KR102020295B1 - 보안 문서의 인증과 그러한 인증을 행하기 위한 모바일 디바이스 - Google Patents

Abstract

본 발명은 보안 문서를 인증하는 방법과 그러한 인증을 행하기 위한 모바일 디바이스, 특히 스마트폰에 관한 것으로, 그러한 모바일 디바이스는 요판 인쇄에 의해 만들어지는 피쳐의 분석에 기초하여 상기 인증 방법을 행하도록 프로그래밍된 것이고, 상기 분석은 웨이블렛에 기초하여 인증될 후보 문서의 샘플 이미지의 분해를 수반하고, 각각의 샘플 이미지는 분류 피쳐의 세트를 얻기 위해, 상기 샘플 이미지의 웨이블렛 변환을 수행함으로써 디지털 방식으로 처리된다. 이러한 방법은 상기 웨이블렛 변환을 행하기 전에, 보안 문서에서 발견되는 상이한 요판 선 구조들에 대한 국부적인 정보를 담고 있는 카테고리화 맵(C-맵)을 한정하는 단계; 상기 카테고리화 맵(C-맵)에 기초한 웨이블렛 타입의 풀 중에서 웨이블렛 선택을 행하는 단계; 및 선택된 웨이블렛에 기초하여 상기 샘플 이미지의 웨이블렛 변환을 수행하는 단계를 포함하는 적응형 접근법에 기초한다.

Description

보안 문서의 인증과 그러한 인증을 행하기 위한 모바일 디바이스{AUTHENTICATION OF SECURITY DOCUMENTS AND MOBILE DEVICE TO CARRY OUT THE AUTHENTICATION}

본 발명은 보안 문서를 인증하는 방법과 그러한 인증을 행하기 위한 모바일 디바이스, 특히 스마트폰에 관한 것이다.

보안 문서, 특히 은행권에서 신뢰를 유지하는 것은, 전 세계에서 경제의 안정성을 유지하기 위해 중앙 은행들에 있어서의 주요 관심사였고, 현재도 그러한 상태로 남아 있다. 은행권 인증에 관한 특히 적절한 접근법은 요판(intaglio) 인쇄에 의해 생산되는 고유한 피쳐(feature)의 분석에 초점을 맞추는, 소위 Sound-of-Intaglio ^TM 접근법([1],[2] 참조)(또한 국제 특허 공보인 WO2008/146262A2 참조)에 기초한다(Sound-of-Intaglio ^TM 이라는 명칭은 KBA-NotaSys SA의 등록 상표이다). 그 결과는 민트(mint) 또는 닳은 상태, 또는 심지어 위조에 관계없이, 진품 요판을 지닌 은행권 사이를 구별하기 위해 고유한 정보를 탐지하는 이미지 프로세싱 및 패턴 인식에 기초한 범용 알고리즘이다. 이는 요판 인쇄가 매우 정교하고, 고해상도인 그리고 예리하게 한정된(sharply-defined) 패턴의 인쇄를 가능하게 하기 때문이다. 또한 요판은 방법론에 순환되는 상태에서 튼튼함에 관해 일정한 장점을 주는 가장 잘 견디는 인쇄된 피쳐이다. 그러므로, 요판은 고유한 피쳐로서 "있는 그대로인(as it is)" 것으로 식별되고 대중에게 동일한 것으로 식별되는 보안 방법으로서의 역할을 할 수 있다. 경찰들이나 은행들에 의해 회수되는 대부분의 위조품은 상업적으로 이용 가능한 방법들이나 장비로 생성된다. 요판은 화폐 위조자에 대한 방어를 위한 가장 신뢰할 수 있고 안전한 플랫폼(platform)인 것으로 입증되었다. 비록 요판 피쳐가 대중에 의해 의식적으로 인식되지 않더라도, 접촉으로 알게 되는 고유한 성질과 결합되는 틀리지 않는 시각적인 겉모습(둘 다 인쇄 기판과 결합되어 보여지는)이 사용자들을 위한 진품 은행권의 습관적 인식에 대한 비결(key)이다. 이 방법은, 예컨대 모바일 전화기들을 사용하여 알맞은 이미지 분석 도구로 요판의 고유한 피쳐를 식별한다. 물론, 분류(sorting)과 법의학(forensics)에 있어서 중앙 은행에는 일반적인 접근법이 또한 유용할 수 있다. 또한, 이러한 개념의 장점은 특별한 성질들, 기하학적 모양 등과 같은 임의의 비밀 정보를 중앙 은행이 공개할 필요성이 없고, 특히 만약 요판이 일정한 품질 레벨에 도달한다면, 기존의 은행권을 다시 설계할 필요가 없다는 점이다. 또한, 요판은 상업적 인쇄에 대해 중요한 차별점 중 하나를 나타내고, 은행권의 인쇄 프로세스의 중요한 부품이다. 이러한 이유로 실제로 캐시 사이클에서 자동화된 적용을 위해 요판을 사용하는 가능성에 초점은 맞춘다. 이러한 이유로, Sound-of-Intaglio ^TM 은 지불 단말기나 뱅킹(banking) 시스템의 제작자들이 유통시 증가하는 위조 품질에 맞서 그리고 미리 격차를 확보하기 위한 장래의 틀(future frame)을 제공한다. 지금까지는 위조 기술이 요판의 받아들일 수 있는 시뮬레이션들을 제공하는 것이나 심지어 범죄 목적을 위해 그러한 기술을 사용하는데 있어서 성공적이지 않다.

상업적 오프셋 인쇄기들에 대한 "입증된(proved)" 대량 위조 외에, 디지털 데스크톱 기술에 있어서의 지속적인 발전(스캐너, 카메라, 및 디지털 오피스 프린터)이 "디지털" 위조(degifeits)의 완전한 새로운 부류를 확립하였다. 인쇄 업계에서의 엄격한 확산 방지 정책으로 인해, 고해상도 은행권 요판 프로세스는 완전히(설계, 시작, 판 제조 및 인쇄) 위조 적용예에 있어서의 그것의 사용 또는 악용에 맞서 잘 보호된다. 은행권의 보안을 위한 요판 프로세스의 고유함, 대중 유통시의 그것의 틀리지 않는 모습 및 기능으로 인해, 요판의 존재를 식별함으로써 진짜 은행권임을 바로 확인하는 것이 가장 현명하다. 대략적이고 도전적인 유통 상태에서 3차원 구조를 직접 측정하는 것이 어렵고 튼튼함이 부족한 것으로 입증되었기 때문에, 일반적인 높은 품질의 요판 구조의 고유한 불투명도와 외관을 활용하는 완전히 새로운 접근법이 모색되었다.

이후, 스마트폰 [4]과 기타 등[3]과 같은 스마트 모바일 디바이스에서 사용하기 위해 Sound-of-Intaglio ^TM [1]에 기초한 이미지 프로세싱 및 패턴 인식 접근법이 설명된다. 그 개념은 은행권에 대한 상이한 인쇄 패턴을 분석하기 위한 적응형 웨이블렛을 구성하는 새로운 전략에 기초한다. 또한, 다양한 조명 환경하에서 진짜 은행권을 효과적으로 묘사하는 은행권 특정된(specific) 피쳐 벡터가 생성된다. 다단(multi-stage) 선형 판별식 분석(LDA: linear discriminant analysis) 분류기가 안정적이고 믿을 수 있는 출력물을 생성한다.

본 출원은 다음과 같이 구성되는데, 즉 이러한 소개 이후 관련된 연구(work) 및 전제 조건은 제 2 섹션에서 강조될 것이고, 이러한 제 2 섹션에서는 관련된 간행물, 모바일 디바이스의 몇몇 기술 양상, 및 웨이블렛-기반의 요판 탐지(WIBD: Wavelet-Based Intaglio Detection)에 초점이 맞추어진다. 제 3 섹션에서는 스마트폰에서의 은행권 인증을 위한 적응형 웨이블렛 접근법이 묘사될 것이다. 제 4 섹션은 결과에 관한 것이고, 제 5 섹션은 본 발명 설명의 결말을 짓는다.

