지문영상으로부터 특징점을 정확하게 추출하는 것은 효과적인 지문인식 시스템의 구축에 매우 중요하다. 하지만 지문영상의 품질에 따라 특징점 추출의 정확도가 달라지기 때문에 지문인식 시스템에서의 영상 전처리 과정은 시스템의 성능에 크게 영향을 미친다. 본 논문에서는 지문영상으로부터 명암값의 평균 및 분산, 블록 방향성 차, 방향성 변화도, 융선과 골의 두께 비율 등의 5가지 특징을 추출하고 계층적 클러스터링알고리즘으로 클러스터링하여 영상의 품질 특성을 분석한 후 습성(oily), 보통(neutral), 건성(dry)의 특성에 적합하게 영상을 개선하는 지식기반 전처리 방법을 제안한다. NISTDB 4와 인하대학교 데이타를 이용하여 실험한 결과, 클러스터링 기법이 영상의 특성을 제대로 구분함을 확인할 수 있었다. 또한 제안한 방법의 성능 평가를 위해 품질 지수와 블록 방향성 차이를 측정하여 일반적인 전처리 방법보다 지식기반 전처리 방법이 품질 지수와 블록 방향성 차이를 향상시킴을 확인할 수 있었다.
지문영상으로부터 특징점을 정확하게 추출하는 것은 효과적인 지문인식 시스템의 구축에 매우 중요하다. 하지만 지문영상의 품질에 따라 특징점 추출의 정확도가 달라지기 때문에 지문인식 시스템에서의 영상 전처리 과정은 시스템의 성능에 크게 영향을 미친다. 본 논문에서는 지문영상으로부터 명암값의 평균 및 분산, 블록 방향성 차, 방향성 변화도, 융선과 골의 두께 비율 등의 5가지 특징을 추출하고 계층적 클러스터링 알고리즘으로 클러스터링하여 영상의 품질 특성을 분석한 후 습성(oily), 보통(neutral), 건성(dry)의 특성에 적합하게 영상을 개선하는 지식기반 전처리 방법을 제안한다. NIST DB 4와 인하대학교 데이타를 이용하여 실험한 결과, 클러스터링 기법이 영상의 특성을 제대로 구분함을 확인할 수 있었다. 또한 제안한 방법의 성능 평가를 위해 품질 지수와 블록 방향성 차이를 측정하여 일반적인 전처리 방법보다 지식기반 전처리 방법이 품질 지수와 블록 방향성 차이를 향상시킴을 확인할 수 있었다.
Accurate minutiae extraction from input fingerprint images is one of the critical modules in robust automatic fingerprint identification system. However, the performance of a minutiae extraction is heavily dependent on the quality of the input fingerprint images. If the preprocessing is performed ac...
Accurate minutiae extraction from input fingerprint images is one of the critical modules in robust automatic fingerprint identification system. However, the performance of a minutiae extraction is heavily dependent on the quality of the input fingerprint images. If the preprocessing is performed according to the fingerprint image characteristics in the image enhancement step, the system performance will be more robust. In this paper, we propose a knowledge-based preprocessing method, which extracts S features (the mean and variance of gray values, block directional difference, orientation change level, and ridge-valley thickness ratio) from the fingerprint images and analyzes image quality with Ward's clustering algorithm, and enhances the images with respect to oily/neutral/dry characteristics. Experimental results using NIST DB 4 and Inha University DB show that clustering algorithm distinguishes the image Quality characteristics well. In addition, the performance of the proposed method is assessed using quality index and block directional difference. The results indicate that the proposed method improves both the quality index and block directional difference.
