선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 점 패턴 정합 방법을 활용하되 속도 향상을 위해 하나의 특징점과 연결된 이웃 특징점 들과의 연결정보를 이용하여 기준 특징점 쌍을 선별, 탐색영역을 줄이는 방법을 제안한다. 제안된 알고리즘은 회전과 이동에 무관하며, 특징점의 주변 정보를 이용해 선택된 기준 특징점에 대해서만 정합 단계에서 사용하므로 정확하고 빠른 인식 결과를 얻을 수 있다.
- 본 논문에서는 특징점에 연결된 주변 정보를 이용, 타인인식율을 줄여서 신뢰도를 향상시키고 정합 단계에서의 탐색 영역을 줄여 속도를 향상시키는 방법을 제안하였다. 기존 연구에서 많이 다루어진 정렬기반 특징점 정합 방법들은 회전과 이동에 대한 기준 좌표를 정하기 위해 넓은 탐색 범위에서 특징점 간의 비교를 수행하였고, 이로 인한 속도 저하 문제를 초래하였다.
제안 방법
- (그림 12)은 동일인의 지문과 타인의 지문을 비교한 정합 점수분포도로 제안한 방법이 본인과 타인의 지문을 어떻게 분류하고 있는지를 보여준다. 먼저 참조지문 와 입력지문 F, 展를 비교하여, 일치되는 특징점수를 계산하여 본인 정합점수(gms : Genuine Matching Score)로 하였고, 또한 참조지문 = 1-100)과 다른 손가락의 지문 2满(0< "100)을 비교하여 타인정합점수( 刼is : Imposter matching score)로 하였다. 따라서 본인정합점수를 계산하기 위해 비교된 지문건수(NGR4 : Number of Genuine Recognition Attempts)는 총 1000건(((5x4)/2) x 100)이며, 타인정합점수 계산을 위해 비교한 건수(MR4 : Number of Imposter Recognition Attempts)는 총 4, 950건((100乂99)/2)이 된다.
- 이용해 구한 주방향이 보다 정확하다. 각 영역의 주 방향을 구해보면, 영역 내에 융선이 제대로 들어가지 않아주 방향이 융선의 방향과 전혀 다르게 나타나는 경우가 발생하므로, 이를 수정하기 위해 주위 8개 영역과의 평균을 구해 주방향을 수정해 준다. 그러나, 이 역시 일정한 회수 이상을 반복하게 되면 이 절차 자체가 융선의 주방향을 왜곡시키므로 주의하여야 한다.
- 각 영역의 주방향 정보를 이용하여 라플라시안 필테8]을적용하여 융선과 곡부를 구분하고 영상을 이진화 시킨다. 지문영상에 라플라시안 필터를 적용시키는 것은 라플라시안 필터가 다른 연산자에 비해 더욱 뚜렷한 에지를 검출하고 검출된 에지의 윤곽선들은 폐곡선을 이루므로 이러한 특성과 지문의 융선, 곡부의 특성이 유사하기 때문이다.
- 둘째, 특징점의 종류를 기준좌표축 선정시 이용하지 않고 있다. 그러나 본 논문에서는 종류가 일치하는 특징점의 주변정보인 연결된 모든 이웃 특징점까지의 거리와 위상(두 특징점이 이루는 각도) 등을 비교하여 주변 구조가 일치하는 하나의 특징점을 기준좌표로 선정한다. 이러한 주변 정보는 특징점이 지닌 고유정보라고 할 수 있어 기존방법보다 빠르고 정확한 구조적 정합을 가능하게 한다.
- 본 논문에서 제안하는 지문 정합 방법은 정렬기반 정 합방법 으로, 특징 점 의 주변정보를 이용하여 기 준 좌표축으로 사용할 특징점 후보를 선정한다. 그리고 선정된 후보 각각에 대해 두 지문 특징점의 공간적 위치를 일치시킨 후 거리와 융선 방향이 허용치 이내인 특징점의 개수를 센다.
- 기존 연구에서 많이 다루어진 정렬기반 특징점 정합 방법들은 회전과 이동에 대한 기준 좌표를 정하기 위해 넓은 탐색 범위에서 특징점 간의 비교를 수행하였고, 이로 인한 속도 저하 문제를 초래하였다. 본 논문에서는 탐색 범위를 줄이기 위해 특징점에 연결된 이웃 특징점까지의 모든 연결정보를 특징 추출시에 융선을 추적, 저장하고 이를 잡음 특징점 제거와 정합에 사용하였다. 실험결과 제안한 방법은 잡음 특징점을 줄여 신뢰도를 향상시키고 기준 좌표축 후보 수를 줄여 탐색범위를 줄임으로써 정합 속도 향상에 기여하였다.