도 1의 a 내지 c는 db2-SWT 후의 웨이블렛 계수들의 히스토그램을 도시하는 것으로 도 1a는 진짜인 것을, 도 1b는 위조의 품질이 높은 것을, 그리고 도 1c는 위조의 품질이 낮은 것을 나타내고, 진짜 은행권의 그레이스케일 주파수 분포는 위조된 것과 상당히 상이하다(또한 [4]의 도 3을 참조하라).
도 2의 (a) 내지 (c)는 요판 선 구조를 도시하는 것으로, 도 2a는 진짜인 것을, 도 2b는 위조의 품질이 높은 것을, 그리고 도 2c는 위조의 품질이 낮은 것을 나타낸다(또한 [4]의 도 4를 참조하라).
도 3은 피쳐 공간을 도시하는 것으로, 이러한 피쳐 공간에 걸쳐 분산(σ²)(피쳐 1), 비대칭도(E)(피쳐 2), 및 초과량(또는 첨도)(C)(피쳐 3)이 나타나 있고, 훈련 세트는 1489개의 대상물로 구성된다[29].
도 4는 수평 및 수직 선 폭과 선간(inter-line) 거리에 대한 주어진 요판 구조물로부터의 최대 우도 측정(MLE)을 도시하는 것으로, 그 윈도우(window) 크기는 보통 은행권 구조, 즉 선 폭과 선 거리에 따라 96×96화소부터 128×128화소까지 설정된다.
도 5는 인증을 위해 사용되는 하나의 주(main) 영역(실선)과, 훈련 데이터 세트에 추가되는 4개의 추가 영역(파선)을 상세히 도시하는 도면(본 출원인에 의해 제작된 "플라워파워" 은행권 견본).
도 6은 화소(영역 j=47, 앞부분, 은행권 견본 "쥘 베른"; 도 7a 참조)에서 수평 선 폭과 수직 선 폭에 대해 주어진 요판 구조로부터의 최대 우도 측정(MLE)을 도시하는 도면으로서, 서브이미지(j)의 카운팅은 행 방향에서 상부 좌측 가장자리에서 시작하며, 예컨대 도 7c를 참조하라.
도 7a는 본 출원인에 의해 제작된 은행권 견본인 "쥘 베른"이 도시되는 도면.
도 7b 내지 도 7f의 이미지들은 기초선으로서 사용된 db2-웨이블렛과 비교된 상이한 웨이블렛 피쳐 생성기의 결과를 나타내는 도면으로서, 모든 결과는 %로 표시되어 있다. 회색빛이 도는 서브이미지들은 요판 인쇄에 대해 분석된다. 어떠한 백분율 값도 db2-웨이블렛의 분리 능력을 나타내지 않는다(0%의 향상). 백분율 값들은 일정한 웨이블렛 타입에 관련된 서브이미지마다의 향상을 보여주는데, 즉 도 7b는 rbio3.1, 도 7c는 db4, 도 7d는 rbio5.5, 도 7e는 sym5를, 도 7f는 coif2를 나타내고, 서브이미지(j)를 카운트하는 것은 행 방향으로 상부 좌측 가장자리에서 시작한다.
도 8a는 은행권에 대한 카메라의 고정된 위치 선정에 의해 수집된 데이터 세트에 관한 [4]로부터의 최초 LDA 훈련을 도시하는 것이고, 도 8b는 추가 영역(도 5 참조)에 기초한 테스트 데이터 세트를 도시하며, 그러한 훈련 데이터 세트와 동일한 조명이 나타나 있다. 여기서, 일부 진짜인 것은 적용에 있어서 불편한 분류 경계에 너무 가깝게 이동한다. 도 8c에서는 2개의 상이한 조명도(타입 A와 타입 B(약 30%만큼 감소된 휘도)를 지닌 동일한 테스트 데이터 세트가 도시되어 있고, 조명도 A와 조명도 B에 관한 분포는 동시에 같은 공간을 차지하지 않는다. 또한, 일부 위조된 것이 적용에 있어서 중요한 분류 경계에 너무 가깝게 이동한다. 만약 하나의 위조된 것이 진짜인 것으로서 분류된다면, 전체 적용에 대해 네거티브 피드백을 가져올 수 있다.
도 9a는 향상된 접근법이 적용된 분류 경계를 도시하는 것이고, 도 9b 및 도 9c에는 도 8a 내지 도 8c에서와 동일한 데이터 세트가 예시되어 있다. 이러한 접근법에서는 테스트 대상물이 분류 경계에 가깝게 이동하지 않는다. 또한, 조명도 A와 조명도 B에 관한 분포는 동시에 같은 공간을 차지하지 않는다. 따라서, 이 경우 카메라의 시프트된 위치 선정과 상이한 조명도에 대한 더 높은 안정성이 이루어진다.

2. 관련된 연구 및 전제 조건

2.1 관련된 간행물

지난 10년간 은행권의 액면 금액을 탐지하는 것과 그것을 인증하는 것에 관한 몇몇 간행물이 발표되어 왔다. 위에서 언급된 햇수 동안 SPIE, IEEE, 및 ACM 데이터베이스에서는 대략 300개를 넘지 않는 간행물이 탐지된다. 대부분의 간행물은 그것들의 접근에 있어서 광학 스캐닝 기술과 신호 처리 알고리즘을 묘사한다. 오직 소수의 저자들만이 예컨대 [5],[6]에서 광학 개념 외의 다른 것을 제시한다. 대부분의 발표된 연구는, [7],[8], 및 [9]에 나타난 것과 같이 피쳐 추출 및 기계 학습(learning)에 관련된 것이다. 몇몇 최근의 간행물은 또한 웨이블렛 접근법이 은행권 액면 금액의 식별[10] 및 인식[11]에 있어서 유망할 것으로 여겨진다는 점을 보여주었다. 특히, 웨이블렛-기판의 개념은 [1]의 일반적인 접근법과, 토대를 이루는 인증 이론인 [2], [3], 및 [12]을 뒷받침한다.

2.2 모바일 디바이스 기술

이 섹션에서는, 모바일 디바이스의 핵심 구성 성분, 특히 최신 스마트폰의 핵심 구성 성분이 설명된다. 카메라 모듈에 초점이 맞추어지는데, 이는 그러한 카메라 모듈이 이미지 프로세싱 디바이스로 사용되는 경우, 스마트폰의 핵심 요소이기 때문이다.

정의. 모바일 폰은 그것이 작은 소프트웨어 어플리케이션(apps)으로 확장될 능력을 가지고, 더 진보된 계산 능력과 향상된 연결성을 제공한다면 스마트폰이라고 부른다[13]. 최근 수년간 증가하는 프로세서 성능은 엄청나게 바뀌는 사용법 행동 양식(usage behavior)을 가져왔는데, 즉 처음에는 스마트폰이 주로 비지니스 사용자들에 의해 좀더 편리한 방식으로 이메일이나 텍스트(text)를 보내는데 사용되었다. 오늘날에는, 스마트폰이 그 기능성을 훨씬 확장하는 제3자 앱(app)을 운영할 수 있다. 스마트폰은 이동 전화기일 뿐만 아니라, 노트북, 소형 카메라, 게이밍 컴패니언(gaming companion), 뮤직 플레이어, 인터넷 서프 스테이션(surf station), 위성 네비게이션 도구 등이다. 가장 중요한 마켓 플레이어(market player)는 본질적으로 2가지 상이한 운영 체제를 사용하는데 하나는 애플의 iOS이고, 다른 하나는 구글의 안드로이드이다. 이들이 2012년 3/4분기에서 전세계에서 판매된 관련 분야에서의 모든 스마트폰의 86.3%를 차지하고 있고[14], 그 중 안드로이드가 72.4%[14]의 시장 점유율을 지닌 가장 큰 플레이어이다.

일반적인 하드웨어. 보통, 스마트폰은 큰 디스플레이를 장착하고 있다. 2007년 애플사의 아이폰의 출현 이래로, 큰 고해상도 멀티터치 디스플레이가 사실상의 표준이 되었다. 가장 높은 해상도(326-pixel-per-inch-display)가 애플사에 의해 제공된다[15]. 현재 시장에서 가장 큰 스마트폰 중 하나인 삼성의 갤럭시 노트 N7000은 5.3인치의 스크린 크기를 구비하고 있다[16]. 또한, 스마트폰은 자이로스코프, 가속도계, GPS, 근접성 또는 광(proximity or light)과 같은 센서의 광범위한 집합체를 가진다. 첫 번째 스마트폰은 600㎒의 클록 속도(clock rate)를 지닌 단일 코어 프로세싱 유닛을 사용하였다. 하지만 오늘날에는, 멀티코어 프로세서(4개 내지 5개의 코어들)와 약 1.5㎓의 클록 속도가 매우 정교해진 모델에서 구축된다[17],[18]. 스마트폰은 보통 다음 단락에서 설명되는 2개의 카메라를 가진다.

카메라 유닛. 통상적인 스마트폰은 2개의 상이한 타입의 카메라를 이용하는데, 그 중 하나는 비디오 폰 전화용으로 스크린 측에 있는 것이고, 나머지 하나는 뒤쪽에 있는 것이다. 보통, 첫 번째 것은 약 1메가 픽셀의 해상도를 가지는데 반해, 나머지 것은 통상적으로 더 높은 센서 해상도를 제공하고, 스틸(still) 카메라 또는 비디오 카메라용의 대체물로 설계된다. 이것이 이미지 프로세싱에 있어서의 적용을 위한 카메라이기 때문에, 카메라라는 용어는 이후 높은 해상도의 카메라에 관해 사용되고, 나머지 타입의 카메라는 무시된다. 통상적인 스마트폰 카메라는 5 메가 픽셀과 12 메가 픽셀 사이의 해상도를 가지고, 픽셀의 양이 더 많아지는 추세이다. 낮은 품질의 광학적 제특성(optics)을 지닌 다른 소형 카메라를 가지고는 결과가 향상된다는 것을 의미하지는 않는다. 스마트폰에서의 카메라 모듈은 줌 렌즈(zoom lens)가 없다(이 경우 노키아의 Pureview 808과 같은 틈새 모델들은 무시된다). 이들 카메라는 보통 대각선 폭이 4㎜ 내지 7㎜인 센서를 가지고, 이는 그러한 카메라에 노이즈(noise)가 생기게 하는 경향이 있다. 내장(built-in) 조명, 종종 LED 또는 크세논(Xenon)-기반의 플래시(flash)가 유일하게 인물 사진(portrait)이나 근접 촬영(close-up)들과 같이, 렌즈에 가까운 사물을 비출 수 있다.

