 보다 구체적으로 사용자와 사용자의 식별 카드가 촬영된 이미지를 이용하여 사용자를 인증하는 방법 및 컴퓨터 프로그램에 관한 것이다.
일반적으로 개인의 신원 인증을 위한 방법으로 주민등록증, 운전면허증, 학생증 또는 기타 개인의 신원을 인증할 수 있는 식별 카드를 통해 개인의 신원 인증을 수행한다. 여기서 관리자는 개인의 신원 인증을 하기 위해 위와 같은 개인 식별 카드에 포함된 사용자의 사진과 사용자의 얼굴을 관리자의 주관으로 비교하여 개인 신원 인증을 수행한다.
그리고, 1차적인 개인의 신원 인증만 존재할 뿐, 개인의 신원 인증에 대한 안전장치가 존재하지 않는다. 이에 따라, 기존의 신원 인증 방법은 인증 과정에서 취약점이 존재하여 신원 인증에 대한 정확성이 낮을 우려가 있다.
따라서, 개인의 신원 인증을 위한 지속적인 연구 및 개발에 대한 필요성이 존재한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 사용자를 인증하기 위한 방법 및 컴퓨터 프로그램을 제공하기 위함이다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 과제를 해결하기 위한, 사용자를 인증하기 위한 방법은, 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 방법으로서, 사용자 및 상기 사용자의 식별 카드가 촬영된 제 1 이미지를 카메라를 통해 획득하는 단계; 상기 제 1 이미지에서 상기 식별 카드가 포함된 제 1 영역에 존재하는 상기 사용자의 얼굴이 포함된 제 1 얼굴 이미지를 추출하는 단계; 및 상기 제 1 얼굴 이미지와 상기 컴퓨팅 장치에 기 저장된 상기 사용자의 제 2 얼굴 이미지의 동일 여부에 기초하여 상기 식별 카드의 위조 여부를 판단하는 단계;를 포함할 수 있다.
대안적으로, 상기 제 1 이미지의 제 1 영역 내에서 적어도 하나의 텍스트를 인식하는 단계; 상기 적어도 하나의 텍스트를 인증 서버에 전송하는 단계; 및 상기 인증 서버로부터 상기 텍스트와 매칭되는 정보가 있는지 여부를 포함하는 제 1 신호를 수신한 경우, 상기 제 1 신호에 기초하여 상기 식별 카드에 존재하는 텍스트의 위조 여부를 판단하는 단계; 를 더 포함할 수 있다.
대안적으로, 상기 인증 서버로부터 상기 텍스트와 매칭되는 정보가 있는지 여부를 포함하는 제 1 신호를 수신한 경우, 상기 제 1 신호에 기초하여 상기 식별 카드에 존재하는 텍스트의 위조 여부를 판단하는 단계는, 상기 제 1 신호에 상기 적어도 하나의 텍스트와 매칭되는 정보가 있다는 제 1 응답이 포함되어 있는 경우, 상기 텍스트가 위조되지 않았다고 결정하는 단계;를 포함할 수 있다.
대안적으로, 상기 인증 서버로부터 상기 텍스트와 매칭되는 정보가 있는지 여부를 포함하는 제 1 신호를 수신한 경우, 상기 제 1 신호에 기초하여 상기 식별 카드에 존재하는 텍스트의 위조 여부를 판단하는 단계는, 상기 제 1 신호에 상기 텍스트와 매칭되는 정보가 없다는 제 2 응답이 포함되어 있는 경우, 상기 텍스트가 위조되었다고 결정하는 단계;를 포함할 수 있다.
대안적으로, 상기 제 1 얼굴 이미지와 상기 컴퓨팅 장치에 기 저장된 상기 사용자의 제 2 얼굴 이미지의 동일 여부에 기초하여 상기 식별 카드의 위조 여부를 판단하는 단계는, 상기 제 1 얼굴 이미지와 상기 제 2 얼굴 이미지를 동일 여부 판단 모델에 입력하여 출력된 출력 데이터에 기초하여 상기 식별 카드의 위조 여부를 판단하는 단계;를 포함할 수 있다.
대안적으로, 상기 동일 여부 판단 모델은, 제 1 학습 데이터 세트에 포함된 제 1 학습 입력 데이터 및 제 1 학습 입력 데이터에 라벨링되는 제 1 학습 출력 데이터를 이용하여 교사학습된 모델이고, 상기 1 학습 입력 데이터는, 제 1 학습용 얼굴 이미지와 상기 제 1 학습용 얼굴 이미지의 사이즈 및 해상도 중 적어도 하나를 다르게 한 학습용 동일 얼굴 이미지를 포함하고, 상기 제 1 학습 출력 데이터는, 상기 제 1 학습용 얼굴 이미지와 상기 학습용 동일 얼굴 이미지가 동일한지 여부를 나타내는 값일 수 있다.
대안적으로, 상기 식별 카드가 위조되지 않았다고 판단된 경우, 상기 제 1 이미지의 상기 제 1 영역 이외의 영역에서 상기 사용자의 얼굴이 포함된 제 3 얼굴 이미지를 추출하는 단계; 및 상기 제 1 얼굴 이미지와 제 3 얼굴 이미지의 유사 여부에 기초하여 사용자 인증을 수행하는 단계; 를 더 포함할 수 있다.
대안적으로, 상기 제 1 얼굴 이미지와 제 3 얼굴 이미지의 유사 여부에 기초하여 사용자 인증을 수행하는 단계는, 상기 제 1 얼굴 이미지와 상기 제 3 얼굴 이미지를 비교하여 유사도 값을 산출하는 단계; 및 상기 유사도 값에 기초하여 사용자 인증을 수행하는 단계;를 포함할 수 있다.
대안적으로, 상기 유사도 값에 기초하여 사용자 인증을 수행하는 단계는, 상기 유사도 값이 기 설정된 제 1 임계 값을 초과하는 경우, 상기 사용자의 인증이 완료되었다고 결정하는 단계;를 포함할 수 있다.
대안적으로, 상기 유사도 값에 기초하여 사용자 인증을 수행하는 단계는, 상기 유사도 값이 기 설정된 제 1 임계 값 이하인 경우, 상기 유사도 값이 상기 기 설정된 제 1 임계 값 보다 작은 기 설정된 제 2 임계 값 이상인지 여부를 확인하는 단계; 상기 유사도 값이 상기 제 2 임계 값 이상인 경우, 상기 제 1 얼굴 이미지와 상기 제 3 얼굴 이미지의 차이점을 파악하는 단계; 및 상기 사용자에게 상기 차이점을 수정하라는 메시지 또는 음성을 출력하는 단계;를 포함할 수 있다.
대안적으로, 상기 제 1 얼굴 이미지와 상기 제 3 얼굴 이미지를 비교하여 유사도 값을 산출하는 단계는, 상기 제 1 얼굴 이미지와 상기 제 3 얼굴 이미지를 유사도 값 출력 모델에 입력하여 상기 유사도 값을 산출하는 단계;를 포함할 수 있다.
대안적으로, 상기 유사도 값은, 상기 제 3 얼굴 이미지가 상기 제 1 얼굴 이미지에 유사한 정도를 나타내는 값일 수 있다.
대안적으로, 유사도 값 출력 모델은, 제 2 학습 데이터 세트에 포함된 제 2 학습 입력 데이터 및 제 2 학습 입력 데이터에 라벨링되는 제 2 학습 출력 데이터를 이용하여 교사학습된 모델이고, 상기 제 2 학습 입력 데이터는, 제 2 학습용 얼굴 이미지와 상기 제 2 학습용 얼굴 이미지와 관련된 학습용 식별 카드 얼굴 이미지를 포함하고, 상기 제 2 학습 출력 데이터는, 상기 제 2 학습용 얼굴 이미지와 상기 학습용 식별 카드 얼굴 이미지가 유사한지 여부를 나타내는 값일 수 있다.
대안적으로, 상기 제 2 학습 입력 데이터는, 변경 요소에 기반하여 상기 제 2 학습용 얼굴 이미지에 변경을 가한 변경 이미지를 상기 제 2 학습용 얼굴 이미지로 활용하고, 상기 변경 요소는, 머리스타일, 액세서리, 인종, 성별 및 나이 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 사용자 인증이 완료된 경우, 상기 사용자에게 제스처를 요구하는 메시지 또는 음성을 출력하는 단계; 상기 사용자가 재촬영된 제 2 이미지를 상기 카메라를 통해 획득하는 단계; 상기 제 2 이미지를 분석하여 상기 제스처가 있는지 여부를 확인하는 단계; 및 상기 제스처가 있는지 여부에 기초하여 사용자 인증이 유효한지 여부를 결정하는 단계;를 더 포함할 수 있다.
대안적으로, 상기 제스처가 있는지 여부에 기초하여 사용자 인증이 유효한지 여부를 결정하는 단계는, 상기 제스처가 있다고 인식된 경우, 상기 사용자 인증이 유효하다고 결정하는 단계;를 포함할 수 있다.
대안적으로, 상기 제스처가 있는지 여부에 기초하여 사용자 인증이 유효한지 여부를 결정하는 단계는, 상기 제스처가 없다고 인식된 경우, 상기 사용자 인증이 유효하지 않다고 결정하는 단계;를 포함할 수 있다.
대안적으로, 상기 사용자 인증이 유효하다고 판단된 경우, 상기 제 1 영역에 포함된 제 3 이미지를 추출하는 단계; 상기 제 3 이미지 내의 적어도 하나의 텍스트를 블러(Blur) 처리하는 단계; 및 상기 블러 처리가 완료된 상기 제 3 이미지를 수요 기관 서버에 전송하는 단계;를 더 포함할 수 있다.
대안적으로, 상기 제 1 임계 값 및 제 2 임계 값은, 상기 제 1 영역에 존재하는 상기 식별 카드의 발급 일자와 상기 제 1 이미지가 생성된 일자의 시간 차이에 따라 다르게 설정될 수 있다.
