KR20190030022A

KR20190030022A - 사용자 단말의 이동 경로와 소지 위치를 이용한 걸음걸이 인식 방법 및 이를 위한 장치

Info

Publication number: KR20190030022A
Application number: KR1020170117218A
Authority: KR
Inventors: 김영삼; 김석현; 김수형; 김승현; 노종혁; 조상래; 조영섭; 조진만; 진승헌; 허세영; 황정연
Original assignee: 한국전자통신연구원
Priority date: 2017-09-13
Filing date: 2017-09-13
Publication date: 2019-03-21

Abstract

사용자 단말의 이동 경로와 소지 위치를 이용한 걸음걸이 인식 방법 및 이를 위한 장치가 개시된다. 본 발명의 일실시예에 따른 걸음걸이 인식 방법은 사용자 단말에 포함된 하나 이상의 센서로부터 수집되는 센서 정보를 고려하여 검출된 복수개의 CoI들을 기반으로 사용자에 대한 이동 경로 모델을 생성하고, 센서 정보를 이용하여 사용자 단말에 대한 소지 위치 모델을 생성하고, 이동 경로 모델과 소지 위치 모델을 조합하여 사용자에 대한 걸음걸이 모델 그룹을 생성하고, 이동 경로 모델과 소지 위치 모델을 기반으로 걸음걸이 모델 그룹 중 사용자에게 적용할 걸음걸이 모델을 선택하고, 선택된 걸음걸이 모델을 적용하여 사용자의 걸음걸이를 인식한다.

Description

사용자 단말의 이동 경로와 소지 위치를 이용한 걸음걸이 인식 방법 및 이를 위한 장치 {METHOD FOR RECOGNIZING GAIT USING MOVEMENT PATH AND PLACEMENT OF USER'S TERMINAL AND APPARATUS USING THE SAME}

본 발명은 모바일 기기와 같은 사용자 단말에서의 걸음걸이 인식 기술에 관한 것으로, 특히 사용자 단말의 이동 경로 및 소지 위치를 고려하여 사용자에 대한 다양한 걸음걸이 모델을 생성하도록 함으로써 걸음걸이 인식의 정확도를 향상시킬 수 있는 기술에 관한 것이다.

모바일 기기에서의 사용자 인증은 전통적인 패스워드 기반 인증 방법과 최근의 생체인증 방법 연구로 나눌 수 있다. 패스워드 기반 인증 방법은 구현이 용이한 반면, 사용자가 패스워드를 외워야 하는 부담이 있으며, 도용에 대한 위험이 있다. 반면에 생체인증은 사용자의 고유한 생체 특성을 기반으로 하기 때문에 외울 필요가 없으며, 도용에 대한 위험도 상대적으로 낮다. 이러한 생체 인증은 자각(Explicit)과 무자각(Implicit) 인증으로 나뉠 수 있으며, 무자각 인증은 사용성 측면에서의 강점 때문에 최근 활발히 연구되고 있다.

모바일 기기에서의 무자각 생체 인증은 얼굴, 키스트로크, 터치 모션, 위치 및 걸음걸이 등 다양한 생체 특성 및 행위 특성을 활용하여 접근하고 있다. 특히, 걸음걸이 인식에 대한 연구는 전통적으로 카메라를 이용한 영상처리 방식에서 최근에는 모바일 기기에 장착된 관성센서를 활용하는 방식이 연구되고 있다.

모바일 기기의 관성센서를 이용한 걸음걸이 인식 방법은 일정 기간 동안 수집한 관성센서 데이터를 이용하여 DTW(Dynamic Time Warping)와 같은 시계열 분석 기법이나 SVM(Support Vector Machine), Gaussian Model, MLP(Multi-Layer Perceptron) 등의 기계학습 기법을 이용한다.

그러나, 걸음걸이라는 행위 특성은 주변 환경에 매우 민감하다. 예를 들어, 이동 방향이나 구조물의 배치, 바닥 면의 상태, 경사도 등 다양한 환경 변수가 존재한다. 따라서, 사용자가 이동하는 상황에서 모바일 기기의 이러한 환경적인 변수들을 고려하지 않고 전술한 걸음걸이 인식 기법을 사용하는 경우, 인식의 정확도를 높이는 데 한계가 있을 수밖에 없다. 만약, 모바일 기기의 환경적 상황을 인지하여 걸음걸이 인식에 적용할 수 있다면, 걸음걸이 인식의 정확도를 향상시킬 수 있을 것이다.

한국 공개 특허 제10-2016-0026175호, 2016년 3월 9일 공개(명칭: 생체 정보와 상황 정보를 이용한 인증 방법 및 장치)

본 발명의 목적은 모바일 기기의 다양한 센서 정보를 이용하여 이동 경로를 파악하고, 이동 경로 내에서의 기기의 소지 위치를 고려하여 걸음걸이를 인식함으로써 걸음걸이 인식의 정확도를 향상시키는 것이다.

또한, 본 발명의 목적은 걸음걸이 인식에 기반한 무자각 인증을 구현하는 것이다.

또한, 본 발명의 목적은 이동 경로에 기반한 사용자 인증 기법과 결합되어 새로운 무자각 멀티팩터 인증을 구현하는 것이다.

상기한 목적을 달성하기 위한 본 발명에 따른 걸음걸이 인식 방법은 사용자 단말의 이동 경로와 소지 위치를 이용한 걸음걸이 인식 방법에 있어서, 상기 사용자 단말에 포함된 하나 이상의 센서로부터 수집되는 센서 정보를 고려하여 검출된 복수개의 CoI(Context of Interest)들을 기반으로 사용자에 대한 이동 경로 모델을 생성하는 단계; 상기 센서 정보를 이용하여 상기 사용자 단말에 대한 소지 위치 모델을 생성하는 단계; 상기 이동 경로 모델과 상기 소지 위치 모델을 조합하여 상기 사용자에 대한 걸음걸이 모델 그룹을 생성하는 단계; 및 상기 이동 경로 모델과 상기 소지 위치 모델을 기반으로 상기 걸음걸이 모델 그룹 중 상기 사용자에게 적용할 걸음걸이 모델을 선택하고, 선택된 걸음걸이 모델을 기반으로 상기 사용자의 걸음걸이를 인식하는 단계를 포함한다.

이 때, 걸음걸이를 인식하는 단계는 상기 이동 경로 모델과 상기 센서 정보를 고려하여 상기 복수개의 CoI들을 고려한 현재 이동 경로를 파악하는 단계; 상기 소지 위치 모델, 상기 현재 이동 경로 및 상기 센서 정보 중 적어도 하나를 고려하여 상기 사용자 단말의 현재 소지 위치를 파악하는 단계; 및 상기 걸음걸이 모델 그룹 중 상기 현재 이동 경로와 상기 현재 소지 위치를 조합한 것에 상응하는 상기 걸음걸이 모델을 선택하는 단계를 포함할 수 있다.

이 때, 이동 경로 모델을 생성하는 단계는 상기 센서 정보에 포함된 시간 정보를 기반으로 상기 복수개의 CoI들 간의 이동 경로에 해당하는 복수개의 CoI 세션들을 검출하고, 상기 복수개의 CoI 세션들 각각을 이용하여 이동할 확률을 상기 복수개의 CoI 세션들에 각각 적용하여 상기 이동 경로 모델을 생성할 수 있다.

