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
- 그 결과, 그림 7과 같은 실험 영상을 얻었다. 본 논문은 홍채 영상 복원 알고리즘의 성능을 평가하기 위해 영상들의 RMS(Root Mean Square) 에러를 측정하였다. 실험 결과, 선명한 홍채 영상과 흐려진 홍채 영상의 픽셀 RMS 에러는 평균 3.
- 본 연구에서는 3M 화소 휴대폰 카메라를 사용하므로, 2048*1536 픽셀 사이즈의 취득된 영상들은 처리속도를 높이기 위해서 가로 . 세로 각각 1/6배씩 341*256픽셀로 다운 샘플링(down sampling)한다.
- 본 연구에서는 얼굴영상에서 각막에 의한 반사되는 조명 반사광을 기반으로 휴대폰에서의 홍채인식을 위한 고속 동공검출 방법을 제안하였다. 또한 입 력 영상 신호를 A/D 변환하는 과정 에서 Brightness와 Contrast를 조정하여 동공의 검은 영역과 조명 반사 위치를 추출함으로써, 정확한 홍채 영역을 보다 쉽게 추출할 수 있는 방법 역시 제안한다.
- 본 연구에서는 전술한 기존 방법들의 문제점을 해결하고 휴대폰에서의 홍채인식을 위해, 각막에 반사된 조명 반사광을 기반으로 눈 위치의 검출과 빠른 동공 검출 방법을 제안한다. 또한 입 력 영상 신호를 A/D 변환하는 과정에서 밝기 값(brightness) 과 대조값(contrast) 을 조정하여 동공의 검은 영역과 조명 반사 위치를 추출함으로써, 정확한 홍채 영역을 보다 쉽게 추출할 수 있는 방법 역시 제안한다.
- 그리고 일반적으로 휴대폰에서 홍채 인식의 경우 손으로 들고 사용하므로, 손 흔들림 에 의 한 영상 흐림 현상이 빈번하게 발생하게 된다. 이러한 문제를 해결하기 위하여 본 연구에서는 영상 복원 기법을 적용하여 흐려진 홍채 영상을 복원하는 기법을 제안한다. 마지막으로, 휴대폰의 경우 실외에서 사용이 빈번함으로, 입력 홍채 영상에서 태양광에 의한 영향이 크게 된다.
- 그리고 일반적으로 휴대폰에서 홍채 인식 의 경우 손으로 들고 사용하므로, 손 흔들림에 의한 영상 흐림 현상이 빈번하게 발생하게 된다. 이러한문제를 해결하기 위하여 본연구에서는 영상 복원 기법을 적용하여 흐려진 홍채 영상을 복원하는 기법을 제안하였다. 마지막으로, 휴대폰의 경우 실외에서 사용이 빈번함으로, 입력 홍채 영상에서 태양광에 의한 영향이 크게 된다.
- 마지막으로, 휴대폰의 경우 실외에서 사용이 빈번함으로, 입력 홍채 영상에서 태양광에 의한 영향이 크게 된다. 이러한문제를 해결하여 인식 성능을 향상할 수 있는 방법 역시 소개하고자 한다.
- 이외에도 본 연구에서는 휴대폰에서 적합한 동공 및 홍채 영역 검출 방법을 제안한다. 일반적으로 동공은 피부나 흰자위, 홍채에 비해서 낮은 그레이 레벨을 가지고 있기 때문에 간단한 이진화를 통해서 쉽게 동공의 영역을 홍채나 흰자위와 분리할 수가 있다.
- 이처럼, 기존에 휴대폰 환경에서의 홍채인식 연구가 거의 조사된바가 없기 때문에 이 논문에서는 본 생체 인식 연구센터에서 주로 수행하고 있는 연구를 위주로 기술을 소개하고자 한다.
제안 방법
- CASIA 데이터베이스의 홍채 영상을 인위적으로 흐려지도록 만들고, 이를 제안하는 홍채 영상 복원 알고리즘을 사용하여 복원하였다. 그 결과, 그림 7과 같은 실험 영상을 얻었다.
- 후보군을 중심으로 라벨링을 수행하기 때문에 빠른 속도로 연산을 수행할 수 있다. 그 후 각 후보군에 대해 크기와 가로와 세로의 비율을 측정한다. 일반적으로 홍채의 반지름은 10.