전술한 과제를 해결하기 위한, 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 방법으로서, 사용자 및 상기 사용자의 식별 카드가 촬영된 제 1 이미지를 카메라를 통해 획득하는 단계; 상기 제 1 이미지에서 상기 식별 카드가 포함된 제 1 영역에 존재하는 상기 사용자의 얼굴이 포함된 제 1 얼굴 이미지 또는 상기 사용자와 관련된 제 1 식별 텍스트 중 적어도 하나를 추출하는 단계; 및 상기 제 1 얼굴 이미지 또는 상기 제 1 식별 텍스트 중 적어도 하나와 상기 컴퓨팅 장치에 기 저장된 상기 사용자의 제 2 얼굴 이미지 또는 상기 사용자의 제 2 식별 텍스트 중 적어도 하나의 동일 여부에 기초하여 상기 식별 카드의 위조 여부를 판단하는 단계;를 포함할 수 있다.
본 개시는 사용자와 사용자의 식별 카드가 촬영된 이미지를 이용하여 인증함으로써, 지문, 홍채 및 성문과 같은 생체정보와 비밀번호와 같은 암호화된 정보가 필요하지 않은 사용자를 인증하기 위한 방법 및 컴퓨터 프로그램을 제공할 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 몇몇 실시예에 따른 사용자를 인증하기 위한 시스템의 개략도이다.
도 2는 본 개시의 몇몇 실시예에 따라 사용자를 인증하기 위한 시스템에서 수행되는 트랜잭션의 생성 및 기록 과정을 나타내는 흐름도이다.
도 3은 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에서 수행되는 사용자를 인증하기 위한 과정을 나타내는 흐름도이다.
도 4는 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치 및 인증서버에서 수행되는 사용자를 인증하기 위한 과정을 나타내는 흐름도이다.
도 5는 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에서 수행되는 텍스트의 위조를 결정하는 과정을 나타내는 흐름도이다.
도 6은 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에서 수행되는 식별 카드의 위조를 결정하는 과정을 나타내는 흐름도이다.
도 7은 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에서 수행되는 사용자 인증을 수행하는 과정을 나타내는 흐름도이다.
도 8은 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에서 수행되는 유사도 값에 따라 사용자 인증의 완료 여부를 결정하는 과정을 나타내는 흐름도이다.
도 9는 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에서 수행되는 제스처에 따라 사용자 인증의 유효 여부를 결정하는 과정을 나타내는 흐름도이다.
도 10은 본 개시의 내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 일반적인 개략도이다.
도 1은 본 개시의 몇몇 실시예에 따른 사용자를 인증하기 위한 시스템의 개략도이다.
도 2는 본 개시의 몇몇 실시예에 따라 사용자를 인증하기 위한 시스템에서 수행되는 트랜잭션의 생성 및 기록 과정을 나타내는 흐름도이다.
도 3은 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에서 수행되는 사용자를 인증하기 위한 과정을 나타내는 흐름도이다.
도 4는 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치 및 인증서버에서 수행되는 사용자를 인증하기 위한 과정을 나타내는 흐름도이다.
도 5는 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에서 수행되는 텍스트의 위조를 결정하는 과정을 나타내는 흐름도이다.
도 6은 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에서 수행되는 식별 카드의 위조를 결정하는 과정을 나타내는 흐름도이다.
도 7은 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에서 수행되는 사용자 인증을 수행하는 과정을 나타내는 흐름도이다.
도 8은 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에서 수행되는 유사도 값에 따라 사용자 인증의 완료 여부를 결정하는 과정을 나타내는 흐름도이다.
도 9는 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에서 수행되는 제스처에 따라 사용자 인증의 유효 여부를 결정하는 과정을 나타내는 흐름도이다.
도 10은 본 개시의 내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 일반적인 개략도이다.
다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나 이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 감지될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다. 구체적으로, 본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다.
이하, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략한다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않는다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우" “B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
어떤 구성 요소가 다른 구성 요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결되어" 있다거나 "직접 접속되어"있다고 언급된 때에는, 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다.
이하의 설명에서 사용되는 구성 요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
본 개시의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 본 개시를 설명하는데 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 개시에서의 기능을 고려하여 정의된 용어들로써 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.
그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호교환가능하게 사용될 수 있다.
본 개시의 몇몇 실시예에 따른 사용자를 인증하는 방법은, 사용자, 사용자의 식별 카드 및 기 저장된 사용자의 정보를 이용하여 사용자의 식별 카드의 위조 여부, 사용자 인증 여부 및 사용자 인증이 유효한지 여부를 판단하는 방법을 의미할 수 있다. 다만 이에 한정되는 것은 아니다.
도 1은 본 개시의 몇몇 실시예에 따른 사용자를 인증하기 위한 시스템의 개략도이다.
도 1을 참조하면, 사용자를 인증하기 위한 시스템은, 컴퓨팅 장치(100), 인증 서버(200), 수요 기관 서버(300), 블록체인 네트워크(400) 및 통신 네트워크(500)를 포함할 수 있다. 다만, 상술한 구성요소들은 사용자를 인증하기 위한 시스템을 구현하는데 있어서 필수적인 것은 아니며, 사용자를 인증하기 위한 시스템은 위에 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
컴퓨팅 장치(100)는 통신 네트워크(500)를 통하여 인증 서버(200), 수요 기관 서버(300) 및 블록체인 네트워크(400)와 통신하기 위한 매커니즘을 가지며, 사용자를 인증하기 위한 시스템에서의 임의의 형태의 노드를 의미할 수 있다. 예를 들면, 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 및 디바이스 제어기 등과 같은 임의의 타입의 컴퓨터 시스템 또는 컴퓨터 디바이스를 포함할 수 있다.
한편, 컴퓨팅 장치(100)는 블록체인 네트워크(400)에 포함된 적어도 하나의 노드로서 동작할 수도 있다. 즉, 컴퓨팅 장치(100)의 저장부(102)에는 트랜잭션들이 기록될 수 있다. 따라서, 컴퓨팅 장치(100)에 기록된 트랜잭션은 신뢰할 수 있으므로, 컴퓨팅 장치(100)에 기록된 트랜잭션은 사용자를 인증하는데 이용될 수 있다.
도 1에 도시된 컴퓨팅 장치(100)는 프로세서(101), 저장부(102), 통신부(103), 디스플레이부(104) 및 카메라부(105)를 포함할 수 있다. 다만, 상술한 구성 요소들은 컴퓨팅 장치(100)를 구현하는데 있어서 필수적인 것은 아니어서, 컴퓨팅 장치(100)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다. 여기서, 각각의 구성 요소들은 별개의 칩이나 모듈이나 장치로 구성될 수 있고, 하나의 장치 내에 포함될 수도 있다.
프로세서(101)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치(100)의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다.
프로세서(101)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 처리할 수 있다. 프로세서(101)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나, 저장부(102)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
프로세서(101)는 저장부(102)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 몇몇 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 몇몇 실시예에 따라 프로세서(101)는 신경망의 학습을 위한 연산을 수행할 수 있다. 본 개시의 몇몇 실시예에 따라 프로세서(101)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(101)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(101)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치(100)에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU에서 실행가능 프로그램일 수 있다. 프로세서(101)는 저장부(102)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 몇몇 실시예에 따른 사용자를 인증하기 위한 동작을 수행할 수 있다.
저장부(102)는 프로세서(101)가 생성하거나 결정한 임의의 형태의 정보 및 통신부(103)가 수신한 임의의 형태의 정보를 저장할 수 있다.
또한, 저장부(102)는 메모리 또는 영구저장매체를 포함할 수 있다. 여기에서, 메모리는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
통신부(103)는 네트워크 접속을 위한 임의의 형태의 데이터 및 신호 등을 송수신할 수 있는 임의의 유무선 통신 네트워크를 포함할 수 있다.
디스플레이부(104)는 컴퓨팅 장치(100)에서 처리되는 정보를 표시할 수 있다. 예를 들면, 디스플레이부(104)는 컴퓨팅 장치(100)에서 구동되는 응용 프로그램의 실행 화면 정보 또는 이러한 실행 화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
또한, 디스플레이부(104)는 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉서블 디스플레이(flexible display), 3차원 디스플레이(3D display) 및 전자잉크 디스플레이(e-ink display) 중에서 적어도 하나를 포함할 수 있다. 또한, 디스플레이부(104)는 터치를 인식할 수 있는 센서를 포함할 수 있다.
그리고, 디스플레이부(104)는 스피커를 내장하여 컴퓨팅 장치(100)에서 생성되는 소리를 출력할 수 있다.
카메라부(105)는 카메라를 포함하고, 프로세서(101)에 의해 카메라로 사용자 및 사용자의 식별 카드를 촬영할 수 있다.
또한, 카메라는 렌즈 및 조리개를 포함할 수 있고, 렌즈는 광각 렌즈(Wide Angle Lens), 표준 렌즈(Standard Lens), 줌 렌즈(Zoom Lens), 접사 렌즈(Macro Lens), 망원 렌즈(Telephoto Lens) 및 어안 렌즈(Fish-Eye Lens) 중에서 적어도 하나를 포함할 수 있다.
본 개시의 몇몇 실시예에서 컴퓨팅 장치(100)는 수요 기관 서버(300)로부터 사용자의 인증을 요청하는 신호를 수신하고, 사용자를 인증하기 위한 단계들을 수행할 수 있다.
컴퓨팅 장치(100)에서 수행되는 사용자를 인증하기 위한 단계들은 도 2 내지 9를 참조하여 구체적으로 후술한다.
인증 서버(200)는 예를 들면, 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 및 디바이스 제어기 등과 같은 임의의 타입의 컴퓨터 시스템 또는 컴퓨터 디바이스를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
인증 서버(200)는 사용자의 식별 카드 내에 존재하는 텍스트에 대한 위조 여부를 판단을 위한 정보를 제공하는 서버일 수 있다. 예를 들면, 인증 서버(200)는 관공서에서 운영되는 주민등록시스템을 운영하는 서버 또는 의료 보험 공단에서 운영하는 공단 서버이거나 그 밖의 사전 구축된 개인정보 서버일 수 있다. 다만, 이에 한정되는 것은 아니다.
여기에서, 인증 서버(200)는 블록체인 네트워크(400)에 포함된 적어도 하나의 노드와는 다른, 별도의 서버로 존재할 수 있다. 즉, 인증 서버(200)는 블록체인 네트워크(400)를 구성하는 적어도 하나의 노드가 아니기 때문에, 인증 서버(200)의 저장부(202)에는 트랜잭션들이 기록되어 있지 않을 수 있다. 따라서, 인증 서버(200)는 신뢰할 수 있는 기관의 서버여야 한다. 다만, 이에 한정되는 것은 아니다.
