KR20230126901A

KR20230126901A - Method for detecting face spoofing and device performing the same

Info

Publication number: KR20230126901A
Application number: KR1020220024317A
Authority: KR
Inventors: 김진아
Original assignee: 주식회사 스마트랩스
Priority date: 2022-02-24
Filing date: 2022-02-24
Publication date: 2023-08-31

Abstract

얼굴 스푸핑 감지 방법 및 이를 수행하는 장치가 개시된다. 다양한 실시예에 따른 얼굴 스푸핑을 감지하는 방법은 얼굴의 실화상 이미지에 포함된 객체에 기초하여 설정한 분류 기준에 따라 상기 실화상 이미지를 하나 이상의 영역으로 분류하는 동작, 상기 분류 기준에 대응하는 측정 기준에 따라 상기 하나 이상의 영역에 대응하는 얼굴의 비시각적 특성을 측정하여 상기 비시각적 특성의 분포를 획득하는 동작과 상기 비시각적 특성의 분포에 기초하여 상기 얼굴로부터 얼굴 스푸핑을 감지하는 동작을 포함할 수 있다.A method for detecting face spoofing and an apparatus for performing the same are disclosed. A method for detecting face spoofing according to various embodiments includes an operation of classifying a real image into one or more areas according to classification criteria set based on objects included in a real image of a face, and measurement corresponding to the classification criteria. An operation of measuring non-visual characteristics of a face corresponding to the one or more regions according to a criterion to obtain a distribution of the non-visual characteristics, and an operation of detecting face spoofing from the face based on the distribution of the non-visual characteristics. can

Description

Face spoofing detection method and device performing the same {METHOD FOR DETECTING FACE SPOOFING AND DEVICE PERFORMING THE SAME}

본 발명의 다양한 실시예들은 얼굴 스푸핑 감지 방법 및 이를 수행하는 장치에 관한 것이다.Various embodiments of the present invention relate to a method for detecting face spoofing and an apparatus for performing the same.

생체 인식 기술 중 하나인 얼굴 인식 기술은 정지 영상이나 동영상으로부터 얼굴을 인식하는 기술이다. 얼굴 인식 기술은 지문 인식 및 홍채 인식 등의 다른 인식 기술과 다르게, 대상자를 비접촉식으로 확인 가능하다는 이점을 가지고 있다. 최근에는, 얼굴 인식 기술의 편리함 및 효율성 때문에 보안 시스템, 모바일 인증 및 멀티 미디어 데이터 검색 등의 다양한 응용 분야에 얼굴 인식 기술이 활발하게 적용되고 있다.Face recognition technology, one of biometric recognition technologies, is a technology for recognizing faces from still images or moving images. Unlike other recognition technologies such as fingerprint recognition and iris recognition, face recognition technology has an advantage of being able to identify a subject in a non-contact manner. Recently, because of the convenience and efficiency of face recognition technology, face recognition technology is being actively applied to various application fields such as security systems, mobile authentication, and multi-media data retrieval.

위에서 설명한 배경기술은 발명자가 본원의 개시 내용을 도출하는 과정에서 보유하거나 습득한 것으로서, 반드시 본 출원 전에 일반 공중에 공개된 공지기술이라고 할 수는 없다.The background art described above is possessed or acquired by the inventor in the process of deriving the disclosure of the present application, and cannot necessarily be said to be known art disclosed to the general public prior to the present application.

얼굴 인식 시스템은 일반적으로 실화상만을 요구하므로 사진 또는 사람의 얼굴을 흉내 낸 3D 마스크를 이용한 얼굴 스푸핑(face spoofing)에 취약하다는 어려움이 있다. 이에, 얼굴 인식에 앞서 얼굴 스푸핑을 감지하는 기술이 요구될 수 있다.Since a face recognition system generally requires only a real image, it is vulnerable to face spoofing using a photo or a 3D mask that mimics a human face. Accordingly, a technique for detecting face spoofing may be required prior to face recognition.

다양한 실시예들은 실화상을 비롯한 복수의 판별 요소에 기초하여 얼굴 스푸핑을 감지하는 기술을 제공할 수 있다.Various embodiments may provide a technique for detecting face spoofing based on a plurality of discrimination factors including a real image.

다만, 기술적 과제는 상술한 기술적 과제들로 한정되는 것은 아니며, 또 다른 기술적 과제들이 존재할 수 있다.However, the technical challenges are not limited to the above-described technical challenges, and other technical challenges may exist.

다양한 실시예에 따른 얼굴 스푸핑을 감지하는 방법은 얼굴의 실화상 이미지에 포함된 객체에 기초하여 설정한 분류 기준에 따라 상기 실화상 이미지를 하나 이상의 영역으로 분류하는 동작, 상기 분류 기준에 대응하는 측정 기준에 따라 상기 하나 이상의 영역에 대응하는 얼굴의 비시각적 특성을 측정하여 상기 비시각적 특성의 분포를 획득하는 동작과 상기 비시각적 특성의 분포에 기초하여 상기 얼굴로부터 얼굴 스푸핑을 감지하는 동작을 포함할 수 있다.A method for detecting face spoofing according to various embodiments includes an operation of classifying a real image into one or more areas according to classification criteria set based on objects included in a real image of a face, and measurement corresponding to the classification criteria. An operation of measuring non-visual characteristics of a face corresponding to the one or more regions according to a criterion to obtain a distribution of the non-visual characteristics, and an operation of detecting face spoofing from the face based on the distribution of the non-visual characteristics. can

상기 방법은 상기 얼굴로부터 얼굴 스푸핑이 감지되지 않은 경우에는, 상기 얼굴을 인식하여 상기 얼굴과 대응되는 사람을 결정하는 동작을 더 포함할 수 있다.The method may further include recognizing the face and determining a person corresponding to the face when face spoofing is not detected from the face.