- 세선화 방법은 기존 논문에서 사용되어진 Zhang thinning을 사용 [9]하였다. 세선화후 두 화소 두께로 남아 있는 계단 현상은 이웃 8 화소들에 대한 패턴을 테이블에 저장하고 이를 비교하여 제거하였다. 한 화소 두께로 세선화된 영상에서 특징점을 찾는 것은 세선화를 수행하지 않고 특징점을 찾는 것보다 정확하고 쉽다.
- 원래의 라플라시안 필터를 곧 바로 적용시킬 경우 융선의 방향에 따라 다른 결과가 나오게 되므로 융선방향, 각 영역의 주 방향에 맞게 라플라시안 필터를 회전시켜 적용시켜야 보다 정확한 결과를 얻을 수 있다. 실험에서는 필터계수를 실수가 아닌 정수를 사용하여 계산 속도를 향상시켰다.
- 융선과 곡부의 구별을 뚜렷이 한 후 이진화를 수행한다. 이진화후 영상을 살펴보면 융선 안에 검은 점이 있거나, 군데군데 하얀 점들이 있는 것을 볼 수가 있는데 융선 안의 검은 점은 땀샘(그림 3)으로 세선화 단계에서 잘못된 선들을 추출할 수가 있으며 흰 점들 역시 전처리 과정에서 생긴 잡음으로 제거하여야 한다.
- 5, 8°)이면 동일한 특징점으로 판단한다. 이렇게 입력 영상에 존재하는 모든 이웃점 들이 참조지문 영상에 존재하는지 판단하여 정합 수를 계산하고 정합도가 가장 큰 기준특징점 쌍 후보를 두 지문의 중심점으로 인정한다. 그리고 두 중심점을 기준으로 두 지문사이의 이동변위와 회전각을 산출하여 입력지문의 특징패턴 들을 이동, 회전시키면 입력지문의 특징점 들이 참조지문의 특징점 들과 정렬되어 비교할 수 있다.
- 전처리 과정에서 일부 잡음이 제거되었지만, 지문의 품질이 나쁜 경우나, 세선화 과정 등으로 브릿지, 교차점, 짧은 단점, 짧은 분기 등이 형성될 수 있는데 이러한 잡음 특징점을 본 논문에서는 연결정보를 이용하여 제거한다. 교차점은 특징점 의 종류로, 브릿지 와 홀은 특징점 의 종류와 특징점 사이의 거리(30화소)를 이용하여 제거하고, 짧은 단점과 짧은 분기는 특징점 사이의 거리(15화소, 15화소)를 이용하여 제거한다.
- 정확한 특징점 주줄을 위해 세선화를 수행한다. 세선화 방법은 기존 논문에서 사용되어진 Zhang thinning을 사용 [9]하였다.
- 분리하는 과정을 수행한다. 지문영상의 내부에 생기는 제거 영역, 번짐 문제들을 해결하기 위해 일반적으로 사용해온 화소값의 분산이 아닌 총합을 구하여 기준치보다 작을 때 배경으로 간주하였고 또한 너무 클 경우에도 지문 이번진 영역으로 간주하였다. 그래도 생기는 지문영상 내부의 배경 영역은, 제거영역으로 처리되지 않은 영역의 외곽 부분에서 윤곽을 추적하여 윤곽내부의 모든 영역을 남겨둠으로써 해결하였다.
대상 데이터
- 70 GHz)에서 실험하였다. 사용된 지문은 500개의 영상으로, 임의의 회전과 이동, 압력의 변화 등을 통해 한명의 지문을 각기 다른 모양으로 5개씩 획득하였다.
- 적용한다. 실험에서 사용한 블록의 크기는 융선 한 개에서 두 개정도 크기인 10x10 화소로 하였다.
- 실험에서는 칩방식 지문 입력장치로부터 획득한 224 x 288 크기의 그레이 영상을 사용하였고 마이크로소프트의 Visual C++ 컴파일러를 이용하여 Windows XP 운영체제 환경 (1.70 GHz)에서 실험하였다. 사용된 지문은 500개의 영상으로, 임의의 회전과 이동, 압력의 변화 등을 통해 한명의 지문을 각기 다른 모양으로 5개씩 획득하였다.
