열화상 얼굴 인식으로 사용자 자동 식별: 시암 네트워크 활용

초록

본 논문은 얼굴 열화상 영상을 이용한 생체인식 시스템을 설계하고, 시암(Siamese) 신경망을 적용해 자동 사용자 식별을 수행한다. 적절한 적외선 파장대(LWIR), 고해상도·고감도 열 카메라 사양, 30 Hz 이상 프레임레이트 등 하드웨어 요구조건을 제시하고, 32명·3 720장의 열화상 데이터셋으로 실험하였다. 시암 네트워크 기반 모델은 약 80 %의 정확도를 달성했으며, 가시광선과 결합한 하이브리드 시스템의 가능성도 논의한다.

상세 분석

이 연구는 기존 가시광 기반 얼굴 인식이 조명 변화, 표정 변동, 스푸핑 등에 취약한 점을 보완하기 위해 적외선 열화상(Facial Thermogram)을 활용한다. 논문은 NIR·SWIR·MWIR·LWIR 네 가지 파장대를 비교 분석하고, 인간 체온 방출 피크가 9~10 µm에 위치하는 LWIR이 얼굴 열패턴을 가장 효과적으로 포착한다는 결론을 내린다. 하드웨어 측면에서는 최소 320×240 픽셀, 이상적으로는 640×512 픽셀 이상의 해상도와 NETD ≤30 mK(고정밀에서는 ≤20 mK)의 열 감도가 요구된다. 또한 30 Hz 이상의 프레임레이트는 움직임에 의한 블러를 방지하고, 영상 스트림을 통한 프레임 추출이 데이터 다양성을 크게 향상시켜 모델 일반화에 기여한다는 점을 강조한다.

데이터셋은 UNI‑T UTi260B 열 카메라로 촬영한 32명의 비디오 스트림(각 3~5 분)에서 추출한 3 720장의 정규화된 열화상으로 구성된다. 영상 기반 수집 방식은 다양한 머리 각도·표정·미세 움직임을 자연스럽게 포함시켜, 소량의 피험자 데이터에도 불구하고 시암 네트워크가 학습할 수 있는 풍부한 변이성을 제공한다.

시암 네트워크는 두 개의 동일한 서브넷이 가중치를 공유하며, 입력 이미지 쌍을 각각 임베딩 벡터로 변환한다. 유클리드 거리 기반 유사도 측정으로 “동일인물”과 “다른인물”을 구분한다. 이 구조는 클래스 수가 제한된 전통적 분류기와 달리, 새로운 사용자를 포함한 개방형 검증(open‑set verification) 상황에 적합하다. 논문은 300 epoch 학습, 회전·스케일·표정 변형을 포함한 표준 데이터 증강을 적용했으며, 80 % 정확도(Precision 0.776, Recall 0.790, F1 0.737)를 기록했다.

성능 평가에서는 데이터 규모가 작아 실제 보안 현장에서 요구되는 99 % 이상 정확도에 미치지 못한다는 한계를 인정한다. 또한 열화상은 환경 온도·신체 활동·안경·호흡 등에 민감해 노이즈와 해상도 제한이 발생한다. 따라서 대규모 다변량 데이터베이스 구축, 고성능 열 센서 도입, 어텐션 기반 고도화 모델 적용, 그리고 가시광 영상과의 멀티스펙트럼 융합이 향후 연구 방향으로 제시된다. 보안 측면에서는 열 기반 스푸핑 방어가 강화되지만, 여전히 물리적 교란·적대적 패턴에 취약할 수 있어 추가적인 안티스푸핑 메커니즘이 필요하다. 전반적으로 열화상과 시암 네트워크의 결합은 비접촉·조명 무관한 인증을 가능하게 하며, 향후 실시간·대규모 적용을 위한 기술적 과제가 남아 있다.