KR101140699B1 - 디지털 포렌직 기술을 이용한 보안 인쇄물 위조식별 시스템 및 그 방법 - Google Patents
디지털 포렌직 기술을 이용한 보안 인쇄물 위조식별 시스템 및 그 방법 Download PDFInfo
- Publication number
- KR101140699B1 KR101140699B1 KR1020100052297A KR20100052297A KR101140699B1 KR 101140699 B1 KR101140699 B1 KR 101140699B1 KR 1020100052297 A KR1020100052297 A KR 1020100052297A KR 20100052297 A KR20100052297 A KR 20100052297A KR 101140699 B1 KR101140699 B1 KR 101140699B1
- Authority
- KR
- South Korea
- Prior art keywords
- feature point
- digital image
- image
- feature
- digital
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
- G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
- G07D7/20—Testing patterns thereon
- G07D7/2016—Testing patterns thereon using feature extraction, e.g. segmentation, edge detection or Hough-transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
본 발명에 따르면, 다양한 특징점의 추출이 가능한 보안 인쇄물 위조식별 시스템 및 그 방법을 개발할 수 있다.
또한, 다량의 원본에 대한 디지털이미지와 위조본에 대한 디지털이미지 각각으로부터 추출한 특징점에 대하여 기계학습을 진행하여 위조여부식별을 위한 학습모델을 생성 가능한 디지털 포렌직 기술을 이용한 보안 인쇄물 위조식별 시스템 및 그 방법을 구현할 수 있다.
본 발명의 일실시예에 따른 보안 인쇄물 위조식별 시스템은 이미지변환부(10); 특징점추출부(20); 기계학습부(30); 및 위조여부식별부(40);를 포함한다.
또한, 다량의 원본에 대한 디지털이미지와 위조본에 대한 디지털이미지 각각으로부터 추출한 특징점에 대하여 기계학습을 진행하여 위조여부식별을 위한 학습모델을 생성 가능한 디지털 포렌직 기술을 이용한 보안 인쇄물 위조식별 시스템 및 그 방법을 구현할 수 있다.
본 발명의 일실시예에 따른 보안 인쇄물 위조식별 시스템은 이미지변환부(10); 특징점추출부(20); 기계학습부(30); 및 위조여부식별부(40);를 포함한다.
Description
본 발명은 보안 인쇄물 위조식별 시스템 및 그 방법에 관한 것으로서, 더욱 상세하게는 디지털 포렌직(Forensic) 기술을 이용하여 보안 인쇄물의 위조를 식별하는 시스템 및 그 방법에 관한 것이다.
최근 5만원권의 등장과 여러 상품권의 유통이 활발해짐에 따라 보안 인쇄물의 위조가 급증하고 있다. 또한 스캐너와 컬러 프린터의 급속한 발전이 이와 같은 위조를 가속화 시키고 있다. 그래서 현금을 다루는 일반 사업장에서의 위조여부를 식별하는 시스템에 대한 요구가 급증하게 되었다.
이러한 스캐너와 프린터에 의한 위조물의 식별을 위해, OPC 드럼을 돌리는 기어의 역회전 현상으로 인해서 각속도가 일정하지 않게 됨에 따라 발생하는 준 주기적인 변동 때문에 인쇄 문서에 밴딩(Banding)이라는 결함이 주기적으로 생긴다는 사실을 이용하여 흑백 레이저 프린터를 식별하는 기술이 소개되었다. 이 기술은 하프톤 이미지 인쇄물에는 적용하기가 쉽고 좋은 결과를 얻을 수 있지만, 지폐와 같은 텍스트 인쇄물에는 적용하기 어렵기 때문에 텍스트 인쇄물을 이용해서 프린터를 식별하려면 새로운 특징점이 필요하다.
또한, 기 출원 특허 'CCD 이미지 센서를 이용한 이권종 분류 및 위폐 식별 계수기(출원번호:1020030023962)'는 이진화 방법을 이용하여 위폐를 식별하였으나, 식별율 향상을 위한 다양한 특징점 추출이 어렵고, CCD 이미지 센서 외의 다른 디지털 영상 획득 장치에의 적용이 어렵다.
본 발명은 전술한 바와 같은 기술적 과제를 해결하는 데 목적이 있는 발명으로서, 다양한 특징점의 추출이 가능한 보안 인쇄물 위조식별 시스템 및 그 방법을 개발하는 것에 그 목적이 있다.
또한 본 발명의 보안 인쇄물 위조식별 시스템 및 그 방법은 다량의 원본에 대한 디지털이미지와 위조본에 대한 디지털이미지로부터 추출한 특징점에 의해 기계학습을 진행하여 위조여부식별을 위한 학습모델을 생성 가능하도록 하는 것에 그 목적이 있다.
본 발명의 일실시예에 따른 보안 인쇄물 위조식별 시스템은, 인쇄물을 디지털이미지로 변환하여 디지털이미지를 생성하는 이미지변환부; 상기의 디지털이미지의 특징점을 추출하는 특징점추출부; 상기 특징점을 이용하여 기계학습을 실시하는 기계학습부; 및 상기 기계학습 결과로부터 상기 인쇄물의 위조여부를 식별하는 위조여부식별부;를 포함한다.
또한 상기 이미지변환부는, 상기 인쇄물 중 원본인쇄물과 위조본인쇄물을 디지털이미지로 변환하여 원본디지털이미지 및 위조본디지털이미지를 생성하는 제1이미지변환부; 및 상기 인쇄물 중 테스트인쇄물을 디지털이미지로 변환하여 테스트인쇄물디지털이미지를 생성하는 제2이미지변환부;를 포함하는 것이 바람직하다.
아울러 상기 특징점추출부는, 상기 원본디지털이미지 및 상기 위조본디지털이미지의 특징점을 추출하는 제1특징점추출부; 및 상기 테스트인쇄물디지털이미지의 특징점을 추출하는 제2특징점추출부;를 포함하는 것을 특징으로 한다.
상기 기계학습부의 바람직한 일실시예는, 상기 원본인쇄물 및 위조본인쇄물의 디지털이미지로부터 다수의 특징점을 이용하는 SVM(Support Vector Machine) 방식에 의해 일부 특징점을 선택하는 특징점선택기; 상기 특징점선택기에 의해 선택된 일부 특징점에 의해 특징점벡터집합의 학습모델을 생성하는 학습모델생성기; 및 상기 생성된 학습모델을 바탕으로 상기 테스트인쇄물디지털이미지의 특징점을 이용하여 상기 테스트인쇄물이 포함될 클래스를 선정하는 SVM분류기;를 포함한다.
또한 상기 SVM분류기는 분류 함수의 오류율을 최소화하기 위한 슬랙(Slack) 변수와 커널(Kernel) 함수를 적용하는 것을 특징으로 한다.
아울러 상기 커널(Kernel) 함수는 RBF(Radial Basis Function) 커널(Kernel)인 것을 특징으로 한다.
구체적으로 상기 특징점선택기는 순차적 전방 유동 선택 알고리즘을 사용하여 일부 특징점을 선택하는 것을 특징으로 한다.
상세하게는 상기 제1특징점추출부 또는 상기 제2특징점추출부는 추출한 특징점으로부터 특징점 벡터를 구성하는 것을 특징으로 하며, 상기 특징점은 이산웨이블릿변환기반의 특징점; 화질측정도구기반의 특징점; 텍스처기반의 특징점; 정보이론기반의 특징점; 및 망점구조분석기반의 특징점;을 포함하는 것을 특징으로 한다.
구체적으로 상기 이산웨이블릿변환기반의 특징점은 고주파 부대역내의 통계적 특징에 의한 특징점; 고주파 부대역 사이의 통계적 특징에 의한 특징점; 및 고주파 부대역의 컬러 채널 사이의 상관 계수에 의한 특징점;을 포함하되, 상기 고주파 부대역은 이미지의 가로방향과 세로방향에 대해 저역필터와 고역필터 및 다운 샘플링 과정을 수행함으로써 결정되는 4가지 부대역 중, 가로방향과 세로방향 중 어느 하나 이상에 대해 고주파 특성을 갖는 3가지 부대역을 포함하는 것을 특징으로 한다.
바람직한 일실시예에 의한 상기 고주파 부대역내의 통계적 특징에 의한 특징점은 이산웨이블릿변환 이후 각 단계별 고주파 부대역의 표준편차, 왜도 및 첨도를 포함하는 것을 특징으로 한다.
