최근 금융 및 보안 분야에서 얼굴인식을 통한 본인인증을 통해 안전한 인증 시스템 구축이 활발해지고 있습니다. 이에 타인의 얼굴을 도용하거나, 위변조로 인한 부정 인증을 방지하는 시스템의 중요성이 강조되고 있습니다. iBeta의 PAD(Presentation Attack Detection)는 얼굴 위변조 탐지 성능을 검증하는 테스트로, 실생활에서 정확하고 일관되게 작동되는 시스템 성능을 평가합니다. 테스트 시간은 총 8시간 이내이며, 일반 가정 및 사무실 환경에서 쉽게 구할 수 있는 종이 및 전자기기 등을 위변조 시료로 활용합니다. 150번의 위변조 공격과 50번의 실제 얼굴을 교대로 대조합니다. 0%의 위변조 공격 성공률 및 일치율을 기록할 시 테스트를 통과할 수 있습니다. 평가 방식은 총 3단계로 구분됩니다.
1) PAD 서브 시스템 테스트
다양한 형태의 위변조 얼굴 탐지 성능만을 평가합니다. APCER(Attack Presentation Classification Error Rate)와 BPCER(Bona Fide Presentation Classification Error Rate)은 위변조 탐지 시스템의 성능을 측정하기 위해 사용되는 두 가지 중요한 지표입니다. APCER는 위변조 얼굴을 실제 얼굴로 분류하는 오류율을, BPCER은 실제 얼굴을 위변조로 분류하는 오류율을 나타냅니다. 두 가지의 오류율이 낮을수록 정확한 위변조 감지 성능을 의미합니다.
2) 데이터 캡처 테스트
위변조 탐지 시스템이 얼굴 데이터를 캡처하고 처리하는 방식과 함께 품질 검사를 함께 수행합니다. 데이터에서 얼굴을 인식하고 특징점을 추출하는 알고리즘을 평가를 통해 시스템의 데이터 수집 성능을 검증합니다.
3) 전체 시스템 테스트
위변조 탐지 시스템의 전체적인 성능과 생체 비교 기능을 평가합니다. 실제 사람과 위변조 데이터를 대조하는 방식이며, 위변조 공격 프레젠테이션 일치율(IAPMR)과 관련된 거짓 거부율(FNMR), 거짓 일치율(FMR)을 통해 성능을 검증합니다. IAPMR(Imposter Attack Presentation Match Rate)은 위변조 데이터와 진짜 얼굴간의 일치율을 나타냅니다. 가짜 얼굴 데이터와 실제 얼굴 데이터 간의 일치 정도를 측정합니다. FNMR(False Non-Match Rate)은 같은 사람을 다른 사람이라고 잘못 판단하는 오류율이며, FMR(False Match Rate)은 다른 사람을 같은 사람으로 잘못 인식하는 오류율을 나타냅니다. 세 가지의 지표가 낮은 수치를 기록할수록 높은 위변조 탐지 성능과 신원 인증 정확성을 나타냅니다.
iBeta PAD 테스트 도전기: 국내 최초 RGB 카메라 인증에 도전하다
알체라는 RGB 카메라를 통한 위변조 탐지 성능 고도화를 위해 노력 중입니다. RGB 카메라의 경우, 다른 유형과 비교하여 위변조 판별 난이도가 높습니다. 그러나 하드웨어의 제약성이 낮은 편으로, 광범위한 분야에서 기술 적용이 가능합니다.
RGB 카메라는 색상 정보를 이용하여 얼굴 이미지를 캡처하고 분석하는 방식으로 위변조 탐지에 필요한 열 정보, 세부적인 얼굴 특징 및 깊이 정보 등이 매우 제한적입니다. 또한, 조명에 따른 영향을 크게 받기 때문에 이를 개선하기 위한 데이터 학습 및 알고리즘 개발이 필수적입니다.
