KR20230154664A - 위조 지폐의 하프톤 특성을 이용한 프린터 식별 장치 및 그 방법 - Google Patents

위조 지폐의 하프톤 특성을 이용한 프린터 식별 장치 및 그 방법 Download PDF

Info

Publication number
KR20230154664A
KR20230154664A KR1020220054371A KR20220054371A KR20230154664A KR 20230154664 A KR20230154664 A KR 20230154664A KR 1020220054371 A KR1020220054371 A KR 1020220054371A KR 20220054371 A KR20220054371 A KR 20220054371A KR 20230154664 A KR20230154664 A KR 20230154664A
Authority
KR
South Korea
Prior art keywords
counterfeit
printer
image
fft
deep learning
Prior art date
Application number
KR1020220054371A
Other languages
English (en)
Inventor
이중
김홍석
강태이
Original Assignee
대한민국(관리부서: 행정안전부 국립과학수사연구원장)
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 대한민국(관리부서: 행정안전부 국립과학수사연구원장) filed Critical 대한민국(관리부서: 행정안전부 국립과학수사연구원장)
Priority to KR1020220054371A priority Critical patent/KR20230154664A/ko
Publication of KR20230154664A publication Critical patent/KR20230154664A/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
    • B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
    • B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
    • B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
    • B41J2/01—Ink jet
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
    • B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
    • B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
    • B41J2/435—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by selective application of radiation to a printing material or impression-transfer material
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Accessory Devices And Overall Control Thereof (AREA)

Abstract

본 발명은 위조 지폐의 하프톤 특성을 이용한 프린터 식별 장치 및 그 방법에 관한 것이다.
본 발명에 따르면, 위조 지폐의 하프톤 특성을 이용한 프린터 식별 장치는 시판 중인 잉크젯 또는 레이저 방식으로 출력된 위폐에 대한 이미지를 입력받는 입력부, 상기 입력된 위폐 이미지에 AM(Amplitude Modulated) 스크린 방식 또는 FM(Frequency Modulation) 스크린 방식을 적용한 다음, 고속 푸리에 변환(Fast Fourier Transform)을 수행하여 FFT 위폐 이미지를 획득하는 이미지 변환부, 상기 획득한 FFT 위폐 이미지을 잉크젯 인쇄 방식과 레이저 인쇄 방식으로 분류하고, 상기 레이저 인쇄 방식으로 분류된 FFT 위폐 이미지로부터 망점에 대한 특징값을 추출하는 특징 추출부, 상기 추출된 특징값, 위폐 종류 및 프린터 정보를 딥러닝 알고리즘에 입력하여 학습시키는 학습부, 그리고 판별하고자 하는 지폐 이미지에 고속 푸리에 변환(FFT)을 수행하여 특징값을 추출한 다음, 상기 추출된 특징값을 학습이 완료된 딥러닝 알고리즘에 입력하여 프린터 정보를 추정하는 제어부를 포함한다.