또한, 상기 고주파 부대역 사이의 통계적 특징에 의한 특징점은 이산웨이블릿변환 이후 각 부대역의 근사값과 부대역의 값의 오차에 대한 평균, 분산, 첨도 및 왜도를 포함하는 것을 특징으로 한다.
구체적으로 상기 컬러 채널 사이의 상관 계수에 의한 특징점은, 각 컬러 채널에 대해 이산웨이블릿변환을 수행함으로써 결정되는 R과 G사이, R와 B사이, G과 B사이, C와 M 사이, C와 Y 사이, C와 K 사이, M과 Y 사이, M과 K 사이, Y와 K 사이의 고주파 부대역에 대한 상관 계수인 것을 특징으로 한다.
바람직한 일실시예에 따른 상기 화질측정도구기반의 특징점은 입력된 임의의 이미지와, 저주파필터에 의해 입력된 이미지로부터 잡음을 제거한 이미지 사이의 공간 영역에서, 픽셀의 차이 값, 주파수 영역에서 계수의 차이 값, 두 입력의 상관 계수, 그리고 인지 시각 모델을 적용한 픽셀의 차이 값 중 어느 하나 이상의 척도를 이용하여 잡음 기반으로 추출한 특징점인 것을 특징으로 한다.
또한 상기의 저주파필터는 평균화필터, 가우시안필터, 중간값필터 및 위너필터를 포함하는 것을 특징으로 한다.
상기 텍스처기반의 특징점은 GLCM(Gray Level Co-occurrence Matrices)을 이용하여 구해진 에너지, 대조 및 유사의 3가지 통계적 특성을 포함하는 것이 발람직하다.
또한 상기 텍스처기반의 특징점은 임의의 픽셀값과 픽셀근사값의 차이의 평균과 표준편차를 더 포함하는 것을 특징으로 한다.
상기 정보이론기반의 특징점의 바람직한 일실시예는, R, G, B 각 채널에서의 엔트로피 값과, R과 G, G와 B, B와 R 채널 사이의 상호 정보 값을 포함하는 것을 특징으로 한다.
구체적으로 상기 망점구조분석기반의 특징점은 허프(Hough) 변환을 통해 이미지에 존재하는 직선 정보를 원점으로부터의 거리와 각도 형태로 산출하고, 산출된 직선의 각도 정보를 이용하여 구축된 히스토그램의 빈도를 포함하는 것을 특징으로 한다.
본 발명의 다른 일실시예에 따른 보안 인쇄물 위조식별 시스템은, 인쇄물학습장치 및 인쇄물식별장치를 포함하되, 상기 인쇄물학습장치는 원본인쇄물과 위조본인쇄물을 디지털이미지로 변환하여 원본디지털이미지 및 위조본디지털이미지를 생성하는 제1이미지변환부; 상기 원본디지털이미지 및 위조본디지털이미지의 특징점을 추출하는 제1특징점추출부; 상기 원본디지털이미지 및 위조본디지털이미지의 다수의 특징점을 이용하는 SVM(Support Vector Machine) 방식에 의해 일부 특징점을 선택하는 특징점선택기; 및 상기 특징점선택기에 의해 선택된 일부 특징점에 의해 특징점벡터집합의 학습모델을 생성하는 학습모델생성기;를 포함하는 것을 특징을 한다.
또한, 상기 인쇄물식별장치는 테스트인쇄물을 디지털이미지로 변환하여 테스트인쇄물디지털이미지를 생성하는 제2이미지변환부; 상기 테스트인쇄물디지털이미지의 특징점을 추출하는 제2특징점추출부; 상기 생성된 학습모델을 바탕으로 상기 테스트인쇄물디지털이미지의 특징점을 이용하여 상기 테스트인쇄물이 포함될 클래스를 선정하는 SVM분류기; 및 상기 SVM분류기의 클래스로부터 상기 테스트인쇄물의 위조여부를 식별하는 위조여부식별부;를 포함하는 것을 특징으로 한다.
본 발명의 바람직한 일실시예에 따른 보안 인쇄물 위조식별 시스템에 의한 보안 인쇄물 위조식별 방법은, 상기 이미지변환부가 원본인쇄물을 디지털이미지로 변환하여 원본디지털이미지를 생성하는 원본디지털화단계; 상기 이미지변환부가 위조본인쇄물을 디지털이미지로 변환하여 위조본디지털이미지를 생성하는 위조본디지털화단계; 상기 특징점추출부가 상기 원본디지털이미지의 특징점을 추출하는 원본특징점추출단계; 상기 특징점추출부가 상기 위조본디지털이미지의 특징점을 추출하는 위조본특징점추출단계; 상기 기계학습부가 상기 원본디지털이미지의 특징점과 위조본디지털이미지의 특징점으로부터 SVM(Support Vector Machine) 방식에 의해 일부 특징점을 선택하는 특징점선택단계; 상기 기계학습부가 상기 특징점선택단계에서 선택된 일부 특징점에 의해 특징점벡터집합의 학습모델을 생성하는 학습모델생성단계; 상기 이미지변환부가 테스트인쇄물을 디지털이미지로 변환하여 테스트인쇄물디지털이미지를 생성하는 테스트인쇄물디지털화단계; 상기 특징점추출부가 상기 테스트인쇄물디지털이미지로부터 특징점을 추출하는 테스트인쇄물특징점추출단계; 상기 기계학습부가 상기 학습모델생성단계에서 생성된 학습모델을 바탕으로 테스트인쇄물특징점추출단계에서 추출된 특징점을 이용하여 상기 테스트인쇄물이 포함될 클래스를 선정하는 SVM분류단계; 및 상기 위조여부식별부에서 상기 SVM분류단계에서 선정된 클래스에 의해 테스트인쇄물의 위조여부를 식별하는 위조여부식별단계;를 포함한다.
본 발명의 보안 인쇄물 위조식별 시스템과 그 방법에 따르면, 다양한 특징점의 추출이 가능하다.
또한 다량의 원본에 대한 디지털이미지와 위조본에 대한 디지털이미지로부터 추출한 특징점에 의해 기계학습을 진행하여 위조여부식별을 위한 학습모델을 생성 가능하도록 하는 보안 인쇄물 위조식별 시스템과 방법을 구현할 수 있다.
도 1은 본 발명의 일실시예에 따른 보안 인쇄물 위조식별 시스템의 구성도이다.
도 2는 본 발명의 또 다른 일실시예에 따른 보안 인쇄물 위조식별 시스템의 구성도이다.
도 3은 본 발명의 기계학습부의 구성도를 나타낸다.
도 4는 본 발명의 또 다른 일실시예에 따른 보안 인쇄물 위조식별 시스템의 구성도이다.
도 5는 본 발명의 보안 인쇄물 위조식별 방법에 대한 흐름도를 나타낸다.
도 6은 예제 이미지를 통한 이산웨이블릿변환기반의 특징점을 구하기 위해 사용된 필터 구조를 나타낸다.
도 7은 컬러 프린터로 위조된 문서의 프린팅 잡음을 나타낸다.
도 8은 본 발명의 일실시예에 따른 화질측정도구를 추출하는 과정을 나타낸다.
도 9는 본 발명에서 사용된 17가지의 화질측정도구를 나타낸다.
도 10은 GLCM을 이용한 3가지의 통계적 특성을 나타낸다.
도 11은 부드러운 영역의 해당 픽셀과 그 이웃 값을 나타낸다.
도 12는 프린터(3)를 이용하여 망점 인쇄 방식으로 출력된 회색 영상을 스캔하여 시안(Cyan), 마젠타(Magenta), 옐로우(Yellow) 채널로 분리한 그림이다.
도 13은 서로 다른 프린터로 출력한 시안 영역의 망점구조이다.
도 14는 망점구조분석 과정을 나타낸다.
도 15는 SFFS 알고리즘의 흐름도를 나타낸다.
도 16은 SFFS를 이용하여 선택된 특징점의 수와 판별률의 관계를 나타낸다.
도 17은 SVM분류기를 도식화한 것이다.
도 18은 커널 함수를 이용한 선형 분리의 개념도를 나타낸다.
도 2는 본 발명의 또 다른 일실시예에 따른 보안 인쇄물 위조식별 시스템의 구성도이다.
도 3은 본 발명의 기계학습부의 구성도를 나타낸다.
도 4는 본 발명의 또 다른 일실시예에 따른 보안 인쇄물 위조식별 시스템의 구성도이다.
도 5는 본 발명의 보안 인쇄물 위조식별 방법에 대한 흐름도를 나타낸다.
