최근 보안과 편리성을 위해서 바이오 인식 기술을 활용하는 사례가 나날이늘어나고 있다. 그 중 핀테크(Fin-tech)의 사용이 급증함에 따라서 지문의 활용을 통한 사용자의 인식이 증가하고 있다. 지문은 가장 전통적인 생체 인식방법으로 간편하고 거부감이 없어 대중적으로 활용되어온 방법이다. 그러나그 중 센서를 이용해 접촉식으로 획득한 지문은 사용자의 지문의 건조함이나습함에 따라서 영상의 품질이 달라지고, 접촉 압력에 따른 비일관성을 지닐수 있다. 게다가 한가지의 접촉식 센서에 다양한 사람이 이용하기에 잔존 지문의 문제와 위생적인 문제도 발생하게 된다. 그러나 스마트폰 카메라(삼성전자의 갤럭시 S8)를 활용하여 비접촉식으로 획득한 지문 영상은 이러한 단점이사라지고, 별도의 센서가 필요하지 않다.따라서 이러한 관심과 함께 본 논문에서는 비접촉식으로 획득한 지문들을통해 위조 지문을 검출하는 방법을 제안한다. 검출 방법은 최근에 ...
최근 보안과 편리성을 위해서 바이오 인식 기술을 활용하는 사례가 나날이늘어나고 있다. 그 중 핀테크(Fin-tech)의 사용이 급증함에 따라서 지문의 활용을 통한 사용자의 인식이 증가하고 있다. 지문은 가장 전통적인 생체 인식방법으로 간편하고 거부감이 없어 대중적으로 활용되어온 방법이다. 그러나그 중 센서를 이용해 접촉식으로 획득한 지문은 사용자의 지문의 건조함이나습함에 따라서 영상의 품질이 달라지고, 접촉 압력에 따른 비일관성을 지닐수 있다. 게다가 한가지의 접촉식 센서에 다양한 사람이 이용하기에 잔존 지문의 문제와 위생적인 문제도 발생하게 된다. 그러나 스마트폰 카메라(삼성전자의 갤럭시 S8)를 활용하여 비접촉식으로 획득한 지문 영상은 이러한 단점이사라지고, 별도의 센서가 필요하지 않다.따라서 이러한 관심과 함께 본 논문에서는 비접촉식으로 획득한 지문들을통해 위조 지문을 검출하는 방법을 제안한다. 검출 방법은 최근에 컴퓨터 비전 분야에서 가장 화제가 되고, 좋은 성능을 가지고 있는 딥러닝(Deep-learning) 방식인 합성곱 신경망((Convolution Neural Network, CNN)을 활용하여 지문 이미지의 위조여부를 검출하였다.합성곱 신경망은 영상처리에 특화된 신경망으로서 영상의 분류와 검출에 가장 뛰어난 성능을 나타낸다. 그 중 본 논문에서는 마이크로소프트 팀이 2015년에 개발하여 이미지넷 인식 대회에서 우승을 거둔 합성곱 신경망인 ResNet을 기본 네트워크로 하되 실험에 맞는 방식으로 많은 수정을 하였다.
지금까지는 비접촉식 지문 연구의 사례가 매우 적어 비교할 수 있는 연구가 없었고, 접촉식으로 획득한 지문영상을 합성곱 신경망을 통해 분류하는 연구가 중점적으로 수행되어 왔다. 이에 따라 과거의 접촉식 지문을 활용한 연구와의 비교를 통해 제안할 알고리즘을 설명하였다.따라서 본 논문은 스마트폰 카메라를 통해 자체적으로 얻은 비접촉식 지문영상을 패치로 분할하여 이미지 도메인의 영상을 확보하고, 지문 영상을 고속푸리에 변환을 통해 얻은 주파수 도메인의 크기 스펙트럼 이미지를 추출하여또 하나의 입력영상으로 이용하였다. 이렇게 얻어진 입력 영상들은 각각 동시에 합성곱 신경망을 통과하게 설계되고 학습되었다. 멀티 인풋 레이어 방법을가진 네트워크는 각각 구성된 많은 레이어들을 지나가게 되고, 추출된 벡터값들은 Concatenate 레이어를 거쳐 한 개의 출력 값으로 합쳐진다. 마지막으로 Fully Connected Layer를 거쳐서 최종적으로는 하나의 출력층을 통해 위조 지문을 판별을 할 수 있도록 구성하였다. 그 결과 99%의 높은 정확도로위조 지문을 분류 할 수 있었다. 연구과정을 통해 비접촉식 지문을 멀티 인풋딥러닝 모델을 이용해 위조 여부를 판별하는 것은 본 논문이 제안한 새로운딥러닝 모델로서 실험 결과 기존의 다른 네트워크에 비해 성능이 우수함을 확인하였다. 또한 기존의 연구에서 이미지 도메인과 주파수 도메인별로 두 번네트워크를 학습 시켰던 번거로움을 덜면서, 나아가 스마트폰 카메라로 획득할 수 있는 새로운 비접촉식 지문의 위조 검출 연구의 활성화를 기대할 수 있는 장점을 가진다.