이 때, 소지 위치 모델을 생성하는 단계는 상기 센서 정보를 기반으로 상기 복수개의 CoI 세션들 각각에 대해 적어도 하나의 소지 위치를 검출하고, 상기 복수개의 CoI 세션들을 상기 적어도 하나의 소지 위치와 조합하여 복수개의 소지 위치 모델들을 생성할 수 있다.

이 때, 현재 소지 위치를 파악하는 단계는 상기 현재 이동 경로에 상응하는 현재 CoI 세션을 검출하고, 상기 복수개의 소지 위치 모델들 중 상기 현재 CoI 세션에 해당하는 적어도 하나의 소지 위치 모델과 상기 센서 정보를 비교하여 상기 현재 소지 위치를 파악할 수 있다.

이 때, 복수개의 CoI들은 상기 센서 정보를 기반으로 추출 가능한 모든 위치들 중 상기 사용자가 기설정된 기준 조건에 상응하게 머무른 위치일 수 있다.

이 때, 소지 위치 모델을 생성하는 단계는 상기 센서 정보를 분석하여 상기 사용자 단말의 소지 위치를 복수개의 제1 위치들로 1차 분류하고, 센서 정보의 클러스터링을 기반으로 상기 복수개의 제1 위치들을 각각 복수개의 제2 위치들로 2차 분류하여 상기 적어도 하나의 소지 위치를 검출할 수 있다.

이 때, 소지 위치 모델을 생성하는 단계는 가속도, 자이로스코프, 방향 및 조도 중 적어도 하나를 고려하여 상기 사용자 단말의 소지 위치를 1차 분류할 수 있다.

이 때, 현재 이동 경로를 파악하는 단계는 상기 사용자의 위치가 상기 복수개의 CoI들 중 어느 위치에도 해당하지 않는 경우, 이전에 위치했던 CoI와 상기 이동할 확률을 기준으로 상기 현재 이동 경로를 예측할 수 있다.

이 때, 현재 이동 경로를 파악하는 단계는 상기 이전에 위치했던 CoI에 해당하는 적어도 하나의 CoI 세션에 대한 이동 확률이 기설정된 기준 확률 이상일 경우, 상기 적어도 하나의 CoI 세션에 상응하는 이동 경로를 상기 현재 이동 경로로 예측할 수 있다.

또한, 본 발명의 일실시예에 따른 사용자 단말은, 하나 이상의 센서로부터 수집되는 센서 정보를 고려하여 검출된 복수개의 CoI(Context of Interest)들을 기반으로 생성된 사용자에 대한 이동 경로 모델, 상기 센서 정보를 이용하여 생성된 소지 위치 모델 및 상기 이동 경로 모델과 상기 소지 위치 모델을 조합하여 생성된 걸음걸이 모델 그룹을 저장하는 메모리; 및 상기 이동 경로 모델과 상기 소지 위치 모델을 기반으로 상기 걸음걸이 모델 그룹 중 상기 사용자에게 적용할 걸음걸이 모델을 선택하고, 선택된 걸음걸이 모델을 기반으로 상기 사용자의 걸음걸이를 인식하는 프로세서를 포함한다.

이 때, 프로세서는 상기 이동 경로 모델과 상기 센서 정보를 고려하여 상기 복수개의 CoI들을 고려한 현재 이동 경로를 파악하고, 상기 소지 위치 모델, 상기 현재 이동 경로 및 상기 센서 정보 중 적어도 하나를 고려하여 상기 사용자 단말의 현재 소지 위치를 파악하고, 상기 걸음걸이 모델 그룹 중 상기 현재 이동 경로와 상기 현재 소지 위치를 조합한 것에 상응하는 상기 걸음걸이 모델을 선택할 수 있다.

이 때, 프로세서는 상기 센서 정보에 포함된 시간 정보를 기반으로 상기 복수개의 CoI들 간의 이동 경로에 해당하는 복수개의 CoI 세션들을 검출하고, 상기 복수개의 CoI 세션들 각각을 이용하여 이동할 확률을 상기 복수개의 CoI 세션들에 각각 적용하여 상기 이동 경로 모델을 생성할 수 있다.

이 때, 프로세서는 상기 센서 정보를 기반으로 상기 복수개의 CoI 세션들 각각에 대해 적어도 하나의 소지 위치를 검출하고, 상기 복수개의 CoI 세션들을 상기 적어도 하나의 소지 위치와 조합하여 복수개의 소지 위치 모델들을 생성할 수 있다.

이 때, 프로세서는 상기 현재 이동 경로에 상응하는 현재 CoI 세션을 검출하고, 상기 복수개의 소지 위치 모델들 중 상기 현재 CoI 세션에 해당하는 적어도 하나의 소지 위치 모델과 상기 센서 정보를 비교하여 상기 현재 소지 위치를 파악할 수 있다.

이 때, 프로세서는 상기 센서 정보를 분석하여 상기 사용자 단말의 소지 위치를 복수개의 제1 위치들로 1차 분류하고, 센서 정보의 클러스터링을 기반으로 상기 복수개의 제1 위치들을 각각 복수개의 제2 위치들로 분류하여 상기 적어도 하나의 소지 위치를 검출할 수 있다.

이 때, 프로세서는 가속도, 자이로스코프, 방향 및 조도 중 적어도 하나를 고려하여 상기 사용자 단말의 소지 위치를 1차 분류할 수 있다.

이 때, 프로세서는 상기 사용자의 위치가 상기 복수개의 CoI들 중 어느 위치에도 해당하지 않는 경우, 이전에 위치했던 CoI와 상기 이동할 확률을 기준으로 상기 현재 이동 경로를 예측할 수 있다.

이 때, 프로세서는 상기 이전에 위치했던 CoI에 해당하는 적어도 하나의 CoI 세션에 대한 이동 확률이 기설정된 기준 확률 이상일 경우, 상기 적어도 하나의 CoI 세션에 상응하는 이동 경로를 상기 현재 이동 경로로 예측할 수 있다.

본 발명에 따르면, 모바일 기기의 다양한 센서 정보를 이용하여 이동 경로를 파악하고, 이동 경로 내에서의 기기의 소지 위치를 고려하여 걸음걸이를 인식함으로써 걸음걸이 인식의 정확도를 향상시킬 수 있다.

또한, 본 발명은 걸음걸이 인식에 기반한 무자각 인증을 구현할 수 있다.

또한, 본 발명은 이동 경로에 기반한 사용자 인증 기법과 결합되어 새로운 무자각 멀티팩터 인증을 구현할 수 있다.

도 1은 본 발명의 일실시예에 따른 사용자 단말의 이동 경로와 소지 위치를 이용한 걸음걸이 인식 시스템을 나타낸 도면이다.
도 2는 본 발명의 일실시예에 따른 걸음걸이 인식 방법을 나타낸 동작 흐름도이다.
도 3은 본 발명에 따른 CoI 기반 사용자 이동 경로와 CoI 세션의 일 예를 나타낸 도면이다.
도 4는 도 3을 기반으로 생성된 이동 경로 모델의 일 예를 나타낸 도면이다.
도 5는 본 발명에 따른 걸음걸이 모델을 생성하는 일 예를 나타낸 도면이다.
도 6은 도 5에서 생성된 걸음걸이 모델이 저장되는 일 예를 나타낸 도면이다.
도 7 내지 도 8은 본 발명에 따른 걸음걸이 인식 시점에 따른 걸음걸이 인식 과정의 일 예를 나타낸 도면이다.
도 9는 본 발명의 일실시예에 따른 걸음걸이 인식을 위한 사용자 단말을 나타낸 블록도이다.

본 발명을 첨부된 도면을 참조하여 상세히 설명하면 다음과 같다. 여기서, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능, 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당 업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.

