디지털 고성능 영상장비의 대중화와 강력한 이미지 편집 소프트웨어의 출현으로 인해 고품질의 위 변조가 가능하게 되었다. 특히 화폐 위 변조 범죄가 급격히 증가하고 있지만, 일반인이 위 변조 지폐를 발견하는 비율은 낮은 수준이다. 본 논문에서는 범용 스캐너를 이용하여 위 변조 지폐를 판별할 수 있는 알고리즘을 제안한다. 본 알고리즘에서는 위 변조 지폐를 출력하는 과정에서 나타나는 인쇄물의 고유한 특징에 기반하여 위 변조 여부를 판별한다. 비지역적 평균 알고리즘을 이용하여 인쇄 과정에서 나타나는 노이즈 특성을 추출하고, 명암도 동시발생 행렬을 계산하여 지폐의 특징값을 추출하였다. 추출한 지폐의 고유한 특징값을 학습기반 데이터 분류기에 적용하여 위 변조 여부를 판별하였다. 제안한 알고리즘의 성능을 분석하기 위해 총 324장의 1만원권 지폐와 8대 프린터에서 출력한 위조지폐 이미지로 실험하였다. 또한 노이즈 추출에 있어 기존 프린터 판별 기술에서 사용되었던 위너필터와 이산웨이블릿변환 기반 알고리즘과 비교 분석을 수행하였다. 그 결과 제안한 알고리즘이 위 변조 판별에 있어서 94% 이상의 정확도를 보였으며, 위 변조 지폐 인쇄기기 식별에 있어서는 93% 이상의 정확도를 보여서 기존 프린터 판별 기술을 이용한 것보다 우수함을 보였다.
디지털 고성능 영상장비의 대중화와 강력한 이미지 편집 소프트웨어의 출현으로 인해 고품질의 위 변조가 가능하게 되었다. 특히 화폐 위 변조 범죄가 급격히 증가하고 있지만, 일반인이 위 변조 지폐를 발견하는 비율은 낮은 수준이다. 본 논문에서는 범용 스캐너를 이용하여 위 변조 지폐를 판별할 수 있는 알고리즘을 제안한다. 본 알고리즘에서는 위 변조 지폐를 출력하는 과정에서 나타나는 인쇄물의 고유한 특징에 기반하여 위 변조 여부를 판별한다. 비지역적 평균 알고리즘을 이용하여 인쇄 과정에서 나타나는 노이즈 특성을 추출하고, 명암도 동시발생 행렬을 계산하여 지폐의 특징값을 추출하였다. 추출한 지폐의 고유한 특징값을 학습기반 데이터 분류기에 적용하여 위 변조 여부를 판별하였다. 제안한 알고리즘의 성능을 분석하기 위해 총 324장의 1만원권 지폐와 8대 프린터에서 출력한 위조지폐 이미지로 실험하였다. 또한 노이즈 추출에 있어 기존 프린터 판별 기술에서 사용되었던 위너필터와 이산웨이블릿변환 기반 알고리즘과 비교 분석을 수행하였다. 그 결과 제안한 알고리즘이 위 변조 판별에 있어서 94% 이상의 정확도를 보였으며, 위 변조 지폐 인쇄기기 식별에 있어서는 93% 이상의 정확도를 보여서 기존 프린터 판별 기술을 이용한 것보다 우수함을 보였다.
Due to the popularization of digital high-performance capturing equipments and the emergence of powerful image-editing softwares, it is easy for anyone to make a high-quality counterfeit money. However, the probability of detecting a counterfeit money to the general public is extremely low. In this ...
Due to the popularization of digital high-performance capturing equipments and the emergence of powerful image-editing softwares, it is easy for anyone to make a high-quality counterfeit money. However, the probability of detecting a counterfeit money to the general public is extremely low. In this paper, we propose a counterfeit money detection algorithm using a general purpose scanner. This algorithm determines counterfeit money based on the different features in the printing process. After the non-local mean value is used to analyze the noises from each money, we extract statistical features from these noises by calculating a gray level co-occurrence matrix. Then, these features are applied to train and test the support vector machine classifier for identifying either original or counterfeit money. In the experiment, we use total 324 images of original money and counterfeit money. Also, we compare with noise features from previous researches using wiener filter and discrete wavelet transform. The accuracy of the algorithm for identifying counterfeit money was over 94%. Also, the accuracy for identifying the printing source was over 93%. The presented algorithm performs better than previous researches.
