기출 생체인식(Biometric Recognition)

---

1. 생체인식(Biometric Recognition)의 개요

(1) 정의

• **생체인식(Biometric Recognition)**은 사람의 고유한 신체적(Physiological) 또는 행동적(Behavioral) 특성을 이용하여 개인을 식별(Identification)하거나 인증(Authentication)하는 기술이다.
• 신체적 특징: 지문(Fingerprint), 얼굴(Face), 홍채(Iris), 망막(Retina), 정맥(Vein) 등
• 행동적 특징: 음성(Voice), 서명(Signature), 걸음걸이(Gait), 키보드 타건 습관(Keystroke Dynamics) 등

(2) 특징

• 고유성(Uniqueness): 동일한 특징을 가진 사람이 거의 없음
• 불변성(Permanence): 시간이 지나도 크게 변하지 않음 (단, 노화·상해 등 영향 있음)
• 편재성(Universality): 대부분 사람에게 존재
• 수집 용이성(Collectability): 기술적으로 쉽게 측정 가능해야 함
• 위변조 난이성(Resistance to Circumvention): 위조나 도용이 어려워야 함

(3) 활용 영역

• 보안 인증(Security Authentication) → 스마트폰 잠금, 출입통제
• 법의학(Forensics) → 범죄 수사, 신원 확인
• 금융(Finance) → 비대면 계좌 개설, 결제 인증
• 공공 서비스 → 여권/출입국 심사, 행정 서비스

---

2. 얼굴 인식(Face Recognition)의 개요

• 얼굴 인식은 비접촉식(Non-contact), 자연스러운(Natural) 인증 방법으로 사용자 편의성이 높음.

• 일반적인 처리 단계:

  1. 얼굴 탐지(Face Detection)
  2. 전처리(Preprocessing: 정규화, 정렬, 잡음 제거)
  3. 특징 추출(Feature Extraction)
  4. 비교/분류(Matching & Classification)

---

3. 얼굴 인식 알고리즘의 종류

기술 발전 단계별로 다음과 같이 분류할 수 있음.

(1) 전통적 방법 (Handcrafted Feature 기반)

1. Eigenfaces (주성분 분석 PCA 기반)

   • 얼굴 이미지를 고차원 벡터로 변환 후, 주성분 분석(Principal Component Analysis, PCA)을 통해 주요 특징 벡터(Eigenvector)를 추출
   • 장점: 구현이 간단, 계산 속도 빠름
   • 단점: 조명 변화, 표정, 각도 변화에 취약

2. Fisherfaces (선형 판별 분석 LDA 기반)

   • 선형 판별 분석(Linear Discriminant Analysis, LDA)을 이용하여 클래스 간 분산을 최대화하고 클래스 내 분산을 최소화
   • Eigenfaces보다 분류 성능이 향상되지만 여전히 환경 변화에 취약

3. Local Binary Pattern (LBP) 기반

   • 각 픽셀 주변의 밝기 패턴을 이진화하여 지역 패턴(텍스처) 특징 추출
   • 조명 변화에 상대적으로 강인
   • 단점: 고차원 데이터 발생, 잡음에 민감

---

(2) 3차원(3D) 얼굴 인식

• 깊이 정보(Depth Information)를 활용하여 2차원 조명, 각도 문제 극복
• 특징: 눈·코·입 윤곽의 3D 형상 정보 활용
• 장점: 포즈 변화, 조명 변화에 강인
• 단점: 장비 비용(3D 카메라) 높음

---

(3) 기계학습(Machine Learning) 기반 방법

1. Sparse Representation Classifier (SRC)

   • 얼굴 이미지를 희소 벡터(Sparse Vector)로 표현하여 분류
   • 잡음 및 가려짐(Occlusion)에 강함

2. Support Vector Machine (SVM) 기반

   • 얼굴 특징 벡터를 커널 기반 분류기로 학습
   • 데이터셋 크기가 클 경우 한계 존재

---

(4) 딥러닝(Deep Learning) 기반 방법

최근 얼굴 인식의 주류 기술.

1. DeepFace (Facebook, 2014)

   • 심층 신경망(Deep Neural Network, DNN) 기반 최초 상용 수준 얼굴 인식 모델
   • 얼굴 정렬 + 9계층 신경망 구조

2. FaceNet (Google, 2015)

   • 삼중항 손실 함수(Triplet Loss Function)를 사용하여 임베딩 공간(Embedding Space)에서 얼굴 간 거리를 최소/최대화
   • L2 거리 기반 얼굴 비교

3. DeepID 계열 (Chinese University of Hong Kong, 2014~2016)

   • 다중 신경망 학습을 통해 특징 임베딩 생성
   • 얼굴 데이터셋(CASIA-WebFace 등)에서 높은 성능

4. ArcFace (2018)

   • Additive Angular Margin Loss를 도입하여 각도 기반 얼굴 임베딩 강화
   • 대규모 공개 데이터셋에서 최고의 성능 기록

---

4. 비교 정리

구분	알고리즘	장점	단점
전통적	PCA/Eigenfaces	계산 단순, 빠름	조명·포즈 변화 취약
전통적	LDA/Fisherfaces	클래스 구분 강화	데이터셋 한계 존재
전통적	LBP	조명 강인성	고차원, 잡음 민감
3D	Depth 기반	포즈/조명 강인	비용 높음
기계학습	SRC, SVM	잡음 강인성	대규모 학습 시 한계
딥러닝	DeepFace, FaceNet, ArcFace	높은 정확도, 실시간 인증 가능	대규모 데이터와 고성능 장비 필요

---

5. 결론

• 생체인식은 디지털 신뢰성 보장을 위한 핵심 보안 기술이며, 그 중 얼굴 인식은 비접촉식·편의성 측면에서 가장 각광받고 있음.
• 전통적 알고리즘은 환경 변화에 취약하지만 계산이 단순하고 연구의 초석 역할을 했음.
• 딥러닝 기반 알고리즘은 현재 사실상 표준으로 자리잡았으며, ArcFace, FaceNet과 같은 임베딩 기반 방법이 상용 서비스(예: 모바일 인증, 출입통제, 결제)에 활용되고 있음.