• 데이터 증강 기법 예시 – 밝기 조절 (Brightness)
<출처: A survey on Image Data Augmentation for Deep Learning>
실생활에서 일관된 인식 및 탐지 성능을 위해 다양한 조명 환경을 반영한 데이터를 학습에 활용합니다. 밝기 조절을 통한 데이터 증강 기법의 종류로는 3개의 채널 조절(Channel Shuffle), 랜덤 밝기 조절(Random Brightness), 채도 값 변화(Hue-Saturation) 등이 있습니다. 그중 알체라는 RGB 카메라가 장착된 디바이스가 주로 활용되는 환경의 밝기 변화를 고려하여 ‘랜덤 밝기 조절’방식을 선택하여 학습에 적용했습니다.
• 데이터 증강 기법 예시 – 모션 블러 (Motion Blur)
실생활에서 RGB 카메라가 장착된 디바이스로 영상을 촬영할 경우 초점 및 흔들림을 완벽히 방지할 수 없습니다. 이를 대비하기 위해 Blur를 인위적으로 만들어 학습에 활용합니다. Blur의 종류에는 가우시안 블러(Gaussian Blur), 미디언블러(Median Blur), 모션 블러(Motion Blur) 등이 있습니다. 그중 알체라에서는 모션 블러를 활용하고 있습니다. 촬영 시 물체의 움직임으로 인해 발생하는 현상을 대비한 것으로 실생활에서 활용도가 높습니다.
알체라, 타사 대비 39배 높은 성능 입증하다
알체라는 올해 1월 진행된 자체 테스트에서 100%의 위변조 판별에 성공, 실제 얼굴을 통한 사용성 테스트에서도 99% 이상의 높은 정확도를 자랑했습니다. 해당 테스트는 일반 프린트 출력물, 고품질 출력물, 2D 안면 마스크, 3D 얼굴 모형을 시료로 활용하였고, 사용자 참여를 요구하지 않는 Passive 방식으로 진행되었습니다. 알체라는 해당 결과를 통해 국내 얼굴인식 AI 기업 2곳과 비교하여 약 35~39배 이상 높은 성능을 입증했습니다. 알체라는 높은 사용성 및 기술 범용성을 장점으로 다양한 분야에 비대면 본인인증 솔루션을 제공하고 있습니다.
알체라의 얼굴 위변조 탐지 성능 적용 사례
비대면 상에서 이뤄지는 금융거래 시 신분증 도용이나, 얼굴 위변조를 통한 부정거래를 방지하기 위해 고성능의 얼굴 위변조 탐지 기술은 필수입니다. 알체라는 국내 최고의 인터넷 전문은행 토스뱅크에 비대면 본인인증 솔루션을 제공하고 있습니다. 셀프카메라를 통한 로그인, 본인인증, 계좌 개설 등의 서비스에 알체라의 얼굴인식 AI가 적용되고 있으며, 얼굴 위변조 탐지 기술이 포함되어 있습니다. 토스뱅크는 알체라의 얼굴인식 AI를 통해 신분증 제출 및 1원 계좌인증 또는 영상통화 등의 절차를 거쳐야 했던 인증과정을 얼굴인증만으로 간소화했으며, 셀피를 찍는 정도의 단순한 행위만으로 정확한 본인인증이 가능합니다.
지금까지 iBeta PAD 테스트를 시작으로 얼굴 위변조 탐지 성능에 대해 자세히 살펴보았습니다. 알체라는 하드웨어와 소프트웨어의 한계를 뛰어넘는 지속적인 성능개선으로 더 다양한 분야에 얼굴인식 AI를 적용, 확대할 것입니다.
연계 콘텐츠: 얼굴 위변조 탐지 성능 인증, iBeta PAD 테스트 이해하기 Part 1. 미국 국제표준기술연구소(NIST) 글로벌 얼굴인식 테스트(FRVT) 이해하기 Part 1. 미국 국제표준기술연구소(NIST) 글로벌 얼굴인식 테스트(FRVT) 이해하기 Part 2.
