유전 프로그래밍 기반 다중생체인식 점수 융합

초록

본 논문은 유전 프로그래밍(GP)을 이용해 다중생체인식 시스템의 점수 레벨 융합 함수를 자동 생성한다. 기존의 가중합 및 SVM 기반 방법과 비교해 데이터베이스 복잡도에 따라 동등하거나 더 우수한 인증 성능을 달성한다. 세 개의 공개 벤치마크 데이터셋을 이용해 실험을 수행했으며, GP가 간단한 산술 연산자와 논리 연산자를 조합해 최적의 비선형 융합식을 찾아냄을 보였다.

상세 분석

이 연구는 다중생체인식(multibiometrics) 분야에서 점수 레벨(score‑level) 융합을 위한 새로운 접근법을 제시한다. 전통적으로는 각 센서·알고리즘이 산출한 매칭 점수를 가중합(weighted sum)하거나 서포트 벡터 머신(SVM) 같은 비선형 분류기로 결합한다. 그러나 이러한 방법은 사전에 가중치를 설계하거나 커널을 선택해야 하는 번거로움이 있으며, 데이터 특성에 따라 최적 파라미터가 크게 달라진다. 저자들은 이러한 한계를 극복하기 위해 유전 프로그래밍(GP)을 활용한다. GP는 프로그램 트리를 진화시켜 최적의 수식 구조를 자동으로 탐색하는 메타휴리스틱으로, 여기서는 기본 연산자(+, –, *, /, min, max 등)와 상수, 입력 점수 변수를 노드로 사용한다. 초기 집단은 무작위로 생성되고, 적합도는 인증 성능을 나타내는 DET(Detection Error Trade‑off) 혹은 EER(Equal Error Rate) 기준으로 평가한다. 선택, 교차, 돌연변이 연산을 반복하면서 점차 높은 성능을 보이는 융합 함수를 발견한다.

실험에 사용된 데이터셋은 (1) 얼굴·지문·홍채 등 3가지 모달리티를 포함한 대규모 공개 데이터베이스, (2) 동일 모달리티 내에서 서로 다른 캡처 장치를 이용한 다중 캡처 데이터, (3) 다양한 환경(조명, 포즈, 노이즈)에서 수집된 복합 데이터이다. 각 데이터셋에 대해 기존 가중합, SVM, 그리고 제안된 GP 기반 융합 함수를 적용했으며, 결과는 ROC 곡선, EER, 그리고 최소화된 오류율을 기준으로 비교하였다. 특히 복잡도가 높은 데이터셋(다중 모달리티·다중 캡처·노이즈가 혼재)에서는 GP가 비선형 상호작용을 효과적으로 모델링해 EER을 1~2% 포인트 낮추는 성과를 보였다. 반면 단순한 두 모달리티 조합에서는 가중합과 거의 동등한 성능을 나타냈으며, 이는 GP가 과적합 없이 적절한 복잡도를 스스로 조절한다는 점을 시사한다.

또한 저자들은 GP가 생성한 수식의 해석 가능성에도 주목한다. 예를 들어, 최종 융합식이 “max(0.6·s1 + 0.4·s2 – 0.2·s3, s2·s3)”와 같은 형태로 나타났으며, 이는 특정 센서의 점수가 낮을 때 다른 센서와의 곱셈 항이 보정 역할을 함을 의미한다. 이러한 해석은 시스템 설계자가 센서 신뢰도와 상호작용을 직관적으로 이해하고, 필요 시 수동으로 조정할 수 있는 근거를 제공한다.

연산 복잡도 측면에서도 GP는 비교적 가벼운 연산만을 사용하도록 진화시키므로, 실시간 인증 시스템에 적용 가능하다. 저자들은 최종 모델을 C++ 코드로 자동 변환해 임베디드 환경에서 1 ms 이하의 처리 시간을 기록했다.

종합하면, 이 논문은 GP를 활용한 점수 융합이 기존 선형·비선형 방법에 비해 설계 비용을 크게 낮추면서도, 특히 데이터가 복잡하고 이질적인 경우에 성능 향상을 제공한다는 중요한 교훈을 제시한다. 향후 연구에서는 연산자 집합을 확대하거나, 다중 목표 최적화(성능·복잡도·해석 가능성)를 도입해 더욱 실용적인 융합 모델을 개발할 여지가 있다.