상기 비시각적 특성은 온도인 것일 수 있다.The non-visual characteristic may be temperature.

상기 실화상 이미지는 상기 비시각적 특성을 측정하도록 정해진 영역 안의 이미지인 것일 수 있다.The real image may be an image within a region determined to measure the non-visual characteristics.

다양한 실시예에 따른 얼굴 스푸핑을 감지하는 감지 모델을 생성하는 방법은 얼굴의 실화상 이미지에 기초하여 제1 학습 데이터를 생성하는 동작, 상기 얼굴의 비시각적 특성에 기초하여 제2 학습 데이터를 생성하는 동작과 상기 제1 학습 데이터 및 상기 제2 학습 데이터에 기초하여 상기 감지 모델을 생성하는 동작을 포함할 수 있다.A method for generating a detection model for detecting face spoofing according to various embodiments includes generating first training data based on a real image of a face and generating second training data based on non-visual characteristics of the face. and generating the sensing model based on the first training data and the second training data.

상기 제1 학습 데이터를 생성하는 동작은 상기 실화상 이미지에 포함된 객체에 기초하여 설정한 분류 기준에 따라 상기 실화상 이미지를 하나 이상의 영역으로 분류함으로써 상기 제1 학습 데이터를 생성하는 동작을 포함할 수 있다.The generating of the first learning data may include generating the first training data by classifying the real image into one or more regions according to classification criteria set based on objects included in the real image. can

상기 제2 학습 데이터를 생성하는 동작은 상기 분류 기준에 대응하는 측정 기준에 따라 상기 하나 이상의 영역에 대응하는 얼굴의 비시각적 특성을 측정하여 상기 비시각적 특성의 분포인 제2 학습 데이터를 생성하는 동작을 포함할 수 있다.The generating of the second training data may include measuring non-visual characteristics of the face corresponding to the one or more regions according to a measurement criterion corresponding to the classification criterion, and generating second learning data that is a distribution of the non-visual characteristics. can include

상기 감지 모델을 생성하는 동작은 상기 제1 학습 데이터 및 상기 실화상 이미지에 기초하여 상기 감지 모델에 포함된 분포 모델을 학습시키는 동작과 상기 분포 모델의 출력인 상기 제2 학습 데이터에 기초하여 상기 감지 모델에 포함된 스푸핑 감지 모델을 학습시키는 동작을 포함할 수 있다.The generating of the sensing model may include an operation of learning a distribution model included in the sensing model based on the first training data and the real image, and the sensing based on the second training data that is an output of the distribution model. An operation of training a spoofing detection model included in the model may be included.

다양한 실시예에 따른 감지 장치는 인스트럭션들을 포함하는 메모리와 상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들을 실행하기 위한 프로세서를 포함하고, 상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는 얼굴의 실화상 이미지에 포함된 객체에 기초하여 설정한 분류 기준에 따라 상기 실화상 이미지를 하나 이상의 영역으로 분류하고, 상기 분류 기준에 대응하는 측정 기준에 따라 상기 하나 이상의 영역에 대응하는 얼굴의 비시각적 특성을 측정하여 상기 비시각적 특성의 분포를 획득하며, 상기 비시각적 특성의 분포에 기초하여 상기 얼굴로부터 얼굴 스푸핑을 감지할 수 있다.A sensing device according to various embodiments includes a memory including instructions and a processor electrically connected to the memory and executing the instructions, and when the instructions are executed by the processor, the processor generates a real image of a face. The real image is classified into one or more regions according to classification criteria set based on objects included in the image, and non-visual characteristics of the face corresponding to the one or more regions are measured according to measurement criteria corresponding to the classification criteria. A distribution of the non-visual characteristics may be acquired, and face spoofing may be detected from the face based on the distribution of the non-visual characteristics.

상기 프로세서는 상기 얼굴로부터 얼굴 스푸핑이 감지되지 않은 경우에는, 상기 얼굴을 인식하여 상기 얼굴과 대응되는 사람을 결정할 수 있다.When face spoofing is not detected from the face, the processor may recognize the face and determine a person corresponding to the face.

다양한 실시예에 따른 장치는 인스트럭션들을 포함하는 메모리와 상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들을 실행하기 위한 프로세서를 포함하고, 상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는 얼굴 스푸핑을 감지하는 감지 모델을 생성하는 방법에 있어서 얼굴의 실화상 이미지에 기초하여 제1 학습 데이터를 생성하고, 상기 얼굴의 비시각적 특성에 기초하여 제2 학습 데이터를 생성하며, 상기 제1 학습 데이터 및 상기 제2 학습 데이터에 기초하여 상기 감지 모델을 생성할 수 있다.An apparatus according to various embodiments includes a memory including instructions and a processor electrically connected to the memory and executing the instructions, wherein when the instructions are executed by the processor, the processor detects face spoofing. A method for generating a sensing model comprising: generating first learning data based on a real image of a face, generating second learning data based on non-visual characteristics of the face, the first learning data and the second learning data; The sensing model may be generated based on learning data.

상기 프로세서는 상기 실화상 이미지에 포함된 객체에 기초하여 설정한 분류 기준에 따라 상기 실화상 이미지를 하나 이상의 영역으로 분류함으로써 상기 제1 학습 데이터를 생성할 수 있다.The processor may generate the first training data by classifying the real image into one or more regions according to classification criteria set based on objects included in the real image.

상기 프로세서는 상기 분류 기준에 대응하는 측정 기준에 따라 상기 하나 이상의 영역에 대응하는 얼굴의 비시각적 특성을 측정하여 상기 비시각적 특성의 분포인 제2 학습 데이터를 생성할 수 있다.The processor may measure non-visual characteristics of the face corresponding to the one or more regions according to a measurement criterion corresponding to the classification criterion to generate second learning data that is a distribution of the non-visual characteristics.

