• Proceedings of the Korean Information Science Society Conference
• /
• 2005.11b
• /
• pp.835-837
• /
• 2005

최근 얼굴 인식은 사용자의 편의성을 포함한 다양한 장점으로 인하여 생체 인식 시장에서 주요 기술로 대두되고 있다. 그러나 조명 변화에 기인한 얼굴 인식 성능의 저하는 실용화에 걸림돌이 되고 있는 실정이다. 따라서 조명 변화에 따른 얼굴의 외형 변화를 분석하는 연구들이 세계적으로 활발히 진행되고 있다. 그러나 기존 방법들은 다수의 등록 영상이나 조명에 대한 사전 정보가 필요하거나 실시간으로 구현되기 어렵기 때문에 실용 시스템에 적용하기는 어려운 실정이다. 따라서, 본 논문에서는, 여러 조명 영상들로 구성된 학습 데이터를 이용하여, 조명에 대한 정보가 없는 한 장의 입력 영상을 분석하는 방법을 제안한다. 제안된 방법은 SVDD를 이용하여 학습 데이터의 여러 조면 영상들로부터 입력 영상의 조명과 같은 대표영상을 합성하고 이 대표영상들의 선형 조합을 이용하여 입력 영상을 표현한다. 제안 방법의 효율성을 검증하기 위하여 공인 얼굴 데이터베이스들을 이용하여, 기존 방법들과 비교 실험을 수행하였으며, 조명 변화가 큰 영상에서도 안정된 조명 변화의 분석이 가능하였다.

• Proceedings of the KIEE Conference
• /
• 2007.07a
• /
• pp.1823-1824
• /
• 2007

핸드폰, PDA, Laptop이 보편화 되면서 이를 이용한 위치 인식 기술의 중요성이 높아지고 있다. 이러한 위치기반 서비스(LBS : Location Based Service)는 GPS를 이용한 실외 서비스와 WLAN, Zigbee, UWB 등을 이용한 실내 서비스로 나눌 수 있다. 본 논문에서는 이미 많은 수의 기반시설(AP : Access Point)가 구축되어 있는 무선랜 기반의 효과적인 위치 측정 기법에 관한 연구를 모색 해보고자 한다. 각 AP에서 받은 신호세기(SS : Signal Strength)를 데이터 베이스에 저장한 후, 이동단말기(MU : Mobile Unit)의 위치가 요구되는 장소에서 다시 신호세기를 측정하여 데이터 베이스와 비교하여 가장 적합한 위치 데이터 정보를 리턴하는 핑거프린트(Fingerprint) 방식을 소개한다. 그리고 불안정한 신호 세기 데이터를 판별하기 위하여 단일 클래스 SVM 기법인 SVDD(Support Vector Data Description)을 이용하였다.

• The KIPS Transactions:PartC
• /
• v.15C no.5
• /
• pp.351-358
• /
• 2008

Recently, as network flooding attacks such as DoS/DDoS and Internet Worm have posed devastating threats to network services, rapid detection and proper response mechanisms are the major concern for secure and reliable network services. However, most of the current Intrusion Detection Systems(IDSs) focus on detail analysis of packet data, which results in late detection and a high system burden to cope with high-speed network environment. In this paper we propose a lightweight and fast detection mechanism for traffic flooding attacks. Firstly, we use SNMP MIB statistical data gathered from SNMP agents, instead of raw packet data from network links. Secondly, we use a machine learning approach based on a Support Vector Machine(SVM) for attack classification. Using MIB and SVM, we achieved fast detection with high accuracy, the minimization of the system burden, and extendibility for system deployment. The proposed mechanism is constructed in a hierarchical structure, which first distinguishes attack traffic from normal traffic and then determines the type of attacks in detail. Using MIB data sets collected from real experiments involving a DDoS attack, we validate the possibility of our approaches. It is shown that network attacks are detected with high efficiency, and classified with low false alarms.