표제지
국문요약
ABSTRACT
목차
제1장 서론 13
1.1. 논문의 배경과 목적 13
1.2. 연구 목적 및 범위 17
1.3. 논문 구성 17
제2장 관련 연구 18
2.1. 생성 모델 개요 18
2.2. 적대적 생성 네트워크 20
2.3. 확산 모델 25
2.4. 지문영상 생성 네트워크 29
2.5. 적대적 생성 지문 네트워크 32
2.5.1. Random thumbnail network 32
2.5.2. Random Enhancement network 34
2.5.3. Determinisitc ID-preserving Network 36
2.6. 지정맥 영상 생성 네트워크 38
제3장 바이오 이미지 영상 생성 40
3.1. 지문 특징점 추출 40
3.2. 지정맥 특징맵 추출 41
3.3. 확산 모델을 이용한 바이오인식 이미지 생성 네트워크 44
3.3.1. 지문 이미지 생성 네트워크 47
3.3.2. 지정맥 이미지 생성 네트워크 49
3.4. 지정맥 이미지 매칭 방법 53
제4장 실험 및 결과 55
4.1. 실험 환경 55
4.2. 실험 데이터베이스 구성 56
4.3. 평가 항목 57
4.4. 실험 결과 및 분석 58
a) 지문, 지정맥 품질 분석 58
b) 지문, 지정맥 중복성 검사 65
c) 분포 유사도 비교 67
d) 지문 정합 결과 예시 72
e) 특징점 개수 74
제5장 결론 및 향후 과제 75
5.1. 결론 75
5.2. 향후 과제 76
참고 문헌 77
표 1. 생체 인식 특성 13
표 2. 적대적 학습을 위한 관련 방법의 비교 24
표 3. DDPM의 학습 단계 의사 코드 27
표 4. DDPM의 샘플링 단계 의사 코드 28
표 5. 지문 이미지 합성을 위한 관련 방법의 비교 31
표 6. 지정맥 이미지 합성을 위한 관련 방법의 비교 39
표 7. 특징점 맵 구성의 의사 코드 41
표 8. 지정맥 매칭 테스트 분포 54
표 9. 바이오인식 이미지 생성을 위한 하드웨어 사양 56
표 10. 지문, 지정맥 학습 관련 데이터셋 56
표 11. 적대적생성 네트워크와 확산 모델의 FID 비교 1 63
표 12. 적대적생성 네트워크와 확산 모델의 FID 비교 2 63
표 13. 지문이미지의 거짓 수용율과 임계값 65
그림 1. 지문의 특징점 14
그림 2. 지정맥 센서와 수집 15
그림 3. 지정맥 스켈레톤화 이미지 예시 15
그림 4. 지정맥 인식 프로세스 16
그림 5. 생성 모델의 트릴레마 19
그림 6. 적대적 생성 네트워크의 학습 과정 21
그림 7. 두 네트워크 구조와 손실 함수에 따른 결과 이미지 (A) 인코더-디코더와 U-NET 에 대한 결과 이미지 (B) 인코더-디코더와 U-NET 구조 22
그림 8. 손실 함수에 따른 pix2pix의 결과 이미지 23
그림 9. DDPM의 방향성 그래프 모델 25
그림 10. DDPM 모델을 이용한 점진적 이미지 생성 과정 예시 28
그림 11. 지문 이미지 합성을 위한 관련 방법의 결과 예시 이미지 30
그림 12. 활성화 함수의 그래프 33
그림 13. Thumbnail GAN의 생성자 33
그림 14. Thumbnail GAN의 판별자 33
그림 15. Enhancement Network의 생성자 35
그림 16. Enhancement Network의 판별자 35
그림 17. 실제 이미지(좌측), 실제 이미지로부터 얻어진 특징맵(중간), D-fingerprint네트워크를 통해 얻은 이미지(우측) 37
그림 18. 지정맥 이미지 합성을 위한 관련 방법의 결과 예시 38
그림 19. 실제 지문 이미지와 특징맵 시각화 예시 40
그림 20. 지정맥 스켈레톤맵 추출 결과 43
그림 21. 본 논문에서 제안하는 지정맥 특징맵 43
그림 22. 지문 학습 시 발생하는 모드붕괴 44
그림 23. 제안 지문 생성 네트워크의 전체 흐름도 45
