선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 후)벡터머신">벡터 머신 (Support Vector Machine, SVM) 분류기를 사용하였다. SVM 분류기는 입력 벡터를 고차원의 특징 공간으로 사상 시켜 서로 다른 클래스로 분류할 수 있는 초평면 중에서도 여백을 최대화시키는 특정한 초평면인 최대 여백 초평면을 찾는 것을 목적으로 한다. 최대 여백 따라서, 본 연구에서는 컬러 프린터의 특성을 판별하여 위조지폐 여부를 판별하는 기술을 제안한다. 각 본 논문에서는 대중화되어 손쉽게 구입할 수 있는 컬러 프린터를 이용하여 인쇄한 지폐의 위조 여부를 판별할 수 있는 방법을 제시하였다. 제안한 컬러 프린터로 인쇄할 때 후)본절에서는">본 절에서는 위변조 지폐 판별 알고리즘을 제안한다. 컬러 프린터의 기기별 특징을 추출하기 위하여 모폴로지 컬러 프린터 판별 알고리즘의 성능은 프린터를 고유하게 판별할 수 있는 특징 추출에 크게 영향을 받고 있으므로, 본 연구에서는 프린팅된 이미지에 존재하는 고유한 특징을 추출하기 위하여 다양한 특징점 추출 기술에 대한 연구를 수행하였고, 최적의 방법 중에 하나로서 형태학적 접근 기법인 모폴로지에 기반한 특징 추출하는 방법을 고안하였다.
제안 방법
- 본 논문에서는 팽창 이미지에서보다 침식 이미지에서 특징 점이 더 잘 추출되므로 침식과 다른 구조 요소들을 사용하여 특징점을 추출하였다.
-
2) CBR(Closing by Reconstruction) 과정
제안하는 특징 추출 방법에서 CBR 기술의 경우 OBR 과정의 반대이지만, 여영상을 생성한 후에 OBR 적용하고, 그 후에 다시 여영상 계산하는 방식으로 처리하였다. 또한, 후)하나의">하나의 방법을 제안하였다. C, M, Y 영역에 대하여 형태학적 특징에 기반을 두고 있는 모폴로지 기술 중에 OBR, CBR 알고리즘을 변형하여 프린터에 고유한 노이즈를 추출하였고, 이를 명암도 동시발생 행렬을 통한 질감 분석을 통하여 유사성, 대조, 합계, 상관분산, 공분산을 활용하여 특징값을 계산하였다. 이와 같은 특징값을 이 과정은 YCbCr 영역에서도 똑같이 이루어지고, 두 영역에서 추출한 총 30개의 특징값을 하나의 벡터로 합친다. 각 이미지마다 하나의 특징값 벡터를 생성한 다음, 서포트 벡터 머신을 이용하여 생성한 특징값 벡터들 중 절반은 학습에 이용하고 나머지 절반은 문서를 출력한 컬러 레이저 프린터를 판별하는데 이용하였다.
- 따라서, 본 연구에서는 컬러 프린터의 특성을 판별하여 위조지폐 여부를 판별하는 기술을 제안한다. 각 제조사마다 인쇄방법이 다르기 때문에 육안으로 판별할 수 없는 미세한 차이가 출력물에 존재한다는 점을 이용하여 지폐 이미 지의 팽창 축소 필터링을 통하여 노이즈를 제거하고 원본 지폐와 노이즈를 제거한 지폐의 차이점을 특징값으로 추출하여 인쇄기기를 판별하였다. 또한 기존 연구들에서 사용되었던 컬러 레이저 프린터가 아닌 잉크젯 프린터를 대상으로 실험을 수행하였다.
- 후)동시 발생">동시발생 행렬을 적용함으로서 특징을 계산한다. 계산한 특징점을 이용하여 지도 학습 모델 분류기인 서포트 벡터 머신 분류기에 입력하여 학습시켜 위조지폐 판별뿐만 아니라 인쇄 에 사용된 컬러 프린터의 기기 판별까지 수행한다.
