최근 홍심의 R&D 팀은 MD31 바이노큘러 캡처 모듈, RK3588 엣지 컴퓨팅 플랫폼, AXU9EGB FPGA 가속기 보드의 3단 캐스케이드 통합을 완료하고 단계별 기술 보고서를 발표했습니다. 카메라에서 640x480 흑백 눈 이미지를 캡처하고, 품질 평가, 홍채 위치 파악, 특징 추출, 1:N 매칭을 거쳐 인식 결과를 화면에 표시하는 전체 파이프라인이 이제 세 개의 하드웨어 보드에서 완전히 실행됩니다.
홍심에게 이는 단순한 통합 테스트 성공 이상의 의미를 갖습니다. 이전에는 Windows 산업용 PC에서 실행되던 홍채 인식 기능을 저전력, 더 유연한 폼팩터, 다양한 터미널 장치에 임베딩할 수 있는 엣지 아키텍처로 이전했음을 의미합니다.
전체 시스템은 캐스케이드 아키텍처를 채택합니다. MD31 카메라로 캡처 및 자르기, RK3588로 액세스 및 전송, AXU9EGB FPGA로 추론, RK3588로 시각적 피드백을 수행합니다. MD31은 왼쪽 및 오른쪽 눈에 대해 잘린 단일 눈 이미지를 출력합니다. RK3588은 Android ARM64에서 실행되며 바이노큘러 페어링, 작업 관리 및 네트워크 전송을 담당합니다. FPGA는 품질 게이트와 모든 홍채 알고리즘을 처리하고 결과를 RK3588로 다시 보내 표시합니다.
이러한 업무 분담은 더 깊은 의미를 갖습니다. 카메라 캡처와 FPGA 추론은 통합 프로토콜 의미론적 계층으로 연결되어 완전히 분리됩니다. 왼쪽 및 오른쪽 눈 이미지 세트는 작업 ID와 엄격하게 증가하는 순차 번호와 연결되어 미리보기 프레임, 재시도 프레임 및 이전 작업의 프레임 간에 혼동이 없도록 합니다. 결과적으로 기존 Windows 솔루션과 새로운 RK3588 솔루션 모두 동일한 FPGA 프로토콜 세트와 추론 결과 정의를 공유하며, 한 세트의 온보드 서비스가 두 세대의 호스트 시스템을 지원합니다.
3단 캐스케이드의 전체 데이터 흐름
FPGA는 품질 상태, 후보 ID, 유사도 점수, 거리, 임계값 및 단계별 시간을 함께 반환하여 전체 인식 프로세스를 사용자에게 완전히 투명하게 만듭니다.
파이프라인의 가장 무거운 부분은 AXU9EGB에 있습니다. Zynq UltraScale+ MPSoC FPGA 보드를 기반으로 Vitis AI 3.0 및 DPU 하드웨어 가속을 통해 입력 유효성 검사, 6 파라미터 원형 모델을 통한 동공 및 홍채 위치 파악, 품질 게이팅, Daugman 극좌표 펼치기, IResNet100 딥 네트워크를 통한 512차원 홍채 특징 생성, L2 정규화 후 1:N 매칭, 마지막으로 단계별 지연 시간과 함께 결과 반환까지 7단계 추론 파이프라인을 모두 수행합니다.
FPGA에서 100개 레이어의 딥 네트워크가 안정적으로 특징을 추출하도록 하려면 모델 양자화, 보정 데이터 세트 및 실제 카메라 이미지 분포 간의 엄격한 정렬과 원형 모델을 위한 사용자 정의 제로 복사 가속 백엔드가 필요합니다. 이것이 바로 홍심이 15년 동안 해온 일입니다. 알고리즘을 하드웨어에 임베딩하여 장치에 최대한 가깝게 인식이 이루어지도록 합니다.