최근 보안과 편리성을 위해서 바이오 인식 기술을 활용하는 사례가 나날이늘어나고 있다. 그 중 핀테크(Fin-tech)의 사용이 급증함에 따라서 지문의 활용을 통한 사용자의 인식이 증가하고 있다. 지문은 가장 전통적인 생체 인식방법으로 간편하고 거부감이 없어 대중적으로 활용되어온 방법이다. 그러나그 중 센서를 이용해 접촉식으로 획득한 지문은 사용자의 지문의 건조함이나습함에 따라서 영상의 품질이 달라지고, 접촉 압력에 따른 비일관성을 지닐수 있다. 게다가 한가지의 접촉식 센서에 다양한 사람이 이용하기에 잔존 지문의 문제와 위생적인 문제도 발생하게 된다. 그러나 스마트폰 카메라(삼성전자의 갤럭시 S8)를 활용하여 비접촉식으로 획득한 지문 영상은 이러한 단점이사라지고, 별도의 센서가 필요하지 않다.따라서 이러한 관심과 함께 본 논문에서는 비접촉식으로 획득한 지문들을통해 위조 지문을 검출하는 방법을 제안한다. 검출 방법은 최근에 컴퓨터 비전 분야에서 가장 화제가 되고, 좋은 성능을 가지고 있는 딥러닝(Deep-learning) 방식인 합성곱 신경망((Convolution Neural Network, CNN)을 활용하여 지문 이미지의 위조여부를 검출하였다.합성곱 신경망은 영상처리에 특화된 신경망으로서 영상의 분류와 검출에 가장 뛰어난 성능을 나타낸다. 그 중 본 논문에서는 마이크로소프트 팀이 2015년에 개발하여 이미지넷 인식 대회에서 우승을 거둔 합성곱 신경망인 ResNet을 기본 네트워크로 하되 실험에 맞는 방식으로 많은 수정을 하였다.
지금까지는 비접촉식 지문 연구의 사례가 매우 적어 비교할 수 있는 연구가 없었고, 접촉식으로 획득한 지문영상을 합성곱 신경망을 통해 분류하는 연구가 중점적으로 수행되어 왔다. 이에 따라 과거의 접촉식 지문을 활용한 연구와의 비교를 통해 제안할 알고리즘을 설명하였다.따라서 본 논문은 스마트폰 카메라를 통해 자체적으로 얻은 비접촉식 지문영상을 패치로 분할하여 이미지 도메인의 영상을 확보하고, 지문 영상을 고속푸리에 변환을 통해 얻은 주파수 도메인의 크기 스펙트럼 이미지를 추출하여또 하나의 입력영상으로 이용하였다. 이렇게 얻어진 입력 영상들은 각각 동시에 합성곱 신경망을 통과하게 설계되고 학습되었다. 멀티 인풋 레이어 방법을가진 네트워크는 각각 구성된 많은 레이어들을 지나가게 되고, 추출된 벡터값들은 Concatenate 레이어를 거쳐 한 개의 출력 값으로 합쳐진다. 마지막으로 Fully Connected Layer를 거쳐서 최종적으로는 하나의 출력층을 통해 위조 지문을 판별을 할 수 있도록 구성하였다. 그 결과 99%의 높은 정확도로위조 지문을 분류 할 수 있었다. 연구과정을 통해 비접촉식 지문을 멀티 인풋딥러닝 모델을 이용해 위조 여부를 판별하는 것은 본 논문이 제안한 새로운딥러닝 모델로서 실험 결과 기존의 다른 네트워크에 비해 성능이 우수함을 확인하였다. 또한 기존의 연구에서 이미지 도메인과 주파수 도메인별로 두 번네트워크를 학습 시켰던 번거로움을 덜면서, 나아가 스마트폰 카메라로 획득할 수 있는 새로운 비접촉식 지문의 위조 검출 연구의 활성화를 기대할 수 있는 장점을 가진다.
Recently, there have been a growing number of cases where biometricrecognition technologies are used for security and convenience. The rapidincrease in the use of Fin-tech has led to a growing awareness of usersthrough the fingerprints. Fingerprints are the most traditional biometricmethod that has ...