- 따라서 두 번째 처리과정인 홍채 영상 복원 과정에서 흐려진 정도에 따라 서로 다른 PSF를 사용해야만 정확한 홍채 영상 복원을 할 수 있다. 그래서 본 논문은 첫 번째 처리 과정에서 측정한 초점 값을 이용하여 흐려진 정도를 판단을 하고, 측정된 초점값에 따라 미리 정의한 PSF의 계수를 선택하여 홍채 영상 복원을 수행하도록 한다. 일반적으로 공간 영역에서 초점이 맞지 않아 흐려진 영상은 식 ⑴과 같이 표현할 수 있다叫
- 따라서 본 논문은 흐려짐의 정도가 커질수록 PSF의 필터 크기를 크게 만들고, 보다 큰 b 값을 사용하여 흐려짐의 정도에 따라 미리 PSF를 정의하였다. 그리고 (5X5) 컨벌루션 커널을 사용하여 얻은 초점값은 흐려짐의 정도에 반비례하므로, 초점값이 작을수록 흐려짐의 정도가 컸을 때 정의한 PSF를 선택하도록 하였다. 이와 같이 PSF를 선택한 후에, 고속 푸리에 변환(Fast Fourier Transform)을 이용하여 공간 영역을 주파수 영역으로 변환한 후, 역 고속 푸리 에 변환 (Inverse FFT)을 이용하여 공간 영역에서의 복원된 홍채 영상을 얻었다.
- 그리고 동일인에 대하여 원래의 선명한 홍채 영상과 흐려진 홍채 영상 사이의 해밍 거리 (Hamming Distance)와 원래의 선명한 홍채 영상과 복원된 홍채 영상사이의 해밍 거리를 측정하였다. 그 결과 선명 한 홍채 영상과 흐려진 홍채 영상 사이의 해밍 거리는 평균 0.
- 以보다 매우 작기 때문에 (3*3) 크기의 가우시안 필터 (Gaussian filter) 를 사용하여 영상 잡음을 제거하였다. 그리고 역 필터 (Inverse Filter) 를 이용하여 홍채 영상을 복원하였다. 전술한 바와 같이 DOF영역으로부터 많이 떨어질수록 흐려짐의 정도가 커지므로 PSF도 다르게 설계해야 한다.
- 이진화된 영상으로부터 수평 수직 히스토그램을 사용하여 X, y위치의 가중치 평균을 기반으로 동공의 중심위치를 얻었다. 대부분 휴대폰의 ARM 프로세서가 부동 소수점(Floating point) 보조처 리기 (Co-processor) 를 가지고 있지 않기 때문에 본 알고리즘에서는 고속 검출을 위하여 부동 소수점 연산을 사용하지 않았다. 또 한 이를 위해 검출된 각막의 반사된 조명반사율의 수평 지름에 상응하는 수직 지름의 정보를 참조 테이블(look-up table) 에 미리 저장하여 사용하였다.
- 동공 영역이 일반적으로 다른 영역보다 어둡기 때문에 본 연구에서는 박스 내에서 이진화를 수행하여 동공 영역을 검출하였다. 동공 이진화를 위해 후보 박스 내의 평균 밝기 값을 고려하여 이진화 임계치를 정하고, 동공의 이진화를 수행한다.
- 동공 영역을 검출하였다. 동공 이진화를 위해 후보 박스 내의 평균 밝기 값을 고려하여 이진화 임계치를 정하고, 동공의 이진화를 수행한다. 이진화된 영상으로부터 수평 수직 히스토그램을 사용하여 X, y위치의 가중치 평균을 기반으로 동공의 중심위치를 얻었다.
- 두 번째 실험에서는 Ⅱ장에서 언급된 검출된 조명 반사광을 중심으로 홍채영역을 검출하기 위해 씌운 박스의 크기를 가변적으로 변화시켜가면서 동공 및 홍채의 검줄 비율을 체크했다. 실내 영상에서 20*20픽셀박스의 경우 홍채 검출 비율은 90%, 25*25픽 셀박스의 경우 95%, 30*30 픽셀 박스의 경우 99%, 32*32픽셀박스의 경우 100%의 비율을 나타냈고, 실외영상에서 홍채의 검출 비율은 20*20픽셀박스의 경우 87%, 25*25 픽셀박스의 경우 94%, 30*30픽셀 박스의 경우 98.