Accurate minutiae extraction from input fingerprint images is one of the critical modules in robust automatic fingerprint identification system. However, the performance of a minutiae extraction is heavily dependent on the quality of the input fingerprint images. If the preprocessing is performed according to the fingerprint image characteristics in the image enhancement step, the system performance will be more robust. In this paper, we propose a knowledge-based preprocessing method, which extracts S features (the mean and variance of gray values, block directional difference, orientation change level, and ridge-valley thickness ratio) from the fingerprint images and analyzes image quality with Ward's clustering algorithm, and enhances the images with respect to oily/neutral/dry characteristics. Experimental results using NIST DB 4 and Inha University DB show that clustering algorithm distinguishes the image Quality characteristics well. In addition, the performance of the proposed method is assessed using quality index and block directional difference. The results indicate that the proposed method improves both the quality index and block directional difference.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
정보를 손실할 가능성은 낮지만 처리 시간이 더 오래 걸리는 단점이 있다. 본 논문에서는 이진영상 기반의 모폴로지 기법의 조합을 이용하여 빠른 영상개선 작업을 진행한다. 각 영상 특성에 따른 전처리 작업은 다음과 같다.
본 논문에서는 지문영상의 습한 특성과 건조한 특성을 자동으로 구분하여 이에 따른 영상개선 작업을 수행한다. 일반적으로 영상의 특성을 구분하는 객관적인 기준이 없기 때문에 이를 자동으로 하고자 품질분석을 통해 구분이 가능한 규칙을 유도하여 영상을 개선한다.
본 논문에서는 품질평가 결과를 이용하여 영상의 품질을 적옹적으로 개선할 수 있는 방법을 제안하고자 한다. 이는 영상의 특성에 따라 지문영상의 품질올 구분한 후 전처리하는 방법이다.
가설 설정
A. 원영상에 블러링 적용 : 매우 가늘고 끊어진 골은 제거한다.
B. 세선화 작업 수행 : 융선의 골격을 유지한다.
제안 방법
시도하였다. NIST 데이타베이스에서 추출한 지문 영상을 클러스터링한 후, 각 클러스터의 특성을 파악하여 영상특성에 맞게 전처리를 적용해보았다. 일반적인 지문인식 시스템에서 사용하는 획일적인 영상 전처리과정과 비교했을 때, 훨씬 좋은 품질의 영상을 얻을 수 있음을 확인할 수 있었다.
기준이 되는 상세점은 전문가에 의한 수작업으로 추출하여 알고리즘을 통해 추출된 상세점과 비교하였다. 품질 분석을 통해 다양한 품질을 가진 영상 50개를 선정하여 품질을 측정한 결과 일반적인 필터링을 거친 영상보다 지식기반 필터링을 거친 영상에서 품질이 높음을 확인할 수 있었다.
두 번째로, 추출된 상세점을 이용하여 품질을 측정해보았다. 궁극적으로 인식시스템은 올바른 상세점이 추출되어야 하므로 영상의 품질을 평가하는 데 있어 상세점을 기반으로 하는 평가가 보다 정확하다고 할 수 있다.
이렇게 추출한 특징을 이용하여 실제 매칭 모듈을 수행한다. 둥록 단계에서 저장된 템플릿들과 현재 입력된 영상과의 유사도를 계산하여 매칭을 수행한다.
건조한 영상의 경우, 융선과골 두께의 비율과 평균이 다른 클러스터와 차이가 남을 알 수 있다. 또한 본 논문에서는 규칙에 사용된 특징의 빈도 수를 이용하여 지문영상 특성분석에 사용된 5개 특징의 사용빈도를 계산해보았다. 표 2에서 볼 수 있듯이, 융선과 골 두께 비율, 평균, 블록 방향성 차이, 방향성 변화도, 분산 순으로 중요도를 나타내었다.
먼저 ward 알고리즘을 이용한 클러스터링 결과를 기반으로 지문영상의 특성을 분석해보았다. NIST DB 2000개의 영상으로부터 앞서 정의한 5개의 특징을 추출하면, 5차원의 값이 각 영상올 대표하게 된다.
본 논문에서는 NIST DB 4를 이용하여 앞서 구한 5 개의 특징을 가진 5차원의 데이타 2000개를 클러스터링한다. 또한 적절한 클러스터의 수를 결정하기 위해 아래와 같이 Mojena의 cut-off 값[15]을 사용한다.
본 논문에서는 二L림 &과 같이 각 영상의 특성에 맞는 전처리를 수행한다[11]. 즉, 건조한 영상에는 융선개선을 하고 습한 영상에는 골개선 작업을 수행한다.
