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
- SVMe 서포터 벡터를 이용해 최적의 선형 결정 하이퍼 평면(Hyper-plane)을 결정함으로 두 클래스 문제를 해결하기 위해 소개되었다. 결정된 최적의 하이퍼 평면에 기초하여 SVM 커널이라 불리는 비선형 변환함수를 사용하여 입력값들을 고차원의 특징 공간으로 맵핑시킴으로써 인식에러를 최소화시킬 수 있다的].
- 은 홍채와 얼굴 영상으로부터 저차원의 특징을 추출하기 위하여 2차원의 이산 웨이블릿 변환을 사용하였고回, 이 같은 특징들로부터 직접 선형 판별 분석법 (Direct Linear Discrimination Analysis)을 사용하여 Reduced Joint 특징벡터를 얻었다. 그러나 전술한 바와 같이 특 징 추출 레벨에서의 결합은 복잡한 연산과 긴 처리 시간을 요구하므로 저 연산 휴대폰 환경에 적합하지 않기 때문에 본 논문에서는 스코어 레벨에서의 결합을 제안한다. Wang et al.
- 그러나 홍채 인식의 정확성은 홍 채 패턴이 조명에 의한 반사광 또는 속눈썹에 의해가려지거나, 움직임, 광학에 의한 흔들림에 의해 초점이 맞지 않을 때 급격하게 감소될 수 있다. 그러므로 본 논문에서는 안정된 성능을 제공하기 위하여 SVM(Support Vector Machine)에 기반한 얼굴과 홍채의 스코어 레벨에서의 결합방법을 제안한다. 또한 휴대폰의 머】가 픽셀 카메라와 근적외선 조명을 사용함으로써 가시광선에 의해 발생되는 조명의 변화량을 최소화하고, 빠른 속도로 인식을 위해 충분한 품질의 얼굴과 홍채 영상을 취득하였다.
- 은 네 개의 다른 생체(얼굴, 지문 , 홍채, 사인)를 Weigted SUM 규칙에 의해결합하였다図 일반적으로 Weigted SUM 규칙에 의해스코어 레벨에서 결합하는 것보다 SVM을 기반으로 결합하는 것이 더 좋은 인식 성능을 나타내는 것으로 알려져 있다. 따라서 본 논문에서는 SVM에 기반한 얼굴과 홍채의 스코어 결합을 제안한다. [25]의 연구에서는 계층적 SVM (Hierarchical SVM) 을 이용하여 얼굴과 홍채의 스코어를 결합하였으며 인증 정확도는 향상 되었으나 시스템 복잡도가 높아지는 문제점이 있다.
- 본 논문은 휴대폰 환경에서 단일 생체 인식의 한계를 극복하고 인식 성능을 향상시키기 위해 SVM을 사용하여 얼굴과 홍채를 스코어 레벨에서 결합하는 새로운 방법과 휴대폰 환경을 고려한 정수기반의 알고리즘을 제안하였다. 그 결과, 본 논문에서 제안하는 SVM을 사용한 스코어 레벨에서의 결합방법에 의해 EER 0.
- 하지만 SVM을 사용한 이전 연구들은 특징 추출 레벨에서 이루진 것으로 입력 특징의 고차원성 때문에 좋은 인식 성능을 보이기 위해서는 너무 많은 계산 복잡성을 요구하게 된다. 이 같은 문제를 해결하기 위해 본 논문에서는 스코어 레벨에서 SVM을 사용하여 얼굴과 홍채를 결합하였다. SVM 결합을 위해 5개의 기본 커널함수(dot, polynomial, radial, neural, anova 커널)를 사용하였고 각 커널의 효율성은 서포터 벡터의 수, mean squared 에러, 분류 정확성을 고려하여 결정하였다.
- 마지막으로, 결정 레벨에서의 결합은 각 분류기의 최종 결과(수락, 거절)를 사용하는 것으로 낮은 인식의 정확성을 나타낸다. 특징 추출 레벨에서 의 결합의 복잡성과 결정 레벨에서의 결합의 낮은 정확성을 고려하여 본 논문에서는 휴대폰 환경에서 얼굴과 홍채 데이터의 스코어 레벨에서의 결합을 제안한다. 비록, 이전에 얼굴과 홍채영상을 결합한 연구가 있지만 '대부분 특징 추출 레벨에서의 결합을 시도한 것으로써 Son et al.
제안 방법
- 이 같은 문제를 해결하기 위해 본 논문에서는 스코어 레벨에서 SVM을 사용하여 얼굴과 홍채를 결합하였다. SVM 결합을 위해 5개의 기본 커널함수(dot, polynomial, radial, neural, anova 커널)를 사용하였고 각 커널의 효율성은 서포터 벡터의 수, mean squared 에러, 분류 정확성을 고려하여 결정하였다. 실험 결과식(3)의 gamma 0.
