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
- 홍채 내부에는 항상 동공 영역이 존재하므로, 본 논문에서는 홍채 원형 경계 검줄 시 홍채 존재 가능 위치마다 동공 원형 경계 검출을 같이 수행함으로써 홍채 영역 추출의 정확도를 향상하였다"I
- 본 논문에서는 극좌표 원형 홍채 방식을 사용하여 인식 성능을 떨어뜨리는 문제점을 해결하고 홍채 특징 위치를 보다 정확하게 추출하기 위하여 동공 중심 과 홍채 중심이 다를 경우를 고려하는 극좌표 원형 방식을 사용하여 홍채 특징 영역을 추출하기 때문에 홍채 인식율의저하를 줄일 수 있는 장점을 가지는 동공 및 홍채의 중심, 반경 정보를 모두 이용하는 홍채 특징 위치 검출 방법을 새롭게 제안한다.
가설 설정
- 11의 (b)와 같은 극좌표 원형 홍채 영상보다 너비가 커지게 된다. 또한 그림 10과 같이 회전각도에 따른 "홍채 반경 - 동공 반경 값” 차이 역시 스트레치 및 보간하기 때문에 그림 10의 (b)와는 틀리게 높이 역시 커지게 된다.
제안 방법
- (2)]四㈣ 본 논문에서는 홍채 코드 생성 속도를 향상하기 위해 기존 Daugman 방식의 2차원 필터를 변형한 1차원 가버 웨이블릿 필터(IGabor Wavelets F沮e"匆를 사용하였다.
- 된다. 그러므로 본 연구에서는 극좌표 원형 홍채 영상에서 홍채 특징 추출 위치를 직접 검출하는 방식을 사용하였다. 극좌표 원형 홍채 영상에서 홍채 코드를 생성하기 위해 홍채 특징 영역을 추출하는 과정은 다음과 같다.
- 알 수 있었다. 다음 실험에서는 가버 필터링 된 결과를 0과 1로 양자화 한 위상 코드(Phase Code) 를 사용하지 않고 필터링 된 결과의 amplit자垃e를 이용하여 인식성능을 조사하였다. 매칭 방법으로는 유클리디안 거리 (Euclidean Distance)와 코사인 거리 (Gasine 0sfcmce)[25]를 사용하였다.
- 또한 검출된 홍채 코드 중 유효하지 않은( (예) 눈썹, 눈꺼풀, 조명 반사등에 의해 가려진 부분에서 검출된) 코드들을 따로 표시하여 인식에 사용하지 않기 위하여, 홍채 코드와 같은 크기의 유효코드 정보 2, 0皿8비트를 같이 저장하였다. 결과적으로 총 4, 0% 비트의 홍채코드 및 유효코드를 이용하여 홍채 인식을 하게 된다.
- 알 수 있었다. 마지막으로 본 연구에서 제안한 동공 및 홍채 중심 위치가 다를 경우를 고려한 극좌표계 방식 홍채 특징 영역 위치 검출 알고리즘이 기존의 직교 좌표계 방식보다 인식 성능이 개선되어지는것을 비교하여 보았다. 우선 동공 및 홍채 중심 위치가 다를 경우 거리를 측정하기 위해 그림 17의 D-거리 (Euclidean Distance)를 사용하였다.
- 본 논문에서는 이러한 문제점을 해결하고 홍채 특징 위치를 보다 정확하게 추출하기 위하여, 동공 및 홍채의 중심, 반경 정보를 모두 이용하는 홍채 특징 위치 검출 방법을 사용하였다.
- 수식적으로 표현한 것이다. 본 논문의 방식에서는 홍채 위치 영역을 추출할 경우 동공 반지름인 rp 에 1 픽셀씩 반지름을 증가하여 추출한다. 여기서 i 는 그림 10(b)의 실제 홍채 특징 영역의 각도별 높이 값(반지름) 이다.
- 추출된 홍채 코드를 기반으로 HD(Hamming Distance)를 이용하여 본인과 타인 여부를 결정하였다. 본인과 타인을 결정하는 임계치 (Threshold)는 EER(Equal Error 凡施丿이 최소가 되는 지점을 기준으로 설정하였다. 여기서 EER이란 FAR(False Acceptance Rate : 등록하지 않은 타인을 받아들일 오류율丿과 FRR(False Rejection Rate : 등록한 본인을 거부할 오류율丿이 같아지는 지점에서의 에러율을 나타낸다.