이와 같은 지식기반 접근 방식을 통해 보다 특화된 품질평가가 가능하여 영상의 품질 특성에 알맞은 전처리 모듈이 적용될 수 있을 것이다. 본 논문에서는 먼저 지문영상으로부터 품질분석올 위한 다양한 특징을 추출하여 영상들올 클러스터링하고 그 결과를 분석한다. 그 후에 각 특성에 적합한 전처리를 수행함으로써 보다 좋은 품질의 영상을 얻올 수 있음올 확인한다.
방향성과 수직인 값이다. 본 논문에서는 블록 크기를 모두 〃=16으로 하였으며, 이렇게 추출된 특징 값들은 실험에 사용하기 위해 특징 별로 0에서 1사이의 값으로 정규화하였다.
구분할 수 있다. 본 논문에서는 지문영상을 특성에 따라 습성/보통/건성으로 분류하기 위해 지문 영상이 가지고 있는 특징을 사용한다 위에서 구한 5개의 특징을 기반으로 지문영상들을 Ward의 클러스터링 알고리즘[14〕으로 클러스터링한다.
본 논문에서는 지문영상의 품질평가에 있어, 품질의 좋고 나쁨을 결정하는 데에 그치지 않고, 습한 영상과 건조한 영상의 특성 분석을 통해 영상 특성에 따른 전처리를 시도하였다. NIST 데이타베이스에서 추출한 지문 영상을 클러스터링한 후, 각 클러스터의 특성을 파악하여 영상특성에 맞게 전처리를 적용해보았다.
본 논문에서는 표 1에서 보는 바와 같이 총 5개의 특징을 이용하여 영상의 특성을 파악한다. 영상에서 명암값의 평균(M) 및 분산(V), 융선 방향성의 연속성 정도 (0), 융선과 골 두께 비율(R), 지문의 선명도를 나타내주는 블록 방향성 차(B) 등을 추출한다.
본 영상개선 작업은 원영상올 이진영상으로 변환하여 이진화된 영상을 기반으로 진행된다. 그레이 영상을 기반으로 하는 경우, 이진화 영상보다 .
DB2는 제안한 방법을 적용한 영상에서 상세점이 제대로 추출되는지를 확인하기 위해 사용하였다. 실험은 NIST DB의 절반인 2000개의 영상을 이용하여 클러스터링하여 얻은 규칙으로 남은 2000개 영상에 대해 지식기반 전처리를 수행한다.
이렇게 자동으로 영상특성을 분석하여 개선한 영상의 품질이 좋다면, 클러 : 스터링을 통해 영상특성을 제대로 구분할 수 있음을 확인할 수 있다. 영상개ㅌ선 정도를 비교하기 위해 동일한 , 영상에 일반적으로 사용되는 필터링 기법인 평활화를; 적용해보았다. 그림 13에서 볼 수 있듯이, 전통적인 필 : 터링을 적용한 영상보다 습한 영상과 건조한 영상을 구분하여 각 특성에 적합하게 필터링한 영상이 눈으로 보 ; 기에도 품질이 좋음을 확인할 수 있다.
이처럼 유사한 특성을 가진 영상끼리 동일한 클러스터로 모였음을 확인할 수 있다. 이러한 분석을 통해 얻어진 결과, 즉 생성된 규칙을 이용하여 습한 영상과 건조한 영상을 자동으로 구분하여 각 특성에 적합한 영상개선 작업을 적용하였다. 이렇게 자동으로 영상특성을 분석하여 개선한 영상의 품질이 좋다면, 클러 : 스터링을 통해 영상특성을 제대로 구분할 수 있음을 확인할 수 있다.
방법을 보여준다. 입력장치로부터 획득한 지문 영상의 품질평가를 위해 다양한 특징을 추출한다, 일반적인 인식시스템에서 매칭을 위해 추출하는 특징과는 달리 지문 영상의 특성분석을 위한 특징을 추출한다. 추출된 특징을 이용하여 클러스터링 알고리즘을 통해 유사한 특성을 가진 영상끼리 모을 수 있으며, 이 결과를 바탕으로 각 클러스터가 어떠한 특징 분포를 이루고 있는지 분석한다.