이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.

도 1은 본 발명의 일실시예에 따른 사용자 단말의 이동 경로와 소지 위치를 이용한 걸음걸이 인식 시스템을 나타낸 도면이다.

도 1을 참조하면, 본 발명의 일실시예에 따른 사용자 단말의 이동 경로와 소지 위치를 이용한 걸음걸이 인식 시스템은 사용자 단말(110), 사용자(111), Wi-Fi AP(121~123) 및 네트워크(130)를 포함한다.

사용자 단말(110)은 본 발명의 일실시예에 따른 걸음걸이 인식을 수행하는 장치에 해당할 수 있다.

이 때, 사용자 단말(110)은 Wi-Fi AP(121~123)의 신호 세기를 이용한 Wi-Fi 핑거프린트 기법을 통해 사용자가 자주 방문하거나 오래 머무르는 위치를 파악하고, 파악한 위치들 간의 이동을 고려하여 사용자(111)의 걸음걸이를 인식할 수 있다.

사용자 단말(110)은 내부에 포함된 하나 이상의 센서로부터 수집되는 센서 정보를 고려하여 생성된 복수개의 CoI(Context of Interest)들을 기반으로 사용자(111)에 대한 이동 경로 모델을 생성한다.

이 때, 센서 정보에 포함된 시간 정보를 기반으로 복수개의 CoI들 간의 이동 경로에 해당하는 복수개의 CoI 세션들을 검출하고, 복수개의 CoI 세션들 각각을 이용하여 이동할 확률을 복수개의 CoI 세션들에 각각 적용하여 이동 경로 모델을 생성할 수 있다.

이 때, 복수개의 CoI들은 센서 정보를 기반으로 추출 가능한 모든 위치들 중 사용자(111)가 기설정된 기준 조건에 상응하게 머무른 위치일 수 있다.

또한, 사용자 단말(110)은 센서 정보를 이용하여 사용자 단말(110)에 대한 소지 위치 모델을 생성한다.

이 때, 센서 정보를 기반으로 복수개의 CoI 세션들 각각에 대해 적어도 하나의 소지 위치를 검출하고, 복수개의 CoI 세션들을 적어도 하나의 소지 위치와 조합하여 복수개의 소지 위치 모델들을 생성할 수 있다.

이 때, 센서 정보를 분석하여 사용자 단말(110)의 소지 위치를 복수개의 제1 위치들로 1차 분류하고, 센서 정보의 클러스터링을 기반으로 복수개의 제1 위치들을 각각 복수개의 제2 위치들로 2차 분류하여 적어도 하나의 소지 위치를 검출할 수 있다.

이 때, 가속도, 자이로스코프, 방향 및 조도 중 적어도 하나를 고려하여 사용자 단말의 소지 위치를 1차 분류할 수 있다.

또한, 사용자 단말(110)은 이동 경로 모델과 소지 위치 모델을 조합하여 사용자(111)에 대한 걸음걸이 모델 그룹을 생성한다.

또한, 사용자 단말(110)은 이동 경로 모델과 소지 위치 모델을 기반으로 걸음걸이 모델 그룹 중 사용자(111)에게 적용할 걸음걸이 모델을 선택하고, 선택된 걸음걸이 모델을 적용하여 사용자(111)의 걸음걸이를 인식한다.

이 때, 이동 경로 모델과 센서 정보를 고려하여 복수개의 CoI들을 고려한 현재 이동 경로를 파악할 수 있다.

이 때, 사용자(111)의 위치가 복수개의 CoI들 중 어느 위치에도 해당하지 않는 경우, 이전에 위치했던 CoI와 이동할 확률을 기준으로 현재 이동 경로를 예측할 수 있다.

이 때, 이전에 위치했던 CoI에 해당하는 적어도 하나의 CoI 세션에 대한 이동 확률이 기설정된 기준 확률 이상일 경우, 적어도 하나의 CoI 세션에 상응하는 이동 경로를 현재 이동 경로로 예측할 수 있다.

이 때, 소지 위치 모델, 현재 이동 경로 및 센서 정보 중 적어도 하나를 고려하여 사용자 단말(110)의 현재 소지 위치를 파악할 수 있다.

이 때, 현재 이동 경로에 상응하는 현재 CoI 세션을 검출하고, 복수개의 소지 위치 모델들 중 현재 CoI 세션에 해당하는 적어도 하나의 소지 위치 모델과 센서 정보를 비교하여 현재 소지 위치를 파악할 수 있다.

이 때, 걸음걸이 모델 그룹 중 현재 이동 경로와 현재 소지 위치를 조합한 것에 상응하는 걸음걸이 모델을 선택할 수 있다.

따라서, 사용자 단말(110)은 하나 이상의 센서를 포함할 수 있다. 예를 들어, 위치 센서, 조도 센서, 방향 센서, 자이로 센서, 가속도 센서 등을 사용자 단말(110)의 내부에 포함할 수 있다.

또한, 사용자 단말(110)은 주변에 설치된 Wi-Fi AP(121~123)의 목록이나 신호세기 등을 포함하는 Wi-Fi 핑거프린트 정보를 사용자(111)의 걸음걸이를 인식하기 위한 정보로써 획득할 수 있다.

이 때, 사용자 단말(110)은 이동통신단말기에 한정된 것이 아니고, 모든 정보통신기기, 멀티미디어 단말 및 IP(Internet Protocol) 단말 등의 다양한 단말일 수 있다. 또한, 사용자 단말(110)은 휴대폰, PMP(Portable Multimedia Played), MID(Mobile Internet Device), 스마트폰(Smart Phone), 태블릿컴퓨터(Tablet PC), 개인휴대용 정보단말(Personal Digital Assistant; PDA) 및 정보통신 기기 등과 같은 다양한 이동통신 사양을 갖는 모바일(Mobile) 단말일 수 있다.

또한, 사용자 단말(110)은 데이터를 저장하기 위한 저장부를 포함할 수 있다. 예를 들어, 주 기억장치 및 보조 기억장치를 포함하고, 사용자 단말(110)의 기능 동작에 필요한 응용 프로그램을 저장할 수 있다. 이러한 사용자 단말(110)의 저장부는 크게 프로그램 영역과 데이터 영역을 포함할 수 있다. 여기서, 사용자 단말(110)은 사용자의 요청에 상응하여 각 기능을 활성화하는 경우, 제어부의 제어 하에 해당 응용 프로그램들을 실행하여 각 기능을 제공하게 된다.

또한, 사용자 단말(120)의 통신부는 다양한 신호의 센싱을 위해 Wi-Fi AP(121~123)로부터 신호를 수신하거나 또는 웨어러블 기기로부터 센서 데이터를 획득할 수도 있다.

또한, 사용자 단말(110)의 제어부는 운영 체제(OS, Operation System) 및 각 구성을 구동시키는 프로세스 장치가 될 수 있다. 예를 들어, 제어부는 본 발명의 일실시예에 따라 사용자(111)의 걸음걸이를 인식하는 과정 전반을 제어할 수 있다.