도 6은 예제 이미지를 통한 이산웨이블릿변환기반의 특징점을 구하기 위해 사용된 필터 구조를 나타낸다.
도 7은 컬러 프린터로 위조된 문서의 프린팅 잡음을 나타낸다.
도 8은 본 발명의 일실시예에 따른 화질측정도구를 추출하는 과정을 나타낸다.
도 9는 본 발명에서 사용된 17가지의 화질측정도구를 나타낸다.
도 10은 GLCM을 이용한 3가지의 통계적 특성을 나타낸다.
도 11은 부드러운 영역의 해당 픽셀과 그 이웃 값을 나타낸다.
도 12는 프린터(3)를 이용하여 망점 인쇄 방식으로 출력된 회색 영상을 스캔하여 시안(Cyan), 마젠타(Magenta), 옐로우(Yellow) 채널로 분리한 그림이다.
도 13은 서로 다른 프린터로 출력한 시안 영역의 망점구조이다.
도 14는 망점구조분석 과정을 나타낸다.
도 15는 SFFS 알고리즘의 흐름도를 나타낸다.
도 16은 SFFS를 이용하여 선택된 특징점의 수와 판별률의 관계를 나타낸다.
도 17은 SVM분류기를 도식화한 것이다.
도 18은 커널 함수를 이용한 선형 분리의 개념도를 나타낸다.
이하, 첨부된 도면을 참조하면서 본 발명의 일실시예에 따른 보안 인쇄물 위조식별 시스템과 방법에 대해 상세히 설명하기로 한다.
본 발명의 하기의 실시예는 본 발명을 구체화하기 위한 것일 뿐 본 발명의 권리범위를 제한하거나 한정하는 것이 아님은 물론이다. 본 발명의 상세한 설명 및 실시예로부터 본 발명이 속하는 기술분야의 전문가가 용이하게 유추할 수 있는 것은 본 발명의 권리범위에 속하는 것으로 해석된다.
우선, 도 1은 본 발명의 일실시예에 따른 보안 인쇄물 위조식별 시스템의 구성도이다.
도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 보안 인쇄물 위조식별 시스템은 이미지변환부(10); 특징점추출부(20); 기계학습부(30); 및 위조여부식별부(40);를 포함한다.
또한 도 2에 도시된 바와 같이, 본 발명의 다른 일실시예에 따른 인쇄물 위조식별 시스템은 제1이미지변환부(50); 제1특징점추출부(60); 기계학습부(30); 제2이미지변환부(70); 제2특징점추출부(80); 및 위조여부식별부(40);를 포함한다.
아래에 도 1과 더불어 도 2에 의해 본 발명의 인쇄물 위조식별 시스템에 대해 상세히 설명하기로 한다.
인쇄물의 경우 본 발명에 적용하기 위해서는 디지털이미지로 변환할 필요가 있다. 따라서 상기 이미지변환부(10)는 인쇄물을 디지털이미지로 변환하는 역할을 수행한다. 상기 이미지변환부(10)의 예로서는 스캐너, 디지털카메라 등을 들 수 있을 것이다.
도 1과 도 2로부터 알 수 있는 것과 같이 상기 이미지변환부(10)는 원본인쇄물과 위조본인쇄물을 디지털이미지로 변환하여 원본디지털이미지 및 위조본디지털이미지를 생성하는 제1이미지변환부(50); 및 테스트인쇄물을 디지털이미지로 변환하여 테스트인쇄물디지털이미지를 생성하는 제2이미지변환부(60);를 포함할 수 있다.
상기의 디지털이미지로부터 인쇄물의 위조여부를 판별하기 위해서는, 원본디지털이미지와 위조본디지털이미지의 차이를 나타낼 수 있는 특징점을 추출할 필요가 있다. 상기 특징점추출부(20)는 디지털이미지의 특징점을 추출하는 역할을 수행한다.
도 1과 도 2로부터 알 수 있는 것과 같이, 상기 특징점추출부(20)는 상기 제1이미지변환부에 의한 원본디지털이미지와 위조본디지털이미지의 특징점을 추출하는 제1특징점추출부(60); 및 상기 제2이미지변환부에 의한 테스트인쇄물디지털이미지의 특징점을 추출하는 제2특징점추출부(80);를 포함할 수 있다.
상기 기계학습부(30)는 도 3에 도시된 바와 같이, 특징점선택기(31); 학습모델생성기(32); 및 SVM분류기(33)를 포함하며, 상기 특징점을 이용하여 기계학습을 실시한다. 기계학습을 통해서 적절한 분류 함수를 만들 수 있고, 이렇게 만들어진 분류 함수를 이용하여 새로운 입력에 대응하는 클래스를 예측할 수 있다.
구체적으로 상기 특징점선택기(31)는 상기 원본디지털미이지와 상기 위조본디지털이미지로부터 다수의 특징점을 이용하는 SVM(Support Vector Machine)에 기반한 방식에 의해 일부 특징점을 선택한다. 그리고 상기 학습모델생성기(32)는 상기 특징점선택기(31)에 의해 선택된 일부 특징점에 의해 특징점벡터집합의 학습모델을 생성하며, 상기 SVM분류기(33)는 상기 생성된 학습모델을 바탕으로 상기 테스트인쇄물디지털이미지의 특징점을 이용하여 상기 테스트인쇄물이 포함될 클래스를 선정하는 역할을 한다.
상기 기계학습부(30)에서 사용된 특징점 선택 기법과 SVM 기법에 대해서는 좀 더 상세히 후술하기로 한다.
최종적으로, 상기 위조여부식별부(40)는 상기 SVM분류기(33)에서 선정된 클래스에 의해 테스트인쇄물의 위조여부를 식별하게 된다.
또한 도 4에 도시된 바와 같이, 본 발명의 다른 일실시예에 의한 보안 인쇄물 위조식별 시스템(100)은 인쇄물학습장치(110) 및 인쇄물식별장치(120)를 포함한다.
상기 인쇄물학습장치(110)는, 제1이미지변환부(50); 제1특징점추출부(60); 특징점선택기(31); 및 학습모델생성기(32);를 포함하는 것을 특징을 한다.
또한, 상기 인쇄물식별장치(120)는, 제2이미지변환부(70); 제2특징점추출부(80); SVM분류기(33) 및 위조여부식별부(40)를 포함하는 것을 특징으로 한다.
상술한 본 발명의 보안 인쇄물 위조식별 시스템(100)을 이용한 보안 인쇄물 위조식별 방법을 도 5의 흐름도에 의해 설명하기로 한다.
즉 본 발명의 보안 인쇄물 위조식별 방법은, 상기 이미지변환부(10)가 원본인쇄물을 디지털이미지로 변환하여 원본디지털이미지를 생성하는 원본디지털화단계(S110); 상기 이미지변환부(10)가 위조본인쇄물을 디지털이미지로 변환하여 위조본디지털이미지를 생성하는 위조본디지털화단계(S115); 상기 특징점추출부(20)가 상기 원본디지털이미지의 특징점을 추출하는 원본특징점추출단계(S120); 상기 특징점추출부(20)가 상기 위조본디지털이미지의 특징점을 추출하는 위조본특징점추출단계(S125); 상기 기계학습부(30)가 상기 원본디지털이미지의 특징점과 상기 위조본디지털이미지의 특징점으로부터 SVM 방식에 의해 일부 특징점을 선택하는 특징점선택단계(S130); 상기 기계학습부(30)가 상기 S130 단계에서 선택된 일부 특징점에 의해 특징점벡터집합의 학습모델을 생성하는 학습모델생성단계(S135); 상기 이미지변환부(10)가 테스트인쇄물을 디지털이미지로 변환하여 테스트인쇄물디지털이미지를 생성하는 테스트인쇄물디지털화단계(S140); 상기 특징점추출부(20)가 상기 상기 테스트인쇄물디지털이미지로부터 특징점을 추출하는 테스트인쇄물특징점추출단계(S145); 상기 기계학습부(30)가 상기 S135 단계에서 생성된 학습모델을 바탕으로 S145 단계에서 추출된 특징점을 이용하여 상기 테스트인쇄물이 포함될 클래스를 선정하는 SVM분류단계(S150); 및 상기 위조여부식별부(40)에서 상기 S150 단계에서 선정된 클래스에 의해 테스트인쇄물의 위조여부를 식별하는 위조여부식별단계(S155);를 포함한다.
본 발명의 특징점추출부(20), 제1특징점추출부(60) 및 제2특징점추출부(80)에서의 특징점 추출 기법에 대해 하기에 자세히 설명하기로 한다.