한편, 인증 서버(200)는 프로세서(201), 저장부(202) 및 통신부(203)를 포함할 수 있다. 다만, 상술한 구성요소들은 인증 서버(200)를 구현하는데 있어서 필수적인 것은 아니어서, 인증 서버(200)는 위에서 열거된 구성요소들 보다 많거나 또는 적은 구성요소들을 가질 수 있다. 여기서, 각각의 구성 요소들은 별개의 칩이나 모듈이나 장치로 구성될 수 있고, 하나의 장치 내에 포함될 수도 있다.
프로세서(201)는 하나 이상의 코어로 구성될 수 있으며, 인증 서버(200)의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다.
프로세서(201)는 통상적으로 인증 서버(200)의 전반적인 동작을 처리할 수 있다. 프로세서(201)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나, 저장부(202)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
저장부(202)는 프로세서(201)가 생성하거나 결정한 임의의 형태의 정보 및 통신부(203)가 수신한 임의의 형태의 정보를 저장할 수 있다.
또한, 저장부(202)는 메모리 또는 영구저장매체를 포함할 수 있다. 여기에서, 메모리는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
통신부(203)는 네트워크 접속을 위한 임의의 형태의 데이터 및 신호 등을 송수신할 수 있는 임의의 유무선 통신 네트워크를 포함할 수 있다.
본 개시의 몇몇 실시예에서 인증 서버(200)는 통신부(203)를 통해 컴퓨팅 장치(100)로부터 사용자의 식별 카드 내에 존재하는 텍스트를 수신할 수 있다. 또한, 인증서버(200)는 텍스트와 매칭되는 정보를 검색하고, 텍스트와 매칭되는 정보가 있는지 여부를 포함하는 제 1 신호를 생성하여 통신부(203)를 통해 컴퓨팅 장치(100)로 전송할 수 있다.
수요 기관 서버(300)는 예를 들면, 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 및 디바이스 제어기 등과 같은 임의의 타입의 컴퓨터 시스템 또는 컴퓨터 디바이스를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
수요 기관 서버(300)는 사용자에 대한 인증이 필요한 서버일 수 있다. 예를 들면, 수요 기관 서버(300)는 은행, 병원, 터미널 등에서 운영하는 서버이거나 그 밖에 사용자에 대한 인증이 필요한 보안 서버일 수 있다. 다만, 이에 한정되는 것은 아니다.
프로세서(301)는 하나 이상의 코어로 구성될 수 있으며, 수요 기관 서버(300)의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다.
프로세서(301)는 통상적으로 수요 기관 서버(300)의 전반적인 동작을 처리할 수 있다. 프로세서(301)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나, 저장부(302)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
저장부(302)는 프로세서(301)가 생성하거나 결정한 임의의 형태의 정보 및 통신부(303)가 수신한 임의의 형태의 정보를 저장할 수 있다.
또한, 저장부(302)는 메모리 또는 영구저장매체를 포함할 수 있다. 여기에서, 메모리는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
통신부(303)는 네트워크 접속을 위한 임의의 형태의 데이터 및 신호 등을 송수신할 수 있는 임의의 유무선 통신 네트워크를 포함할 수 있다.
본 개시의 몇몇 실시예에서 수요 기관 서버(300)는 컴퓨팅 장치(100)에 사용자의 인증을 요청하는 신호를 전송할 수 있다. 또한, 수요 기관 서버(300)는 컴퓨팅 장치(100)로부터 수신한 이미지를 저장할 수 있다.
블록체인 네트워크(400)는 블록체인 기술에 기반하여 동작하는 복수의 노드들을 의미할 수 있다. 여기에서, 블록체인 기술은 블록이 체인형태로 연결된 저장 구조를 사용하여, 관리 대상이 되는 데이터를 블록체인 네트워크를 구성하는 복수의 노드들에 저장하는 분산 저장 기술이다.
한편, 블록체인 네트워크(400)는 컴퓨팅 장치(100)로부터 전달된 트랜잭션을 사전 결정된 합의 알고리즘에 기초하여 블록 형태로 저장할 수 있다. 여기에서, 블록 형태로 저장되는 데이터는 블록체인 네트워크(400)를 구성하는 복수의 노드들에 의해 공유될 수 있다.
도 1에서 블록체인 네트워크(400)를 별도의 분리된 엔티티로서 표현하였지만, 본 개시내용의 실시예에 따라서 블록체인 네트워크(400)가 컴퓨팅 장치(100)에 포함된 형태로 구현될 수도 있다.
또한, 블록체인 네트워크(400)는 구현 형태에 따라서, 임의의 노드들이 합의 동작을 수행할 수 있는 퍼블릭(Public) 블록체인 네트워크 또는 사전 결정된 노드만이 합의 동작을 수행할 수 있는 프라이빗(Private) 블록체인 네트워크를 포함할 수 있다.
본 개시의 몇몇 실시예에 따른 블록체인 네트워크(400)에서 수행되는 합의 알고리즘은: PoW(Proof of Work) 알고리즘, PoS(Proof of Stake) 알고리즘, DPoS(Delegated Proof of Stake) 알고리즘, PBFT(Practical Byzantine Fault Tolerance) 알고리즘, DBFT(Delegated Byzantine Fault Tolerance) 알고리즘, RBFT(Redundant Byzantine Fault Tolerance) 알고리즘, Sieve 알고리즘, Tendermint 알고리즘, Paxos 알고리즘, Raft 알고리즘, PoA(Proof of Authority) 알고리즘 및/또는 PoET(Proof of Elapsed Time) 알고리즘을 포함할 수 있다.
한편, 블록체인 네트워크(400)에서의 노드들은 계층 구조에 따른 블록체인 코어 패키지에 의해 동작할 수 있다. 계층 구조는, 블록체인 네트워크(400)에서 다뤄지는 데이터의 구조를 정의하고 데이터를 관리하는 데이터 계층, 블록의 유효성을 검증하고 블록을 생성하는 마이닝을 수행하고 마이닝 과정에서 채굴자에게 지급되는 수수료의 처리를 담당하는 합의 계층, 스마트 컨트랙트를 처리 및 실행시키는 실행 계층, P2P 네트워크 프로토콜, 해시 함수, 전자서명, 인코딩 및 공통 저장소를 구현 및 관리하는 공통 계층, 및 다양한 어플리케이션이 생성, 처리 및 관리되는 응용 계층을 포함할 수 있다.
통신 네트워크(500)는 임의의 형태의 데이터 및 신호 등을 송수신할 수 있는 임의의 유무선 통신 네트워크를 포함할 수 있다.
도 2는 본 개시의 몇몇 실시예에 따라 사용자를 인증하기 위한 시스템에서 수행되는 트랜잭션의 생성 및 기록 과정을 나타내는 흐름도이다.
도 2를 참조하면, 컴퓨팅 장치(100)의 프로세서(101)는 사용자의 단말(미도시) 또는 인증 서버(200)로부터 사용자의 식별 카드의 정보를 수신한 경우, 사용자의 식별 카드의 정보를 포함하는 트랜잭션을 생성하고, 프로세서(101)는 생성된 트랜잭션을 블록체인 네트워크(400)에 포함된 적어도 하나의 노드에 전송하도록 통신부(103)를 제어할 수 있다(S100).
여기에서, 사용자의 식별 카드의 정보는 제 2 얼굴 이미지 및 사용자의 식별 카드 내에 존재하는 텍스트에 대한 정보를 포함할 수 있고, 제 2 얼굴 이미지는 사용자의 식별카드에 존재하는 사용자의 얼굴 이미지일 수 있다.
또한, 텍스트는 사용자의 개인 정보 및 사용자의 식별 카드의 발급 일자를 포함할 수 있다.
사용자의 개인 정보는 사용자의 식별 카드에 기록된 사용자의 정보로서 사용자 이름, 주소, 주민등록번호 또는 학생증 번호를 포함할 수 있다.
발급 일자는 사용자의 식별 카드가 발급에 관한 정보로서 발급된 연도, 월 및 일을 포함할 수 있다.
한편, 프로세서(101)는 블록체인 네트워크(400)를 구성하는 복수의 노드들에 의한 합의 알고리즘에 기초하여 트랜잭션이 블록체인 네트워크(400)에 기록되도록 야기할 수 있다.
블록체인 네트워크(400)는 블록체인 네트워크(400)를 구성하는 복수의 노드들에 의한 합의 알고리즘에 기초하여 컴퓨팅 장치(100)로부터 수신한 트랜잭션을 블록체인 네트워크(400)에 기록할 수 있다(S200).
여기에서, 컴퓨팅 장치(100)는 블록체인 네트워크(400)에 포함된 적어도 하나의 노드로서 동작할 수도 있다. 즉, 컴퓨팅 장치(100)의 저장부(102)에는 트랜잭션들이 기록될 수 있다.
도 2를 참조하여 상술한 바와 같이 컴퓨팅 장치(100)에 저장된 식별 카드의 정보는 블록체인 네트워크(400)를 통해 저장된다. 따라서, 컴퓨팅 장치(100)에 기록된 트랜잭션은 신뢰할 수 있으므로, 컴퓨팅 장치(100)에 기록된 트랜잭션은 사용자를 인증하는데 이용될 수 있다.
도 3은 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에서 수행되는 사용자를 인증하기 위한 과정을 나타내는 흐름도이다.
도 3을 참조하면, 컴퓨팅 장치(100)의 프로세서(101)는 사용자 및 사용자의 식별 카드가 촬영된 제 1 이미지를 카메라부(105)의 카메라를 통해 획득할 수 있다(S310).
여기에서, 제 1 이미지는 얼굴이 포함된 사용자 및 사용자의 식별 카드가 촬영된 이미지일 수 있다.
한편, 사용자의 식별 카드는, 주민등록증, 운전면허증, 학생증 또는 기타 개인의 신원을 인증할 수 있는 카드를 의미할 수 있다. 다만, 이에 한정되는 것은 아니다.
컴퓨팅 장치(100)의 프로세서(101)는 제 1 이미지에서 식별 카드가 포함된 제 1 영역에 존재하는 사용자의 얼굴이 포함된 제 1 얼굴 이미지를 추출할 수 있다(S320).
여기에서, 제 1 영역은 식별 카드만 존재하고, 사용자는 존재하지 않는 영역일 수 있다. 다만 이에 한정되는 것은 아니다.