네트워크(130)는 사용자 단말(110)에서 사용자(111)의 걸음걸이 인식을 위해 필요한 데이터를 전달하는 통로를 제공하는 것으로서, 기존에 이용되는 네트워크 및 향후 개발 가능한 네트워크를 모두 포괄하는 개념이다. 예를 들어, 네트워크는 한정된 지역 내에서 각종 정보장치들의 통신을 제공하는 유무선근거리 통신망, 이동체 상호 간 및 이동체와 이동체 외부와의 통신을 제공하는 이동통신망, 위성을 이용해 지구국과 지구국간 통신을 제공하는 위성통신망이거나 유무선 통신망 중에서 어느 하나이거나, 둘 이상의 결합으로 이루어질 수 있다. 한편, 네트워크의 전송 방식 표준은, 기존의 전송 방식 표준에 한정되는 것은 아니며, 향후 개발될 모든 전송 방식 표준을 포함할 수 있다.

도 2는 본 발명의 일실시예에 따른 걸음걸이 인식 방법을 나타낸 동작 흐름도이다.

도 2를 참조하면, 본 발명의 일실시예에 따른 걸음걸이 인식 방법은 사용자 단말에 포함된 하나 이상의 센서로부터 수집되는 센서 정보를 고려하여 생성된 복수개의 CoI(Context of Interest)들을 기반으로 사용자에 대한 이동 경로 모델을 생성한다(S210).

이 때, CoI(Context of Interest)는 사용자가 자주 방문하는 장소나 위치에 해당하는 것으로, 예를 들어 와이파이(Wi-Fi)나 블루투스(Bluetooth) 등의 센서 정보를 바탕으로 생성될 수 있다. 특히, CoI 생성을 위해 와이파이 핑거프린트(Wi-Fi Fingerprint) 정보가 사용될 수도 있다. 와이파이 핑거프린트 정보는 특정 위치에서 주변의 와이파이 액세스포인트(Wi-Fi AP) 목록 및 신호세기를 포함하는 정보이며, 실내 위치를 파악하는데 널리 사용되고 있다.

또한, CoI 생성은 와이파이 핑거프린트의 유사도를 기준으로 하는 클러스터링 기법을 적용함으로써 사용자가 자주 방문하거나 오래 머무르는 위치를 파악할 수도 있다.

이 때, CoI의 범위는 와이파이 핑거프린트의 유사도 측정 기법 및 클러스터링 기법에 따라 달라질 수 있으며, 수 미터에서 십여 미터까지 다양하게 나타날 수 있다.

예를 들어, CoI는 사용자의 이동 경로 중에서 집, 회사 사무실, 회의실, 화장실, 휴게실, 편의점, 카페, 마트, 학교 등 사용자가 자주 방문하는 장소를 포함할 수 있다.

이 때, 복수개의 CoI들은 센서 정보를 기반으로 추출 가능한 모든 위치들 중 사용자가 기설정된 기준 조건에 상응하게 머무른 위치일 수 있다.

예를 들어, 기설정된 기준 조건이 같은 위치에서 1시간이상 머무르는 것이라고 가정할 경우, 사용자가 특정 위치 A에서 이동하지 않고 1시간 이상 머무르는 경우에 위치 A를 사용자에 대한 CoI로 생성할 수 있다.

다른 예를 들어, 기설정된 기준 조건이 같은 위치에 3번 이상 방문하되, 한번 방문할 때에 1시간 이상 머무르는 것이라고 가정할 경우, 사용자가 특정 위치 A에 3번 방문하되, 방문할 때마다 1시간 이상 머물렀을 경우에만 위치 A를 사용자에 대한 CoI로 생성할 수도 있다.

이 때, 특정 위치가 CoI로 생성되기 위한 조건은 시간이나 빈도 이외에도 다양하게 설정될 수 있으며, 상기의 예시에 한정되지 않는다.

이 때, 센서 정보에 포함된 시간 정보를 기반으로 복수개의 CoI들 간의 이동 경로에 해당하는 복수개의 CoI 세션들을 검출하고, 복수개의 CoI 세션들 각각을 이용하여 이동할 확률을 복수개의 CoI 세션들에 각각 적용하여 이동 경로 모델을 생성할 수 있다. 즉, 센서 정보는 시간 정보를 포함할 수 있기 때문에 센서 정보를 CoI에 속하는 부분과 CoI에 속하지 않는 부분으로 구분할 수 있다. 이 때, CoI에 속하는 시간은 사용자가 CoI에 머물고 있는 시간으로 판단할 수 있으며, CoI 간의 순차적인 변화는 사용자의 이동 경로인 CoI 세션으로 판단할 수 있다.

예를 들어, 사용자가 집에서 회사 사무실로 출근하고, 회사 회의실에서 회의를 하고, 회사 회의실에서 화장실을 가는 등의 일련의 순차적인 이동 경로를 "CoI 1, CoI 아님, CoI 2, CoI 아님, CoI 3"으로 표현할 수 있다. 이 때, 각각의 CoI 사이에 CoI가 아닌 구간을 CoI 세션이라고 명명할 수 있다. 따라서, CoI 세션은 출발 CoI 식별자, 도착 CoI 식별자, 출발 시각, 도착 시각을 포함할 수 있다.

이 때, CoI 세션은 출발 CoI와 도착 CoI를 고려하여 검출될 수 있다. 예를 들어, CoI 1과 CoI 2가 존재하는 경우, CoI 1에서 CoI 2로 이동하는 경우에 해당하는 CoI 세션과 CoI 2에서 CoI 1로 이동하는 경우에 해당하는 CoI 세션이 각각 검출될 수 있다.

도 3에 도시된 도면을 바탕으로 설명하면, CoI 세션은 도 3에 도시된 것과 같이 CoI 간의 이동 구간에 해당할 수 있다. 이 때, 도 3은 사용자의 센서 정보로부터 CoI 1(310, CoI 2(320) 및 CoI 3(330)에 해당하는 세 개의 CoI가 추출된 경우, 사용자의 이동 경로를 순차적으로 나타낸 것일 수 있다. 이 때, 도 3에 도시된 CoI 1(310)과 CoI 2(320) 사이의 이동 구간, CoI 2(320)와 CoI 3(330) 사이의 이동 구간, CoI 3(330)과 CoI 1(310) 사이의 이동 구간, CoI 1(310)과 CoI 3(330) 사이의 이동 구간, CoI 3(330)과 CoI 2(320) 사이의 이동 구간을 각각 CoI 세션으로 검출할 수 있다. 또한, 도 3에는 도시되지 않았으나, 사용자가 CoI 2(320)에서 CoI 1(310)로 이동하였을 경우에는 CoI 2(320)와 CoI 1(310) 사이의 이동 구간도 CoI 세션으로 검출할 수 있다.

이 때, 복수개의 CoI 세선들 각각을 이용하여 이동할 확률은 복수개의 CoI들 간의 이동 정보를 기반으로 산출될 수 있다. 예를 들어, CoI 1, CoI 2, CoI 3이 존재하고, CoI 1에서 CoI 2나 CoI 3으로 이동이 가능하다고 가정할 수 있다. 이 때, 사용자가 CoI 1에서 이동한 횟수가 10번이고, 10번 중 3번은 CoI 2로, 10번 중 7번은 CoI 3으로 이동하였다면, CoI 1에서 CoI 2로 이동하는 경우에 해당하는 CoI 세션의 이동 확률은 30%로 산출될 수 있고, CoI 1에서 CoI 3으로 이동하는 경우에 해당하는 CoI 세션의 이동 확률은 70%로 산출될 수 있다.

도 4에 도시된 도면을 바탕으로 설명하면, 본 발명의 일실시예에 따른 이동 경로 모델은 도 4에 도시된 것과 같이 복수개의 CoI 세션들(311, 312, 321, 322, 331, 332)을 이용하여 이동할 확률을 포함할 수 있다. 즉, 도 3에 도시된 복수개의 순차적인 이동 경로를 통계적으로 분석하여 도 4와 같이 각 CoI에서 다른 CoI로 이동할 확률을 나타낼 수 있다.