특징점 추출 기법
디지털이미지로 이루어진 검사 대상의 위조여부를 식별하기 위해 다량의 특징점을 추출하여 검사 대상을 벡터의 형태로 정량화한다. 본 발명에서는 이산웨이블릿변환(Discrete Wavelet Transform)기반의 특징점, 화질측정도구(Image Quality Measures)기반의 특징점, 텍스처(Texture)기반의 특징점, 정보이론(Information Theory)기반의 특징점 및 망점구조분석(Halftone Texture Analysis)기반의 특징점이 사용되었다.
각 특징점의 추출 과정에 대해 하기에 상세히 설명하기로 한다.
이산웨이블릿변환기반의 특징점
이산웨이블릿변환을 통해서 주어진 이미지는 다단계로 구성된 고주파 영역과 저주파 영역으로 나누어진다. 이때 고주파로 나타나는 영역은 이미지의 잡음을 대표한다. 상기의 잡음은 컬러 프린터 또는 컬러 영역마다 조금씩 다르기 때문에 이들을 적절히 나타내는 통계치는 이미지를 표현하는 특징점으로 간주할 수 있다. 이산웨이블릿변환은 아래에 설명하는 것과 같은 과정을 거친다.
먼저 이산웨이블릿의 기저함수 Ψj,k(t)는 수학식 1과 같이 나타낼 수 있다.
임의의 신호 f(t)는 기저함수 Ψj,k(t)와 웨이블릿 계수 aj,k의 결합된 형태로 표현된다. 즉, 수학식 2와 같이 나타낼 수 있다.
웨이블릿을 이용한 다해상도 분석에서는 두 개의 기본 함수, 즉 스케일 함수 Ψj,k(t)와 웨이블릿 함수 Φj,k(t)가 존재하며 이는 수학식 3과 같다. cj와 dj는 각각의 함수에 대한 신장 계수를 의미한다.
도 6에 예제 이미지를 사용한 필터 구조를 도시하였다. 필터 L(z)와 H(z)는 각각 스케일링 함수 Φ(t)와 웨이블릿 함수 Ψ(t)에 일치하는 신장 계수이고, L은 저역필터, H는 고역필터를 나타낸다. 저역필터와 고역필터를 통해 이미지를 가로(Row) 방향으로 두 대역으로 나누고, 그 결과 데이터를 반만 취하는 다운 샘플링 과정을 수행한다. 다음으로, 다운 샘플링된 두 개의 대역을 각각 세로(Column) 방향 두 대역으로 나누고, 다시 그 결과 데이터를 반만 취하는 다운 샘플링 과정을 수행한다. 이러한 과정을 통하여 신호를 4가지 해상도, 즉 LL, LH, HL 및 HH로 표현하게 된다.
본 발명에서는 이산웨이블릿변환 이후 각 고주파 부대역 즉, LH, HL, HH 내의 통계적 특징, 고주파 부대역 사이의 통계적 특징, 그리고 고주파 부대역에서의 컬러 채널 사이의 상관 계수를 산출하였다.
고주파 부대역 내의 특징점
부대역 내의 잡음을 대표하는 특징점으로 이산웨이블릿변환 이후 각 단계 별 고주파 부대역 즉, LH, HL, HH 영역의 표준편차, 첨도 및 왜도를 수학식 4, 수학식 5 및 수학식 6에 의해 각각 구한다.
이미지는 RGB(Red, Green, Blue) 3개의 채널로 이루어져 있으므로 이산웨이블릿변환의 레벨 i에 따라 27xi 개의 특징점을 추출할 수 있다. 여기서 한 가지 더 고려해야 할 점은 프린터 출력물은 CMYK(Cyan, Magenta, Yellow, Black)의 4개의 채널로 구성되어 있다는 점이다. 그러므로 추가적으로 36xi개의 특징점을 추출할 수 있다.
64x64에서 128x128 사이의 작은 크기의 ROI(Region of Interest)를 사용하여 1단계 웨이블릿 특징점만을 추출한다고 가정하면, 63개의 부대역내의 특징점을 추출하게 된다.
고주파 부대역 사이의 특징점
이산웨이블릿변환 이후 각 부대역의 계수 값은 주변 부대역의 계수 값과 주변 계수 값의 선형 보간의 형태로 나타내어 질 수 있다. i번째 단계에서 LH, HL, HH의 근사값은 각각 수학식 7, 수학식 8, 수학식 9와 같이 나타낼 수 있다.
상기에서 를 구했으므로 를 구할 수 있고, 와 사이의 오차는 로 나타낸다. 동일한 방법으로 와 를 구하고 각각에 대하여 평균, 분산, 첨도 및 왜도를 구한다. 이는 부대역 사이의 통계적 특성을 드러내는 특징점이라고 할 수 있다. 부대역 내의 특징점과 마찬가지로, R, G, B, C, M, Y, K 각 채널의 LH, HL, HH 영역에서 부대역 사이의 특징점을 구한다. 상기의 과정을 통해서 총 84개의 부대역 사이의 특징점을 추출할 수 있다.
컬러 채널 사이의 상관 계수
이미 설명한 바와 같이 이산웨이블릿변환 이후 LH, HL, HH 영역은 이미지의 잡음을 대표한다. 이러한 잡음은 각 컬러 채널에 따라 고유의 분포를 가진다. 그러므로 컬러 이미지 채널 사이의 잡음을 정량화한 값 역시 프린터의 컬러 특성을 나타내는 중요한 특징으로 볼 수 있다.
본 발명에서는 컬러 채널 사이의 잡음을 정량화하기 위해 상관 계수를 이용한다. 먼저 각 컬러 채널에 대해 이산웨이블릿변환을 수행한다. 다음으로 LH, HL, HH 각 영역에 대하여 R과 G사이, R과 B사이, G와 B사이, C와 M 사이, C와 Y 사이, C와 K 사이, M과 Y 사이, M과 K 사이, Y와 K 사이의 상관 계수를 구하여 특징점 벡터로 삼는다. 상관 계수는 수학식 12와 같다.
상기의 과정을 통해 총 27개의 이산웨이블릿변환기반의 컬러 채널 사이의 상관 계수를 구할 수 있다.
화질측정도구기반의 특징점
도 7로부터 알 수 있는 것과 같이, 컬러 프린터로 위조된 문서는 원본 문서에는 존재하지 않는 고유의 프린팅 잡음을 내포한다. 프린팅 잡음은 망점 인쇄 방식 자체의 특성에 의하여 생기는 특징이므로 임의로 감소시키거나 제거할 수 없다. 실제로 위조본의 프린팅 잡음을 추출하여 원본과 비교하면 확연히 구분되는 서로 다른 값을 확인할 수 있다.
다만 이미지는 단일 기준으로 정량화될 수 없다. 이미지를 다양한 기준에서 측정하는 방법으로 여러 종류의 화질측정도구(Image Quality Measures, IQM)가 있다. 본 발명에서는 주어진 이미지 와 저주파 필터를 사용하여 잡음을 제거한 이미지 를 입력으로 받아 공간 영역에서 픽셀의 차이 값, 주파수 영역에서 계수의 차이 값, 두 입력의 상관 계수 그리고 인지 시각 모델을 적용한 픽셀의 차이 값으로 분류되는 17가지의 척도를 이용하여 잡음을 측정하였다. 이처럼 다양한 척도를 이용하여 이미지를 정량화한 벡터는 이미지를 구분할 수 있는 좋은 특징점이 된다.
또한 본 발명에서는 주어진 이미지 에 대하여 잡음을 제거하는 방법을 변경해 가며, 총 4가지의 를 생성하였다. 이후 와 서로 다른 을 이용하여 4 세트의 화질측정도구를 추출하였다. 도 8은 상기의 화질측정도구를 추출하는 과정을 나타낸다.
상기의 화질측정도구를 추출하는 과정에서 사용되는 잡음필터는 평균화필터(3x3), 가우시안필터(3x3), 중간값필터(3x3) 및 위너필터(3x3)의 4가지 종류이다
상기의 화질측정도구를 추출하는 과정을 정리하면 다음과 같다.
서로 다른 필터를 적용한 에 대하여 상기의 4종류의 필터를 사용하여 화질측정도구를 적용하여 잡음 기반의 특징점을 추출하였다. D1~D3는 픽셀 차이 값을 나타낸다. C1~C5는 상관 계수를, S1~S6은 주파수 영역에서 계수의 차이 값이다. 마지막으로 H1~H3은 인지 시각 모델 U(x)를 적용한 이후 추출한 특징점이다. 4가지 잡음제거 필터를 이용하여 17가지의 화질측정도구를 추출하면 총 68개의 특징점을 구할 수 있다. 도 9에 17가지의 화질측정도구를 나타낸다.
