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
- 특징점을 특징량으로 이용하는 지문인식 시스템에서는 정 추출률이 시스템의 성능에 큰 비중을 차지한다. 본 논문에서는 추출된 후보 특징점에 대해 참 특징점을 의사특징점으로 판단하는 경우를 최소로 하면서 효과적으로 의사특징점 만을 제거하는 알고리즘을 제안하였다. 제안하는 후처리 알고리즘은 특징점 각각에 대해 특징점의 구조적 특징, 지문의 고유한 특성, 그리고 획득된 지문 영상의 품질 정보를 효과적이고 체계적으로 이용하여, 이웃하는 특징점들간의 관계에 의한 의사특징점 제거, 특징점을 이루는 융선과 이웃융선을 이용한 참특징점 추출 그리고 특징점 주위의 영상 품질과 지문 특성에 따른 의사 특징점 제거, 이렇게 세 단계로 구성되었다.
제안 방법
- 제안하는 후처리 알고리즘은 특징점 각각에 대해 특징점의 구조적 특징, 지문의 고유한 특성, 그리고 획득된 지문 영상의 품질 정보를 효과적이고 체계적으로 이용하여, 이웃하는 특징점들간의 관계에 의한 의사특징점 제거, 특징점을 이루는 융선과 이웃융선을 이용한 참특징점 추출 그리고 특징점 주위의 영상 품질과 지문 특성에 따른 의사 특징점 제거, 이렇게 세 단계로 구성되었다. 248X292 영상 크기를 갖는 다양한 품질의 지문 영상에 대해 알고리즘 적용에 따른 오추출율 과정 추출율의 변화와 타인을 승인하는 FAR과 본인을 거부하는 FRR의 변화를 통해 후처리 알고리즘의 성능을 분석하였다. 본 알고리즘이 적용된 지문인식 시스템은 Intel Celeron 프로세서 환경에서 구현되었으며, 전처리 시간 0.
- 본 논문에서는 후보특징점 각각에 대해 특징점의 구조적 특징, 지문의 고유한 특성, 그리고 획득된 지문 영상의 품질 정보를 체계적이 고 효율적으로 이용하여, 세 단계에 걸쳐 효과적으로 참 특징점과 의사 특징점을 구별하여 참 특징점을 의사 특지점으로 오인하는 오 추출률을 최소로 하면서 정추 출률을 높이는 효율적인 후처리 알고리즘을 제안한다. 248x292 영상 크기를 갖는 다양한 품질의 지문 영상에 대해, 알고리즘 적용에 따른 오 추출률과 정 추출률의 변화와 타인을 승인하는 FAR과 본인을 거부하는 FRR의 변화를 통해 후처리 알고리즘의 필요성과 성능을 검증하였다.
- ①, ② 단계에서 분류되지 않은 후보특징점을 대상으로 주위의 영상 품질과 지문 특성 정보를 이용하여 참 특징점과 의사 특징점을 가려낸다.
- 그 파형으로부터 극소점과 극대점을 찾아 극대점 간의 평균 거리의 역수를 그 블럭의 주파수로 한다. 계산된 블록의 융선주파수에 대하여 잡음에 의한 비정상적인 주파수의 효과를 가우시안 필터 연산으로 보정하고 블럭간 저 대역 필터 연산을 통해 최종적으로 주파수를 결정한다.
- 외부적인 요인에 강인한 시스템을 설계하기 위해서는 최대한 참 특징점만을 갖도록 의사 특징점을 제거 호}는 후처리 단계가 필요하다. 그래서 본 논문에서는 특징점 각각에 대해 특징점의 구조적 특징, 지문의 고유한 특성, 그리고 획득된 지문 영상의 품질 정보를 이용하여 그림 5와 같이 세 단계로 이루어진다.