예를 들어, CoI 1(310)의 경우, CoI 2(320)로 이동할 확률이 0.7, CoI 3(330)으로 이동할 확률이 0.3임을 알 수 있다. 즉, CoI 세션(311)을 통해 이동할 확률이 0.7이고, CoI 세션(312)을 통해 이동할 확률이 0.3임을 알 수 있다. 또한, 다른 CoI의 경우도 이동 경로 모델에 도시된 이동 확률을 통해 다음 이동할 CoI를 예측할 수 있다.

이 때, 이동 경로 모델링 방법은 마코프 모델(Markov Model) 또는 은닉 마코프 모델(Hidden Markov Model)을 포함할 수 있다.

일반적으로 사용자의 걸음걸이는 이동 경로, 바닥면 상태, 경사도 등에 의해 영향을 받을 수 있다. 예를 들어, 사용자의 이동 경로가 직선인지 곡선인지에 따라 영향을 받을 수 있으며, 바닥면이 포장도로인지 비포장 도로인지 또는 계단인지 평지인지에 따라 사용자의 걸음걸이 패턴이 달라질 수 있다. 따라서, 사용자의 걸음걸이를 모델링하기 위해서는 모든 이동 경로에 대한 사전 지식이 필요하지만, 현실적으로는 구현이 어렵다는 문제점이 있었다.

이러한 문제점을 해결하기 위해, 본 발명에서는 상기와 같이 CoI 세션에 기반하여 생성된 이동 경로 모델을 이용하여 사용자의 걸음걸이를 모델링함으로써 이동 경로상의 특성을 반영하여 걸음걸이를 인식할 수 있다.

또한, 본 발명의 일실시예에 따른 걸음걸이 인식 방법은 센서 정보를 이용하여 사용자 단말에 대한 소지 위치 모델을 생성한다(S220).

이 때, 센서 정보는 사용자 단말에 구비된 하나 이상의 센서를 통해 수집되는 정보이므로 사용자가 사용자 단말을 소지하는 위치에 따라 측정되는 센서 정보의 특징들이 다르게 나타날 수 있다. 예를 들어, 사용자 단말에 해당하는 모바일 기기를 손에 들고 걸어갈 때와 모바일 기기를 주머니에 넣고 걸어갈 때, 사용자의 걸음걸이 자체는 유사할 수 있지만 모바일 기기를 통해 측정되는 걸음걸이 패턴은 달라질 수 있다.

따라서, 본 발명에서는 사용자 단말의 소지 위치를 반영하여 걸음걸이를 모델링함으로써 소지 위치에 따라 걸음걸이 패턴이 다르게 파악되는 특성을 반영하여 걸음걸이를 인식할 수 있다.

이 때, 센서 정보를 기반으로 복수개의 CoI 세션들 각각에 대해 적어도 하나의 소지 위치를 검출하고, 복수개의 CoI 세션들을 적어도 하나의 소지 위치와 조합하여 복수개의 소지 위치 모델들을 생성할 수 있다. 즉, 소지 위치 모델은 CoI 세션과 해당 CoI 세션에서 검출되는 소지 위치의 조합에 상응하게 생성될 수 있다.

예를 들어, 사용자 A가 CoI 1에서 CoI 2로 이동할 때에는 사용자 단말을 손에 들고 이동한 것으로 검출되고, CoI 2에서 CoI 3으로 이동할 때에는 사용자 단말을 손에 들고 가다가 주머니에 넣은 것으로 소지 위치가 검출되었다고 가정할 수 있다. 이 때, CoI 1에서 CoI 2로 향하는 CoI 세션에 대해 HAND_1에 해당하는 소지 위치 모델을 생성하고, CoI 2에서 CoI 3으로 향하는 CoI 세션에 대해 HAND_1과 POCKET_1에 해당하는 두 개의 소지 위치 모델을 생성할 수 있다.

이 때, 소지 위치 모델은 사용자가 걷고 있을 때에 해당하는 센서 정보를 이용하여 생성될 수 있다. 즉, 본 발명에서는 사용자의 걸음걸이를 인식해야 하므로, 사용자가 특정한 CoI에 머무르는 경우에 수집되는 센서 정보를 분석하는 행위는 불필요한 시스템 부하를 가중시키는 것일 수 있다.

따라서, 본 발명에서는 사용자 단말에 포함된 하나 이상의 센서로부터 수집되는 센서 정보 중 사용자가 걷고 있는 것으로 판단되는 일부분의 센서 정보만을 분석하여 소지 위치 모델을 생성할 수 있다.

이 때, 센서 정보를 분석하여 사용자 단말의 소지 위치를 복수개의 제1 위치들로 1차 분류하고, 센서 정보의 클러스터링을 기반으로 복수개의 제1 위치들을 각각 복수개의 제2 위치들로 2차 분류하여 적어도 하나의 소지 위치를 검출할 수 있다.

이 때, 클러스터링 기법을 활용함으로써 사용자의 옷차림이나 습관에 따라 나타날 수 있는 다양한 소지 위치를 세세하게 분류할 수 있다.

예를 들어, 사용자의 손이나 주머니와 같이 비교적 구분의 기준이 명확한 위치들은 범용적인 결정트리를 생성하여 1차 분류할 수 있다. 이 후, 클러스터링을 통해 1차 분류된 손이 왼손인지 오른손인지 또는 1차 분류된 주머니가 바지 옆 주머니인지 뒷 주머니인지를 분류하는 방식으로 2차 분류를 수행할 수 있다.

이 때, 제1 위치가 손으로 분류된 경우, 왼손인지 오른손인지 또는 사용자의 가슴 앞에서 사용자 단말을 사용 중인지에 따라 걸음걸이를 인식하기 위한 센서 정보들이 다르게 나타날 수 있다. 또한, 제1 위치가 주머니로 분류된 경우, 바지 옆 주머니인지 뒷주머니인지 또는 상의 주머니인지에 따라 센서 정보들이 다르게 나타날 수 있다.

따라서, 소지 위치를 세세하게 모델링하여 소지 위치 모델을 생성할수록 사용자의 걸음걸이를 보다 정확하게 인식할 수 있다.

예를 들어, 조도 센서에 의한 조도 정보를 이용하여 사용자 단말이 손에 있는지 또는 주머니에 있는지 등을 구분하여 1차 분류할 수 있다.

따라서, 본 발명의 일실시예에 따른 사용자 단말은 가속도 센서, 자이로스코프 센서, 방향 센서 및 조도 센서 중 적어도 하나를 포함할 수 있다.

또한, 본 발명의 일실시예에 따른 걸음걸이 인식 방법은 이동 경로 모델과 소지 위치 모델을 조합하여 사용자에 대한 걸음걸이 모델 그룹을 생성한다(S230).

이 때, 이동 경로 모델에 상응하는 복수개의 CoI 세션들과 소지 위치 모델에 상응하는 복수개의 소지 위치 세션들을 각각 조합하여 복수개의 걸음걸이 모델들을 생성하여 걸음걸이 모델 그룹에 포함시킬 수 있다. 따라서, 걸음걸이 모델 그룹을 구성하는 개별적인 걸음걸이 모델은 각각 이동 경로와 사용자 단말의 소지 위치를 반영할 수 있다.

