Robust Gait-based User Authentication in Real-World Environments using CNN and Data Augmentation

개인의 고유한 특성을 반영하는 보행 패턴은 사용자 인증을 위한 유망한 생체 정보로 주목받고 있다. 그러나 기존 연구는 대부분 통제된 환경에서 수집된 데이터를 기반으로 수행되어, 실제 환경에서의 적용 가능성에 한계가 있었다. 본 연구는 현실 세계의 일상 환경에서 스마트폰으로 수집된 데이터를 포함하는 ETRI Lifelog 데이터 셋을 활용하여 보행 기반 사용자 인증을 분석하였다. 보행 및 달리기 활동에 대한 인증 성능은 CNN 기반 보행인증 시스템을 활용하여 평가하였으며, 달리기 활동에서의 불균형과 성능 저하를 보완하기 위해 노이즈 추가 및 시공간 변환을 포함한 4가지 데이터 증강 기법을 적용하였다. 그 결과, 약 93%의 인증 정확도를 확보하였으며, 다양한 활동 상황에서도 모델의 강건성이 향상됨을 확인할 수 있었다. 본 연구는 현실 환경 기반 데이터와 데이터 증강 전략이 보행 기반 인증 모델의 일반화 성능을 향상하는 데 중요한 역할을 할 수 있음을 보여준다.