상기 프로세서는 상기 제1 학습 데이터 및 상기 실화상 이미지에 기초하여 상기 감지 모델에 포함된 분포 모델을 학습시키고, 상기 분포 모델의 출력인 상기 제2 학습 데이터에 기초하여 상기 감지 모델에 포함된 스푸핑 감지 모델을 학습시킬 수 있다.The processor learns a distribution model included in the detection model based on the first training data and the real image, and detects spoofing included in the detection model based on the second training data that is an output of the distribution model. model can be trained.

상기 비시각적 특성은 온도일 수 있다.The non-visual characteristic may be temperature.

도 1은 다양한 실시예에 따른 얼굴 스푸핑이 감지되지 않은 경우에 얼굴을 인식하는 전자 장치를 설명하기 위한 도면이다.
도 2는 다양한 실시예에 따른 얼굴 스푸핑을 감지하는 감지 모델의 블록도이다.
도 3은 다양한 실시예에 따른 감지 모델을 생성하는 전자 장치를 설명하기 위한 도면이다.
도 4는 다양한 실시예에 따른 감지 모델을 생성하는 동작을 설명하기 위한 도면이다.
도 5는 다양한 실시예에 따른 전자 장치의 동작 방법의 일 예에 대한 흐름도이다.
도 6은 다양한 실시예에 따른, 전자 장치의 다른 예를 나타낸다.1 is a diagram for explaining an electronic device for recognizing a face when face spoofing is not detected according to various embodiments.
2 is a block diagram of a detection model for detecting face spoofing according to various embodiments.
3 is a diagram for explaining an electronic device generating a sensing model according to various embodiments.
4 is a diagram for explaining an operation of generating a sensing model according to various embodiments.
5 is a flowchart of an example of a method of operating an electronic device according to various embodiments.
6 illustrates another example of an electronic device according to various embodiments.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.Specific structural or functional descriptions of the embodiments are disclosed for illustrative purposes only, and may be changed and implemented in various forms. Therefore, the form actually implemented is not limited only to the specific embodiments disclosed, and the scope of the present specification includes changes, equivalents, or substitutes included in the technical idea described in the embodiments.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.Although terms such as first or second may be used to describe various components, such terms should only be construed for the purpose of distinguishing one component from another. For example, a first element may be termed a second element, and similarly, a second element may be termed a first element.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.It should be understood that when an element is referred to as being “connected” to another element, it may be directly connected or connected to the other element, but other elements may exist in the middle.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Singular expressions include plural expressions unless the context clearly dictates otherwise. In this specification, terms such as "comprise" or "have" are intended to designate that the described feature, number, step, operation, component, part, or combination thereof exists, but one or more other features or numbers, It should be understood that the presence or addition of steps, operations, components, parts, or combinations thereof is not precluded.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.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. 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 specification, it should not be interpreted in an ideal or excessively formal meaning. don't

이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.Hereinafter, embodiments will be described in detail with reference to the accompanying drawings. In the description with reference to the accompanying drawings, the same reference numerals are given to the same components regardless of reference numerals, and overlapping descriptions thereof will be omitted.

도 1은 다양한 실시예에 따른 얼굴 스푸핑이 감지되지 않은 경우에 얼굴을 인식하는 전자 장치를 설명하기 위한 도면이다.1 is a diagram for explaining an electronic device for recognizing a face when face spoofing is not detected according to various embodiments.

도 1을 참조하면, 다양한 실시예에 따르면, 전자 장치(100)는 감지 모델(130) 및 인식기(150)를 포함할 수 있다. 전자 장치(100)는 촬영 장치(미도시)로부터 얼굴의 실화상 이미지를 수신하고 얼굴의 실화상 이미지 및 얼굴의 비시각적 특성(예: 온도, 습도 등)에 기초하여 얼굴로부터 얼굴 스푸핑을 감지할 수 있다. 얼굴의 실화상 이미지는 얼굴의 비시각적 특성을 측정하도록 정해진 영역 안의 이미지로써 실화상 이미지는 비시각적 특징과 맵핑된 관계에 있을 수 있다. 전자 장치(100)는 얼굴 스푸핑이 감지되지 않은 경우에는 얼굴을 인식하여 얼굴과 대응되는 사람을 결정할 수 있다. 도 1에서는 촬영 장치(미도시)와 전자 장치(100)가 통신 가능한 별개의 하드웨어에서 구현된 경우를 들어 설명하지만, 반드시 이에 한정되는 것은 아니며, 촬영 장치(미도시) 및 전자 장치(100)는 동일한 하드웨어에서도 구현될 수 있다. 예를 들어, 촬영 장치(미도시)가 전자 장치(100)에 구현되거나, 전자 장치(100)가 촬영 장치(미도시)에 구현될 수 있다.Referring to FIG. 1 , according to various embodiments, an electronic device 100 may include a sensing model 130 and a recognizer 150. The electronic device 100 receives a real image of a face from a photographing device (not shown) and detects face spoofing from a face based on the real image of the face and non-visual characteristics (eg, temperature, humidity, etc.) of the face. can The real image of the face is an image within a region determined to measure the non-visual characteristics of the face, and the real image may have a mapped relationship with the non-visual characteristics. When face spoofing is not detected, the electronic device 100 may recognize a face and determine a person corresponding to the face. In FIG. 1, a case in which the photographing device (not shown) and the electronic device 100 are implemented in separate hardware capable of communication is described, but is not necessarily limited thereto, and the photographing device (not shown) and the electronic device 100 are It can also be implemented on the same hardware. For example, a photographing device (not shown) may be implemented in the electronic device 100 or the electronic device 100 may be implemented in a photographing device (not shown).

