[논문]패치기반 컨볼루션 뉴럴 네트워크 특징을 이용한 위조지문 검출

박은수; 김원진; 이경수; 김정민; 김학일

doi:10.13089/jkiisc.2017.27.1.39

[국내논문] 패치기반 컨볼루션 뉴럴 네트워크 특징을 이용한 위조지문 검출
Fingerprint Liveness Detection Using Patch-Based Convolutional Neural Networks 원문보기

情報保護學會論文誌 = Journal of the Korea Institute of Information Security and Cryptology, v.27 no.1, 2017년, pp.39 - 47

박은수 (인하대학교) , 김원진 (인하대학교) , 이경수 (인하대학교) , 김정민 ((주)비젼인) , 김학일 (인하대학교)

초록
AI-Helper

최근 모바일 기기에서의 생체인증 시스템의 증가와 출입관리 시스템에서의 위조지문을 이용한 출입 기록 조작으로 인해 위조 지문 검출에 대한 논의가 다시 활발해지고 있다. 본 논문에서는 입력 지문영상을 패치들로 나누고, 각 패치들에 CNN을 적용하여 위조, 생체, 배경의 세 가지로 분류한다. 이 중 배경으로 분류된 패치들을 제외하고 위조와 생체로 분류된 패치들의 수를 세어서 더 많은 패치가 인식된 쪽으로 위조여부를 판단하게 된다. CNN에 배경 클래스를 추가하여 분류하기 때문에, 제안하는 방법은 영상분할과 같은 추가적인 전처리 과정이 필요하지 않다. 제안하는 방법은 LivDet2011, LivDet2013, LivDet2015에 대하여 실험을 진행하였으며 분류결과 3.06%의 평균 오검출을 보여 매우 우수한 성능을 나타냄을 확인하였다.

Abstract ▼ AI-Helper

Nowadays, there have been an increasing number of illegal use cases where people try to fabricate the working hours by using fake fingerprints. So, the fingerprint liveness detection techniques have been actively studied and widely demanded in various applications. This paper proposes a new method to detect fake fingerprints using CNN (Convolutional Neural Ntworks) based on the patches of fingerprint images. Fingerprint image is divided into small square sized patches and each patch is classified as live, fake, or background by the CNN. Finally, the fingerprint image is classified into either live or fake based on the voting result between the numbers of fake and live patches. The proposed method does not need preprocessing steps such as segmentation because it includes the background class in the patch classification. This method shows promising results of 3.06% average classification errors on LivDet2011, LivDet2013 and LivDet2015 dataset.

주제어

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 위조지문의 접근을 막고자 높은 영상분류 성능을 보이는 CNN (Convolutional Neural Networks) 기술을 지문영상에 패치단위로 적용하여 위조 여부를 판단하는 방법을 제시한다.

제안 방법

제안하는 방법은 입력 지문영상 전체를 대상으로 위조지문과 생체지문의 두 가지로 분류하는 기존의 방법과 달리, 입력영상을 그리드 형태의 패치로 나누고, 각 패치를 위조, 생체, 배경의 세 가지 영역으로 분류하여 지문 세그멘테이션(segmentation)과정을 CNN과정에 포함 시켰다. 각 패치들의 인식결과 중배경으로 인식된 패치들은 무시하고 나머지 위조와 생체지문 두 가지 결과 중 더 많은 패치가 분류된 쪽으로 입력지문의 위조여부를 판단하게 된다. 본 논문은 다음과 같은 의의를 갖는다.
제안하는 방법은 입력 지문영상 전체를 대상으로 위조지문과 생체지문의 두 가지로 분류하는 기존의 방법과 달리, 입력영상을 그리드 형태의 패치로 나누고, 각 패치를 위조, 생체, 배경의 세 가지 영역으로 분류하여 지문 세그멘테이션(segmentation)과정을 CNN과정에 포함 시켰다. 각 패치들의 인식결과 중배경으로 인식된 패치들은 무시하고 나머지 위조와 생체지문 두 가지 결과 중 더 많은 패치가 분류된 쪽으로 입력지문의 위조여부를 판단하게 된다.

대상 데이터

실험에 사용된 데이터 셋은 LivDet2011, 2013,2015이다[18][19][20]. 데이터셋에 대한 설명은 표 3과 같다.