#
얼굴인식
PAD 테스트 검증 방식
최근 금융 및 보안 분야에서 얼굴인식을 통한 본인인증을 통해 안전한 인증 시스템 구축이 활발해지고 있습니다. 이에 타인의 얼굴을 도용하거나, 위변조로 인한 부정 인증을 방지하는 시스템의 중요성이 강조되고 있습니다. iBeta의 PAD(Presentation Attack Detection)는 얼굴 위변조 탐지 성능을 검증하는 테스트로, 실생활에서 정확하고 일관되게 작동되는 시스템 성능을 평가합니다. 테스트 시간은 총 8시간 이내이며, 일반 가정 및 사무실 환경에서 쉽게 구할 수 있는 종이 및 전자기기 등을 위변조 시료로 활용합니다. 150번의 위변조 공격과 50번의 실제 얼굴을 교대로 대조합니다. 0%의 위변조 공격 성공률 및 일치율을 기록할 시 테스트를 통과할 수 있습니다. 평가 방식은 총 3단계로 구분됩니다.
1) PAD 서브 시스템 테스트
다양한 형태의 위변조 얼굴 탐지 성능만을 평가합니다. APCER(Attack Presentation Classification Error Rate)와 BPCER(Bona Fide Presentation Classification Error Rate)은 위변조 탐지 시스템의 성능을 측정하기 위해 사용되는 두 가지 중요한 지표입니다. APCER는 위변조 얼굴을 실제 얼굴로 분류하는 오류율을, BPCER은 실제 얼굴을 위변조로 분류하는 오류율을 나타냅니다. 두 가지의 오류율이 낮을수록 정확한 위변조 감지 성능을 의미합니다.
2) 데이터 캡처 테스트
위변조 탐지 시스템이 얼굴 데이터를 캡처하고 처리하는 방식과 함께 품질 검사를 함께 수행합니다. 데이터에서 얼굴을 인식하고 특징점을 추출하는 알고리즘을 평가를 통해 시스템의 데이터 수집 성능을 검증합니다.
3) 전체 시스템 테스트
위변조 탐지 시스템의 전체적인 성능과 생체 비교 기능을 평가합니다. 실제 사람과 위변조 데이터를 대조하는 방식이며, 위변조 공격 프레젠테이션 일치율(IAPMR)과 관련된 거짓 거부율(FNMR), 거짓 일치율(FMR)을 통해 성능을 검증합니다. IAPMR(Imposter Attack Presentation Match Rate)은 위변조 데이터와 진짜 얼굴간의 일치율을 나타냅니다. 가짜 얼굴 데이터와 실제 얼굴 데이터 간의 일치 정도를 측정합니다. FNMR(False Non-Match Rate)은 같은 사람을 다른 사람이라고 잘못 판단하는 오류율이며, FMR(False Match Rate)은 다른 사람을 같은 사람으로 잘못 인식하는 오류율을 나타냅니다. 세 가지의 지표가 낮은 수치를 기록할수록 높은 위변조 탐지 성능과 신원 인증 정확성을 나타냅니다.
iBeta PAD 테스트 도전기: 국내 최초 RGB 카메라 인증에 도전하다
알체라는 RGB 카메라를 통한 위변조 탐지 성능 고도화를 위해 노력 중입니다. RGB 카메라의 경우, 다른 유형과 비교하여 위변조 판별 난이도가 높습니다. 그러나 하드웨어의 제약성이 낮은 편으로, 광범위한 분야에서 기술 적용이 가능합니다.
RGB 카메라는 색상 정보를 이용하여 얼굴 이미지를 캡처하고 분석하는 방식으로 위변조 탐지에 필요한 열 정보, 세부적인 얼굴 특징 및 깊이 정보 등이 매우 제한적입니다. 또한, 조명에 따른 영향을 크게 받기 때문에 이를 개선하기 위한 데이터 학습 및 알고리즘 개발이 필수적입니다.