다양한 실시예에 따르면, 감지 모델(130)은 얼굴의 실화상 이미지에 포함된 객체에 기초하여 설정한 분류 기준에 따라 실화상 이미지를 하나 이상의 영역으로 분류할 수 있다. 감지 모델(130)은 분류 기준에 대응하는 측정 기준에 따라 하나 이상의 영역에 대응하는 얼굴의 비시각적 특성(예: 온도, 습도 등)을 측정하여 얼굴의 비시각적 특성의 분포(예: 온도 분포, 습도 분포 등)를 획득할 수 있다. 감지 모델(130)은 비시각적 특성의 분포 및 스푸핑 감지 모델이 이전까지 획득한 비시각적 특성의 분포에 기초하여 얼굴로부터 얼굴 스푸핑을 감지할 수 있다. 예를 들어, 감지 모델(130)은 도 2를 참조하여 후술할 동작에 의해 얼굴 스푸핑을 감지할 수 있다. 감지 모델(130)은 도 4의 감지 모델(330)이 학습된 것일 수 있다. 감지 모델(130)은 얼굴로부터 얼굴 스푸핑이 감지되지 않은 경우에는 인식기(150)에 얼굴을 출력할 수 있다.According to various embodiments, the sensing model 130 may classify the real image into one or more regions according to classification criteria set based on objects included in the real image of the face. The detection model 130 measures the distribution of non-visual characteristics (eg, temperature distribution, humidity distribution, etc.) can be obtained. The detection model 130 may detect face spoofing from a face based on the distribution of non-visual characteristics and the distribution of non-visual characteristics previously acquired by the spoofing detection model. For example, the detection model 130 may detect face spoofing by an operation to be described later with reference to FIG. 2 . The sensing model 130 may be obtained by learning the sensing model 330 of FIG. 4 . The detection model 130 may output the face to the recognizer 150 when face spoofing is not detected from the face.

다양한 실시예에 따르면, 인식기(150)는 감지 모델(130)이 얼굴로부터 얼굴 스푸핑을 감지하지 않은 경우에는 얼굴을 인식하여 얼굴과 대응되는 사람의 정보와 매칭시킴으로써 대응되는 사람을 결정할 수 있다. 얼굴과 대응되는 사람의 정보는 데이터베이스(미도시)로부터 공급받은 것일 수 있다.According to various embodiments, when the detection model 130 does not detect face spoofing from a face, the recognizer 150 may determine a corresponding person by recognizing a face and matching the face with information about a person corresponding to the face. Information on a person corresponding to a face may be supplied from a database (not shown).

도 2는 다양한 실시예에 따른 얼굴 스푸핑을 감지하는 감지 모델의 블록도이다.2 is a block diagram of a detection model for detecting face spoofing according to various embodiments.

도 2를 참조하면, 다양한 실시예에 따르면, 감지 모델(130)은 분류 모델(210), 분포 모델(230), 및 스푸핑 감지 모델(250)을 포함할 수 있다. 분포 모델(230) 및 스푸핑 감지 모델(250)은 각각 도 4의 분포 모델(440) 및 스푸핑 감지 모델(460)이 학습된 것일 수 있다. 감지 모델(130)은 촬영 장치(미도시)로부터 수신한 얼굴의 실화상 이미지, 및 얼굴의 비시각적 특성에 기초하여 얼굴로부터 얼굴 스푸핑을 감지하고, 얼굴로부터 얼굴 스푸핑이 감지되지 않은 경우에는 인식기(예: 도 1의 인식기(150))에 얼굴을 출력할 수 있다.Referring to FIG. 2 , according to various embodiments, a detection model 130 may include a classification model 210 , a distribution model 230 , and a spoofing detection model 250 . The distribution model 230 and the spoofing detection model 250 may be obtained by learning the distribution model 440 and the spoofing detection model 460 of FIG. 4 , respectively. The detection model 130 detects face spoofing from a face based on a real image of a face received from a photographing device (not shown) and non-visual characteristics of the face, and when face spoofing is not detected from a face, a recognizer ( Example: A face may be output to the recognizer 150 in FIG. 1 .

다양한 실시예에 따르면, 분류 모델(210)은 얼굴의 실화상 이미지에 포함된 객체에 기초하여 분류 기준을 설정하고, 분류 기준에 따라 실화상 이미지를 하나 이상의 영역으로 분류할 수 있다. 예를 들어, 분류 모델(210)은 실화상 이미지에 포함된 객체가 얼굴에 통상적으로 고정되어 있는 객체가 아니라 탈부착이 가능한 가변적 객체(예: 안경, 모자 등)인 경우에는 가변적 객체를 제외한 영역을 특성 측정 영역(예: 온도 측정 영역, 습도 측정 영역 등)으로 분류할 수 있다. 예를 들어, 분류 모델(210)은 실화상 이미지에 포함된 객체가 얼굴에 통상적으로 고정되는 객체(예: 입술, 눈썹 등)인 경우에는 객체를 포함한 영역을 특성 측정 영역으로 분류할 수 있다. 예를 들어, 분류 모델(210)은 실화상 이미지에 포함된 객체가 눈썹을 제외한 체모(예: 수염, 털 등)인 경우에는 체모가 위치한 영역을 포함하여 특성 측정 영역(예: 온도 측정 영역, 습도 측정 영역 등)으로 분류할 수 있다.According to various embodiments, the classification model 210 may set classification criteria based on objects included in the real image of a face, and classify the real image into one or more regions according to the classification criteria. For example, the classification model 210 classifies an area excluding the variable object when the object included in the real image is not an object that is normally fixed to the face but a detachable variable object (eg, glasses, a hat, etc.). It can be classified by characteristic measurement area (eg temperature measurement area, humidity measurement area, etc.). For example, the classification model 210 may classify a region including the object as a characteristic measurement region when an object included in the real image is an object (eg, lips, eyebrows, etc.) that is normally fixed to a face. For example, the classification model 210, when an object included in the real image is body hair (eg, beard, hair, etc.) excluding eyebrows, includes a region where the body hair is located and a characteristic measurement region (eg, temperature measurement region, humidity measurement area, etc.).