Description

위조 지폐의 하프톤 특성을 이용한 프린터 식별 장치 및 그 방법{Apparatus for printer identification using halftone characteristics of counterfeit banknotes and method thereof}
본 발명은 위조 지폐의 하프톤 특성을 이용한 프린터 식별 장치 및 그 방법에 관한 것으로서, 더욱 상세하게 설명하면 딥러닝 알고리즘을 이용하여 위조 지폐에 형성된 하프톤 특성을 이용하여 위조지폐를 인쇄하는데 사용된 프린터를 식별하는 프린터 식별 장치 및 그 방법에 관한 것이다.
정보화 사회로 접어들어 컴퓨터 등 전자기기의 고성능화 및 사무자동화기기의 대중화가 이루어짐에 따라, 비교적 고성능의 프린터, 복사기, 스캐너가 하나의 기기에 합쳐진 복합기 조차 저가로 유통되고 있다.
따라서 고가의 기기와 제작 기술을 구비해야만 위조지폐를 만들던 시기가 지나 현재는 누구나 위조지폐를 만들어 유통할 수 있는 시대가 되었다.
프린터는 일반적으로 잉크젯 프린터와 레이저 프린터로 나뉘어 지며, 잉크젯프린터는 잉크를 분사하여 인쇄하는 방식의 프린터이고, 레이저 프린터는 토너 가루를 입혀서 인쇄하는 방식의 프린터이다.
레이저 프린터는 토너 외 다른 부품들도 교체해야 한다는 번거로움이 있었지만 비용의 저하에 따라 잉크젯에 비해 빠른 출력의 장점을 가진다. 따라서, 최근에는 잉크젯 프린터보다 칼라 레이저 프린터가 대중화 되고 있다.
상기와 같이 고성능의 칼라 레이터 프린터가 대중화됨에 따라 한국의 경우 대부분의 위폐가 가정용 스캐너와 프린터를 이용하여 제작된다.
발견된 위폐는 법의학 연구소로 보내져 분석되는데, 법의학 연구소까지 전달되고 분속하는데 많이 시간이 소요되는 문제점이 있었다. 따라서 위폐를 제작한 방식의 유사성 및 프린터의 동일성 등을 분석하여 이를 수사기관에 제공하게 되면 위조범의 조기검거에 큰 도움이 될 수 있다. 또한 위조범 검거 시 여죄를 밝히기 위해서도 출력프린터를 분석하는 것이 필요하다.
한국등록특허 제10-0609031호(2006.06.09. 공고)
이와 같이 본 발명에 따르면, 딥러닝 알고리즘을 이용하여 위조 지폐에 형성된 하프톤 특성을 이용하여 위조지폐를 인쇄하는데 사용된 프린터를 식별하는 프린터 식별 장치 및 그 방법을 제공하기 위한 것이다.
이러한 기술적 과제를 이루기 위한 본 발명의 실시예에 따르면, 위조 지폐의 하프톤 특성을 이용한 프린터 식별 장치는 시판 중인 잉크젯 또는 레이저 방식으로 출력된 위폐에 대한 이미지를 입력받는 입력부, 상기 입력된 위폐 이미지에 AM(Amplitude Modulated) 스크린 방식 또는 FM(Frequency Modulation) 스크린 방식을 적용한 다음, 고속 푸리에 변환(Fast Fourier Transform)을 수행하여 FFT 위폐 이미지를 획득하는 이미지 변환부, 상기 획득한 FFT 위폐 이미지을 잉크젯 인쇄 방식과 레이저 인쇄 방식으로 분류하고, 상기 레이저 인쇄 방식으로 분류된 FFT 위폐 이미지로부터 망점에 대한 특징값을 추출하는 특징 추출부, 상기 추출된 특징값, 위폐 종류 및 프린터 정보를 딥러닝 알고리즘에 입력하여 학습시키는 학습부, 그리고 판별하고자 하는 지폐 이미지에 고속 푸리에 변환(FFT)을 수행하여 특징값을 추출한 다음, 상기 추출된 특징값을 학습이 완료된 딥러닝 알고리즘에 입력하여 프린터 정보를 추정하는 제어부를 포함한다.
상기 이미지 변환부는, 상기 입력된 위폐 이미지를 기 설정된 사이즈에 따라 크롭핑하고, 크롭핑된 위폐 이미지에 포함된 망점의 크기 및 빈도를 변화한 다음, 하기의 수학식을 이용하여 FFT 위폐 이미지를 획득할 수 있다.
여기서, u, v는 주파수 성분의 2차원 위치(계수)를 나타내고 W, H는 원 영상의 2차원 크기를 나타내며, 는 주기함수성분을 나타낸다.
상기 특징 추출부는, 상기 FFT 위폐 이미지로부터 피크점을 추출하고, 상기 추출된 피크점을 중심으로 반복적인 패턴이 출력되면, 해당되는 위폐가 레이저 프린트를 통해 출력된 것으로 판단하고, 상기 추출된 피크점으로 중심으로 반복적인 패턴이 출력되지 않으면, 해당되는 위폐가 잉크젯 프린터를 통해 출력된 것으로 판단할 수 있다.
상기 특징 추출부는, 레이저 프린트를 통해 출력된 것으로 판단된 FFT 위폐 이미지로부터 망점의 배열 각도, 망점간의 거리를 추출하여 특징값으로 설정할 수 있다.
상기 학습부는, 하기의 수학식을 통해 산출된 손실 함수를 이용하여 딥러닝 알고리즘을 구축할 수 있다.
여기서, p는 확률을 의미하고, Xi는 프린터의 라벨로서 프린터 종류일 확률을 나타낸다.
상기 딥러닝 알고리즘은, 하기의 수학식을 통하여 최종 출력단을 통해 최고 기대값(wi)을 출력할 수 있다.