이 때, 소지 위치 세션은 해당 CoI 세션에서 검출된 소지 위치에 대한 구간을 의미할 수 있다. 예를 들어, CoI 1에서 CoI 2로 향하는 CoI 세션에서 오른손과 왼손 각각에 대한 소지 위치 세션이 존재하는 경우, 소지 위치가 오른손으로 검출된 구간에 대한 소지 위치 세션과 소지 위치가 왼손으로 검출된 구간에 대한 소지 위치 세션이 각각 생성될 수 있다.

이 때, 복수개의 걸음걸이 모델들은 모두 서로 상이한 CoI 세션과 소지 위치 세션의 조합을 가질 수 잇다.

예를 들어, A1, A2, A3에 상응하는 3개의 CoI 세션들이 존재하고, B1, B2에 상응하는 2개의 소지 위치 세션들이 존재한다고 가정할 수 있다. 이 때, 생성 가능한 걸음걸이 모델의 조합은 A1-B1, A1-B2, A2-B1, A2-B2, A3-B1, A3-B2에 상응할 수 있다.

즉, 본 발명에 따른 걸음걸이 모델은 이동 경로 모델에 따른 이동 경로와 소지 위치 모델에 따른 소지 위치를 모두 고려하여 생성됨으로써 같은 소지 위치라도 이동 경로가 다르면 다른 걸음걸이 모델로 생성될 수 있다.

예를 들어, 도 5에 도시된 도면을 참조하면, 소지 위치 세션이 HAND_1인 경우는 CoI 1에서 CoI 2로 향하는 CoI 세션과 CoI 2에서 CoI 3으로 향하는 CoI 세션에 각각 한번씩 총 두 번 존재하는 것을 알 수 있다. 만약 CoI 세션 정보가 없다면, HAND_1에 대한 걸음걸이 모델은 하나만 생성될 수 있다. 그러나 본 발명에서는 CoI 1에서 CoI 2로 이동하는 경로와, CoI 2에서 CoI 3으로 이동하는 경로에 해당하는 두 개의 CoI 세션이 있기 때문에 소지 위치 세션이 HAND_1로 동일하더라도 걸음걸이 모델은 A2와 B1으로 다르게 모델링 될 수 있다.

따라서, 결과적으로 도 6에 도시된 메모리(610)와 같이 CoI 세션과 소지 위치 세션에 따른 계층적인 걸음걸이 모델을 생성하여 저장할 수 있다.

또한, 본 발명의 일실시예에 따른 걸음걸이 인식 방법은 이동 경로 모델과 소지 위치 모델을 기반으로 걸음걸이 모델 그룹 중 사용자에게 적용할 걸음걸이 모델을 선택하고, 선택된 걸음걸이 모델을 적용하여 사용자의 걸음걸이를 인식한다(S240).

이 때, 현재 이동 경로 상에서 수집된 센서 정보로부터 걸음걸이를 인식하기 위한 특징을 추출하고, 추출된 특징을 사용자에게 적합하게 선택된 걸음걸이 모델과 비교하여 사용자의 걸음걸이를 인식할 수 있다.

이 때, 본 발명의 일실시예에 따른 메모리에 사전에 생성되어 저장된 걸음걸이 모델 그룹 중 현재 이동 경로와 현재 소지 위치를 조합한 것에 상응하는 걸음걸이 모델을 선택하여 사용할 수 있다.

예를 들어, 센서 정보를 통해 복수개의 CoI들 중 현재 사용자가 위치하는 CoI를 파악하고, 이동 경로 모델에 포함된 이동 확률에 기반하여 다음에 이동할 CoI를 예측할 수 있다.

이 때, 사용자의 위치가 복수개의 CoI들 중 어느 위치에도 해당하지 않는 경우, 이전에 위치했던 CoI와 이동할 확률을 기준으로 현재 이동 경로를 예측할 수 있다.

즉, 사용자의 걸음걸이를 인식하기 위한 인식 요청 시점에 사용자가 어느 곳에 위치하는지에 따라 현재 이동 경로를 파악하기 위한 동작이 다르게 수행될 수 있다.

예를 들어, 도 7 내지 도 8을 참조하면, 사용자 걸음걸이를 인식하기 위한 인식 요청은 도 7과 같이 사용자가 특정 CoI에 속해있는 시점에 발생하거나, 도 8과 같이 사용자가 특정 CoI에 속해있지 않은 시점에 발생할 수 있다.

만약, 도 7과 같이 사용자가 특정 CoI에 속해있는 시점에 인식 요청이 발생하였다면, 사용자에 해당하는 이전 CoI와 현재 CoI가 무엇인지 알 수 있으므로 사용자에 해당하는 CoI 세션 또한 알 수 있다. 따라서, 소지 위치 모델을 기반으로 파악된 소지 위치에 따라 걸음걸이 모델 그룹에서 적절한 걸음걸이 모델을 선택하고, 선택한 걸음걸이 모델을 기반으로 사용자의 걸음걸이를 인식할 수 있다.

그러나, 도 8과 같이 사용자가 특정 CoI에 속해있지 않은 시점에 인식 요청이 발생한 경우, 사용자에 해당하는 CoI 세션을 특정할 수 없기 때문에 걸음걸이 모델 역시 특정할 수 없다. 따라서, 이러한 경우에는 사용자의 이전 CoI가 어느 곳이었는지를 기반으로 CoI 세션을 예측하고, 예측된 결과에 따라 걸음걸이 인식을 수행할 수 있다.

즉, 도 8과 같이 사용자가 CoI 1에서 어딘가로 이동 중인 상황에 걸음걸이 인식을 요청하는 경우에는 먼저, CoI 1에서 이동 가능한 CoI 2와 CoI 3에 대해 각각의 이동 확률을 확인할 수 있다. 만약 각각의 이동 확률이 0보다 큰 경우, CoI 1에서 CoI 2로 이동하기 위한 CoI 세션에 대응되고 소지 위치가 HAND_1인 걸음걸이 모델 및 CoI 1에서 CoI 3으로 이동하기 위한 CoI 세션에 대응되고 소지 위치가 HAND_1인 걸음걸이 모델을 각각 참조할 수 있다.

예를 들어, 기설정된 기준 확률이 0.5라고 가정한다면, 도 8과 같은 경우에는 CoI 1에서 CoI 2로 이동하는 경우에 대한 걸음걸이 모델만 이용하여 사용자의 걸음걸이를 인식할 수 있다.

다른 예를 들어, CoI 1에서 CoI 2로 이동할 확률이 CoI 1에서 CoI 3으로 이동할 확률보다 일정 기준 이상으로 높다면, CoI 2에 해당하는 걸음걸이 모델만을 사용하여 사용자의 걸음걸이를 인식할 수 있다.

다른 예를 들어, 도 8과 같은 상황에서 CoI 1에서 CoI 2로 이동하는 경우의 걸음걸이 모델과 CoI 1에서 CoI 3으로 이동하는 경우의 걸음걸이 모델을 모두 참조할 수도 있다. 이 때, 복수개의 걸음걸이 모델들을 사용하기 위해서는 각각의 걸음걸이 모델에 의한 걸음걸이 인식 결과에 각 CoI별 이동 확률만큼의 가중치를 주어서 최종 인식 결과를 도출할 수도 있다.

이 때, 소지 위치 모델, 현재 이동 경로 및 센서 정보 중 적어도 하나를 고려하여 사용자 단말의 현재 소지 위치를 파악할 수 있다.