추출되는 상세점의 개수와 인식률 둥을 이용하여 영상 개선 알고리즘의 성능을 평가하였다. 이 연구는 단순히 영상 개선 알고리즘의 성능올 보여주기 위해 품질평가 척도를 도입한 것이라 할 수 있다.
입력장치로부터 획득한 지문 영상의 품질평가를 위해 다양한 특징을 추출한다, 일반적인 인식시스템에서 매칭을 위해 추출하는 특징과는 달리 지문 영상의 특성분석을 위한 특징을 추출한다. 추출된 특징을 이용하여 클러스터링 알고리즘을 통해 유사한 특성을 가진 영상끼리 모을 수 있으며, 이 결과를 바탕으로 각 클러스터가 어떠한 특징 분포를 이루고 있는지 분석한다. 영상의 특성분석이 완료되면.
클러스터링 결과, 유사한 특징들을 가진 데이타들이 모이게 되며 각 클러스터의 특징 분포를 분석하여 최종적으로 지문영상의 특성을 파악한다. 본 논문에서 초점을 맞추고 있는 부분은 건조한 영상과 습한 영상들이 가지고 있는 특징 분포이다.
대상 데이터
이용하였다. DB1 은 8비트의 흑백 지문영상으로 512x512크기이다. 하나의 손가락에 대해 두 번의 영상을 2000쌍의 지문에 대해 얻었기 때문에 총 데이타 수는 4000개이다.
지문영상의 품질특성 분석을 위해 사용한 데이타는 NIST DB 4[17J(DB1)와 인하대학교 신호 및 정보공학 연구실에서 수집한 지문영상 [18](DB2) 을 이용하였다. DB1 은 8비트의 흑백 지문영상으로 512x512크기이다.
DB1 은 8비트의 흑백 지문영상으로 512x512크기이다. 하나의 손가락에 대해 두 번의 영상을 2000쌍의 지문에 대해 얻었기 때문에 총 데이타 수는 4000개이다. DB2 는 DB1 과 마찬가지로 혹백 영상이며 크기는 248<292이다.
데이터처리
이는 영상 품질에 따라 적응적으로 필터링을 적용한 경우, 잘못 추출되는 상세점의 수가 줄면서 올바르게 추출되는 상세점의 수가 증가하여 전체적으로 영상의 품질이 좋아졌음을 의미한다. 실제로 이 결과가 유의한지를 분석하기 위해 대응표본 t-검정(paired t-test) 를 실시해보았다. 표 5에서 볼 수 있듯이 99% 신뢰수준에서 동일한 영상집단에 다른 필터링 방법을 적용한 후의 품질차이가 유의함을 확인할 수 있다.
성능/효과
1) 건조한 영상의 융선개선 : 융선의 골격을 추출하여융선 상에 존재하는 횐 점들을 제거함과 동시에 융선의 구조 유지가 가능하다.
2) 습한 영상의 골개선: 골개선 작업은 융선개선 작업보다 약간 복잡하다. 골이 특정 임계치보다 가는 부분을 탐지해내는 단계가 필요하기 때문이다.
C. 세선화 영상을 확장 : 골이 매우 가는 부분을 제외한 나머지 부분의 융선과 골의 구분이 명확한 영상을 얻을 수 있다
그림 10에서 5개의 특징이 각 클러스터 내에서 어떻게 분포하고 있는지를 확인할 수 있다. 각 클러스터에 속하는 영상을 수작업으로 확인한 결과, 5개의 클러스터 중 4번 클러스터는 건성인 영상이 대부분이었으며, 5번 클러스터는 습성인 영상이 대부분이었다. 그리고 나머지 세 개의 클러스터는 보통의 영상들로 구성되어 있다.
영상개ㅌ선 정도를 비교하기 위해 동일한 , 영상에 일반적으로 사용되는 필터링 기법인 평활화를; 적용해보았다. 그림 13에서 볼 수 있듯이, 전통적인 필 : 터링을 적용한 영상보다 습한 영상과 건조한 영상을 구분하여 각 특성에 적합하게 필터링한 영상이 눈으로 보 ; 기에도 품질이 좋음을 확인할 수 있다.