여기서, pi는 각 프린터 종류일 확률을 나타낸다.
상기 제어부는, 입력된 지폐 이미지를 복수개로 크롭핑하고, 크롭핑된 복수개의 지폐 이미지에 고속 푸리에 변환(FFT)을 수행하여 각각의 특징값을 추출한 다음, 추출된 각각의 특징값을 학습이 완료된 딥러닝 알고리즘에 입력하여, 상기 딥러닝 알고리즘을 통해 각각의 특징값에 대한 프린터 정보를 획득하고, 획득한 프린터 정보 중에서 빈도수가 가장 높은 프린터 정보를 최종 결과값으로 출력할 수 있다.
또한, 본 발명의 실시예에 따르면 프린터 식별 장치를 이용한 프린터 식별 방법은 시판 중인 잉크젯 또는 레이저 방식으로 출력된 위폐에 대한 이미지를 입력받는 단계, 상기 입력된 위폐 이미지에 AM(Amplitude Modulated) 스크린 방식 또는 FM(Frequency Modulation) 스크린 방식을 적용한 다음, 고속 푸리에 변환(Fast Fourier Transform)을 수행하여 FFT 위폐 이미지를 획득하는 단계, 상기 획득한 FFT 위폐 이미지을 잉크젯 인쇄 방식과 레이저 인쇄 방식으로 분류하고, 상기 레이저 인쇄 방식으로 분류된 FFT 위폐 이미지로부터 망점에 대한 특징값을 추출하는 단계, 상기 추출된 특징값, 위폐 종류 및 프린터 정보를 딥러닝 알고리즘에 입력하여 상기 딥러닝 알고리즘을 학습시키는 단계, 그리고 판별하고자 하는 지폐 이미지에 고속 푸리에 변환(FFT)을 수행하여 특징값을 추출한 다음, 상기 추출된 특징값을 학습이 완료된 딥러닝 알고리즘에 입력하여 프린터 정보를 추정하는 단계를 포함한다.
이와 같이 본 발명에 따르면, FFT(Fast Fourier Transform)를 이용하여 위조 지폐 영상을 변환함으로 잉크젯과 칼라 레이저 방식을 구분하고, 딥러닝 알고리즘을 이용하여 레이저 프린터의 종류를 검출함으로써, 비파괴적으로 프린터 기종에 대한 식별력을 증가시킬 수 있는 효과를 도모할 수 있다.
도 1은 본 발명의 실시예에 따른 프린터 식별 장치에 대한 구성도이다.
도 2는 본 발명의 실시예에 따른 프린터 식별장치를 이용한 프린터 식별 방법을 설명하기 위한 순서도이다.
도 3은 도 2에 도시된 S220단계에서 망점의 크기에 대해 설명하기 위한 예시도이다.
도 4는 도2에 도시된 S220단계에서 망점의 배열 각도 및 거리에 대해 설명하기 위한 예시도이다.
도 5는 도 2에 도시된 S230단계에서 프린터 기종에 따라 상이하게 출력되는 FFT 위폐 이미지를 설명하기 위한 예시도이다.
도 6은 도 2에 도시된 S230단계에서 추출되는 특징값을 설명하기 위한 예시도이다.
도 7은 도 2에 도시된 S240단계에서 구축되는 딥러닝 알고리즘을 설명하기 위한 예시도이다.
이하 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.
또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하에서는 도 1을 이용하여 본 발명의 실시예에 따른 위조 지폐의 하프톤 특성을 이용한 프린터 식별 장치에 대하여 더욱 상세하게 설명한다.
도 1은 본 발명의 실시예에 따른 프린터 식별 장치에 대한 구성도이다.
도 1에 도시된 바와 같이, 본 발명에 따른 프린터 식별 장치(100)는 입력부(110), 이미지 변환부(120), 특징 추출부(130), 학습부(140) 및 제어부(150)를 포함한다.
먼저, 입력부(110)는 사용자로부터 위폐를 스캐닝하여 획득한 위폐 이미지를 입력받는다.
부연하자면, 사용자는 시중에 판매중인 복수의 프린터를 통해 위폐를 출력하고, 출력된 위폐를 스캐너로 스캐닝한다. 그리고 사용자는 스캐닝하여 획득한 위폐 이미지를 프린터 식별 장치(100)에 입력한다.
그 다음, 이미지 변환부(120)는 위폐 이미지에 고속 푸리에 변환(Fast Fourier Transform)을 수행하여 FFT 위폐 이미지를 획득한다.
자세히는, 이미지 변환부(120)는 입력된 위폐 이미지를 복수개로 크롭핑한다. 그 다음, 이미지 변환부는 크롭핑된 복수의 위폐 이미지마다 AM(Amplitude Modulated) 스크린 방식 또는 FM(Frequency Modulation) 스크린 방식을 적용한 다음, 고속 푸리에 변환(Fast Fourier Transform)을 수행하여 FFT 위폐 이미지를 획득한다.
특징 추출부(130)는 획득한 FFT 위폐 이미지로부터 망점에 대한 특징값을 추출한다. 여기서 특징값은 피크점을 중심으로 배열된 망점의 배열 각도 및 망점 간의 거리를 포함한다.
학습부(140)는 추출된 특징값을 기 구축된 딥러닝 알고리즘에 입력하여 딥러닝 알고리즘으로 하여금 프린터에 대한 정보를 출력하도록 학습시킨다.
