$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

위조지문 판별률 향상을 위한 학습데이터 혼합 증강 방법

Data Mixing Augmentation Method for Improving Fake Fingerprint Detection Rate

情報保護學會論文誌 = Journal of the Korea Institute of Information Security and Cryptology, v.27 no.2, 2017년, pp.305 - 314  

김원진 (인하대학교) ,  김성빈 (인하대학교) ,  유경송 (인하대학교) ,  김학일 (인하대학교)

초록
AI-Helper 아이콘AI-Helper

최근 모바일 및 핀테크(fin-tech) 분야의 최신 트렌드로 지문인식, 홍채인식과 같은 생체인식을 통한 사용자 본인인증이 주목 받고 있다. 특히 지문인식을 이용한 인증 방식은 전통적인 생체인식 방식으로써 사용자들이 사용하는데 발생하는 거부감이 다른 생체인식에 비해 현저히 낮아 현재 가장 보편적으로 이용되는 방식이다. 이와 동시에 지문을 이용한 인증 시 보안에 대한 중요성이 부각되어 지문의 위조 여부 판별의 중요성 또한 증가하고 있다. 본 논문에서는 CNN(Convolutional Neural Networks) 특징을 이용한 위조 여부 판별 방법에 있어 판별률을 향상시키기 위한 새로운 방법을 제시한다. 학습데이터에 영향을 많이 받는 CNN 특성 상 기존에는 판별률을 향상시키기 위해 아핀 변환(affine transformation) 또는 수평 반전(horizontal reflection)을 사용하여 학습데이터의 양을 증가 시키는 것이 일반적인 방법이었으나 본 논문에서는 위조지문 판별 난이도를 기반으로 한 효과적인 학습데이터 증강(data augmentation) 방법을 제시하며 실험을 통해 제안하는 방법의 타당성을 확인하였다.

Abstract AI-Helper 아이콘AI-Helper

Recently, user authentication through biometric traits such as fingerprint and iris raise more and more attention especially in mobile commerce and fin-tech fields. In particular, commercialized authentication methods using fingerprint recognition are widely utilized mainly because customers are mor...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 본 논문에서는 CNN 특징을 활용하여 지문 이미 지의 위조 여부를 판별하는 알고리즘의 성능을 향상시키기 위한 방법으로 데이터 혼합 증강 방법이라는 기존의 데이터 증강 방법과 다른 개념의 새로운 방법을 제시하였으며, 실험을 통해 제안하는 방법의 타당성을 확인하였다.
  • 본 논문에서는 CNN을 활용한 위조 지문 이미지 판별에 관한 성능을 향상시키기 위해 기존에 주로 사용된 학습데이터 증강 방법보다 효율적인 새로운 방법을 제시한다. 이어 실험을 통해 제안하는 방법의 타당성을 확인하고 결과를 분석한다.
  • 따라서 지문 이미지에 대한 위조 여부를 판단할 수 있는 기술은 지문 인증 시스템에서 매우 중요한 기술이라고 할 수 있다[3]. 이에 최근에 지문 이미지의 위조 여부 판별에 독보적인 판별률을 보이고 있는 CNN을 이용한 위조지문 판별 방법에 있어 학습데이터 증강 관점에서 성능 향상을 위해 학습을 원하는 위조지문 데이터베이스보다 상대적으로 판별 난이도가 높은 데이터베이스를 혼합하는 방식인 위조지문 판별 난이도를 기반으로 한 새로운 방안을 제시한다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
최근 모바일 및 핀테크분야의 최신 트렌드로 주목 받고 있는 것은 무엇인가? 최근 모바일 및 핀테크(fin-tech) 분야의 최신 트렌드로 지문인식, 홍채인식과 같은 생체인식을 통한 사용자 본인인증이 주목 받고 있다. 특히 지문인식을 이용한 인증 방식은 전통적인 생체인식 방식으로써 사용자들이 사용하는데 발생하는 거부감이 다른 생체인식에 비해 현저히 낮아 현재 가장 보편적으로 이용되는 방식이다.
지문인식을 이용한 인증 방식이 보편적으로 이용되는 방식인 이유는 무엇인가? 최근 모바일 및 핀테크(fin-tech) 분야의 최신 트렌드로 지문인식, 홍채인식과 같은 생체인식을 통한 사용자 본인인증이 주목 받고 있다. 특히 지문인식을 이용한 인증 방식은 전통적인 생체인식 방식으로써 사용자들이 사용하는데 발생하는 거부감이 다른 생체인식에 비해 현저히 낮아 현재 가장 보편적으로 이용되는 방식이다. 이와 동시에 지문을 이용한 인증 시 보안에 대한 중요성이 부각되어 지문의 위조 여부 판별의 중요성 또한 증가하고 있다.
지문을 이용한 인증 시스템이 가지는 취약점은 무엇인가? 또한, 상대적으로 편의성이 떨어지는 공인인증서와 보안카드를 대신하여 간단히 지문을 이용한 인증 시스템이 모바일 Fin-tech 관련 어플리케이션들에 이용되고 있다.[2] 하지만 이와 같은 지문 인증 시스템은 젤라틴, 라텍스, 실리콘과 같이 주변에서 쉽게 구할 수 있는 물질을 이용하여 다른 사람의 지문을 어렵지 않게 위조할 수 있다는 취약점이 존재하며, 국내에서는 이와 관련한 사건·사고가 지속적으로 발생하고 있다. 따라서 지문 이미지에 대한 위조 여부를 판단할 수 있는 기술은 지문 인증 시스템에서 매우 중요한 기술이라고 할 수 있다[3].
질의응답 정보가 도움이 되었나요?

