유전 프로그래밍 기반 지문 매칭 기술

이 논문은 지문 인식 시스템에서 가장 널리 사용되는 미니처 기반 매칭 방법에 새로운 접근을 시도한다. 기존 방법은 미니처의 위치와 방향을 직접 비교하거나, 거리·각도 기반의 매칭 알고리즘을 적용해 매칭을 수행한다. 그러나 이러한 방식은 미니처 간 복합적인 관계를 충분히 모델링하지 못하고, 변형·왜곡에 취약한 단점이 있다. 저자들은 이러한 문제를 해결하기 위해 유전 프로그래밍(Genetic Programming, GP)을 활용해 미니처 집합을 수학적 함수 형태로 추출하고, 이를 매칭 기준으로 삼는 프레임워크를 제안한다. 논문의 흐름은 크게 네 단계로 구성된다. 첫 번째 단계는 지문 이미지 전처리이다. 원본 지문을 향상 및 필터링하여 명암 대비를 높인 뒤, 스켈레톤화 과정을 거쳐 이진화한다. 두 번째 단계는 미니처 추출이다. 3×3 윈도우와 교차 번호(CN) 기법을 적용해 각 픽셀의 주변 8개 이웃을 검사함으로써 종말점(끝점)과 분기점을 식별한다. 추출된 미니처는 표 Ⅰ과 표Ⅱ에 정리되며, 끝점은 (x, y, angle) 세 변수, 분기점은 (x, y, angle1, angle2, angle3) 다섯 변수로 표현된다. 세 번째 단계는 GP를 이용한 모델 학습이다. 터미널 집합은 미니처 변수와 무작위 정수 상수로 구성하고, 함수 집합은 사칙연산(+,−,*,/)만을 사용한다. GP 파라미터는 최대 세대 1700, 인구 2500, 최대 깊이 18 등으로 설정되며, 피트니스는 각 미니처 집합에 대해 예측된 y값과 실제 y값 사이의 평균 제곱 오차(MSE)로 정의한다. 진화 과정에서 클로닝, 교차, 변이가 적용되어 새로운 프로그램 트리가 생성되고, 가장 낮은 MSE를 보이는 프로그램이 최종 모델이 된다. 결과적으로 “y = f(x, angles…)” 형태의 S-표현식이 도출되며, 이는 쿼리 지문의 미니처와 대응되는 수학식이다. 네 번째 단계는 매칭 판단이다. 데이터베이스에 저장된 각 지문에 대해 동일한 GP 모델에 미니처 값을 입력하고 y값을 계산한다. 쿼리 지문의 모델이 산출한 y값과 데이터베이스 지문의 y값이 허용 오차 범위 내에서 일치하면 매칭으로 간주한다. 실험에서는 세 개의 저장 지문(이미지 7a, 7b, 7c)과 하나의 쿼리 지문을 사용하였다. 끝점과 분기점 각각에 대해 MSE를 계산한 결과, 이미지 7b만이 두 모델에서 모두 최소 오차를 보이며 매칭으로 판정되었다. 다른 두 이미지에서는 오차가 크게 나타나 매칭이 부정확함을 확인하였다. 논문의 주요 기여는 다음과 같다. 첫째, 미니처 집합을 단순 좌표·각도 비교가 아닌, GP를 통해 복합적인 수학적 관계식으로 변환함으로써 매칭 정확도를 향상시켰다. 둘째, GP 기반 모델은 데이터베이스에 새로운 지문이 추가될 때 재학습 없이 기존 모델에 입력만으로 매칭 가능하다는 점에서 확장성을 제공한다. 셋째, 실험 결과는 제안된 방법이 기존 미니처 매칭 대비 더 정밀한 판별을 수행함을 실증하였다. 하지만 논문에는 몇 가지 한계와 개선점이 존재한다. GP 연산은 계산량이 많아 실시간 시스템에 적용하기 어려우며, 현재 실험은 제한된 소규모 데이터셋에만 적용되었다. 또한, 터미널에 무작위 상수를 포함시키는 방식이 모델의 일반화 능력을 저해할 가능성이 있다. 향후 연구에서는 병렬화된 GP 알고리즘을 도입해 연산 속도를 개선하고, 다양한 센서·압력·노이즈 조건에서의 견고성을 검증하기 위해 대규모 공개 데이터베이스를 활용할 필요가 있다. 또한, 피트니스 함수를 다중 목표(예: 구조적 유사도, 회전·스케일 불변성)로 확장함으로써 보다 강인한 매칭 시스템을 구축할 수 있을 것이다.