KR102567476B1 - Unlocking method for unlocking a storage device using deep learning algorithm and a storage system performing the same - Google Patents

Unlocking method for unlocking a storage device using deep learning algorithm and a storage system performing the same Download PDF

Info

Publication number
KR102567476B1
KR102567476B1 KR1020210128598A KR20210128598A KR102567476B1 KR 102567476 B1 KR102567476 B1 KR 102567476B1 KR 1020210128598 A KR1020210128598 A KR 1020210128598A KR 20210128598 A KR20210128598 A KR 20210128598A KR 102567476 B1 KR102567476 B1 KR 102567476B1
Authority
KR
South Korea
Prior art keywords
determining
embedding vectors
support vector
vectors
embedding
Prior art date
Application number
KR1020210128598A
Other languages
Korean (ko)
Other versions
KR20230046338A (en
Inventor
강한희
노안수
김경봉
Original Assignee
(주)신세계프로젝트
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 (주)신세계프로젝트 filed Critical (주)신세계프로젝트
Priority to KR1020210128598A priority Critical patent/KR102567476B1/en
Publication of KR20230046338A publication Critical patent/KR20230046338A/en
Application granted granted Critical
Publication of KR102567476B1 publication Critical patent/KR102567476B1/en

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
    • G07C9/00563—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys using personal physical data of the operator, e.g. finger prints, retinal images, voicepatterns
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47G—HOUSEHOLD OR TABLE EQUIPMENT
    • A47G29/00—Supports, holders, or containers for household use, not provided for in groups A47G1/00-A47G27/00 or A47G33/00 
    • A47G29/12—Mail or newspaper receptacles, e.g. letter-boxes; Openings in doors or the like for delivering mail or newspapers
    • A47G29/122—Parts, details, or accessories, e.g. signalling devices, lamps, devices for leaving messages
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • 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
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
    • G07C9/00309—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys operated with bidirectional data transmission between data carrier and locks
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
    • G07C9/00571—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys operated by interacting with a central unit
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
    • G07C9/00896—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys specially adapted for particular uses
    • G07C9/00912—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys specially adapted for particular uses for safes, strong-rooms, vaults or the like
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/12—Bounding box
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
    • G07C2009/00753—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys operated by active electrical keys
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
    • G07C9/00817—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys where the code of the lock can be programmed
    • G07C2009/00849—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys where the code of the lock can be programmed programming by learning

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Collating Specific Patterns (AREA)

Abstract

딥러닝 알고리즘을 활용하여 보관 장치에 대한 잠금을 해제하는 잠금 해제 방법 및 이를 수행하는 택배 보관 시스템이 개시된다. 본 개시의 기술적 사상의 일측면에 따른 잠금 해제 방법은 등록 객체에 포함되는 제1 객체에 대한 복수의 제1 임베딩 벡터들 및 상기 등록 객체에 포함되는 제2 객체에 대한 복수의 제2 임베딩 벡터들을 추출하는 단계, 상기 복수의 제1 임베딩 벡터들 및 상기 복수의 제2 임베딩 벡터들에 포함되는 복수의 차원들 중 서로 구분이 명확한 적어도 하나의 구분 차원을 결정하는 단계, 상기 적어도 하나의 구분 차원을 이용하여 상기 복수의 제1 임베딩 벡터들 중 적어도 하나의 제1 서포트 벡터 및 상기 복수의 제2 임베딩 벡터들 중 적어도 하나의 제2 서포트 벡터를 결정하는 단계, 상기 제1 서포트 벡터 및 상기 제2 서포트 벡터의 중간 좌표를 포함하는 결정 경계를 결정하는 단계, 상기 결정 경계를 기초로 상기 대상 객체가 상기 등록 객체인지 여부를 판단하는 단계 및 상기 판단 결과를 기초로 잠금을 해제하는 단계를 포함할 수 있다.Disclosed are a unlocking method for unlocking a storage device using a deep learning algorithm and a delivery storage system for performing the same. A lock release method according to an aspect of the technical idea of the present disclosure includes a plurality of first embedding vectors for a first object included in a registered object and a plurality of second embedding vectors for a second object included in the registered object. extracting, determining at least one distinct dimension among a plurality of dimensions included in the plurality of first embedding vectors and the plurality of second embedding vectors; determining at least one first support vector among the plurality of first embedding vectors and at least one second support vector among the plurality of second embedding vectors by using The method may include determining a decision boundary including an intermediate coordinate of a vector, determining whether the target object is the registered object based on the decision boundary, and releasing a lock based on the determination result. .

Description

딥러닝 알고리즘을 활용하여 보관 장치에 대한 잠금을 해제하는 잠금 해제 방법 및 이를 수행하는 택배 보관 시스템{UNLOCKING METHOD FOR UNLOCKING A STORAGE DEVICE USING DEEP LEARNING ALGORITHM AND A STORAGE SYSTEM PERFORMING THE SAME}Unlocking method for unlocking storage device using deep learning algorithm and courier storage system that performs this

본 개시의 기술적 사상은 잠금 해제 방법 및 이를 수행하는 택배 보관 장치에 관한 것으로, 더욱 상세하게는 딥러닝 알고리즘을 활용하여 보관 장치에 대한 잠금을 해제하는 잠금 해제 방법 및 이를 수행하는 택배 보관 장치에 관한 것이다.The technical idea of the present disclosure relates to a lock release method and a parcel storage device performing the same, and more particularly, to a lock release method for unlocking a storage device using a deep learning algorithm and a parcel storage device performing the same. will be.

일반적으로, 택배는 구매 또는 전달하고자 하는 물품을 요청 장소까지 배달해주는 운송 서비스이다. 이러한 택배는 신속하면서 안전하게 배달하는 것이 주목적이지만 배달 장소에 아무도 없는 경우 제3자 물품 배달이 지연되는 문제점이 발생하게 되고, 이를 해결하기 위하여 택배 물품을 현관 앞에 두고 가거나 옆집, 경비실 또는 관리실 등에 대리 보관하게 된다.BACKGROUND OF THE INVENTION [0002] In general, home delivery is a transportation service that delivers goods to be purchased or delivered to a requested location. The main purpose of these couriers is to deliver quickly and safely, but if there is no one at the delivery location, the delivery of third-party goods is delayed. will do

그러나, 택배 물품을 현관 앞에 두거나 옆집, 경비실 또는 관리실 등에 대리 보관할 경우 차후에 방문하여 찾아와야 하는 불편이 따르고, 택배 물품의 구매 내용이나 신상 기록이 노출되는 문제가 있으며, 타인이 구매자임을 사칭하여 물품을 편취하여 물품 도난의 문제가 발생하기도 하는 등 등록 사용자를 확인하여 택배를 보관해주는 무인 택배함에 대한 필요성이 대두되었다. However, if you leave delivery items in front of the front door or store them in the next door, security office, or management office, there is the inconvenience of having to visit and retrieve them later, and there is a problem of exposing the purchase details or personal records of the delivery goods, and others pretending to be buyers to buy the goods. The need for an unmanned courier box that checks registered users and stores couriers has emerged, such as theft of goods by defrauding.

본 개시의 기술적 사상이 해결하려는 과제는 딥러닝 알고리즘을 활용하여 사용자가 등록된 사용자인지 여부를 확인함으로써 보관 장치의 잠금을 해제하는 잠금 해제 방법 및 이를 수행하는 택배 보관 장치를 제공하는데 있다. An object to be solved by the technical idea of the present disclosure is to provide a lock release method for unlocking a storage device by checking whether a user is a registered user using a deep learning algorithm and a courier storage device for performing the same.

상기와 같은 목적을 달성하기 위하여, 본 개시의 기술적 사상의 일측면에 따른 대상 객체에 대한 생체 정보를 기초로 잠금을 해제하는 잠금 해제 방법은 등록 객체에 포함되는 제1 객체에 대한 복수의 제1 임베딩 벡터들 및 상기 등록 객체에 포함되는 제2 객체에 대한 복수의 제2 임베딩 벡터들을 추출하는 단계, 상기 복수의 제1 임베딩 벡터들 및 상기 복수의 제2 임베딩 벡터들에 포함되는 복수의 차원들 중 서로 구분이 명확한 적어도 하나의 구분 차원을 결정하는 단계, 상기 적어도 하나의 구분 차원을 이용하여 상기 복수의 제1 임베딩 벡터들 중 적어도 하나의 제1 서포트 벡터 및 상기 복수의 제2 임베딩 벡터들 중 적어도 하나의 제2 서포트 벡터를 결정하는 단계, 상기 제1 서포트 벡터 및 상기 제2 서포트 벡터의 중간 좌표를 포함하는 결정 경계를 결정하는 단계, 상기 결정 경계를 기초로 상기 대상 객체가 상기 등록 객체인지 여부를 판단하는 단계 및 상기 판단 결과를 기초로 잠금을 해제하는 단계를 포함할 수 있다. In order to achieve the above object, a lock releasing method for unlocking a target object based on biometric information of a target object according to an aspect of the technical idea of the present disclosure provides a plurality of first objects for a first object included in a registered object. Extracting embedding vectors and a plurality of second embedding vectors for a second object included in the registration object, a plurality of dimensions included in the plurality of first embedding vectors and the plurality of second embedding vectors determining at least one division dimension that is clearly distinguishable from each other; and determining at least one first support vector among the plurality of first embedding vectors and among the plurality of second embedding vectors by using the at least one division dimension. Determining at least one second support vector; Determining a decision boundary including intermediate coordinates of the first support vector and the second support vector; Whether the target object is the registered object based on the decision boundary. It may include determining whether or not and releasing the lock based on the determination result.

일 실시예에 따르면, 적어도 하나의 제2 서포트 벡터를 결정하는 단계는, 상기 복수의 제1 임베딩 벡터들 중, 상기 구분 차원에 있어서, 상기 복수의 제2 임베딩 벡터들에 대해 가장 가까운 곳에 위치하는 적어도 하나의 제1 서포트 벡터를 결정하는 단계 및 상기 복수의 제2 임베딩 벡터들 중, 상기 구분 차원에 있어서, 상기 복수의 제2 임베딩 벡터들에 대해 가장 가까운 곳에 위치하는 적어도 하나의 제2 서포트 벡터를 결정하는 단계를 포함할 수 있다.According to an embodiment, the step of determining at least one second support vector may include: among the plurality of first embedding vectors, which is located closest to the plurality of second embedding vectors in the division dimension; Determining at least one first support vector, and among the plurality of second embedding vectors, at least one second support vector located closest to the plurality of second embedding vectors in the division dimension It may include the step of determining.

일 실시예에 따르면, 적어도 하나의 구분 차원을 결정하는 단계는, 상기 복수의 차원들 각각에 대해 상기 제1 임베딩 벡터들과 상기 제2 임베딩 벡터들의 좌표 거리를 계산하는 단계 및 상기 좌표 거리 중 미리 결정된 최소 거리 이상인 차원을 상기 구분 차원으로 결정하는 단계를 포함할 수 있다.According to an embodiment, the determining of at least one division dimension may include calculating a coordinate distance between the first embedding vectors and the second embedding vectors for each of the plurality of dimensions, and preliminarily among the coordinate distances. A step of determining a dimension equal to or greater than the determined minimum distance as the division dimension may be included.