Due to the popularization of digital high-performance capturing equipments and the emergence of powerful image-editing softwares, it is easy for anyone to make a high-quality counterfeit money. However, the probability of detecting a counterfeit money to the general public is extremely low. In this paper, we propose a counterfeit money detection algorithm using a general purpose scanner. This algorithm determines counterfeit money based on the different features in the printing process. After the non-local mean value is used to analyze the noises from each money, we extract statistical features from these noises by calculating a gray level co-occurrence matrix. Then, these features are applied to train and test the support vector machine classifier for identifying either original or counterfeit money. In the experiment, we use total 324 images of original money and counterfeit money. Also, we compare with noise features from previous researches using wiener filter and discrete wavelet transform. The accuracy of the algorithm for identifying counterfeit money was over 94%. Also, the accuracy for identifying the printing source was over 93%. The presented algorithm performs better than previous researches.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
SVM 분류기는 Fig. 13b와 같이 입력된 훈련 데이터를 고차원의 특정 공간에 사상하여, 서로 다른 클래스로 분류시키는 초평면 중에서 여백을 최대화시키는 특정한 초평면인 최대 여백 초평면을 찾는 것을 목적으로 한다. 최대 여백 초평면에 가장 근접한 훈련데이터를 Support Vector라고 부르며, 이를 포함하는 초평면 사이의 여백값이 클수록 분류 성능이 좋아진다.
본 논문에서는 각각의 세부 기술들에 대해서 새롭게 제안하는 것은 아니지만, 범용 스캐닝 장비들을 통하여 위변조 지폐를 탐지하기 위한 시도와 이에 대한 최적의 절차(알고리즘)을 제안함으로서 기여를 했다.
본 논문에서는 이러한 문제를 해결하는 방안을 제시하고자 지폐의 고유한 특징을 추출하여 위·변조를 판별하는 기술을 제안하였다.
제안하는 판별 기술의 성능은 고유한 특징에 대한 정확한 추출과, 추출된 특징의 학습 분류기를 통한 올바른 분류 기능에 의하여 좌우된다. 본 연구에서는 지폐 이미지에 존재하는 고유한 특징을 추출하기 위하여 다양한 특징점에 대한 연구를 수행하였다.
제안 방법
계산한 특징값을 학습기반 데이터 분류기에 적용하여 위·변조 여부를 판별한다.
본 연구에서는 지폐 이미지의 특징점 추출을 위해 앞서 추출한 노이즈 특성을 CMY 영역으로 변환하여 각 영역마다 0°, 45°, 90°, 135°의 4가지 방향에 대한 명암도 동시발생 행렬을 계산하였다. 계산한 행렬로부터 Table 1와 같이 통계적인 특성인 유사성, 대조, 합계, 상관관계를 각 영역별로 추출하고, C와 M, M과 Y, Y와 C 영역간의 공분산을 계산하여 총 60개의 지폐 이미지 특징점을 추출하였다. 이 특징점들은 학습기반 데이터 분류기에서 위·변조 여부를 판별하는데 훈련 및 판별 데이터로 이용된다.
프린터 판별을 위해 사용되었던 기존의 위너필터 및 이산웨이 블릿변환과 본 논문에서 제시하는 방법인 비지역적 평균값을 이용하여 각각 노이즈 특성을 추출하였다. 그 후에 추출한 노이즈 특성들에 대하여 동일한 조건하에서 명암도 동시 발생 행렬을 이용하여 특징값을 계산하고, 서포트벡터머신 분류기를 이용하여 위변조를 판별하였다.
그리고, Fig. 9에 나타난 것과 같이 가장 최적의 결과를 나타내는 비지역적 평균값을 이용하여 노이즈 특성을 추출하고, 이에 대해 명암도 동시발생 행렬을 생성하고 통계적인 특징을 추출하는 방법을 설계하였다.
본 논문에서 제안하는 위·변조 지폐 판별 알고리즘은 훈련 및 판별의 2단계로 구성되어진다.
본 논문에서는 손쉽게 다양한 위·변조 지폐의 판별이 가능하며, 저렴한 비용으로 구축 가능한 범용 스캐너를 이용하며, 지폐의 인쇄과정에 나타나는 특성을 이용하여 위·변조 지폐 판별 알고리즘을 제안한다.
본 연구에서는 Support Vector Machine 분류기을 이용하여 앞서 추출한 지폐 이미지의 특징점을 훈련 및 판별 데이터로 이용하여 위·변조 여부를 판별하였다.
본 연구에서는 실험적으로 노이즈 제거 성능과 그에 따른 시간에 대해 최상의 결과를 나타내는 σ의 값을 7로 얻어냈으며 그에 따라 검색 윈도우의 크기를 3x3, 블록 크기를 10으로 설정하였다.