큰 해상도는 큰 메모리 수요를 초래한다. 이는 오늘날, 이미지 프로세싱에서 중요한 가공되지 않은(raw) 이미지 데이터를 얻는 것이 불가능한 이유이다. 이미지 캡처링(capturing) 프로세스의 결과는 항상 jpg-압축된 그림이다. 하지만, 일반적으로 압축비(compression factor)는 최첨단 기술에 기초하여 감소하고 있다고 얘기될 수 있다.

2.3. 모바일 디바이스에 관한 은행권 적용예

은행권 인증을 위해 모바일 디바이스를 사용하는 이제는 그 자체로 눈에 보이는 것이다. 예컨대, [3],[4],[19]와 같은 그러한 종류의 적용예의 상이한 간행물들이 인용되었다. 그 기본 생각은 상이한 눈에 띄는 은행권 피쳐와 은밀한 은행권 피쳐를 분석하고 그러한 은행권을 분류하기 위해 통합된 카메라, 조명 유닛, 및 처리 유닛을 사용하는 것이다. 광학 근적외선 포인트 광원과 낮은 파워의 센서 칩을 구비한 포켓 스캐너에 기초하는 또 다른 접근법이 최근에 발표되었다. 이 시스템은 임의의 이동 전화기에 연결될 수 있다[20]. 이 기술은 ATM 제작자들의 기본 개념들 중 일부를 모방한다. 이들 앱들 외에, 예컨대 [21],[22]와 같은 은행권 프리젠테이션 어플리케이션과 같은 몇몇 더 많은 것이 존재한다.

2.4. 웨이블렛 -기반의 요판 탐지( WIBD : Wavelet-Based Intaglio Detection)

이 서브섹션에서는 예컨대, [1]에서 교시된 바와 같은 WIBD(Wavelet-Based Intaglio Detection)의 기본 개념이 묘사되고, 이러한 개념은 웨이블렛에 기초한 디지털 신호 처리 기술을 수행함으로써 인증될 문서의 하나 이상의 샘플 이미지의 분해를 수반한다. 이러한 개념의 추가 세부 사항과 관련된 변형예 참조는 국제 특허 공보인 WO2008/146262A2 및 WO2011/018764A2와 더불어, 그 전문이 본 명세서에 참조로 통합되는 해당 문헌, 특히 [1],[2],[3],[4], 및 [12]에 대해 이루어질 수 있다.

웨이블렛들 . 웨이블렛은 주어진 함수 또는 신호를 상이한 스케일의 구성 성분으로 분할하기 위해 사용된 수학 함수이다. 웨이블렛 변환은 웨이블렛에 의한 함수 또는 신호의 표현이다. 웨이블렛 변환은 불연속점(discontinuities)과 날카로운 최고점(sharp peak)을 가지는 함수들과 신호들을 나타내기 위한 전통적인 푸리에 변환에 비해 장점을 가진다. 본 접근법에 따르면, 특히 이후에 논의되는 바와 같이, 소위 이산 웨이블렛 변환(DWTs: discrete Wavelet transforms)의 특성을 이용한다. 웨이블렛 이론은 본 설명에서는 깊게 논의되지 않을 것인데, 이는 이 이론이 그 자체로 공지된 것이고, 본 주제에 대한 여러 교과서에서 광범위하게 논의되고 설명되기 때문이다. 흥미있는 독자는, 예를 들면 웨이블렛 이론에 대해 인용된 책들과 간행물인 [23],[24],[25], 및 [26]을 참조할 수 있다.

국부적인 피쳐를 인지하기 위해서는, 신호 변환이 시프트 불변량(shift invariant)인 점이 중요하다. 이는 Δ샘플들만큼의 신호 시프트가 그것들 값의 수정이 아니고, 스케일링 계수 또는 디테일(detail) 계수의 시프트를 가져올 수 있다는 점을 의미한다. 이러한 특성은 스케일 다이어그램이 스케일 상의 제로(zero) 포인트의 선택에 의존적이지 않는 점을 보장한다. FWT(Fast Wavelet Transform)를 사용하게 되면, FWT의 고유한 서브-샘플링(sub-sampling)으로 인해, 이러한 시프트 불변량 특성은 없어진다. 따라서, FWT로부터 생기는 웨이블렛 계수는 신호 시프트에 대한 높은 의존성을 보여준다. 서브-샘플링에 의해, 그 다음 변환 스케일로 처리할 때, 또한 가장자리(edge)들에 대한 중요한 정보를 상실할 위험을 겪는다. 그러므로, 시프트 불변량인 신호 변환을 적용하는 것이 중요하다. 시프트 불변량 변환을 달성하기 위해서는, 신호인 s[n]의 서브-샘플링 없이 변환을 결정한다. 이러한 상태는 시프트 불변량 웨이블렛 변환(SWT)[27],[28]에 의해 충족된다. 시프트되지만, 다른 점에서는 같은 신호에 관해서, SWT들은 시프트되지만 동일한 웨이블렛 계수를 제공한다. 어떠한 서브-샘플링도 사용되지 않기 때문에, 여분의 신호 표현이 얻어진다([27],[28]). 2차원 은행권 이미지를 스펙트럼 묘사(spectral description)로 변환하기 위해, 2개의 1차원 변환이 적용된다([28]). 이는 이미지들이 분리 가능한 신호로서 해석될 수 있기 때문에 유효하다([25]). 2차원 신호인 x를 변환하기 위해, 이미지 행(row)들인 n과 이미지 열(column)들인 m에 대해 번갈아 1차원 변환 알고리즘이 이용된다. 이는 차원(dimension)이 (2n×2m)인 정방 행렬 x, 즉

을 가져온다.

이제, 웨이블렛 변환된 신호는 4개의 서브이미지(subimage)로 나누어지는데, 즉, 스케일링 계수인 A(로우패스 필터링된,

), A_y에 속하는 수직 디테일 계수인 cV(밴드패스 필터링된

), 그리고 수평 및 대각선 디테일 계수(cH 및 cD, 밴드패스 필터링된,

)가 D_y에 포함된다. 디테일 매트릭스(cV, cH, 및 cD)는 이미지의 웨이블렛 변환된 신호의 동일한 구조를 묘사한다. 제 2 단계에서는, 디테일 계수들이 결합되어 일반적인(general) 디테일 매트릭스인 cG를 만들고,

여기서, α는 스케일링 계수들과 만약 필요하다면 디테일 계수들에 관한 동일한 동적(dynamic) 범위를 보장하는 스케일 인자(factor)이다. cG를 가지고, 모든 인지된 구조 전이(transition)가 하나의 매트릭스에서 결합된다. 결합된 디테일 계수들인 cG로부터 신호를 회복할 수 없다는 점이 주목되어야 한다. 하지만 은행권들을 인증시, 이러한 양상은 관계가 없다. 수학식 2에 관련해서 전술한 계산은 각 스케일마다 실행된다. 더 자세한 것을 위해서는 [12]와 WO2011/018764A2를 참조할 수 있다. 웨이블렛 변환을 처리하기 위해서는 웨이블렛을 적용예에 맞추는 것이 필수적이다. 일반적으로 양호한 결과들은 2개의 사라지는 모멘트를 지닌 다우비시(Daubechies) 웨이블렛[23]으로 달성된다(db2-웨이블렛). 이들 웨이블렛은 대체로 그것들의 컴팩트 서포트(compact support)와 주파수 응답 때문에, 정교한 요판 구조물의 스펙트럼 분석에 매우 적합하다[12].

분류. 웨이블렛 계수들의 모멘트 기반의 통계적 피쳐를 사용하는 것이 유리하고, [3],[12], 및 [29]를 참조하라. 도 1에서는 도 7a에 일반적으로 도시된 바와 같이, 본 출원인에 의해 만들어진 "쥘 베른(Jules Verne)" 은행권 견본의 전형적인 요판 선 구조에 기초한 db2-SWT 계수들인 H_n(p)의 상이한 그레이스케일의 주파수 히스토그램이 도시되어 있다(그러한 은행권 견본의 일부 또한 도 2에 예시되어 있다). 은행권 견본들은 진짜 종이, 잉크, 애플리케이션 등을 지닌 원형(archetype) 은행권들이지만 가치(value)는 가지고 있지 않다. 본 출원에서 언급되고 있는 은행권 견본인 "쥘 베른"과 "플라워파워(Flowerpower)"는 본 출원인에 의해 디자인되고 만들어진다.

완전한 은행권 견본은 도 7a에 도시되어 있다. 진짜 은행권들의 그레이스케일 주파수 분포는 위조된 은행권들과는 상당히 다르다는 점이 이해되기 쉽다.

