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 연구에서는 온라인 사용자 인증을 위한 지문인식 시스템이기 때문에 보안 등급을 두어 지문 인식의 정확도를 측정하였다. 보안등급은 정합범위와 정합도에 따라서 결정되는데 이것은 정합도의 범주와 특징점 간의 거리를 나타내는 정합범위를 지정할 수 있도록 한 것이다.
- 아무리 인식이 잘되는 방법이라 하더라도 100명중에 한두 명이 다른 사람으로 인식되면 그것은 실용화되기에 적합하지 않다. 이 연구에서는 신뢰도 향상에 중점을 두기 때문에 보다 정확한 특징점 추출을 위해 전처리된 영상에 대해 세선화를 수행한다.
제안 방법
- 등록하는데 소요되는 시간도 오래 걸리지 않고 등록이 가능하였다. 그리고 등록된 사람들에게 10번씩 자유롭게 인식을 하도록 하였다. 인식에 테스트 한사람에게는 혼자서 직접 하도록 하였으며, 지문의 위치를 회전이 가능한 만큼 회전을 하도록 유도하였다.
- 융선과 곡부의 차를 크게 하였다. 또한 계수들이 실수가 아닌 정수를 사용하여 계산 속도를 향상시켰다.
- 같다. 먼저 블록에서의 각 화소에서 소벨 연산을 적용하여 X와 Y축에 대한 방향의 크기 (magnitude)를 구한다. 각각 Gx(i, j), Gy(i, j)라고 한다.
- 방향^ 라플라시안 필터링을 적용시켜 융선과 곡부의 차를 크게 한 뒤 이진화를 수행하는데 지문 영상이 2561evel 의 gray 영상이므로 문턱값 128을 적용하여 영상의 이진화를 수행하였다.
- 5배 정도가 빨라졌으며, 인식률은 4%이상 증가하였다. 보안등급에 따라 좋은 결과를 제시할 수 있으나 가장 높은 등급을 적용하여 제시하였다.
- 본 연구에서는 온라인 방식으로 반도체 방식의 입력기를 통해 입력된 지문 영상을 이용하여 지문 인식 시스템을 구성한다.
- 실험에서는 기존 연구에서 사용된 필터 계수를 약간 달리하여 융선과 곡부의 차를 크게 하였다. 또한 계수들이 실수가 아닌 정수를 사용하여 계산 속도를 향상시켰다.
- 앞에서 구한 각 영역의 주방향 정보를 이용하여 라플라시안(Laplacian) 필터링을 적용하여 융선과 곡부를 구별하고, 영상을 이진화 시킨다[3, 11.12).
- 좌. 우로회전이 가능한 만큼 회전하도록 하였으며. 항상 센서에서 떼었다가 다시 입력하는 방식을 사용하여 지문의 형태가 같지 않도록 하였다.
- 하지만 2단계 정합과정에서 소비되는 계산 시간이 문제가 되었다. 이 연구에서는 단일 정합으로 입력 지문과 참조 지문간의 정합을 수행하였다. 전처리와 특징점 추출 과정에서 잡음에 대한 제거를 마친 다음이므로 단일 정합만으로 기존의 2단계 정합과정에서 인식률에 크게 영향을 미치는 문제점을 보안하여 단일 정합을 적용하였다.
- 이러한 문제점을 해결하기 위해 기존 연구에서 제시한 대상 특징점의 범위 대신 (그림 12)과 같이 이웃점을 기준으로 반지름 r 만큼의 원 영역을 두어 이 원 영역안에 참조 지문 영상의 특징점이 존재하는지를 판별하여 오차를 줄인다.
- 그리고 등록된 사람들에게 10번씩 자유롭게 인식을 하도록 하였다. 인식에 테스트 한사람에게는 혼자서 직접 하도록 하였으며, 지문의 위치를 회전이 가능한 만큼 회전을 하도록 유도하였다. 실험 결과는 100%에 가깝게 인식되고 있으며.