본 연구에서는 지폐 이미지의 특징점 추출을 위해 앞서 추출한 노이즈 특성을 CMY 영역으로 변환하여 각 영역마다 0°, 45°, 90°, 135°의 4가지 방향에 대한 명암도 동시발생 행렬을 계산하였다.
비지역적 평균 알고리즘을 이용하여 위·변조 지폐를 출력하는 과정에서 나타나는 인쇄물에 숨겨져 있는 고유한 특징인 노이즈 특성을 추출한다.
수집한 데이터를 기반으로 하여 기존 연구에서 사용했던 위너필터와 이산웨이블릿변환에서 추출한 특징과 제안하는 비지역적 평균 알고리즘을 통해 추출한 노이즈 특징을 이용하여, 명암도 동시발생 행렬을 생성하고, 통계적인 특징값을 계산한 후에 학습기반 데이터 분류기에 입력하여 위·변조 여부를 판별하였다
앞서 수집한 총 324장의 지폐 이미지를 지폐와 4 개의 제조사에서 생산된 총 8개의 프린터로부터 생성한 위·변조 지폐의 8개 그룹으로 나누어 분류를 수행하였다.
영상의 질감적인 특성을 잘 드러나게 하기 위해 명암도 동시발생 행렬을 이용한다. 명암도 동시발생 행렬이란 영상 내에서 픽셀간의 밝기 값의 관계를 나타내는 방법으로 이미지의 인접한 방향의 두 픽셀의 값을 좌표 값으로 이용하여, 좌표 값의 출현빈도를 나타내는 행렬이다.
위·변조 지폐 판별을 위하여 비지역적 평균 알고리즘을 이용하여 위변조된 지폐의 인쇄로 인한 노이즈 특성을 추출하고, 명암도 동시발생 행렬을 생성한 후, 다양한 질감 분석을 통해 지폐의 특성을 나타내는 특징값을 추출한 후에, 학습기반 데이터 분류기를 훈련하고, 이를 기반으로 위·변조 여부를 판별하였다.
그렇기 때문에 스캔한 이미지를 RGB 영역에서 CMY 영역으로 변환하여 각 영역에 대해 위너필터를 적용시킨다. 위너필터를 적용하여 노이즈를 제거한 이미지를 원본 이미지와의 차이 연산을 통해 인쇄 과정에서 나타나는 고유한 특징인 노이즈 특성을 추출한다. Fig.
비지역적 평균 알고리즘을 이용하여 위·변조 지폐를 출력하는 과정에서 나타나는 인쇄물에 숨겨져 있는 고유한 특징인 노이즈 특성을 추출한다. 이에 대해 명암도 동시발생 행렬을 생성한 후에 통계적인 특징값인 유사성, 대조, 합계, 상관관계, 공분산을 계산한다. 계산한 특징값을 학습기반 데이터 분류기에 적용하여 위·변조 여부를 판별한다.
입력된 영상에 대하여 명암도 동시 발생 행렬로 변형을 수행한 후에 Table 1에 나타난 것과 같이, 유사성, 대조, 합계, 상관관계, 공분산의 5가지 통계적인 특성을 사용하여 각 특징점을 추출하였다.
입력된 영상에서 에지 정보를 추출하여, 허프 변환을 통해 라인 정보를 추출한다. 추출한 라인의 각도에 따른 히스토그램을 계산하여 프린터 판별을 위한 특징값으로 사용한다.
본 연구에서는 실험적으로 노이즈 제거 성능과 그에 따른 시간에 대해 최상의 결과를 나타내는 σ의 값을 7로 얻어냈으며 그에 따라 검색 윈도우의 크기를 3x3, 블록 크기를 10으로 설정하였다. 입력받은 지폐 이미지를 RGB 영역으로 분할하여 각 RGB 영역별로 비지역적 평균 알고리즘을 이용하여 노이즈 제거 이미지를 얻었다. 이를 원본 이미지와의 차이 연산을 통해 Fig.
제안하는 판별 기술의 성능은 고유한 특징에 대한 정확한 추출과, 추출된 특징의 학습 분류기를 통한 올바른 분류 기능에 의하여 좌우된다. 본 연구에서는 지폐 이미지에 존재하는 고유한 특징을 추출하기 위하여 다양한 특징점에 대한 연구를 수행하였다.
지폐 이미지의 위·변조 판별 성능분석을 위해, 앞서 수집한 총 324장의 지폐 이미지 중에서 36장의 원본 지폐와 288장의 위·변조 지폐의 그룹으로 나눠서 분류를 수행하였다.