- 즉, 홍채 특징의 신호 변화 가 실제로 존재함에도 불구하고 같은 위치에서의 여러 홍채 특징들을 추출함으로써 파형변화가 적은 비슷한 홍채 신호를 만들게 된다. 이러한 문제점을 해결하기 위하여 본 논문에서는 동공에 가까운 트랙에는 식 (11)에서 나타낸 가버 필터 적용 시 커널의 주파수를 작게 하여 저주파 홍채 신호를 정확하게 추출하도록 하고, 동공 영역에서 먼 트랙에는 커널의 주파수를 크게 하여 고주파 홍채 신호를 추출하게 하였다. 본 논문에서는 이를 통해 홍채 인식의 성능을 향상 할 수 있었다.
- 노이즈가 제거된 영상에서 눈꺼풀 추출을 위한 탐색 영역을 그림 7(a)과 같이 설정한다. 일반적으로 눈꺼풀, 홍채 및 흰자위 부분은 그레이레벨의 차이로 인해 불연속점이 발생하므로, 본 논문에서는 이러한 특성을 이용한다. 즉, 이전단계에서 추출된 홍채 경계점들을 검사하여 중에서 그레이 레벨의 불 연속 점이 발생하는 위치를 기존으로 눈꺼풀 존재가능 범위로 설정하게 된다.
- 일반적으로 본인과 타인 분포의 평균값 사이가 멀어질수록, 각각의 표준 편차 값이 작을수록 d 값이 커지게 되며, 결과적으로 EER도 작아지게 된다. 추출된 홍채 코드를 기반으로 HD(Hamming Distance)를 이용하여 본인과 타인 여부를 결정하였다. 본인과 타인을 결정하는 임계치 (Threshold)는 EER(Equal Error 凡施丿이 최소가 되는 지점을 기준으로 설정하였다.
- 풀에 의해 덮여있는 경우가 빈번하므로, -45o도~+30도및 +150도~+225도 에서만 원형 경계 검출을 수행하였으며, 동공에 대한 원형 경계 검출은 0도~360도 전체범위에 대해 수행하였다. 그림 6은 CASIA 홍채 영상을 대상으로 한 동공 및 홍채 경계 추출 결과의 예이다.
- 영역을 추출한다. 하지만 본 논문의 방식은 그림 9(a)에서 보는 것과 같이 동공중심 점과 홍채중심 점을 모두 이용한 홍채 특징 위치 추적 방법을 사용한다. 따라서 두 번째 단계로는 동공의 중심을 지나는 직선이 홍채 경계와 만나는 접점인 3e, 处)을。~360도 간격으로 구하여 동공중심 점과 홍채중심 점이 다를 때를 고려해야 한다.
대상 데이터
- 대상 영상 중 안경을 착용한 영상은 포함되어 있지 않다. 1차원 가버 웨이블릿 필터의 山 =300, <7=27.93683, 灼=1/20으로 설정하였으며 영상의 회전을 고려하여 홍채 코드를 쉬프트 ±3 픽셀(약 ±4.2°)의 오차 범위를 주고 실험하였으며, 표1은 실험한 결과이다.
- 홍채 영상은 한 달 간격으로 취득되었으며, 영상의 형식은 (320x280) 픽셀 크기에 8비트 그레이 영상이다. CASIA DB 내의 홍채 직경은 193픽셀이상이고, 전체 대상 중 약 5.2%가 콘택트렌즈를 착용하고 취득된 홍채 영상이다. 대상 영상 중 안경을 착용한 영상은 포함되어 있지 않다.
- CASIA 데이터베이스四를 사용하였다. CASIA 홍채 데이터베이스는 80명에 대한 108 종류의 홍채로부터 추출된 총 756장의 홍채 영상으로 구성되어 있다. 홍채 영상은 한 달 간격으로 취득되었으며, 영상의 형식은 (320x280) 픽셀 크기에 8비트 그레이 영상이다.
- 본 논문에서는 직교 사각형 홍채 영상 방식과 극 좌표계 원형 홍채 영상 방식의 인식 성능을 실험하기 위해 CASIA 데이터베이스四를 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 (320x280) 픽셀 크기에 8비트 그레이 영상이다. CASIA DB 내의 홍채 직경은 193픽셀이상이고, 전체 대상 중 약 5.
데이터처리
- 평균 처리 시간은 펜티엄-VI 3.0Hz 프로세서와 512DRAM의 PC환경에서 실험하였다囹.
이론/모형
- 다음 실험에서는 가버 필터링 된 결과를 0과 1로 양자화 한 위상 코드(Phase Code) 를 사용하지 않고 필터링 된 결과의 amplit자垃e를 이용하여 인식성능을 조사하였다. 매칭 방법으로는 유클리디안 거리 (Euclidean Distance)와 코사인 거리 (Gasine 0sfcmce)[25]를 사용하였다. 표2와 표3은 각각 코사인 거리 와 유클리디안 거리를 사용하여 실험한 결과이다.