그림 24. Thumbnail Diffusion의 아키텍쳐 46
그림 25. Thumbnail GAN network로 만든 이미지(좌측), Enhancement network를 통 한 향상된 이미지(우측) 48
그림 26. Diffusion Thumbnail network로 만든 이미지(좌측), Enhancement network를 통한 향상된 이미지(우측) 48
그림 27. 제안한 지정맥 생성네트워크의 전체 흐름도 50
그림 28. 지정맥 ID-Preserving 네트워크의 흐름도 51
그림 29. ID-Preserving 네트워크의 학습 시 사용되는 쌍 이미지 피쳐맵 이미지(왼쪽), VERA 데이터셋 이미지(오른쪽) 51
그림 30. 기존 Thumbnail network로 만든 이미지(좌측), Enhancement network를 통한 향상된 이미지(우측) 52
그림 31. 제안한 Diffusion Thumbnail network로 만든 이미지(좌측), Enhancement network를 통한 향상된 이미지(우측) 52
그림 32. 지정맥 특징맵을 이용한 동일 ID의 지정맥 이미지 생성(예시) 52
그림 33. 템플릿을 이용한 지정맥 매칭 개요 53
그림 34. 지정맥의 템플릿 매칭 과정 54
그림 35. 광학방식의 지문 센서 55
그림 36. Diffusion Thumbnail Fingerprint Network 학습 중 지문 샘플 이미지 59
그림 37. Diffusion Thumbnail Fingervein Network학습 중 지정맥 샘플 이미지 59
그림 38. 지문 생성 확산 모델의 잘못된 생성 예시(오버피팅) 60
그림 39. 지정맥 생성 확산 모델의 잘못된 생성 예시(오버피팅) 60
그림 40. INHA-Op-2004(Real) 61
그림 41. Diffusion Network fingerprint images 61
그림 42. GAN Network fingerprint images 61
그림 43. Verifinger SDK12.4 를 통한 지문 이미지 품질 점수 62
그림 44. NFIQ2를 통한 지문 이미지 품질 점수 62
그림 45. VERA-Dataset(Real) 64
그림 46. Diffusion Network finger vein images 64
그림 47. GAN Network finger vein images 64
그림 48. GAN기반 네트워크와 Diffusion 기반 네트워크 지문 정합 분포 그래프 66
그림 49. GAN기반 네트워크와 Diffusion 기반 네트워크 지정맥 정합 분포 그래프 66
그림 50. 유사도 점수의 분포를 유형별로 나타낸 그림 예시 67
그림 51. GAN Network의 다른 ID간의 지문 정합 분포 유사도 비교 68
그림 52. Diffusion Network의 다른 ID간의 지문 정합 분포 유사도 비교 68
그림 53. GAN Network의 동일 ID간의 지문 정합 분포 유사도 비교 69
그림 54. Diffusion Network의 동일 ID간의 지문 정합 분포 유사도 비교 69
그림 55. False acceptance rate (FAR) vs. false rejection rate (FRR) 70
그림 56. GAN-fingerprint의 ROC curve(log-log) 및 주요 지표 71
그림 57. Diffusion-fingerprint의 ROC curve(log-log) 및 주요 지표 71
그림 58. 확산모델로 생성한 가상 지문 이미지. 매칭 점수 56의 예시 72
그림 59. 확산모델로 생성한 가상 지문 이미지. 매칭 점수 101의 예시 72
그림 60. 확산모델로 생성한 가상 지문 이미지. 매칭 점수 148의 예시 73
그림 61. 확산모델로 생성한 가상 지문 이미지. 매칭 점수 240의 예시 73
그림 62. 세가지 데이터셋에 대한 특징점의 개수 74