표준화된 히스토그램인 H_n(p)에 대한 기술적 측정(descriptive measure)을 계산함으로써, 이미지 구조에 대한 전반적인 결론이 논의될 수 있다. 이어지는 통계적 피쳐는 웨이블렛 계수들, 즉 분산(σ²), 비대칭도(skewness)(E), 및 초과량(excess 또는 첨도(kurtosis))(C)의 추가 분석을 위해 고려된다. 분산(σ²)은 히스토그램 중심 주위의 웨이블렛 계수들의 진폭 분포를 묘사한다. 비대칭도(E)는 중심 주위의 분포의 대칭성을 묘사한다. 초과량/첨도(C)는 가우스 분포에 대한 편차를 묘사하고, [29]를 참조하라. 도 3은 피쳐 공간의 분류 피쳐(또는 좌표들)의 세트로서 전술한 통계적 피쳐를 사용하여, 분류될 대상 클래스(object class)를 담고 있는 피쳐 공간을 보여준다.

일반적으로, 전술한 피쳐는 복잡한 피쳐 공간을 독특하게 구별하는 데 있어서 충분하지 않다. 새로운 것뿐만 아니라 낡은 진짜 은행권 및 위조된 은행권 역시 올바르게 분별되어야 한다는 점을 명심해야 한다. 좀더 정확한 선형 분류를 달성하기 위한 한 가지 접근법은 추가적인 피쳐를 고려하는 것이다. 그러한 추가적인 피쳐는 2가지 중요한 성질을 충족해야 한다. 첫 번째는 요판 인쇄를 인지하기에 적합해야 하고, 두 번째는 기존의 3가지 통계적 피쳐에 상보적이어야 한다는 점이다. 3가지 전형적인 통계적 모멘트(분산 σ², 비대칭도 E, 및 첨도 C)를 적용한다. 3가지 다른 것들, 소위 LACH 피쳐인

,

,

[4]은 분산 σ²에 의해 제어된 피쳐인

(σ²),I∈{L,M,R}를 생성하는 LACH(Local Adaptive Cumulative Histogram)으로서 해석되어야 한다. 이들은 σ²을 사용하여 부분(좌측 부분에 관해서는 L, 중간 부분에 관해서는 M, 및 우측 부분에 관해서는 R)으로 분리된, 히스토그램의 의미있는 부분의 영역을 나타낸다. 피쳐 대부분이 가우스 분포를 하고 있기 때문에[4], 나중의 인증을 위한 분류자 경계(classifier boundary)의 계산을 위해 LDA(Linear Discriminant Analysis) 접근법[4]을 적용한다.

3. 접근법

이 접근법은 이미지 처리 유닛으로서 사용된다면, 스마트폰용 신호 처리 알고리즘이 항내성(robustness)과 적응성에 관한 몇몇 기준을 충족해야 한다는 사실에 기초한다. 이 섹션은 요판 탐지를 위한 튼튼하고 적응성이 있는 피쳐 생성을 위한 발견물(finding)들을 설명한다.

요판 인쇄에 의해 만들어지는 보안 문서의 고유 피쳐를 분석한 것에 기초한 보안 문서(특히 은행권)의 인증 방법들은 섹션 1과 섹션 2에서 강조된 것처럼 이미 알려져 있고, 그러한 분석은 웨이블렛들에 기초한 인증될 후보 문서의 적어도 일부의 하나 이상의 샘플 이미지의 분해를 수반한다. 이들 알려진 방법들에 따르면, 각각의 샘플 이미지는 분류 피쳐(예컨대, 분산 σ², 비대칭도 E, 및 초과량/첨도 C를 포함하는)의 세트를 유도하기 위해 샘플 이미지의 웨이블렛 변환을 수행함으로써 디지털 방식으로 처리되어 다차원 피쳐 공간(예컨대, 도 3에 예시된 것과 같은) 내에서 후보 문서의 분류를 허용함으로써 진짜 보안 문서와 위조된 보안 문서 사이의 알맞은 구별을 달성한다.

본 발명의 일반적인 목적은 보안 문서를 인증하는 향상된 방법을 제공하는 것이다. 더 구체적으로, 본 발명의 목표는 스마트폰이나 유사한 핸드-헬드(hand-held)와 같은 모바일 디바이스 또는 휴대용 디바이스들에서 구현되기에 더 적합한 방법을 제공하는 것이다.

그러므로, 보안 문서, 특히 전술한 타입의 은행권을 인증하는 방법이 제공되고, 이러한 방법은 적응형(adaptive) 웨이블렛 접근법에 기초하는 것을 특징으로 하며, 이러한 적응형 웨이블렛 접근법은 다음 단계들, 즉

- 웨이블렛 변환을 행하기 전에, 보안 문서에서 발견되는 상이한 요판 선 구조에 대한 국부적인 정보를 담고 있는 카테고리와 맵을 한정하는 단계;

- 상기 카테고리화 맵에 기초한 웨이블렛 타입들의 풀 중에서 웨이블렛 선택을 행하는 단계; 및

- 선택된 웨이블렛에 기초하여, 상기 샘플 이미지의 웨이블렛 변환을 수행하는 단계를 포함한다.

제안된 적응형 웨이블렛 접근법의 장점은 모호하지 않는 방식으로 인증될 후보 문서의 샘플들을 분류하는 더 양호한 능력에 있다. 실제로, 적합한 웨이블렛 타입들을 보안 문서에서 통상적으로 발견되는 상이한 요판 선 구조물에 맵핑하는, 제안된 적응형 웨이블렛 접근법 덕분에, 샘플 이미지에서 특별한 요판 선 구조의 피쳐에 가장 잘 맞는 적합한 웨이블렛이 웨이블렛 변환을 행하기 전에, 카테고리와 맵에 기초하여 먼저 선택됨으로써, 인증되는 문서의 다양한 부류들의 피쳐 공간에서의 구별을 최적화한다.

본 발명의 바람직한 일 실시예에 따르면, 카테고리화 맵을 한정하는 단계는 각각의 주어진 요판 선 구조의 통계적 모델을 한정하는 것을 포함한다. 이러한 통계적 모델은 바람직하게는 각각의 주어진 요판 선 구조를 대표하는 적어도 하나의 히스토그램을 특징으로 하는 적어도 하나의 파라미터로 구성된다(그러한 요판 선 구조의 파라미터는 유리하게는 해당하는 히스토그램의 모양을 묘사하는 형상 파라미터이다). 이러한 파라미터는 최대 우도 추정(MLE: maximum likelihood estimation) 접근법에 기초하여 알맞게 결정될 수 있다.

이러한 상황에서는, 각각의 주어진 요판 선 구조 내의 일정한 선 폭과 선 거리를 측정하는 것으로부터 통계적 모델을 구축하는 것이 적절한 것으로 발견되었다. 좀더 바람직하게는, 상기 통계적 모델이 각각의 주어진 요판 선 구조를 대표하는 4개의 히스토그램을 특징으로 하는 파라미터들의 4-튜플(tuple)을 포함할 수 있고, 이러한 4개의 히스토그램은 각각 수평 방향으로의 선 폭들의 통계적 분포의 히스토그램, 수평 방향으로의 선 거리들의 통계적 분포의 히스토그램, 수직 방향으로의 선 폭들의 통계적 분포의 히스토그램, 및 수직 방향으로의 선 거리들의 통계적 분포의 히스토그램을 묘사한다.

본 발명의 또 다른 바람직한 실시예에 따르면, 웨이블렛 타입들의 풀(pool)은 웨이블렛 선택용 기초선(baseline)으로서 사용되는 기초선 웨이블렛을 포함한다. 이러한 기초선 웨이블렛은 바람직하게는 db2-웨이블렛이다. 기초선 웨이블렛은 만약 피쳐 공간에서 다른 웨이블렛 타입의 분리 능력이 주어진 요판 선 구조에 관해 기초선 웨이블렛의 분리 능력보다 더 좋다면 또 다른 웨이블렛 타입에 의해 유리하게 대체된다. 피쳐 공간에서의 더 양호한 분리 능력은 이러한 상황에서는 그 피쳐 공간에서의 더 큰 클러스터(cluster) 거리들의 의미에서 이해된다.

분류 피쳐의 세트는 바람직하게는 웨이블렛 변환으로부터 기인하는 웨이블렛 계수의 통계적 분포(또는 히스토그램)를 묘사하는 통계적 모멘트를 포함하고, 이러한 통계적 모멘트는 유리하게는 분산(σ²), 비대칭도(E), 및 초과량(C)이다. 이들 통계적 모멘트 외에, 소위 LACH 피쳐를 포함하는 추가적인 분류 피쳐가 또한 사용될 수 있다.

모바일 디바이스 환경(특히, 스마트폰에서)에서 적용되는 방법이 또한 주장되고, 그와 더불어 그러한 방법을 행하기 위해 프로그래밍된 이미지 처리 유닛을 포함하는 모바일 디바이스가 주장된다.

3.1 항내성(Robustness)

인증 알고리즘을 스마트폰에 전송함으로써, 가능한 적용 영역이 늘어나고, 은행권의 검사가 훈련되지 않은 직원에 의해 실행될 수 있다. 스마트폰에서 인증 알고리즘을 구현하는 것은 몇몇 알고리즘의 일정한 부분에 관한 새로운 개념을 필요로 한다. 이 경우 효과를 가지는 스마트폰 제한 조건(limitations)은 다음과 같다:

- 카메라 모듈의 품질 변동,

- 가공되지 않은 이미지 데이터에 대한 제한되거나 방해된 접근과 같은 소프트웨어 제한 조건,

- 환경 조건, 특히 빛(light) 조건을 변경하는 것, 및

- 스마트폰의 광학 기기(optics)에 대한 은행권 위치.

