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 실시간 응용 분야에 적합한 지문인 식 알고리즘을 제안하였다. 제안된 알고리즘은 전처리 및 후처리 과정을 거쳐 의미 있는 참 특징점을 추출한 후 부분 정합을 이용하여 효과적으로 지문을 인식한다.
- 본 논문에서는 인근 특징 정보를 이용한 임베디드용 지문인식 알고리즘을 제안한다. 획득된 지문 영상으로부터 융선 주파수와 방향 정보를 추출하여 영상을 이진화한 후 지문의 특징점들을 추출한다.
제안 방법
- 각 픽셀의 영상 밝기 정보를 기준 평균과 분산값 으로 융선과 골의 구조는 바뀌지 않고 융선과 골을 따라 변화의 폭을 줄이면서 골과 융선의 대조를 분명히 하는 정규화 과정을 수행한다. 정규화된 영상으로 일정크기를 갖는 블록으로 나누어 융선방향과 융선주파수를 계산한다.
- 결정된 참조 쌍을 중심으로 모든 특징점을 극좌표 변환하여 제 정렬한다. 그 후에 두 영상의 특징점들 간의 거리, 각도 특징점의 방향, 그리고 특징점의 종류를 비교하여 동일 지문 여부를 결정한다.
- 지문인식 시스템을 비롯한 생체 인식시스템은 높은 메모리 용량과 이미지 필터링, 그리고 신호처리를 위한 강력한 처리능력이 요구되지만 일반 개인 컴퓨터와 달리 소형의 휴대 기기는 처리성능 및 메모리 등의 하드웨어 리소스가 충분하지 못하다. 그러므로 임베디드 환경에 적합하도록 최적화하여야 하는데 이 방안으로 먼저 부동소수점 연산 부분을 고정소수점 연산으로 변환한다. 부동소수점 연산기가 구현되어 있지 않은 경우 부동소수점 에뮬레이터 연산기를 이용하는 경우 많은 수행 시간을 요구하게 된다.
- 이 데이터를 근거로 세 영역을 구분하였고 특징점을 중심으로 일정 영역에 대하여 Iscore 점수를 부여한다. 두 번째, 특징점을 중심으로 블록 단위 주파수를 구하는 방법과 동일하게 wxh 윈도우에 대한 일차원 파 형을 구한다. Fg”는 특징점이 속해있는 블록의 주파수 BF(订)와 봉오리 간 평균 거리의 역수 F(i, /)와의 오차에 정도에 따라 할당된다.
- 이때 반지름 R이 너무 크면 이웃 특징점 수가 증가하여 저장 공간 증가 및 부분 정합 시간이 증가하게 되고, 너무 작으면 정확한 참조 쌍을 찾는데 어려움을 갖는다. 따라서 본 논문에서는 실험을 통해 R을 20으로 고정하였다.
- ■Smin, 必oxe Arid에 대한 최소 점수와 최대 점수를 의미한다. 본 논문에서는 明“ 瑶 n, §歸는 각각 25, 25, 20으로 적용하였고 明“, 協皿, 明Xe 각각 35, 35, 30으로 결정하였다.
- 그러나 지문을 중심으로부터 같은 거리에 있는 융선의 곡률의 차이가 작아서 참조 쌍을 찾는데 오류를 가질 수 있다. 본 논문에서는 부분 정합을 통해 후보 참조 쌍을 구하여 전체 정합을 수행하였다.
- 정규화된 영상으로 일정크기를 갖는 블록으로 나누어 융선방향과 융선주파수를 계산한다. 블록의 융선 방향은 계산 복잡도가 낮은 Sobel 연산자를 이용하였고, 그렇게 구한 융선의 방향은 잡음에 의한 오차를 줄이기 위해 이웃블럭 방향 정보를 이용하여 필터 연산을 추가 수행한다. 블록의 융선주파수 계산 단계는 각 블록을 중심으로 일정 크기의 윈도우에 대해 그 블록의 융선방향으로 윈도우를 회전, 융선의 방향으로 투영하여 일차원 파형으로부터 봉우리를 찾고 봉우리 간의 평균 거리를 계산하여 그 역수를 그 블록 주파수로 한 다 이것 또한 블록 간 주파수 보정단계를 거친다.
- 앞 두 단계에서 분류되지 않은 후보특징점을 대상으로 주위의 영상 품질과 지문 특성 정보를 이용하여 참과 의사 특징점을 가려낸다. 배경과 저품질 의 지문 영역에 대한 평균과 분산은 골과 융선이 뚜렷하게 분포하는 양질의 지문 영상과 상이하게 다르다.