구체적으로, 프로세서(101)는 얼굴 검출 모델을 통해 제 1 영역에 존재하는 제 1 얼굴 이미지를 추출할 수 있다. 더욱 구체적으로, 얼굴 검출 모델은 제 1 영역에서 특징점을 결정할 수 있다. 그리고, 얼굴 검출 모델은 결정된 특징점을 이용하여 제 1 영역에 대한 객체 클래스 추출을 할 수 있다. 객체 클래스 추출은 제 1 영역에 포함된 모든 객체의 위치와 크기를 찾는 과정이다. 따라서, 얼굴 검출 모델은 결정된 특징점을 이용하여 추출된 하나 이상의 객체에서 제 1 얼굴 이미지(얼굴 객체)를 추출할 수 있다.
상술한 얼굴 검출 모델은 학습된 뉴럴 네트워크 함수일 수 있다. 다만 이에 한정되지 않고, 얼굴 검출 모델은 이미지를 분석하여 특징점을 추출하여 얼굴 이미지를 추출하는 알고리즘일 수 있다.
컴퓨팅 장치(100)의 프로세서(101)는 제 1 얼굴 이미지와 컴퓨팅 장치(100)에 기 저장된 사용자의 제 2 얼굴 이미지의 동일 여부에 기초하여 식별 카드의 위조 여부를 판단할 수 있다(S330).
여기에서, 프로세서(101)는 제 1 얼굴 이미지 및 제 2 얼굴 이미지에 대한 전처리를 수행하여 제 1 전처리 이미지 및 제 2 전처리 이미지를 획득할 수 있다. 그리고, 프로세서는 제 1 전처리 이미지 및 제 2 전처리 이미지를 비교하여 동일 여부를 판단할 수 있다.
구체적으로, 전처리는 제 1 얼굴 이미지와 제 2 얼굴 이미지 각각의 특징점(feature point)을 결정하는 과정과 제 1 얼굴 이미지와 제 2 얼굴 이미지가 동일한 형태와 크기를 갖도록 정규화하는 과정을 포함할 수 있다.
특징점은 제 1 얼굴 이미지 및 제 2 얼굴 이미지에 포함된 주요 영역(예를 들면, 눈, 코, 입, 귀 등)에 표시될 수 있다. 특징점을 결정하는 과정은 이미지에 포함된 하나 이상의 픽셀 각각에 대하여 해당 픽셀이 주요 영역에 해당할 확률을 산출하는 과정과 산출된 확률이 기 설정된 기준 값을 넘어가면 이를 주요 영역의 특징점으로 결정하는 과정을 포함할 수 있다. 나아가, 프로세서(101)는 주요 영역을 유형별로 구분할 수 있다. 즉, 프로세서(101)는 특정 픽셀이 제 1 주요 영역에 해당할 확률, 제 2 주요 영역에 해당할 확률을 별도로 산출해 낼 수 있다. 다만, 특징점을 결정하는 내용은 이에 제한하지 않는다.
제 1 얼굴 이미지와 제 2 얼굴 이미지가 동일한 형태와 크기를 갖도록 정규화하는 과정은 특징점을 결정하는 과정 다음에 수행될 수 있다. 특징점이 결정된 경우, 프로세서(101)는 제 1 얼굴 이미지에 포함된 복수의 특징점들 각각과 제 2 얼굴 이미지에 포함된 복수의 특징점들 각각을 이용하여 제 1 얼굴 이미지와 제 2 얼굴 이미지가 동일한 형태와 크기를 갖도록 정규화한 제 1 전처리 이미지와 제 2 전처리 이미지를 생성할 수 있다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(101)는 제 1 얼굴 이미지와 제 2 얼굴 이미지를 동일 여부 판단 모델에 입력하여 출력된 출력 데이터에 기초하여 식별 카드의 위조 여부를 판단할 수 있다.
구체적으로, 프로세서(101)는 제 1 얼굴 이미지와 제 2 얼굴 이미지를 동일 여부 판단 모델에 입력하여 동일 여부를 나타내는 데이터를 출력할 수 있고, 동일 여부는 제 1 얼굴 이미지와 제 2 얼굴 이미지가 같은지를 판단하는 것이고, 출력 데이터는 동일 또는 비동일을 나타내는 데이터일 수 있다. 더욱 구체적으로, 출력 데이터가 동일하다는 것을 나타내는 데이터인 경우에는 식별 카드가 위조되지 않았다고 결정하고, 출력 데이터가 비동일하다는 것을 나타내는 데이터인 경우에는 식별 카드가 위조되었다고 결정할 수 있다. 이에 대한 자세한 설명은 도 6에서 후술하도록 한다.
한편, 동일 여부 판단 모델은, 제 1 학습 데이터 세트에 포함된 제 1 학습 입력 데이터 및 제 1 학습 입력 데이터에 라벨링되는 제 1 학습 출력 데이터를 이용하여 교사학습된 모델을 포함할 수 있다. 교사 학습된 모델은 신경망 구조를 이용하여 학습된 모델을 포함할 수 있다. 교사 학습된 모델은 라벨이 되는 제 1 학습 출력 데이터를 이용하여 학습 과정에서 오차를 감소시켜 학습된 모델을 의미할 수 있다.
여기서 제 1 학습 입력 데이터는 제 1 학습용 얼굴 이미지와 제 1 학습용 얼굴 이미지의 사이즈 및 해상도 중 적어도 하나를 다르게 한 학습용 동일 얼굴 이미지를 포함할 수 있다. 또한, 제 1 학습 출력 데이터는, 상기 제 1 학습용 얼굴 이미지와 상기 학습용 동일 얼굴 이미지가 동일한지 여부를 나타내는 값일 수 있다. 교사 학습된 모델은 예를 들면, CNN(Convolutional Neaural Network)를 이용하여 학습된 모델일 수 있다. 다만, 이에 제한하지 않는다.
한편, 동일 여부 판단 모델은 기 설정된 알고리즘을 통해 2개의 이미지(예를 들면, 제 1 얼굴 이미지 및 제 2 얼굴 이미지)를 비교하여 2개의 이미지가 동일한지에 대한 값을 출력하는 모델일 수도 있다. 다만, 이에 한정되는 것은 아니다.
또한, 동일 여부 판단 모델은, 제 1 학습 데이터 세트를 기초로 제 1 학습 입력 데이터의 특징점을 추출하는 제 1 특징 추출부 및 추출된 제 1 학습 입력 데이터의 특징점에 기초하여 출력 데이터를 생성하기 위한 제 1 출력 생성부를 포함할 수 있다. 제 1 출력 생성부는, 제 1 학습용 얼굴 이미지와 학습용 동일 얼굴 이미지의 동일 여부를 출력하는 동일 여부 출력부를 포함할 수 있다. 제 1 특징 추출부는 컨볼루션 레이어와 풀링 레이어를 포함할 수 있다. 제 1 출력 생성부는 완전 연결 레이어일 수 있다. 제 1 특징 추출부는 제 1 학습용 얼굴 이미지의 특징점과 학습용 동일 얼굴 이미지의 특징점을 추출할 수 있다. 또한, 제 1 학습용 얼굴 이미지의 특징점과 학습용 동일 얼굴 이미지의 특징점을 비교하여 주요 영역별 동일 여부를 출력할 수 있다. 제 1 출력 생성부는 주요 영역별 동일 여부에 기초하여 최종 동일 여부를 출력할 수 있다. 동일 여부 판단 모델은 최종 동일 여부 값과 라벨링된 제 1 학습 출력 데이터의 차이를 정의하는 손실 함수를 이용해 입력에 대한 손실을 계산할 수 있다. 또한, 동일 여부 판단 모델은 출력 레이어에서 입력 레이어로 거슬러 올라가는 역전파 과정을 통해 가중치를 업데이트하여 학습을 반복할 수 있다. 다만, 동일 여부 판단 모델에 대한 학습과정은 이에 제한되지 않는다.
최종적으로, 프로세서(101)는 동일 얼굴 판단 모델에 제 1 얼굴 이미지 및 제 2 얼굴 이미지를 입력하는 경우, 제 1 학습용 얼굴 이미지를 제 2 얼굴 이미지로 정의하고, 학습용 동일 얼굴 이미지를 제 2 얼굴 이미지의 사이즈 및 해상도 중 적어도 하나를 다르게 한 이미지로 정의하며, 제 1 특징 추출부 및 제 1 출력 생성부를 이용하여 제 2 얼굴 이미지를 학습할 수 있다. 그 다음으로, 학습된 동일 여부 판단 모델을 통해 제 1 얼굴 이미지가 제 2 얼굴 이미지와 동일한지를 판단하여 출력 데이터로 동일 또는 비동일을 나타내는 데이터가 출력될 수 있다. 다만, 동일 여부 판단 모델에 대한 출력과정은 이에 제한되지 않는다.
본 개시의 몇몇 다른 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(101)는 제 1 전처리 이미지와 제 2 전처리 이미지를 동일 여부 판단 모델에 입력하여 출력된 출력 데이터에 기초하여 식별 카드의 위조 여부를 판단할 수 있다.
구체적으로, 프로세서(101)는 제 1 전처리 이미지와 제 2 전처리 이미지를 동일 여부 판단 모델에 입력하여 동일 여부를 나타내는 데이터를 출력할 수 있고, 동일 여부는 제 1 전처리 이미지와 제 2 전처리 이미지가 같은지를 판단하는 것이고, 출력 데이터는 동일 또는 비동일을 나타내는 데이터일 수 있다. 더욱 구체적으로, 출력 데이터가 동일하다는 것을 나타내는 데이터인 경우에는 식별 카드가 위조되지 않았다고 결정하고, 출력 데이터가 비동일하다는 것을 나타내는 데이터인 경우에는 식별 카드가 위조되었다고 결정할 수 있다. 동일 여부 판단 모델에 대한 구체적인 설명은 상술한 내용으로 대체할 수 있다.