일 실시예에 따르면, 상기 등록 객체인지 여부를 판단하는 단계는, 상기 대상 객체에 대한 복수의 특징 벡터들을 추출하는 단계, 상기 결정 경계를 기초로 상기 복수의 특징 벡터들이 상기 제1 객체 및 상기 제2 객체 중 대응되는 객체를 판단하는 단계, 상기 대응되는 객체에 대한 임베딩 벡터들과 상기 특징 벡터들 간의 유사도를 계산하는 단계 및 상기 유사도가 기준 값 이상인 경우, 상기 대상 객체를 등록 객체로 판단하는 단계를 포함할 수 있다.According to an embodiment, the determining whether the registered object may include extracting a plurality of feature vectors of the target object, and determining whether the plurality of feature vectors are the first object and the first object based on the decision boundary. Determining a corresponding object among 2 objects, calculating a similarity between embedding vectors for the corresponding object and the feature vectors, and determining the target object as a registered object when the similarity is greater than or equal to a reference value can include

일 실시예에 따르면, 상기 결정 경계를 결정하는 단계는, 상기 적어도 하나의 제1 서포트 벡터들에 대한 제1 평균 좌표를 결정하는 단계, 상기 적어도 하나의 제2 서포트 벡터들에 대한 제2 평균 좌표를 결정하는 단계 및 상기 제1 평균 좌표 및 상기 제2 평균 좌표를 이용하여 결정 경계를 결정하는 단계를 포함할 수 있다.According to an embodiment, the determining of the decision boundary may include determining a first average coordinate of the at least one first support vector, and a second average coordinate of the at least one second support vector. and determining a decision boundary using the first average coordinates and the second average coordinates.

일 실시예에 따르면, 상기 결정 경계를 결정하는 단계는, 상기 적어도 하나의 제1 서포트 벡터와 상기 결정 경계 사이의 제1 거리 및상기 적어도 하나의 제2 서포트 벡터와 상기 결정 경계 사이의 제2 거리의 합이 최소가 되도록 상기 결정 경계를 결정하는 단계를 포함하고, 상기 등록 객체인지 여부를 판단하는 단계는, 상기 대상 객체에 대응하는 복수의 특징 벡터들을 추출하는 단계, 상기 복수의 특징 벡터들과 상기 등록 객체에 대응하는 적어도 하나의 임베딩 벡터 사이의 거리를 계산하는 단계, 상기 계산된 거리를 기초로 상기 등록 객체 여부를 판단하는 단계를 포함할 수 있다. According to an embodiment, the determining of the decision boundary may include a first distance between the at least one first support vector and the decision boundary and a second distance between the at least one second support vector and the decision boundary. Determining the decision boundary such that the sum of is a minimum, and determining whether the registered object includes extracting a plurality of feature vectors corresponding to the target object, the plurality of feature vectors and The method may include calculating a distance between at least one embedding vector corresponding to the registration object, and determining whether the registration object exists based on the calculated distance.

일 실시예에 따르면, 상기 복수의 제2 임베딩 벡터들을 추출하는 단계는, 상기 제2 객체에 대한 복수의 이미지 데이터를 획득하는 단계 및 상기 복수의 이미지 데이터로부터 각각 상기 복수의 제2 임베딩 벡터들을 추출하는 단계를 포함할 수 있다. According to an embodiment, the extracting of the plurality of second embedding vectors may include obtaining a plurality of image data of the second object and extracting the plurality of second embedding vectors from the plurality of image data, respectively. steps may be included.

일 실시예에 따르면, 상기 등록 객체인지 여부를 판단하는 단계는, 상기 대상 객체의 이미지 데이터를 획득하는 단계, 상기 이미지 데이터로부터 상기 대상 객체의 얼굴을 검출하는 단계, 상기 얼굴로부터 복수의 특징 벡터들을 추출하는 단계, 상기 결정 경계를 기준으로 상기 특징 벡터가 상기 제1 객체 또는 상기 제2객체 중 어느 객체에 대응하는지 판단하는 단계 및 상기 판단된 객체에 대응하는 임베딩 벡터들 및 상기 특징 벡터들의 유사도를 기초로 상기 대상 객체가 등록 객체인지 여부를 판단하는 단계를 포함할 수 있다.According to an embodiment, the step of determining whether the registered object may include obtaining image data of the target object, detecting a face of the target object from the image data, and generating a plurality of feature vectors from the face. Extracting, determining whether the feature vector corresponds to either the first object or the second object based on the decision boundary, and determining the similarity between embedding vectors corresponding to the determined object and the feature vectors Based on this, determining whether the target object is a registered object may be included.

일 실시예에 따르면, 상기 얼굴을 검출하는 단계는, 상기 이미지 데이터를 미리 결정된 복수의 사이즈들로 리사이징함으로써 복수의 리사이징 이미지들을 획득하는 단계, 딥러닝 알고리즘을 활용하여 상기 복수의 리사이징 이미지들 각각에 대한 복수의 제안 바운딩 박스들을 획득하는 단계, 상기 복수의 제안 바운딩 박스들 중 유사한 바운딩 박스들을 기준으로 적어도 하나의 후보 바운딩 박스를 결정하는 단계, 상기 적어도 하나의 후보 바운딩 박스 중 얼굴 랜드마크가 검출되는지 여부를 기초로 최종 바운딩 박스를 결정하는 단계 및 상기 최종 바운딩 박스를 이용하여 얼굴을 검출하는 단계를 포함할 수 있다.According to an embodiment, the detecting of the face may include obtaining a plurality of resizing images by resizing the image data into a plurality of predetermined sizes, and applying a deep learning algorithm to each of the plurality of resizing images. Obtaining a plurality of proposed bounding boxes for the plurality of proposed bounding boxes, determining at least one candidate bounding box based on similar bounding boxes among the plurality of proposed bounding boxes, and determining whether a facial landmark is detected from among the at least one candidate bounding boxes. and determining a final bounding box based on whether or not the face is detected, and detecting a face using the final bounding box.

본 개시의 기술적 사상의 일측면에 따른 적어도 하나의 프로세서에 의해 대상 객체에 대한 생체 정보를 기초로 잠금을 해제하는 택배 보관 장치는, 등록 객체에 포함되는 제1 객체에 대한 복수의 제1 임베딩 벡터들 및 상기 등록 객체에 포함되는 제2 객체에 대한 복수의 제2 임베딩 벡터들을 추출하는 임베딩 벡터 추출부, 상기 복수의 제1 임베딩 벡터들 및 상기 복수의 제2 임베딩 벡터들에 포함되는 복수의 차원들 중 서로 구분이 명확한 적어도 하나의 구분 차원을 결정하는 구분 차원 결정부, 상기 적어도 하나의 구분 차원을 이용하여 상기 복수의 제1 임베딩 벡터들 중 적어도 하나의 제1 서포트 벡터 및 상기 복수의 제2 임베딩 벡터들 중 적어도 하나의 제2 서포트 벡터를 결정하는 서포트 벡터 결정부, 상기 제1 서포트 벡터 및 상기 제2 서포트 벡터의 중간 좌표를 포함하는 결정 경계를 결정하는 결정 경계 결정부, 상기 결정 경계를 기초로 상기 대상 객체가 상기 등록 객체인지 여부를 판단하는 대상 객체 판단부, 상기 판단 결과를 기초로 잠금을 해제하는 잠금 해제부를 포함할 수 있다. In accordance with one aspect of the technical concept of the present disclosure, a parcel delivery storage device that releases a lock based on biometric information on a target object by at least one processor includes a plurality of first embedding vectors for a first object included in a registered object. and an embedding vector extractor extracting a plurality of second embedding vectors for a second object included in the registration object, a plurality of dimensions included in the plurality of first embedding vectors and the plurality of second embedding vectors a division dimension determiner for determining at least one division dimension clearly distinguishable from each other; at least one first support vector among the plurality of first embedding vectors and the plurality of second support vectors by using the at least one division dimension; A support vector determiner for determining at least one second support vector among embedding vectors, a decision boundary determiner for determining a decision boundary including intermediate coordinates of the first support vector and the second support vector, It may include a target object determination unit that determines whether the target object is the registered object based on the registered object, and a lock release unit that unlocks the lock based on the determination result.

본 개시의 예시적 실시예에 따른 잠금 해제 방법 및 이를 수행하는 택배 보관 시스템에 따르면, 사용자에 대한 생체 인증을 활용하여 사용자가 등록된 사용자인지 확인하고, 확인된 사용자에 대해서만 보관 장치에 대한 잠금을 해제할 수 있고, 이에 따라서, 택배 서비스 이용에 신뢰성과 편의성이 증가할 수 있다. According to an unlocking method and a courier storage system performing the unlocking method according to an exemplary embodiment of the present disclosure, biometric authentication of a user is used to determine whether the user is a registered user, and the storage device is locked only for the confirmed user. It can be released, and accordingly, reliability and convenience in using the delivery service can be increased.

도 1은 본 개시의 예시적 실시예에 따른 택배 보관 시스템을 나타내는 도면이다.
도 2는 본 개시의 예시적 실시예에 따른 잠금 해제 방법을 나타내는 순서도이다.
도 3은 본 개시의 예시적 실시예에 따른 잠금 해제 방법을 나타내는 순서도이다.
도 4는 본 개시의 예시적 실시예에 따른 잠금 해제 방법을 나타내는 도면이다.
도 5는 본 개시의 예시적 실시예에 따른 잠금 해제 방법을 나타내는 도면이다.
도 6은 본 개시의 예시적 실시예에 따른 잠금 해제 방법을 나타내는 순서도이다.
도 7은 본 개시의 예시적 실시예에 따른 잠금 해제 방법을 나타내는 도면이다.
도 8은 본 개시의 예시적 실시예에 따른 잠금 해제 방법을 나타내는 순서도이다.
도 9는 본 개시의 예시적 실시예에 따른 잠금 해제 방법을 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따른 택배 보관 시스템을 포함하는 컴퓨팅 시스템을 나타내는 블록도이다.1 is a diagram illustrating a package storage system according to an exemplary embodiment of the present disclosure.
Fig. 2 is a flowchart illustrating a lock release method according to an exemplary embodiment of the present disclosure.
Fig. 3 is a flow chart illustrating a lock release method according to an exemplary embodiment of the present disclosure.
4 is a diagram illustrating a lock release method according to an exemplary embodiment of the present disclosure.
5 is a diagram illustrating a lock release method according to an exemplary embodiment of the present disclosure.
Fig. 6 is a flowchart illustrating a lock release method according to an exemplary embodiment of the present disclosure.
7 is a diagram illustrating a lock release method according to an exemplary embodiment of the present disclosure.
Fig. 8 is a flowchart illustrating a lock release method according to an exemplary embodiment of the present disclosure.
9 is a diagram illustrating a lock release method according to an exemplary embodiment of the present disclosure.
10 is a block diagram illustrating a computing system including a delivery storage system according to an embodiment of the present disclosure.

이하, 첨부한 도면을 참조하여 본 개시의 실시예에 대해 상세히 설명한다. 본 발명의 실시예는 당 업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위하여 제공되는 것이다. 본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용한다. 첨부된 도면에 있어서, 구조물들의 치수는 본 발명의 명확성을 기하기 위하여 실제보다 확대하거나 축소하여 도시한 것이다.Hereinafter, embodiments of the present disclosure will be described in detail with reference to the accompanying drawings. The embodiments of the present invention are provided to more completely explain the present invention to those skilled in the art. Since the present invention can have various changes and various forms, specific embodiments are illustrated in the drawings and described in detail. However, it should be understood that this is not intended to limit the present invention to the specific disclosed form, and includes all modifications, equivalents, and substitutes included in the spirit and scope of the present invention. In describing each figure, like reference numbers are used for like elements. In the accompanying drawings, the dimensions of the structures are shown enlarged or reduced than actual for clarity of the present invention.

