[논문]정보보안을 위한 생체 인식 모델에 관한 연구

김준영; 정세훈; 심춘보

doi:10.13067/jkiecs.2024.19.1.317

정보보안을 위한 생체 인식 모델에 관한 연구
A Study on Biometric Model for Information Security

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.19 no.1, 2024년, pp.317 - 326

김준영 (국립순천대학교 IT-Bio융합시스템전공) , 정세훈 (국립순천대학교 컴퓨터공학과) , 심춘보 (국립순천대학교 인공지능공학부)

초록
AI-Helper

생체 인식은 사람의 생체적, 행동적 특징 정보를 특정 장치로 추출하여 본인 여부를 판별하는 기술이다. 생체 인식 분야에서 생체 특성 위조, 복제, 해킹 등 사이버 위협이 증가하고 있다. 이에 대응하여 보안 시스템이 강화되고 복잡해지며, 개인이 사용하기 어려워지고 있다. 이를 위해 다중 생체 인식 모델이 연구되고 있다. 기존 연구들은 특징 융합 방법을 제시하고 있으나, 특징 융합 방법 간의 비교는 부족하다. 이에 본 논문에서는 지문, 얼굴, 홍채 영상을 이용한 다중 생체 인식 모델의 융합 방법을 비교 평가했다. 특징 추출을 위해VGG-16, ResNet-50, EfficientNet-B1, EfficientNet-B4, EfficientNet-B7, Inception-v3를 사용했으며, 특성융합을 위해 'Sensor-Level', 'Feature-Level', 'Score-Level', 'Rank-Level' 융합 방법을 비교 평가했다. 비교평가결과 'Feature-Level' 융합 방법에서 EfficientNet-B7 모델이 98.51%의 정확도를 보이며 높은 안정성을 보였다. 그러나 EfficietnNet-B7모델의 크기가 크기 때문에 생체 특성 융합을 위한 모델 경량화 연구가 필요하다.

Abstract ▼ AI-Helper

Biometric recognition is a technology that determines whether a person is identified by extracting information on a person's biometric and behavioral characteristics with a specific device. Cyber threats such as forgery, duplication, and hacking of biometric characteristics are increasing in the field of biometrics. In response, the security system is strengthened and complex, and it is becoming difficult for individuals to use. To this end, multiple biometric models are being studied. Existing studies have suggested feature fusion methods, but comparisons between feature fusion methods are insufficient. Therefore, in this paper, we compared and evaluated the fusion method of multiple biometric models using fingerprint, face, and iris images. VGG-16, ResNet-50, EfficientNet-B1, EfficientNet-B4, EfficientNet-B7, and Inception-v3 were used for feature extraction, and the fusion methods of 'Sensor-Level', 'Feature-Level', 'Score-Level', and 'Rank-Level' were compared and evaluated for feature fusion. As a result of the comparative evaluation, the EfficientNet-B7 model showed 98.51% accuracy and high stability in the 'Feature-Level' fusion method. However, because the EfficietnNet-B7 model is large in size, model lightweight studies are needed for biocharacteristic fusion.

주제어

표/그림 (14)

그림 그림 1. 다중 생체 인식 특징 추출 모델 구성도 (a) VGG-16, (b) ResNet-50, (c) EfficientNet, (d) Inception-v3 Fig. 1 Multimodal biometric feature extraction model architecture (a) VGG-16, (b) ResNet-50, (c) EfficientNet, (d) Inception-v3
표 표 1. 모델의 입력 크기, 깊이, 파라미터 수 Table 1. Input size, depth, and number of parameters for the model
그림 그림 2. 점수 수준 융합 흐름도 Fig. 2 Score-Level Fusion Flowchart
그림 그림 3. 특징 수준 융합 흐름도 Fig. 3 Feature-Level Fusion Flowchart
그림 그림 4. 점수 수준 융합 흐름도 Fig. 4 Score-Level Fusion Flowchart
표 표 2. Fusion Block 구성 Table 2. Fusion Block Configuration
그림 그림 5. 순위 수준 융합 흐름도 Fig. 5 Rank-Level Fusion Flowchart
그림 그림 6. SDUMLA-HMT 샘플 이미지 Fig. 6 SDUMLA-HMT sample image
표 표 3. 생체 인식 데이터 구성 Table 3. Configuraing biometric data
표 표 4. 단일 생체 인식 실험 결과 Table 4. Unimodal biometric experiment result
표 표 5. 센서 수준 융합 생체 인식 실험 결과 Table 5. Sensor-Level fusion biometrics experiment result
표 표 6. 특징 수준 융합 생체 인식 실험 결과 Table 6. Feature-Level fusion biometrics experiment result
표 표 7. 점수 수준 융합 생체 인식 실험 결과 Table 7. Score-Level fusion biometrics experiment result
표 표 8. 순위 수준 융합 생체 인식 실험 결과 Table 8. Rank-Level fusion biometrics experiment result

참고문헌 (25)