- 동일한 실험환경 조건에서 제안하는 알고리즘과 위너필터 를 이용하여 컬러 프린터 제조사별 판별성능을 분석하였다. 즉, 판별하고자 하는 지폐 이미지를 성능의 비교를 위하여 제안하는 모폴로지 특성을 활용한 알고리즘과 위너 필터를 사용하는 알고리즘을 각각 서포트 벡터 머신 분류기를 사용하여 테스트 하였다. 특히 성능 후)유사한">유사한 HSV 도메인을 사용한다. 스캐너로 입력받은 RGB 형식 영상에 대하여 HSV 영역으로 변환하고, 이에 대하여 Fig. 5과 같이 OBR(Opening by Reconstruction) 과정과 CBR(Closing by Reconstruction) 과정을 통한 모폴로지 연 산을 통하여 처리한 영상을 생성한다. 이렇게 생성된 후)구분성능">구분 성능 분석을 수행하였다. 앞서 수집한 20장을 분할한 640장의 원본 지폐 이미지와 3개의 제조사에서 생산된 총 3대의 컬러 프린터로 부터 생성한 위변조지폐로 구분하여 총 4개 그룹으로 나누어 실험하였다.
- 위조 판별 성능 분석을 위하여 원본 지폐와 위조지폐 (Canon, Epson, Samsung 통합)의 두 그룹으로 분할하여 동일한 환경 하에서 실험을 수행하였다. 채널별로 분리시킨 지폐 이미지에 위너필터와 모폴로지 알고리즘을 적용하여 이미지를 추출하였고 그 예를 Fig.
- 이렇게 계산한 명암도 동시발생 행렬에서 유사성 (homogeneity), 대조(contrast), 합계(energy), 상관관계 (correlation), 공분산(covariance)의 60개 특징값을 추출하고, 서포트 벡터 머신 분류기(support vector machine classifier)에 적용하여 학습을 수행한 후에, 판별을 하고자 하는 대상 이 들어오면 위너필터와 명암도 동시발생 행렬을 통한 특징의 계산 과정을 거쳐, 추출한 특징을 분류기에 입력함으로 서 인쇄에 사용된 기기의 판별을 수행하였다
- 후)이 산">이산 웨이블릿 변환으로 변환된 각각의 R, G, B 영역 중에서 노이즈 성분이 있는 HH 영역에서의 표준편차, 왜도, 첨도, R과 G, G와 B 및 R 과 B 밴드의 공분산과 상관계수를 계산하여 하나의 특징 벡터로 정한다. RGB영역에서 표준편차(standard deviation), 왜도(skewness), 첨도(kurtosis), 공분산(covariance), ">계산하였다. 이와 같은 특징값을 지도 학습 모델 분류기에 적용하여 훈련을 한 후에 판별 데이터를 입력하여 지폐 위변 조 판별 및 위변조에 사용된 컬러 프린터를 식별하였다. 그 결과 제안한 알고리즘으로 지폐의 위조 여부와 컬러 제안하는 특징 추출 알고리즘에서는 컬러 프린터의 특징점을 추출하기 위해 RGB 보다 인간의 시각 시스템과 유사한 HSV 도메인을 사용한다. 스캐너로 입력받은 RGB 형식 영상에 대하여 HSV 영역으로 변환하고, 이에 대하여 Fig.
- 제안한 알고리즘의 성능은 지폐의 위조 판별 성능 분석과 위조에 사용한 프린터 제조사 판별의 두 가지의 측면에서 이루어졌다.
- 본 논문에서는 대중화되어 손쉽게 구입할 수 있는 컬러 프린터를 이용하여 인쇄한 지폐의 위조 여부를 판별할 수 있는 방법을 제시하였다. 제안한 컬러 프린터로 인쇄할 때 인쇄과정의 미세한 차이를 구분할 수 있는 특징인 노이즈의 통계적 특징만으로 위조지폐 여부를 판별할 수 있는 또 하나의 방법을 제안하였다. C, M, Y 영역에 대하여 형태학적 특징에 기반을 두고 있는 모폴로지 기술 중에 OBR, CBR 알고리즘을 변형하여 프린터에 고유한 노이즈를 추출하였고, 이를 명암도 후)판별 성능을">판별성능을 분석하였다. 즉, 판별하고자 하는 지폐 이미지를 위변조 지폐로 판별하였을 때, 위변조 지폐 인쇄기기에 대한 구분 성능 분석을 수행하였다. 앞서 수집한 20장을 분할한 640장의 원본 지폐 이미지와 3개의 제조사에서 생산된 총 3대의 컬러 후)환경하에서">환경 하에서 실험을 수행하였다. 채널별로 분리시킨 지폐 이미지에 위너필터와 모폴로지 알고리즘을 적용하여 이미지를 추출하였고 그 예를 Fig. 15에 표시하였다. 가시적 으로 크게 차이를 보이지는 않지만 위너필터 적용 영상이 추출된 노이즈 특징에 대하여 명암 동시발생 행렬을 생성하였다. Haralick et al.
