| 1 |
1
입력 영상에 대해 전처리를 수행하여 얼굴 영상을 생성하는 전처리부;상기 얼굴 영상으로부터 핸드크래프티드 특징 벡터를 추출하는 핸드크래프티드 특징 추출부;상기 얼굴 영상으로부터 딥 특징 벡터를 추출하는 딥 특징 추출부;상기 핸드크래프티드 특징 벡터 및 상기 딥 특징 벡터를 연결하여 하이브리드 특징 벡터를 산출하여 생성하는 하이브리드 특징 산출부;상기 하이브리드 특징 벡터의 노이즈를 제거하고 차원을 축소하는 주성분 분석부; 및상기 하이브리드 특징 벡터에 따라 공격 탐지 정보를 생성하는 공격 탐지부를 포함하되,회귀 트리(ensemble of regression tree)를 이용한 얼굴 특징점(facial feature point)를 검출하고, 검출된 얼굴 특징점 중 양 눈에 대응하는 특징점 좌표를 이용하여 얼굴이 정면을 바라보도록 상기 입력 영상을 회전하고, 회전된 상기 입력 영상에서 얼굴의 외국에 위치하는 특징점을 기준으로 얼굴 영역을 검출하여, 상기 얼굴 영역이 포함된 상기 얼굴 영상을 생성하고,상기 핸드크래프티드 특징 추출부는,MLBP(Modified Local Binary Patterns) 방법을 통해 상기 핸드크래프티드 특징 벡터를 추출하고,상기 딥 특징 추출부는,CNN(Convolutional Neural Network)를 통해 상기 딥 특징 벡터를 추출하고,상기 주성분 분석부는 PCA(Principal Component Analysis)를 적용하여 상기 하이브리드 특징 벡터의 노이즈를 제거하고 차원을 축소하는 위조 공격 탐지 장치
|
| 2 |
2
삭제
|
| 3 |
3
삭제
|
| 4 |
4
제1항에 있어서, 상기 CNN은16개의 컨벌루션 레이어, 5개의 풀링 레이어 및 2개의 완전 연결 레이어를 포함한 CNN 구조를 이용하되,각 상기 컨벌루션 레이어에서 이용된 커널 사이즈는 3×3×3, 3×3×64, 3×3×128, 3×3×256 및 3×3×512 중 어느 하나이고, 패딩 사이즈는 1×1이고, 스트라이드 사이즈는 1×1이고, 필터의 수는 64, 128, 256 및 512 중 어느 하나이고, 각 상기 풀링 레이어의 필터 사이즈는 2×2이고, 스트라이드 사이즈는 2×2이고, 패딩 사이즈는 0인 것을 특징으로 하는 위조 공격 탐지 장치
|
| 5 |
5
제4항에 있어서, 2개의 상기 완전 연결 레이어는 4096 개의 특징 맵을 각각 출력하는 것을 특징으로 하는 위조 공격 탐지 장치
|
| 6 |
6
제5항에 있어서, 상기 딥 특징 추출부는,상기 완전 연결 레이어 중 마지막 완전 연결 레이어의 출력을 상기 딥 특징 벡터로 추출하는 것을 특징으로 하는 위조 공격 탐지 장치
|
| 7 |
7
삭제
|
| 8 |
8
입력 영상에 대해 전처리를 수행하여 얼굴 영상을 생성하는 단계;상기 얼굴 영상으로부터 핸드크래프티드 특징 벡터를 추출하는 단계;상기 얼굴 영상으로부터 딥 특징 벡터를 추출하는 단계;상기 핸드크래프티드 특징 벡터 및 상기 딥 특징 벡터를 연결하여 하이브리드 특징 벡터를 산출하여 생성하는 단계;상기 하이브리드 특징 벡터의 노이즈를 제거하고 차원을 축소하는 단계; 및상기 하이브리드 특징 벡터에 따라 공격 탐지 정보를 생성하는 단계를 포함하되,상기 입력 영상에 대해 전처리를 수행하여 얼굴 영상을 생성하는 단계는,회귀 트리(ensemble of regression tree)를 이용한 얼굴 특징점(facial feature point)를 검출하고, 검출된 얼굴 특징점 중 양 눈에 대응하는 특징점 좌표를 이용하여 얼굴이 정면을 바라보도록 상기 입력 영상을 회전하고, 회전된 상기 입력 영상에서 얼굴의 외국에 위치하는 특징점을 기준으로 얼굴 영역을 검출하여, 상기 얼굴 영역이 포함된 상기 얼굴 영상을 생성하고상기 얼굴 영상으로부터 핸드크래프티드 특징 벡터를 추출하는 단계는,MLBP(Modified Local Binary Patterns) 방법을 통해 상기 핸드크래프티드 특징 벡터를 추출하고,상기 얼굴 영상으로부터 딥 특징 벡터를 추출하는 단계는,CNN(Convolutional Neural Network)를 통해 상기 딥 특징 벡터를 추출하고,상기 하이브리드 특징 벡터의 노이즈를 제거하고 차원을 축소하는 단계는, PCA(Principal Component Analysis)를 적용하여 상기 하이브리드 특징 벡터의 노이즈를 제거하고 차원을 축소하는 위조 공격 탐지 방법
|
| 9 |
9
삭제
|
| 10 |
10
삭제
|
| 11 |
11
제8항에 있어서, 상기 CNN은16개의 컨벌루션 레이어, 5개의 풀링 레이어 및 2개의 완전 연결 레이어를 포함한 CNN 구조를 포함하되,각 상기 컨벌루션 레이어에서 이용된 커널 사이즈는 3×3×3, 3×3×64, 3×3×128, 3×3×256 및 3×3×512 중 어느 하나이고, 패딩 사이즈는 1×1이고, 스트라이드 사이즈는 1×1이고, 필터의 수는 64, 128, 256 및 512 중 어느 하나이고, 각 상기 풀링 레이어의 필터 사이즈는 2×2이고, 스트라이드 사이즈는 2×2이고, 패딩 사이즈는 0인 것을 특징으로 하는 위조 공격 탐지 방법
|
| 12 |
12
제11항에 있어서, 2개의 상기 완전 연결 레이어는 4096 개의 특징 맵을 각각 출력하는 것을 특징으로 하는 위조 공격 탐지 방법
|
| 13 |
13
제12항에 있어서, 상기 얼굴 영상으로부터 딥 특징 벡터를 추출하는 단계는,상기 완전 연결 레이어 중 마지막 완전 연결 레이어의 출력을 상기 딥 특징 벡터로 추출하는 단계인 것을 특징으로 하는 위조 공격 탐지 방법
|
| 14 |
14
삭제
|
| 15 |
15
제8항, 제11항 내지 제13항 중 어느 하나의 위조 공격 탐지 방법을 실행하고 컴퓨터가 판독 가능한 기록매체에 기록된 컴퓨터 프로그램
|