P. S. Sanjekar and J. B. Patil, "An overview of？multimodal biometrics," Signal & Image？Processing, vol. 4 no. 1, 2013, pp. 57-64.
S. Minaee, A. Abdolrashidi, H. Su, M. Bennamoun,？and D. Zhang, "Biometrics recognition using deep？learning: A survey," Artificial Intelligence Review,？vol. 56, 2023, pp. 1-49.
H. Lee and Y. Kim, "Biometric technology？trends using physical characteristics," S&T？Market Report, vol. 63, 2018.
Y. Gu, "Opportunities in the biometric？industry market using biometric information,"？ASTI MARKET INSIGHT 2022-086, 2022.
J. Son, H. Lee, H. Bae, Y. Kim, and B. Lee,？"Driving under the influence Prevention System Using Fingerprint sensors with Arduino," J. of？the Korea Institute of Electronic Communication？Sciences, vol. 17, no. 5, 2022, pp. 969-976.
K. Lee, J. Kim, and G. Kwon, "Smart？Healthcare Access Management System using？Iris Recognitionm," J. of the Korea Institute of？Electronic Communication Sciences, vol. 18, no.？5, 2023, pp. 971-980.
M. Ying and K. Kim, "CNN Based 2D and？2.5D Face Recognition For Home Security？System," J. of the Korea Institute of Electronic？Communication Sciences, vol. 14, no. 6, 2019,？pp. 1207-1214.
S. Yoon and K. Kim, "Personal Biometric？Identification based on ECG Features," J. of？the Korea Institute of Electronic Communication？Sciences, vol. 10, no. 4, 2015, pp. 521-526.
K. Simonyan and A. Zisserman, "Very deep？convolutional networks for large-scale image？recognition," arXiv preprint arXiv:1409.1556,？vol. 1, 2014.
K. He, X. Zhang, S. Ren, and J. Sun, "Deep？residual learning for image recognition," Proc.？of the IEEE Conf. on computer vision and pattern？recognition, Las Vegas, USA, 2016, pp. 770-778.
M. Tan and Q. Le, "Efficientnet: Rethinking？model scaling for convolutional neural networks,"？Int. Conf. on machine learning. PMLR, Long Beach,？California, USA, 2019, pp. 6105-6114.
C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens,？and Z. Wojna, "Rethinking the inception？architecture for computer vision," Proc. of the？IEEE Conf. on computer vision and pattern？recognition., Las Vegas, USA, 2016, pp. 2818-2826.
H. Jaafar and D. A. Ramli, "A review of？multibiometric system with fusion strategies and？weighting factor," Int. Journal of Computer Science？Engineering, vol. 2, no. 4, 2013, pp. 158-165.
P. Byahatti and S. M. Hatture, "A fusion？model for multimodal biometric system," Int.？Journal of Engineering Research & Technology,？vol. 5, no. 6, 2017, pp. 1-5.
M. Leghar, S, Memon, L. D. Dhomeja, A. H.？Jalbani, and A. A. Chandio, "Deep feature？fusion of fingerprint and online signature for？multimodal biometrics," Computers, vol. 10 no.？2, 2021, pp. 21-35.

상세보기
W. Yang, D. Shi, and W. Zhoum,？"Convolutional neural network approach based？on multimodal biometric system with fusion of？face and finger vein features," Sensors, vol. 22,？no. 16, 2022, pp. 6039-6053.

상세보기
M. Haghighat, M. Abdel-Mottaleb, and W.？Alhalabi, "Discriminant correlation analysis for？feature level fusion with application to？multimodal biometrics," 2016 IEEE Int. Conf.？on Acoustics, Speech and Signal Processing,？IEEE, Shanghai, China, 2016, pp. 1866-1870.
E. M. Cherrat, R. Alaoui, and H. Bouzahir,？"Convolutional neural networks approach for？multimodal biometric identification system？using the fusion of fingerprint, finger-vein？and face images," PeerJ Computer Science, vol.？6, 2020, pp. e248.

상세보기
Q. Zhang, H. Li, Z. Sun, and T. Tan, "Deep？feature fusion for iris and periocular？biometrics on mobile devices," IEEE？Transactions on Information Forensics and？Security, vol. 13, no. 11, 2018, pp. 2897-2912.

상세보기
N. Alay and H. H. Al-Baity, "Deep learning？approach for multimodal biometric？recognition system based on fusion of iris,？face, and finger vein traits," Sensors, vol. 20,？no. 19, 2020, pp. 5523-5539.

상세보기
B. Ammour, L. Boubchir, T. Bouden, and M.？Ramdani, "Face-iris multimodal biometric？identification system," Electronics, vol. 9, no. 1,？2020, pp. 85-102.
W. Kim, J. Song, and K. Park, "Multimodal？biometric recognition based on convolutional？neural network by the fusion of finger-vein？and finger shape using near-infrared (NIR)？camera sensor," Sensors, vol. 18, no. 7, 2018,？pp. 2296-2329.

상세보기
P. Emerson, "The original Borda count and？partial voting," Social Choice and Welfare, vol.？40, 2013, pp. 353-358.

상세보기
C. Y. J. Peng, K. Lee, and G. M. Ingersoll,？"An introduction to logistic regression analysis？and reporting," The journal of educational？research, vol. 96, no. 1, 2002, pp. 3-14.
Y. Yin, L. Liu, and X. Sun, "SDUMLA-HMT:？A multimodal biometric database," Biometric？Recognition: 6th Chinese Conf., Beijing, China,？Dec. 2011, pp. 260-268.

저자의 다른 논문 :

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