다양한 실시예에 따르면, 분포 모델(230)은 특성 측정 영역으로 분류된 영역에 대응하는 얼굴의 비시각적 특성(예: 온도, 습도 등)을 측정할 수 있다. 분포 모델(230)은 비시각적 특성의 측정을 통해 비시각적 특성의 분포(예: 온도 분포, 습도 분포 등)를 출력할 수 있다.According to various embodiments, the distribution model 230 may measure non-visual characteristics (eg, temperature, humidity, etc.) of a face corresponding to a region classified as a characteristic measurement region. The distribution model 230 may output a distribution (eg, temperature distribution, humidity distribution, etc.) of non-visual characteristics through measurement of non-visual characteristics.

다양한 실시예에 따르면, 스푸핑 감지 모델(250)은 분포 모델(230)로부터 수신한 비시각적 특성의 분포, 실화상 이미지에 포함된 객체, 외부 조건(예: 온도, 운동 상태 등)에 기초하여 얼굴로부터 얼굴 스푸핑을 감지할 수 있다. 예를 들어, 얼굴의 비시각적 특성의 분포로서 온도의 분포를 수신하고 실화상 이미지가 안경을 포함하며 격한 운동을 한 직후라는 조건이 부여된 경우에는, 스푸핑 감지 모델(250)은 안경을 제외한 영역인 특성 측정 영역의 온도 분포와 격한 운동을 한 직후의 온도 분포 데이터 평균값(예: 평균값)을 비교할 수 있다. 스푸핑 감지 모델(250)은 특성 측정 영역의 온도 분포가 평균값의 임계치 범위를 벗어나는 경우에는 거짓으로 판단할 수 있다.According to various embodiments, the spoofing detection model 250 is a face based on the distribution of non-visual characteristics received from the distribution model 230, objects included in the real image, and external conditions (eg, temperature, movement state, etc.) can detect face spoofing from For example, when a condition is given that a distribution of temperature is received as a distribution of non-visual characteristics of a face, a real image includes glasses, and immediately after vigorous exercise is given, the spoof detection model 250 detects an area excluding the glasses. It is possible to compare the temperature distribution of the phosphorus characteristic measurement area with the average value of the temperature distribution data immediately after intense exercise (e.g. average value). The spoofing detection model 250 may determine that the temperature distribution of the characteristic measurement region is false when the temperature distribution of the characteristic measurement area is out of the threshold range of the average value.

도 3은 다양한 실시예에 따른 감지 모델을 생성하는 전자 장치를 설명하기 위한 도면이다.3 is a diagram for explaining an electronic device generating a sensing model according to various embodiments.

도 3을 참조하면, 다양한 실시예에 따르면, 전자 장치(300)는 감지 모델(330) 및 인식기(350)를 포함하고, 제1 학습 데이터 및 제2 학습 데이터에 기초하여 얼굴로부터 얼굴 스푸핑을 감지하는 감지 모델(330)을 생성(예: 학습)할 수 있다. 제1 학습 데이터는 얼굴의 실화상 이미지에 기초하여 생성된 것이고, 제2 학습 데이터는 얼굴의 비시각적 특성에 기초하여 생성된 것일 수 있다. 얼굴의 실화상 이미지는 얼굴의 비시각적 특성을 측정하도록 정해진 영역 안의 이미지로써 실화상 이미지는 비시각적 특징과 맵핑된 관계에 있을 수 있다. 전자 장치(300)는 감지 모델(330)이 얼굴로부터 얼굴 스푸핑을 감지하지 못한 경우에는 인식기(350)를 통해 얼굴을 인식하여 얼굴과 대응되는 사람을 결정할 수 있다.Referring to FIG. 3 , according to various embodiments, an electronic device 300 includes a sensing model 330 and a recognizer 350 and detects face spoofing from a face based on first learning data and second learning data. It is possible to create (eg, learn) a sensing model 330 that does. The first training data may be generated based on a real image of the face, and the second training data may be generated based on non-visual characteristics of the face. The real image of the face is an image within a region determined to measure the non-visual characteristics of the face, and the real image may have a mapped relationship with the non-visual characteristics. When the detection model 330 does not detect face spoofing from the face, the electronic device 300 may recognize the face through the recognizer 350 and determine a person corresponding to the face.

도 4는 다양한 실시예에 따른 감지 모델을 생성하는 동작을 설명하기 위한 도면이다.4 is a diagram for explaining an operation of generating a sensing model according to various embodiments.

도 4를 참조하면, 다양한 실시예에 따르면, 감지 모델(330)은 분류 모델(210),제1 학습 데이터베이스, 분포 모델(440), 제2 학습 데이터베이스, 및 스푸핑 감지 모델(460)을 포함할 수 있다. 감지 모델(330)은 얼굴로부터 얼굴 스푸핑을 감지하도록 학습될 수 있고, 얼굴로부터 얼굴 스푸핑이 감지되지 않은 경우에는 인식기(예: 도 3의 인식기(150))에 얼굴을 출력하도록 학습될 수 있다.Referring to FIG. 4 , according to various embodiments, a detection model 330 may include a classification model 210, a first learning database, a distribution model 440, a second learning database, and a spoofing detection model 460. can The detection model 330 may be trained to detect face spoofing from a face, and may be trained to output a face to a recognizer (eg, recognizer 150 of FIG. 3 ) when face spoofing is not detected from a face.