마지막으로, 제어부(150)는 지폐를 출력한 프린터를 식별하기 위하여 지폐 이미지를 획득하고, 획득한 지폐 이미지에 고속 푸리에 변환(FFT)을 수행하여 FFT 지폐 이미지를 생성한다. 그 다음, 제어부(150)는 생성된 FFT 지폐 이미지로부터 획득한 특징값을 학습이 완료된 딥러닝 알고리즘에 입력하여 프린터 정보를 획득한다.
이하에서는 도 2 내지 도 7을 이용하여 본 발명의 실시예에 따른 프린터 식별 장치(100)를 이용한 프린터 식별 방법에 대해 더욱 상세하게 설명한다.
도 2는 본 발명의 실시예에 따른 프린터 식별장치를 이용한 프린터 식별 방법을 설명하기 위한 순서도이다.
도 2에 도시된 바와 같이, 본 발명의 실시예에 따른 프린터 식별 방법은 딥러닝 알고리즘을 학습시키는 단계와 학습이 완료된 딥러닝 알고리즘로부터 출력된 프린터 정보를 이용하여 위조 지폐에 사용된 프린터를 식별하는 단계를 포함한다.
먼저 딥러닝 알고리즘을 학습시키는 단계에 대해 설명하면, 입력부(110)는 위폐를 스캐닝하여 생성된 위폐 이미지를 입력받는다(S210).
예를 들면, 하기의 표 1에 기재된 바와 같이, 사요자는 시중에서 판매하고 있는 14개의 프린터를 이용하여 만원권, 오만원권, 천원권, 오천권 및 수표 등을 위조하였다.
그 다음, 사용자는 스캐너(Scanner)를 이용하여 위조된 지폐에 대한 위폐 이미지를 획득한다. 그리고 획득한 위폐 이미지는 프린터 식별 장치(100)에 전달된다.
S210단계가 완료되면, 프린터 식별 장치(100)는 입력된 위폐 이미지를 FFT 위폐 이미지로 변환한다(S220).
부연하자면, 이미지 변환부(120)는 입력된 위폐 이미지는 프린터 기종 별, 권종별로 분류한 다음, 분류된 위폐 이미지마다 무작위로 기 설정된 횟수만큼 크롭핑한다.
그 다음, 이미지 변환부(120)는 크롭핑된 위폐 이미지에 포함된 망점에 대한 정보를 획득하기 위하여 AM(Amplitude Modulated) 스크린 방식 또는 FM(Frequency Modulation) 스크린 방식을 적용한다.
이를 다시 설명하면, 프린트는 시안(C)·마젠타(M)·옐로우(Y)·블랙(K)의 4색 잉크로 이루어져 있고, 이 컬러 프린터 물을 확대하여 관찰하면 다색 인쇄된 잉크의 점이 표시된다. 잉크의 점은 망점이라 불리며 색마다 일정한 간격을 두고 격자모양으로 표시된다. 즉, 망점은 프린트 기종마다 망점의 배열 각도 및 망점간의 거리가 상이하게 출력될 수 있다.
따라서, 이미지 변환부(120)는 AM(Amplitude Modulated) 스크린 방식 또는 FM(Frequency Modulation) 스크린 방식을 이용하여 망점의 크기를 변화시켜 망점의 배열 각도 및 망점간의 거리를 획득하여 프린트 기종을 식별한다.
도 3은 도 2에 도시된 S220단계에서 망점의 크기에 대해 설명하기 위한 예시도이고, 도 4는 도2에 도시된 S220단계에서 망점의 배열 각도 및 거리에 대해 설명하기 위한 예시도이다.
도 3에 도시된 바와 같이, 그래프의 y축에 해당하는 A는 망점의 크기를 나타내며, x축에 해당하는 F는 망점의 빈도를 나타낸다. 즉, 이미지 밝기(I)는 망점의 크기(A)와 망점의 빈도(F)의 조합에 의해 변화된다.
따라서, 이미지 변환부(120)는 AM(Amplitude Modulated) 스크린 방식을 이용하여 망점의 크기를 변화시키거나, FM(Frequency Modulation) 스크린 방식을 이용하여 망점의 빈도를 변화시켜 위폐 이미지의 밝기를 조절한다.
그러면, 도 4에 도시된 바와 같이, 망점의 배열 각도 및 망점간의 거리는 프린터의 기종에 따라 상이하게 나타난다.
그 다음, 이미지 변환부(120)는 망점의 크기가 변화된 위폐 이미지에 고속 푸리에 변환(Fast Fourier Transform)을 수행하여 FFT 위폐 이미지를 획득한다.
일반적으로 고속 푸리에 변환(FFT)은 하기의 수학식 1로 표현된다.
여기서, h(x, y) 는 원 영상 내 x, y 위치의 신호 세기(이미지의 경우 밝기)를 나타내고, u, v는 주파수 성분의 2차원 위치(계수)를 나타낸다.
다만, 본 발명의 실시예에 따른 위폐 이미지는 연속(continuous)이 아닌 이산(discrete) 신호이므로 하기의 수학식 2와 같이 변환하여 적용한다.
여기서, W, H는 원 영상의 2차원 크기를 나타내며, 는 주기함수성분을 나타낸다.
위폐 이미지에 고속 푸리에 변환(FFT)을 수행하면, 원점 주변의 저주파 영역에 강한 피크(peak)가 발생되고, 원점에서 멀어질수록 값이 급격히 작아지는 형태를 갖는다.
따라서, 반복적인 패턴이 없는 위폐 이미지는 저주파 영역에서만 강한 피크점이 나타나고, 멀어질수록 급격하게 0으로 수렴한다. 그러나 이미지 내에 반복적인 패턴이 존재할 경우, 위폐 이미지는 고주파 영역에서도 강한 피크점이 발생된다. 여기서, 반복적인 패턴은 피크 점의 강도와 방향으로 표시된다.