FPGA의 7단계 온보드 추론 파이프라인
품질 검사에 실패한 이미지는 세 번째 단계에서 거부되어 특징 계산 낭비를 방지합니다. 512차원 홍채 특징 벡터 - 7단계 온보드 추론 파이프라인 - 326번의 누적 테스트 통과
사용 논리 측면에서 시스템은 "엄격한 등록, 유연한 인식" 원칙을 준수합니다. 등록 중에는 사용자의 왼쪽 및 오른쪽 눈 템플릿 모두 품질 게이트를 통과하고 성공적으로 등록되어야 합니다. 실패한 프레임, 중복된 눈 측면, 알 수 없는 눈 측면은 등록 수에서 제외됩니다. 반대로 인식 중에는 왼쪽 및 오른쪽 눈이 별도로 추론되고 템플릿 라이브러리의 왼쪽 및 오른쪽 눈 템플릿과 각각 1:N으로 매칭됩니다. 쿼리 눈 이미지 중 하나가 템플릿과 매칭되면 결과가 반환됩니다. 사용자는 시스템에 두 눈을 모두 위치시킬 필요가 없으며, 캡처된 눈이 처리됩니다.
품질 실패, 일시적인 불일치 또는 복구 가능한 통신 오류가 작업을 갑자기 종료하지 않습니다. 시스템은 작업 상태를 유지하고 다음 이미지 세트를 계속 기다립니다. 연결 복구 후 FPGA에서 이미 수신된 프레임을 다시 제출하지 않고 작업 ID 및 확인된 순차 번호부터 재개됩니다. 품질, 유사도, 거리, 임계값, 지연 시간 등 인식의 모든 단계가 인터페이스로 피드백되어 성공, 실패 및 재시도가 사용자에게 표시됩니다.
등록에는 완전한 바이노큘러 템플릿이 필요하지만 인식에는 어느 한쪽 눈의 매칭만 필요하여 보안과 사용자 경험의 균형을 맞춥니다.
이 단계별 보고서에서 가장 자랑스러운 부분은 방법론입니다. 모든 검증 결론은 "검증됨"(재현 가능한 테스트 결과), "이전 검증됨"(이전 통합 기록), "추론됨"(구현 논리에서 파생됨), 그리고 정직하게 "검증 예정"(일시적으로 확인되지 않은 항목)의 네 가지 유형으로 명확하게 분류됩니다. Windows 기준선에서 176개의 자동화된 테스트 모두 통과, 온보드 Python 테스트 150개 통과, 등록/인식 및 연결 복구 기능 통합 완료 - 이 모든 것이 보고서에 문서화되어 있습니다. 현장에서 아직 재테스트되지 않은 항목도 "검증 예정"으로 명확하게 표시되어 모호함이 없습니다.
홍채 인식은 신원 확인의 영역이며, "아마도 괜찮을 것"이라는 여지는 없습니다. 불확실성을 문서화하는 것은 고객과 우리 자신에 대한 약속입니다.
세 가지 주요 수치: DPU 가속을 통해 생성된 512차원 특징; 176개의 모든 자동화된 Windows 기준선 테스트 통과; 150개의 온보드 Python 테스트 기록 통과
보고서의 전반적인 판단은 현재 솔루션이 단계별 시연, 통합 및 문서화를 위한 기반을 마련했으며, 명확한 아키텍처 경계와 기술적으로 실현 가능한 전체 캐스케이드 아키텍처를 갖추고 있다는 것입니다. 다음 우선 순위도 명확합니다. 엔드투엔드 안정성, 실시간 이미지 품질, 극좌표 펼치기 일관성, 장기 운영을 위한 폐쇄 루프 상태 모니터링을 통해 파이프라인을 "기능적"에서 "안정적이고 신뢰할 수 있는"으로, 그리고 생산 준비가 된 제품으로 발전시키는 것입니다.
자체 개발 홍채 인식 칩부터 알고리즘과 FPGA 간의 소프트웨어-하드웨어 시너지, 그리고 오늘날 엣지 장치에 임베딩된 완전한 인식 파이프라인에 이르기까지 홍심은 항상 생체 인식의 미래가 엣지에 있다고 믿어왔습니다. 이 단계별 보고서는 그 미래를 향한 또 다른 발걸음입니다.