• 데이터 증강 기법 예시 – 밝기 조절 (Brightness)
<출처: A survey on Image Data Augmentation for Deep Learning>
실생활에서 일관된 인식 및 탐지 성능을 위해 다양한 조명 환경을 반영한 데이터를 학습에 활용합니다. 밝기 조절을 통한 데이터 증강 기법의 종류로는 3개의 채널 조절(Channel Shuffle), 랜덤 밝기 조절(Random Brightness), 채도 값 변화(Hue-Saturation) 등이 있습니다. 그중 알체라는 RGB 카메라가 장착된 디바이스가 주로 활용되는 환경의 밝기 변화를 고려하여 ‘랜덤 밝기 조절’방식을 선택하여 학습에 적용했습니다.
• 데이터 증강 기법 예시 – 모션 블러 (Motion Blur)
실생활에서 RGB 카메라가 장착된 디바이스로 영상을 촬영할 경우 초점 및 흔들림을 완벽히 방지할 수 없습니다. 이를 대비하기 위해 Blur를 인위적으로 만들어 학습에 활용합니다. Blur의 종류에는 가우시안 블러(Gaussian Blur), 미디언블러(Median Blur), 모션 블러(Motion Blur) 등이 있습니다. 그중 알체라에서는 모션 블러를 활용하고 있습니다. 촬영 시 물체의 움직임으로 인해 발생하는 현상을 대비한 것으로 실생활에서 활용도가 높습니다.
알체라, 타사 대비 39배 높은 성능 입증하다
알체라는 올해 1월 진행된 자체 테스트에서 100%의 위변조 판별에 성공, 실제 얼굴을 통한 사용성 테스트에서도 99% 이상의 높은 정확도를 자랑했습니다. 해당 테스트는 일반 프린트 출력물, 고품질 출력물, 2D 안면 마스크, 3D 얼굴 모형을 시료로 활용하였고, 사용자 참여를 요구하지 않는 Passive 방식으로 진행되었습니다. 알체라는 해당 결과를 통해 국내 얼굴인식 AI 기업 2곳과 비교하여 약 35~39배 이상 높은 성능을 입증했습니다. 알체라는 높은 사용성 및 기술 범용성을 장점으로 다양한 분야에 비대면 본인인증 솔루션을 제공하고 있습니다.
알체라의 얼굴 위변조 탐지 성능 적용 사례
비대면 상에서 이뤄지는 금융거래 시 신분증 도용이나, 얼굴 위변조를 통한 부정거래를 방지하기 위해 고성능의 얼굴 위변조 탐지 기술은 필수입니다. 알체라는 국내 최고의 인터넷 전문은행 토스뱅크에 비대면 본인인증 솔루션을 제공하고 있습니다. 셀프카메라를 통한 로그인, 본인인증, 계좌 개설 등의 서비스에 알체라의 얼굴인식 AI가 적용되고 있으며, 얼굴 위변조 탐지 기술이 포함되어 있습니다. 토스뱅크는 알체라의 얼굴인식 AI를 통해 신분증 제출 및 1원 계좌인증 또는 영상통화 등의 절차를 거쳐야 했던 인증과정을 얼굴인증만으로 간소화했으며, 셀피를 찍는 정도의 단순한 행위만으로 정확한 본인인증이 가능합니다.
지금까지 iBeta PAD 테스트를 시작으로 얼굴 위변조 탐지 성능에 대해 자세히 살펴보았습니다. 알체라는 하드웨어와 소프트웨어의 한계를 뛰어넘는 지속적인 성능개선으로 더 다양한 분야에 얼굴인식 AI를 적용, 확대할 것입니다.
연계 콘텐츠: 얼굴 위변조 탐지 성능 인증, iBeta PAD 테스트 이해하기 Part 1. 미국 국제표준기술연구소(NIST) 글로벌 얼굴인식 테스트(FRVT) 이해하기 Part 1. 미국 국제표준기술연구소(NIST) 글로벌 얼굴인식 테스트(FRVT) 이해하기 Part 2.