판별 과정에서는 임의의 지폐가 데이터가 들어왔을 때, 특징점 추출기를 통해 특징을 추출하고, 훈련된 학습기반 데이터 분류기에 입력하여, 입력된 지폐가 원본인지 위·변조본인지 판별을 수행한다.
판별하고자 하는 지폐 이미지를 위·변조 지폐로 판별하였을 때, 위·변조 지폐의 인쇄기기에 대한 판별 성능분석을 수행하였다.
대상 데이터
제안한 알고리즘의 성능 평가를 위하여 Table 2에 나타난 것과 같이 4개 제조사(Xerox, HP, Canon, Konica)에서 생산된 총 8개의 프린터(Xerox DCC 450, Xerox DCC 4300, Xerox DCC 5540, Xerox DCC 6550, HP, Canon iRC2620, Canon iRC3200N, Konica C250)를 사용하여 위조본을 제작 하였다. 지폐 이미지 데이터를 취득하기 위하여 위의 프린터마다 36장씩 제작한 1만원권 위조지폐와 36장의 1만원권 원본 지폐를 스캐너를 통해 스캔하여 총 324장(36*8+36)의 훈련데이터를 수집하였다.
제안한 알고리즘의 성능 평가를 위하여 Table 2에 나타난 것과 같이 4개 제조사(Xerox, HP, Canon, Konica)에서 생산된 총 8개의 프린터(Xerox DCC 450, Xerox DCC 4300, Xerox DCC 5540, Xerox DCC 6550, HP, Canon iRC2620, Canon iRC3200N, Konica C250)를 사용하여 위조본을 제작 하였다. 지폐 이미지 데이터를 취득하기 위하여 위의 프린터마다 36장씩 제작한 1만원권 위조지폐와 36장의 1만원권 원본 지폐를 스캐너를 통해 스캔하여 총 324장(36*8+36)의 훈련데이터를 수집하였다.
데이터처리
Table 4, Table 5, Table 6에는 위너필터, 이산웨이블릿변환, 비지역적 평균 알고리즘을 각각 5회의 실험을 수행한 결과에 대한 인쇄기기 판별 평균 정확도를 정리하였다. 각 번호에 해당하는 프린터의 제조사와 모델명은 Table 2에 제시된 모델 ID이다.
Table 3에는 6회의 실험을 수행한 결과를 정리하였다. 프린터 판별을 위해 사용되었던 기존의 위너필터 및 이산웨이 블릿변환과 본 논문에서 제시하는 방법인 비지역적 평균값을 이용하여 각각 노이즈 특성을 추출하였다. 그 후에 추출한 노이즈 특성들에 대하여 동일한 조건하에서 명암도 동시 발생 행렬을 이용하여 특징값을 계산하고, 서포트벡터머신 분류기를 이용하여 위변조를 판별하였다.
이론/모형
본 논문에서는 위의 SVM 분류기 중에서 다중 클래스 분류를 지원하는 LIBSVM을 사용하였다 [8, 9]. LIBSVM은 unbalanced 클래스에 대해 페널티 부가 기능을 가지고 있어서, 다중 클래스를 확실하게 분류하기 위해 사용자가 초평면을 결정하는데 있어서 분류 오류를 최소화시킬 수 있다.
성능/효과
31%의 정확도를 보임을 알 수 있다. 그러나 본 논문에서 제안하는 비지역적 평균 알고리즘을 사용했을 경우 평균 93.76%의 정확도를 보여 기존 알고리즘에 비해 약 2~9%정도 높은 정확도를 나타냈다.
40%의 정확도를 보이는 것을 알 수 있다. 그러나 본 논문에서 제안하는 비지역적 평균 알고리즘을 사용했을 경우 평균 94.24%의 정확도를 보여 기존 알고리즘보다 약 5~7%정도의 높은 정확도를 나타냈다.
또한 이산웨이블릿변환과 위너필터를 사용한 경우 동일한 제조사의 다른 모델에 대한 인쇄기기 판별 정확도가 떨어지는데 비해, 비지역적 평균 알고리즘은 상대적으로 높은 정확도를 보이는 것을 알 수 있다. 하지만 같은 제조사의 경우 유사한 인쇄방식 때문에 모델간의 판별이 어려워 분류가 정확하게 수행되지 않아 다소 정확도가 떨어졌다.
또한, 위·변조 지폐로 판별 시 제조사에 대한 판별에 있어서도 비지역적 평균 알고리즘을 적용하면 평균 93.76%의 정확도를 보여 위·변조 지폐 생성 시에 사용한 인쇄기기의 판별을 할 수 있었다.