- 두 번째로 홍채인식 실험을 통해 홍채 영상 복원 알고리즘의 성능을 평가하였다. 먼저 원래의 선명한 홍채 영상을 沥8와 处/16의 주파수를 갖는 가버(Gabor) 필터를 사용하는 홍채인식 시스템에 등록시킨 후, 흐려진 홍채 영상과 복원된 홍채 영상을 사용하여 인식 실험을 하였다.
- 전술한 바와 같이 DOF영역으로부터 많이 떨어질수록 흐려짐의 정도가 커지므로 PSF도 다르게 설계해야 한다. 따라서 본 논문은 흐려짐의 정도가 커질수록 PSF의 필터 크기를 크게 만들고, 보다 큰 b 값을 사용하여 흐려짐의 정도에 따라 미리 PSF를 정의하였다. 그리고 (5X5) 컨벌루션 커널을 사용하여 얻은 초점값은 흐려짐의 정도에 반비례하므로, 초점값이 작을수록 흐려짐의 정도가 컸을 때 정의한 PSF를 선택하도록 하였다.
- 대부분 휴대폰의 ARM 프로세서가 부동 소수점(Floating point) 보조처 리기 (Co-processor) 를 가지고 있지 않기 때문에 본 알고리즘에서는 고속 검출을 위하여 부동 소수점 연산을 사용하지 않았다. 또 한 이를 위해 검출된 각막의 반사된 조명반사율의 수평 지름에 상응하는 수직 지름의 정보를 참조 테이블(look-up table) 에 미리 저장하여 사용하였다.
- 또한 입 력 영상 신호를 A/D 변환하는 과정 에서 Brightness와 Contrast를 조정하여 동공의 검은 영역과 조명 반사 위치를 추출함으로써, 정확한 홍채 영역을 보다 쉽게 추출할 수 있는 방법 역시 제안한다. 그리고 일반적으로 휴대폰에서 홍채 인식 의 경우 손으로 들고 사용하므로, 손 흔들림에 의한 영상 흐림 현상이 빈번하게 발생하게 된다.
- 또한 입 력 영상 신호를 A/D 변환하는 과정에서 밝기 값(brightness) 과 대조값(contrast) 을 조정하여 동공의 검은 영역과 조명 반사 위치를 추출함으로써, 정확한 홍채 영역을 보다 쉽게 추출할 수 있는 방법 역시 제안한다. 그리고 일반적으로 휴대폰에서 홍채 인식의 경우 손으로 들고 사용하므로, 손 흔들림 에 의 한 영상 흐림 현상이 빈번하게 발생하게 된다.
- 알고리즘의 성능을 평가하였다. 먼저 원래의 선명한 홍채 영상을 沥8와 处/16의 주파수를 갖는 가버(Gabor) 필터를 사용하는 홍채인식 시스템에 등록시킨 후, 흐려진 홍채 영상과 복원된 홍채 영상을 사용하여 인식 실험을 하였다. 이 때 가버필터의 주파수는 인증 실험을 통해 EER(Equal Error Rate0이 가장 적은 결과를 나타낼 수 있도록 하는 값을 실험적으로 결정하였다.
- 실험용 휴대폰인 SPH- S2300은 MSM6100칩을 사용하며, 이는 내부에 ARM926EJ-STM CPU를 채택하고 있다. 본 논문에서 제시한 알고리즘은 추가적 DSP칩을 사용하지 않고, 국내 표준무선인터넷플랫폼인 WIPI(Wireless Internet Platform for Interoperability) 1.1 플랫폼을 사용하여 다운 로드된 응용프로그램을 휴대폰에 탑재하여 사용하였다. 표 1은 각 하드웨어 단말기에서의 처리 시간을 나타낸 것이다.
- 본 연구에서 제시한 얼굴 영상에서 홍채 추출알고리즘은 총 3가지 실험을 통해 정확성을 측정하였다. 첫 번째 실험은 50명으로부터 총 500 장의 영상을 취득하여(양쪽 눈을 모두 포함한 250장의 영상과 한쪽 눈만을 포함한 250장의 영상), 얼굴영상에서 정확한 홍채 검출 비율을 측정하였다.
- 본 연구에서는 5*5 픽셀 크기의 커널을 이용하여 취득되어진 홍채 영상으로부터 포함된 고주파 성분의 양을 가지고 초점값을 측정하여, 홍채 영상의 흐려짐의 정도를 판단하는 방법을 사용한다.