본 개시에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 개시에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 본 개시에서 사용한 "제1~", "제2~" 와 같은 서수적인 표현은 "제1~"이 "제2~"보다 앞선 것임을 한정하지 않으며, 유사한 구성을 달리 구분하여 표현하기 위한 것으로 이해되어야 한다. 또한, 청구항에서 "제1~" 로 표현되었다고 하여 명세서 상의 "제1~"에 한정되어 해석되지 않고, "제1~" 내지 "제n~" 중 어느 하나를 지칭하도록 표현된 것임은 이해되어야 한다.Terms used in this disclosure are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In the present disclosure, terms such as "comprise" or "having" are intended to indicate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, but one or more other features It should be understood that it does not preclude the possibility of the presence or addition of numbers, steps, operations, components, parts, or combinations thereof. It is understood that ordinal expressions such as "first ~" and "second ~" used in the present disclosure do not limit that "first ~" precedes "second ~", and are intended to distinguish and express similar configurations differently. It should be. In addition, it should be understood that even though it is expressed as "first ~" in the claims, it is not construed as limited to "first ~" in the specification, and is expressed to refer to any one of "first ~" to "nth ~". do.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 갖는다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs. Terms such as those defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related art, and unless explicitly defined in this application, it should not be interpreted in an ideal or excessively formal meaning. don't

도 1은 본 개시의 예시적 실시예에 따른 택배 보관 시스템을 나타내는 도면이다.1 is a diagram illustrating a package storage system according to an exemplary embodiment of the present disclosure.

도 1을 참조하면, 택배 보관 시스템(10)는 사용자의 생체 정보를 기초로 인공지능을 활용하여 자동으로 잠금을 해제하기 위해 활용되는 각종 소프트웨어, 하드웨어를 포함할 수 있고, 일 실시예에서, 택배 보관 시스템(10)는 택배 보관 시스템(10)를 관리하는 관리 서버(Server) 및 상기 서버를 운용하는 운용 컴퓨터 등을 포함할 수 있고, 운송된 물건을 보관하는 택배 보관 장치를 포함할 수 있다. 관리 서버는 웹사이트, 어플리케이션(Application) 등의 응용 프로그램을 이용하여 택배 보관 시스템을 운용할 수 있다. 본 명세서에서 택배 보관 시스템(10) 또는 이에 포함된 관리 서버의 각 구성이 수행하는 동작은 실제로 택배 보관 시스템(10)에 포함된 저장 장치에 저장된 응용 프로그램이나 적어도 하나의 명령어를 이용하여 택배 보관 시스템(10)의 프로세서가 수행하는 동작일 수 있다.Referring to FIG. 1, the delivery storage system 10 may include various software and hardware used to automatically unlock the lock by using artificial intelligence based on the user's biometric information, and in one embodiment, the delivery service The storage system 10 may include a management server that manages the parcel storage system 10 and an operating computer that operates the server, and may include a parcel storage device for storing transported goods. The management server may operate the delivery storage system using an application program such as a website or an application (Application). In this specification, the operation performed by each component of the parcel storage system 10 or the management server included therein is actually a parcel storage system using an application program stored in a storage device included in the parcel storage system 10 or at least one command. It may be an operation performed by the processor of (10).

택배 보관 시스템(10)의 각 구성은 유무선으로 서로 통신 가능하도록 연결될 수 있고, 유선으로 연결되는 경우에, 택배 보관 시스템(10)에 포함되는 각 구성은 시리얼 방식을 이용하여 통신할 수 있고, 무선으로 연결되는 경우에, 택배 보관 시스템(10)에 포함되는 각 구성은 무선 통신망을 이용하여 서로 통신할 수 있고, 무선 통신망에는 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷(WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망, 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), 5GPP(5th Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), RF(Radio Frequency), 블루투스(Bluetooth) 네트워크, NFC(Near-Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.Each component of the courier storage system 10 may be connected to communicate with each other in a wired or wireless manner, and when connected by wire, each component included in the courier storage system 10 may communicate using a serial method, and wireless In the case of being connected to, each component included in the courier storage system 10 can communicate with each other using a wireless communication network, and the wireless communication network includes a local area network (LAN) and a wide area network (WAN). ), Internet (WWW: World Wide Web), wired and wireless data communication network, telephone network, wired and wireless television communication network, 3G, 4G, 5G, 3GPP (3rd Generation Partnership Project), 5GPP (5th Generation Partnership Project), LTE (Long Term Evolution), WIMAX (World Interoperability for Microwave Access), Wi-Fi, Internet, LAN (Local Area Network), Wireless LAN (Wireless Local Area Network), WAN (Wide Area Network), PAN (Personal Area Network) , RF (Radio Frequency), Bluetooth (Bluetooth) network, NFC (Near-Field Communication) network, satellite broadcasting network, analog broadcasting network, DMB (Digital Multimedia Broadcasting) network, etc. are included, but are not limited thereto.

택배 보관 시스템(10)은 객체 등록부(110), 대상 객체 판단부(120) 및 잠금 해제부(130)를 포함할 수 있다. 일 실시예에서, 택배 보관 시스템(10)에 포함되는 관리 서버는 객체 등록부(110) 및 대상 객체 판단부(120)의 동작을 수행할 수 있고, 택배 보관 장치는 잠금 해제부(130)의 동작을 수행할 수 있다. 또 다른 실시예에서, 택배 보관 시스템(10)에 포함되는 택배 보관 장치는 객체 등록부(110), 대상 객체 판단부(120) 및 잠금 해제부(130)의 동작을 수행할 수 있다.The delivery storage system 10 may include an object registration unit 110 , a target object determination unit 120 and a lock release unit 130 . In one embodiment, the management server included in the package storage system 10 may perform the operations of the object registration unit 110 and the target object determination unit 120, and the package storage device may operate the lock release unit 130. can be performed. In another embodiment, the parcel storage device included in the parcel storage system 10 may perform operations of the object registration unit 110 , the target object determination unit 120 and the unlocking unit 130 .

객체 등록부(110)는 정당한 사용자의 이미지 데이터를 이용하여 임베딩 벡터들(VT_E)을 추출하고, 추출한 임베딩 벡터들(VT_E)을 활용하여 결정 경계(DB)를 생성할 수 있다. 이를 위해, 객체 등록부(110)는 임베딩 벡터 추출부(111), 구분 차원 결정부(112), 서포트 벡터 결정부(113) 및 결정 경계 결정부(114)를 포함할 수 있다. The object registration unit 110 may extract embedding vectors VT_E using image data of a legitimate user, and may generate a decision boundary DB using the extracted embedding vectors VT_E. To this end, the object registration unit 110 may include an embedding vector extraction unit 111, a division dimension determination unit 112, a support vector determination unit 113, and a decision boundary determination unit 114.

본 명세서에서, 객체는 등록 사용자 또는 검증 대상이 사용자 등 잠금 해제 시스템(10)의 입력에 대응하는 사람 또는 동물의 신체 적어도 일부를 의미하고, 벡터는 객체에 대응하는 이미지 데이터를 입력으로 하여 딥러닝 알고리즘을 통해 획득한 출력 피쳐맵을 의미할 수 있다. 일 실시예에서, 벡터는 N(N은 자연수)개의 차원으로 구분될 수 있고, 일 예시에서, 128 X 1개의 차원으로 구분될 수 있다.In this specification, an object means at least a part of the body of a person or animal corresponding to an input of the unlocking system 10, such as a registered user or a user whose verification target is a user, and a vector is deep learning using image data corresponding to the object as an input. It may refer to an output feature map obtained through an algorithm. In one embodiment, a vector can be divided into N (N is a natural number) number of dimensions, and in one example, it can be divided into 128 X 1 dimensions.

본 명세서에서, 임베딩 벡터는 객체가 잠금 해제에 정당한 권리가 있는 등록 객체인지 판단하기 위해 활용되는 벡터를 의미하고, 결정 경계는 검증 대상이 되는 대상 객체를 구분하는 벡터 차원 상의 구분 경계를 의미하고, 서포트 벡터는 복수의 임베딩 벡터들 중 결정 경계의 기준이 되는 벡터를 의미할 수 있다. 또한, 구분 차원은 임베딩 벡터들의 N개의 차원들 중 결정 경계를 구분하는데 활용되는 차원을 의미할 수 있다.In this specification, an embedding vector means a vector used to determine whether an object is a registered object with a legitimate right to unlock, and a decision boundary means a division boundary on a vector dimension that separates target objects to be verified, The support vector may refer to a vector serving as a standard for a decision boundary among a plurality of embedding vectors. In addition, the division dimension may refer to a dimension used to distinguish a decision boundary among N dimensions of embedding vectors.

임베딩 벡터 추출부(111)는 잠금 해제에 정당한 권리를 갖는 등록 객체에 대한 생체 정보를 포함하는 등록 이미지 데이터(IMG_RO)를 수신할 수 있다. 일 실시예에서, 임베딩 벡터 추출부(111)는 하나의 등록 객체에 대해 서로 다른 모습을 촬영한 복수의 등록 이미지 데이터들(IMG_RO)을 수신할 수 있다. 임베딩 벡터 추출부(111)는 딥러닝 알고리즘을 기초로 등록 이미지 데이터(IMG_RO)를 입력으로 하여 임베딩 벡터(VT_E)를 생성할 수 있다. The embedding vector extractor 111 may receive registered image data IMG_RO including biometric information about a registered object having a legitimate right to unlock. In one embodiment, the embedding vector extractor 111 may receive a plurality of registration image data IMG_RO in which different images of one registration object are photographed. The embedding vector extractor 111 may generate the embedding vector VT_E by using the registered image data IMG_RO as an input based on a deep learning algorithm.

일 실시예에서, 상기 딥러닝 알고리즘은 컨볼루션 뉴럴 네트워크(Convolutional Neural Networks, CNN), 리커런트 뉴럴 네트워크(Recurrent Neural Networks, RNN), Deep Belief Networks, Restricted Boltzman Machines, KNN(K-Near Neighbor), SVM(Support Vector Machine), SVC(Support Vector Classification), SVR(Support Vector Regression), Linear Support Vector Classifier, FaceNet, Multi-task cascaded CNN 등을 포함할 수 있고, 상술한 모델들 중 적절한 기능을 수행하는 모델이 택배 보관 시스템(10)의 동작을 위해 활용될 수 있다. In one embodiment, the deep learning algorithm includes Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), Deep Belief Networks, Restricted Boltzman Machines, KNN (K-Near Neighbor), It may include Support Vector Machine (SVM), Support Vector Classification (SVC), Support Vector Regression (SVR), Linear Support Vector Classifier, FaceNet, Multi-task cascaded CNN, etc., and performs appropriate functions among the above models. A model may be utilized for the operation of the delivery storage system 10 .

일 실시예에서, 임베딩 벡터(VT_E)는 하나의 등록 이미지 데이터에 대응될 있고, 객체 등록부(110)는 객체에 대한 등록을 위해 하나의 객체에 대해 복수의 등록 이미지 데이터들을 요구함으로써 복수의 임베딩 벡터들(VT_E)을 추출할 수 있다. 또한, 객체 등록부(110)는 추출한 복수의 임베딩 벡터들(VT_E)을 데이터 베이스(미도시)에 저장할 수 있다. In one embodiment, the embedding vector VT_E may correspond to one registration image data, and the object registration unit 110 requests a plurality of registration image data for one object to register the object, thereby providing a plurality of embedding vectors. VT_E can be extracted. Also, the object registration unit 110 may store the extracted embedding vectors VT_E in a database (not shown).

구분 차원 결정부(112)는 임베딩 벡터(VT_E)로부터 구분 차원(DD)을 결정할 수 있다. 일 실시예에서, 구분 차원 결정부(112)는 임베딩 벡터(VT_E)를 구성하는 복수의 차원들 중 다른 등록 객체에 대응하는 임베딩 벡터(VT_E)와 구분이 명확한 차원을 구분 차원(DD)으로서 결정할 수 있으며, 도 4에서 이에 대해 상세하게 후술한다.The segmentation dimension determiner 112 may determine the segmentation dimension DD from the embedding vector VT_E. In one embodiment, the segmentation dimension determiner 112 determines a dimension clearly distinguished from the embedding vector VT_E corresponding to another registered object among a plurality of dimensions constituting the embedding vector VT_E as the segmentation dimension DD. This may be described later in detail in FIG. 4 .