NIST 데이타베이스에서 추출한 지문 영상을 클러스터링한 후, 각 클러스터의 특성을 파악하여 영상특성에 맞게 전처리를 적용해보았다. 일반적인 지문인식 시스템에서 사용하는 획일적인 영상 전처리과정과 비교했을 때, 훨씬 좋은 품질의 영상을 얻을 수 있음을 확인할 수 있었다. 하지만 현재 자동으로 지문영샹의 특성을 구분할 수 있는 규칙은 데이타에 의존적으로 생성하였기 때문에 데이타가 바뀌면 그 데이타에 맞도록 다시 학습해야 하는 문제점이 존재한다.
또한 본 논문에서는 규칙에 사용된 특징의 빈도 수를 이용하여 지문영상 특성분석에 사용된 5개 특징의 사용빈도를 계산해보았다. 표 2에서 볼 수 있듯이, 융선과 골 두께 비율, 평균, 블록 방향성 차이, 방향성 변화도, 분산 순으로 중요도를 나타내었다. 융선과골 두께 비율이 가장 중요한 특징으로 분석되었는데, 이는 일반적으로 사람의 눈으로 지문영상의 특성을 파악할 때 사용되는 기준과 동일한 특징이었다.
실제로 이 결과가 유의한지를 분석하기 위해 대응표본 t-검정(paired t-test) 를 실시해보았다. 표 5에서 볼 수 있듯이 99% 신뢰수준에서 동일한 영상집단에 다른 필터링 방법을 적용한 후의 품질차이가 유의함을 확인할 수 있다.
50개의 영상 중에서 10개 데이타에 대한 품질 측정 값의 변화와 전체 데이타에 대한 평균값을 보여준다. 표에서 볼 수 있듯이, 품질 지수 값이 지식기반 전처리를 적용하였을 때 향상되었음을 확인할 수 있다. 이는 영상 품질에 따라 적응적으로 필터링을 적용한 경우, 잘못 추출되는 상세점의 수가 줄면서 올바르게 추출되는 상세점의 수가 증가하여 전체적으로 영상의 품질이 좋아졌음을 의미한다.
비교하였다. 품질 분석을 통해 다양한 품질을 가진 영상 50개를 선정하여 품질을 측정한 결과 일반적인 필터링을 거친 영상보다 지식기반 필터링을 거친 영상에서 품질이 높음을 확인할 수 있었다. 표 4는 영상에 대한 품질 지수 계산 결과를 보여준다.
그림 15는 습한 영상에서 추출된 상세점을 보여주는데 일반적인 필터링을 적용한 영상에서는 (a)와 (c)에서 볼 수 있듯이, 융선이 너무 붙어 있어서 분기점으로 잘못 추출되거나 아예 다 연결되어버리는 경우가 많았다. 하지만 습한 특성에 맞게 골개선 작업을 진행한 결과, 올바른 상세점이 추출됨을 확인할 수 있었다((b)와 (d)).
후속연구
본 논문에서는 먼저 지문영상으로부터 품질분석올 위한 다양한 특징을 추출하여 영상들올 클러스터링하고 그 결과를 분석한다. 그 후에 각 특성에 적합한 전처리를 수행함으로써 보다 좋은 품질의 영상을 얻올 수 있음올 확인한다. 살험은 NIST DB 4와 인하대학교 신호 및 정보공학 연구실의 DB를 이용한다.
하지만 현재 자동으로 지문영샹의 특성을 구분할 수 있는 규칙은 데이타에 의존적으로 생성하였기 때문에 데이타가 바뀌면 그 데이타에 맞도록 다시 학습해야 하는 문제점이 존재한다. 따라서 앞으로 본 연구 결과를 바탕으로 실제 시스템에서 일반적으로 사용할 수 있도록 영상의 특성을 나타낼 수 있는지수 설계에 대한 연구가 필요하며, 최종 인식 단계까지 연결하여 보다 효율적인 지문인식시스템에 대한 연구가 진행되어야 할 것이다.
일반적인 품질평가를 통해 영상 개선의 여지가 있는 데이타만 인식 시스템으로 전달되는데, 이때에는 영상의 특성과 관계없이 획일적인 필터링이 진행된다. 이 단계에서 영상에 대한 세밀한 분석을 바탕으로 영상 특성에 맞는 필터링올 한다면 보다 효율적으로 영상을 개선할 수 있을 것이다.
