1 |
1
적어도 일부가 겹쳐진 제1 지문 및 제2 지문이 촬영된 영상을 획득하는 단계;상기 영상의 상기 제2 지문과 겹치지 않은 상기 제1 지문에 해당하는 영역에서 복수의 제1 픽셀들을 선택하고, 상기 영상의 상기 제1 지문과 겹치지 않은 상기 제2 지문에 해당하는 영역에서 복수의 제2 픽셀들을 선택하는 단계;상기 영상으로부터 상기 복수의 제1 픽셀들 각각의 복수의 제1 흡광도 데이터들 및 상기 복수의 제2 픽셀들 각각의 복수의 제2 흡광도 데이터들을 추출하는 단계;상기 복수의 제1 픽셀들 각각의 상기 복수의 제1 흡광도 데이터들 및 상기 복수의 제2 픽셀들 각각의 상기 복수의 제2 흡광도 데이터들을 기계 학습하여 픽셀이 속하는 지문을 판별하는 학습 모델을 생성하는 단계;상기 영상으로부터 전체 픽셀들 각각의 복수의 제3 흡광도 데이터들을 추출하는 단계; 및상기 전체 픽셀들 각각의 상기 복수의 제3 흡광도 데이터들을 상기 학습 모델에 입력하여 상기 전체 픽셀들이 각각 상기 제1 지문에 속하는지 상기 제2 지문에 속하는지 구별하는 단계;를 포함하는, 지문 분리 방법
|
2 |
2
청구항 1에 있어서,상기 영상은 푸리에-변환 적외선 현미경에 의해 촬영된 적외선 흡광도 영상인, 지문 분리 방법
|
3 |
3
청구항 2에 있어서,상기 적외선 흡광도 영상은 각기 다른 파장의 복수의 적외선들에 의해 촬영된 복수의 적외선 흡광도 영상들인, 지문 분리 방법
|
4 |
4
청구항 1에 있어서,상기 학습 모델을 생성하는 단계는, 상기 복수의 제1 흡광도 데이터들을 제1 라벨로 라벨링하고, 상기 복수의 제2 흡광도 데이터들을 제2 라벨로 라벨링하는 기계 학습을 수행하여 상기 학습 모델을 생성하는 단계인, 지문 분리 방법
|
5 |
5
청구항 4에 있어서,상기 전체 픽셀들이 각각 상기 제1 지문에 속하는지 상기 제2 지문에 속하는지 구별하는 단계는, 상기 복수의 제3 흡광도 데이터들을 상기 학습 모델에 입력하여 상기 복수의 제3 흡광도 데이터들을 상기 제1 라벨 또는 상기 제2 라벨로 라벨링하는 단계; 및상기 제1 라벨로 라벨링된 복수의 제3 흡광도 데이터들에 대응하는 픽셀을 상기 제1 지문으로 구별하고, 상기 제2 라벨로 라벨링된 복수의 제3 흡광도 데이터들에 대응하는 픽셀을 상기 제2 지문으로 구별하는 단계;를 포함하는, 지문 분리 방법
|
6 |
6
청구항 1에 있어서,상기 기계 학습은 CNN(Convolutional Neural Network) 알고리즘에 의하는, 지문 분리 방법
|
7 |
7
청구항 1에 있어서,상기 영상의 상기 제1 지문 및 상기 제2 지문에 해당하지 않는 영역에서 복수의 제4 픽셀들을 선택하는 단계; 및상기 영상으로부터 상기 복수의 제4 픽셀들 각각의 복수의 제4 흡광도 데이터를 추출하는 단계;를 더 포함하고, 상기 학습 모델을 생성하는 단계는, 상기 복수의 제1 픽셀들 각각의 상기 복수의 제1 흡광도 데이터들, 상기 복수의 제2 픽셀들 각각의 상기 복수의 제2 흡광도 데이터들, 및 상기 복수의 제4 픽셀들 각각의 상기 복수의 제4 흡광도 데이터들을 기계 학습하여 픽셀이 지문에 속하는지 여부를 판별하는 학습 모델을 생성하는 단계이고, 상기 전체 픽셀들이 각각 상기 제1 지문에 속하는지 상기 제2 지문에 속하는지 구별하는 단계는, 상기 전체 픽셀들 각각의 상기 복수의 제3 흡광도 데이터들을 상기 학습 모델에 입력하여 상기 전체 픽셀들이 각각 상기 제1 지문에 속하는지, 상기 제2 지문에 속하는지, 또는 상기 제1 지문 및 상기 제2 지문에 속하지 않는지 구별하는 단계인, 지문 분리 방법
|
8 |
8
청구항 7에 있어서,상기 학습 모델을 생성하는 단계는, 상기 복수의 제1 흡광도 데이터들을 제1 라벨로 라벨링하고, 상기 복수의 제2 흡광도 데이터들을 제2 라벨로 라벨링하고, 상기 복수의 제4 흡광도 데이터들을 제3 레벨로 라벨링하는 기계 학습을 수행하여 상기 학습 모델을 생성하는 단계인, 지문 분리 방법