- 그러나 융선의 연결 여부를 계산하는데 많이 소요 시간이 요구된다. 본 논문에서는 후보특징점 각각에 대해 특징점의 구조적 특징, 지문의 고유한 특성, 그리고 획득된 지문 영상의 품질 정보를 체계적이 고 효율적으로 이용하여, 세 단계에 걸쳐 효과적으로 참 특징점과 의사 특징점을 구별하여 참 특징점을 의사 특지점으로 오인하는 오 추출률을 최소로 하면서 정추 출률을 높이는 효율적인 후처리 알고리즘을 제안한다. 248x292 영상 크기를 갖는 다양한 품질의 지문 영상에 대해, 알고리즘 적용에 따른 오 추출률과 정 추출률의 변화와 타인을 승인하는 FAR과 본인을 거부하는 FRR의 변화를 통해 후처리 알고리즘의 필요성과 성능을 검증하였다.
- 이 영상은 해상도 450dpi에 크기는 248x292이며 (쥐니트젠에서 제작한 광학센서 로부터 얻었다. 실험을 통해 세 가지 점수에 대한 가중치 a, A y를 각각 0.60, 0.25, 0.15로 결정하였으며 e 은 70으로 하였다.
- 일정 블럭 단위 wxw로 융선의 방향 정보 추출 단계로 계산 복잡도가 낮은 소 벨 연산자를 이용하여 블록에 속한 각 픽셀에 대해 X, y에 대한 기울기 弓 (”, V), (虬 V) 를 구하여 블록의 융선 방향을 구한다. 그렇게 구한 융선의 방향은 잡음이나 상처 등의 원인으로 융선의 방향이 급격하게 변하는 잘못된 방향성 정보를 갖게 된다.
- 본 논문에서는 추출된 후보 특징점에 대해 참 특징점을 의사특징점으로 판단하는 경우를 최소로 하면서 효과적으로 의사특징점 만을 제거하는 알고리즘을 제안하였다. 제안하는 후처리 알고리즘은 특징점 각각에 대해 특징점의 구조적 특징, 지문의 고유한 특성, 그리고 획득된 지문 영상의 품질 정보를 효과적이고 체계적으로 이용하여, 이웃하는 특징점들간의 관계에 의한 의사특징점 제거, 특징점을 이루는 융선과 이웃융선을 이용한 참특징점 추출 그리고 특징점 주위의 영상 품질과 지문 특성에 따른 의사 특징점 제거, 이렇게 세 단계로 구성되었다. 248X292 영상 크기를 갖는 다양한 품질의 지문 영상에 대해 알고리즘 적용에 따른 오추출율 과정 추출율의 변화와 타인을 승인하는 FAR과 본인을 거부하는 FRR의 변화를 통해 후처리 알고리즘의 성능을 분석하였다.
- 지문의 끝점과 분기점을 얻기 위하여 그레이 레 벨의 지문 영상을 이진화하고 융선의 두께가 한 픽 셀을 갖도록 세선화를 하여 얻어진 영상으로부터 끝점과 분기점을 추출한다μ][6]. 따라서, 그 지문이 갖고있는 참 특징점만을 추출하기 위해서는 획득된 영상의 품질이 우수해야 하고 세선화까지 정확한지 문의 융선 추출이 중요하다.
- 잡음이 섞인 영상에 대한 세선화 결과 영상으로부터 추출한 후보특징점 중에 그림 6에서 정의한 패턴을 갖는 의사 특징점들이 포함되어있다. 후보특징점들 간의 거리와 방향 정보 그리고 융선 간의 연결을 보고, 정의된 패턴을 갖는 특징점을 추출하여 의사 특징점으로 분류한다. 이때 특징점을 중심으로 일정 거리 안에 다른 후보특징점을 포함하고 있는 특징점만을 대상으로 검사한다.