텍스처기반의 특징점
텍스처는 특정 공간 영역에서 픽셀 값의 변화에 관한 함수로 정의될 수 있다. 위조된 문서는 프린팅 잡음으로 인해 도 7에서 알 수 있는 것과 같이 원본과 상이한 텍스처를 가지게 된다. 그러므로 이러한 텍스처의 통계적 특성은 또 다른 특징점이 될 수 있다.
본 발명에서 사용한 알고리즘에서는 GLCM(Gray Level Co-occurrence Matrices)을 구한 이후, GLCM의 통계적 특성을 추출하여 이를 특징점으로 간주한다. 방향벡터 d에 관한 GxG의 GLCM Pd는 수학식 13과 같이 정의된다. 이때 G는 흑백 이미지를 표현하는데 사용되는 색상의 수를 나타내며 일반적으로 256을 사용한다.
즉, 방향벡터 d에 따른 2차원 히스토그램으로 나타낼 수 있다. 구성된 GLCM을 관찰함으로써 주어진 이미지의 특성을 알 수 있다. 예를 들어, GLCM의 대부분의 값이 대각선에 치중되어 있다면 방향벡터 d의 방향으로 영상에서 유사점이 많음을 의미한다. 여기서 도 10에 나타낸 3가지 통계적 특징을 구한다.
본 발명에서는 d(0,1), d(1,0), d(1,1), d(1,-1)에서 d(0,4), d(4,0), d(4,4), d(4,-4)까지 총 16가지 방향벡터에 관하여 3개의 통계적 특성, 즉 48개의 특징점을 추출하였다.
다음으로 살펴볼 또 다른 텍스처기반의 특징점은 대부분의 이미지에서 이웃 픽셀의 값은 유사하다는 점에 기반을 둔다. 이미지의 경계를 제외한 나머지 영역의 픽셀 값은 부드럽게 변한다. 부드러운 영역을 어두운 영역과 밝은 영역으로 다시 나누면 각 영역의 해당 픽셀 값의 근사값 는 주어진 계수 와 주변 픽셀 값의 선형 보간으로 만들어 질 수 있다. 도 11은 부드러운 영역의 해당 픽셀과 그 이웃 값을 나타낸다.
여기에서 를 구하면 을 구할 수 있다. 이 때, 의 평균과 표준 편차를 또 다른 특징점으로 둔다. RGB 각각에서 어두운 영역과 밝은 영역에 대하여 평균과 표준편차를 구할 수 있으므로 총 12개의 특징점을 구할 수 있다.
정보이론기반의 특징점
망점구조 인쇄 방식으로 컬러 이미지를 출력할 경우 각 컬러 채널은 고유의 잡음을 내포한다. 각 컬러 채널마다 잡음의 강도가 다르므로 각 컬러 채널의 엔트로피와 컬러 채널 사이의 상호 정보는 검사 대상물의 특성을 대표하는 중요한 특징점으로 볼 수 있다.
먼저 엔트로피는 수학식 15와 같이 나타낼 수 있다.
엔트로피는 해당 사건의 불확실성 정도를 측정하는 척도이다. 검사 대상물이 위조본일 경우 컬러 채널의 잡음으로 인해 원본과 구분되는 엔트로피 값을 가지게 된다. 그러므로 각 컬러 채널의 엔트로피는 검사 대상물을 대표하는 특징점으로 볼 수 있다.
다음으로 상호 정보는 수학식 16과 같이 표현된다.
상호 정보는 사건 X와 사건 Y 사이의 의존성에 관한 척도이다. 즉, 사건 X 와 Y가 독립적인 사건이라면 상호 정보 I(X;Y)는 0을 가진다. 그러나 사건 X가 발생했을 때 사건 Y가 항상 발생한다면 상호 정보 값은 X의 엔트로피 값과 동일하다.
만약 검사 대상물이 원본일 경우 각 컬러 채널의 값은 잡음을 거의 내포하고 있지 않으므로 컬러 채널의 값은 종속성을 띄게 된다. 이에 따라 상호 정보 값은 커지게 된다. 그러나 검사 대상물이 위조본일 경우 각 컬러 채널마다 존재하는 고유의 잡음으로 인해 채널 사이의 독립성이 증가하고 상호 정보 값은 작아지게 된다. 그러므로 상호정보 또한 검사 대상물을 표현하는 특징으로 볼 수 있다.
이상을 종합하여 본 과제에서는 R, G, B 각 채널에서의 엔트로피 값과 R과 G, G와 B, B와 R 채널 사이의 상호 정보 값을 정보이론 기반의 특징점으로 삼는다.
망점구조분석기반의 특징점
컬러 프린터는 지폐 등의 선화 인쇄물과 달리 망점 인쇄 방식으로 대상을 출력한다. 그러므로 망점구조가 확인 가능할 정도의 고해상도로 검사 대상물의 일부를 스캔하면 자동으로 위조여부를 탐지할 수 있는 시스템을 구성할 수 있다. 더 나아가 스캔된 망점구조의 분석을 통해 검사 대상물을 출력한 프린터 모델까지 식별할 수 있다. 컬러 프린터는 일반적으로 CMYK의 4가지 잉크를 사용하여 대상을 출력한다. CMYK의 각 채널은 모아레(Moire) 효과, 에지 강조 효과 등을 막기 위해 서로 다른 각도로 출력된다. 도 12는 시판 프린터 중 한 모델인 프린터(3)를 이용하여 망점 인쇄 방식으로 출력된 회색 영상을 스캔하여 Cyan, Magenta, Yellow 채널로 분리한 그림이다.
도 12를 통해서 각 컬러 채널은 동일한 망점구조를 가지더라도 서로 다른 각도로 출력됨을 알 수 있다. 또한 이러한 망점구조는 프린터의 제작사 및 프린터 모델에 따라 다양한 형태를 가진다.
도 13은 서로 다른 프린터로 출력한 Cyan 영역의 망점구조이다.
결론적으로 CMYK 채널의 각도 정보는 프린터 모델을 역추적 하는데 사용할 수 있는 좋은 특징점이라는 사실을 유추할 수 있다. 각 채널의 각도 정보를 구하기 위해 각 채널에 허프(Hough) 변환을 적용한다. 허프 변환은 수학식 17과 같이 나타낼 수 있다.
허프 변환을 통해서 이미지에 존재하는 대부분의 직선 정보를 극좌표 즉, 원점으로부터의 거리와 각도의 형태로 구할 수 있다. 스캐너에 의해 스캔된 이미지의 망점구조는 대부분의 영역에서 유사하므로 추출된 직선의 각도 정보 역시 대부분 유사한 값을 가지게 된다. 그러므로 추출된 직선의 각도 정보를 이용하여 히스토그램을 구축하면 각 프린터 모델마다 고유의 피크를 가지는 서로 다른 형태의 히스토그램을 구축할 수 있다.
도 14는 상기의 망점구조분석 과정을 상세히 보여주고 있다.
도 14의 (a)는 시판의 프린터 모델 중 하나인 프린터(5)로 출력한 이미지를, 도 14의 (b)와 (c)는 프린터(4)로 출력한 이미지를 보여준다. 각각에서 왼쪽의 그림은 이미지의 망점구조와 이를 대표하는 직선을 보여주며, 가운데 그림은 허프 변환 과정을 나타낸다. 마지막으로 오른쪽 그림은 추출된 직선의 각도 정보를 이용하여 구축한 히스토그램이다. (a)와 (b)를 비교해보면 비슷한 이미지라 할지라도 서로 다른 프린터로 출력한 경우 구축되는 히스토그램은 서로 다른 형태를 나타내는 것을 관찰할 수 있다. 그러나 (c)와 (d)를 비교해보면 비록 서로 다른 형태의 이미지라고 하더라도 동일한 프린터로 출력한 경우, 구축되는 히스토그램은 유사한 형태를 가지는 것을 확인할 수 있다.
이에 반해 지폐 등의 선화 인쇄물은 망점 인쇄물과 같은 규칙적인 인쇄 패턴을 가지지 않으므로 특정 분포를 형성하는 히스토그램을 생성하지 않는다. 그러므로 허프 변환을 이용하여 생성된 히스토그램은 중요한 특징점으로 볼 수 있다.