|
9 |
9
적어도 일부가 겹쳐진 제1 지문 및 제2 지문이 촬영된 영상을 획득하는 영상 획득 모듈;상기 영상의 상기 제2 지문과 겹치지 않은 상기 제1 지문에 해당하는 영역에서 복수의 제1 픽셀들을 선택하고, 상기 영상의 상기 제1 지문과 겹치지 않은 상기 제2 지문에 해당하는 영역에서 복수의 제2 픽셀들을 선택하고, 상기 영상으로부터 상기 복수의 제1 픽셀들 각각의 복수의 제1 흡광도 데이터들 및 상기 복수의 제2 픽셀들 각각의 복수의 제2 흡광도 데이터들을 추출하고, 상기 복수의 제1 픽셀들 각각의 상기 복수의 제1 흡광도 데이터들 및 상기 복수의 제2 픽셀들 각각의 상기 복수의 제2 흡광도 데이터들을 기계 학습하여 픽셀이 속하는 지문을 판별하는 학습 모델을 생성하는 기계 학습 모듈; 및상기 영상으로부터 전체 픽셀들 각각의 복수의 제3 흡광도 데이터들을 추출하고, 상기 복수의 제3 흡광도 데이터들을 상기 학습 모델에 입력하여 상기 전체 픽셀들이 각각 상기 제1 지문에 속하는지 상기 제2 지문에 속하는지 구별하는 지문 분류 모듈;을 포함하는, 지문 분리 장치
|
10 |
10
청구항 9에 있어서,상기 영상은 푸리에-변환 적외선 현미경에 의해 촬영된 적외선 흡광도 영상인, 지문 분리 장치
|
11 |
11
청구항 10에 있어서,상기 적외선 흡광도 영상은 각기 다른 파장의 복수의 적외선들에 의해 촬영된 복수의 적외선 흡광도 영상들인, 지문 분리 장치
|
12 |
12
청구항 9에 있어서,상기 기계 학습 모듈은 상기 복수의 제1 흡광도 데이터들을 제1 라벨로 라벨링하고, 상기 복수의 제2 흡광도 데이터들을 제2 라벨로 라벨링하는 기계 학습을 수행하여 상기 학습 모델을 생성하는, 지문 분리 장치
|
13 |
13
청구항 12에 있어서,상기 지문 분류 모듈은 상기 복수의 제3 흡광도 데이터들을 상기 학습 모델에 입력하여 상기 복수의 제3 흡광도 데이터들을 상기 제1 라벨 또는 상기 제2 라벨로 라벨링하고, 상기 제1 라벨로 라벨링된 복수의 제3 흡광도 데이터들에 대응하는 픽셀을 상기 제1 지문으로 구별하고, 상기 제2 라벨로 라벨링된 복수의 제3 흡광도 데이터들에 대응하는 픽셀을 상기 제2 지문으로 구별하는, 지문 분리 장치
|
14 |
14
청구항 9에 있어서,상기 기계 학습 모듈은 CNN(Convolutional Neural Network) 알고리즘에 의해 상기 학습 모델을 생성하는, 지문 분리 장치
|
15 |
15
청구항 9에 있어서,상기 기계 학습 모듈은 상기 영상의 상기 제1 지문 및 상기 제2 지문에 해당하지 않는 영역에서 복수의 제4 픽셀들을 선택하고, 상기 영상으로부터 상기 복수의 제4 픽셀들 각각의 복수의 제4 흡광도 데이터를 추출하고, 상기 복수의 제1 픽셀들 각각의 상기 복수의 제1 흡광도 데이터들, 상기 복수의 제2 픽셀들 각각의 상기 복수의 제2 흡광도 데이터들, 및 상기 복수의 제4 픽셀들 각각의 상기 복수의 제4 흡광도 데이터들을 기계 학습하여 픽셀이 지문에 속하는지 여부를 판별하는 학습 모델을 생성하고, 상기 지문 분류 모듈은 상기 전체 픽셀들 각각의 상기 복수의 제3 흡광도 데이터들을 상기 학습 모델에 입력하여 상기 전체 픽셀들이 각각 상기 제1 지문에 속하는지, 상기 제2 지문에 속하는지, 또는 상기 제1 지문 및 상기 제2 지문에 속하지 않는지 구별하는, 지문 분리 장치
|
16 |
16
청구항 15에 있어서,상기 기계 학습 모듈은 상기 복수의 제1 흡광도 데이터들을 제1 라벨로 라벨링하고, 상기 복수의 제2 흡광도 데이터들을 제2 라벨로 라벨링하고, 상기 복수의 제4 흡광도 데이터들을 제3 레벨로 라벨링하는 기계 학습을 수행하여 상기 학습 모델을 생성하는, 지문 분리 장치
|