스마트폰에서의 카메라 모듈은 공업용 이미지 처리 적용을 위해 설계되지 않는다. 비용을 감소시키기 위해, 그러한 모듈은 특별한 목적의 하드웨어를 통해 이미 최적화된 이미지를 생성한다. 스마트폰의 운영 체제는 어떠한 편차 (deviation)에도 순응하지 않는다. 그러므로, 카메라 모듈 제작자에 의해 야기된 제작 편차는 컬러 캐스트(cast)시 자기 자신을 보여줄 수 있는 이미지 표면 변화를 가져오는데, 즉 컬러 채널이 올바르게 조정되지 않고, 노이즈, 부적절한 초점 조정 등이 존재한다. 이러한 변동은 알고리즘의 적절한 선택에 의해 고려되어야 한다. 몇몇 대응책은 전술한 결과를 보상하려고 시도하는데, 즉 후 처리(post-processing) 단계에서 셰이딩 정정(shading correction) 및 화이트 밸런스(white balance) 조정이 적용된다. 셰이딩 정정은 균질하지 않은 조명을 보정한다. 화이트 밸런스 조정은 컬러 채널을 사전에 한정된 기준 값으로 조정함으로써, 컬러 캐스트를 정정한다.

은행권의 실시간 인증을 위해 스마트폰을 사용하는 것을 기계 학습(machine learning)의 특별한 절차를 필요로 한다. 대상을 분류하는 것은 불안정한 이미지 캡처링 상태에도 불구하고 가능한 안정되게 이루어져야 한다. 또한, 훈련을 위해 이용 가능한 제한된 개수의 위조물에도 불구하고, 그 적용은 신뢰할 수 있어야 한다. 긍정 오류(false positive) 분류(즉, 진짜인 것으로 탐지된 위조물)는 회피되어야 한다. 그러므로, 제작 과정에서 가능한 변화를 고려하는 훈련 세트가 설계되어야 한다. 적절한 분류 방법을 선택시, 가까이에 있는(at hand) 위조물의 개수가 제한된다는 점이 고려되어야 한다. 가능한 인쇄 방법의 개수 역시 제한된다. 긍정 오류 분류가 전체 적용을 의문시하고, 대중에게 네거티브 피드백을 이끌기 때문에, 분류기(classifier)의 신뢰성이 가장 중요하다. 이러한 이유 때문에, 인증 과정에서 사용되는 기계 학습의 방법이 잘 고려되어야 한다.

3.2 적응형 웨이블렛 접근법

전술한 바와 같이, 은행권 분류는 웨이블렛 계수 히스토그램들로부터 얻어지는 통계적 모멘트에 대해 이루어지고, 이러한 히스토그램은 예컨대 통상적인 해상도가 600dpi인 주어진 신호의 db2-웨이블렛 변환에 기초한다. 비록 이러한 분류가 많은 경우에 작 적용되더라도, 일부 경우에서는 그렇지 아니하는데, 즉 오분류(misclassification)가 발생된다. 요판 인쇄 기술이 웨이블렛 변환에 밀접하게 관련되기 때문에[12], 적응형 웨이블렛 접근법이 그러한 오분류 발생을 극복해야 한다. 그러한 접근법은 상이한 요판 선 구조에 관한 웨이블렛 맵핑에 기초한다. 기초선은 은행권의 일정한 국부적인 요판 선 구조에 따라 또 다른 웨이블렛 타입에 의해 대체되는 db2-웨이블렛이다. 동일한 웨이블렛 패밀리(family)로부터의 웨이블렛이 사용되거나(예를 들면, 다우비스[23]) 또는 예컨대, 배직교(biorthogonal) 웨이블렛, 코이플렛(Coiflet), 또는 심렛(Symlet)과 같은 다른 피쳐를 지닌 웨이블렛 패밀리로부터의 웨이블렛이 사용된다([23],[24], 및 [25]).

목표는 모호하지 않게 샘플을 분류하는 더 양호한 능력이다. 그러므로, 웨이블렛 변환 전에, 은행권 내의 신호 샘플 구조의 피쳐를 구체화하고, 전체 은행권에 관한 카테고리화 맵(C-맵)을 한정해야 한다(도 7b 내지 도 7f 참조). 이러한 C-맵은 일정한 웨이블렛으로 맵핑되는 요판 구조에 대한 국부적인 정보를 담고 있다. 이러한 카테고리화에 기초하여, 준 최적의(quasi-optimal) 공간 주파수 계수를 생성함으로써 준 최적의 탐지 피쳐가 명백한 분류를 이끄는 웨이블렛 변환을 적용하는 것이 가능하다.

이러한 접근법에 있어서, 필수적인 단계들은 3가지 부분으로 분할될 수 있는데, 즉

ⅰ) 상이한 주어진 요판 선 구조에 관해 적절하게 작용하는 통계적 모델이 한정되고 실행된다.

ⅱ) 주어진 샘플 구조가 측정되고 구별되어야 한다.

ⅲ) 제한된 웨이블렛 풀의 제한 상태 하에서 가장 잘 맞는 웨이블렛이 선택되어야 한다.

통계적 모델. 가까이에 있는 신호는 1차원(D) 신호의 2개의 세트, 즉 수평인 것과 수직인 것으로서 간주될 수 있는 2차원-라스터(raster) 이미지이다. 각각의 디멘션(dimension)에 있어서, 첫 번째는 가장자리(슬로프)의 중심이 결정된다. 두 번째는 2가지 타입의 거리가 계산되는데, 즉 하나는 하강하는 가장자리의 중심과 상승하는 가장자리의 중심 사이의 거리인 선 폭(w)이고, 나머지 하나는 상승하는 가장자리의 중심과 하강하는 가장자리의 중심 사이의 거리인 선 거리(d)이다. 이러한 절차는 누군가가 색이 옅고, 희끄무래한(whitish) 코튼(cotton) 기반의 종이 상에서 더 어두운 인쇄 구조를 조사한다는 기본 전재에 기초한다. 슬로프의 중심이 기준 점으로서 사용되기 때문에, 그러한 샘플의 인쇄 기술에 무감각하다.

누군가는 단일 선이나 선 거리에 관심을 가지지 않지만, 전체 관찰된 구조에 관한 w와 d에 대한 이산(discrete) 통계적 밀도(히스토그램)에는 관심을 가진다. 따라서, w와 d에 관한 측정의 히스토그램이 계산된다. 그 결과 밀도가 감마 확률 밀도인 p(x,k,θ)의 모습(appearance)을 가지기 때문에[30], 이러한 분포에 관한 파라미터 추정이 실행된다. 감마 확률 밀도는 다음과 같이 정의된다:

주어진 변호 x에 관해(여기서는 w 및 d), 파라미터 추정 결과는 2개의 파라미터, 즉 형상 k와 스케일 θ를 가져온다. 이러한 경우에서는, 이들 2개가 강하게 상관되어 있음을, 즉 θ=f(k)임을 관찰할 수 있다. 따라서, 예컨대 형상 k와 같이, 파라미터 중 하나에 의해서만 히스토그램이 피쳐가 정해질 수 있다. 함수 Γ(k)는 감마 함수를 묘사한다[31]:

흔히 형상 파라미터라고 알려진 파라미터 k가 이 경우 선택되었다. 주어진 요판 선 구조에 있어서, 그 결과는 특색을 이루는 4-튜플(k_H,w,k_H,d,k_V,w,k_V,d)을 형성하고, 이 경우 H와 V는 측정의 수평 방향과 수직 방향을 나타내는 것이고, w와 d는 각각 선 폭과 거리의 측정을 표현하는 것이다. 이 경우 사용된 추정 접근법은 통계적 데이터의 분포 또는 밀도의 추정 파라미터들의 표준 방법인 MLE(Maximum Liklihood Estimation)에 기초한다[32]. 도 4는 그러한 절차를 도식적으로 보여준다.

위에서 언급된 절차에 기초하여, 원형(prototype) 구조에 관한 상이한 4가지 튜플이 생성된다. 그러한 원형 구조는 전형적인 은행권 디자인(복잡한 구조로 모여진 수평 선, 수직 선, 파선, 점선 등, 도 4 참조)에 기초한다. 이들 원형은 물론 2가지 이유로 은행권에 있어서 유일한 것이 아닌데, 첫 번째 이유는 창작자의 독특한 기술을 지닌 조각사에 의해 은행권이 개별적으로 디자인되는 것이고, 두 번째 이유는 디자인된 구역이 부분적으로 겹쳐지는 것이다. 이들 2가지 관찰 결과는 4-튜플에서의 애매모호함이 발생한다는 사실을 이끈다. 그러므로, 어떤 구역을 고유하게 특징짓는 것은 항상 가능한 것은 아니다. 최상의 경우 상황은 오직

인 경우에만 등장한다.