- 세 번째 실험에서는 노트북(Pentium-M 1.4Ghz) 과, PDA(Intei PXA 270 624Mhz), 휴대폰과 같은 다양한 하드웨어 플랫폼에서 홍채 추출 처리시간을 측정했다. 실험용 휴대폰인 SPH- S2300은 MSM6100칩을 사용하며, 이는 내부에 ARM926EJ-STM CPU를 채택하고 있다.
- 조명 반사광을 추출하기 위하여 조명 반사광 후보지의 크기와 수평 . 수직 지름간의 비율을 사용하여 라벨링을 수행하여 정확하고 빠르게 각막의 조명 반사광을 검출하였다. 일반적으로 각막의 조명 반사광이 동공 영역에 존재하므로 각막의 조명 반사광 검출 후 동공이 존재 가능한 범위인 30*30픽셀의 후보박스를 씌워 동공영역을 검출하였다.
- 일반적으로 각막의 조명 반사광이 동공 영역에 존재하므로 각막의 조명 반사광 검출 후 동공이 존재 가능한 범위인 30*30픽셀의 후보박스를 씌워 동공영역을 검출하였다. 여기에서 박스의 크기는 동공의 크기가 외부조명의 밝기에 따라 2mm에서 8mm로 가변적으로 변하기 때문에 이를 기반으로 홍채카메라의 줌 배율(magnification factor) 19.3 pixels/mm를 같이 고려하여 결정하였다. 계산결과, 입력영상 (2048*1536)에서 동공의 지름은 39〜154픽셀이고 수직, 수평으로 각각 1/6씩 다운 샘플링한 영상에서는 6.
- 영상 내에 태양광의 영향이 존재하는지 판별하기 위해 카메라 조명을 끄고 촬영한 영상의 (그림 1에서 A2) 평균밝기를 측정한다. 이 값이 임계치(평균 50)를 초과할 경우, 할로겐 조명이나 태양광과 같은 외부조명의 간섭이 존재한다고 판단하게 된다.
- 먼저 원래의 선명한 홍채 영상을 沥8와 处/16의 주파수를 갖는 가버(Gabor) 필터를 사용하는 홍채인식 시스템에 등록시킨 후, 흐려진 홍채 영상과 복원된 홍채 영상을 사용하여 인식 실험을 하였다. 이 때 가버필터의 주파수는 인증 실험을 통해 EER(Equal Error Rate0이 가장 적은 결과를 나타낼 수 있도록 하는 값을 실험적으로 결정하였다.
- 동공뿐만 아니라 안경 렌즈에도 반사광이 나타나게 되어 동공의 위치를 이진화만을 이용해서 찾을 수 없게 된다. 이러한 문제를 해결하기 위해서 영역 기반 라벨링 m을 사용하여 정확한 동공의 위치를 찾아낸다.
- 마지막으로, 휴대폰의 경우 실외에서 사용이 빈번함으로, 입력 홍채 영상에서 태양광에 의한 영향이 크게 된다. 이러한 문제를 해결하여 인식 성능을 개선할 수 있는 방법 역시 제안하였다.
- 빈번하게 발생하게 된다. 이러한문제점을 해결하기 위하여 본 연구에서는 식 3과 같이 기존에 홍채 코드 추출을 위해 많이 사용하는 가버필터의 주파수(frequency) 및 크기 (amplitude)를입 력 영상에 따라 동적으로 변형하는 방법을 사용한다.
- 그리고 (5X5) 컨벌루션 커널을 사용하여 얻은 초점값은 흐려짐의 정도에 반비례하므로, 초점값이 작을수록 흐려짐의 정도가 컸을 때 정의한 PSF를 선택하도록 하였다. 이와 같이 PSF를 선택한 후에, 고속 푸리에 변환(Fast Fourier Transform)을 이용하여 공간 영역을 주파수 영역으로 변환한 후, 역 고속 푸리 에 변환 (Inverse FFT)을 이용하여 공간 영역에서의 복원된 홍채 영상을 얻었다.