그 다음, 특징 추출부(130)는 변환된 FFT 위폐 이미지로부터 특징값을 추출한다(S230).
부연하자면, 특징 추출부(130)는 FFT 위폐 이미지로부터 피크점을 추출하고, 추출된 피크점을 이용하여 해당되는 FFT 위폐 이미지를 프린터 기종에 따라 분류한다.
도 5는 도 2에 도시된 S230단계에서 프린터 기종에 따라 상이하게 출력되는 FFT 위폐 이미지를 설명하기 위한 예시도이다.
도 5의 (a)에 도시된 바와 같이, 동일한 기종의 레이저 프린트를 이용하여 출력된 위폐는 망점의 밀도와 상관없이 밝기에는 차이가 있으나 동일한 위치에 피크점이 발생된다.
반면에 도 5의 (b)에 도시된 바와 같이, 망점이 명확하지 않은 잉크젯은 반복적인 패턴이 관찰되지 않고 중심 영역에서만 밝게 표시된다.
그 다음, 특징 추출부(130)는 레이저 프린트를 통해 출력된 것으로 판단된 FFT 위폐 이미지로부터 망점의 배열 각도, 망점간의 거리를 추출하여 특징값으로 설정한다.
도 6은 도 2에 도시된 S230단계에서 추출되는 특징값을 설명하기 위한 예시도이다.
도 6에 도시된 바와 같이, 망점은 표 1에 기재된 프린터 기종에 따라 각각 상이하게 출력된다.
S230단계가 완료되면, 학습부(140)는 특징값을 입력하여 딥러닝 알고리즘을 학습시킨다(S240).
도 7은 도 2에 도시된 S240단계에서 구축되는 딥러닝 알고리즘을 설명하기 위한 예시도이다.
학습부(140)는 딥러닝 알고리즘을 구축한다. 구축되는 딥러닝 알고리즘은 프린터 기종 별, 지폐의 권종 별로 분류된 위폐 이미지로부터 획득한 특징값에 따라 프린터 기종을 출력한다.
이때, 딥러닝 알고리즘은 예측값과 실제 레이블 값 사이의 오류를 계산하기 위하여 하기의 수학식 3과 같은 손실함수를 적용한다.
여기서, p는 확률을 의미하고, Xi는 프린터의 라벨로서 프린터 종류를 나타낸다.
그 다음, 학습부(140)는 예측의 정확도를 향상시키기 위해 딥러닝 알고리즘의 최종 출력단을 하기의 수학식 4와 같이 변형하여 다른 값들과 비교 가능한 기대값으로 변환한다.
여기서, pi 는 각 프린터 종류일 확률을 나타낸다.
그러면, 딥러닝 알고리즘은 프린터 기종 별, 지폐의 권종 별로 분류된 위폐 이미지로부터 획득한 특징값에 대응하는 최고 기대값을 출력하고, 출력된 최고 기대값 중에서 빈도수가 가장 높은 결과를 프린터 기종으로 예측한다.
S210단계 내지 S2240단계를 통해 딥러닝 알고리즘에 대한 학습이 완료되면, 프린터 식별 장치(100)은 학습이 완료된 딥러닝 알고리즘을 이용하여 입력되는 위폐의 프린터 기종을 추정한다.
먼저, 제어부(150)는 사용자로부터 식별하고자 하는 위폐 이미지를 입력받는다(S250).
이때 입력되는 위폐 이미지는 권종은 식별가능하나, 위폐를 출력한 프린터에 대한 기종에 대한 정보가 없는 상태이다.
그 다음, 제어부(150)는 입력된 위폐 이미지에 고속 푸리에 변환(FFT)을 수행하여 특징값을 획득한다(S260).
제어부(150)는 S220단계에서와 마찬가지로 입력된 위폐 이미지를 복수개로 크롭핑하고, 크롭핑된 위폐 이미지에 AM(Amplitude Modulated) 스크린 방식 또는 FM(Frequency Modulation) 스크린 방식을 적용하여 망점의 크기를 변환한다.
그리고, 제어부(150)는 위폐 이미지에 고속 푸리에 변환(FFT)을 수행하여 특징값을 추출한다. 여기서 추출된 특징값은 망점의 배열 각도 및 망점간의 거리를 포함한다.
S260단계가 완료되면, 제어부(150)는 획득한 특징값을 학습이 완료된 딥러닝 알고리즘에 입력하여 프린터 기종을 추정한다(S270).
부연하자면, 제어부(150)는 복수의 위폐 이미지에 대응하는 위폐의 권종에 대한 정보와 추출된 특징값을 학습이 완료된 딥러닝 알고리즘에 입력한다. 그러면, 딥러닝 알고리즘은 각각의 위폐 권종 정보와 특징값에 대응하여 결과값을 추출하고, 추출된 결과값의 빈도수를 이용하여 프린터 기종을 추정한다.
이와 같이 본 발명에 따른 프린터 식별 장치는 FFT(Fast Fourier Transform)를 이용하여 위조 지폐 영상을 변환함으로 잉크젯과 칼라 레이저 방식을 구분하고, 딥러닝 알고리즘을 이용하여 레이저 프린터의 종류를 검출함으로써, 비파괴적으로 프린터 기종에 대한 식별력을 증가시킬 수 있는 효과를 도모할 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100: 프린터 식별 장치
110 : 입력부
120 : 이미지 변환부
130 : 특징 추출부
140 : 학습부
150 : 제어부