다양한 실시예에 따르면, 분류 모델(210)은 얼굴의 실화상 이미지에 포함된 객체에 기초하여 분류 기준을 설정하고, 분류 기준에 따라 실화상 이미지를 하나 이상의 영역으로 분류함으로써 제1 학습 데이터를 생성할 수 있다. 예를 들어, 분류 모델(210)은 실화상 이미지에 포함된 객체가 얼굴에 통상적으로 고정되는 객체(예: 입술, 눈썹 등)인 경우에는 객체를 포함한 영역을 특성 측정 영역으로 분류할 수 있다. 예를 들어, 분류 모델(210)은 실화상 이미지에 포함된 객체가 눈썹을 제외한 체모(예: 수염, 털 등)인 경우에는 체모가 위치한 영역을 포함하여 특성 측정 영역(예: 온도 측정 영역, 습도 측정 영역 등)으로 분류할 수 있다. 제1 학습 데이터와 실화상 이미지는 쌍으로 존재할 수 있으며, 제1 학습 데이터베이스(430)는 제1 학습 데이터와 실화상 이미지의 쌍의 집합일 수 있다.According to various embodiments, the classification model 210 generates first learning data by setting classification criteria based on objects included in the real image of a face and classifying the real image into one or more areas according to the classification criteria. can do. For example, the classification model 210 may classify a region including the object as a characteristic measurement region when an object included in the real image is an object (eg, lips, eyebrows, etc.) that is normally fixed to a face. For example, the classification model 210, when an object included in the real image is body hair (eg, beard, hair, etc.) excluding eyebrows, includes a region where the body hair is located and a characteristic measurement region (eg, temperature measurement region, humidity measurement area, etc.). The first training data and the real image may exist in pairs, and the first training database 430 may be a set of pairs of the first training data and the real image.

다양한 실시예에 따르면, 분포 모델(440)은 실화상 이미지 및 제1 학습 데이터에 기초하여 실화상 이미지에 포함된 객체에 따라 얼굴의 특성 분포를 생성하도록 학습될 수 있다. 분포 모델(440)은 실화상 이미지에 포함된 객체에 따라 특성 측정 영역으로 분류된 영역에 대응하는 얼굴의 비시각적 특성(예: 온도, 습도 등)을 측정하여 비시각적 특성의 분포인 제2 학습 데이터(예: 온도 분포, 습도 분포 등)를 출력(예: 생성)할 수 있다. 제2 학습데이터베이스(450)는 제2 학습 데이터를 저장할 수 있다.According to various embodiments, the distribution model 440 may be trained to generate a face feature distribution according to objects included in the real image based on the real image and the first learning data. The distribution model 440 measures non-visual characteristics (eg, temperature, humidity, etc.) of a face corresponding to a region classified as a characteristic measurement region according to an object included in a real image, and second learning, which is a distribution of non-visual characteristics, is performed. Data (eg temperature distribution, humidity distribution, etc.) can be output (eg generated). The second learning database 450 may store second learning data.

다양한 실시예에 따르면, 스푸핑 감지 모델(460)은 제2 학습 데이터에 기초하여 얼굴 스푸핑을 감지하도록 학습될 수 있다. 스푸핑 감지 모델(460)은 제2 학습 데이터, 실화상 이미지에 포함된 객체, 외부 조건(예: 온도, 운동 상태 등)에 기초하여 얼굴로부터 얼굴 스푸핑을 감지하도록 학습될 수 있다. 예를 들어, 얼굴의 비시각적 특성의 분포로서 온도의 분포를 수신하고 실화상 이미지가 안경을 포함하며 격한 운동을 한 직후라는 조건이 부여된 경우에는, 스푸핑 감지 모델(460)은 안경을 제외한 영역인 특성 측정 영역의 온도 분포와 격한 운동을 한 직후의 온도 분포 데이터 평균값(예: 평균값)을 비교하도록 학습될 수 있다. 스푸핑 감지 모델(460)은 특성 측정 영역의 온도 분포가 평균값의 임계치 범위를 벗어나는 경우에는 거짓으로 판단하도록 학습될 수 있다.According to various embodiments, the spoofing detection model 460 may be trained to detect face spoofing based on the second training data. The spoofing detection model 460 may be trained to detect face spoofing from a face based on the second learning data, an object included in the real image, and an external condition (eg, temperature, motion state, etc.). For example, when a condition is given that a distribution of temperature is received as a distribution of non-visual characteristics of a face, a real image includes glasses, and immediately after vigorous exercise is given, the spoof detection model 460 detects an area excluding the glasses. It can be learned to compare the temperature distribution of the phosphorus characteristic measurement area with the average value (eg, average value) of the temperature distribution data immediately after intense exercise. The spoofing detection model 460 may learn to determine false when the temperature distribution of the characteristic measurement region is out of the threshold range of the average value.

도 5는 다양한 실시예에 따른 전자 장치의 동작 방법의 일 예에 대한 흐름도이다.5 is a flowchart of an example of a method of operating an electronic device according to various embodiments.

동작 510 내지 동작 530은 전자 장치(예: 도 1의 전자 장치(100))가 얼굴 스푸핑이 감지되지 않은 경우에 얼굴을 인식하는 동작을 설명하기 위한 것일 수 있다.Operations 510 to 530 may be for describing operations of recognizing a face when an electronic device (eg, the electronic device 100 of FIG. 1 ) does not detect face spoofing.

동작 510에서, 전자 장치(100)는 얼굴의 실화상 이미지에 포함된 객체에 기초하여 설정한 분류 기준에 따라 실화상 이미지를 복수의 영역으로 분류할 수 있다.In operation 510, the electronic device 100 may classify the real image into a plurality of regions according to a classification criterion set based on objects included in the real image of the face.

동작 520에서, 전자 장치(100)는 분류 기준에 대응하는 측정 기준에 따라 복수의 영역의 비시각적 특성(예: 온도, 습도 등)을 측정하여 복수의 영역에서 비시각적 특성의 분포(예: 온도 분포, 습도 분포 등)를 획득할 수 있다. 실화상 이미지는 비시각적 특성을 측정하도록 정해진 영역 안의 이미지로서, 실화상 이미지와 비시각적 특성은 1:1 매핑 관계에 있는 것일 수 있다.In operation 520, the electronic device 100 measures non-visual characteristics (eg, temperature, humidity, etc.) of a plurality of regions according to a measurement criterion corresponding to the classification criterion, and distributes the non-visual characteristics (eg, temperature) in the plurality of regions. distribution, humidity distribution, etc.) can be obtained. The real image is an image within a region determined to measure non-visual characteristics, and the real image and non-visual characteristics may have a 1:1 mapping relationship.