- 동공 이진화를 위해 후보 박스 내의 평균 밝기 값을 고려하여 이진화 임계치를 정하고, 동공의 이진화를 수행한다. 이진화된 영상으로부터 수평 수직 히스토그램을 사용하여 X, y위치의 가중치 평균을 기반으로 동공의 중심위치를 얻었다. 대부분 휴대폰의 ARM 프로세서가 부동 소수점(Floating point) 보조처 리기 (Co-processor) 를 가지고 있지 않기 때문에 본 알고리즘에서는 고속 검출을 위하여 부동 소수점 연산을 사용하지 않았다.
- 수직 지름간의 비율을 사용하여 라벨링을 수행하여 정확하고 빠르게 각막의 조명 반사광을 검출하였다. 일반적으로 각막의 조명 반사광이 동공 영역에 존재하므로 각막의 조명 반사광 검출 후 동공이 존재 가능한 범위인 30*30픽셀의 후보박스를 씌워 동공영역을 검출하였다. 여기에서 박스의 크기는 동공의 크기가 외부조명의 밝기에 따라 2mm에서 8mm로 가변적으로 변하기 때문에 이를 기반으로 홍채카메라의 줌 배율(magnification factor) 19.
- 즉, 입력 영상의 초점값을 판단하여 이를 가버필터의 주파수 값 결정에 사용하고, 그림 1과 같이 조명이 꺼진 영상에서의 밝기를 측정하여 외부 태양광이 있는 상황이면, 가버 필터의 크기 (amplitude)를 조정함으로써 홍채 인식의 성능을 개선하였다.
- 첫 번째 실험은 50명으로부터 총 500 장의 영상을 취득하여(양쪽 눈을 모두 포함한 250장의 영상과 한쪽 눈만을 포함한 250장의 영상), 얼굴영상에서 정확한 홍채 검출 비율을 측정하였다. 또한, 영상내의 외부조명의 영향을 고려하기 위해 위 250장의 영상은 태양광이 존재하는 l, 3941ux의 실외 에서, 또 다른 250장의 영상은 2231UX의 실내에서 촬영하였다.
- 2 머]가 픽셀 CCD 센서를 가진 삼성 SPH- S2300모델을 사용하였으며, 정확한 홍채 패턴을 획득하기 위해 적외선 조명과 적외선 투과 필터의 사용했다可. 홍채 인식과 각막에 반사된 조명 반사광을 검출하기 위해 카메라 렌즈의 앞에 적외선 투과필터를 부착하고 적외선 파장과 가시광선을 포함하는 카메라 내장 제논 램프 (Xenon Flash Lamp)를 사용했다. 휴대폰에 장착된 카메라는 홍채인식 이외에도 가시광선 영역에서 일반적인 사진을 촬영할 수 있어야 하기때문에, 향후에 듀얼모드필터 (IR 투과와 차단필터를 포함한)가 자동적으로 열리거나 닫히는 메커니즘을 사용할 예정이다.
대상 데이터
- 홍채 영상은 한 달 간격으로 취득되었으며, 영상의 형식은 320 X 280 픽셀 크기에 8비트 그레이 영상이다. CASIA DB 내의 홍채 직경은 200픽셀이상이고, 전체 대상 중 약 5.2%가 콘택트렌즈를 착용하고 취득된 홍채 영상이다. 대상 영상 중 안경을 착용한 영상은 포함되어 있지 않다.
- 사용하였다. CASIA 홍채 데이터베이스는 80명에 대한 108 종류의 홍채로부터 추출된 총 756장의 홍채 영상으로 구성되어 있다. 홍채 영상은 한 달 간격으로 취득되었으며, 영상의 형식은 320 X 280 픽셀 크기에 8비트 그레이 영상이다.
- 3 pixels/mm를 같이 고려하여 결정하였다. 계산결과, 입력영상 (2048*1536)에서 동공의 지름은 39〜154픽셀이고 수직, 수평으로 각각 1/6씩 다운 샘플링한 영상에서는 6.5~25.7픽셀이었으며, 여분을 고려하여 3330픽셀 크기의 박스를 본 연구에서는 사용하였다.
- 첫 번째 실험은 50명으로부터 총 500 장의 영상을 취득하여(양쪽 눈을 모두 포함한 250장의 영상과 한쪽 눈만을 포함한 250장의 영상), 얼굴영상에서 정확한 홍채 검출 비율을 측정하였다. 또한, 영상내의 외부조명의 영향을 고려하기 위해 위 250장의 영상은 태양광이 존재하는 l, 3941ux의 실외 에서, 또 다른 250장의 영상은 2231UX의 실내에서 촬영하였다. 실험 결과 실내 영상에서의 홍채 검출 성공율은 99%, 실외영상에서의 홍채 검출 성공율은 98.