서포트 벡터 결정부(113)는 임베딩 벡터들(VT_E) 및 구분 차원(DD)을 기초로 임베딩 벡터들(VT_E) 중 서포트 벡터(VT_S)를 결정할 수 있다. 일 실시예에서, 서포트 벡터 결정부(113)는 임베딩 벡터들(VT_E) 중 다른 등록 객체에 대응하는 임베딩 벡터들과 가장 가까운 임베딩 벡터를 서포트 벡터(VT_S)로서 결정할 수 있고, 이에 대해서는 도 5에서 상세하게 후술한다. The support vector determiner 113 may determine the support vector VT_S among the embedding vectors VT_E based on the embedding vectors VT_E and the division dimension DD. In an embodiment, the support vector determiner 113 may determine, as the support vector VT_S, an embedding vector closest to embedding vectors corresponding to other registered objects among the embedding vectors VT_E, as the support vector VT_S. It will be described in detail later.

결정 경계 결정부(114)는 서포트 벡터(VT_S)를 수신하고, 서포트 벡터(VT_S)를 기초로 결정 경계(DB)를 결정할 수 있다. 일 실시예에서, 결정 경계 결정부(114)는 서로 다른 등록 객체에 대응하는 복수의 서포트 벡터들(VT_S)의 중간 좌표(중점)를 포함하도록 결정 경계(DB)를 결정할 수 있고, 이에 대해서는 도 5에서 상세하게 후술한다. The decision boundary determiner 114 may receive the support vector VT_S and determine the decision boundary DB based on the support vector VT_S. In one embodiment, the decision boundary determiner 114 may determine the decision boundary DB to include intermediate coordinates (midpoints) of the plurality of support vectors VT_S corresponding to different registered objects. It is described later in detail in 5.

대상 객체 판단부(120)는 등록 객체의 등록 이후, 대상 객체에 대한 타겟 이미지 데이터(IMG_TO)를 이용하여 대상 객체가 택배 잠금 장치에 대한 잠금 해제 권한을 가진 등록 객체인지 판단할 수 있다. 이를 위해, 대상 객체 판단부(120)는 얼굴 검출부(121), 특징 벡터 추출부(122), 대응 객체 판단부(123) 및 유사도 판단부(124)를 포함할 수 있다.After registration of the registered object, the target object determination unit 120 may determine whether the target object is a registered object having unlocking authority for the delivery lock device by using the target image data (IMG_TO) of the target object. To this end, the target object determination unit 120 may include a face detection unit 121, a feature vector extraction unit 122, a corresponding object determination unit 123, and a similarity determination unit 124.

본 명세서에서, 대상 객체는 잠금 해제를 시도하여 검증의 대상이 되는 객체를 의미할 수 있고, 타겟 이미지 데이터(IMG_TO)는 대상 객체에 대한 생체 정보를 포함하는 이미지 데이터일 수 있다. 또한, 특징 벡터(VT_F)는 타겟 이미지 데이터(IMG_TO)에 대응하는 벡터를 의미할 수 있고, 대응 객체는 결정 경계를 기초로 판단된 대상 객체에 대응하는 등록 객체를 의미할 수 있다. 또한, 유사도는 대응 객체에 대응되는 임베딩 벡터와 대상 객체에 대응하는 임베딩 벡터가 유사한 정도를 의미할 수 있다. In the present specification, the target object may refer to an object to be verified by attempting unlocking, and the target image data IMG_TO may be image data including biometric information of the target object. Also, the feature vector VT_F may mean a vector corresponding to the target image data IMG_TO, and the corresponding object may mean a registered object corresponding to a target object determined based on the decision boundary. Also, the degree of similarity may mean a degree of similarity between an embedding vector corresponding to a corresponding object and an embedding vector corresponding to a target object.

얼굴 검출부(121)는 딥러닝 알고리즘을 활용하여 타겟 이미지 데이터(IMG_TO)로부터 대상 객체의 얼굴을 검출하고, 얼굴 부위에 대응하는 바운딩 박스(BO_F)를 결정할 수 있다. 바운딩 박스(BO_F)의 결정 방법에 대해서는 도 9에서 상세하게 후술한다. 도 1에서는 얼굴 검출의 실시예를 도시하고 있으나, 이는 일 실시예이고, 본 개시의 기술적 사상은 객체를 구별할 수 있는 각종 생체 정보(예를 들면, 얼굴, 지문, 홍채 등)에도 적용될 수 있음은 당연하다.The face detector 121 may detect the face of the target object from the target image data IMG_TO by using a deep learning algorithm and determine a bounding box BO_F corresponding to the face part. A method of determining the bounding box BO_F will be described later in detail with reference to FIG. 9 . 1 shows an embodiment of face detection, but this is only one embodiment, and the technical idea of the present disclosure can be applied to various biometric information (eg, face, fingerprint, iris, etc.) capable of distinguishing objects is natural

특징 벡터 추출부(122)는 딥러닝 알고리즘을 활용하여 바운딩 박스(BO_F)를 기초로 타겟 이미지 데이터(IMG_TO)에 대한 특징 벡터(VT_F)를 추출할 수 있다. 대응 객체 판단부(123)는 객체 등록부(110)로부터 수신한 결정 경계(DB)를 기초로 특징 벡터(VT_F)에 대응하는 임베딩 벡터(VT_E)를 결정할 수 있고, 임베딩 벡터(VT_E)에 대응하는 등록 객체를 대응 객체(CO)로서 판단할 수 있다. The feature vector extractor 122 may extract the feature vector VT_F of the target image data IMG_TO based on the bounding box BO_F by using a deep learning algorithm. The corresponding object determining unit 123 may determine an embedding vector VT_E corresponding to the feature vector VT_F based on the decision boundary DB received from the object registration unit 110, and may determine the embedding vector VT_E corresponding to the embedding vector VT_E. A registered object may be determined as a corresponding object (CO).

유사도 판단부(124)는 대응 객체(CO)에 대응하는 임베딩 벡터(VT_E)를 데이터 베이스로부터 수신하고(미도시), 특징 벡터(VT_F)를 수신하고, 특징 벡터(VT_F)와 임베딩 벡터(VT_E)의 유사도를 계산할 수 있다. 이에 대해서는 도 7에서 상세하게 후술한다. 유사도 판단부(124)는 계산한 유사도가 미리 결정된 기준 이상인 경우, 잠금 해제 신호(Sig_UL)를 잠금 해제부(130)에 출력할 수 있다. 잠금 해제부(130)는 이에 대응하여 택배 보관 장치에 대한 잠금을 해제할 수 있다.The similarity determining unit 124 receives an embedding vector VT_E corresponding to the corresponding object CO from a database (not shown), receives a feature vector VT_F, and receives the feature vector VT_F and the embedding vector VT_E. ) can be calculated. This will be described later in detail with reference to FIG. 7 . The similarity determination unit 124 may output a lock release signal Sig_UL to the lock release unit 130 when the calculated similarity is greater than or equal to a predetermined standard. The lock release unit 130 may release the lock of the delivery storage device in response thereto.

일 실시예에서, 잠금 해제 신호(Sig_UL)는 대응 객체(CO)에 대한 각종 정보를 포함할 수 있고, 잠금 해제부(130)는 상기 정보를 표시 장치(예를 들면, LCD 모니터, 터치 스크린 등)에 디스플레이 할 수 있다. In one embodiment, the lock release signal Sig_UL may include various types of information about the corresponding object CO, and the lock release unit 130 displays the information on a display device (eg, an LCD monitor, a touch screen, etc.) ) can be displayed.

본 개시의 기술적 사상에 따르면, 대상 객체의 생체 정보를 기초로 택배 보관 장치를 잠금 해제할 수 있는 택배 보관 시스템을 제공함으로써, 사용자가 별도의 잠금 해제 수단(예를 들면, 키, 비밀 번호 등)이 없이도 택배 보관 장치에 대한 잠금을 해제할 수 있고, 사용자의 택배 활용에 대한 편의성이 증대될 수 있다. 또한, 택배 보관 시스템은 결정 경계, 서포트 벡터, 유사도 등을 활용하여 잠금을 해제함으로써 정당한 권리자에 대해서만 잠금 해제가 가능할 수 있고, 잠금 해제에 대한 사용자의 신뢰도가 증가할 수 있다.According to the technical idea of the present disclosure, by providing a parcel storage system capable of unlocking a parcel storage device based on biometric information of a target object, a user can use a separate unlocking means (eg, key, password, etc.) Even without this, it is possible to unlock the parcel delivery storage device, and the user's convenience for using the parcel delivery service may be increased. In addition, the delivery storage system may release locks by utilizing decision boundaries, support vectors, similarities, etc., so that locks can be unlocked only for legitimate holders, and the user's confidence in unlocking can be increased.

도 2는 본 개시의 예시적 실시예에 따른 잠금 해제 방법을 나타내는 순서도이다. 도 1과 중복되는 내용은 생략한다.Fig. 2 is a flowchart illustrating a lock release method according to an exemplary embodiment of the present disclosure. Content overlapping with FIG. 1 is omitted.

도 1 및 도 2를 참조하면, 잠금 해제 방법(S1)은 등록 객체를 이용하여 결정 경계를 획득하는 등록 단계(S10), 결정 경계를 이용하여 대상 객체가 등록 객체인지 여부를 판단하는 검증 단계(S20), 판단 결과를 기초로 잠금을 해제하는 잠금 해제 단계(S30)를 포함할 수 있다.1 and 2, the unlocking method (S1) includes a registration step (S10) of acquiring a decision boundary using a registered object, and a verification step (using the decision boundary) to determine whether a target object is a registered object ( S20), and a lock releasing step (S30) of releasing the lock based on the determination result.

등록 단계(S10)에서, 택배 보관 시스템(10)은 등록 객체로부터 임베딩 벡터들(VT_E)을 획득하고, 임베딩 벡터들(VT_E)을 이용하여 객체의 판단 기준이 되는 결정 경계(DB)를 생성할 수 있다. 이에 관해서는 도 3에서 상세하게 후술한다.In the registration step (S10), the delivery storage system 10 obtains embedding vectors (VT_E) from the registered object, and uses the embedding vectors (VT_E) to generate a decision boundary (DB) that is a criterion for object determination. can This will be described later in detail with reference to FIG. 3 .

검증 단계(S20)에서, 택배 보관 시스템(10)은 결정 경계(DB)를 이용하여 검증 대상이 되는 대상 객체가 잠금 해제 권한을 갖는 등록 객체인지 판단할 수 있다. 이에 관해서는 도 6에서 상세하게 후술한다.In the verification step (S20), the courier storage system 10 may determine whether the target object to be verified is a registered object having unlock authority by using the decision boundary (DB). This will be described later in detail with reference to FIG. 6 .

잠금 해제 단계(S30)에서, 검증 단계(S20) 결과 대상 객체가 등록 객체인 것으로 판단되면, 잠금 장치의 잠금을 해제할 수 있다(S30). 이에 따라서, 사용자가 택배 보관 장치 내에 있는 택배를 찾아갈 수 있다.In the lock release step (S30), if it is determined that the target object is a registered object as a result of the verification step (S20), the lock of the locking device may be released (S30). Accordingly, the user can find the parcel in the parcel storage device.

도 3은 본 개시의 예시적 실시예에 따른 잠금 해제 방법을 나타내는 순서도이다. 상세하게는 도 3은 도 2의 등록 단계(S10)를 나타낸다. 도 1과 중복되는 내용은 생략한다.Fig. 3 is a flow chart illustrating a lock release method according to an exemplary embodiment of the present disclosure. In detail, FIG. 3 shows the registration step (S10) of FIG. Content overlapping with FIG. 1 is omitted.