인덱스 세트 i의 파라미터 k_i는 하측 경계인 β_l과 상측 경계인 β_u 사이에 위치한다. 이 경우, 적어도 하나의 k_i가 일정한 웨이블렛 타입에 관한 가능한 맵핑들의 한 세트인 S_i에 속한다. 모든 다른 경우에서 고유한 분리는 가능하지 않다. 따라서, 누군가가 일반적인 접근법에 관심이 있을 때에는, 측정 및 최적화 국면이 뒤따라야 한다.

측정. 표준 스마트폰 카메라 유닛(8 내지 12 메가픽셀 해상도)이 대략 600dpi의 해상도에 관해서 충분하다. 은행권이나 그러한 은행권의 일부가 카메라 유닛(여기서, 모바일 디바이스 내에 통합된 카메라)에 의해 이미지화되고, 각 배향에서 이미지 쿼터(image quarter)의 중첩된 부분이 있은 채로, 96×96 화소로부터 128×128 화소까지의 범위에 있는 크기를 갖는, 최대 360(30×12)개의 서브이미지(sub-image)로 나누어진다(도 7a 내지 도 7f 참조). 이러한 서브이미지는 그것의 선 폭과 거리 특성에 관해 분석되고, 각각의 서브이미지에 관해 4-튜플 k_j(j∈0...359)가 결정된다. k_j에 따라 일정한 웨이블렛 타입이 선험적으로 미리 선택된다.

웨이블렛 선택 절차. 선택은 db-2 웨이블렛이 일반적으로 은행권 인증을 위한 피쳐 생성기로서 작용할 수 있다는 점의 발견에 기초한다([1],[12], 및 [29]). 하지만, 몇몇 피쳐 구역은 db-2 웨이블렛에 의해 다루어질 수 없다. 그러므로, 탐지 비율을 최적화하기 위해 웨이블렛 타입의 풀이 선택된다. 처음에는 약 60개의 웨이블렛 타입이 다양한 실험에서 고려되어, 후속하는(following) 6개(τ∈0...5)의 선택된 웨이블렛의 그룹이 생긴다. 더 자세하게는 바실레프스키(Wasilewski)의 웨이블렛 특성 브라우저[33], 즉 분해 필터 계수와 다양한 분해 필터 임펄스 응답의 스케치(sketch)를 참조할 수 있다. 조각된 요판 선 형상과 폭의 원리에 대해 6개의 웨이블렛이 선택된다. 웨이블렛 필터 길이인 N=card(

)이 오름 차순으로 정렬된다(표 1 참조). 그러므로, 주파수 영역에서의 웨이블렛 기반 폭은 그에 따라 감소한다. 전술한 웨이블렛 타입(형상 및 크기)은 고려된 피쳐 공간에서 상이한 스케일로 최상의 분리 특성에 관해 검사된다. 그러므로, 웨이블렛 타입의 풀이 C맵에 할당된다. 그 절차는 다음과 같이 실행되는데, 즉 진짜 은행권과 위조된 은행권의 한 세트(대략 20 내지 50개)가 웨이블렛 타입들에 기초한 6개의 r-차원(dimensional) 피쳐 공간인 f_τ 각각에 대해서, 그리고 j개의 서브이미지 각각에 대해서 2개의 클러스터(클래스: 진짜인 것(G) 및 위조된 것(F))를 생성하기 위해 사용된다. 은행권 인증에서 분류 목적을 위해 이미 사용되었던 LDA를 거쳐[4], 레일리(Rayleigh) 계수 D_τ라고 알려진[34] 웨이블렛 타입 각각에 대한 스칼라 판별 측정(discriminant measure)이 결정된다. 음이 아닌(non-negative) 실수(real) 레일리 계수(0≤D_τ≤∞)가 피쳐 공간에서 2개의 클러스터 사이의 거리에 대한 정보를 제공한다. D_τ가 높을수록, 2개의 클러스터 사이의 거리다 더 커진다. 참조 측정치로서 D₀가 적용된다(db2).

인 경우에는, 일정한 웨이블렛 타입(τ≠0)의 분리 능력인 Σ_τ가 피쳐 공간에서 더 큰 클러스터 거리인 경우에 더 낫다고 추정된다. 모든 다른 경우에 있어서는(Σ_τ≤0), db-2 웨이블렛이 적용되어야 한다. 그러한 분리 능력은 이용된 피쳐에 의존적이라는 점이 지적되어야 한다. 서브이미지와 웨이블렛 타입 각각에 관한 레일리 계수의 결정은 다음과 같이 확인된다. 각각의 국부적 구역과 웨이블렛 스케일의 공간 주파수 히스토그램으로부터 계산된, 피쳐로서 3가지(디멘젼:r=3) 통계적 모멘트(분산, 비대칭도, 초과량/첨도)로 구성되는 피쳐 공간인 f에서, 클래스 평균(class mean)을 최적으로 분리하는(발견된 방향으로 투영될 때) 피쳐의 선형 조합을 나타내면서 이들 클래스 평균 주위의 가장 작은 가능한 편차를 달성하는 방향인 v=(v₁,v₂,...v_r)^T을 찾는다. n개의 대상을 지닌 진품(G)과 m개의 대상을 지닌 위조품(F) 클래스의 1차원 피쳐 공간(f)에 대한, 실험에 의한 클래스 평균은:

와,

이다.

비슷하게, 더 고차원 피쳐 공간에서 몇몇 방향(v)으로 투영된 데이터의 평균은

와,

에 의해 산출될 수 있다.

투영된 데이터의 분산인 σ²(G)와 σ²(F)는

과,

으로서 표현될 수 있다.

LDA 해결책(solution)은 최적화 문제, 즉

를 최대로 하는 방향인 v^*이다.

묘사된 방향인

내에서, 피쳐의 선형 조합을 나타내고,

수학식 13은 인터클래스(inter-class) 및 인트라클래스(intra-class) 공분산을 가지고 다시 표현된다. 즉,

이고,

이며,

이다.

적응 과정은 다음과 같이 실행된다. 즉, 각각의 k-튜플(k_j)에 관해, 각각의 k_i가 β_l<k_i<β_u인 범위에 있다는 강제 사항 하에서, 웨이블렛 타입(τ)은 초기 웨이블렛 지정을 가져오는 거리 측정인 Σ_τ에 기초하여 할당된다. 물론, 맵핑이 모든 경우에 완벽하고 독특한 것은 아니다. 하지만, 은행권 디자인이 더 많이 분석될수록, 맵은 더 완벽해진다. 결국, C맵은 일정한 은행권 디자인과 액면 가액(denomination)에 관계없는, 최적에 가까운 맵핑, 즉 maxΣ_τ:k_j→τ으로 구성된다.

3.3 휘도 적응된 분류

[1],[4], 및 [12]에서는 산업 디바이스 내의 패턴 인식이 웨이블렛 변환 기반 피쳐를 사용하여 수행될 수 있다. 상이한 상황 및 하드웨어 상태, 그리고 각 모바일 디바이스의 적용에 의해 나타나는 상이한 피쳐 분포에도 불구하고, [4]에서 동일한 피쳐가 모바일 용도에 적합하다고 입증하는 것이 가능하였다. 불행하게도, 특별한 강제 사항 하에서만 [4]에서 설명된 패턴 인식 프로세스가 실제 상황 적용에 있어서 실현 가능하다. 한 가지 강제 사항은 인증 동안 카메라의 고정된(rigid) 위치이고, 또 다른 강제 사항은 인증 결과에 대한 상황 의존도이다. 특히 조명이 인증 프로세스에서 중요한 역할을 한다. 고정된 위치와 조명 의존도 측면에서의 제약 사항은 [4]에서 사용되었던 훈련 데이터 세트로부터 생긴다. 이러한 훈련 데이터 세트에서는 인증 동안 은행권의 가능한 시프트들이 고려되었다. 또한, 일광(daylight) 및 표준 사무실 조명 하에서 훈련 데이터가 수집되었기 때문에, 인증은 다른 환경 상태에서는 문제를 야기할 수 있다. 이들 2개의 불리한 주제들은 전술한 적용예로 테스트를 수행하도록 요청받은 사람들에 의해 보고되었다. 이들 상황의 고려 하에서, 아래에 어떻게 더 충분한 훈련 데이터 세트와 정확한 분류 경계를 구성하는지에 대한 설명이 이루어진다.

[4]에서 설명된 패턴 인식 프로세스의 짧은 요약이 이 단계에서 적절하다. 인식은 고정된 은행권 영역의 인증에 기초한다. 인증을 위해, 그러한 영역은 웨이블렛 도메인(domain)으로 변환된 다음, 웨이블렛 계수 히스토그램을 사용하여 6개의 피쳐가 계산된다. 그 중 3개가 일반적인 통계적 모멘트(분산(σ²), 비대칭도(E), 및 첨도(C))이다. 추가되는 3개는 LACH 피쳐들(

,

,

)이라고 부른다(섹션 2.4 참조). 대부분의 피쳐가 가우스 분포를 하고 있기 때문에[4], 나중 인증을 위한 분류기 경계의 계산을 위해 LDA가 한번 더 사용된다. 또한, LDA 접근법을 적용함으로써 훈련이 빠르고 더 융통성이 있으며, SVM(Support Vector Machine)을 사용하는 것보다 더 확실하게 된다. [29]를 참조할 수 있다.

