데이터베이스 이미지 그룹화를 통한 카메라 식별

초록

본 논문은 카메라 고유의 PRNU(픽셀 레벨 잡음) 패턴을 이용해 대규모 이미지 데이터베이스에서 동일 카메라로 촬영된 사진들을 자동으로 그룹화하는 방법을 제시한다. MATLAB 기반의 고속 잡음 추출 필터와 상관계수 임계값 설정을 통해 기존 방식보다 빠르게 PRNU를 추출하고, 상관도가 일정 기준을 초과하는 이미지들을 클러스터링한다. 실험 결과, 수천 장의 이미지에서도 높은 정확도로 카메라별 그룹을 형성할 수 있음을 확인하였다.

상세 요약

이 연구는 디지털 포렌식 분야에서 핵심적인 카메라 식별 문제를 데이터베이스 규모로 확장하는 접근법을 제시한다. 기존 PRNU 기반 식별은 개별 이미지와 사전 구축된 카메라 프로파일을 비교하는 방식이었으며, 이미지 수가 늘어날수록 연산량이 급증하는 단점이 있었다. 논문에서는 먼저 이미지에서 PRNU를 추출하는 과정을 가속화하기 위해 고속 필터(예: 차분 연산 기반의 저주파 차단 필터)를 적용하고, MATLAB의 벡터화 연산을 활용해 픽셀 단위 연산을 최소화하였다. 이때 잡음 패턴을 추출할 때 색채 채널을 통합하거나, 그레이스케일 변환 후 2‑D 푸리에 변환을 이용해 고주파 성분만을 선택함으로써 계산 복잡도를 크게 낮추었다.

다음 단계에서는 추출된 PRNU 패턴들 간의 상관계수를 계산한다. 상관계수는 일반적으로 피어슨 상관을 사용하지만, 논문에서는 잡음 패턴의 크기와 방향성을 고려해 정규화된 상관값을 도입하였다. 핵심은 임계값(threshold)을 어떻게 설정하느냐인데, 실험을 통해 0.015~0.02 사이의 값이 평균적인 이미지 품질과 압축 비율에서 최적의 균형을 제공한다는 결과를 얻었다. 이 임계값을 초과하는 이미지 쌍은 동일 카메라에서 촬영된 것으로 판단하고, 그래프 기반 클러스터링(연결 요소 탐색)으로 그룹을 형성한다.

알고리즘의 효율성은 두 가지 측면에서 검증되었다. 첫째, 잡음 추출 단계에서 기존 2‑D 웨이블릿 기반 방법 대비 약 5배 빠른 처리 속도를 보였으며, 메모리 사용량도 절반 수준으로 감소했다. 둘째, 그룹화 단계에서는 전체 데이터베이스를 한 번에 스캔하면서도 O(N log N) 수준의 복잡도로 클러스터를 형성해, 수천 장의 이미지에서도 실시간에 가까운 속도를 달성했다.

한계점으로는 매우 높은 압축(JPEG QF < 50)이나 강한 이미지 변형(회전, 크롭) 시 PRNU 패턴이 손상되어 상관계수가 낮아지는 문제가 있다. 또한, 동일 모델·시리즈 카메라 간 PRNU 차이가 미세해 구분이 어려울 수 있다. 향후 연구에서는 딥러닝 기반 잡음 패턴 강화와, 변형에 강인한 정합 방법을 도입해 이러한 약점을 보완할 필요가 있다.