Claims (14)

  1. 위조 지폐의 하프톤 특성을 이용한 프린터 식별 장치에 있어서,
    시판 중인 잉크젯 또는 레이저 방식으로 출력된 위폐에 대한 이미지를 입력받는 입력부,
    상기 입력된 위폐 이미지에 AM(Amplitude Modulated) 스크린 방식 또는 FM(Frequency Modulation) 스크린 방식을 적용한 다음, 고속 푸리에 변환(Fast Fourier Transform)을 수행하여 FFT 위폐 이미지를 획득하는 이미지 변환부,
    상기 획득한 FFT 위폐 이미지을 잉크젯 인쇄 방식과 레이저 인쇄 방식으로 분류하고, 상기 레이저 인쇄 방식으로 분류된 FFT 위폐 이미지로부터 망점에 대한 특징값을 추출하는 특징 추출부,
    상기 추출된 특징값, 위폐 종류 및 프린터 정보를 딥러닝 알고리즘에 입력하여 학습시키는 학습부, 그리고
    판별하고자 하는 지폐 이미지에 고속 푸리에 변환(FFT)을 수행하여 특징값을 추출한 다음, 상기 추출된 특징값을 학습이 완료된 딥러닝 알고리즘에 입력하여 프린터 정보를 추정하는 제어부를 포함하는 프린터 식별 장치.
  2. 제1항에 있어서,
    상기 이미지 변환부 는,
    상기 입력된 위폐 이미지를 기 설정된 사이즈에 따라 크롭핑하고, 크롭핑된 위폐 이미지에 포함된 망점의 크기 및 빈도를 변화한 다음,
    하기의 수학식을 이용하여 FFT 위폐 이미지를 획득하는 프린터 식별 장치:

    여기서, u, v는 주파수 성분의 2차원 위치(계수)를 나타내고 W, H는 원 영상의 2차원 크기를 나타내며, 는 주기함수성분을 나타낸다.
  3. 제2항에 있어서,
    상기 특징 추출부는,
    상기 FFT 위폐 이미지로부터 피크점을 추출하고,
    상기 추출된 피크점을 중심으로 반복적인 패턴이 출력되면, 해당되는 위폐가 레이저 프린트를 통해 출력된 것으로 판단하고,
    상기 추출된 피크점으로 중심으로 반복적인 패턴이 출력되지 않으면, 해당되는 위폐가 잉크젯 프린터를 통해 출력된 것으로 판단하는 프린터 식별 장치.
  4. 제3항에 있어서,
    상기 특징 추출부는,
    레이저 프린트를 통해 출력된 것으로 판단된 FFT 위폐 이미지로부터 망점의 배열 각도, 망점간의 거리를 추출하여 특징값으로 설정하는 프린터 식별 장치.
  5. 제1항에 있어서,
    상기 학습부는,
    하기의 수학식을 통해 산출된 손실 함수를 이용하여 딥러닝 알고리즘을 구축하는 프린터 식별 장치:

    여기서, p는 확률을 의미하고, Xi는 프린터의 라벨로서 프린터 종류일 확률을 나타낸다.
  6. 제5항에 있어서,
    상기 딥러닝 알고리즘은,
    하기의 수학식을 통하여 최종 출력단을 통해 최고 기대값(wi)을 출력하는 프린터 식별 장치:

    여기서, pi는 각 프린터 종류일 확률을 나타낸다.
  7. 제6항에 있어서,
    상기 제어부는,
    입력된 지폐 이미지를 복수개로 크롭핑하고, 크롭핑된 복수개의 지폐 이미지에 고속 푸리에 변환(FFT)을 수행하여 각각의 특징값을 추출한 다음,
    추출된 각각의 특징값을 학습이 완료된 딥러닝 알고리즘에 입력하여, 상기 딥러닝 알고리즘을 통해 각각의 특징값에 대한 프린터 정보를 획득하고, 획득한 프린터 정보 중에서 빈도수가 가장 높은 프린터 정보를 최종 결과값으로 출력하는 프린터 식별 장치.
  8. 프린터 식별 장치를 이용한 프린터 식별 방법에 있어서,
    시판 중인 잉크젯 또는 레이저 방식으로 출력된 위폐에 대한 이미지를 입력받는 단계,
    상기 입력된 위폐 이미지에 AM(Amplitude Modulated) 스크린 방식 또는 FM(Frequency Modulation) 스크린 방식을 적용한 다음, 고속 푸리에 변환(Fast Fourier Transform)을 수행하여 FFT 위폐 이미지를 획득하는 단계,
    상기 획득한 FFT 위폐 이미지을 잉크젯 인쇄 방식과 레이저 인쇄 방식으로 분류하고, 상기 레이저 인쇄 방식으로 분류된 FFT 위폐 이미지로부터 망점에 대한 특징값을 추출하는 단계,
    상기 추출된 특징값, 위폐 종류 및 프린터 정보를 딥러닝 알고리즘에 입력하여 상기 딥러닝 알고리즘을 학습시키는 단계, 그리고
    판별하고자 하는 지폐 이미지에 고속 푸리에 변환(FFT)을 수행하여 특징값을 추출한 다음, 상기 추출된 특징값을 학습이 완료된 딥러닝 알고리즘에 입력하여 프린터 정보를 추정하는 단계를 포함하는 프린터 식별 방법.
  9. 제8항에 있어서,
    상기 FFT 위폐 이미지를 획득하는 단계는,
    상기 입력된 위폐 이미지를 기 설정된 사이즈에 따라 크롭핑하고, 크롭핑된 위폐 이미지에 포함된 망점의 크기 및 빈도를 변화한 다음,
    하기의 수학식을 이용하여 FFT 위폐 이미지를 획득하는 프린터 식별 방법:

    여기서, u, v는 주파수 성분의 2차원 위치(계수)를 나타내고 W, H는 원 영상의 2차원 크기를 나타내며, 는 주기함수성분을 나타낸다.
  10. 제9항에 있어서,
    상기 특징값을 추출하는 단계는,
    상기 FFT 위폐 이미지로부터 피크점을 추출하고,
    상기 추출된 피크점을 중심으로 반복적인 패턴이 출력되면, 해당되는 위폐가 레이저 프린트를 통해 출력된 것으로 판단하고,
    상기 추출된 피크점으로 중심으로 반복적인 패턴이 출력되지 않으면, 해당되는 위폐가 잉크젯 프린터를 통해 출력된 것으로 판단하는 프린터 식별 방법.
  11. 제10항에 있어서,
    상기 특징값을 추출하는 단계는,
    레이저 프린트를 통해 출력된 것으로 판단된 FFT 위폐 이미지로부터 망점의 배열 각도, 망점간의 거리를 추출하여 특징값으로 설정하는 프린터 식별 방법.
  12. 제8항에 있어서,
    상기 딥러닝 알고리즘을 학습시키는 단계는,
    하기의 수학식을 통해 산출된 손실 함수를 이용하여 딥러닝 알고리즘을 구축하는 프린터 식별 방법:

    여기서, p는 확률을 의미하고, Xi는 프린터의 라벨로서 프린터 종류일 확률을 나타낸다.
  13. 제12항에 있어서,
    상기 딥러닝 알고리즘은,
    하기의 수학식을 통하여 최종 출력단을 통해 최고 기대값을 출력하는 프린터 식별 방법:

    여기서, pi는 각 프린터 종류일 확률을 나타낸다.
  14. 제13항에 있어서,
    상기 프린터 정보를 추정하는 단계는,
    입력된 지폐 이미지를 복수개로 크롭핑하고, 크롭핑된 복수개의 지폐 이미지에 고속 푸리에 변환(FFT)을 수행하여 각각의 특징값을 추출한 다음,
    추출된 각각의 특징값을 학습이 완료된 딥러닝 알고리즘에 입력하여, 상기 딥러닝 알고리즘을 통해 각각의 특징값에 대한 프린터 정보를 획득하고, 획득한 프린터 정보 중에서 빈도수가 가장 높은 프린터 정보를 최종 결과값으로 출력하는 프린터 식별 방법.
KR1020220054371A 2022-05-02 2022-05-02 위조 지폐의 하프톤 특성을 이용한 프린터 식별 장치 및 그 방법 KR20230154664A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220054371A KR20230154664A (ko) 2022-05-02 2022-05-02 위조 지폐의 하프톤 특성을 이용한 프린터 식별 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220054371A KR20230154664A (ko) 2022-05-02 2022-05-02 위조 지폐의 하프톤 특성을 이용한 프린터 식별 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20230154664A true KR20230154664A (ko) 2023-11-09

Family

ID=88748157

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220054371A KR20230154664A (ko) 2022-05-02 2022-05-02 위조 지폐의 하프톤 특성을 이용한 프린터 식별 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR20230154664A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100609031B1 (ko) 2001-10-30 2006-08-09 내셔널 프린팅 뷰로우 인코퍼레이티드 어드미니스트레이티브 에이전시 망점 인쇄물 및 그 인쇄 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100609031B1 (ko) 2001-10-30 2006-08-09 내셔널 프린팅 뷰로우 인코퍼레이티드 어드미니스트레이티브 에이전시 망점 인쇄물 및 그 인쇄 방법

Similar Documents

Publication Publication Date Title
KR101140699B1 (ko) 디지털 포렌직 기술을 이용한 보안 인쇄물 위조식별 시스템 및 그 방법
JP5624004B2 (ja) ハーフトーンパターンで印刷されたグレーまたは淡色テキストを含む、スキャンされた文書画像を２値化するための方法
Lampert et al. Printing technique classification for document counterfeit detection
CN104969268A (zh) 安全文件鉴别及执行鉴别的移动装置
US7387355B2 (en) High-image-quality halftone process
JP2017107455A (ja) 情報処理装置、制御方法、及びプログラム
RU2543931C2 (ru) Проверка подлинности защищенных документов, в частности банкнот
Darwish et al. Building an expert system for printer forensics: A new printer identification model based on niching genetic algorithm
EP3226534A1 (en) Signal processing apparatus, signal processing method, and program
AU2006223761A1 (en) Method and system for adaptive recognition of distorted text in computer images
Wu et al. A printer forensics method using halftone dot arrangement model
CN104537654B (zh) 利用半色调点位置失真打印图像篡改取证方法
Tsai et al. Digital forensics of microscopic images for printed source identification
Choi et al. Color laser printer identification by analyzing statistical features on discrete wavelet transform
KR20230154664A (ko) 위조 지폐의 하프톤 특성을 이용한 프린터 식별 장치 및 그 방법
JPH1027214A (ja) 光学式文字認識コンピュータにおける接触文字の分離方法及び装置
WO2020255971A1 (ja) 判定装置、判定装置の制御方法、判定システム、判定システムの制御方法、及び、プログラム
EP3702902A1 (en) Print medium classification mechanism
Chen et al. A distortion model-based pre-screening method for document image tampering localization under recapturing attack
Schulze et al. Using DCT features for printing technique and copy detection
Pfeifer et al. Detection of commercial offset printing in counterfeited banknotes
KR20110086990A (ko) 컬러 레이저 프린터 판별 방법
KR101030548B1 (ko) Cyan 컬러 이미지 정보의 망점 구조 분석에 의한 컬러레이저 프린터 판별 시스템 및 그 방법
Umadevi et al. Printed text characterization for identifying print technology using expectation maximization algorithm
Dunn et al. Extracting color halftones from printed documents using texture analysis