데이터처리

제안하는 방법의 유효성을 평가하기 위해SFPR(Spoof False Positive Rate)과 SFNR(Spoof False Negative Rate)의 평균값인 ACE(Average Classification Error)를 사용하였고 이는 수식 6과 같다.

이론/모형

FC-512와FC-3은 각각 512개와 3개의 뉴런을 사용하는 완전연결 레이어(fully connected layer)를 의미한다. 마지막 층인 loss함수는 softmax를 사용하였다.
컨볼루션 레이어 다음에는 바로 활성함수가 적용된다. 제안하는 구조에서는 ReLU(Rectified Linear Units)를 활성함수로 사용하였다. 그림 2의 max pooling은 2×2 크기로 간격은 2이다.

성능/효과

•작은 크기의 지문 패치들로부터 추출된 CNN 특징만으로 위조지문을 효과적으로 분류할 수 있음을 증명하였다.
•패치영역을 위조, 생체, 배경의 세 가지로 분류하여 위조지문 검출의 전처리에서 많이 사용되는 세그멘테이션 과정을 CNN에 통합하였다.
각 패치들의 인식결과 중 배경으로 인식된 패치들은 무시하고 나머지 위조와 생체지문 두 가지 결과 중 더 많은 패치가 분류된 쪽으로 지문의 위조여부를 판단하게 된다. 실험결과 제안하는 방법은 3.06% 매우 낮은 수치의 평균 인식 오류율을 보여 매우 높은 수준으로 위조지문을 검출할 수 있음을 증명하였다.

후속연구

향후 모바일 기기에서는 매우 작은 크기의 지문이 입력으로 들어오기 때문에 이 패치 기반 방법을 적용하면 위조여부를 쉽게 판단할 수 있을 것이라 생각된다. 따라서 CNN구조를 모바일에 맞게 최적화할 수 있는 연구가 필요하다. 또한 패치를 사용하지 않고 전체 지문 영상에 CNN을 적용한 후 특정 위치에 Attention 기법을 적용하여 위조 지문의 검출율을 높이는 방법에 관한 연구가 필요하다고 생각한다.
따라서 CNN구조를 모바일에 맞게 최적화할 수 있는 연구가 필요하다. 또한 패치를 사용하지 않고 전체 지문 영상에 CNN을 적용한 후 특정 위치에 Attention 기법을 적용하여 위조 지문의 검출율을 높이는 방법에 관한 연구가 필요하다고 생각한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	소프트웨어 기반 방법에서 주로 사용하는 대표적인지문의 특징은 무엇인가?	소프트웨어 기반 방법은 대부분의 경우 센서를 통해 입력되는 영상 자체를 활용하는 방법을 취한다. 소프트웨어 기반 방법에서 주로 사용하는 대표적인지문의 특징은 융선(ridge)의 크기 및 밀도, 연속성과 같은 정보이다[6].
	지문은 무엇을 이용하여 쉽게 위조할 수 있는가?	또한 모바일 결제 시스템의 본인인증 방법으로 비교적 간편한 지문을 사용하는 사례가 늘어나면서 위조지문을 검출하기 위한 연구가 다시금 확산되고 있는 추세이다. 앞서 설명한 바와 같이 지문은 실리 콘, 젤라틴, 찰흙 등을 이용하여 쉽게 위조될 수 있는 특징이 있다. 따라서 안전과 보안이 중요한 경우, 지문인식 시스템은 위조여부를 판단 할 수 있는 자체적 능력을 필요로 하게 된다[2].
	위조 지문을 판단하는 하드웨어 기반 방법의 단점은 무엇인가?	하드웨어 기반 방법은 인체의 물리적 특징을 추출하기 위한 하드웨어를 추가적으로 이용하는 방법이다. 이는 소프트웨어 방법에 비해 상대적으로 정확한 검출 성능을 보이지만 센서를 추가하기 때문에 비용이 증가하는 단점이 있다. 대표적인 하드웨어 기반 방법은 손가락 피의 압력을 이용하는 방법[3], 피부의 변형을 이용하는 방법[4], 피부의 채취[5]를 이용하는 방법이 존재한다.