본 발명에서는 Cyan, Magenta, Yellow의 3가지 채널에서 36개의 빈을 가지는 히스토그램을 구성한다. 이상을 통해 총 108개의 특징점을 추출한다.
다음으로, 본 발명의 기계학습부(30)에서 사용되는 기법들에 대해 보다 자세히 살펴보기로 한다.
특징점 선택 기법
상술한 바와 같이 검사 대상에서 추출할 수 있는 수많은 특징점에 대하여 살펴보았다. 그러나 너무 많은 특징점의 사용은 시스템의 과부하를 야기할 수 있다. 실제로 보안 제품의 위조여부를 식별하는 시스템의 성능은 일반적인 PC의 성능보다 훨씬 낮다.
그러므로 주어진 후보 특징점의 집합에서 가장 적절한 특징점만을 선택하여 계산량, 메모리 등의 자원을 절약할 필요가 있다. 주어진 후보 특징점 중 위조여부의 식별 또는 모델 역추적에 가장 적합한 특징점을 찾기 위하여 본 발명에서는 순차적 전방 유동 선택 알고리즘(Sequential Forward Floating Selection, SFFS)을 사용하여 최적의 특징점을 선택하였다. SFFS는 동적으로 특징점을 선택 또는 삭제함으로써 최적의 특징점의 집합을 구성하는 기법으로 도 15의 순서도로 나타날 수 있다.
먼저 알고리즘에 사용된 용어를 정의하면 다음과 같다. m은 알고리즘의 총 실행 횟수를, M은 최대 실행 횟수를 나타낸다. Z는 선택된 특징점의 집합을 나타내며 U는 전체 특징점의 집합을 나타낸다. CR은 선택된 특징 벡터와 SVM분류기를 이용하여 2-fold cross validation을 통해 계산된 분류 성능을 나타낸다. 마지막으로 J는 m단계에서 분류 성능이 가장 좋을 때의 분류 결과 값을 말한다. 단계1과 단계2를 통하여 SFFS 알고리즘은 분류 성능을 가장 높이는 특징점 하나를 선택하여 Z에 추가한다. 다음으로 전체 알고리즘의 수행횟수가 M 보다 많은지 검사한다. 만약 m > M 이라면 현재까지의 특징점 선택 히스토리를 살펴본 후 가장 분류결과가 좋을 때의 특징점 집합과 그 때의 분류 결과를 리턴한다. 그 외의 경우 선택된 특징점 중 필요 없다고 판단되는 특징점을 동적으로 Z에서 제거하는 작업을 4, 5, 6 단계를 걸쳐서 수행한다. 검사 성능 향상에 큰 도움이 되지 않는 특징점은 계속해서 Z에서 제거 해준다. 더 이상 제거할 특징점이 존재하지 않으면 단계1로 돌아가 필요한 특징점을 추가한다.
도 16은 SFFS를 이용하여 선택된 특징점의 수와 판별률의 관계를 보여준다. 도 16으로부터 알 수 있는 것과 같이 선택된 특징점의 수가 약 30개를 넘어가면 분류 성능에는 큰 영향을 미치지 않음을 확인할 수 있다.
SFFS의 과정을 통하여 이산웨이블릿변환기반의 특징점이 분류 성능에 큰 영향을 끼침을 확인할 수 있었다. 특히 이산웨이블릿변환 이후 채널간의 상관 계수 기반 특징점과 부대역 사이의 특징점이 주로 선택되는 것을 알 수 있다
본 발명에서는 상술한 바와 같은 특징점 선택 기법에 의해 상기 특징점선택기(31)에서 디지털이미지의 다수의 특징점로부터 SVM에 기반한 방식에 의해 일부 특징점을 선택하고, 상기 학습모델생성기(32)에 의해 상기 특징점선택기(31)에 의해 선택된 일부 특징점에 의해 특징점벡터집합의 학습모델을 생성한다.
상기 특징점선택기(31)에서의 학습 및 SVM분류기(33)에서 클래스를 선정하기 위해 사용되는 SVM 기법에 대해 하기에 좀 더 자세히 알아보기로 한다.
SVM 기법
특징점 선택 및 학습모델 생성 이후, 주어진 테스트인쇄물의 특징점을 바탕으로 위조여부를 식별하는 기술이 필요하다. SVM은 이러한 목적에 적합한 범용적인 지도 학습 방법 중 하나이다. SVM분류기를 위조여부식별에 사용하기 위해서는, 먼저 이를 주어진 입력의 부분집합으로 학습시켜야 한다. 주어진 입력이 두 개의 집합으로 나눠진다고 가정하면 수학식 18과 같이 표기될 수 있다. 여기에서 는 주어진 특징점의 벡터이고, 는 그때 진위 여부를 나타낸다.
이와 같은 두 집합을 나누는 다차원 평면은 로 나타내어진다. 각 집합에서 에 가장 가까운 점을 서포트벡터(support vector) 로 정의한다. SVM은 주어진 입력에서 서포트벡터와 두 집합을 나누는 다차원 평면 사이의 기하학적인 거리를 최대화 하는 것을 목표로 한다. 서포트벡터가 아래의 두 평면상에 존재 한다면 두 평면 사이의 거리는 이다. 또한,
이고, 이상을 간단히 도식화 하면 도 17과 같다.
주어진 문제를 쌍대(dual) 영역에서 풀면 와 를 구할 수 있다. 이상의 과정에서 우리는 주어진 입력의 진위 여부를 판별할 수 있는 SVM분류기를 학습시켰다. 이후 주어진 입력 에 대하여 이면 는 첫 번째 클래스로 분류되며, 이면 두 번째 클래스로 분류된다.
만약 이미지 채널의 개수 K > 2 이상의 클래스로 주어진 문제를 분류해야 한다면, 하나의 집합과 그 외 나머지 모든 집합의 합집합을 나누는 K개의 이진 SVM분류 문제를 학습시킨다. 이후 주어진 입력 에 대하여 가장 높은 결과 값을 보이는 SVM분류기의 집합으로 분류한다.
이상에서 선형 분리가 가능한 경우의 SVM분류기를 살펴보았다. 그러나 입력 데이터는 항상 선형 분리가 가능한 것은 아니다. 선형분리가 불가능한 경우에도 분류 함수의 오류율을 최소화 하기위해 슬랙(Slack) 변수와 커널(Kernel) 함수의 개념을 도입하여 SVM분류기를 구성한다. 슬랙 변수는 비록 두 클래스가 완전히 선형으로 나눠지지 않더라도 다차원평면에 적절한 오류치를 미리 더하여 선형분류기의 오류를 최소화 하는데 사용된다. 슬랙 변수가 적용된 SVM분류기는 수학식 21과 같다.
하지만 슬랙 변수만으로는 선형 분리가 불가능한 입력 데이터를 완벽히 분리 할 수 없다. 그러므로 비선형 분리의 입력 데이터를 선형 분리가 가능한 형태로 사상하는 커널 함수의 개념을 도입한다. 커널 함수의 개념은 도 18과 같다.
커널 기법을 통해 선형 분리가 불가능한 2차원 데이터가 3차원으로 사상되고 이에 따라 선형 분리가 가능한 형태로 바뀜을 확인 할 수 있다. 본 발명에서는 수학식 22와 같은 RBF(Radial Basis Function) 커널을 이용하여 비선형 입력 데이터를 선형으로 사상했다.
마지막으로, 상기와 같이 SVM분류기(33)에 의해 선정된 클래스에 의해 상기 위조여부식별부(40)는 테스트인쇄물의 위조여부를 성공적으로 판별할 수 있다.
100 : 보안 인쇄물 위조식별 시스템
110 : 인쇄물학습장치 120: 인쇄물식별장치
10 : 이미지변환부 20 : 특징점추출부
30 : 기계학습부 40 : 위조여부식별부
50 : 제1이미지변환부 60 : 제1특징점추출부
70 : 제2이미지변환부 80 : 제2특징점추출부
31 : 특징점선택기 32 : 학습모델생성기
33 : SVM분류기
110 : 인쇄물학습장치 120: 인쇄물식별장치
10 : 이미지변환부 20 : 특징점추출부
30 : 기계학습부 40 : 위조여부식별부
50 : 제1이미지변환부 60 : 제1특징점추출부
70 : 제2이미지변환부 80 : 제2특징점추출부
31 : 특징점선택기 32 : 학습모델생성기
33 : SVM분류기
Claims (19)
- 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 시스템에 있어서,
인쇄물을 변환하여 디지털이미지를 생성하는 이미지변환부;
상기의 디지털이미지의 특징점을 추출하는 특징점추출부;
상기 특징점을 이용하여 기계학습을 실시하는 기계학습부; 및
상기 기계학습 결과로부터 상기 인쇄물의 위조여부를 식별하는 위조여부식별부;를 포함하는 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 시스템.