도 1 및 도 3을 참조하면, 택배 보관 시스템(10)은 등록 객체에 대응하는 등록 이미지 데이터(Img_RO)를 획득할 수 있다(S110). 일 예시에서, 등록 이미지 데이터(Img_RO)는 등록 객체의 얼굴을 다양한 각도에서 촬영한 사진에 대응될 수 있다. Referring to FIGS. 1 and 3 , the delivery storage system 10 may obtain registered image data (Img_RO) corresponding to a registered object (S110). In one example, the registration image data (Img_RO) may correspond to photos of the face of the registration object taken from various angles.

택배 보관 시스템(10)은 등록 이미지 데이터(Img_RO)로부터 복수의 임베딩 벡터들(VT_E)을 추출할 수 있다(S120). 일 실시예에서, 택배 보관 시스템(10)은 딥러닝 알고리즘(예를 들면, FaceNet)을 활용하여 등록 이미지 데이터(Img_RO)에 포함되는 얼굴의 특징점(예를 들면, 눈썹 끝, 눈, 입술 끝 등)에 대응되는 복수의 임베딩 벡터들(VT_E)을 추출할 수 있다.The delivery storage system 10 may extract a plurality of embedding vectors VT_E from the registered image data Img_RO (S120). In one embodiment, the delivery storage system 10 utilizes a deep learning algorithm (eg, FaceNet) to utilize facial feature points (eg, eyebrow tips, eyes, lip tips, etc.) included in the registered image data (Img_RO). ), a plurality of embedding vectors VT_E corresponding to may be extracted.

택배 보관 시스템(10)은 복수의 임베딩 벡터들(VT_E)을 기초로 서로 구분이 명확한 구분 차원(DD)을 결정할 수 있다(S130). 일 실시예에서, 택배 보관 시스템(10)은 제1 등록 객체에 대응되는 제1 임베딩 벡터들과 제2 등록 객체에 대응하는 제2 임베딩 벡터들에 있어서, 임베딩 벡터들에 포함되는 복수의 차원들 각각에 대해서 제1 임베딩 벡터들과 제2 임베딩 벡터들의 좌표 거리를 계산하고, 계산된 좌표 거리 중 미리 결정된 최소 거리 이상인 차원을 구분 차원(DD)으로 결정할 수 있다. The delivery storage system 10 may determine a division dimension (DD) that is clearly distinguished from each other based on the plurality of embedding vectors (VT_E) (S130). In one embodiment, the delivery storage system 10 includes a plurality of dimensions included in the embedding vectors in the first embedding vectors corresponding to the first registered object and the second embedding vectors corresponding to the second registered object. Coordinate distances of the first embedding vectors and the second embedding vectors may be calculated for each, and a dimension equal to or greater than a predetermined minimum distance among the calculated coordinate distances may be determined as the division dimension DD.

본 개시의 일 실시예에 따르면, 임베딩 벡터들에 포함된 수많은 차원들 중 차원 별로 객체 구분이 명확한 차원을 구분 차원(DD)으로 결정함으로써 결정 경계를 결정하기 위한 계산량이 줄어들면서도 대상 객체를 구별하기 위해 충분한 구별력을 확보할 수 있다.According to an embodiment of the present disclosure, by determining a dimension in which objects can be clearly distinguished for each dimension among numerous dimensions included in embedding vectors as a division dimension (DD), it is possible to distinguish a target object while reducing a computational amount for determining a decision boundary. sufficient discrimination can be obtained.

택배 보관 시스템(10)은 구분 차원(DD)을 이용하여 복수의 임베딩 벡터들(VT_E) 중 미리 결정된 기준을 만족하는 서포트 벡터(VT_S)를 결정할 수 있다(S140). 일 실시예에서, 택배 보관 시스템(10)은 제1 등록 객체에 대응되는 제1 임베딩 벡터들과 제2 등록 객체에 대응하는 제2 임베딩 벡터들에 있어서, 구분 차원(DD)에 대해 제1 임베딩 벡터들 중 제2 임베딩 벡터들에 대해 가장 가까운 곳에 위치하는 N(N은 자연수)개의 벡터를 제1 서포트 벡터로 결정하고, 제2 임베딩 벡터들 중 제1 임베딩 벡터들에 대해 가장 가까운 곳에 위치하는 N개의 벡터를 제2 서포트 벡터로 결정할 수 있다.The package storage system 10 may determine a support vector VT_S satisfying a predetermined criterion among a plurality of embedding vectors VT_E using the division dimension DD (S140). In one embodiment, the courier storage system 10 includes the first embedding vectors corresponding to the first registered object and the second embedding vectors corresponding to the second registered object, for the division dimension DD. N (N is a natural number) vectors located closest to the second embedding vectors among the vectors are determined as first support vectors, and located closest to the first embedding vectors among the second embedding vectors N vectors may be determined as second support vectors.

택배 보관 시스템(10)은 결정된 서포트 벡터(VT_S)를 활용하여 결정 경계(DB)를 결정할 수 있다(S150). 일 실시예에서, 결정 경계(DB)는 복수의 서포트 벡터들의 중간 좌표(중점)을 포함하도록 결정 경계를 결정할 수 있다. 일 실시예에서, 등록 객체별로 복수의 서포트 벡터들을 결정할 수 있고, 복수의 서포트 벡터들에 대한 객체 별 평균 좌표를 계산하고, 계산된 평균 좌표를 잇는 직선을 법선으로 하도록 결정 경계(DB)를 결정할 수 있다. 일 실시예에서, 결정 경계(DB)는 SVR 알고리즘에 따라서, 복수의 서포트 벡터들과 결정 경계(DB) 사이의 거리의 합이 최소가 되도록 결정 경계(DB)가 결정될 수 있다. The delivery storage system 10 may determine a decision boundary DB by utilizing the determined support vector VT_S (S150). In an embodiment, the decision boundary DB may determine the decision boundary to include intermediate coordinates (midpoints) of the plurality of support vectors. In one embodiment, a plurality of support vectors may be determined for each registered object, average coordinates for each object for the plurality of support vectors are calculated, and a decision boundary (DB) is determined so that a straight line connecting the calculated average coordinates is a normal line. can In an embodiment, the decision boundary DB may be determined according to the SVR algorithm so that the sum of the distances between the plurality of support vectors and the decision boundary DB is minimized.

본 개시의 일 실시예에 따르면, 서포트 벡터(VT_S)를 활용하여 결정 경계(DB)를 결정하고 이를 이용하여 대상 객체에 대한 대응 객체를 결정함으로써 전체 임베딩 벡터를 활용하지 않고 대표성이 있는 서포트 벡터를 활용하여 연산을 수행할 수 있고, 적은 계산량으로 잠금 해제 방법이 수행됨에 따라서 연산에 필요한 각종 리소스(하드웨어 자원, 시간)이 줄어들 수 있다.According to an embodiment of the present disclosure, a decision boundary (DB) is determined using the support vector (VT_S) and a corresponding object for the target object is determined using the support vector (VT_S), thereby obtaining a representative support vector without utilizing the entire embedding vector. As the lock release method is performed with a small amount of calculation, various resources (hardware resources, time) required for the calculation may be reduced.

도 4는 본 개시의 예시적 실시예에 따른 잠금 해제 방법을 나타내는 도면이다. 상세하게는 도 4는 도 3의 구분 차원 결정 방법(S130)을 나타낸다.4 is a diagram illustrating a lock release method according to an exemplary embodiment of the present disclosure. In detail, FIG. 4 shows the division dimension determination method ( S130 ) of FIG. 3 .

도 4를 참조하면, 제1 등록 객체에 대한 복수의 제1 임베딩 벡터들(VT_E1) 및 제2 등록 객체에 대한 복수의 제2 임베딩 벡터들(VT_E2)이 추출될 수 있다. 도 4에서는, 등록 객체 별로 두 개의 등록 이미지 데이터들로부터 두 개의 임베딩 벡터들이 각각 추출되고, 각 임베딩 벡터들은 7개의 차원이 포함되는 예시가 도시되어 있으나, 이는 일 예시이고, 두 개보다 많거나 적은 임베딩 벡터들이나 7개의 차원보다 많거나 적은 차원이 잠금 해제 방법에 활용될 수 있다. Referring to FIG. 4 , a plurality of first embedding vectors VT_E1 for a first registration object and a plurality of second embedding vectors VT_E2 for a second registration object may be extracted. 4 shows an example in which two embedding vectors are extracted from two registered image data for each registered object and each embedding vector includes 7 dimensions, but this is an example and more or less than two. Embedding vectors or dimensions more or less than 7 dimensions may be utilized in the unlocking method.

도 4의 예시에서, 제1 차원(DM1), 제6 차원(DM6) 및 제7 차원(DM7)에서 제1 임베딩 벡터들(VT_E1)과 제2 임베딩 벡터들(VT_E2)이 구분되는 값을 가질 수 있고, 제1 차원(DM1) 및 제6 차원(DM6)에서 그 구분되는 차이가 미리 결정된 차이 이상일 수 있다. 따라서, 택배 보관 시스템(10)은 제1 차원(DM1) 및 제6 차원(DM6)을 구분 차원(DD1, DD2)로 결정할 수 있다.In the example of FIG. 4 , the first embedding vectors VT_E1 and the second embedding vectors VT_E2 have distinct values in the first dimension DM1, the sixth dimension DM6, and the seventh dimension DM7. The difference between the first dimension DM1 and the sixth dimension DM6 may be greater than or equal to a predetermined difference. Accordingly, the package storage system 10 may determine the first dimension DM1 and the sixth dimension DM6 as the division dimensions DD1 and DD2.

도 5는 본 개시의 예시적 실시예에 따른 잠금 해제 방법을 나타내는 도면이다. 상세하게는 도 5는 도 3의 서포트 벡터 결정 방법(S140)을 나타낸다. 도 5의 가로 축은 제1 구분 차원(DD1)의 벡터 값을 나타내고, 세로 축은 제2 구분 차원(DD2)의 벡터 값을 나타낼 수 있다.5 is a diagram illustrating a lock release method according to an exemplary embodiment of the present disclosure. In detail, FIG. 5 shows the support vector determining method ( S140 ) of FIG. 3 . A horizontal axis of FIG. 5 may represent a vector value of the first division dimension DD1, and a vertical axis may represent a vector value of the second division dimension DD2.

도 5에서는, 등록 객체 별로 네 개의 등록 이미지 데이터들로부터 네 개의 임베딩 벡터들이 각각 추출되고, 네 개의 임베딩 벡터 중 한 개의 서포트 벡터가 결정되는 예시가 도시되어 있으나, 이는 일 예시이고, 네 개보다 많거나 적은 임베딩 벡터들이나 한 개보다 많은 서포트 벡터가 잠금 해제 방법에 활용될 수 있다. In FIG. 5, an example is shown in which four embedding vectors are extracted from four registered image data for each registered object and one support vector is determined among the four embedding vectors, but this is an example, and there are more than four. Alternatively, fewer embedding vectors or more than one support vector may be utilized in the unlocking method.