- 제안한 정합 알고리즘의 성능을 평가하기 위해 정합 점수 분포도(matching score distribution), FMR/FNMR 커브, ROC(Receiver Operating Characteristic) 커브[13] 등을 사용하였는데 영상은 한 손가락 당 5개의 지문을 가지는 100 건의 지문샘플을 입력영상戶mS = 1-100, 笏 = 1”・5))과 참조 영상(氏Fg(m = l…100, 如 =1-4))으로 사용하였다. (그림 12)은 동일인의 지문과 타인의 지문을 비교한 정합 점수분포도로 제안한 방법이 본인과 타인의 지문을 어떻게 분류하고 있는지를 보여준다.
이론/모형
- 세선화 방법은 기존 논문에서 사용되어진 Zhang thinning을 사용 [9]하였다. 세선화후 두 화소 두께로 남아 있는 계단 현상은 이웃 8 화소들에 대한 패턴을 테이블에 저장하고 이를 비교하여 제거하였다.
성능/효과
- 것이다. ROC 커브는 정합임계치 t에 대한 본인 거부율과 타인인식율(F你3)) 쌍을 좌표상에 표시한 것으로, 본인 거부율이 타인 인식율의 함수로 그려지게 되는데, 제안한 방법의 성능이 기존방법보다 개선되었음을 알 수 있다.
- 2초였다. 그리고 제안한 특징점의 주변정보를 이용하여 1개 지문의 정합에 소요된 평균 시간은 0.03초이다. 타인 인식율과본인 거부율은 임계 정합도를 50%로 했을 때의 결과로, 이때의 본인 거부율의 대부분은 지문의 비선형 왜곡이 심해특징점 주변 정보가 정확하게 처리되지 않았기 때문이다.
- 본 논문에서는 탐색 범위를 줄이기 위해 특징점에 연결된 이웃 특징점까지의 모든 연결정보를 특징 추출시에 융선을 추적, 저장하고 이를 잡음 특징점 제거와 정합에 사용하였다. 실험결과 제안한 방법은 잡음 특징점을 줄여 신뢰도를 향상시키고 기준 좌표축 후보 수를 줄여 탐색범위를 줄임으로써 정합 속도 향상에 기여하였다. 향후에는 비선형 왜곡이 심해 주변정보가 훼손되거나 연결정보가 적은 지문들을 인식하기 위한 방법이 보완되어야 하고, 특징점 주변 정보의 평균값이 아닌 각각의 위상을 고려하는 보다 정밀한 구조적 정합을 위한 연구도 계속되어야 한다.
- 방법을 제안한다. 제안된 알고리즘은 회전과 이동에 무관하며, 특징점의 주변 정보를 이용해 선택된 기준 특징점에 대해서만 정합 단계에서 사용하므로 정확하고 빠른 인식 결과를 얻을 수 있다.
후속연구
- 향후에는 비선형 왜곡이 심해 주변정보가 훼손되거나 연결정보가 적은 지문들을 인식하기 위한 방법이 보완되어야 하고, 특징점 주변 정보의 평균값이 아닌 각각의 위상을 고려하는 보다 정밀한 구조적 정합을 위한 연구도 계속되어야 한다. 또한 전처리 과정에서도 융선의 회전, 회귀가 심한 코아 부분의 특징점들은 잡음이 심해 이용되지 못하는 경우가 많은더], 이를 보완하기 위해 라플라시안 필터를 포함한 영상 향상 기법의 보완 연구도 계속되어야 하겠다.
- 실험결과 제안한 방법은 잡음 특징점을 줄여 신뢰도를 향상시키고 기준 좌표축 후보 수를 줄여 탐색범위를 줄임으로써 정합 속도 향상에 기여하였다. 향후에는 비선형 왜곡이 심해 주변정보가 훼손되거나 연결정보가 적은 지문들을 인식하기 위한 방법이 보완되어야 하고, 특징점 주변 정보의 평균값이 아닌 각각의 위상을 고려하는 보다 정밀한 구조적 정합을 위한 연구도 계속되어야 한다. 또한 전처리 과정에서도 융선의 회전, 회귀가 심한 코아 부분의 특징점들은 잡음이 심해 이용되지 못하는 경우가 많은더], 이를 보완하기 위해 라플라시안 필터를 포함한 영상 향상 기법의 보완 연구도 계속되어야 하겠다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.