동작 530에서, 전자 장치(100)는 비시각적 특성의 분포에 기초하여 상기 얼굴로부터 얼굴 스푸핑을 감지할 수 있다. 전자 장치(100)는 얼굴로부터 얼굴 스푸핑이 감지되지 않은 경우에는 얼굴을 인식하여 얼굴과 대응되는 사람을 결정할 수 있다.In operation 530, the electronic device 100 may detect face spoofing from the face based on the distribution of non-visual characteristics. When face spoofing is not detected from the face, the electronic device 100 may recognize the face and determine a person corresponding to the face.

도 6은 다양한 실시예에 따른, 전자 장치의 다른 예를 나타낸다.6 illustrates another example of an electronic device according to various embodiments.

도 6을 참조하면, 다양한 실시예에 따르면, 전자 장치(600)는 도 1의 전자 장치(100) 및/또는 도 3의 전자 장치(300)와 실질적으로 동일할 수 있다. 전자 장치(600)는 메모리(610) 및 프로세서(630)을 포함할 수 있다.Referring to FIG. 6 , according to various embodiments, an electronic device 600 may be substantially the same as the electronic device 100 of FIG. 1 and/or the electronic device 300 of FIG. 3 . The electronic device 600 may include a memory 610 and a processor 630 .

다양한 실시예에 따르면, 메모리(610)는 프로세서(630)에 의해 실행가능한 인스트럭션들(예: 프로그램)을 저장할 수 있다. 예를 들어, 인스트럭션들은 프로세서(630)의 동작 및/또는 프로세서(630)의 각 구성의 동작을 실행하기 위한 인스트럭션들을 포함할 수 있다.According to various embodiments, the memory 610 may store instructions (eg, programs) executable by the processor 630 . For example, the instructions may include instructions for executing an operation of the processor 630 and/or an operation of each component of the processor 630 .

다양한 실시예에 따르면, 메모리(610)는 휘발성 메모리 장치 또는 불휘발성 메모리 장치로 구현될 수 있다. 휘발성 메모리 장치는 DRAM(dynamic random access memory), SRAM(static random access memory), T-RAM(thyristor RAM), Z-RAM(zero capacitor RAM), 또는 TTRAM(Twin Transistor RAM)으로 구현될 수 있다. 불휘발성 메모리 장치는 EEPROM(Electrically Erasable Programmable Read-Only Memory), 플래시(flash) 메모리, MRAM(Magnetic RAM), 스핀전달토크 MRAM(Spin-Transfer Torque(STT)-MRAM), Conductive Bridging RAM(CBRAM), FeRAM(Ferroelectric RAM), PRAM(Phase change RAM), 저항 메모리(Resistive RAM(RRAM)), 나노 튜브 RRAM(Nanotube RRAM), 폴리머 RAM(Polymer RAM(PoRAM)), 나노 부유 게이트 메모리(Nano Floating Gate Memory(NFGM)), 홀로그래픽 메모리(holographic memory), 분자 전자 메모리 소자(Molecular Electronic Memory Device), 및/또는 절연 저항 변화 메모리(Insulator Resistance Change Memory)로 구현될 수 있다.According to various embodiments, the memory 610 may be implemented as a volatile memory device or a nonvolatile memory device. The volatile memory device may be implemented as dynamic random access memory (DRAM), static random access memory (SRAM), thyristor RAM (T-RAM), zero capacitor RAM (Z-RAM), or twin transistor RAM (TTRAM). Non-volatile memory devices include electrically erasable programmable read-only memory (EEPROM), flash memory, magnetic RAM (MRAM), spin-transfer torque (STT)-MRAM (conductive bridging RAM), and conductive bridging RAM (CBRAM). , FeRAM (Ferroelectric RAM), PRAM (Phase change RAM), Resistive RAM (RRAM), Nanotube RRAM (Polymer RAM (PoRAM)), Nano Floating Gate Memory Memory (NFGM)), holographic memory, molecular electronic memory device (Molecular Electronic Memory Device), and/or Insulator Resistance Change Memory.

다양한 실시예에 따르면, 프로세서(630)는 메모리(610)에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서(630)에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다. 프로세서(630)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 목적하는 동작들은 예를 들어, 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다. 하드웨어로 구현된 데이터 처리 장치는 예를 들어, 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.According to various embodiments, the processor 630 may execute computer readable codes (eg, software) stored in the memory 610 and instructions triggered by the processor 630 . The processor 630 may be a hardware-implemented data processing device having a circuit having a physical structure for executing desired operations. Target operations may include, for example, code or instructions included in a program. A data processing unit implemented in hardware includes, for example, a microprocessor, a central processing unit, a processor core, a multi-core processor, and a multiprocessor. , Application-Specific Integrated Circuit (ASIC), and Field Programmable Gate Array (FPGA).