참고문헌 (21)

M, Kiyoung, "Biometrics technology trend and prospective," TTA Jounal 98. pp. 38-47.
A. Wiehe, T. Sondrol, Olsen, O. K. and F. Skarderud, "Attacking fingerprint sensors," Gjovik University College, 2004.
P. Lapsley, J. Lee, D. Pare and N. Hoffman, "Anti-fraud biometric scanner that accurately detects blood flow," US Patent 5,737,439, 1998.
A. Antonelli, R. Cappelli, D. Maio and D. Maltoni, "Fake Finger Detection by Skin Distortion Analysis," Information Forensics and Security, vol. 1, no. 3, pp. 360-373, 2006.

상세보기
D. Baldisserra, A. Franco, D. Maio and D. Maltoni, "Fake fingerprint detection by odor analysis," in Advances in Biometrics, Berlin Heidelberg, Springer, pp. 265-272, 2005.
A. K. Jain, Y. Chen and M. Demirku, "Pores and ridges: high- resolution fingerprint matching using level 3 features," Pattern Analysis and Machine Intelligence, vol. 29, no. 1, pp. 15-27, 2007.

상세보기
D. Gragnaniello, G. Poggi, C. Sansone and L. Verdoliva, "Local contrast phase descriptor for fingerprint liveness detection," Pattern Recognition, vol. 9, Jun, 2014.
D. Gragnaniello, G. Poggi, C. Sansone and L. Verdoliva, "Fingerprint Liveness Detection based on Weber Local Image Descriptor," IEEE Workshop on Biometric Measurements and Systems for Security and Medical Applications, 2013.
X. Jia, X. Yang, K. Cao, Y. Zang, N. Zhang, R. Dai and J. Tian, "Multi-scale Local Binary Pattern with Filters for Spoof Fingerprint Detection," Information Sciences, 2013.
L. Ghiani, G. L. Marcialis and F. Roli, "Fingerprint liveness detection by Local Phase Quantization," Proc. IEEE Int. Conf. on Pattern Recognition, 2012.
S. B. Nikam and S. Agarwal, "Local Binary Pattern and wavelet-based spoof fingerprint detection," International Journal if Biometrics, vol. 1, pp. 141-159, 2008.
Y. LeCun, "Generalization and network design strategies," Connections in Perspective, 1989.
R.F. Nogueira, R. de Alencar Lotufo, and R.C. Machado, "Evaluating software-based fingerprint liveness detection using convolutional net- works and local binary patterns," IEEE Workshop on Biometric Measurements and Systems for Security and Medical Applications, 2014.
C. Wang, K. Li, Z. Wu and Q. Zhao, "A DCNN Based Fingerprint Liveness Detection Algorithm with Voting Strategy," CCBR, LNCS 9428, pp. 241-249. 2015
G.L. Marcialis, A. Lewicke, B. Tan, "First International fingerprint liveness detection competition - LivDet 2009," 15thInt. Conf. Image Analysis and Processing, pp. 12-23, 2009.
D. Gragnaniello, G. Poggi, C. Sansone, and L. Verdoliva, "An investigation of local descriptors for biometric spoofing detection," IEEE Trans. Inf. Forensics Security, vol. 10, no. 4, pp. 849-863, Apr. 2015.

상세보기
R.F. Nogueira, R. de Alencar Lotufo, and R.C. Machado, "Fingerprint Liveness Detection Using Convolutional Neural Networks," IEEE Transactions on Information Forensics and Security, vol. 11, no. 6, pp. 1206-1213, 2016.

상세보기
D. Yambay, L. Ghiani, P. Denti, G. L. Marcialis, F. Roli, and S. Schuckers, "LivDet 2011-Fingerprint liveness detection compe- tition 2011," Proc. 5th IAPR Int. Conf. Biometrics (ICB), pp. 208 -215, 2012.
L. Ghiani et al., "LivDet 2013 fingerprint liveness detection competition 2013," Proc. Int. Conf. Biometrics (ICB), pp. 1-6, 2013.
V. Mura, L. Ghiani, G. L. Marcialis, F. Roli, D. A. Yambay and S. A. Schuckers, "LivDet 2015 fingerprint liveness detection competition 2015," Biometrics Theory, Applications and Systems (BTAS), 2015 IEEE 7th International Conference on, Arlington, VA, pp. 1-6, 2015.
K. Weonjin, L. Qiongxiu, P. Eunsoo, K. Jungmin, and K. Hakil, "Fingerprint liveness detection and visualization using convolutional neural networks feature," Journal of The Korea Institute of Information Security & Criptology, 26(5), pp. 1259-1267, Oct. 2016.

원문보기 상세보기

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증