본 개시의 다른 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(101)는 사용자 및 상기 사용자의 식별 카드가 촬영된 제 1 이미지를 카메라를 통해 획득할 수 있다. 프로세서(101)는 제 1 이미지에서 식별 카드가 포함된 제 1 영역에 존재하는 사용자의 얼굴이 포함된 제 1 얼굴 이미지 또는 사용자와 관련된 제 1 식별 텍스트 중 적어도 하나를 추출할 수 있다. 그리고, 프로세서(101)는 제 1 얼굴 이미지 또는 제 1 식별 텍스트 중 적어도 하나와 컴퓨팅 장치(100)에 기 저장된 사용자의 제 2 얼굴 이미지 또는 사용자의 제 2 식별 텍스트 중 적어도 하나의 동일 여부에 기초하여 식별 카드의 위조 여부를 판단할 수 있다. 여기에서, 제 1 식별 텍스트는 제 1 이미지의 제 1 영역 내에 존재하는 사용자를 식별할 수 있는 텍스트(예를 들어, 사용자의 이름, 학생증 번호 또는 주민등록 번호 등)의미할 수 있다. 그리고, 제 2 식별 텍스트는 컴퓨팅 장치(100)에 저장되어 있는 사용자를 식별할 수 있는 텍스트 (예를 들어, 사용자의 이름, 학생증 번호 또는 주민등록 번호 등)를 의미할 수 있다. 이 경우, 컴퓨팅 장치(100)는 제 2 얼굴 이미지가 컴퓨팅 장치(100)에 저장되어 있지 않는 경우에도 식별 카드의 위조 여부 판단할 수 있다.
도 4는 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치 및 인증서버에서 수행되는 사용자를 인증하기 위한 과정을 나타내는 흐름도이다.
도 4를 참조하면, 컴퓨팅 장치(100)의 프로세서(101)는 제 1 이미지의 제 1 영역 내에서 적어도 하나의 텍스트를 인식할 수 있다(S340).
구체적으로, 프로세서(101)는 텍스트 추출 모델에 제 1 이미지를 입력하면 식별 카드의 외곽선인 제 1 영역을 인식할 수 있다. 프로세서(101)는 텍스트 추출 모델을 통해 생성된 외곽선 즉 제 1 영역 내부에 존재하는 적어도 하나의 텍스트를 인식할 수 있다. 그리고, 프로세서(101)는 텍스트 추출 모델을 통해 인식된 적어도 하나의 텍스트를 사용자의 개인 정보 또는 식별 카드의 발급 일자로 인식할 수 있다. 전술한 텍스트 추출 모델은 학습된 네트워크 함수일 수 있다.
본 개시의 몇몇 실시예에 따르면, 프로세서(101)는 텍스트 추출 모델에 제 1 이미지를 입력하면 식별 카드의 외곽선인 제 1 영역을 인식할 수 있다. 텍스트 추출 모델은 식별 카드 내의 어느 위치에 사용자의 식별 정보 또는 식별 카드의 발급 일자가 기록되어 있는지 인식할 수 있도록 사전 학습되어 있을 수 있다. 따라서, 텍스트 추출 모델에 제 1 이미지가 입력되면 식별 카드의 위치인 제 1 영역을 인식하고, 제 1 영역에 포함되어 있는 사용자의 식별 정보 또는 발급 일자가 출력으로 출력될 수 있다. 프로세서(101)는 텍스트 추출 모델에 출력된 데이터를 사용자의 식별 정보 또는 식별 카드의 발급 일자로 인식할 수 있다. 상술한 예시들은 제 1 영역에서 사용자의 식별 정보를 추출하는 방법의 예시일 뿐, 상술한 예시들에 본 개시의 내용이 한정되는 것은 아니다.
프로세서(101)는 적어도 하나의 텍스트를 인증 서버(200)에 전송하도록 통신부(103)를 제어할 수 있다(S350). 그리고, 인증 서버(200)는 텍스트와 매칭되는 정보를 검색하고(S361), 인증 서버(200)는 텍스트와 매칭되는 정보가 있는지 여부를 포함하는 제 1 신호를 생성하여 전송할 수 있다(S362).
여기에서, 텍스트의 양이 많을 경우에는 전체 텍스트를 전송하게 되면 전체 텍스트를 인증 서버(200)에서 전송하는 시간도 오래 걸리고, 인증 서버(200)에서 텍스트와 매칭되는 정보를 검색하는데 시간이 오래 걸려서 인증하는데 많은 시간이 요소될 수 있다. 따라서, 프로세서(101)는 적어도 하나의 텍스트 중에서 일부를 선택하여 인증 서버(200)에 전송할 수 있다. 여기에서, 프로세서(101)는 텍스트 중에서 특정 문자를 선택하도록 사전에 설정할 수 있다. 다만, 텍스트 중에서 일부를 선택하는 방법은 이에 한정되는 것은 아니다.
프로세서(101)는 인증 서버(200)로부터 텍스트와 매칭되는 정보가 있는 여부를 포함하는 제 1 신호를 수신한 경우, 제 1 신호에 기초하여 식별 카드에 존재하는 텍스트의 위조 여부를 판단할 수 있다(S370).
도 5는 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에서 수행되는 텍스트의 위조를 결정하는 과정을 나타내는 흐름도이다.
도 5를 참조하면, 프로세서(101)는 단계(S371)에서 제 1 신호에 적어도 하나의 텍스트와 매칭되는 정보가 있다는 제 1 응답이 포함되어 있는 경우(S371, yes), 텍스트가 위조되지 않았다고 결정할 수 있다(S372).
여기에서, 프로세서(101)는 텍스트가 위조되지 않았다고 결정하고, 식별 카드가 위조되지 않았다고 판단될 수 있다.
프로세서(101)는 단계(S371)에서 제 1 신호에 적어도 하나의 텍스트와 매칭되는 정보가 있다는 제 1 응답이 포함되어 있는 않은 경우(S371, no), 텍스트가 위조되었다고 결정할 수 있다(S373).
여기에서, 제 1 신호는 텍스트와 매칭되는 정보가 없다는 제 2 응답이 포함될 수 있다.
도 4 및 도 5를 통해 상술한 바와 같이 텍스트의 위조 여부를 판단함으로써, 텍스트가 위조된 식별 카드가 인증되는 것을 미연에 차단할 수 있다.
본 개시의 몇몇 실시예에서는 단계(S340 내지 S373)가 단계(S330) 이후에 수행되는 것으로 서술하였지만, 단계(S340 내지 S373)는 단계(S330)에서 동시에 이루어질 수 있다.
도 6은 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에서 수행되는 식별 카드의 위조를 결정하는 과정을 나타내는 흐름도이다.
도 6을 참조하면, 프로세서(101)는 단계(S331)에서 제 1 얼굴 이미지와 컴퓨팅 장치에 기 저장된 사용자의 제 2 얼굴 이미지가 동일하지 않다고 판단된 경우(S331, no), 식별 카드가 위조되었다고 결정할 수 있다(S333).
여기에서, 프로세서(101)는 식별 카드가 위조되었다는 메시지 또는 음성을 디스플레이부(104)를 통해 출력되도록 제어할 수 있다.
프로세서(101)는 단계(S331)에서 제 1 얼굴 이미지와 컴퓨팅 장치에 기 저장된 사용자의 제 2 얼굴 이미지가 동일하다고 판단된 경우(S331, yes), 식별 카드가 위조되지 않았다고 결정할 수 있다(S332).
프로세서(101)는 단계(S332)이후에, 제 1 이미지의 제 1 영역 이외의 영역에서 사용자의 얼굴이 포함된 제 3 얼굴 이미지를 추출할 수 있다(S380).
여기에서, 프로세서(101)는 제 1 이미지를 얼굴 검출 모델에 입력하여 제 1 영역 이외의 영역에서 사용자의 얼굴이 포함된 제 3 얼굴 이미지를 추출할 수 있다. 여기서, 얼굴 검출 모델이 제 3 얼굴 이미지를 추출하는 과정은 제 1 얼굴 이미지를 추출하는 과정과 동일하므로 자세한 설명은 생략한다.
프로세서(101)는 제 1 얼굴 이미지와 제 3 얼굴 이미지의 유사 여부에 기초하여 사용자 인증을 수행할 수 있다(S390).
여기에서, 프로세서(101)는 앞선 단계들(S320 및 S380)에서 제 1 얼굴 이미지 및 제 3 얼굴 이미지가 검출된 경우에 단계(S390)을 할 수 있다.
도 6을 참조하여 상술한 바와 같이 제 1 얼굴 이미지와 컴퓨팅 장치(100)에 기 저장된 사용자의 제 2 얼굴 이미지의 동일 여부를 먼저 판단하여 사용자의 식별 카드의 이미지의 위조 여부를 판단할 수 있다. 따라서, 제 1 사용자의 식별 카드에 다른 사람인 제 2 사용자가 제 2 사용자의 사진을 붙여서 인증하려고 하는 것을 미연에 차단할 수 있다.
도 7은 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에서 수행되는 사용자 인증을 수행하는 과정을 나타내는 흐름도이다.
도 7을 참조하면, 프로세서(101)는 단계(S390)에서 제 1 얼굴 이미지와 제 3 얼굴 이미지를 비교하여 유사도 값을 산출할 수 있다(S391).
여기에서, 프로세서(101)는 제 1 얼굴 이미지와 제 3 얼굴 이미지에 대한 전처리를 수행하여 제 3 전처리 이미지 및 제 4 전처리 이미지를 획득할 수 있다. 그리고, 프로세서(101)는 제 3 전처리 이미지 및 제 4 전처리 이미지를 비교하여 유사도 값을 산출할 수 있다. 구체적으로, 전처리는 제 1 얼굴 이미지와 제 3 얼굴 이미지 각각의 특징점을 결정하는 과정과 제 1 얼굴 이미지와 제 3 얼굴 이미지가 동일한 형태와 크기를 갖도록 정규화하는 과정을 포함할 수 있다. 전처리 과정은 앞서 제 1 얼굴 이미지와 제 2 얼굴 이미지를 전처리 하는 과정과 같으므로 자세한 설명은 생략한다.
한편, 프로세서(101)는 제 1 얼굴 이미지와 제 3 얼굴 이미지를 유사도 값 출력 모델에 입력하여 유사도 값을 산출할 수 있고, 유사도 값은 제 3 얼굴 이미지가 제 1 얼굴 이미지에 유사한 정도를 나타내는 값일 수 있다.