이 때, 사용자 단말의 소지 위치를 파악하기 위해 수집된 센서 정보로부터 소지 위치 분류를 위한 특징을 추출할 수 있고, 추출된 특징과 선택된 소지 위치 모델과의 유사도 또는 거리를 기반으로 소지 위치를 추론할 수 있다. 예를 들어, 최근접 이웃법(Nearest Neighbor), 서포트 벡터 머신(Support Vector Machine) 및 결정 트리 등 다양한 분류기를 사용하여 소지 위치를 추론할 수 있다.

이 때, 현재 CoI 세션에 해당하는 하나의 CoI 세션에 대해 복수개의 소지 위치 모델들이 검출될 수 있으며, 검출된 복수개의 소지 위치 모델들은 해당하는 소지 위치에 따라 CoI 세션과 소지 위치 세션의 계층적 구조로 표현될 수 있다.

또한, 도 2에는 도시하지 아니하였으나, 본 발명의 일실시예에 따른 걸음걸이 인식 방법은 네트워크와 같은 통신망을 통해 걸음걸이 인식을 위해 필요한 정보를 송수신할 수 있다.

이와 같은 걸음걸이 인식 방법을 이용함으로써, 모바일 기기의 다양한 센서 정보를 이용하여 이동 경로를 파악하고, 이동 경로 내에서의 기기의 소지 위치를 고려하여 걸음걸이를 인식함으로써 걸음걸이 인식의 정확도를 향상시킬 수 있다.

또한, 걸음걸이 인식에 기반한 무자각 인증을 구현할 수 있으며, 나아가 이동 경로에 기반한 사용자 인증 기법과 결합되어 새로운 무자각 멀티팩터 인증을 구현할 수도 있다.

도 9는 본 발명의 일실시예에 따른 걸음걸이 인식을 위한 사용자 단말을 나타낸 블록도이다.

도 9를 참조하면, 본 발명의 일실시예에 따른 걸음걸이 인식을 위한 사용자 단말은 통신부(910), 메모리(920) 및 프로세서(930)를 포함한다.

통신부(910)는 네트워크와 같은 통신망을 통해 걸음걸이 인식을 위해 필요한 정보를 송수신하는 역할을 한다.

메모리(920)는 사용자 단말에 포함된 하나 이상의 센서로부터 수집되는 센서 정보를 고려하여 검출된 복수개의 CoI(Context of Interest)들을 기반으로 생성된 사용자에 대한 이동 경로 모델, 센서 정보를 이용하여 생성된 사용자 단말에 대한 소지 위치 모델 및 이동 경로 모델과 소지 위치 모델을 조합하여 생성된 걸음걸이 모델 그룹을 저장한다.

프로세서(930)는 하나 이상의 센서로부터 수집되는 센서 정보를 고려하여 생성된 복수개의 CoI(Context of Interest)들을 기반으로 사용자에 대한 이동 경로 모델을 생성한다.

또한, 프로세서(930)는 센서 정보를 이용하여 사용자 단말에 대한 소지 위치 모델을 생성한다.

또한, 프로세서(930)는 이동 경로 모델과 소지 위치 모델을 조합하여 사용자에 대한 걸음걸이 모델 그룹을 생성한다.

또한, 프로세서(930)는 이동 경로 모델과 소지 위치 모델을 기반으로 걸음걸이 모델 그룹 중 사용자에게 적용할 걸음걸이 모델을 선택하고, 선택된 걸음걸이 모델을 적용하여 사용자의 걸음걸이를 인식한다.

이 때, 메모리(920)에 저장된 걸음걸이 모델 그룹 중 현재 이동 경로와 현재 소지 위치를 조합한 것에 상응하는 걸음걸이 모델을 선택하여 사용할 수 있다.

이 때, 소지 위치 모델, 현재 이동 경로 및 센서 정보 중 적어도 하나를 고려하여 사용자 단말의 현재 소지 위치를 파악할 수 있다. 즉,

또한, 도 9에는 도시하지 아니하였으나, 본 발명의 일실시예에 따른 사용자 단말은 상술한 바와 같이 걸음걸이 인식을 위한 기능을 지원하는 별도의 저장 모듈을 포함할 수 있다. 이 때, 저장 모듈은 별도의 대용량 스토리지로 동작할 수 있고, 동작 수행을 위한 제어 기능을 포함할 수도 있다.

한편, 사용자 단말은 메모리가 탑재되어 그 장치 내에서 정보를 저장할 수 있다. 일 구현예의 경우, 메모리는 컴퓨터로 판독 가능한 매체이다. 일 구현 예에서, 메모리는 휘발성 메모리 유닛일 수 있으며, 다른 구현예의 경우, 메모리는 비휘발성 메모리 유닛일 수도 있다. 일 구현예의 경우, 저장장치는 컴퓨터로 판독 가능한 매체이다. 다양한 서로 다른 구현 예에서, 저장장치는 예컨대 하드디스크 장치, 광학디스크 장치, 혹은 어떤 다른 대용량 저장장치를 포함할 수도 있다.

이와 같은 사용자 단말을 통해, 모바일 기기의 다양한 센서 정보를 이용하여 이동 경로를 파악하고, 이동 경로 내에서의 기기의 소지 위치를 고려하여 걸음걸이를 인식함으로써 걸음걸이 인식의 정확도를 향상시킬 수 있다.

이상에서와 같이 본 발명에 따른 사용자 단말의 이동 경로와 소지 위치를 이용한 걸음걸이 인식 방법 및 이를 위한 장치는 상기한 바와 같이 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.

110: 사용자 단말 111: 사용자
121~123: Wi-Fi AP 130: 네트워크
310~330: CoI 311, 312, 321, 322, 331, 332: CoI 세션
610, 920: 메모리 910: 통신부
930: 프로세서