[4]에서의 고정된 위치 선정의 문제를 극복하기 위해서는, 다음과 같은 전략에 의해 더 충분한 훈련 데이터 세트를 구성한다. 즉, 훈련 데이터 세트는 주(main) 영역의 경계에 가깝게 놓여 있는 추가적인 영역에 의해 확장된다. 도 5는 추가적인 영역을 예시한다.

조명 문제를 극복하기 위해서는, 휘도 변동에 대해 민감한 피쳐를 확인할 필요가 있다. 이러한 이유로, 몇몇 상이한 조명 상태하에서 일부 데이터를 수집한다. 피쳐 분포들의 확인은 분산(σ²)이 일정한 휘도 변동에 대해 가장 민감한 경향이 있다는 점, 즉 분산(σ²)의 분포가 상이한 휘도 변동에 대해 동일하지 않다는 점을 보여준다(분산(σ²)에 대한 조명의 영향은 도 8a 내지 도 8c에서 분류 결과에 의해 도시되어 있다). 나머지 5개의 피쳐는 덜 민감하고, 상이한 휘도 변동에 대해 비슷한 분포를 가지고 있다. 이들 결과 내에서는, 휘도 변동에 대해 덜 민감한 5개의 피쳐의 조합에 의해 분류 경계를 구성하는 것이 더 적합하다. 분산(σ²)이 이러한 적용에 있어서 중요한 피쳐이기 때문에, 큰 탐지 한계(margin)를 지닌 독립형(stand-alone) 피쳐로서 분류시 사용된다.

4. 실험 결과

이 섹션에서는, 발견한 것들에 기초한 실제 결과가 제시된다. 실험 디자인에서 실제 은행권(유로(EURO) 은행권들)과, 진짜 지폐와 상이한 타입의 위조된 지폐로서 본 출원인에 의해 다량으로 만들어지는 은행권 견본인 "쥘 베른"과 "플라워파워"를 사용하였다. 명백한 이유 때문에, 그 위조 과정은 본 명세서에서 기술되지 않는다.

도 6에서는, 쥘 베른의 초상화의 앞부분에서의 서브이미지(j=47)의 최대 우도 추정(MLE)이 예시되어 있다. 검은색 곡선은 파라미터인 k_v,_w=5.97이고 θ_v,_w=0.9인 영역에서 수직 선 폭에 대한 최상의 가능한 감마 확률 밀도를 나타낸다. 앞부분의 요판 구조의 부분은 그것들의 파라미터에 관한 동일한 범위 내에서 서브이미지 밀도를 생성한다. 분석(도 7c 참조)은 단지 2개의 파라미터가 일정한 웨이블렛에 관한 앞부분 영역을 독특하게 제어하는 4-튜플, 즉 다우비시-4-웨이블렛을 야기한다. k_H,w≥7.2이고 k_V,w≥5.8인 것이 결정되므로, 하부 경계 파라미터인 β_l은 β_l;H,w=7.2와 β_l;V,w=5.8로 설정된다. 상부 경계 파라미터인 β_u는 최대 주파수인 h(d)와 h(w)의 절반(half)을 정의하는 β_u;H,w=10과 β_u;V,w=8로 설정된다. 그러므로, 7.2<k_H,w<10이고 5.8<k_V,w<8이다. 그 구조는 피쳐 공간, 즉 arg max_τΣ_τ=2에서 최대 거리 측정을 갖는 8개의 계수 웨이블렛으로 모델이 만들어진다. 이 경우 최상의 웨이블렛은 2개의 파라미터로 선택될 수 있다. 도 7c는 문제의 서브이미지에 대한 결과들을 보여준다. 예컨대, db4-웨이블렛은 서브이미지(47)에서의 db2-웨이블렛에 비해 진짜 은행권과 위조된 은행권을 더 잘 구별할 수 있다(61%까지). 도 7b, 도 7d, 도 7e, 도 7f에 도시된 것처럼, 상이한 웨이블렛 타입이 상이한 요판 영역을 구별할 수 있다(예를 들면, j=257, sym5-웨이블렛으로 44%).

조명도 변동(A와 B(대략 30%만큼 감소된 휘도)의 경우, [4]에 나타난 분류 전략을 변경할 필요가 없게 된다. 하지만, 고정된 위치 선정에 반하여 훈련 데이터 세트를 수정함으로써 분류 규칙이 또한 수정되어야 한다. 확장된 훈련 데이터 세트가 더 이상 가우시안(Gaussian)이 아니기 때문에, 그 분류의 정밀도는 의심을 받을 수 있다. 특별한 문제 구역은 분류 경계에 가깝게 놓여 있는 영역이다. 이 문제는 분류 경계 주위의 대상들에 대해 수행된 멀티-스테이지 LDA에 의해 해결된다. 결과들을 비교한 것이 도 8a 내지 도 8c([4]로부터의 최초 분류)와 도 9a 내지 도 9c(향상된 접근법)에 예시되어 있다.

5. 결론

Sound-of-Intaglio ^TM 접근법은 은행권 제작과 인증시의 상이한 적용예, 즉 품질 검사, 분류 및 상이한 레벨에서의 인증에 잘 맞는다. 일반적인 인증 접근법은 문제의 피쳐 생성기의 적응, 즉 상이한 요판 구조에 대해 최적화되는 웨이블렛의 풀의 사용법(usage)에 의해 최적화될 수 있다는 점이 보여졌다. 또한, 각 분석 영역의 경계 둘러싸기와 사용된 피쳐들[4]의 적응을 고려함으로써, 휘도 변동이 안정화될 수 있다. 그러므로, 진짜 은행권과 위조된 은행권 사이의 더 확실한 분류가 이루어진다.

표

τ	타입	필터 길이 N (DLP,DBP)	특성
0	다우비시-2(db2)	4,4	비대칭, 직교;거친 함수;컴팩트 서포트
1	역 배직교3.1 (rbio3.1)	4,4	대칭, 배직교; 분해 필터들의 사용;매끈한 함수;선형 위상;컴팩트 서포트
2	다우비시-4(db4)	8,8	비대칭, 직교; 컴팩트 서포트
3	역 배직교5.5 (rbio3.1)	11,9	대칭, 배직교;분해 필터들의 사용;매끈한 함수;선형 위상;컴팩트 서포트
4	심플렛-5(sym5)	10,10	대칭에 가까움, 직교,배직교;컴팩트 서포트
5	코이플렛-2(coif2)	12,12	대칭에 가까움, 직교,배직교;컴팩트 서포트

은행권 인증을 위해 선택된 1차원(1D) 웨이블렛 타입[33](DLP:분해 로우-패스(스케일링 함수

), DBP:분해 밴드-패스

(웨이블렛))

인용된 참조문헌

[1]Lohweg, V., Gillich, E., Schaede, J., "Authentication of Security Documents, in Particular of Banknotes" European Patent Publication No. EP2000992A1, priority date of June 1^st, 2006.

[2]Lohweg, V., "Renaissance of Intaglio", Keesing Journal of Documents & Identity, Keesing Reference Systems Publ.33,35-41(2010).

[3]Lohweg, V.and Shaede,J.,"Document Production and Verification by Optimization of Feature Platform Exploitation", Optical Document Security - The Conference on Optical Security and Counterfeit Detection Ⅱ San Francisco CA USA, 1-15(2010).

[4]Lohweg,V.,Dorksen,H.,Gillich,E.,Hildebrand,R.,Hoffmann,J.L.,Shaede,J.,"Mobile Devices for Banknote Authentication - is it possible?",Optical Document Security - The Conference on Optical Security and Counterfeit Detection Ⅲ San Francisco CA USA, 1-15(2012).

[5]Gan,T.H.,Hutchins,D.A.,Billson,D.R.,Schindel,D.W.,"High resolution air-coupled ultrasonic imaging of thin materials", IEEE ULTRASONICS SYMPOSIUM,897-990(2002).

[6]Yang,C-N.,Chen,J-R.,Chiu,C-Y.,Wu,G-C.,Wu,C-C.,"Enhancing Privacy and Security in RFID-Enabled Banknotes", IEEE International Symposium on Parallel and Distributed Processing with Applications, 439-444(2009).

[7]Ahmadi,A.,Omatu,S.,Kosaka,T.,"Improvement of the reliability of bank note classifier machines", Proc. IEEE International Joint Conference on Neural Networks 2 doi: 10.1109/IJCNN.2004.1380134,1313-1316(2004).

[8]Omatu,S.,Yoshioka,M.,Kosaka,Y.,"Bank note classification using neural networks", IEEE Conference on Emerging Technologies and Factory Automation doi:10.1109/EFTA.2007.4416797,413-417(2007).

[9]Shan,G.,Peng,L.Jiafeng,L.,Xianglong,T.,"The design of HMM-based banknote recognition system", IEEE International Conference on Intelligent Computing and Intelligent Systems 4 doi:10.1109/ICICISYS.2009.5357719,106-110(2009).

[10]Choi,E.,Lee,J.,Yoon,J.,"Feature Extraction for Bank Note Classification Using Wavelet Transform",18th International Conference on Pattern Recognition 2 doi:10.1109/ICPR.2006.553,934-937(2006).

