과거 우리는 사용자의 아이디와 비밀번호를 이용하여 사용자 인증을 하였다. 하지만 사용자의 비밀번호가 유출되거나 여러 곳에 똑같은 비밀번호를 이용하면서 문제가 발생하였고 이러한 문제점을 최소화하기 위해 많은 연구가 진행되었다. 최근에는 생체 정보를 인식 할 수 있는 장비들이 스마트폰에 탑재되어 생산되기 때문에 생체 정보를 이용한 사용자 인증이 많은 관심을 받게 되었다. 특히 얼굴을 이용한 생체 인증은 홍채 인식처럼 별도의 전용 카메라와 IR 장비가 필요 없고 비접촉식이며 일반 카메라로 확인이 가능하다는 점에서 관심을 받고 있다.
하지만 많은 관심과 함께 얼굴 생체 인증 시스템을 무력화시키기 위한 공격 또한 빈번하게 일어나고 있다. 과거에는 이미지 프로세싱을 통해서 이러한 공격 유형을 감지하였지만 최근에는 이러한 공격 유형이 복잡해지고 다양하기 때문에 새로운 해결 방안이 필요하게 되었다.
본 연구는 새로운 해결 방법 중 하나로 합성곱 신경망을 이용하여 얼굴 생체 인증 시스템을 무력화시키는 공격인 얼굴 스푸핑 공격을 IoT 환경에서 효율적으로 방어할 수 있는 CNN 네트워크에 대해 연구를 진행하였다. CNN 네트워크 학습을 위해 얼굴 스푸핑 공격에 대한 정의를 내렸고 선행연구 자료를 조사하였다. 본 논문에서 참고한 선행연구들은 다양한 얼굴 스푸핑 공격에 대해서 방어할 수 없었고 기존의 CNN 네트워크를 이용하였다. 기존의 CNN 네트워크를 이용할 경우에는 저성능의 IoT 환경에서는 동작할 수 없기 때문에 IoT 환경에 사용하기 위해 새로운 CNN 네트워크가 필요하게되어 직접 전이 학습 및 fine-tuning 없이 설계를 하였다. 또한 설계 당시 IoT 환경에서 구동 가능 하도록 파라미터의 수를 줄이는 것을 최우선 과제로 삼았다. 직접 설계한 CNN 네트워크의 효율적인 학습을 위해 획득한 학습 이미지 데이터셋은 데이터 증강기법을 통하여 이미지 수를 늘렸으며 overfitting 방지하기 위해 dropout 기법을 사용하였다. 이렇게 학습된 모델을 다른 CNN 네트워크를 통해 나온 모델과 비교한 성능 결과를 비교하였다.
본 논문에서 제안한 모델 FSDNet(Face Spoofing Defense NETwork)은 연구에서 비교한 VGG-16, MobileNet-v1, ResNet50과 비교한 결과 accuracy는 RestNet50에 이어 96.48%로 두 번째로 높았으며 추론시간은 1장을 기준으로 GPU 탑재된 고성능 서버와 IoT 환경 중 라즈베리파이 3 B+에서 추론시간이 가장 빨랐다. 마지막으로 실제 학습된 모델을 테스트 이미지셋 외에 실생활에서 사용하기 위해 IoT 환경에서 테스트 베드를 구축하였다.