여기에서, 유사도 값 출력 모델은, 제 2 학습 데이터 세트에 포함된 제 2 학습 입력 데이터 및 제 2 학습 입력 데이터에 라벨링 되는 제 2 학습 출력 데이터를 이용하여 교사학습된 모델을 포함할 수 있다. 교사 학습된 모델은 신경망 구조를 이용하여 학습된 모델을 포함할 수 있다. 교사 학습된 모델은 라벨이 되는 제 2 학습 출력 데이터를 이용하여 학습 과정에서 오차를 감소시켜 학습된 모델을 의미할 수 있다. 여기서 제 2 학습 입력 데이터는 제 2 학습용 얼굴 이미지와 제 2 학습용 얼굴 이미지와 관련된 학습용 식별 카드 얼굴 이미지를 포함할 수 있다. 또한, 제 2 학습 출력 데이터는 제 2 학습용 얼굴 이미지와 학습용 식별 카드 얼굴 이미지가 유사한지 여부를 나타내는 값일 수 있다. 교사 학습된 모델은 예를 들어, CNN(Convolutional Neaural Network)를 이용하여 학습된 모델일 수 있다. 다만, 이에 제한하지 않는다.
한편, 유사도 값 출력 모델은 기 설정된 알고리즘을 통해 2개의 이미지(예를 들면, 제 1 얼굴 이미지 및 제 3 얼굴 이미지)를 비교하여 2개의 이미지가 유사한지에 대한 값을 출력하는 모델일 수도 있다. 다만, 이에 한정되는 것은 아니다.
또한, 유사도 값 출력 모델은 제 2 학습 데이터 세트를 기초로 제 2 학습 입력 데이터의 특징점을 추출하는 제 2 특징 추출부 및 추출된 제 2 학습 입력 데이터의 특징점에 기초하여 출력 데이터를 생성하기 위한 제 2 출력 생성부를 포함할 수 있다. 제 2 출력 생성부는 제 2 학습용 얼굴 이미지와 식별 카드 얼굴 이미지의 유사도 값을 출력하는 유사도 출력부를 포함할 수 있다. 제 2 특징 추출부는 컨볼루션 레이어와 풀링 레이어를 포함할 수 있다. 제 2 출력 생성부는 완전 연결 레이어일 수 있다. 제 2 특징 추출부는 제 2 학습용 얼굴 이미지의 특징점과 학습용 식별 카드 얼굴 이미지의 특징점을 비교하여 주요 영역별 유사도를 산출할 수 있다. 제 2 출력 생성부는 주요 영역별 유사도 예측 값에 기초하여 최종 유사도 예측값을 산출할 수 있다. 유사도 값 출력 모델은 최종 유사도 예측 값과 라벨링된 제 2 학습 출력 데이터의 차이를 정의하는 손실 함수를 이용해 입력에 대한 손실을 계산할 수 있다. 또한, 유사도 값 출력 모델은 출력 레이어에서 입력 레이어로 거슬러 올라가는 역전파 과정을 통해 가중치를 업데이트하여 학습을 반복할 수 있다. 다만, 유사도 값 출력 모델에 대한 학습과정은 이에 제한하지 않는다.
여기에서, 제 2 학습 입력 데이터는 변경 요소에 기반하여 제 2 학습용 얼굴 이미지에 변경을 가한 변경 이미지를 제 2 학습용 얼굴 이미지로 활용하고, 변경 요소는 머리스타일, 액세서리, 인종, 성별 및 나이 중 적어도 하나를 포함할 수 있다. 이와 같이 다양한 변경 요소를 적용하여 유사도 값 출력 모델의 정확도를 높일 수 있다. 다만, 변경 요소는 이에 한정되는 것은 아니다.
프로세서(101)는 단계(S390)에서 유사도 값에 기초하여 사용자 인증을 수행할 수 있다(S392).
도 8은 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에서 수행되는 유사도 값에 따라 사용자 인증의 완료 여부를 결정하는 과정을 나타내는 흐름도이다.
도 8을 참조하면, 프로세서(101)는 단계(S392a)에서 유사도 값이 기 설정된 제 1 임계 값을 초과하는 경우(S392a, yes), 사용자의 인증이 완료되었다고 결정할 수 있다(S392b).
프로세서(101)는 단계(S392a)에서 유사도 값이 기 설정된 제 1 임계 값을 초과하는 않는 경우(S392a, no), 유사도 값이 기 설정된 제 1 임계 값 보다 작은 기 설정된 제 2 임계 값 이상인지 여부를 확인할 수 있다(S392c).
프로세서(101)는 단계(S392c)에서 유사도 값이 제 2 임계 값 미만인 경우(S392c, no), 서로 다른 사용자로 판단하고 사용자 인증이 불가한 것으로 결정할 수 있다.
여기에서, 프로세서(101)는 사용자 인증이 불가하다는 메시지 또는 음성을 디스플레이부(104)를 통해 출력되도록 제어할 수 있다.
프로세서(101)는 단계(S392c)에서 유사도 값이 제 2 임계 값 이상인 경우(S392c, yes), 제 1 얼굴 이미지와 제 3 얼굴 이미지의 차이점을 파악할 수 있다(S392d).
구체적으로, 프로세서(101)는 앞서 전처리를 통해 결정된 제 1 얼굴 이미지와 제 3 얼굴 이미지 각각의 특징점을 비교하여 서로 다른 부분을 제 1 얼굴 이미지와 제 3 얼굴 이미지의 차이점으로 파악할 수 있다.
프로세서(101)는 사용자에게 차이점을 수정하라는 메시지 또는 음성을 디스플레이부(104)를 통해 출력되도록 제어할 수 있다(S392e).
여기에서, 프로세서(101)는 사용자에게 차이점 수정 후에 다시 사용자 인증을 진행할 지 여부를 선택하는 객체를 디스플레이부(104)를 통해 출력되도록 제어할 수 있다.
그리고, 객체는 '진행'이라고 표시된 진행 영역 및 '미진행'이라고 표시된 미진행 영역을 포함하여 디스플레이부(104)에 표시되는 특정 창일 수 있고, 사용자의 디스플레이부(104)의 터치 또는 컴퓨팅 장치(100)의 마우스(미도시)를 통한 클릭을 통해 진행 영역 또는 미진행 영역이 선택되면, 선택되는 영역에 따라 진행 여부를 판단할 수 있다. 다만, 객체는 이에 한정되지 않는다.
한편, 사용자가 다시 사용자 인증을 진행한다고 선택한 경우, 프로세서(101)는 상술한 단계(S310 내지 S390)를 다시 진행할 수 있다. 여기에서, 다시 진행되는 상술한 단계(S310 내지 S390)는 이에 한정되는 것은 아니며, 일부 생략되거나 추가될 수 있다.
또한, 사용자가 다시 사용자 인증을 진행하지 않는다고 선택한 경우, 프로세서(101)는 사용자 인증이 되지 않았다는 메시지 또는 음성을 디스플레이부(104)를 통해 출력되도록 제어할 수 있다.
프로세서(101)는 제 1 임계 값 및 제 2 임계 값을 제 1 영역에 존재하는 식별 카드의 발급 일자와 제 1 이미지가 생성된 일자의 시간 차이에 따라 다르게 설정할 수 있다. 구체적으로, 프로세서(101)는 제 1 이미지가 생성된 일자에서 제 1 영역에 존재하는 식별 카드의 발급 일자를 뺀 시간 차이를 기 설정된 기준일(예를 들면, 5년)에 따라 제 1 임계 값 및 제 2 임계 값을 설정할 수 있다. 예를 들면, 기준일을 5년으로 설정하고, 5년을 기준으로 제 1 임계 값 및 제 2 임계 값을 0.1씩 낮게 설정하도록 할 수 있다. 즉, 제 1 임계 값이 0.8, 제 2 임계 값이 0.7, 제 1 이미지가 생성된 일자가 2020년 1월 1일, 제 1 영역에 존재하는 식별 카드의 발급 일자가 2014년 1월 1일인 경우, 차이가 6년이므로 제 1 임계 값은 0.7, 제 2 임계 값은 0.6으로 설정할 수 있다.
제 1 임계 값 및 제 2 임계 값을 제 1 영역에 존재하는 식별 카드의 발급 일자와 제 1 이미지가 생성된 일자의 시간 차이에 따라 다르게 설정함으로써, 시간이 지남에 따라 변하는 사용자의 얼굴도 인식이 가능하고, 사용자를 인증하는 정확도를 높일 수 있으며, 사용자가 사용자의 식별 카드에 존재하는 사진을 최근에 찍은 사진으로 주기적으로 업데이트 해야 되는 번거로움이 없다는 점에서 편리하다.
여기에서, 유사도 출력 모델은 학습 시에 제 3 얼굴 이미지가 제 1 얼굴 이미지와 크게 차이가 나는 경우에는 유사도 값이 제 2 임계 값 보다 낮게 산출되도록 학습되고, 제 3 얼굴 이미지가 제 1 얼굴 이미지와 어느 정도 유사한, 즉, 변경 요소에 기반하여 제 2 학습용 얼굴 이미지에 변경을 가한 변경 이미지는 유사도 값이 제 2 임계 값 보다 높게 산출되도록 학습될 수 있다. 따라서, 제 1 사용자와 제 2 사용자를 구분할 수 있고, 제 1 사용자의 머리스타일, 액세서리 등이 변경된 경우에도 차이점을 파악하여 차이점을 수정하도록 유도할 수 있다는 효과가 있다.
프로세서(101)는 단계(S392b) 이후, 사용자에게 제스처를 요구하는 메시지 또는 음성을 디스플레이부(104)를 통해 출력되도록 제어할 수 있다(S410).
여기에서, 사용자의 제스처는 얼굴 제스처 또는 동작 제스처 중 적어도 하나를 포함할 수 있고, 사용자의 상태에 따라 선택될 수 있다.
구체적으로, 얼굴 제스처는 눈, 입과 같이 얼굴을 이용해서 표현할 수 있는 제스처(예를 들면, 윙크, 양쪽 눈 감기, 웃기)를 포함할 수 있다.
그리고, 동작 제스처는 발, 다리, 손, 발과 같이 전신을 이용해서 표현할 수 있는 제스처(예를 들면, 오른손 들기, 오른발 들기, 앉기)를 포함할 수 있다.