도 1 및 도 5를 참조하면, 택배 보관 시스템(10)은 제1 임베딩 벡터들(VT_E1) 중 제2 임베딩 벡터들(VT_E2)에 가장 가까운 벡터를 제1 서포트 벡터(VT_S1)로서 결정할 수 있고, 제2 임베딩 벡터들(VT_E2) 중 제1 임베딩 벡터들(VT_E1)에 가장 가까운 벡터를 제2 서포트 벡터(VT_S2)로서 결정할 수 있다. 도시되지는 않았지만 또 다른 실시예에서, 택배 보관 시스템(10)은 제1 임베딩 벡터들(VT_E1) 중 제2 임베딩 벡터들(VT_E2)에 가장 먼 벡터를 제1 서포트 벡터(VT_S1)로서 결정할 수 있고, 제2 임베딩 벡터들(VT_E2) 중 제1 임베딩 벡터들(VT_E1)에 가장 먼 벡터를 제2 서포트 벡터(VT_S2)로서 결정할 수 있다. 실시예들에 따라서 서포트 벡터를 결정하는 방법은 다양하게 결정될 수 있다.1 and 5, the package storage system 10 may determine a vector closest to the second embedding vectors VT_E2 among the first embedding vectors VT_E1 as the first support vector VT_S1, Among the second embedding vectors VT_E2, a vector closest to the first embedding vectors VT_E1 may be determined as the second support vector VT_S2. Although not shown, in another embodiment, the package storage system 10 may determine a vector farthest from the second embedding vectors VT_E2 among the first embedding vectors VT_E1 as the first support vector VT_S1, , A vector furthest from the first embedding vectors VT_E1 among the second embedding vectors VT_E2 may be determined as the second support vector VT_S2. According to embodiments, a method of determining a support vector may be determined in various ways.

택배 보관 시스템(10)은 제1 서포트 벡터(VT_S1)와 제2 서포트 벡터(VT_S2)을 잇는 직선을 법선으로 하고, 제1 서포트 벡터(VT_S1)와 제2 서포트 벡터(VT_S2)의 중점을 지나는 직선을 결정 경계(DB)로서 결정할 수 있다. In the delivery storage system 10, a straight line connecting the first support vector VT_S1 and the second support vector VT_S2 is a normal line, and a straight line passing through the midpoint of the first support vector VT_S1 and the second support vector VT_S2. can be determined as a decision boundary (DB).

본 개시의 일 실시예에서, 복수의 차원 중 구분 차원(DD)을 결정하고, 복수의 임베딩 벡터들 중 서포트 벡터(VT_S)를 결정하여, 결정 경계(DB)을 결정함으로써 등록 과정에 소요되는 계산 리소스가 획기적으로 감소할 수 있고, 이에 따라서 빠르고 정확한 잠금 해제가 가능할 수 있다.In one embodiment of the present disclosure, the calculation required for the registration process by determining a division dimension (DD) among a plurality of dimensions, determining a support vector (VT_S) among a plurality of embedding vectors, and determining a decision boundary (DB). Resources may be drastically reduced, and accordingly, fast and accurate unlocking may be possible.

도 6은 본 개시의 예시적 실시예에 따른 잠금 해제 방법을 나타내는 순서도이다. 상세하게는 도 6은 도 2의 검증 단계(S20)를 나타낸다. 도 1과 중복되는 내용은 생략한다.Fig. 6 is a flowchart illustrating a lock release method according to an exemplary embodiment of the present disclosure. In detail, FIG. 6 shows the verification step (S20) of FIG. Content overlapping with FIG. 1 is omitted.

도 1 및 도 6을 참조하면, 택배 보관 시스템(10)은 대상 객체로부터 타겟 이미지 데이터(Img_TO)를 획득할 수 있고(S210), 딥러닝 알고리즘을 활용하여 타겟 이미지 데이터(Img_TO)로부터 대상 객체의 얼굴을 검출할 수 있다(S220). 대상 객체 검출 방법에 관해서는 도 8 및 도 9에서 상세하게 후술한다.1 and 6, the courier storage system 10 may acquire target image data (Img_TO) from the target object (S210), and use a deep learning algorithm to obtain the target image data (Img_TO) from the target image data (Img_TO). A face may be detected (S220). The target object detection method will be described later in detail with reference to FIGS. 8 and 9 .

택배 보관 시스템(10)은 검출한 얼굴로부터 복수의 특징 벡터들(VT_F)을 추출할 수 있다(S230). 택배 보관 시스템(10)은 추출한 복수의 특징 벡터들(VT_F)에 대해서 결정 경계(DD)를 기초로 대응되는 등록 객체를 판단할 수 있다(S240). 결정 경계(DD)를 기초로 대응되는 등록 객체를 판단하는 방법은 도 7에서 상세하게 후술한다. The delivery storage system 10 may extract a plurality of feature vectors VT_F from the detected face (S230). The delivery storage system 10 may determine a corresponding registration object based on the decision boundary DD for the extracted feature vectors VT_F (S240). A method of determining a corresponding registered object based on the decision boundary (DD) will be described later in detail with reference to FIG. 7 .

택배 보관 시스템(10)은 등록 객체에 대응하는 임베딩 벡터 및 특징 벡터 간의 유사도를 계산할 수 있다(S250). 일 실시예에서, 택배 보관 시스템(10)은 임베딩 벡터와 특징 벡터 간의 차원별 값 차이를 기초로 유사도 값을 계산할 수 있다. The delivery storage system 10 may calculate the similarity between the embedding vector and the feature vector corresponding to the registered object (S250). In one embodiment, the delivery storage system 10 may calculate a similarity value based on a difference in value for each dimension between an embedding vector and a feature vector.

택배 보관 시스템(10)은 계산한 유사도를 기초로 대상 객체가 등록 객체인지 판별할 수 있다(S260). 일 실시예에서, 계산한 유사도가 미리 결정된 기준 값 이상인 경우, 택배 보관 시스템(10)은 대상 객체를 등록 객체로 판단할 수 있다.The courier storage system 10 may determine whether the target object is a registered object based on the calculated similarity (S260). In one embodiment, when the calculated similarity is greater than or equal to a predetermined reference value, the delivery storage system 10 may determine the target object as a registered object.

도 7은 본 개시의 예시적 실시예에 따른 잠금 해제 방법을 나타내는 도면이다. 상세하게는 도 7는 도 6의 등록 객체 판단 방법(S240)을 나타낸다. 도 7의 가로 축은 제1 구분 차원(DD1)의 벡터 값을 나타내고, 세로 축은 제2 구분 차원(DD2)의 벡터 값을 나타낼 수 있다.7 is a diagram illustrating a lock release method according to an exemplary embodiment of the present disclosure. In detail, FIG. 7 shows the registration object determination method S240 of FIG. 6 . A horizontal axis of FIG. 7 may represent a vector value of the first division dimension DD1, and a vertical axis may represent a vector value of the second division dimension DD2.

도 1 및 도 7을 참조하면, 택배 보관 시스템(10)은 특징 벡터(VT_F)와 제1 임베딩 벡터들(VT_E1) 각각 사이의 거리의 합(d1+d2+d3+d4)을 제1 값으로 계산하고, 특징 벡터(VT_F)와 제2 임베딩 벡터들(VT_E1) 각각 사이의 거리의 합(미도시)을 제2 값으로 계산할 수 있다. 택배 보관 시스템(10)은 제1 값과 제2 값을 비교함으로써 특징 벡터(VT_F)에 대응하는 임베딩 벡터를 판단할 수 있다. Referring to FIGS. 1 and 7 , the package storage system 10 sets the sum of distances (d1+d2+d3+d4) between the feature vector VT_F and the first embedding vectors VT_E1 as a first value. and a sum (not shown) of distances between the feature vector VT_F and each of the second embedding vectors VT_E1 may be calculated as the second value. The delivery storage system 10 may determine an embedding vector corresponding to the feature vector VT_F by comparing the first value and the second value.

일 실시예에서, 택배 보관 시스템(10)은 거리의 합이 적은 벡터를 대응되는 임베딩 벡터로 결정할 수 있다. 도 7의 예시에서 택배 보관 시스템(10)은 거리의 합이 적은 제1 임베딩 벡터에 대응되는 제1 등록 객체를 대응 객체로서 판별할 수 있다.In one embodiment, the delivery storage system 10 may determine a vector having a small sum of distances as a corresponding embedding vector. In the example of FIG. 7 , the delivery storage system 10 may determine the first registered object corresponding to the first embedding vector having a small sum of distances as the corresponding object.

일 실시예에서, 택배 보관 시스템(10)은 상기 거리의 합을 유사도 값으로 계산할 수 있다. 일 예시에서, 택배 보관 시스템(10)은 특징 벡터(VT_F)와 제1 임베딩 벡터들(VT_E1) 간의 유클리드 거리의 합(d1, d2, d3, d4)을 유사도 값에 대응되는 값으로 결정할 수 있고, 유사도 값에 대응되는 거리의 합이 미리 결정된 거리 이내인 경우 대상 객체를 등록 객체로 판단할 수 있다. In one embodiment, the package storage system 10 may calculate the sum of the distances as a similarity value. In one example, the delivery storage system 10 may determine the sum of Euclidean distances (d1, d2, d3, d4) between the feature vector (VT_F) and the first embedding vectors (VT_E1) as a value corresponding to the similarity value, , When the sum of the distances corresponding to the similarity values is within a predetermined distance, the target object may be determined as a registered object.

도 8은 본 개시의 예시적 실시예에 따른 잠금 해제 방법을 나타내는 순서도이고, 도 9는 본 개시의 예시적 실시예에 따른 잠금 해제 방법을 나타내는 도면이다. 상세하게는 도 8 및 도 9는 도 6의 대상 객체 얼굴 검출 단계(S220)를 나타낸다. 도 1과 중복되는 내용은 생략한다.8 is a flowchart illustrating a lock release method according to an exemplary embodiment of the present disclosure, and FIG. 9 is a diagram illustrating a lock release method according to an exemplary embodiment of the present disclosure. In detail, FIGS. 8 and 9 show the target object face detection step ( S220 ) of FIG. 6 . Content overlapping with FIG. 1 is omitted.

도 8 및 도 9를 함께 참조하면, 택배 보관 시스템(10)은 타겟 이미지 데이터(Img_TO)를 수신하고, 타겟 이미지 데이터(Img_TO)를 복수의 사이즈들로 크기를 조절(리사이징)함으로써 복수의 리사이징 이미지들(RImg_TO)을 획득할 수 있다(S221). 택배 보관 시스템(10)은 딥러닝 알고리즘(예를 들면, MT-CNN)을 활용하여 복수의 리사이징 이미지들(RImg_TO) 각각에 대한 복수의 제안 바운딩 박스들(BB_P)을 획득할 수 있다(S222).Referring to FIGS. 8 and 9 together, the delivery storage system 10 receives target image data (Img_TO) and resizes (resizes) the target image data (Img_TO) into a plurality of sizes, thereby resizing a plurality of images. s (RImg_TO) can be acquired (S221). The delivery storage system 10 may obtain a plurality of proposed bounding boxes BB_P for each of the plurality of resizing images RImg_TO by utilizing a deep learning algorithm (eg, MT-CNN) (S222). .

택배 보관 시스템(10)은 복수의 제안 바운딩 박스들(BB_P) 중 유사한 바운딩 박스가 존재하는지 여부를 기준으로 후보 바운딩 박스들(BB_C)을 결정할 수 있다(S223). 택배 보관 시스템(10)은 후보 바운딩 박스들(BB_C) 중 얼굴 랜드마크(예를 들면, 눈, 코, 입끝)가 검출되는지 여부를 기준으로 최종 바운딩 박스(BB_F)를 결정할 수 있다(S224).The package storage system 10 may determine candidate bounding boxes BB_C based on whether a similar bounding box exists among a plurality of proposed bounding boxes BB_P (S223). The delivery storage system 10 may determine the final bounding box BB_F based on whether facial landmarks (eg, eyes, nose, or tip of the mouth) are detected among the candidate bounding boxes BB_C (S224).