Claims

사용자 단말의 이동 경로와 소지 위치를 이용한 걸음걸이 인식 방법에 있어서,
상기 사용자 단말에 포함된 하나 이상의 센서로부터 수집되는 센서 정보를 고려하여 검출된 복수개의 CoI(Context of Interest)들을 기반으로 사용자에 대한 이동 경로 모델을 생성하는 단계;
상기 센서 정보를 이용하여 상기 사용자 단말에 대한 소지 위치 모델을 생성하는 단계;
상기 이동 경로 모델과 상기 소지 위치 모델을 조합하여 상기 사용자에 대한 걸음걸이 모델 그룹을 생성하는 단계; 및
상기 이동 경로 모델과 상기 소지 위치 모델을 기반으로 상기 걸음걸이 모델 그룹 중 상기 사용자에게 적용할 걸음걸이 모델을 선택하고, 선택된 걸음걸이 모델을 기반으로 상기 사용자의 걸음걸이를 인식하는 단계
를 포함하는 것을 특징으로 하는 걸음걸이 인식 방법.
청구항 1에 있어서,
상기 걸음걸이를 인식하는 단계는
상기 이동 경로 모델과 상기 센서 정보를 고려하여 상기 복수개의 CoI들을 고려한 현재 이동 경로를 파악하는 단계;
상기 소지 위치 모델, 상기 현재 이동 경로 및 상기 센서 정보 중 적어도 하나를 고려하여 상기 사용자 단말의 현재 소지 위치를 파악하는 단계; 및
상기 걸음걸이 모델 그룹 중 상기 현재 이동 경로와 상기 현재 소지 위치를 조합한 것에 상응하는 상기 걸음걸이 모델을 선택하는 단계를 포함하는 것을 특징으로 하는 걸음걸이 인식 방법.
청구항 2에 있어서,
상기 이동 경로 모델을 생성하는 단계는
상기 센서 정보에 포함된 시간 정보를 기반으로 상기 복수개의 CoI들 간의 이동 경로에 해당하는 복수개의 CoI 세션들을 검출하고, 상기 복수개의 CoI 세션들 각각을 이용하여 이동할 확률을 상기 복수개의 CoI 세션들에 각각 적용하여 상기 이동 경로 모델을 생성하는 것을 특징으로 하는 걸음걸이 인식 방법.
청구항 3에 있어서,
상기 소지 위치 모델을 생성하는 단계는
상기 센서 정보를 기반으로 상기 복수개의 CoI 세션들 각각에 대해 적어도 하나의 소지 위치를 검출하고, 상기 복수개의 CoI 세션들을 상기 적어도 하나의 소지 위치와 조합하여 복수개의 소지 위치 모델들을 생성하는 것을 특징으로 하는 걸음걸이 인식 방법.
청구항 4에 있어서,
상기 현재 소지 위치를 파악하는 단계는
상기 현재 이동 경로에 상응하는 현재 CoI 세션을 검출하고, 상기 복수개의 소지 위치 모델들 중 상기 현재 CoI 세션에 해당하는 적어도 하나의 소지 위치 모델과 상기 센서 정보를 비교하여 상기 현재 소지 위치를 파악하는 것을 특징으로 하는 걸음걸이 인식 방법.
청구항 1에 있어서,
상기 복수개의 CoI들은
상기 센서 정보를 기반으로 추출 가능한 모든 위치들 중 상기 사용자가 기설정된 기준 조건에 상응하게 머무른 위치인 것을 특징으로 하는 걸음걸이 인식 방법.
청구항 4에 있어서,
상기 소지 위치 모델을 생성하는 단계는
상기 센서 정보를 분석하여 상기 사용자 단말의 소지 위치를 복수개의 제1 위치들로 1차 분류하고, 센서 정보의 클러스터링을 기반으로 상기 복수개의 제1 위치들을 각각 복수개의 제2 위치들로 2차 분류하여 상기 적어도 하나의 소지 위치를 검출하는 것을 특징으로 하는 걸음걸이 인식 방법.
청구항 7에 있어서,
상기 소지 위치 모델을 생성하는 단계는
가속도, 자이로스코프, 방향 및 조도 중 적어도 하나를 고려하여 상기 사용자 단말의 소지 위치를 1차 분류하는 것을 특징으로 하는 걸음걸이 인식 방법.
청구항 3에 있어서,
상기 현재 이동 경로를 파악하는 단계는
상기 사용자의 위치가 상기 복수개의 CoI들 중 어느 위치에도 해당하지 않는 경우, 이전에 위치했던 CoI와 상기 이동할 확률을 기준으로 상기 현재 이동 경로를 예측하는 것을 특징으로 하는 걸음걸이 인식 방법.
청구항 9에 있어서,
상기 현재 이동 경로를 파악하는 단계는
상기 이전에 위치했던 CoI에 해당하는 적어도 하나의 CoI 세션에 대한 이동 확률이 기설정된 기준 확률 이상일 경우, 상기 적어도 하나의 CoI 세션에 상응하는 이동 경로를 상기 현재 이동 경로로 예측하는 것을 특징으로 하는 걸음걸이 인식 방법.
하나 이상의 센서로부터 수집되는 센서 정보를 고려하여 검출된 복수개의 CoI(Context of Interest)들을 기반으로 생성된 사용자에 대한 이동 경로 모델, 상기 센서 정보를 이용하여 생성된 소지 위치 모델 및 상기 이동 경로 모델과 상기 소지 위치 모델을 조합하여 생성된 걸음걸이 모델 그룹을 저장하는 메모리; 및
상기 이동 경로 모델과 상기 소지 위치 모델을 기반으로 상기 걸음걸이 모델 그룹 중 상기 사용자에게 적용할 걸음걸이 모델을 선택하고, 선택된 걸음걸이 모델을 기반으로 상기 사용자의 걸음걸이를 인식하는 프로세서
를 포함하는 것을 특징으로 하는 사용자 단말
청구항 11에 있어서,
상기 프로세서는
상기 이동 경로 모델과 상기 센서 정보를 고려하여 상기 복수개의 CoI들을 고려한 현재 이동 경로를 파악하고, 상기 소지 위치 모델, 상기 현재 이동 경로 및 상기 센서 정보 중 적어도 하나를 고려하여 상기 사용자 단말의 현재 소지 위치를 파악하고, 상기 걸음걸이 모델 그룹 중 상기 현재 이동 경로와 상기 현재 소지 위치를 조합한 것에 상응하는 상기 걸음걸이 모델을 선택하는 것을 특징으로 하는 사용자 단말.
청구항 12에 있어서,
상기 프로세서는
상기 센서 정보에 포함된 시간 정보를 기반으로 상기 복수개의 CoI들 간의 이동 경로에 해당하는 복수개의 CoI 세션들을 검출하고, 상기 복수개의 CoI 세션들 각각을 이용하여 이동할 확률을 상기 복수개의 CoI 세션들에 각각 적용하여 상기 이동 경로 모델을 생성하는 것을 특징으로 하는 사용자 단말.
청구항 13에 있어서,
상기 프로세서는
상기 센서 정보를 기반으로 상기 복수개의 CoI 세션들 각각에 대해 적어도 하나의 소지 위치를 검출하고, 상기 복수개의 CoI 세션들을 상기 적어도 하나의 소지 위치와 조합하여 복수개의 소지 위치 모델들을 생성하는 것을 특징으로 하는 사용자 단말.
청구항 14에 있어서,
상기 프로세서는
상기 현재 이동 경로에 상응하는 현재 CoI 세션을 검출하고, 상기 복수개의 소지 위치 모델들 중 상기 현재 CoI 세션에 해당하는 적어도 하나의 소지 위치 모델과 상기 센서 정보를 비교하여 상기 현재 소지 위치를 파악하는 것을 특징으로 하는 사용자 단말.
청구항 11에 있어서,
상기 복수개의 CoI들은
상기 센서 정보를 기반으로 추출 가능한 모든 위치들 중 상기 사용자가 기설정된 기준 조건에 상응하게 머무른 위치인 것을 특징으로 하는 사용자 단말.
청구항 14에 있어서,
상기 프로세서는
상기 센서 정보를 분석하여 상기 사용자 단말의 소지 위치를 복수개의 제1 위치들로 1차 분류하고, 센서 정보의 클러스터링을 기반으로 상기 복수개의 제1 위치들을 각각 복수개의 제2 위치들로 분류하여 상기 적어도 하나의 소지 위치를 검출하는 것을 특징으로 하는 사용자 단말.
청구항 17에 있어서,
상기 프로세서는
가속도, 자이로스코프, 방향 및 조도 중 적어도 하나를 고려하여 상기 사용자 단말의 소지 위치를 1차 분류하는 것을 특징으로 하는 사용자 단말.
청구항 13에 있어서,
상기 프로세서는
상기 사용자의 위치가 상기 복수개의 CoI들 중 어느 위치에도 해당하지 않는 경우, 이전에 위치했던 CoI와 상기 이동할 확률을 기준으로 상기 현재 이동 경로를 예측하는 것을 특징으로 하는 사용자 단말.
청구항 19에 있어서,
상기 프로세서는
상기 이전에 위치했던 CoI에 해당하는 적어도 하나의 CoI 세션에 대한 이동 확률이 기설정된 기준 확률 이상일 경우, 상기 적어도 하나의 CoI 세션에 상응하는 이동 경로를 상기 현재 이동 경로로 예측하는 것을 특징으로 하는 사용자 단말.