- 컬러 프린터에 존재하는 고유한 특징을 추출하기 위해 모폴로지 알고리즘을 이용하여 노이즈를 추출한 후, 판별 및 분류의 정확도를 향상시키기 위하여 명암도 동시발생 행렬을 적용하였다. 현재 픽셀 값을 기준으로 0°, 45°, 90°, 컬러 프린터의 기기별 특징을 추출하기 위하여 모폴로지 알고리즘 을 이용하여 노이즈 성분을 추출하고, 이에 대하여 명암도 동시발생 행렬을 적용함으로서 특징을 계산한다.
- 후)판별하는">판별하는 기술을 제안하였다. 특히 명암도 동시발생 행렬로 변형 된 영역에 대하여 유사성(homogeneity), 대조(contrast), 합계 (energy), 상관관계(correlation), 공분산(covariance)의 통계적인 특성을 사용하여 각 특징을 추출하였다.
- 후)통하여">통 하여 프린터를 판별하는 기술을 연구하였다. 특히 본 연구에서는 명암도 동시 발생 행렬은 기존 연구들에서 많이 활용하였으나 명암도 작용길이 행렬(gray level run-length matrix)을 프린터 판별에 처음 도입하여 특징값을 추출하는 기술을 적용하였다[9].
- 프린터 영상에서 추출한 특징을 분류하기 위하여 본 연구에서는 지도 학습 모델 분류기로서 서포트 벡터 머신 (Support Vector Machine, SVM) 분류기를 사용하였다. SVM 분류기는 입력 벡터를 고차원의 현재 픽셀 값을 기준으로 0°, 45°, 90°, 135° 의 4 방향에 대해 명암도 동시발생 행렬을 계산한 후, 이에 대하여 Table 3과 같이 질감 분석을 위한 대조, 상관관계, 합계, 유사성, 공분산을 계산하여 이를 특징값 (또는 특징벡 터)로 사용하였다[6].
대상 데이터
- 후)추출하여">추출하여 인쇄기기를 판별하였다. 또한 기존 연구들에서 사용되었던 컬러 레이저 프린터가 아닌 잉크젯 프린터를 대상으로 실험을 수행하였다.
- 후)과정의">과정의 반대이지만, 여영상을 생성한 후에 OBR 적용하고, 그 후에 다시 여영상 계산하는 방식으로 처리하였다. 또한, 침식된 영상을 복구에서 마커 영상으로 사용하고, 원본 영상은 마스크로 사용하였다.
- 먼저, 이미지 데이터를 취득하기 위하여 20장의 원본 지폐를 스캔한 후 각각의 프린터로 20장씩 출력한 후 2,400dpi로 다시 스캔하여 얻은 이미지를 512×512 의 픽셀 크기로 분할하여 실험에 사용할 이미지 데이터로 취득하였다.
- 제안하는 알고리즘의 성능을 평가하기 위하여 기존에 사용했던 컬러 레이저 프린터가 아닌 총 3대의 컬러 잉크젯 프린터(Canon, Epson, Samsung)를 사용하여 위조한 지폐 영상들이 사용되었다. 먼저, 이미지 데이터를 취득하기 위하여 20장의 원본 지폐를 스캔한 후 각각의 프린터로 20장씩 출력한 후 2,400dpi로 다시 스캔하여 얻은 이미지를 ">테스트 하였다. 특히 성능 판 별의 객관성 및 정확도를 위하여 두 가지 실험 모두 각 프린터별로 20장식 60장의 지폐 이미지를 출력하였으며, 그중 30장은 훈련 데이터로 나머지 30장은 테스트 데이터로 사용하였다. 또한 실험 오류를 최소화하기 위하여 Cross Validation 기법을 사용하였다.
데이터처리
- 또한 실험 오류를 최소화하기 위하여 Cross Validation 기법을 사용하였다. 무작위로 선택한 두 데이터 에 대해 테스트 및 훈련 데이터와 훈련 및 테스트 데이터로 사용하여 2번의 실험을 한 후 결과 값의 평균을 계산하여 최종 결과로 사용하였다.
이론/모형
- 또한 실험 오류를 최소화하기 위하여 Cross Validation 기법을 사용하였다.