본 개시의 일 실시예에 따르면, 리사이징 - 제안 바운딩 박스 - 후보 바운딩 박스 - 최종 바운딩 박스의 과정을 걸쳐서 얼굴에 대응하는 바운딩 박스를 획득할 수 있고, 이에 따라서 얼굴을 검출하는 정확도가 높아지면서 전체 이미지를 처리하는 대신 얼굴 이미지를 처리함으로써 계산에 필요한 리소스가 감소할 수 있다. According to an embodiment of the present disclosure, it is possible to obtain a bounding box corresponding to a face through a process of resizing - proposed bounding box - candidate bounding box - final bounding box, and accordingly, the accuracy of detecting the face increases while the whole image By processing face images instead of processing , resources required for calculation can be reduced.

도 10은 본 개시의 일 실시예에 따른 택배 보관 시스템을 포함하는 컴퓨팅 시스템을 나타내는 블록도이다.10 is a block diagram illustrating a computing system including a delivery storage system according to an embodiment of the present disclosure.

도 10을 참조하면, 컴퓨팅 시스템(1000)은 프로세서(1100), 메모리 장치(1200), 스토리지 장치(1300), 파워 서플라이(1400) 및 입출력 장치(1500)를 포함할 수 있다. 한편, 도 10에는 도시되지 않았지만, 컴퓨팅 시스템(1000)은 비디오 카드, 사운드 카드, 메모리 카드, USB 장치 등과 통신하거나, 또는 다른 전자 기기들과 통신할 수 있는 포트(port)들을 더 포함할 수 있다.Referring to FIG. 10 , a computing system 1000 may include a processor 1100, a memory device 1200, a storage device 1300, a power supply 1400, and an input/output device 1500. Meanwhile, although not shown in FIG. 10 , the computing system 1000 may further include ports capable of communicating with video cards, sound cards, memory cards, USB devices, etc., or with other electronic devices. .

이와 같이, 컴퓨팅 시스템(1000)에 포함된 프로세서(1100), 메모리 장치(1200), 스토리지 장치(1300), 파워 서플라이(1400) 및 입출력 장치(1500)는, 본 발명의 기술적 사상에 의한 실시예들에 따른 잠금 해제 방법을 수행할 수 있다. 구체적으로, 프로세서(1100)는 메모리 장치(1200), 스토리지 장치(1300), 파워 서플라이(1400) 및 입출력 장치(1500)를 제어함으로써 도 1 내지 도 9에서 상술한 잠금 해제 방법을 수행할 수 있다. As described above, the processor 1100, the memory device 1200, the storage device 1300, the power supply 1400, and the input/output device 1500 included in the computing system 1000 are an embodiment according to the technical idea of the present invention. It is possible to perform a lock release method according to Specifically, the processor 1100 may perform the lock release method described above with reference to FIGS. 1 to 9 by controlling the memory device 1200, the storage device 1300, the power supply 1400, and the input/output device 1500. .

프로세서(1100)는 특정 계산들 또는 태스크(task)들을 수행할 수 있다. 실시예에 따라, 프로세서(1100)는 마이크로프로세서(micro-processor), 중앙 처리 장치(Central Processing Unit; CPU)일 수 있다. 프로세서(1100)는 어드레스 버스(address bus), 제어 버스(control bus) 및 데이터 버스(data bus) 등과 같은 버스(1600)를 통하여 메모리 장치(1200), 스토리지 장치(1300) 및 입출력 장치(1500)와 통신을 수행할 수 있다. 실시예에 따라, 프로세서(1100)는 주변 구성요소 상호연결(Peripheral Component Interconnect; PCI) 버스와 같은 확장 버스에도 연결될 수 있다.Processor 1100 may perform certain calculations or tasks. Depending on the embodiment, the processor 1100 may be a micro-processor or a central processing unit (CPU). The processor 1100 includes a memory device 1200, a storage device 1300, and an input/output device 1500 through a bus 1600 such as an address bus, a control bus, and a data bus. can communicate with According to an embodiment, the processor 1100 may also be connected to an expansion bus such as a Peripheral Component Interconnect (PCI) bus.

메모리 장치(1200)는 컴퓨팅 시스템(1000)의 동작에 필요한 데이터를 저장할 수 있다. 예를 들어, 메모리 장치(1200)는 디램(DRAM), 모바일 디램, 에스램(SRAM), 피램(PRAM), 에프램(FRAM), 알램(RRAM) 및/또는 엠램(MRAM)으로 구현될 수 있다. 스토리지 장치(1300)는 솔리드 스테이트 드라이브(solid state drive), 하드 디스크 드라이브(hard disk drive), 씨디롬(CD-ROM) 등을 포함할 수 있다. 메모리 장치(1200) 및 스토리지 장치(1300)는 도 1 내지 도 9에서 상술한 잠금 해제 방법법에 관한 프로그램을 저장할 수 있다.The memory device 1200 may store data necessary for the operation of the computing system 1000 . For example, the memory device 1200 may be implemented with DRAM, mobile DRAM, SRAM, PRAM, FRAM, RRAM, and/or MRAM. there is. The storage device 1300 may include a solid state drive, a hard disk drive, a CD-ROM, and the like. The memory device 1200 and the storage device 1300 may store programs related to the unlock method described above with reference to FIGS. 1 to 9 .

입출력 장치(1500)는 키보드, 키패드, 마우스 등과 같은 입력 수단 및 프린터, 디스플레이 등과 같은 출력 수단을 포함할 수 있다. 전원 장치(1400)는 컴퓨팅 시스템(1000)의 동작에 필요한 동작 전압을 공급할 수 있다.The input/output device 1500 may include input means such as a keyboard, keypad, and mouse, and output means such as a printer and a display. The power supply 1400 may supply an operating voltage necessary for the operation of the computing system 1000 .

상술한 본 발명의 실시예들에 따라 설계된 집적 회로는 다양한 형태들의 패키지로 구현될 수 있다. 예를 들어, 집적 회로의 적어도 일부의 구성들은 PoP(Package on Package), Ball grid arrays(BGAs), Chip scale packages(CSPs), Plastic Leaded Chip Carrier(PLCC), Plastic Dual In-Line Package(PDIP), Die in Waffle Pack, Die in Wafer Form, Chip On Board(COB), Ceramic Dual In-Line Package(CERDIP), Plastic Metric Quad Flat Pack(MQFP), Thin Quad Flatpack(TQFP), Small Outline(SOIC), Shrink Small Outline Package(SSOP), Thin Small Outline(TSOP), Thin Quad Flatpack(TQFP), System In Package(SIP), Multi Chip Package(MCP), Wafer-level Fabricated Package(WFP), Wafer-Level Processed Stack Package(WSP) 등과 같은 패키지들을 이용하여 실장될 수 있다.An integrated circuit designed according to the above-described embodiments of the present invention may be implemented in various types of packages. For example, components of at least some of the integrated circuits include Package on Package (PoP), Ball grid arrays (BGAs), Chip scale packages (CSPs), Plastic Leaded Chip Carrier (PLCC), Plastic Dual In-Line Package (PDIP) , Die in Waffle Pack, Die in Wafer Form, Chip On Board (COB), Ceramic Dual In-Line Package (CERDIP), Plastic Metric Quad Flat Pack (MQFP), Thin Quad Flatpack (TQFP), Small Outline (SOIC), Shrink Small Outline Package (SSOP), Thin Small Outline (TSOP), Thin Quad Flatpack (TQFP), System In Package (SIP), Multi Chip Package (MCP), Wafer-level Fabricated Package (WFP), Wafer-Level Processed Stack It can be mounted using packages such as Package (WSP).

이상과 같이 도면과 명세서에서 예시적인 실시예들이 개시되었다. 본 명세서에서 특정한 용어를 사용하여 실시예들을 설명되었으나, 이는 단지 본 개시의 기술적 사상을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 청구범위에 기재된 본 개시의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 개시의 진정한 기술적 보호범위는 첨부된 청구범위의 기술적 사상에 의해 정해져야 할 것이다.Exemplary embodiments have been disclosed in the drawings and specifications as described above. Embodiments have been described using specific terms in this specification, but they are only used for the purpose of explaining the technical spirit of the present disclosure, and are not used to limit the scope of the present disclosure described in the meaning or claims. Therefore, those of ordinary skill in the art will understand that various modifications and equivalent other embodiments are possible therefrom. Therefore, the true technical scope of protection of the present disclosure should be determined by the technical spirit of the appended claims.

Claims (10)