또한, 사용자의 상태는 사용자가 특정 신체의 움직임이 어렵거나(예를 들면, 사용자가 휠체어를 탄 경우, 사용자가 목발을 한 경우), 특정 액세서리 착용으로 인하여 제스처의 확인이 어려운 경우(예를 들면, 사용자가 마스크를 착용한 경우), 사용자가 가능하다고 판단되는 제스처를 요구할 수 있다. 예를 들면, 사용자가 휠체어를 타고 있다고 판단되면, 얼굴 제스처를 요구할 수 있고, 사용자가 마스크를 착용하고 있으면, 동작 제스처를 요구할 수 있다. 다만, 이에 한정되는 것은 아니다.
프로세서(101)는 사용자가 재촬영된 제 2 이미지를 카메라를 통해 획득할 수 있고(S420), 프로세서(101)는 제 2 이미지를 분석하여 제스처가 있는지 여부를 확인할 수 있다(S430).
여기에서, 프로세서(101)는 제 2 이미지에서 요구한 제스처가 있어야 되는 부분만 분석하여 제스처가 있는지 여부를 확인할 수 있다. 예를 들면, 팔에 관련된 제스처인 경우에는 제 2 이미지에서 사용자의 팔 부분만 특징점을 추출해서 분석하고, 얼굴에 관련된 제스처인 경우에는 제 2 이미지에서 사용자의 얼굴 부분만 특징점을 추출해서 분석할 수 있다. 다만, 이에 한정되는 것은 아니다.
프로세서(101)는 제스처가 있는지 여부에 기초하여 사용자 인증이 유효한지 여부를 결정할 수 있다(S440).
도 9는 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에서 수행되는 제스처에 따라 사용자 인증의 유효 여부를 결정하는 과정을 나타내는 흐름도이다.
도 9를 참조하면, 프로세서(101)는 단계(S441)에서 제 2 이미지에 제스처가 없다고 인식된 경우(S441, no), 사용자 인증이 유효하지 않다고 결정할 수 있다(S443).
여기에서, 프로세서(101)는 사용자 인증이 유효하지 않다는 메시지 또는 음성을 디스플레이부(104)를 통해 출력되도록 제어할 수 있다.
프로세서(101)는 단계(S441)에서 제 2 이미지에 제스처가 있다고 인식된 경우, 사용자 인증이 있다고 인식된 경우(S441, yes), 사용자 인증이 유효하다고 결정할 수 있다(S442).
여기에서, 프로세서(101)는 사용자 인증이 유효하다고 판단된 경우, 제 1 영역에 포함된 제 3 이미지를 추출할 수 있다(S450).
또한, 제 3 이미지는 제 1 영역에 포함된 사용자의 식별 카드를 포함할 수 있다.
프로세서(101)는 제 3 이미지 내의 적어도 하나의 텍스트를 블러(Blur) 처리할 수 있다(S460).
여기에서, 프로세서(101)는 사전에 블러 처리하기로 결정된 텍스트만 블러 처리할 수 있다. 구체적으로, 식별 카드의 종류에 따라 특정 숫자 및 단어를 사전에 블러 처리하기로 결정하고, 특정 숫자 및 단어를 블러 처리할 수 있다. 예를 들면, 식별 카드가 주민등록증인 경우에는, 7자리의 숫자는 블러 처리하도록 결정하면, 주민번호 뒷자리인 7자리의 숫자는 블러 처리할 수 있다.
프로세서(101)는 블러 처리가 완료된 제 3 이미지를 수요 기관 서버(300)에 전송하도록 통신부(103)를 제어할 수 있다(S470).
도 9를 통해서 상술한 바와 같이 제 2 이미지에 제스처가 있는지 여부를 판단하여 사용자 인증이 유효한 상태인지 판단할 수 있다. 따라서, 제 2 사용자가 제 1 사용자가 사전에 찍어 놓았던 이미지를 사용해서 인증하려고 하는 것을 미연에 차단할 수 있다. 즉, 해킹 또는 무단으로 획득된 사용자 이미지를 이용하여 사용자가 아닌 제 3 자가 불법으로 인증하는 것을 방지하는 효과가 있다.
본 개시의 몇몇 실시예에 따르면, 사용자와 사용자의 식별 카드가 촬영된 이미지를 이용하여 인증함으로써, 지문, 홍채 및 성문과 같은 생체정보와 비밀번호와 같은 암호화된 정보가 필요하지 않다는 장점이 있다.
본 개시에서 동일 여부 판단 모델 및 유사도 값 출력 모델은 연산 모델로 구성될 수 있다. 본 개시에서, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
본 개시에서 인공신경망을 활용한 사용자 인증 방법을 통해, 사용자 인증에 보다 객관적인 방법이 제공될 수 있다. 따라서 사용자 인증에 대한 객관성과 신뢰성을 높일 수 있다. 또한, 관리자가 직접 사용자 인증에 참여할 필요가 없어, 사용자 인증에 필요한 인력을 줄일 수 있다.
도 10은 본 개시의 내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)-이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음-, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (20)
- 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 방법으로서,
사용자 및 상기 사용자의 식별 카드가 촬영된 제 1 이미지를 카메라를 통해 획득하는 단계;
상기 제 1 이미지에서 상기 식별 카드가 포함된 제 1 영역에 존재하는 상기 사용자의 얼굴이 포함된 제 1 얼굴 이미지를 추출하는 단계;
상기 제 1 얼굴 이미지와 상기 컴퓨팅 장치에 기 저장된 상기 사용자의 제 2 얼굴 이미지의 동일 여부에 기초하여 상기 식별 카드의 위조 여부를 판단하는 단계;
상기 식별 카드가 위조되지 않았다고 판단된 경우, 상기 제 1 이미지의 상기 제 1 영역 이외의 영역에서 상기 사용자의 얼굴이 포함된 제 3 얼굴 이미지를 추출하는 단계;
상기 제 1 얼굴 이미지와 상기 제 3 얼굴 이미지를 비교하여 유사도 값을 산출하는 단계;
상기 유사도 값이 기 설정된 제 1 임계 값 이하인 경우, 상기 유사도 값이 상기 기 설정된 제 1 임계 값 보다 작은 기 설정된 제 2 임계 값 이상인지 여부를 확인하는 단계;
상기 유사도 값이 상기 기 설정된 제 2 임계 값 이상인 경우, 상기 제 1 얼굴 이미지와 상기 제 3 얼굴 이미지의 차이점을 파악하는 단계; 및
상기 사용자에게 상기 차이점을 수정하라는 메시지 또는 음성을 출력하는 단계;
를 포함하고,
상기 기 설정된 제 1 임계 값 및 상기 기 설정된 제 2 임계 값은,
상기 제 1 영역에 존재하는 상기 식별 카드의 발급 일자와 상기 제 1 이미지가 생성된 일자 간의 시간 차이 및 기 설정된 기준일에 기초하여 다르게 설정되는,
사용자를 인증하기 위한 방법.
- 제 1 항에 있어서,
상기 제 1 이미지의 제 1 영역 내에서 적어도 하나의 텍스트를 인식하는 단계;
상기 적어도 하나의 텍스트를 인증 서버에 전송하는 단계; 및
상기 인증 서버로부터 상기 텍스트와 매칭되는 정보가 있는지 여부를 포함하는 제 1 신호를 수신한 경우, 상기 제 1 신호에 기초하여 상기 식별 카드에 존재하는 텍스트의 위조 여부를 판단하는 단계;
를 더 포함하는,
사용자를 인증하기 위한 방법.
- 제 2 항에 있어서,
상기 인증 서버로부터 상기 텍스트와 매칭되는 정보가 있는지 여부를 포함하는 제 1 신호를 수신한 경우, 상기 제 1 신호에 기초하여 상기 식별 카드에 존재하는 텍스트의 위조 여부를 판단하는 단계는,
상기 제 1 신호에 상기 적어도 하나의 텍스트와 매칭되는 정보가 있다는 제 1 응답이 포함되어 있는 경우, 상기 텍스트가 위조되지 않았다고 결정하는 단계;
를 포함하는,
사용자를 인증하기 위한 방법.
- 제 2 항에 있어서,
상기 인증 서버로부터 상기 텍스트와 매칭되는 정보가 있는지 여부를 포함하는 제 1 신호를 수신한 경우, 상기 제 1 신호에 기초하여 상기 식별 카드에 존재하는 텍스트의 위조 여부를 판단하는 단계는,
상기 제 1 신호에 상기 텍스트와 매칭되는 정보가 없다는 제 2 응답이 포함되어 있는 경우, 상기 텍스트가 위조되었다고 결정하는 단계;
를 포함하는,
사용자를 인증하기 위한 방법.
- 제 1 항에 있어서,
상기 제 1 얼굴 이미지와 상기 컴퓨팅 장치에 기 저장된 상기 사용자의 제 2 얼굴 이미지의 동일 여부에 기초하여 상기 식별 카드의 위조 여부를 판단하는 단계는,
상기 제 1 얼굴 이미지와 상기 제 2 얼굴 이미지를 동일 여부 판단 모델에 입력하여 출력된 출력 데이터에 기초하여 상기 식별 카드의 위조 여부를 판단하는 단계;
를 포함하는,
사용자를 인증하기 위한 방법.
- 제 5 항에 있어서,
상기 동일 여부 판단 모델은,
제 1 학습 데이터 세트에 포함된 제 1 학습 입력 데이터 및 제 1 학습 입력 데이터에 라벨링되는 제 1 학습 출력 데이터를 이용하여 교사학습된 모델이고,
상기 1 학습 입력 데이터는,
제 1 학습용 얼굴 이미지와 상기 제 1 학습용 얼굴 이미지의 사이즈 및 해상도 중 적어도 하나를 다르게 한 학습용 동일 얼굴 이미지를 포함하고,
상기 제 1 학습 출력 데이터는,
상기 제 1 학습용 얼굴 이미지와 상기 학습용 동일 얼굴 이미지가 동일한지 여부를 나타내는 값인,
사용자를 인증하기 위한 방법.
- 삭제
- 삭제
- 제 1 항에 있어서,
상기 유사도 값에 기초하여 사용자 인증을 수행하는 단계는,
상기 유사도 값이 기 설정된 제 1 임계 값을 초과하는 경우, 상기 사용자의 인증이 완료되었다고 결정하는 단계;
를 포함하는,
사용자를 인증하기 위한 방법.
- 삭제
- 제 1 항에 있어서,
상기 제 1 얼굴 이미지와 상기 제 3 얼굴 이미지를 비교하여 유사도 값을 산출하는 단계는,
상기 제 1 얼굴 이미지와 상기 제 3 얼굴 이미지를 유사도 값 출력 모델에 입력하여 상기 유사도 값을 산출하는 단계;
를 포함하는,
사용자를 인증하기 위한 방법.