[11]Ahangaryan,F.P.,Mohammadpour,T.,Kianisarkaleh,A.,"Persian Banknote Recognition Using Wavelet and Neural Network", International Conference on Computer Science and Electronics Engineering(ICCSEE) 3 doi: 10.1109/ICCSEE.2012.294, 679-684(2012).

[12]Glock,S.,Gillich,E.,Schaede,J.,Lohweg V.,"Feature Extraction Algorithm for Banknote Textures based on Incomplete Shift Invariant Wavelet Packet Transform", Proceedings of the 31st DAGM Symposium on Pattern Recognition, Lecture Notes on Computer Science 5748,422-431(2009).

[13]Bezboruah,T.,"Mobile computing: the emerging technology, sensing, challenges and applications", Preprint, 2010.http//users.ictp.it/~pub off/preprints-sources/2010/IC2010102P.pdf

[14]Pettey,C. and van der Meulen, R.,"Gartner Says Worldwide Sales of Mobile Phones Declined 3 Percent in Third Quarter of 2012;Smartphone Sales Increased 47 percent", Press release on November 14^th, 2012.http//www.gartner.com/it/page.jsp?id=2237315

[15]Apple,"iPhone features",2012.http//www.apple.com/iphone/features/

[16]Samsung,"Galaxy Note N7000",2012.http//www.samsung.com

[17]AnTuTu,"Benchmark-Tool Antutu",2012.http//www.Antutu.com/

[18]SunSpider,"Benchmark-Tool SunSpider 0.9.1", 2012.http//www.webkit.org/perf/sunspider/sunspider.html

[19]de Heji, H.A.M.,"Public Feedback for better Banknotes Design 2",DNB Occasional Studies 5(2), De Nederlandsche Bank NV, (2007).

[20]Fake Currency Doctors, "Banknote Authentication", 2012.http//voicendata.ciol.com/content/service provider/110020318.asp

[21]llles,L.,"iValuta",2012.http//itunes.apple.com/us/app/ivaluta/id327705750?mt=8

[22]Macsoftex,"All Dollars",2012.http//itunes.apple.com/tw/app/all-dollars/id341552027?mt=8

[23]Daubechies,I.,[Ten Lectures on Wavelets],CBMS-NSF Regional Conference Series in Applied Mathematics 61 SIAM(Society for Industrial and Applied Mathematics), Philadelphia,1992.

[24]Burrus,S.C.,Gopinath,R.A.,Guo,H.,[Introduction to Wavelets and Wavelet Transforms: A Primer], Prentice-Hall, Upper Saddle River, 1998.

[25]Walnut,D.F.,[An Introduction to Wavelet Analysis], Birkhauser, Boston,2004

[26]Mallat,S.G.,"A Theory for Multiresolution Signal Decomposition: The Wavelet Representation",IEEE Transactions on Pattern Analysis and Machine Intelligence 11(7), 674-693(1989).

[27]Pesquet, J.C.,Krim,H.,Carfantan,H.,"Time-invariant orthonormal Wavelet representations",IEEE Transactions on signal processing 8,1964-1970(1996).

[28]Fowler,J.E.,"The redundant discrete Wavelet transform and additive noise",IEEE Signal Processing Letters 9,629-632,(2005).

[29]Gillich,E.,Lohweg,V.,"Banknote Authentication",1.Jahreskolloquium Bildverarbeitung in der Automation ISBN 978-3-9814062-0-7 Institute Industrial IT,1-8(2010).

[30]Hogg,R.V.and Craig,A.T.,[Introduction to Mathmetical Statistics],Macmillan New York, Sec.3.3(1978).

[31]Whittaker,E.T. and Watson,G.N.,[The Gamma function],Cambridge University Press, 235-264(1996).

[32]Chambers,R.L.,Steel,D.G.,Wang,S.,[Maximum Likelihood Estimation for Sample Surveys],CRC Press Boca Raton,(2012).

[33]Wasilewski,F.,"PyWavelets","2008-2012.http://Wavelets.pybytes.com

[34]Horn,R.A. and C.A.Johnson,[Matrix Analysis],Cambridge University Press,176-180(1985).

Claims (17)

1. 요판 인쇄(intaglio printing)에 의해 생산되는 보안 문서의 고유한 피쳐의 분석에 기초한, 보안 문서의 인증 방법으로서,
   상기 분석은, 웨이블렛(wavelet)에 기초하여 인증될 후보 문서의 적어도 일부의 하나 이상의 샘플 이미지의 분해를 수반하고, 각 샘플 이미지는 다차원 피쳐 공간(f) 내에서 상기 후보 문서의 분류를 허용하는 분류 피쳐(σ²,E,C,...)의 세트를 얻기 위해, 상기 샘플 이미지의 웨이블렛 변환(wavelet transform)을 수행함으로써 디지털 방식으로 처리되고,
   상기 방법은 적응형 웨이블렛 접근법(adaptive Wavelet approach)에 기초하는 것을 특징으로 하며,
   상기 적응형 웨이블렛 접근법은,
   - 웨이블렛 변환을 행하기 전에, 보안 문서에서 발견되는 상이한 요판 선 구조에 대한 국부적인 정보를 담고 있는 카테고리화 맵(C-맵)을 한정하는 단계;
   - 상기 카테고리화 맵(C-맵)에 기초한 웨이블렛 타입의 풀 중에서 웨이블렛을 선택하는 단계; 및
   - 선택된 웨이블렛에 기초하여 상기 샘플 이미지의 웨이블렛 변환을 수행하는 단계를 포함하는, 보안 문서의 인증 방법.
2. 제 1 항에 있어서,
   상기 카테고리화 맵(C-맵)을 한정하는 단계는 각각의 주어진 요판 선 구조의 통계적 모델을 한정하는 단계를 포함하는, 보안 문서의 인증 방법.
3. 제 2 항에 있어서,
   상기 통계적 모델은 각각의 주어진 요판 선 구조를 대표하는 적어도 하나의 히스토그램을 특징으로 하는 적어도 하나의 파라미터(k;k_H,w,k_H,d,k_V,w,k_V,d)로 구성되는, 보안 문서의 인증 방법.
4. 제 3 항에 있어서,
   상기 적어도 하나의 파라미터는 해당하는 히스토그램의 형상을 묘사하는 형상 파라미터(k;k_H,w,k_H,d,k_V,w,k_V,d)인, 보안 문서의 인증 방법.
5. 제 3 항에 있어서,
   상기 적어도 하나의 파라미터(k;k_H,w,k_H,d,k_V,w,k_V,d)는 MLE(Maximum Likelihood Estimation) 접근법에 기초하여 결정되는, 보안 문서의 인증 방법.
6. 제 3 항 내지 제 5 항 중 어느 한 항에 있어서,
   상기 통계적 모델은 각각의 주어진 요판 선 구조 내의 선 폭(w)과 선 거리(d)의 측정으로부터 형성되는, 보안 문서의 인증 방법.
7. 제 6 항에 있어서,
   상기 통계적 모델은 각각의 주어진 요판 선 구조를 대표하는 4개의 히스토그램을 특징으로 하는 파라미터(k_H,w,k_H,d,k_V,w,k_V,d)의 4-튜플을 포함하고, 상기 4개의 히스토그램은 수평 방향(H)에서의 선 폭(w)들의 통계적 분포의 히스토그램, 수평 방향(H)에서의 선 거리(d)들의 통계적 분포의 히스토그램, 수직 방향(V)에서의 선 폭(w)들의 통계적 분포의 히스토그램, 및 수직 방향(V)에서의 선 거리(d)들의 통계적 분포의 히스토그램을 각각 묘사하는, 보안 문서의 인증 방법.
8. 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
   상기 웨이블렛 타입의 풀은 상기 웨이블렛 선택의 기초선으로 사용되는 기초선 웨이블렛을 포함하는, 보안 문서의 인증 방법.
9. 제 8 항에 있어서,
   상기 기초선 웨이블렛은 db2-웨이블렛인, 보안 문서의 인증 방법.
10. 제 8 항에 있어서,
    상기 기초선 웨이블렛은, 주어진 요판 선 구조에 관해서 상기 피쳐 공간(f)에서의 다른 웨이블렛 타입의 분리 능력(Σ_τ)이 상기 기초선 웨이블렛의 분리 능력보다 양호하다면, 또 다른 웨이블렛 타입에 의해 대체되는, 보안 문서의 인증 방법.
11. 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
    상기 분류 피쳐의 세트는 상기 웨이블렛 변환으로부터 기인하는 웨이블렛 계수의 통계적 분포 또는 히스토그램을 묘사하는 통계적 모멘트를 포함하는, 보안 문서의 인증 방법.
12. 제 11 항에 있어서,
    상기 분류 피쳐의 세트는 분산(σ²), 비대칭도(E), 및 초과량(C)을 포함하는, 보안 문서의 인증 방법.
13. 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
    모바일 디바이스 환경에 적용된, 보안 문서의 인증 방법.
14. 제 13 항에 있어서,
    스마트폰에 적용된, 보안 문서의 인증 방법.
15. 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
    상기 보안 문서는 은행권인, 보안 문서의 인증 방법.
16. 삭제
17. 삭제

Images