- 본 연구에서는 Radial basis function(RBF) 커널을 사용하였다. RBF 커널은 고차원의 특징공간으로 입력 벡터를 비선형적으로 이동시키기 때문에 선형 분리가 불가능한 후)개념은">개념은 Haralick et al.에 의해 제안된 명암도 동시발생 행렬 (Gray Level Co-occurrence Matrix)을 통해 체계화 되었다 [4]. 텍스쳐 영상의 응용 연구에서 영상 분류 단계에서 후)원본영상에서">원본 영상에서 상수 h를 빼서 침식시킨 영상을 만드는 것을 h-극소값 변환(h-minima transform)이 라고 부른고, h-극소값 변환은 작은 피크들(노이즈)을 억제 하는데 사용되었다.
성능/효과
- 가시적">표시하였다. 가시적 으로 크게 차이를 보이지는 않지만 위너필터 적용 영상이 모폴로지 적용 영상에 비하여 Sharpness가 높은 것을 알 수 있다.
- 후)컬러프린터를">컬러 프린터를 식별하였다. 그 결과 제안한 알고리즘으로 지폐의 위조 여부와 컬러 프린터의 제조사를 판별하여 각각 91.92%와 94.5%의 정확도를 보였으며, 기존 기술에 비하여 높은 성능을 달성하였다. 이와 같이 컬러 프린터의 판별 기술을 통해, 출력된 디지털 90%의 위변조 지폐 판별 정확도를 보이는 것을 알 수 있다. 그러나 본 논문에서 제안하는 형태학적 특징을 활용하는 모폴로지에 기반한 알고리즘을 사용하였을 경우 평균 91.92%의 정확도를 보이며 위너필터보다 1.02% 높은 정확도를 나타낸다.
- 두 개의 작은 피크들이 복구 과정을 통하여 제거되었고, 두 개의 큰 피크들은 값이 낮아지기는 했어도 아직 존재함을 확인할 수 있다. 위너필터를 사용하여 기기를 판별한 결과 Samsung 기기 와 Canon 기기의 판별률이 87.50% 및 89.06%로 낮게 나타났고, Epson 기기의 경우 92.18%의 판별률을 보였다. 기존 연구에서 레이저 프린터를 사용한 경우에 비하여 성능이 후)위변조지폐의">위변조 지폐의 인쇄기기 판별에서 위너필터는 평균 90.23% 정확도를 보였으나, 제안하는 모폴로지 기반 알고리즘으로 수행하였을 경우는 평균 94.55% 정확도를 보여, 기존 알고리즘에 비해 4％ 이상 높은 정확도를 나타냈다.
- 이를 통하여 기존 위너 필터를 이용한 특징에 비하여 제안하는 모폴로지 기반의 특징이 프린터 자체의 인쇄 특징을 좀 더 잘 식별하는 것을 확인할 수 있다.
- 후)찾는 데">찾는데 도움이 될 수 있을 것이다. 제안하는 모폴로지 기반 알고리즘의 경우 기존 위너 필터 등을 사용한 알고리즘 보다 더 높은 판별의 정확도를 달성하였다. 그러나 지속적인 연구를 통하여 판별의 정확도를 높일 수 있는 연구가 필요하다.
-
제안하는 모폴로지 알고리즘을 이용하여 인쇄기기를 판별하였을 경우의 Epson 기기의 판별률만 90.5%로 낮게 나타났고, Canon, Samsung 기기의 경우 95.3%, 96.9% 등으로 판별률이 높게 나타났다. 또한 원본 지폐를 원본 지폐로
후속연구
- 이와 같이 컬러 프린터의 판별 기술을 통해, 출력된 디지털 이미 지가 어떤 프린터에서 출력되었는지 알 수 있다면 위·변조 범죄를 일으킨 범인을 찾는데 도움이 될 수 있을 것이다.
- 후)위폐감식 장비를">위폐감식장비를 필요로 할 정도의 정교한 위조가 아니라 위 폐여부에 무신경한 한국인의 습관을 바탕으로 한 위조였다. 특히 대부분의 위조지폐가 컬러 프린터 등 개인용 복제도구를 이용했다는 점을 감안한다면 홀로그램의 도입이나 은선 삽입방법의 재고와 같이 개인용 복제 도구로 모방이 불가능한 요소를 찾아 효과적인 적용방법을 연구할 필요가 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.