참고문헌 (28)

  1. J. Wayman, A. Jain, D. Maltoni, "An introduction to biometric authentication systems," Springer London, pp. 1-17, 2005. 

  2. Y. N. Shin and M. G. Chun, "Analysis on international financial biometric adoption cases and propose a scheme for Korean financial telebiometrics," Journal of the Korea Institute of Information Security and Cryptology, vol. 25, no. 3, pp. 665-672, 2015. 

  3. A. Wiehe, T. Sondrol, Olsen, O. K. and F. Skarderud, "Attacking fingerprint sensors," Gjovik University College, 2004. 

  4. P. Lapsley, J. Lee, D. Pare and N. Hoffman, "Anti-fraud biometric scanner that accurately detects blood flow". US Patent 5,737,439, 1998. 

  5. 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. 

  6. 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. 

  7. 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. 

  8. D. Gragnaniello, G. Poggi, C. Sansone and L. Verdoliva, "Local contrast phase descriptor for fingerprint liveness detection," Pattern Recognition, 9 Jun, 2014. 

  9. 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. 

  10. 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. 

  11. L. Ghiani, G. L. Marcialis and F. Roli, "Fingerprint liveness detection by Local Phase Quantization," Proc. IEEE Int. Conf. on Pattern Recognition, 2012. 

  12. 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. 

  13. 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. 

  14. C. Wang, K. Li, Z. Wu, Q. Zhao, "A DCNN Based Fingerprint Liveness Detection Algorithm with Voting Strategy," Biometric Recognition, Springer, pp. 241-249, 2015. 

  15. 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. 

  16. Y. Zhang, B. Zhou, H. Wu and C. Wen, "2D fake fingerprint detection based on improved CNN and local descriptors for smart phone," In Chinese Conference on Biometric Recognition, pp. 655-662, 2016. 

  17. E. Park, W. Kim, Q. Li, J. Kim, and H. Kim, "Fingerprint liveness detection using patch-based convolutional neural networks," Journal of The Korea Institute of Information Security & Criptology, vol. 27, no. 1, pp. 39-47, 2017. 

  18. A. Krizhevsky, I. Sutskever and G. E. Hinton, "Imagenet classification with deep convolutional neural networks," In Advances in neural information processing systems, pp. 1097-1105, 2012. 

  19. O. Russakovsky, J. Deng, H. Su, J. Krause, S. Satheesh, S. Ma, Z. Huang, A. Karpathy, A. Khosla, M. Bernstein, A.C. Berg and L. Fei-Fei, "ImageNet Large Scale Visual Recognition Challenge," International Journal of Computer Vision, vol. 115, no. 3, pp. 211-252, 2015. 

  20. D. Ciregan, U. Meier and J. Schmidhuber, "Multi-column deep neural networks for image classification," In Computer Vision and Pattern Recognition (CVPR), pp. 3642-3649, 2012. 

  21. D. C. Ciresan, U. Meier, J. Masci, L. M. Gambardella and J. Schmidhuber, "High-performance neural networks for visual object classification," arXiv preprint arXiv:1102.0183, 2011. 

  22. P. Y. Simard, D. Steinkraus and J. C. Platt, "Best Practices for Convolutional Neural Networks Applied to Visual Document Analysis," ICDAR, vol. no. 3, pp. 958-962, 2003. 

  23. K. Simonyan and A. Zisserman, "Very deep convolutional networks for large-scale image recognition," arXiv preprint arXiv:1409.1556, 2014. 

  24. W. Kim, Q. Li, E. Park, J. Kim, and H. Kim, "Fingerprint liveness detection and visualization using convolutional neural networks feature," Journal of The Korea Institute of Information Security & Criptology, vol. 26, no. 5, pp. 1259-1267, 2016. 

  25. D. Yambay, L. Ghiani, P. Denti, G. L. Marcialis, F. Roli, and S. Schuckers, "LivDet 2011-Fingerprint liveness detection competition 2011, Proc. 5th IAPR Int. Conf. Biometrics (ICB), pp. 208-215, 2012. 

  26. L. Ghiani et al., "LivDet 2013 fingerprint liveness detection competition 2013," Proc. Int. Conf. Biometrics (ICB), pp. 1-6, 2013. 

  27. 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. 

  28. D. Gragnaniello, G. Poggi, C. Sansone and L. Verdoliva, "An investigation of local descriptors for biometric spoofing detection," IEEE transactions on information forensics and security, vol. 10, no. 4, pp. 849-863, 2015. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트