- 제 1 항에 있어서,
상기 유사도 값은,
상기 제 3 얼굴 이미지가 상기 제 1 얼굴 이미지에 유사한 정도를 나타내는 값인,
사용자를 인증하기 위한 방법.
- 제 11 항에 있어서,
유사도 값 출력 모델은,
제 2 학습 데이터 세트에 포함된 제 2 학습 입력 데이터 및 제 2 학습 입력 데이터에 라벨링되는 제 2 학습 출력 데이터를 이용하여 교사학습된 모델이고,
상기 제 2 학습 입력 데이터는,
제 2 학습용 얼굴 이미지와 상기 제 2 학습용 얼굴 이미지와 관련된 학습용 식별 카드 얼굴 이미지를 포함하고,
상기 제 2 학습 출력 데이터는,
상기 제 2 학습용 얼굴 이미지와 상기 학습용 식별 카드 얼굴 이미지가 유사한지 여부를 나타내는 값인,
사용자를 인증하기 위한 방법.
- 제 13 항에 있어서,
상기 제 2 학습 입력 데이터는,
변경 요소에 기반하여 상기 제 2 학습용 얼굴 이미지에 변경을 가한 변경 이미지를 상기 제 2 학습용 얼굴 이미지로 활용하고,
상기 변경 요소는,
머리스타일, 액세서리, 인종, 성별 및 나이 중 적어도 하나를 포함하는,
사용자를 인증하기 위한 방법.
- 제 1 항에 있어서,
상기 유사도 값이 상기 기 설정된 제 1 임계 값을 초과하여 사용자 인증이 완료된 경우, 상기 사용자에게 제스처를 요구하는 메시지 또는 음성을 출력하는 단계;
상기 사용자가 재촬영된 제 2 이미지를 상기 카메라를 통해 획득하는 단계;
상기 제 2 이미지를 분석하여 상기 제스처가 있는지 여부를 확인하는 단계; 및
상기 제스처가 있는지 여부에 기초하여 사용자 인증이 유효한지 여부를 결정하는 단계;
를 더 포함하는,
사용자를 인증하기 위한 방법.
- 제 15 항에 있어서,
상기 제스처가 있는지 여부에 기초하여 사용자 인증이 유효한지 여부를 결정하는 단계는,
상기 제스처가 있다고 인식된 경우, 상기 사용자 인증이 유효하다고 결정하는 단계;
를 포함하는,
사용자를 인증하기 위한 방법.
- 제 15 항에 있어서,
상기 제스처가 있는지 여부에 기초하여 사용자 인증이 유효한지 여부를 결정하는 단계는,
상기 제스처가 없다고 인식된 경우, 상기 사용자 인증이 유효하지 않다고 결정하는 단계;
를 포함하는,
사용자를 인증하기 위한 방법.
- 제 15 항에 있어서,
상기 사용자 인증이 유효하다고 판단된 경우, 상기 제 1 영역에 포함된 제 3 이미지를 추출하는 단계;
상기 제 3 이미지 내의 적어도 하나의 텍스트를 블러(Blur) 처리하는 단계; 및
상기 블러 처리가 완료된 상기 제 3 이미지를 수요 기관 서버에 전송하는 단계;
를 더 포함하는,
사용자를 인증하기 위한 방법.
- 삭제
- 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 방법으로서,
사용자 및 상기 사용자의 식별 카드가 촬영된 제 1 이미지를 카메라를 통해 획득하는 단계;
상기 제 1 이미지에서 상기 식별 카드가 포함된 제 1 영역에 존재하는 상기 사용자의 얼굴이 포함된 제 1 얼굴 이미지 또는 상기 사용자와 관련된 제 1 식별 텍스트 중 적어도 하나를 추출하는 단계;
상기 제 1 얼굴 이미지 또는 상기 제 1 식별 텍스트 중 적어도 하나와 상기 컴퓨팅 장치에 기 저장된 상기 사용자의 제 2 얼굴 이미지 또는 상기 사용자의 제 2 식별 텍스트 중 적어도 하나의 동일 여부에 기초하여 상기 식별 카드의 위조 여부를 판단하는 단계;
상기 식별 카드가 위조되지 않았다고 판단된 경우, 상기 제 1 이미지의 상기 제 1 영역 이외의 영역에서 상기 사용자의 얼굴이 포함된 제 3 얼굴 이미지를 추출하는 단계;
상기 제 1 얼굴 이미지와 상기 제 3 얼굴 이미지를 비교하여 유사도 값을 산출하는 단계;
상기 유사도 값이 기 설정된 제 1 임계 값 이하인 경우, 상기 유사도 값이 상기 기 설정된 제 1 임계 값 보다 작은 기 설정된 제 2 임계 값 이상인지 여부를 확인하는 단계;
상기 유사도 값이 상기 기 설정된 제 2 임계 값 이상인 경우, 상기 제 1 얼굴 이미지와 상기 제 3 얼굴 이미지의 차이점을 파악하는 단계; 및
상기 사용자에게 상기 차이점을 수정하라는 메시지 또는 음성을 출력하는 단계;
를 포함하고,
상기 기 설정된 제 1 임계 값 및 상기 기 설정된 제 2 임계 값은,
상기 제 1 영역에 존재하는 상기 식별 카드의 발급 일자와 상기 제 1 이미지가 생성된 일자 간의 시간 차이 및 기 설정된 기준일에 기초하여 다르게 설정되는,
사용자를 인증하기 위한 방법.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200152858A KR102502631B1 (ko) | 2020-11-16 | 2020-11-16 | 사용자를 인증하기 위한 기법 |
PCT/KR2020/016147 WO2022102830A1 (ko) | 2020-11-16 | 2020-11-17 | 사용자를 인증하기 위한 기법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200152858A KR102502631B1 (ko) | 2020-11-16 | 2020-11-16 | 사용자를 인증하기 위한 기법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220066623A KR20220066623A (ko) | 2022-05-24 |
KR102502631B1 true KR102502631B1 (ko) | 2023-02-23 |
Family
ID=81602395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200152858A KR102502631B1 (ko) | 2020-11-16 | 2020-11-16 | 사용자를 인증하기 위한 기법 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR102502631B1 (ko) |
WO (1) | WO2022102830A1 (ko) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015032063A (ja) * | 2013-07-31 | 2015-02-16 | キヤノンマーケティングジャパン株式会社 | 情報処理システム、処理方法、およびプログラム |
JP2020057275A (ja) * | 2018-10-03 | 2020-04-09 | 株式会社日立製作所 | 生体認証システム、生体認証方法およびプログラム |
KR102146552B1 (ko) * | 2020-06-30 | 2020-08-20 | 주식회사 풀스택 | 비대면 본인 인증 시스템 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10583269B2 (en) | 2016-06-01 | 2020-03-10 | Becton, Dickinson And Company | Magnetized catheters, devices, uses and methods of using magnetized catheters |
CN107844748B (zh) * | 2017-10-17 | 2019-02-05 | 平安科技(深圳)有限公司 | 身份验证方法、装置、存储介质和计算机设备 |
SG11202008549SA (en) * | 2018-08-13 | 2020-10-29 | Beijing Sensetime Technology Development Co Ltd | Identity authentication method and apparatus, electronic device, and storage medium |
-
2020
- 2020-11-16 KR KR1020200152858A patent/KR102502631B1/ko active IP Right Grant
- 2020-11-17 WO PCT/KR2020/016147 patent/WO2022102830A1/ko active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015032063A (ja) * | 2013-07-31 | 2015-02-16 | キヤノンマーケティングジャパン株式会社 | 情報処理システム、処理方法、およびプログラム |
JP2020057275A (ja) * | 2018-10-03 | 2020-04-09 | 株式会社日立製作所 | 生体認証システム、生体認証方法およびプログラム |
KR102146552B1 (ko) * | 2020-06-30 | 2020-08-20 | 주식회사 풀스택 | 비대면 본인 인증 시스템 |
Also Published As
Publication number | Publication date |
---|---|
KR20220066623A (ko) | 2022-05-24 |
WO2022102830A1 (ko) | 2022-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200366671A1 (en) | Identity verification and management system | |
US10938840B2 (en) | Neural network architectures employing interrelatedness | |
WO2022105118A1 (zh) | 基于图像的健康状态识别方法、装置、设备及存储介质 | |
US10733279B2 (en) | Multiple-tiered facial recognition | |
US20220318354A1 (en) | Anti-spoofing method and apparatus | |
US20210398128A1 (en) | Velocity system for fraud and data protection for sensitive data | |
WO2019191266A1 (en) | Object classification method, apparatus, server, and storage medium | |
US20200374286A1 (en) | Real time selfie systems and methods for automating user identify verification | |
US20220164423A1 (en) | Method and apparatus for user recognition | |
WO2020261074A1 (es) | Sistema y método para la aprobación y desembolso de un crédito | |
Chethana et al. | Analysis of Credit Card Fraud Data Using Various Machine Learning Methods | |
Enev et al. | Sensorsift: balancing sensor data privacy and utility in automated face understanding | |
CN115147874A (zh) | 用于生物特征信息伪造检测的方法和设备 | |
KR20220116111A (ko) | 인공 신경망의 추론 데이터에 대한 신뢰도를 판단하는 방법 | |
US12019720B2 (en) | Spatiotemporal deep learning for behavioral biometrics | |
Ouadjer et al. | Feature importance evaluation of smartphone touch gestures for biometric authentication | |
KR20230053846A (ko) | 쓰레기를 수거하기 위한 방법 | |
US12045817B2 (en) | Card authentication technique selection via machine learning | |
Safavipour et al. | Deep Hybrid Multimodal Biometric Recognition System Based on Features‐Level Deep Fusion of Five Biometric Traits | |
KR102502631B1 (ko) | 사용자를 인증하기 위한 기법 | |
US11654366B2 (en) | Computer program for performing drawing-based security authentication | |
US20230005122A1 (en) | Image forgery detection via pixel-metadata consistency analysis | |
KR20210087301A (ko) | 얼굴 인증을 수행하기 위한 방법 | |
US11928748B1 (en) | Method and apparatus for scannable non-fungible token generation | |
US20240121080A1 (en) | Cryptographic key generation using machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right |