- 본 연구에서는 그림 5와 같이 실험용 휴대폰으로 3.2 머]가 픽셀 CCD 센서를 가진 삼성 SPH- S2300모델을 사용하였으며, 정확한 홍채 패턴을 획득하기 위해 적외선 조명과 적외선 투과 필터의 사용했다可. 홍채 인식과 각막에 반사된 조명 반사광을 검출하기 위해 카메라 렌즈의 앞에 적외선 투과필터를 부착하고 적외선 파장과 가시광선을 포함하는 카메라 내장 제논 램프 (Xenon Flash Lamp)를 사용했다.
- 홍채 영상 복원의 성능 평가를 위하여 CASIA 데이터베이스의 홍채 영상을 사용하였다. CASIA 홍채 데이터베이스는 80명에 대한 108 종류의 홍채로부터 추출된 총 756장의 홍채 영상으로 구성되어 있다.
- CASIA 홍채 데이터베이스는 80명에 대한 108 종류의 홍채로부터 추출된 총 756장의 홍채 영상으로 구성되어 있다. 홍채 영상은 한 달 간격으로 취득되었으며, 영상의 형식은 320 X 280 픽셀 크기에 8비트 그레이 영상이다. CASIA DB 내의 홍채 직경은 200픽셀이상이고, 전체 대상 중 약 5.
이론/모형
- 동공의 영 역을 구한 후에는 홍채의 영역을 구하여야 한다. Daugman 방법 回에서는 동공과 홍채의 영역을 원형 경계 검출자 (circular edge detection)를 이용하여 구하였다. 이는 많은 실수 연산을 필요로 하기 때문에 ARM계열의 processor에서는 효과적인 방법이 아니다.
- 그러므로 본 연구에서는 변형된 정수 연산 방식의 원형 경계 검줄자(circular edge detection) 를 사용하게 되 었다. 앞서 구한 동공의 정보에서 홍채의 반지름의 영역의 후보를 구할 수 있다.
성능/효과
- 그 결과 휴대폰에서의 전체처리시간이 328ms에서 65ms 로 감소하였다. 기존의 Viola 와 Jones, " 에 의해 제안된 얼굴검줄 알고리즘은 Sony-Ericsson P900(CPU clock : 156MHz) 와 Nokia 7650 (CPU clock : 140Hz)에서 344*288픽셀의 입력 영상을 처리하는데 각각 210ms와 160ms의 처리 시간을 보여 본 논문에서 제안된 방법보다(cold mirror 를 사용하였을 경우) 오랜 시간이 걸림을 알 수 있다. 또한 그들은 휴대폰에 영상처리용 별도 DSP칩을 추가하였고 이는 가격의 증가를 초래하게 된다.
- 검출된 동공 및 홍채 반경과 사용자가 손으로 표시한 반경들 사이의 RMS 에러는 각각 0.55, 2.2 픽셀로나타났다.
- 그 결과 선명 한 홍채 영상과 흐려진 홍채 영상 사이의 해밍 거리는 평균 0.312였으며, 선명한 홍채 영상과 복원된 홍채 영상 사이의 해밍 거리는 평균 0.072였다. 또한, 흐려진 홍채 영상에서는 동일인임에도 불구하고 타인으로 인식하는 FRR 오류가 발생되었으나, 복원된 홍채 영상에서는 그러한 오류가 발생되지 않았다.
- 이에 대한 보완책으로 카메라 렌즈 전면에 가시광선 영상을 반사하고, 적외선을 투과할 수 있는 cold mirror를 사용하여 얼굴입 력 영상에서 눈 영역이 일정한 범위에 포함될 수 있도록 함으로써 처리시간을 줄일 수 있다. 그 결과 휴대폰에서의 전체처리시간이 328ms에서 65ms 로 감소하였다. 기존의 Viola 와 Jones, " 에 의해 제안된 얼굴검줄 알고리즘은 Sony-Ericsson P900(CPU clock : 156MHz) 와 Nokia 7650 (CPU clock : 140Hz)에서 344*288픽셀의 입력 영상을 처리하는데 각각 210ms와 160ms의 처리 시간을 보여 본 논문에서 제안된 방법보다(cold mirror 를 사용하였을 경우) 오랜 시간이 걸림을 알 수 있다.