- 전처리 과정에서부터 잡음에 대한 제거를 수행하였다. 하지만, 전처리에서 걸러지지 않은 잡음들과 세선화 과정에서 새로 생긴 잡음들에 의해 (그림 7)과 같이 특징점 추출 과정에서 잡음 특징점이 많이 발생한다.
- 전처리 단계에서 사용되는 영역의 크기는 융선 한 개에서 두 개정도 크기인 10x10 ~ 8×8의 크기로 하는데 본연구에서는 지문을 입력받는 과정에서 곡률이 심한 부분이 주로 인식에 사용되기 때문에 영역의 크기를 8><8로 정하여 사용하였다. 영역의 크기가 크면 곡률이 작은 부분에서는 좋은 결과를 보이지만 곡률이 큰 부분에서는 안 좋은 결과를 보인다.
- 이 연구에서는 단일 정합으로 입력 지문과 참조 지문간의 정합을 수행하였다. 전처리와 특징점 추출 과정에서 잡음에 대한 제거를 마친 다음이므로 단일 정합만으로 기존의 2단계 정합과정에서 인식률에 크게 영향을 미치는 문제점을 보안하여 단일 정합을 적용하였다.
- 정합단계에서는 기존에 제시된 2단계 정합 방법[7, 14] 의문제점인 계산시간과 인식률을 보완하여, 그룹화 및 세부 정합 과정을 한번에 수행하는 기법을 적용하였다.
- 정확도가 떨어지는 문제를 해결하기 위해 실제 구현에서는 3×3 소벨(Sobel)연산을 가로, 세로 양 방향으로 적용시켰다.
- 있는데, 이유는 크게 두 가지가 있다. 첫째, 온라인 상에서 직접 실험하는 경우에는 지문영상을 채취하고, 인식하는 과정에서 3번의 시도를 한다. 3번 시도하여 1번이라도 매칭이 되는 경우에는 정상적으로 인식을 한 것으로 간주하기 때문에 인식률이 시뮬레이션 한 경우보다 좋은 결과를 보인다.
- 우로회전이 가능한 만큼 회전하도록 하였으며. 항상 센서에서 떼었다가 다시 입력하는 방식을 사용하여 지문의 형태가 같지 않도록 하였다. 테스트에 사용된 지문 영상의 형태와 전처리 과정에서 발생하는 결과를 (그림 12)에 제시하였다.
대상 데이터
- 이러한 방식으로 총 60명에 대해서 지문 영상을 채취하여 실험에 사용하였다. 등록에 사용된 지문수는 180샘플이고, 인식에 사용된 지문수는 300 샘플이다.
- 실험에 사용된 지문 영상은 손가락을 세 번 떼었다가 다시 지문을 받는 방식으로 3번은 등록을 위한 지문 샘플을 채취하였으며, 5번은 인식을 하기 위한 샘플로 채취하였다. 이러한 방식으로 총 60명에 대해서 지문 영상을 채취하여 실험에 사용하였다.
- 채취하였다. 이러한 방식으로 총 60명에 대해서 지문 영상을 채취하여 실험에 사용하였다. 등록에 사용된 지문수는 180샘플이고, 인식에 사용된 지문수는 300 샘플이다.
- 온라인. 인식을 통한 실험은 16명에 대해서 온라인으로 등록하도록 한다. 세 개의 지문을 등록하는데 등록단계에서의 오류는 없었으며.
이론/모형
- 세선화 방법은 기존 연구에서 사용되어진 Zhang thinning을 사용하였다[13]. 세선화 되어진 영상은 (그림 6)에서 보여주고 있다.
성능/효과
- 제안된 방법은 보안 등급을 3으로 지정하여 적용한 결과이다. 기존 방식에 비하여 처리속도는 1.5배 정도가 빨라졌으며, 인식률은 4%이상 증가하였다. 보안등급에 따라 좋은 결과를 제시할 수 있으나 가장 높은 등급을 적용하여 제시하였다.
- 본 연구에서는 타인 인식률과 본인 신뢰도 향상에 중점으로 연구하였으며, 타인 인식률은 거의 0%에 가까웠다. 하지만 본인 인식률이 조금 낮게 나온 것은 사실이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.