- 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 시스템에 있어서, 인쇄물학습장치 및 인쇄물식별장치를 포함하되,
상기 인쇄물학습장치는,
원본인쇄물과 위조본인쇄물을 디지털이미지로 변환하여 원본디지털이미지 및 위조본디지털이미지를 생성하는 제1이미지변환부;
상기 원본디지털이미지 및 상기 위조본디지털이미지의 특징점을 추출하는 제1특징점추출부;
상기 원본디지털이미지 및 상기 위조본디지털이미지의 다수의 특징점을 이용하는 SVM(Support Vector Machine) 방식에 의해 일부 특징점을 선택하는 특징점선택기; 및
상기 특징점선택기에 의해 선택된 일부 특징점에 의해 특징점벡터집합의 학습모델을 생성하는 학습모델생성기;를 포함하는 것을 특징을 하며,
상기 인쇄물식별장치는,
테스트인쇄물을 디지털이미지로 변환하여 테스트인쇄물디지털이미지를 생성하는 제2이미지변환부;
상기 테스트인쇄물디지털이미지의 특징점을 추출하는 제2특징점추출부;
상기 생성된 학습모델을 바탕으로 상기 테스트인쇄물디지털이미지의 특징점을 이용하여 상기 테스트인쇄물이 포함될 클래스를 선정하는 SVM분류기; 및
상기 SVM분류기의 클래스로부터 상기 테스트인쇄물의 위조여부를 식별하는 위조여부식별부;를 포함하는 것을 특징으로 하는 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 시스템.
- 제1항에 있어서,
상기 이미지변환부는,
상기 인쇄물 중 원본인쇄물과 위조본인쇄물을 디지털이미지로 변환하여 원본디지털이미지 및 위조본디지털이미지를 생성하는 제1이미지변환부; 및
상기 인쇄물 중 테스트인쇄물을 디지털이미지로 변환하여 테스트인쇄물디지털이미지를 생성하는 제2이미지변환부;를 포함하며,
상기 특징점추출부는,
상기 원본디지털이미지 및 상기 위조본디지털이미지의 특징점을 추출하는 제1특징점추출부; 및
상기 테스트인쇄물디지털이미지의 특징점을 추출하는 제2특징점추출부;를 포함하는 것을 특징으로 하는 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 시스템.
- 제3항에 있어서, 상기 기계학습부는,
상기 원본디지털이미지 및 상기 위조본디지털이미지로부터 다수의 특징점을 이용하는 SVM(Support Vector Machine) 방식에 의해 일부 특징점을 선택하는 특징점선택기;
상기 특징점선택기에 의해 선택된 일부 특징점에 의해 특징점벡터집합의 학습모델을 생성하는 학습모델생성기; 및
상기 생성된 학습모델을 바탕으로 상기 테스트인쇄물디지털이미지의 특징점을 이용하여 상기 테스트인쇄물이 포함될 클래스를 선정하는 SVM분류기;를 포함하는 것을 특징으로 하는 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 시스템.
- 제4항에 있어서,
상기 특징점선택기는 순차적 전방 유동 선택 알고리즘을 사용하여 일부 특징점을 선택하는 것을 특징으로 하는 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 시스템.
- 제3항에 있어서,
상기 제1특징점추출부 또는 상기 제2특징점추출부는 추출한 특징점으로부터 특징점 벡터를 구성하는 것을 특징으로 하며,
상기 특징점은,
이산웨이블릿변환기반의 특징점;
화질측정도구기반의 특징점;
텍스처기반의 특징점;
정보이론기반의 특징점; 및
망점구조분석기반의 특징점;을 포함하는 것을 특징으로 하는 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 시스템.
- 제6항에 있어서, 상기 이산웨이블릿변환기반의 특징점은,
고주파 부대역내의 통계적 특징에 의한 특징점;
고주파 부대역 사이의 통계적 특징에 의한 특징점; 및
고주파 부대역의 컬러 채널 사이의 상관 계수에 의한 특징점;을 포함하되,
상기 고주파 부대역은, 이미지의 가로방향과 세로방향에 대해 저역필터와 고역필터 및 다운 샘플링 과정을 수행함으로써 결정되는 4가지 부대역 중, 가로방향과 세로방향 중 어느 하나 이상에 대해 고주파 특성을 갖는 3가지 부대역을 포함하는 것을 특징으로 하는 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 시스템.
- 제7항에 있어서, 상기 고주파 부대역내의 통계적 특징에 의한 특징점은,
이산웨이블릿변환 이후 각 단계별 고주파 부대역의 표준편차, 왜도 및 첨도를 포함하는 것을 특징으로 하는 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 시스템.
- 제7항에 있어서, 상기 고주파 부대역 사이의 통계적 특징에 의한 특징점은,
이산웨이블릿변환 이후 각 부대역의 근사값과 부대역의 값의 오차에 대한 평균, 분산, 첨도 및 왜도를 포함하는 것을 특징으로 하는 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 시스템.
- 제7항에 있어서, 상기 컬러 채널 사이의 상관 계수에 의한 특징점은,
각 컬러 채널에 대해 이산웨이블릿변환을 수행함으로써 결정되는 R과 G사이, R와 B사이, G과 B사이, C와 M 사이, C와 Y 사이, C와 K 사이, M과 Y 사이, M과 K 사이, Y와 K 사이의 고주파 부대역에 대한 상관 계수인 것을 특징으로 하는 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 시스템.
- 제6항에 있어서, 상기 화질측정도구기반의 특징점은,
입력된 임의의 이미지와, 저주파필터에 의해 입력된 이미지로부터 잡음을 제거한 이미지 사이의 공간 영역에서, 픽셀의 차이 값, 주파수 영역에서 계수의 차이 값, 두 입력의 상관 계수, 그리고 인지 시각 모델을 적용한 픽셀의 차이 값 중 어느 하나 이상의 척도를 이용하여 잡음 기반으로 추출한 특징점인 것을 특징으로 하는 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 시스템.
- 제11항에 있어서, 상기의 저주파필터는,
평균화필터, 가우시안필터, 중간값필터 및 위너필터를 포함하는 것을 특징으로 하는 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 시스템.
- 제6항에 있어서, 상기 텍스처기반의 특징점은,
GLCM(Gray Level Co-occurrence Matrices)을 이용하여 구해진 에너지, 대조 및 유사의 3가지 통계적 특성을 포함하는 것을 특징으로 하는 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 시스템.
- 제13항에 있어서, 상기 텍스처기반의 특징점은,
임의의 픽셀값과 픽셀근사값의 차이의 평균과 표준편차를 더 포함하는 것을 특징으로 하는 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 시스템.
- 제6항에 있어서, 상기 정보이론기반의 특징점은,
R, G, B 각 채널에서의 엔트로피 값과, R과 G, G와 B, B와 R 채널 사이의 상호 정보 값을 포함하는 것을 특징으로 하는 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 시스템.
- 제6항에 있어서, 상기 망점구조분석기반의 특징점은,
허프(Hough) 변환을 통해 이미지에 존재하는 직선 정보를 원점으로부터의 거리와 각도 형태로 산출하고 산출된 직선의 각도 정보를 이용하여 구축된 히스토그램의 빈도를 포함하는 것을 특징으로 하는 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 시스템.
- 제2항에 있어서, 상기 SVM분류기는,
분류 함수의 오류율을 최소화하기 위한 슬랙(Slack) 변수와 커널(Kernel) 함수를 적용하는 것을 특징으로 하는 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 시스템.
- 제17항에 있어서, 상기 커널(Kernel) 함수는,
RBF(Radial Basis Function) 커널(Kernel)인 것을 특징으로 하는 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 시스템.