#
얼굴인식
PAD 테스트 검증 방식
최근 금융 및 보안 분야에서 얼굴인식을 통한 본인인증을 통해 안전한 인증 시스템 구축이 활발해지고 있습니다. 이에 타인의 얼굴을 도용하거나, 위변조로 인한 부정 인증을 방지하는 시스템의 중요성이 강조되고 있습니다. iBeta의 PAD(Presentation Attack Detection)는 얼굴 위변조 탐지 성능을 검증하는 테스트로, 실생활에서 정확하고 일관되게 작동되는 시스템 성능을 평가합니다. 테스트 시간은 총 8시간 이내이며, 일반 가정 및 사무실 환경에서 쉽게 구할 수 있는 종이 및 전자기기 등을 위변조 시료로 활용합니다. 150번의 위변조 공격과 50번의 실제 얼굴을 교대로 대조합니다. 0%의 위변조 공격 성공률 및 일치율을 기록할 시 테스트를 통과할 수 있습니다. 평가 방식은 총 3단계로 구분됩니다.
1) PAD 서브 시스템 테스트
다양한 형태의 위변조 얼굴 탐지 성능만을 평가합니다. APCER(Attack Presentation Classification Error Rate)와 BPCER(Bona Fide Presentation Classification Error Rate)은 위변조 탐지 시스템의 성능을 측정하기 위해 사용되는 두 가지 중요한 지표입니다. APCER는 위변조 얼굴을 실제 얼굴로 분류하는 오류율을, BPCER은 실제 얼굴을 위변조로 분류하는 오류율을 나타냅니다. 두 가지의 오류율이 낮을수록 정확한 위변조 감지 성능을 의미합니다.
2) 데이터 캡처 테스트
위변조 탐지 시스템이 얼굴 데이터를 캡처하고 처리하는 방식과 함께 품질 검사를 함께 수행합니다. 데이터에서 얼굴을 인식하고 특징점을 추출하는 알고리즘을 평가를 통해 시스템의 데이터 수집 성능을 검증합니다.
3) 전체 시스템 테스트
위변조 탐지 시스템의 전체적인 성능과 생체 비교 기능을 평가합니다. 실제 사람과 위변조 데이터를 대조하는 방식이며, 위변조 공격 프레젠테이션 일치율(IAPMR)과 관련된 거짓 거부율(FNMR), 거짓 일치율(FMR)을 통해 성능을 검증합니다. IAPMR(Imposter Attack Presentation Match Rate)은 위변조 데이터와 진짜 얼굴간의 일치율을 나타냅니다. 가짜 얼굴 데이터와 실제 얼굴 데이터 간의 일치 정도를 측정합니다. FNMR(False Non-Match Rate)은 같은 사람을 다른 사람이라고 잘못 판단하는 오류율이며, FMR(False Match Rate)은 다른 사람을 같은 사람으로 잘못 인식하는 오류율을 나타냅니다. 세 가지의 지표가 낮은 수치를 기록할수록 높은 위변조 탐지 성능과 신원 인증 정확성을 나타냅니다.
iBeta PAD 테스트 도전기: 국내 최초 RGB 카메라 인증에 도전하다
알체라는 RGB 카메라를 통한 위변조 탐지 성능 고도화를 위해 노력 중입니다. RGB 카메라의 경우, 다른 유형과 비교하여 위변조 판별 난이도가 높습니다. 그러나 하드웨어의 제약성이 낮은 편으로, 광범위한 분야에서 기술 적용이 가능합니다.
RGB 카메라는 색상 정보를 이용하여 얼굴 이미지를 캡처하고 분석하는 방식으로 위변조 탐지에 필요한 열 정보, 세부적인 얼굴 특징 및 깊이 정보 등이 매우 제한적입니다. 또한, 조명에 따른 영향을 크게 받기 때문에 이를 개선하기 위한 데이터 학습 및 알고리즘 개발이 필수적입니다.