- 마지막 실험에서는 검출된 동공 중심과 사용자가 손으로 표시한 위치 사이에 RMS 에러를 측정하였으며, 그 결과 RMS에러가 5.5픽셀0 축으로 3.8픽 셀, Y축으로 4픽 셀)을 나타냈다. 이는 향후 원형 동공 경계 검출자를 사용함으로써 검출 정확도를 높일 수 있다地 또한, 검출된 홍채 중심과 사용자가 손으로 표시한 위치 사이에 RMS 에러는 1.
- 이러한 문제를 해결하기 위하여 본 연구에서는 영상 복원 기법을 적용하여 흐려진 홍채 영상을 복원하는 기법을 제안한다. 마지막으로, 휴대폰의 경우 실외에서 사용이 빈번함으로, 입력 홍채 영상에서 태양광에 의한 영향이 크게 된다. 이러한문제를 해결하여 인식 성능을 향상할 수 있는 방법 역시 소개하고자 한다.
- 본 실험에서는 원본 영상이 3.15MB (2048*1536 Byte) 이 며 이를 다운 샘플링 하여 87KB(341*256Byte)까지 줄이고, 카메라 렌즈의 전면에 cold mirror를 부착하여 촬영하므로 영상에서 눈이 위치하는 제한 지역만을 처리하기 때문에 17KB (341*51 Byte)까지 메모리 사용량을 줄일 수 있게 된다.
- 체크했다. 실내 영상에서 20*20픽셀박스의 경우 홍채 검출 비율은 90%, 25*25픽 셀박스의 경우 95%, 30*30 픽셀 박스의 경우 99%, 32*32픽셀박스의 경우 100%의 비율을 나타냈고, 실외영상에서 홍채의 검출 비율은 20*20픽셀박스의 경우 87%, 25*25 픽셀박스의 경우 94%, 30*30픽셀 박스의 경우 98.5%, 32*32픽셀박스의 경우 100%의 비율을 나타냈다.
- 또한, 영상내의 외부조명의 영향을 고려하기 위해 위 250장의 영상은 태양광이 존재하는 l, 3941ux의 실외 에서, 또 다른 250장의 영상은 2231UX의 실내에서 촬영하였다. 실험 결과 실내 영상에서의 홍채 검출 성공율은 99%, 실외영상에서의 홍채 검출 성공율은 98.5%를 보였다. 그림 6은 결과영상이며, 귀걸이, 눈물샘, 빛에 반사된 머리카락 등에서 잘못된 조명 반사 영 역을 추출할 경우 결과적으로 잘못된 홍채영역을 검줄하였다.
- 본 논문은 홍채 영상 복원 알고리즘의 성능을 평가하기 위해 영상들의 RMS(Root Mean Square) 에러를 측정하였다. 실험 결과, 선명한 홍채 영상과 흐려진 홍채 영상의 픽셀 RMS 에러는 평균 3.56 이 었고, 선명 한 홍채 영상과 복원된 홍채 영상의 픽셀 RMS 에러는 평균 3.25였다. 그러므로 복원된 홍채 영상이 흐려진 홍채 영상보다 원래의 선명한 홍채 영상에 더 가깝다는 것을 알 수 있다.
후속연구
- 향후, 보다 다양한 휴대용 단말기(PDA, 스마트 폰 등)에서의 영상 취득 및 알고리즘 테스트를 통해 저 연산 멀티미디어 휴대용 단말기에서의 홍채 인식 기능을 구현하기위 한 추가 연구들이 필요할 것으로 예상된다.
- 홍채 인식과 각막에 반사된 조명 반사광을 검출하기 위해 카메라 렌즈의 앞에 적외선 투과필터를 부착하고 적외선 파장과 가시광선을 포함하는 카메라 내장 제논 램프 (Xenon Flash Lamp)를 사용했다. 휴대폰에 장착된 카메라는 홍채인식 이외에도 가시광선 영역에서 일반적인 사진을 촬영할 수 있어야 하기때문에, 향후에 듀얼모드필터 (IR 투과와 차단필터를 포함한)가 자동적으로 열리거나 닫히는 메커니즘을 사용할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.