- 이미지변환부, 특징점추출부, 기계학습부 및 위조여부식별부를 포함하는 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 시스템에 의한 보안 인쇄물 위조식별 방법에 있어서,
상기 이미지변환부가 원본인쇄물을 디지털이미지로 변환하여 원본디지털이미지를 생성하는 원본디지털화단계;
상기 이미지변환부가 위조본인쇄물을 디지털이미지로 변환하여 위조본디지털이미지를 생성하는 위조본디지털화단계;
상기 특징점추출부가 상기 원본디지털이미지의 특징점을 추출하는 원본특징점추출단계;
상기 특징점추출부가 상기 위조본디지털이미지의 특징점을 추출하는 위조본특징점추출단계;
상기 기계학습부가 상기 원본디지털이미지의 특징점과 위조본디지털이미지의 특징점으로부터 SVM(Support Vector Machine) 방식에 의해 일부 특징점을 선택하는 특징점선택단계;
상기 기계학습부가 상기 특징점선택단계에서 선택된 일부 특징점에 의해 특징점벡터집합의 학습모델을 생성하는 학습모델생성단계;
상기 이미지변환부가 테스트인쇄물을 디지털이미지로 변환하여 테스트인쇄물디지털이미지를 생성하는 테스트인쇄물디지털화단계;
상기 특징점추출부가 상기 테스트인쇄물디지털이미지로부터 특징점을 추출하는 테스트인쇄물특징점추출단계;
상기 기계학습부가 상기 학습모델생성단계에서 생성된 학습모델을 바탕으로 테스트인쇄물특징점추출단계에서 추출된 특징점을 이용하여 상기 테스트인쇄물이 포함될 클래스를 선정하는 SVM분류단계; 및
상기 위조여부식별부에서 상기 SVM분류단계에서 선정된 클래스에 의해 테스트인쇄물의 위조여부를 식별하는 위조여부식별단계;를 포함하는 디지털 포렌직(Forensic) 기술을 이용한 보안 인쇄물 위조식별 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020100052297A KR101140699B1 (ko) | 2010-06-03 | 2010-06-03 | 디지털 포렌직 기술을 이용한 보안 인쇄물 위조식별 시스템 및 그 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020100052297A KR101140699B1 (ko) | 2010-06-03 | 2010-06-03 | 디지털 포렌직 기술을 이용한 보안 인쇄물 위조식별 시스템 및 그 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20110132770A KR20110132770A (ko) | 2011-12-09 |
KR101140699B1 true KR101140699B1 (ko) | 2012-05-03 |
Family
ID=45500639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020100052297A KR101140699B1 (ko) | 2010-06-03 | 2010-06-03 | 디지털 포렌직 기술을 이용한 보안 인쇄물 위조식별 시스템 및 그 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101140699B1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102196573B1 (ko) | 2019-06-25 | 2020-12-30 | 대한민국 | 원격 분석 위조지폐 감별 정보 제공 방법 |
KR102620111B1 (ko) | 2023-07-19 | 2024-01-02 | 이성진 | 정보의 보안 기능을 갖는 인쇄물 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8917930B2 (en) | 2012-05-08 | 2014-12-23 | Hewlett-Packard Development Company, L.P. | Selecting metrics for substrate classification |
KR101716043B1 (ko) * | 2015-09-01 | 2017-03-14 | 성균관대학교산학협력단 | 공장 자동화를 위한 고속 다중 물체 인식 장치 및 방법 |
US10922578B2 (en) * | 2016-08-24 | 2021-02-16 | Google Llc | Change detection based imagery acquisition tasking system |
KR101981284B1 (ko) * | 2017-10-23 | 2019-05-22 | 연세대학교 산학협력단 | 이미지 처리 장치 및 방법 |
KR101936947B1 (ko) * | 2017-12-04 | 2019-01-09 | 포항공과대학교 산학협력단 | 비디오 인식을 위한 영상 세그먼트 프레임별 특징점의 시간 정보 인코딩 방법 |
KR102022058B1 (ko) * | 2018-02-20 | 2019-11-04 | 주식회사 디로그 | 웹 페이지 위변조 탐지 방법 및 시스템 |
KR102377056B1 (ko) * | 2020-05-28 | 2022-03-18 | 경일대학교산학협력단 | 이미지 위조 탐지 장치 및 방법 |
KR102490136B1 (ko) * | 2021-06-11 | 2023-01-20 | 대한민국 | 문서의 위변조 감정을 위한 종이식별 장치 및 그 방법 |
KR102663350B1 (ko) * | 2021-11-08 | 2024-05-07 | 숭실대학교산학협력단 | 적대적 변형된 이미지 탐지 방법 및 적대적 변형된 이미지 탐지 방법을 실행시키도록 기록매체에 저장된 컴퓨터 프로그램 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040090056A (ko) * | 2003-04-16 | 2004-10-22 | 정보통신연구진흥원 | Ccd 이미지 센서를 이용한 이권종 분류 및 위폐 식별계수기 |
KR20050009503A (ko) * | 2003-07-16 | 2005-01-25 | 노희옥 | 위폐 판별 기능과 이권종 합산 기능을 갖는 지폐계수기 및그 방법 |
KR20070075738A (ko) * | 2006-01-16 | 2007-07-24 | 노틸러스효성 주식회사 | 자기 센서를 이용한 지폐 인식 방법 |
-
2010
- 2010-06-03 KR KR1020100052297A patent/KR101140699B1/ko active IP Right Grant
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040090056A (ko) * | 2003-04-16 | 2004-10-22 | 정보통신연구진흥원 | Ccd 이미지 센서를 이용한 이권종 분류 및 위폐 식별계수기 |
KR20050009503A (ko) * | 2003-07-16 | 2005-01-25 | 노희옥 | 위폐 판별 기능과 이권종 합산 기능을 갖는 지폐계수기 및그 방법 |
KR20070075738A (ko) * | 2006-01-16 | 2007-07-24 | 노틸러스효성 주식회사 | 자기 센서를 이용한 지폐 인식 방법 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102196573B1 (ko) | 2019-06-25 | 2020-12-30 | 대한민국 | 원격 분석 위조지폐 감별 정보 제공 방법 |
KR102620111B1 (ko) | 2023-07-19 | 2024-01-02 | 이성진 | 정보의 보안 기능을 갖는 인쇄물 |
Also Published As
Publication number | Publication date |
---|---|
KR20110132770A (ko) | 2011-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101140699B1 (ko) | 디지털 포렌직 기술을 이용한 보안 인쇄물 위조식별 시스템 및 그 방법 | |
CN110717450B (zh) | 自动识别原始文档的翻拍图像的训练方法和检测方法 | |
JP5314007B2 (ja) | セキュリティ文書、特に紙幣の認証 | |
US20030161534A1 (en) | Feature recognition using loose gray scale template matching | |
US11010857B2 (en) | Signal encoding based on spectral requirements | |
KR100542365B1 (ko) | 영상 화질 개선 장치 및 그 방법 | |
WO2007127085A1 (en) | Generating a bitonal image from a scanned colour image | |
US11354767B2 (en) | Signal encoding for physical objects including dark ink | |
RU2543931C2 (ru) | Проверка подлинности защищенных документов, в частности банкнот | |
Borges et al. | Robust and transparent color modulation for text data hiding | |
JP2004336282A (ja) | 画像処理装置、画像処理プログラム及び該プログラムを記録した記録媒体 | |
CN112217958B (zh) | 与设备颜色空间无关的数字水印载体图像预处理的方法 | |
Khanna et al. | Survey of scanner and printer forensics at purdue university | |
US6633411B1 (en) | Method and apparatus for repurposing binary images | |
Van Beusekom et al. | Automatic counterfeit protection system code classification | |
Cu et al. | A robust data hiding scheme using generated content for securing genuine documents | |
Boiangiu et al. | Methods of bitonal image conversion for modern and classic documents | |
Joshi et al. | Source printer identification from document images acquired using smartphone | |
KR20110086990A (ko) | 컬러 레이저 프린터 판별 방법 | |
JPH0856287A (ja) | 画像識別装置 | |
JP7031701B2 (ja) | モアレ発生予測装置、モアレ発生予測システム及びモアレ発生予測方法 | |
KR101124488B1 (ko) | 잡음 특성 분석을 통한 컬러 레이저 프린터 판별 방법 | |
Zhang et al. | Image Splicing Detection Based on Complex Features of Camera Noise Characteristics | |
CN112053275B (zh) | 抗打印扫描攻击的pdf文档水印方法及装置 | |
KR20230154664A (ko) | 위조 지폐의 하프톤 특성을 이용한 프린터 식별 장치 및 그 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
FPAY | Annual fee payment |
Payment date: 20160328 Year of fee payment: 5 |
|
FPAY | Annual fee payment |
Payment date: 20170418 Year of fee payment: 6 |
|
FPAY | Annual fee payment |
Payment date: 20180405 Year of fee payment: 7 |
|
FPAY | Annual fee payment |
Payment date: 20200122 Year of fee payment: 9 |