압축 센싱 기반 홍채 이미지 복원 및 인식

초록

본 논문은 압축 센싱(Compressive Sensing, CS)을 활용해 언더샘플링된 홍채 영상을 복원하고, 복원 품질이 홍채 인식 성능에 미치는 영향을 평가한다. DCT, 웨이블릿, 그리고 사전 학습된 딥러닝 기반 사전 등 여러 희소성 도메인을 비교하고, 측정 비율에 따른 PSNR·SSIM·인식 정확도를 실험적으로 분석한다. 결과는 적은 샘플 수에서도 적절한 희소성 도메인을 선택하면 원본에 근접한 복원이 가능하며, 실제 인증 시스템에서도 충분한 정확도를 유지함을 보여준다.

상세 분석

압축 센싱은 신호가 특정 변환 도메인에서 희소(sparse)하다는 전제 하에, 전통적인 나이퀴스트 샘플링보다 훨씬 적은 측정값만으로 원본을 복원할 수 있다는 이론적 기반을 제공한다. 본 연구에서는 홍채 이미지가 주로 고주파 성분을 포함하지만, DCT·웨이블릿·학습 기반 사전 등에서 대부분의 에너지가 소수의 계수에 집중된다는 점을 이용한다. 측정 행렬은 무작위 가우시안 및 구조화된 부분 랜덤 행렬을 사용했으며, 재구성 알고리즘으로는 전통적인 Basis Pursuit (ℓ1 최소화), Orthogonal Matching Pursuit (OMP), 그리고 최신의 ADMM 기반 변형을 적용하였다. 실험에서는 10%, 20%, 30%의 측정 비율을 설정하고, 각 비율마다 PSNR과 SSIM을 정량적으로 평가하였다. DCT 도메인은 저비율(10%)에서도 비교적 높은 PSNR(≈30 dB)를 기록했으며, 웨이블릿은 텍스처 보존에 강점이 있어 SSIM이 우수했다. 반면, 딥러닝 사전은 높은 비율에서 최고의 재구성 품질을 보였지만, 학습 데이터와의 도메인 불일치 시 성능 저하가 관찰되었다. 복원된 이미지들을 기존의 홍채 매칭 엔진(예: Daugman’s algorithm)으로 테스트한 결과, 20% 이상의 측정 비율에서는 인식 정확도가 95% 이상 유지되었으며, 특히 DCT 기반 복원이 가장 안정적인 매칭 성능을 제공했다. 이로써 압축 센싱이 실시간 혹은 저전력 환경에서의 홍채 인증에 실용적일 수 있음을 입증한다. 또한, 측정 행렬의 설계와 희소성 도메인의 선택이 복원 품질과 인식 성능 사이의 트레이드오프를 결정한다는 점을 강조한다.