다양한 실시예에 따르면, 프로세서(630)에 의해 수행되는 동작은 도 1, 도 2, 및 도 5을 참조하여 설명한 전자 장치(100)의 동작과 실질적으로 동일할 수 있다. 도 1, 도 2, 및 도 5에서 설명한 전자 장치(100)의 각 구성(예: 감지 모델(130), 인식기(150))는 프로세서(630)에 의해 실행될 수 있다. 또한, 프로세서(630)에 의해 수행되는 동작은 도 3 및 도 4를 참조하여 설명한 전자 장치(300)의 동작과 실질적으로 동일할 수 있다. 이에, 상세한 설명은 생략하도록 한다.According to various embodiments, an operation performed by the processor 630 may be substantially the same as that of the electronic device 100 described with reference to FIGS. 1, 2, and 5 . Each component of the electronic device 100 described in FIGS. 1, 2, and 5 (eg, the sensing model 130 and the recognizer 150) may be executed by the processor 630. Also, an operation performed by the processor 630 may be substantially the same as that of the electronic device 300 described with reference to FIGS. 3 and 4 . Accordingly, detailed descriptions will be omitted.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The embodiments described above may be implemented as hardware components, software components, and/or a combination of hardware components and software components. For example, the devices, methods and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate (FPGA). array), programmable logic units (PLUs), microprocessors, or any other device capable of executing and responding to instructions. The processing device may execute an operating system (OS) and software applications running on the operating system. A processing device may also access, store, manipulate, process, and generate data in response to execution of software. For convenience of understanding, there are cases in which one processing device is used, but those skilled in the art will understand that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it can include. For example, a processing device may include a plurality of processors or a processor and a controller. Other processing configurations are also possible, such as parallel processors.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.Software may include a computer program, code, instructions, or a combination of one or more of the foregoing, which configures a processing device to operate as desired or processes independently or collectively. The device can be commanded. Software and/or data may be any tangible machine, component, physical device, virtual equipment, computer storage medium or device, intended to be interpreted by or provide instructions or data to a processing device. , or may be permanently or temporarily embodied in a transmitted signal wave. Software may be distributed on networked computer systems and stored or executed in a distributed manner. Software and data may be stored on computer readable media.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 저장할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable medium. A computer readable medium may store program instructions, data files, data structures, etc. alone or in combination, and program instructions recorded on the medium may be specially designed and configured for the embodiment or may be known and usable to those skilled in the art of computer software. there is. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. - includes hardware devices specially configured to store and execute program instructions, such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler.

위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모델로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The hardware devices described above may be configured to operate as one or a plurality of software models to perform the operations of the embodiments, and vice versa.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with limited drawings, those skilled in the art can apply various technical modifications and variations based on this. For example, the described techniques may be performed in an order different from the method described, and/or components of the described system, structure, device, circuit, etc. may be combined or combined in a different form than the method described, or other components may be used. Or even if it is replaced or substituted by equivalents, appropriate results can be achieved.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents of the claims are within the scope of the following claims.

Claims

A method for detecting face spoofing,
classifying the real image of the face into one or more regions according to classification criteria set based on objects included in the real image of the face;
obtaining a distribution of the non-visual characteristics by measuring the non-visual characteristics of the face corresponding to the one or more regions according to a measurement criterion corresponding to the classification criterion; and
An operation of detecting face spoofing from the face based on the distribution of the non-visual characteristics.
Including, the detection method.

According to claim 1,
When face spoofing is not detected from the face, recognizing the face and determining a person corresponding to the face
Further comprising a, detection method.

According to claim 1,
Wherein the non-visual characteristic is temperature.

According to claim 1,
The sensing method of claim 1 , wherein the real image is an image within a region determined to measure the non-visual characteristic.

A method for generating a detection model for detecting face spoofing,
generating first learning data based on the real image of the face;
generating second learning data based on the non-visual characteristics of the face; and
Generating the sensing model based on the first learning data and the second learning data.
Including, a detection model generation method.

According to claim 5,
The operation of generating the first learning data,
Generating the first learning data by classifying the real image into one or more regions according to classification criteria set based on objects included in the real image.
Including, a detection model generation method.

According to claim 6,
The operation of generating the second learning data,
An operation of measuring non-visual characteristics of a face corresponding to the one or more regions according to a measurement criterion corresponding to the classification criterion to generate second learning data that is a distribution of the non-visual characteristics.
Including, a detection model generation method.

According to claim 7,
The operation of generating the sensing model,
learning a distribution model included in the sensing model based on the first training data and the real image; and
An operation of learning a spoofing detection model included in the detection model based on the second training data that is an output of the distribution model.
Including, a detection model generation method.

According to claim 7,
The method of generating a sensing model, wherein the non-visual characteristic is temperature.

According to claim 5,
The method of generating a sensing model, wherein the real image is an image within a region determined to measure the non-visual characteristic.

memory containing instructions; and
A processor electrically connected to the memory and configured to execute the instructions
including,
When the instructions are executed by the processor, the processor:
Classifying the real image into one or more regions according to classification criteria set based on objects included in the real image of the face;
Obtaining a distribution of the non-visual characteristics by measuring non-visual characteristics of a face corresponding to the one or more regions according to a measurement criterion corresponding to the classification criterion;
and detecting face spoofing from the face based on the distribution of the non-visual feature.

According to claim 11,
the processor,
and recognizing the face to determine a person corresponding to the face when face spoofing is not detected from the face.

According to claim 11,
Wherein the non-visual characteristic is temperature.

According to claim 11,
The sensing device, wherein the real image is an image within a region determined to measure the non-visual characteristic.

memory containing instructions; and
A processor electrically connected to the memory and configured to execute the instructions
including,
When the instructions are executed by the processor, the processor:

A method for generating a detection model for detecting face spoofing,
generating first learning data based on the real image of the face;
generating second learning data based on the non-visual characteristics of the face;
and generating the sensing model based on the first learning data and the second learning data.

According to claim 15,
the processor,
and generating the first training data by classifying the real image into one or more regions according to classification criteria set based on objects included in the real image.

According to claim 16,
the processor,
and generating second learning data that is a distribution of the non-visual characteristics by measuring non-visual characteristics of a face corresponding to the one or more regions according to a measurement criterion corresponding to the classification criterion.

According to claim 17,
the processor,
Learning a distribution model included in the sensing model based on the first learning data and the real image;
and learning a spoofing detection model included in the detection model based on the second training data that is an output of the distribution model.

According to claim 17,
Wherein the non-visual property is temperature.

According to claim 15,
The real image is an image within a region determined to measure the non-visual characteristic.