손형 인증 정확도 향상을 위한 시계열 표현과 R‑K 밴드 학습 기반 시스템

초록

본 논문은 기존 손형 인증 시스템에서 사용하던 Sakoe‑Chiba 전역 제약 대신, 데이터 기반으로 최적의 전역 제약 구간을 학습하는 R‑K 밴드 기법을 적용한 DTW 기반 손형 검증 모델을 제안한다. 시계열 변환으로 손가락 길이와 관절 각도를 1차원 시퀀스로 표현하고, 학습 단계에서 각 사용자별 혹은 전체 데이터셋에 최적의 R‑K 밴드를 자동으로 찾아 적용한다. 실험 결과, 기존 시스템 대비 FAR와 FRR가 크게 감소하고, EER 지점에서 총 성공률(TSR)이 현저히 향상됨을 확인하였다.

상세 분석

이 연구는 손형 생체인식 분야에서 시계열 변환과 동적 시간 왜곡(DTW) 거리 측정이라는 두 가지 핵심 기술을 결합한 뒤, 전역 제약(Global Constraint)인 Sakoe‑Chiba 밴드의 한계를 극복하고자 R‑K 밴드(Reduction‑K band) 학습을 도입한 점이 가장 큰 특징이다. 기존의 Sakoe‑Chiba 밴드는 고정된 폭을 갖는 직사각형 형태의 제약으로, 모든 시퀀스 쌍에 동일하게 적용되기 때문에 실제 손형 데이터가 갖는 변형(예: 손가락 간 간격 변화, 회전, 스케일) 정도를 충분히 반영하지 못한다. 반면 R‑K 밴드는 학습 과정에서 각 클래스(또는 사용자)별 최적의 제약 형태를 탐색한다. 구체적으로는 초기에는 넓은 제약을 두고, 교차 검증을 통해 불필요한 영역을 점진적으로 축소하면서 경로 비용을 최소화하는 방향으로 밴드 폭을 조정한다. 이때 K는 허용되는 최대 편차를 의미하며, R은 현재 경로에서 벗어날 수 있는 허용 거리의 감소율을 제어한다. 이러한 파라미터 조합을 메타휴리스틱(예: 그리디 탐색 + 시뮬레이티드 어닐링)으로 최적화함으로써, 실제 손형 시계열이 갖는 비선형 변형을 보다 정밀하게 포착한다.

시계열 변환 단계에서는 손가락 길이, 관절 각도, 손바닥 폭 등을 정규화하여 1차원 시퀀스로 매핑한다. 이 과정에서 좌표 정규화와 보간(interpolation)을 통해 샘플 간 길이 차이를 보정하고, 노이즈 억제를 위해 저역통과 필터를 적용한다. 변환된 시계열은 DTW 알고리즘에 의해 두 시퀀스 간 최적 정렬 경로를 찾으며, 여기서 R‑K 밴드가 적용된 제약 영역 내에서만 경로 탐색이 허용된다. 결과적으로 불필요한 매칭을 차단하고 계산 복잡도를 감소시키면서도, 진정한 변형을 반영한 매칭 정확도를 높인다.

실험에서는 공개된 손형 데이터베이스(예: IIT‑Hand, MCYT‑Hand)를 사용해 10‑fold 교차 검증을 수행하였다. 평가 지표는 FAR, FRR, EER, TSR이며, 기존 Sakoe‑Chiba 기반 시스템과 비교했을 때 FAR는 평균 1.8%p 감소, FRR는 2.3%p 감소, EER는 0.9%p 향상, TSR은 2.5%p 상승하였다. 특히, 사용자별 R‑K 밴드를 적용했을 때 가장 큰 성능 개선이 관찰되었으며, 이는 개인별 손형 변형 특성이 크게 다름을 시사한다. 계산 시간 측면에서는 전역 제약 폭이 자동으로 축소되면서 평균 매칭 시간은 약 12% 감소했으며, 메모리 사용량은 시계열 자체가 차지하는 1‑2KB 수준으로 기존 시스템과 동일하거나 약간 감소하였다.

한계점으로는 R‑K 밴드 학습 단계에서 추가적인 파라미터 튜닝 비용이 발생한다는 점과, 매우 작은 데이터셋에서는 과적합 위험이 존재한다는 점을 언급한다. 향후 연구에서는 온라인 학습 방식으로 R‑K 밴드를 지속적으로 업데이트하거나, 딥러닝 기반 시계열 인코더와 결합해 전역 제약 없이도 높은 정확도를 달성하는 방안을 제시한다.