Fingerprint recognition that is most commonly used in biometrics, has been installed in many security facilities as well as in smartphones that we use frequently, and the range of fingerprint recognition is gradually expanding. It is important to improve the performance of fingerprint recognition technology itself, and it is also important to prepare countermeasures against security vulnerabilities. In this dissertation, we propose a feature extraction technique for fingerprint recognition and a fake fingerprint detection technique.
First, it is a pore extraction technique. As technological developments have enabled high-quality fingerprint scanning, sweat pores, one of the Level 3 features of fingerprints, have been successfully used in Automatic Fingerprint Recognition Systems (AFRS). Since the pore extraction process is a critical step for AFRS, high accuracy is required. However, it is difficult to extract the pore correctly because the pore shape depends on the person, region, and pore type. To solve the problem, we propose a pore extraction method using deep convolutional neural networks (DCNN) and pore intensity refinement. The deep networks are useful to employ to detect fine holes using a wide area of the fingerprint image. The deep networks are used to detect pores in detail using a large area of a fingerprint image. We generate a pore map using the deep networks, then refine the pore information by finding local maxima to identify pores with different intensities in the fingerprint image. The experimental results show that our pore extraction method achieves state-of-the-art performance.
Second, it is a fake fingerprint detection technique. Recently, the importance of fake fingerprint detection technique has been growing as fingerprint recognition technology is used in many places of daily life including a smartphone. In order to detect fake fingerprints, we propose a fingerprint liveness detection method using an enhanced fingerprint image, transfer learning, and multi-task learning. The proposed method uses multi-channel input images consisting of a fingerprint image and an enhanced fingerprint image with emphasis on shape information, fine-tune the pre-trained model, and perform multiple classification tasks simultaneously in training stage. The enhanced fingerprint image has the effect of emphasizing the shape difference between the live fingerprint image and the fake fingerprint image. Fine-tuning the existing model is useful when the training dataset is small. The purpose of multi-task learning is to improve the accuracy of fake fingerprint classification by simultaneously learning fake fingerprint classification and more complex spoof material classification. The proposed method shows state-of-the-art performance and has high detection accuracy for fake fingerprint images made with unknown spoof materials not used for training.
생체인식 중에서 가장 보편적으로 사용되는 지문 인식은 많은 보안 시설은 물론 우리가 자주 사용하는 스마트폰에도 탑재되었고 그 활용범위 또한 점차 넓어지고 있다. 지문인식 기술은 그 자체의 성능을 향상시키는 것도 중요하고 보안 취약점에 대한 대비책을 마련하는 것 또한 중요하다. 본 논문에서는 생체인식 기술에서 사용하는 특징점 추출 기법과 위조 지문 판별 기법을 제안한다.
첫번째로, 고화질 지문 영상에서 획득되는 특징점인 땀샘 구멍 추출 기법이다. 고화질의 지문 촬영이 가능해짐에 따라 지문의 Level 3 특징점인 땀샘 구멍은 Automatic Fingerprint Recognition Systems (AFRS)에서 성공적으로 사용되는 추세이다. 땀샘 구멍 추출 과정은 AFRS의 중요한 단계이므로 높은 정확도가 필요하다. 하지만, 땀샘 구멍의 형태가 사람, 지문 내의 위치, 구멍 유형에 따라 달라지기 때문에 땀샘 구멍을 정확하게 추출하기 어렵다.
이 문제를 해결하기 위해 우리는 deep convolutional neural networks (DCNN)과 땀샘 구멍 지도의 강도 세밀화 기법을 이용한 땀샘 구멍 추출 방법을 제안한다. DCNN은 지문 영상의 넓은 영역을 사용하여 세밀하게 구멍을 탐지하는데 용이하다.먼저 DCNN을 이용하여 땀샘 구멍 지도를 생성하고, 지도 내에서 각기 다른 강도를 가지는 땀샘 구멍을 탐지하기 위해 국소 최대값 찾기를 이용하여 땀샘 구멍 위치를 보정한다. 실험결과를 통해 제안하는 땀샘 구멍 추출 방법이 기존 기술에 비해 높은 탐지 정확도를 획득했음을 확인할 수 있다.
두번째로, 위조 지문 판별 기법이다. 최근 지문인식 기술이 스마트폰을 비롯하여 일상생활의 많은 곳에 사용됨에 따라 위조 지문 탐지 기법의 중요성이 대두되고 있다. 위조 지문을 탐지하기 위해 지문의 형태 영상, 전이학습, 다중학습을 결합한 기법을 제안한다. 제안하는 기법은 입력값으로 지문 영상과 지문의 형태 영상을 사용하며, 미리 학습된 모델을 미세조정하고, 위조 지문 판별과 위조 재료 판별을 동시에 진행한다. 지문의 형태 영상은 실제 지문 영상과 위조 지문 영상의 형태 차이를 강조하는데 효과적이며, 기존 학습된 모델을 미세조정하는 것은 학습 데이터셋이 적을 때 유용하다. 다중학습의 목적은 위조 지문 판별과 그 보다 복잡한 위조 재료 판별을 동시에 학습함으로써 위조 지문 판별 정확도를 향상시키는 것이다. 제안기법은 최신의 성능을 보이며, 학습에 사용하지 않은 위조 재료로 제작한 위조 지문 영상에 대해서도 높은 탐지 정확도를 획득하였다.