실험에 따르면 위·변조 지폐 판별에 있어서 비지역적 평균 알고리즘을 적용하면 평균 94.24%의 정확도를 보였고, 기존의 알고리즘에 비하여 정확도를 향상하였다.
위·변조 지폐의 인쇄기기 판별에서 위너필터는 평균 91.11%의 정확도를 보이며, 이산웨이블릿변환은 평균 84.31%의 정확도를 보임을 알 수 있다.
위너필터를 이용하였을 경우 평균 89.50%의 위변조 지폐 판별 정확도를 보이며, 이산웨이블릿변환은 평균 87.40%의 정확도를 보이는 것을 알 수 있다. 그러나 본 논문에서 제안하는 비지역적 평균 알고리즘을 사용했을 경우 평균 94.
후속연구
하지만 노이즈 특성을 추출하는 비지역적 평균 알고리즘을 수행함에 있어 많은 시간이 소모되므로, 이에 최적화된 알고리즘에 대한 추가 연구가 필요하다. 또한 판별의 정확도 향상을 위하여 지폐의 고유한 특징인 특징점을 추출하는 알고리즘에 대한 연구가 필요하다.
이를 통해 위·변조 지폐 발견 시, 위·변조 지폐의 제조과정에 사용된 인쇄기기를 정확하게 판별함으로써 위·변조 범죄에 대한 단서를 제공할 수 있다. 하지만 노이즈 특성을 추출하는 비지역적 평균 알고리즘을 수행함에 있어 많은 시간이 소모되므로, 이에 최적화된 알고리즘에 대한 추가 연구가 필요하다. 또한 판별의 정확도 향상을 위하여 지폐의 고유한 특징인 특징점을 추출하는 알고리즘에 대한 연구가 필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
위너필터는 무엇인가?
위너필터란 비정상성 잡음을 제거하는 데 유용한 필터로 최소자승 필터라고 한다. 이를 이용하여 입력 영상에서 의도하지 않게 들어가 튀는 값들을 제거하여, 잡음을 제거한 이미지를 얻을 수 있다.
컬러 레이저프린터는 무엇을 조합하여 색을 표현하는가?
컬러 레이저프린터는 CMYK(Cyan, Magenta, Yellow, Black)의 4가지 색상을 조합하여 색을 표현한다. 지폐 이미지를 조합된 4가지 색상으로 분리하여 확대해 보면 색상마다 일정한 패턴을 확인할 수 있다.
위너필터를 이용하면 어떤 이미지를 얻을 수 있는가?
위너필터란 비정상성 잡음을 제거하는 데 유용한 필터로 최소자승 필터라고 한다. 이를 이용하여 입력 영상에서 의도하지 않게 들어가 튀는 값들을 제거하여, 잡음을 제거한 이미지를 얻을 수 있다.
참고문헌 (9)
H.-Y. Lee, J.-Y. Baek, S.-G. Kong, H.-S. Lee, J.-H. Choi, "Color Laser Printer Forensics through Wiener Filter and Gray Level Co-occurrence Matrix", 정보과학회논문지: 소프트 웨어 및 응용, Vol.37, No.8, pp.599-610, 2010.
J.-H. Choi, "Color laser printer identification using color noise features", MCS 09030, MS thesis, Korea Advanced Institute of Science and Technology, Proc. of ACM Multimedia and Security (MMSEC 2010), pp.19-24. 2009.
S.-J. Ryu, H.-Y. Lee, Dong-Hyuck Im, Jungho Choi, and Heung-Kyu Lee, "Electrophotographic Printer Identification by Halftone Texture Analysis," Proc. of IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP2010), pp.1846-1849, 2010.
A. Buades, B. Coll, J.-M. Morel. "A non-local algorithm for image denoising", Computer Vision and Pattern Recognition, 2005.
R. M. Haralick, K. Shanmugam, and I. Dinstein, "Textural features for image classification," IEEE Trans. on Systems, Man, Cybernetics, Vol.3, No.6, pp.610-621, 1973.
C.-C. Chang and C.-J. Lin, "LIBSVM: a library for support vector machines," Software available at [Internet] http://www.csie.ntu.edu.tw/-cjlin/libsvm/, 2001.
C.-W. Hsu, C.-C. Chang, and C.-J Lin, "A practical guide to support vector classification," [Internet] http://www.csie.ntu.edu.tw/-cjlin/papers/guide/guide.pdf
※ AI-Helper는 부적절한 답변을 할 수 있습니다.