대상 객체에 대한 생체 정보를 기초로 잠금을 해제하는 잠금 해제 방법에 있어서,
등록 객체에 포함되는 제1 객체에 대한 복수의 제1 임베딩 벡터들 및 상기 등록 객체에 포함되는 제2 객체에 대한 복수의 제2 임베딩 벡터들을 추출하는 단계;
상기 복수의 제1 임베딩 벡터들 및 상기 복수의 제2 임베딩 벡터들에 포함되는 복수의 차원들 중 서로 구분이 명확한 적어도 하나의 구분 차원을 결정하는 단계;
상기 적어도 하나의 구분 차원을 이용하여 상기 복수의 제1 임베딩 벡터들 중 적어도 하나의 제1 서포트 벡터 및 상기 복수의 제2 임베딩 벡터들 중 적어도 하나의 제2 서포트 벡터를 결정하는 단계;
상기 제1 서포트 벡터 및 상기 제2 서포트 벡터의 중간 좌표를 포함하는 결정 경계를 결정하는 단계;
상기 결정 경계를 기초로 상기 대상 객체가 상기 등록 객체인지 여부를 판단하는 단계;및
상기 판단 결과를 기초로 잠금을 해제하는 단계;를 포함하는 잠금 해제 방법.A lock unlocking method for unlocking a target object based on biometric information, the method comprising:
extracting a plurality of first embedding vectors for a first object included in the registered object and a plurality of second embedding vectors for a second object included in the registered object;
determining at least one distinct dimension among a plurality of dimensions included in the plurality of first embedding vectors and the plurality of second embedding vectors;
determining at least one first support vector among the plurality of first embedding vectors and at least one second support vector among the plurality of second embedding vectors by using the at least one segment dimension;
determining a decision boundary including intermediate coordinates of the first support vector and the second support vector;
determining whether the target object is the registered object based on the decision boundary; and
A lock release method comprising: unlocking the lock based on the determination result. 제1항에 있어서,
적어도 하나의 제2 서포트 벡터를 결정하는 단계는,
상기 복수의 제1 임베딩 벡터들 중, 상기 구분 차원에 있어서, 상기 복수의 제2 임베딩 벡터들에 대해 가장 가까운 곳에 위치하는 적어도 하나의 제1 서포트 벡터를 결정하는 단계;및
상기 복수의 제2 임베딩 벡터들 중, 상기 구분 차원에 있어서, 상기 복수의 제2 임베딩 벡터들에 대해 가장 가까운 곳에 위치하는 적어도 하나의 제2 서포트 벡터를 결정하는 단계;를 포함하는 잠금 해제 방법.According to claim 1,
Determining at least one second support vector,
Determining at least one first support vector located closest to the plurality of second embedding vectors in the division dimension among the plurality of first embedding vectors; And
and determining at least one second support vector located closest to the plurality of second embedding vectors in the division dimension, among the plurality of second embedding vectors. 제1항에 있어서,
적어도 하나의 구분 차원을 결정하는 단계는,
상기 복수의 차원들 각각에 대해 상기 제1 임베딩 벡터들과 상기 제2 임베딩 벡터들의 좌표 거리를 계산하는 단계;및
상기 좌표 거리 중 미리 결정된 최소 거리 이상인 차원을 상기 구분 차원으로 결정하는 단계;를 포함하는 잠금 해제 방법.According to claim 1,
Determining at least one segmentation dimension comprises:
calculating coordinate distances of the first embedding vectors and the second embedding vectors for each of the plurality of dimensions; and
and determining a dimension equal to or greater than a predetermined minimum distance among the coordinate distances as the division dimension. 제1항에 있어서,
상기 등록 객체인지 여부를 판단하는 단계는,
상기 대상 객체에 대한 복수의 특징 벡터들을 추출하는 단계;
상기 결정 경계를 기초로 상기 복수의 특징 벡터들이 상기 제1 객체 및 상기 제2 객체 중 대응되는 객체를 판단하는 단계;
상기 대응되는 객체에 대한 임베딩 벡터들과 상기 특징 벡터들 간의 유사도를 계산하는 단계;및
상기 유사도가 기준 값 이상인 경우, 상기 대상 객체를 등록 객체로 판단하는 단계;를 포함하는 잠금 해제 방법. According to claim 1,
The step of determining whether the registered object is,
extracting a plurality of feature vectors of the target object;
determining an object to which the plurality of feature vectors correspond among the first object and the second object based on the decision boundary;
Calculating a similarity between embedding vectors for the corresponding object and the feature vectors; And
and determining the target object as a registered object when the similarity is greater than or equal to a reference value. 제1항에 있어서,
상기 결정 경계를 결정하는 단계는,
상기 적어도 하나의 제1 서포트 벡터들에 대한 제1 평균 좌표를 결정하는 단계;
상기 적어도 하나의 제2 서포트 벡터들에 대한 제2 평균 좌표를 결정하는 단계;및
상기 제1 평균 좌표 및 상기 제2 평균 좌표를 이용하여 결정 경계를 결정하는 단계;를 포함하는 잠금 해제 방법.According to claim 1,
Determining the decision boundary,
determining a first average coordinate of the at least one first support vector;
determining a second average coordinate for the at least one second support vector; and
and determining a decision boundary using the first average coordinates and the second average coordinates. 제1항에 있어서,
상기 결정 경계를 결정하는 단계는,
상기 적어도 하나의 제1 서포트 벡터와 상기 결정 경계 사이의 제1 거리 및상기 적어도 하나의 제2 서포트 벡터와 상기 결정 경계 사이의 제2 거리의 합이 최소가 되도록 상기 결정 경계를 결정하는 단계;를 포함하고,
상기 등록 객체인지 여부를 판단하는 단계는,
상기 대상 객체에 대응하는 복수의 특징 벡터들을 추출하는 단계;
상기 복수의 특징 벡터들과 상기 등록 객체에 대응하는 적어도 하나의 임베딩 벡터 사이의 거리를 계산하는 단계;및
상기 계산된 거리를 기초로 상기 등록 객체 여부를 판단하는 단계;를 포함하는 잠금 해제 방법.According to claim 1,
Determining the decision boundary,
determining the decision boundary such that a sum of a first distance between the at least one first support vector and the decision boundary and a second distance between the at least one second support vector and the decision boundary is minimized; include,
The step of determining whether the registered object is,
extracting a plurality of feature vectors corresponding to the target object;
calculating a distance between the plurality of feature vectors and at least one embedding vector corresponding to the registered object; and
and determining whether or not the registered object is based on the calculated distance. 제1항에 있어서,
상기 복수의 제2 임베딩 벡터들을 추출하는 단계는,
상기 제2 객체에 대한 복수의 이미지 데이터를 획득하는 단계;및
상기 복수의 이미지 데이터로부터 각각 상기 복수의 제2 임베딩 벡터들을 추출하는 단계;를 포함하는 잠금 해제 방법.According to claim 1,
Extracting the plurality of second embedding vectors,
obtaining a plurality of image data of the second object; and
and extracting the plurality of second embedding vectors from the plurality of image data. 제1항에 있어서,
상기 등록 객체인지 여부를 판단하는 단계는,
상기 대상 객체의 이미지 데이터를 획득하는 단계;
상기 이미지 데이터로부터 상기 대상 객체의 얼굴을 검출하는 단계;
상기 얼굴로부터 복수의 특징 벡터들을 추출하는 단계;
상기 결정 경계를 기준으로 상기 특징 벡터가 상기 제1 객체 또는 상기 제2객체 중 어느 객체에 대응하는지 판단하는 단계; 및
상기 판단된 객체에 대응하는 임베딩 벡터들 및 상기 특징 벡터들의 유사도를 기초로 상기 대상 객체가 등록 객체인지 여부를 판단하는 단계;를 포함하는 잠금 해제 방법.According to claim 1,
The step of determining whether the registered object is,
obtaining image data of the target object;
detecting the face of the target object from the image data;
extracting a plurality of feature vectors from the face;
determining whether the feature vector corresponds to either the first object or the second object based on the decision boundary; and
and determining whether the target object is a registered object based on a similarity between embedding vectors corresponding to the determined object and the feature vectors. 제8항에 있어서,
상기 얼굴을 검출하는 단계는,
상기 이미지 데이터를 미리 결정된 복수의 사이즈들로 리사이징함으로써 복수의 리사이징 이미지들을 획득하는 단계;
딥러닝 알고리즘을 활용하여 상기 복수의 리사이징 이미지들 각각에 대한 복수의 제안 바운딩 박스들을 획득하는 단계;
상기 복수의 제안 바운딩 박스들 중 유사한 바운딩 박스들을 기준으로 적어도 하나의 후보 바운딩 박스를 결정하는 단계;
상기 적어도 하나의 후보 바운딩 박스 중 얼굴 랜드마크가 검출되는지 여부를 기초로 최종 바운딩 박스를 결정하는 단계;및
상기 최종 바운딩 박스를 이용하여 얼굴을 검출하는 단계;를 포함하는 잠금 해제 방법.According to claim 8,
The step of detecting the face,
obtaining a plurality of resized images by resizing the image data into a plurality of predetermined sizes;
obtaining a plurality of proposed bounding boxes for each of the plurality of resizing images by utilizing a deep learning algorithm;
determining at least one candidate bounding box based on similar bounding boxes among the plurality of suggested bounding boxes;
determining a final bounding box based on whether a facial landmark is detected among the at least one candidate bounding box; and
and detecting a face using the final bounding box. 적어도 하나의 프로세서에 의해 대상 객체에 대한 생체 정보를 기초로 잠금을 해제하는 택배 보관 장치에 있어서,
등록 객체에 포함되는 제1 객체에 대한 복수의 제1 임베딩 벡터들 및 상기 등록 객체에 포함되는 제2 객체에 대한 복수의 제2 임베딩 벡터들을 추출하는 임베딩 벡터 추출부;
상기 복수의 제1 임베딩 벡터들 및 상기 복수의 제2 임베딩 벡터들에 포함되는 복수의 차원들 중 서로 구분이 명확한 적어도 하나의 구분 차원을 결정하는 구분 차원 결정부;
상기 적어도 하나의 구분 차원을 이용하여 상기 복수의 제1 임베딩 벡터들 중 적어도 하나의 제1 서포트 벡터 및 상기 복수의 제2 임베딩 벡터들 중 적어도 하나의 제2 서포트 벡터를 결정하는 서포트 벡터 결정부;
상기 제1 서포트 벡터 및 상기 제2 서포트 벡터의 중간 좌표를 포함하는 결정 경계를 결정하는 결정 경계 결정부;
상기 결정 경계를 기초로 상기 대상 객체가 상기 등록 객체인지 여부를 판단하는 대상 객체 판단부;
상기 판단 결과를 기초로 잠금을 해제하는 잠금 해제부;를 포함하는 택배 보관 장치.
In the courier storage device that releases the lock based on the biometric information for the target object by at least one processor,
an embedding vector extractor extracting a plurality of first embedding vectors for a first object included in the registered object and a plurality of second embedding vectors for a second object included in the registered object;
a division dimension determining unit which determines at least one division dimension clearly distinguishable from each other among a plurality of dimensions included in the plurality of first embedding vectors and the plurality of second embedding vectors;
a support vector determiner configured to determine at least one first support vector among the plurality of first embedding vectors and at least one second support vector among the plurality of second embedding vectors by using the at least one division dimension;
a decision boundary determining unit which determines a decision boundary including intermediate coordinates of the first support vector and the second support vector;
a target object determining unit determining whether the target object is the registered object based on the decision boundary;
Courier storage device comprising a; unlocking unit for releasing the lock based on the determination result.
KR1020210128598A 2021-09-29 2021-09-29 Unlocking method for unlocking a storage device using deep learning algorithm and a storage system performing the same KR102567476B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210128598A KR102567476B1 (en) 2021-09-29 2021-09-29 Unlocking method for unlocking a storage device using deep learning algorithm and a storage system performing the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210128598A KR102567476B1 (en) 2021-09-29 2021-09-29 Unlocking method for unlocking a storage device using deep learning algorithm and a storage system performing the same

Publications (2)

Publication Number Publication Date
KR20230046338A KR20230046338A (en) 2023-04-06
KR102567476B1 true KR102567476B1 (en) 2023-08-18

Family

ID=85917905

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210128598A KR102567476B1 (en) 2021-09-29 2021-09-29 Unlocking method for unlocking a storage device using deep learning algorithm and a storage system performing the same

Country Status (1)

Country Link
KR (1) KR102567476B1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140352580A1 (en) 2010-09-16 2014-12-04 Julie Stradiota Safety deposit compartment with biometric sensor
KR101931056B1 (en) 2018-06-14 2018-12-19 서은덕 Apparatus and method for controlling open and close of home unmanned locker using face recognition function

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101185525B1 (en) * 2005-07-29 2012-09-24 텔레콤 이탈리아 소시에떼 퍼 아찌오니 Automatic biometric identification based on face recognition and support vector machines
KR102261054B1 (en) * 2019-11-25 2021-06-04 (주)시큐이데아 Fast Face Recognition Apparatus connected to a Camera

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140352580A1 (en) 2010-09-16 2014-12-04 Julie Stradiota Safety deposit compartment with biometric sensor
KR101931056B1 (en) 2018-06-14 2018-12-19 서은덕 Apparatus and method for controlling open and close of home unmanned locker using face recognition function

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
논문 1

Also Published As

Publication number Publication date
KR20230046338A (en) 2023-04-06

Similar Documents

Publication Publication Date Title
US9672409B2 (en) Apparatus and computer-implemented method for fingerprint based authentication
CN108304829B (en) Face recognition method, device and system
JP6046948B2 (en) Object detection apparatus, control method therefor, program, and storage medium
US9128737B2 (en) Dynamic profile switching based on user identification
EP2698742B1 (en) Facial recognition similarity threshold adjustment
JP5963609B2 (en) Image processing apparatus and image processing method
US11119638B2 (en) Using face detection to update user interface orientation
US9292752B2 (en) Image processing device and image processing method
CN112001932A (en) Face recognition method and device, computer equipment and storage medium
CN113051998A (en) Robust anti-spoofing technique using polarization cues in near infrared and visible wavelength bands in biometric identification techniques
WO2022028147A1 (en) Image classification model training method and apparatus, computer device, and storage medium
US11216640B2 (en) Method and system for transitioning a device controller of an electronic device from an at least partly inactive mode to an at least partly active mode
CN108596079B (en) Gesture recognition method and device and electronic equipment
US9785762B2 (en) Electronic device and method for controlling access to same
CN111898561A (en) Face authentication method, device, equipment and medium
CN111488919B (en) Target recognition method and device, electronic equipment and computer readable storage medium
CN112270204A (en) Target identification method and device, storage medium and electronic equipment
KR20150026647A (en) Apparatus and method for verifying handwritten signature
KR102567476B1 (en) Unlocking method for unlocking a storage device using deep learning algorithm and a storage system performing the same
US11205091B2 (en) Object information registration apparatus and object information registration method
US20240037995A1 (en) Detecting wrapped attacks on face recognition
JP2023129401A (en) Image recognition apparatus, program, image recognition method, and machine learning method
CN116189090A (en) Financial scene validity verification method and device
JP7080780B2 (en) Authentication device, authentication method and authentication program
CN112766139A (en) Target identification method and device, storage medium and electronic equipment

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
N231 Notification of change of applicant
GRNT Written decision to grant