• 데이터 증강 기법 예시 – 밝기 조절 (Brightness)
<출처: A survey on Image Data Augmentation for Deep Learning>
실생활에서 일관된 인식 및 탐지 성능을 위해 다양한 조명 환경을 반영한 데이터를 학습에 활용합니다. 밝기 조절을 통한 데이터 증강 기법의 종류로는 3개의 채널 조절(Channel Shuffle), 랜덤 밝기 조절(Random Brightness), 채도 값 변화(Hue-Saturation) 등이 있습니다. 그중 알체라는 RGB 카메라가 장착된 디바이스가 주로 활용되는 환경의 밝기 변화를 고려하여 ‘랜덤 밝기 조절’방식을 선택하여 학습에 적용했습니다.
• 데이터 증강 기법 예시 – 모션 블러 (Motion Blur)
실생활에서 RGB 카메라가 장착된 디바이스로 영상을 촬영할 경우 초점 및 흔들림을 완벽히 방지할 수 없습니다. 이를 대비하기 위해 Blur를 인위적으로 만들어 학습에 활용합니다. Blur의 종류에는 가우시안 블러(Gaussian Blur), 미디언블러(Median Blur), 모션 블러(Motion Blur) 등이 있습니다. 그중 알체라에서는 모션 블러를 활용하고 있습니다. 촬영 시 물체의 움직임으로 인해 발생하는 현상을 대비한 것으로 실생활에서 활용도가 높습니다.
알체라, 타사 대비 39배 높은 성능 입증하다
알체라는 올해 1월 진행된 자체 테스트에서 100%의 위변조 판별에 성공, 실제 얼굴을 통한 사용성 테스트에서도 99% 이상의 높은 정확도를 자랑했습니다. 해당 테스트는 일반 프린트 출력물, 고품질 출력물, 2D 안면 마스크, 3D 얼굴 모형을 시료로 활용하였고, 사용자 참여를 요구하지 않는 Passive 방식으로 진행되었습니다. 알체라는 해당 결과를 통해 국내 얼굴인식 AI 기업 2곳과 비교하여 약 35~39배 이상 높은 성능을 입증했습니다. 알체라는 높은 사용성 및 기술 범용성을 장점으로 다양한 분야에 비대면 본인인증 솔루션을 제공하고 있습니다.
알체라의 얼굴 위변조 탐지 성능 적용 사례
비대면 상에서 이뤄지는 금융거래 시 신분증 도용이나, 얼굴 위변조를 통한 부정거래를 방지하기 위해 고성능의 얼굴 위변조 탐지 기술은 필수입니다. 알체라는 국내 최고의 인터넷 전문은행 토스뱅크에 비대면 본인인증 솔루션을 제공하고 있습니다. 셀프카메라를 통한 로그인, 본인인증, 계좌 개설 등의 서비스에 알체라의 얼굴인식 AI가 적용되고 있으며, 얼굴 위변조 탐지 기술이 포함되어 있습니다. 토스뱅크는 알체라의 얼굴인식 AI를 통해 신분증 제출 및 1원 계좌인증 또는 영상통화 등의 절차를 거쳐야 했던 인증과정을 얼굴인증만으로 간소화했으며, 셀피를 찍는 정도의 단순한 행위만으로 정확한 본인인증이 가능합니다.
지금까지 iBeta PAD 테스트를 시작으로 얼굴 위변조 탐지 성능에 대해 자세히 살펴보았습니다. 알체라는 하드웨어와 소프트웨어의 한계를 뛰어넘는 지속적인 성능개선으로 더 다양한 분야에 얼굴인식 AI를 적용, 확대할 것입니다.
연계 콘텐츠: 얼굴 위변조 탐지 성능 인증, iBeta PAD 테스트 이해하기 Part 1. 미국 국제표준기술연구소(NIST) 글로벌 얼굴인식 테스트(FRVT) 이해하기 Part 1. 미국 국제표준기술연구소(NIST) 글로벌 얼굴인식 테스트(FRVT) 이해하기 Part 2.
.webp)
.webp)
.webp)
.webp)
.webp)