대상 데이터
- 본 논문에서 제안하는 후처리 알고리즘의 성능을 분석하기 위해 20명으로부터 시간차를 주면서 5개씩 획득한 100개의 지문 영상을 가지고 실험하였다 실험 영상은 좋은 품질의 영상이 30%, 중간이 40%, 품질이 나쁜 영상이 30%로 구성되었으며, 대표적으로 그림 11과 같다. 이 영상은 해상도 450dpi에 크기는 248x292이며 (쥐니트젠에서 제작한 광학센서 로부터 얻었다.
- 본 논문에서 제안하는 후처리 알고리즘의 성능을 분석하기 위해 20명으로부터 시간차를 주면서 5개씩 획득한 100개의 지문 영상을 가지고 실험하였다 실험 영상은 좋은 품질의 영상이 30%, 중간이 40%, 품질이 나쁜 영상이 30%로 구성되었으며, 대표적으로 그림 11과 같다. 이 영상은 해상도 450dpi에 크기는 248x292이며 (쥐니트젠에서 제작한 광학센서 로부터 얻었다. 실험을 통해 세 가지 점수에 대한 가중치 a, A y를 각각 0.
- 후보특징점들 간의 거리와 방향 정보 그리고 융선 간의 연결을 보고, 정의된 패턴을 갖는 특징점을 추출하여 의사 특징점으로 분류한다. 이때 특징점을 중심으로 일정 거리 안에 다른 후보특징점을 포함하고 있는 특징점만을 대상으로 검사한다. 이 단계에서 필요한 후보특징점들 간의 거리 임계치는 전처리에서 구한 블록 단위의 주파수 정보를 이용하여 결정한다.
성능/효과
- 그림 (a), (b)는 각각 후 처리를 적용 전과 후의 본인 대 본인, 본인 대타인 의 정합 분포를 보여준다. 매칭점수 26점을 기준으로 하였을 때 FRR(본인 거부율)과 FAR(타인 승인율)을 보면 후처리를 하지 않은 경우 FRR과 FAR 는 각각 0.4121과 0.0127이고, 후처리 수행 후의 FRR과 FARe 각각 0.1181과 0.0001 으로 제안된 후처리 과정을 수행하여 FAR, FRR이 감소하여 인식 시스템의 신뢰성이 개선되었다. 이렇듯 의사 특징점은 지문 인식시스템의 등록 정보량 증가와 매칭 시간 증가, 그리고 시스템의 신뢰성을 보장할 수 없는 등 시스템의 성능 저하의 원인이 된다.
- 248X292 영상 크기를 갖는 다양한 품질의 지문 영상에 대해 알고리즘 적용에 따른 오추출율 과정 추출율의 변화와 타인을 승인하는 FAR과 본인을 거부하는 FRR의 변화를 통해 후처리 알고리즘의 성능을 분석하였다. 본 알고리즘이 적용된 지문인식 시스템은 Intel Celeron 프로세서 환경에서 구현되었으며, 전처리 시간 0.343초에 비하여 제안된 후 처리 알고리즘의 수행시간 0.0154초로 시간 비용이 크지 않음을 알 수 있다.
- 지문 시스템을 Intel Celeron 프로세서 996Mhz, RAM 512MB의 컴퓨터 환경에서 구현하였을 때 후보특징점 추출까지의 전처리와 후처리의 수행 시간을 표 2에 나타내었다. 전처리는 0.343초, 제안한 후처리 알고리즘은 0.0154초로 시간 비용이 크지 않음을 알 수 있다.
- 그리고 ② 를 제외하였을 때 TMERe 포함시켰을 때보다 참 특징점을 의사 특징점으로 오인하는 경우가 증가하였다. 제안한 알고리즘을 적용한 결과 TMERe 0.05 감소하고, FMERe 0.496으로 크게 감소하였다. 이때, 후처리를 통해 TMER이 떨어진 것은 참 특징점 주위가 너무 건조하고, 습한 저품질 영역에 따른 세선화 융선 손상으로 단선, 사다리, 홀 등의 패턴을 형성하여 ①에서 제거되거나, ②에서 참특 징 점으로 검출되지 못한 것이 주원인이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.