- 두 번째, 전처리와 후처리 그리고 정합까지 삼각함수 血0과 cosM0을 많이 사용한다. 이 삼각함수를 라디안 방식이 아닌 degree 방식의 LUT (Look Up Table)로 대체하고 atanQ 함수는 비선형적인 점을 고려한 이진 트리 검색 방법을 사용하였다
- 획득된 지문 영상으로부터 융선 주파수와 방향 정보를 추출하여 영상을 이진화한 후 지문의 특징점들을 추출한다. 이후 획득된 지문 영상의 품질 정보를 체계적이고 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 과정을 거친다. 지문 정합 시에는 모든 가능한 쌍을 참조 쌍으로 하여 전체 정합을 시도하는 것은 실시간 시스템에는 적합하지 않으므로 부분정합을 통해 후보 참조 쌍을 구하여 전체 정합을 수행하였다.
- 0의 정합점수 가중치이다. 전처리 단계에서 발생한 정보 손실에 따른 특징점 종류 오류를 보상해 주기 위해서 가중치 b를 두었다. 跖, 爲, 그리고 協의 정합 점수는 오차 값에 비례하다.
- 제안된 알고리즘은 전처리 및 후처리 과정을 거쳐 의미 있는 참 특징점을 추출한 후 부분 정합을 이용하여 효과적으로 지문을 인식한다. 전처리 및 후처리 과정에서는 획득된 영상 및 융선의 주파수와 방향 등의 다양한 정보를 이용하여 참 특징점을 선택하였으며 정합 과정에서 는 영상 획득 시에 있을 수 있는 오차를 고려하여 신뢰도를 높였다. 제안된 알고리즘은 Arm92OT 환경에서 검증되었으며 이때 실시간 처리를 위한 다양한 방법이 적용되었다.
- 각 픽셀의 영상 밝기 정보를 기준 평균과 분산값 으로 융선과 골의 구조는 바뀌지 않고 융선과 골을 따라 변화의 폭을 줄이면서 골과 융선의 대조를 분명히 하는 정규화 과정을 수행한다. 정규화된 영상으로 일정크기를 갖는 블록으로 나누어 융선방향과 융선주파수를 계산한다. 블록의 융선 방향은 계산 복잡도가 낮은 Sobel 연산자를 이용하였고, 그렇게 구한 융선의 방향은 잡음에 의한 오차를 줄이기 위해 이웃블럭 방향 정보를 이용하여 필터 연산을 추가 수행한다.
- 전처리 및 후처리 과정에서는 획득된 영상 및 융선의 주파수와 방향 등의 다양한 정보를 이용하여 참 특징점을 선택하였으며 정합 과정에서 는 영상 획득 시에 있을 수 있는 오차를 고려하여 신뢰도를 높였다. 제안된 알고리즘은 Arm92OT 환경에서 검증되었으며 이때 실시간 처리를 위한 다양한 방법이 적용되었다. 추출된 지문 정보를 위한 효과적인 데이터 구조와 실시간 시스템을 위한 메 모리 맵이 제안되었다.
- 본 논문에서는 실시간 응용 분야에 적합한 지문인 식 알고리즘을 제안하였다. 제안된 알고리즘은 전처리 및 후처리 과정을 거쳐 의미 있는 참 특징점을 추출한 후 부분 정합을 이용하여 효과적으로 지문을 인식한다. 전처리 및 후처리 과정에서는 획득된 영상 및 융선의 주파수와 방향 등의 다양한 정보를 이용하여 참 특징점을 선택하였으며 정합 과정에서 는 영상 획득 시에 있을 수 있는 오차를 고려하여 신뢰도를 높였다.
- 이후 획득된 지문 영상의 품질 정보를 체계적이고 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 과정을 거친다. 지문 정합 시에는 모든 가능한 쌍을 참조 쌍으로 하여 전체 정합을 시도하는 것은 실시간 시스템에는 적합하지 않으므로 부분정합을 통해 후보 참조 쌍을 구하여 전체 정합을 수행하였다. 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 검증하였을 때, FRR(본인 거부율)과 FAR(타인 승인율)는 각각 0.
- 이런 의시특징점은 지문인식 시스템의 성능을 저하시키고 또한 특징점의 수 증가로 매칭 시간과 데이터베이스 공간을 증가시킨다. 참특 징 점의 비율을 최대한으로 향상시키기 위해 특징점 각각에 대해 특징점의 구조적 특징, 지문의 고유한 특성, 그리고 획득된 지문 영상의 품질 정보 등을 이용하여 세 단계를 거쳐 의사 특징점을 제거한다.
- 본 논문에서는 인근 특징 정보를 이용한 임베디드용 지문인식 알고리즘을 제안한다. 획득된 지문 영상으로부터 융선 주파수와 방향 정보를 추출하여 영상을 이진화한 후 지문의 특징점들을 추출한다. 이후 획득된 지문 영상의 품질 정보를 체계적이고 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 과정을 거친다.