Recently, there have been a growing number of cases where biometricrecognition technologies are used for security and convenience. The rapidincrease in the use of Fin-tech has led to a growing awareness of usersthrough the fingerprints. Fingerprints are the most traditional biometricmethod that has been widely used. However, fingerprints obtained bycontact-based sensors may vary in quality of image depending on thedryness or humidity of the user's fingerprints. There can be aninconsistency of results due to contact pressure. In addition, there will behygienic problems from latent fingerprints due to the fact that variouspeople using a single contact sensor. However, fingerprint images acquiredfrom contactless method using camera in smartphone (SamsungElectronics' Galaxy S8) resolved all the problems mentioned above withoutrequiring additional sensors. This paper will propose the method of detecting fake fingerprints usingcontactless fingerprints. One of deep-learning method CNN(ConvolutionNeural Network) which is the most popular topic in the computer visionarea and has good performance ability will detect fake of fingerprintimages.CNN is a neural network specialized in the classification and detection ofimages. In this paper, we use ResNet as basic network which wasdeveloped by Microsoft team in 2015 and won the ImageNet RecognitionCompetition. And we modified ResNet according to our needs inexperiment.Because there have been very few studies on contactless fingerprints sofar, it was hard to find comparable studies to this paper. Therefore, itexplains algorithms through comparison with contact-type fingerprintsreports.So, this paper uses contactless fingerprint images from smartphonecameras into patches to obtain images of the image domain. And thefingerprint images were extracted from the magnitude spectrum image ofthe frequency domain obtained through the Fast Fourier Transform usedas another input image. These input images were designed and trained topass through CNN at the same time. A network with a multi-input layermethod passes through many layers each consisting of, and hence thevector values extracted are combined into one output value through theConcatenate layer. Finally, through the Fullly Connected Layer, fakefingerprints were finally identified through a single output layer. As aresult, fake fingerprints were classified with high accuracy of 99 percent. The new Deep Learning model proposed by this paper is that thecontactless fingerprints are identified by using a multi-input model. Andthe results of the experiment showed that the performance was better thanthe previous model. It also eliminated the hassle of learning networkstwice by image domain and frequency domain in previous studies.Furthermore, there is an advantage in expecting to vitalize the researchinto contactless fingerprints that can be obtained with smart phonecameras.
Recently, there have been a growing number of cases where biometricrecognition technologies are used for security and convenience. The rapidincrease in the use of Fin-tech has led to a growing awareness of usersthrough the fingerprints. Fingerprints are the most traditional biometricmethod that has been widely used. However, fingerprints obtained bycontact-based sensors may vary in quality of image depending on thedryness or humidity of the user's fingerprints. There can be aninconsistency of results due to contact pressure. In addition, there will behygienic problems from latent fingerprints due to the fact that variouspeople using a single contact sensor. However, fingerprint images acquiredfrom contactless method using camera in smartphone (SamsungElectronics' Galaxy S8) resolved all the problems mentioned above withoutrequiring additional sensors. This paper will propose the method of detecting fake fingerprints usingcontactless fingerprints. One of deep-learning method CNN(ConvolutionNeural Network) which is the most popular topic in the computer visionarea and has good performance ability will detect fake of fingerprintimages.CNN is a neural network specialized in the classification and detection ofimages. In this paper, we use ResNet as basic network which wasdeveloped by Microsoft team in 2015 and won the ImageNet RecognitionCompetition. And we modified ResNet according to our needs inexperiment.Because there have been very few studies on contactless fingerprints sofar, it was hard to find comparable studies to this paper. Therefore, itexplains algorithms through comparison with contact-type fingerprintsreports.So, this paper uses contactless fingerprint images from smartphonecameras into patches to obtain images of the image domain. And thefingerprint images were extracted from the magnitude spectrum image ofthe frequency domain obtained through the Fast Fourier Transform usedas another input image. These input images were designed and trained topass through CNN at the same time. A network with a multi-input layermethod passes through many layers each consisting of, and hence thevector values extracted are combined into one output value through theConcatenate layer. Finally, through the Fullly Connected Layer, fakefingerprints were finally identified through a single output layer. As aresult, fake fingerprints were classified with high accuracy of 99 percent. The new Deep Learning model proposed by this paper is that thecontactless fingerprints are identified by using a multi-input model. Andthe results of the experiment showed that the performance was better thanthe previous model. It also eliminated the hassle of learning networkstwice by image domain and frequency domain in previous studies.Furthermore, there is an advantage in expecting to vitalize the researchinto contactless fingerprints that can be obtained with smart phonecameras.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.