단순히 품질의 좋고 나쁨을 구분하는데 그치지 않고 구체적으로 습한지 건조한지의 특성올 구분함으로써 일률적인 전처리 모듈 적용 대신 지문 영상의 특성에 따른 적응적인 전처리 모듈을 구현한다. 이와 같은 지식기반 접근 방식을 통해 보다 특화된 품질평가가 가능하여 영상의 품질 특성에 알맞은 전처리 모듈이 적용될 수 있을 것이다. 본 논문에서는 먼저 지문영상으로부터 품질분석올 위한 다양한 특징을 추출하여 영상들올 클러스터링하고 그 결과를 분석한다.
참고문헌 (18)
N. K. Ratha, K. Karu, S. Chen, and A. K. Jain, 'A Real-Time Matching System for Large Fingerprint Databases,' IEEE Transaction on Pattern Analysis and Machine Intelligence, vol. 18, no. 8, pp. 799-813, August 1996
L. C. Jain, U. Halici, I. Hayashi, S. B. Lee, and S. Tsutsui, Intelligent Biometric Techniques in Fingerprint and Face Recognition, CRC Press, 1999
L. Hong, Y. Wan and A. K. Jain, 'Fingerprint Image Enhancement: Algorithm and Performance Evaluation,' IEEE Transaction on Pattern Analysis and Machine Intelligence, vol. 20, no. 8, pp. 777-789, August 1998
N. K, Ratha and R. M. Bolle, 'Fingerprint Image Quality Estimation,' IBM Computer Science Research Report RC 21622, 1999
E. Lim, X. Jiang and W. Yau, 'Fingerprint Quality and Validity Analysis,' IEEE International Conference on Image Processing (ICIP 2002), vol. 1, pp. 22-25, September 2002
R. Bolle, S. Pankanti and Y. -S. Yao, 'System and Method for Determining the Quality of Fingerprint Images,' US Patent Number, US 596356, 1999
L. L. Shen, A. Kot, and W. M. Koo, 'Quality Measures of Fingerprint Images,' The 3rdlnternational Conference Audio- and Video-based Biometric Person Authentication (AVBPA 2001), pp. 182-271, June 2001
H. C. Lee and R. E. Gaensslen, Advances In Fingerprint Technology, CRC Press, 2001
A. K. Jain, S. Pankanti, S. Prabhakar and A. Ross, 'Recent Advances in Fingerprint Verification,' 3rd International Conference on Audio- and Video-Based Person Authentication, pp. 182-191, Sweden, June 2001
F. Galton, Finger Prints, Macmillan, London, 1892
N. Ikeda, M. Nakanishi, K. Fujii, T. Hatano, S. Shigematsu, T. Adachi, Y. Okazaki and H. Kyuragi, 'Fingerprint Image Enhancement by Pixel-Parallel Processing,' 16th International Conference on Pattern Recognition, vol. 3, pp, 752-755, August 2002
K. Karu, and A. Jain, 'Fingerprint Classification,' Pattern Recognition, vol. 29, no. 3, pp, 389-404, March 1996
A. Rao, A Taxonomy for Texture Description and Identification, New York, NY: Springer-Verlag, 1990
J. H. Ward, 'Hierarchical Grouping to Optimize an Objective Function,' Journal of the American Statistical Association, vol. 58, no. 301. pp. 236-244, 1963
G. W. Milligan and K. C. Cooper' 'An Examination of Procedures for Determining the Number of Clusters in a Data Set,' Psychometrika, vol. 50, pp. 159-179, 1985
C. I. Watson and C. L. Wilson, NIST Special Database 4, Fingerprint Database. U. S. Nat'l Inst. of Standards and Technology, 1992
H. Kang, B. Lee, H. Kim, D. Shin, and J. Kim, 'A Study on Performance Evaluation of Fingerprint Sensors,' The 4rd International Conference Audio- and Video-based Biometric Person Authentication (AVBPA 2003), pp. 574-583, June 2003
※ AI-Helper는 부적절한 답변을 할 수 있습니다.