- 후처리를 통해 얻은 각 특징점에 대해서 일정 반 경 안의 포함된 이웃 특징점들 구하고, 특징점 M, = (Xi, yt, 어, 姑)을 중심으로 이웃 특징점 Mik=(Xik, yth 어。tit) 을 극좌표로 변환하여 거리 m 와 각도 知를 구한다. 그리고 중심 특징점의 방향에 대한 이웃특 징점 방향과의 상대적인 각도 차 M을 계산한다.
대상 데이터
- 본 논문에서 제안하는 지문인식 알고리즘의 성능을 분석하기 위해서 30명으로부터 시간차를 주면서 5개씩의 지문을 획득하여 150개의 지문 영상을 얻어 실험하였다 248, 292 크기를 갖는 실험 영상은 좋은 품질의 영상이 30%, 중간이 45%, 나쁜 영상이 25%로 구성되어 있다. 실험에 사용된 지문은 니트젠個 에서 제작한 해상도 450dpi의 광원센서로부터 얻었 으며 지문 인식 알고리즘은 ARM 프로세서의 소프트웨어 에뮬레이터인 A心Mulator에서 알고리즘을 검증하였다.
- 본 논문에서 제안하는 지문인식 알고리즘의 성능을 분석하기 위해서 30명으로부터 시간차를 주면서 5개씩의 지문을 획득하여 150개의 지문 영상을 얻어 실험하였다 248, 292 크기를 갖는 실험 영상은 좋은 품질의 영상이 30%, 중간이 45%, 나쁜 영상이 25%로 구성되어 있다. 실험에 사용된 지문은 니트젠個 에서 제작한 해상도 450dpi의 광원센서로부터 얻었 으며 지문 인식 알고리즘은 ARM 프로세서의 소프트웨어 에뮬레이터인 A心Mulator에서 알고리즘을 검증하였다. 현재 블록과 그 이웃 블럭의 특징점 개 수 합 a는 15, 그리고 참조 쌍을 구하기 위한 임계 값은 6으로 고정하였다 본 논문에서 제안한 지문 인식 알고리즘을 Am920T(클럭 주파수 70MHz) 환경에서 구현하였을 때 알고리즘의 모듈별 수행 시간을 표 1에 나타내었다.
성능/효과
- 지문 정합 시에는 모든 가능한 쌍을 참조 쌍으로 하여 전체 정합을 시도하는 것은 실시간 시스템에는 적합하지 않으므로 부분정합을 통해 후보 참조 쌍을 구하여 전체 정합을 수행하였다. 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 검증하였을 때, FRR(본인 거부율)과 FAR(타인 승인율)는 각각 0.079과 0.00005로 신뢰성을 갖는다 또한 제안된 알고리즘을 Arm920T에 포팅하였을 때 지문 정보 추출 및 정합까지 걸린 시간은 0.541 초로 실시간 임베디드 응용 분야에 적용 가능함을 보여주었다.
- 현재 블록과 그 이웃 블럭의 특징점 개 수 합 a는 15, 그리고 참조 쌍을 구하기 위한 임계 값은 6으로 고정하였다 본 논문에서 제안한 지문 인식 알고리즘을 Am920T(클럭 주파수 70MHz) 환경에서 구현하였을 때 알고리즘의 모듈별 수행 시간을 표 1에 나타내었다. 가보 필터를 이용한 이진화 과정과 세선화 과정의 수향시간이 상대적으로 많은 비중을 차지하였으며 전체적으로 0.541 초로 실시간 임베디드 응용 분야에 적용 가능함을 보여주었다.
- Fg”는 특징점이 속해있는 블록의 주파수 BF(订)와 봉오리 간 평균 거리의 역수 F(i, /)와의 오차에 정도에 따라 할당된다. 세 번째, 융선 추출을 위해 미리 구한 블록의 대표 방향 중 그 특징점이 속해있는 방향 BOG/)와 특징점의 방향 Q很 간의 차이로 Od(i, J)에 따라 Q”北는 할당된다. 총 점수는 평균과 분산, 주파수, 그리고 방향에 대한 점수에 가중치를 달리하여 더한 점수이다.
- 추출된 지문 정보를 위한 효과적인 데이터 구조와 실시간 시스템을 위한 메 모리 맵이 제안되었다. 제안된 알고리즘의 수행 시간 은 영상획득 후 전처리과정부터 정합까지 0.541 초로 실시간 임베디드 응용 분야에 적용 가능함을 보여주었으며 매칭 점수 25점을 기준으로 하였을 때 FRR (본인 거부율)과 FAR(타인 승인율)는 각각 0.079과 0.00005로 신뢰성을 갖는다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.