Read Original
#AI

얼굴 인식의 역사와 페이스페이의 미래

얼굴 인식의 역사와 페이스페이의 미래
01

Summary

손 하나 까딱 않고 결제까지, 60년간의 얼굴 인식 기술 집대성

비밀 연구실의 수학적 계산에서 인간을 초월한 99.6% 정확도의 AI 시스템으로

이 아티클은 1960년대 우드로 윌슨 블레드소의 수동 인식 연구부터 현대 딥러닝 기반의 안면 인식 혁신에 이르기까지 기술의 진화 과정을 입체적으로 다룹니다. 단순한 역사 나열을 넘어 Eigenface, LBP, DeepFace 등 기술적 변곡점이 된 핵심 알고리즘의 원리와 배경을 상세히 설명합니다.

  • 011960년대 사진에 수동으로 좌표를 찍던 원시적 시스템에서 시작된 기술의 기원
  • 02수백 장의 얼굴 사진을 통계적으로 분석해 '알파벳'처럼 조합하는 Eigenface 혁명
  • 03조명 문제를 해결하기 위해 픽셀 간 밝기를 비교하는 LBP(Local Binary Pattern) 도입
  • 04페이스북의 DeepFace가 달성한 97.35% 정확도와 인간 인식 수준의 정복
  • 05Triplet Loss와 ArcFace로 이어진 딥러닝 손실 함수(Loss Function)의 고도화 과정

RECOMMENDATION

안면 인식 기반의 보안 또는 결제 서비스를 준비하는 엔지니어와 컴퓨터 비전의 역사적 흐름을 파악하고 싶은 개발자에게 강력히 추천합니다.

The Problem

초기 얼굴 인식 기술은 사람이 직접 특징점 좌표를 입력해야 하는 수동적인 방식이었으며, 조명 변화나 각도 등 복잡한 실외 환경에서 인식 성능이 급격히 저하되는 한계가 있었다.

The Solution

통계적 분석을 통한 고유얼굴(Eigenface) 방식과 픽셀 질감을 분석하는 LBP 기술을 거쳐, 대규모 데이터를 스스로 학습하는 심층 신경망(DeepFace)과 Triplet Loss 등을 활용한 딥러닝 아키텍처를 도입했다.

The Result

LFW 벤치마크 데이터셋에서 99.63%의 정확도를 기록하며 인간의 인식 수준을 넘어섰으며, 현재는 편의점 등 오프라인 매장에서 비접촉 결제 서비스인 페이스페이로 상용화되는 성과를 거두었다.

Trade-off

초기 특징점 기반 방식은 계산량은 적으나 환경 변화에 매우 취약했으며, 현대의 딥러닝 방식은 압도적인 정확도를 보장하지만 수백만 장의 대규모 학습 데이터와 고성능 연산 자원이 필수적으로 요구된다.

03

Key Concepts

Concept · 01

Eigenface

PCA(주성분 분석)를 활용해 얼굴 이미지들의 통계적 차이를 분석하고, 평균 얼굴에서의 변동 패턴을 수학적 이미지로 추출한 고유얼굴들의 집합이다.

  • 모든 얼굴을 고유얼굴들의 특정 비율 조합으로 표현하여 데이터 차원을 축소함
  • 두 얼굴의 조합 비율을 비교함으로써 동일인 여부를 판별하는 수학적 토대를 마련함
Concept · 02

LBP (Local Binary Pattern)

각 픽셀을 주변 픽셀의 밝기 값과 비교하여 이진 코드로 변환하는 방식으로, 조명 변화에 영향을 덜 받는 질감 특징을 추출하는 기술이다.

  • 절대적인 밝기 대신 주변과의 상대적 밝기 차이에 집중하여 실외 환경 대응력을 높임
  • 얼굴을 작은 국소 영역으로 나누어 특징을 분석하는 Local Feature 기반 인식의 핵심임
Concept · 03

DeepFace/FaceNet

심층 신경망을 이용해 얼굴의 특징을 스스로 학습하는 모델로, 인간의 인식 정확도를 위협하거나 추월한 현대 얼굴 인식의 표준이다.

  • 페이스북의 DeepFace는 4백만 장의 데이터로 인간 수준에 근접한 97.35% 정확도 기록
  • 구글의 FaceNet은 Triplet Loss를 도입해 얼굴 간 거리를 최적화하며 99.63% 정확도 달성