- 마지막으로 본 연구에서 제안한 동공 및 홍채 중심 위치가 다를 경우를 고려한 극좌표계 방식 홍채 특징 영역 위치 검출 알고리즘이 기존의 직교 좌표계 방식보다 인식 성능이 개선되어지는것을 비교하여 보았다. 우선 동공 및 홍채 중심 위치가 다를 경우 거리를 측정하기 위해 그림 17의 D-거리 (Euclidean Distance)를 사용하였다.
성능/효과
- 경우 T로 값을 나타나게 된다. 각 경우에 제안한 원형 홍채 영상 방식이 실험 결과 표 2를 보면 보다 우수한 인식률을 나타낸 것을 확인할 수 있다.
- 결과를 통해 코사인 거리를 사용했을 때 성능이 가장 우수함을 알 수 있었다. 마지막으로 본 연구에서 제안한 동공 및 홍채 중심 위치가 다를 경우를 고려한 극좌표계 방식 홍채 특징 영역 위치 검출 알고리즘이 기존의 직교 좌표계 방식보다 인식 성능이 개선되어지는것을 비교하여 보았다.
- 결과적으로 총 2, 048 비트(*2=586) 의 홍채 코드를 검출하였다. 또한 검출된 홍채 코드 중 유효하지 않은( (예) 눈썹, 눈꺼풀, 조명 반사등에 의해 가려진 부분에서 검출된) 코드들을 따로 표시하여 인식에 사용하지 않기 위하여, 홍채 코드와 같은 크기의 유효코드 정보 2, 0皿8비트를 같이 저장하였다.
- 또한 검출된 홍채 코드 중 유효하지 않은( (예) 눈썹, 눈꺼풀, 조명 반사등에 의해 가려진 부분에서 검출된) 코드들을 따로 표시하여 인식에 사용하지 않기 위하여, 홍채 코드와 같은 크기의 유효코드 정보 2, 0皿8비트를 같이 저장하였다. 결과적으로 총 4, 0% 비트의 홍채코드 및 유효코드를 이용하여 홍채 인식을 하게 된다.
- 셀은 증가한다. 또한 한 가지 더 주목할 점은 각도의 증가분이 본 논문에서와 같이 1.4도 간격이고, 동공 반지름의 크기가 47픽셀 이상일 경우에는 각도의 증가분에 의한 중복 픽셀이 발생하지 않음을 확인할 수 있었다. 그림 13는 실제 CASIA 홍채 영상에서 발생하는 중복 픽셀들에 대한 분포를 보여주고 있다.
- 려한 극 좌표계 방식은 표 3에서의 결과에서 보는 것과 같이 기존의 직교 좌표계 방식에 비해 인식 성능이 우수함을 확인할 수 있다.
- 식⑼에서 4는 필터의 진폭 G4〃iplitude)이며, b와 u0는 커널 사이즈와 커널의 주파수(斤equenqy) 이다. 본 논문에서는 CASIA DB를 대상으로 최소 EER을 나타내는 값들을 결정했으며, 실험 결과 4=300, 0=27.93683, %)=1/20로 나타났다. 그림 14는 수식(11)에 의해 계산되어진 변형된 1차원 가버웨이블릿 필터 Gabor wavelet /站이다.
- 이러한 문제점을 해결하기 위하여 본 논문에서는 동공에 가까운 트랙에는 식 (11)에서 나타낸 가버 필터 적용 시 커널의 주파수를 작게 하여 저주파 홍채 신호를 정확하게 추출하도록 하고, 동공 영역에서 먼 트랙에는 커널의 주파수를 크게 하여 고주파 홍채 신호를 추출하게 하였다. 본 논문에서는 이를 통해 홍채 인식의 성능을 향상 할 수 있었다.
- 본 논문은 홍채 특징 영역을 검출하기 위해 극좌표 원형 홍채 영상에서 직접 홍채 특징 영역을 검출함으로써 인식 성능을 향상할 수 있었다. 매칭 방법으로는 코사인 거리를 사용했을 때 가장 우수한 성능을 나타냈다.
- 실험결과를 통해 일반적으로 직교 사각 영상 방식보다 제안한 원형 영상 방식을 적용할 경우 인식 성능이 우수함을 알 수 있었다. 다음 실험에서는 가버 필터링 된 결과를 0과 1로 양자화 한 위상 코드(Phase Code) 를 사용하지 않고 필터링 된 결과의 amplit자垃e를 이용하여 인식성능을 조사하였다.
후속연구
- 매칭 방법으로는 코사인 거리를 사용했을 때 가장 우수한 성능을 나타냈다. 향후 보다 많은 홍채 영상 DB에 대해 실험을 수행할 예정이며, 가버 필터 외에 다른 다양한 웨이블릿 필터들을 적용했을 때에도 인식 성능을 비교해야 할 것으로 요구된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.