다중 매처 결합을 위한 SVM 기반 오프라인 서명 식별

초록

본 논문은 오프라인 서명 이미지에서 전역·국부 특징을 추출하고, 가우시안 경험법칙, 유클리드 거리, 마할라노비스 거리 기반 세 개의 분류기로 매칭 점수를 산출한다. 이후 서포트 벡터 머신(SVM)으로 이 점수들을 융합하여 최종 서명 식별을 수행한다. 600명, 5400개의 서명 데이터베이스에서 실험한 결과, 기존 단일 매처 대비 인식 정확도가 크게 향상됨을 확인하였다.

상세 분석

이 연구는 오프라인 서명 인식에서 특징 추출과 매칭 단계의 다중화가 성능 향상에 기여한다는 가설을 실험적으로 검증한다. 먼저 서명 이미지를 전처리한 뒤, 전역 특징(예: 서명의 전체 면적, 중심점, 회전 각도)과 국부 특징(예: 스트로크의 시작·끝점, 교차점, 곡률)으로 나누어 30여 개의 변수들을 추출한다. 전역·국부 정보를 동시에 활용함으로써 서명의 전체적인 형태와 세부적인 필압·속도 변화를 모두 포착한다는 점이 강점이다.

다음으로 세 가지 거리 기반 매처를 도입한다. 가우시안 경험법칙 매처는 각 특징의 평균·분산을 이용해 정규분포 가정을 검증하고, 확률적 유사도를 산출한다. 유클리드 거리 매처는 단순히 피처 벡터 간 L2 거리를 계산해 유사성을 평가하며, 마할라노비스 거리 매처는 공분산 행렬을 고려해 특징 간 상관관계를 보정한다. 이 세 매처는 각각 다른 통계적 관점을 제공하므로, 개별적으로는 잡음이나 변형에 취약할 수 있다.

핵심 기여는 이러한 서로 다른 매칭 점수를 서포트 벡터 머신으로 융합하는 단계이다. SVM은 선형 혹은 비선형 커널을 통해 고차원 특징 공간에서 최적의 결정 경계를 학습한다. 논문에서는 RBF 커널을 사용해 각 매처의 점수를 입력 특징으로 삼고, 정규화된 라벨(정상/위조)로 학습한다. 이 과정에서 SVM은 각 매처의 신뢰도를 자동으로 가중치화하여, 예를 들어 마할라노비스 거리가 높은 경우 해당 점수의 영향력을 감소시킨다. 결과적으로 단일 매처 대비 ROC 곡선이 크게 개선되고, EER(동등 오류율)이 4% 이하로 감소한다.

실험은 600명의 서명(각인당 9장)으로 구성된 5400개의 이미지 데이터베이스에서 수행되었다. 교차 검증을 통해 훈련·테스트 셋을 5:1 비율로 나누었으며, 각 매처와 SVM 융합 모델의 정확도, 정밀도, 재현율을 비교하였다. SVM 융합 모델은 평균 인식 정확도 96.3%를 달성했으며, 기존 단일 매처(최고 89.7%)보다 현저히 높은 성능을 보였다.

이 논문의 한계는 데이터베이스가 비교적 제한적이며, 서명 변형(예: 압력 변화, 스캔 해상도 차이)에 대한 일반화 검증이 부족하다는 점이다. 또한 SVM 파라미터 튜닝 과정이 상세히 기술되지 않아 재현성에 영향을 줄 수 있다. 향후 연구에서는 딥러닝 기반 특징 추출과의 비교, 다양한 커널 함수 탐색, 그리고 대규모 공개 데이터셋을 활용한 검증이 필요하다.