- 결정된 최적의 하이퍼 평면에 기초하여 SVM 커널이라 불리는 비선형 변환함수를 사용하여 입력값들을 고차원의 특징 공간으로 맵핑시킴으로써 인식에러를 최소화시킬 수 있다的]. Yong et 乱盆은 홍채 특징을 추출하기 위해 정규화 된 상관계수를 사용하였고 SVM을 이용하여 홍채 특징에 대한 분류와 인식을 수행하였다. Kaushik Roy et al.
- 평균과 표준편차에 의해 정규화된 가중치는 0에서 1의 분포를 갖기 때문에 이 값들' 또한 7비트의 이동을 통해 정수 값으로 변환하였다. 결과적으로 미리 저장된 정수의 고유값과 정수의 가중치 값을 가지고 유클리디언거리 (ED) 를 계산하였다. 실험을 통해 정수기반의 PCA의 인식정확도가 실수 기반의 인식 정확도와 유사한 것을 확인하였으며, 정수기반의 PCA가 정수기 반의 LDA 또는 ICA의 인식 정확도보다 우수한 것을 알 수 있었다"].
- 하지만 다중생체 특징을 사용하여 SUM 규칙을 적용할 경우, 다차원의 공간에서 임계치에 의해 구별되기 때문에 단일 생체특징만을 이용할 때보다 본인과 타인 분포를 더 잘 구별할 수 있다. 그러나 일반적으로 SUM, MIN, MAX, Weighted SUM룰은 비선형의 분류는 가능하지 않기 때문에 본 논문에서는 비선형으로 구분할 수 있는 SVM을 사용하여 결합을 시도하였다.
- 조명반사광을 검출하기 위해 카메라 제어장치에 의해두 개의 근적외선 조명의 끄고 켬을 번갈아 수행함으로써 연속적으로 다섯 장의 영상을 얻었다. 다섯 장의 영상에서 외부가시광선과 움직임 또는 광학적인 흐림 현상으로부터 가장 영향을 받지 않은 하나의 영상을 선택하여 각막반사광의 후보 영역들을 검출하였다. 일반적으로 얼굴 영상에서 각막 반사광의 그레이값은 다른 피부영역에서의 그레이 값보다 크기 때문에 일정한 임계치 이상의 그레이값을 가지는 영역을 검출함으로써 각막 반사광의 후보 영역을 검출하였다⑫国 이 때, 안경유리 표면에도 역시 반사광이 생기기 때문에 각막 반사광 후보 영역들의 반지름 차이 정보를 사용하여 각막에 생긴 반사광과 안경유리 표면에 생긴 반사광을 구별하였다.
- 적외선 조명의 의해 눈의 각박에 발생한 반사광의 위치를 기반으로 눈 영역과 얼굴을 분리하고 정규화한 다음 얼굴 데이터로부터 PCA를 사용하여 Eigen-values를, 홍채 데이터로부터가버 필터를 사용하여 이진 홍채 코드를 계산한다. 다음, Eigen-values와 홍채코드를 가지고 미리 등록된 얼굴과 홍채 템플릿과의 유클리디언거리(ED)와 해밍거리(HD)를 각각 계산한다. 계산된 스코어 값은 정규화된 후에 SVM(support vector machine)에 의해 결합되고 마지막 으로 SVM의 결과 값은 미리 결정된 임계치에 의해 본 인 수락과 타인 거절이 결정된다.
- 따라서 얼굴 영상의 조명에 대한 정규화가 필수적이다[侦 이를 위하여, 휴대폰 환경에서 실시간 처리가 가능한 저연산 로가리듬 알고리즘에 기초한 밝기 정규화 방법을 사용하였다. 이를 수행함으로 입력 영상의 부분 그림자 영역의 명도 값과 대비는 증가하는 반면, 밝기 포화영역의 명도값은 적게 증가되었다.
- 그러므로 본 논문에서는 안정된 성능을 제공하기 위하여 SVM(Support Vector Machine)에 기반한 얼굴과 홍채의 스코어 레벨에서의 결합방법을 제안한다. 또한 휴대폰의 머】가 픽셀 카메라와 근적외선 조명을 사용함으로써 가시광선에 의해 발생되는 조명의 변화량을 최소화하고, 빠른 속도로 인식을 위해 충분한 품질의 얼굴과 홍채 영상을 취득하였다.
- [25]의 연구에서는 계층적 SVM (Hierarchical SVM) 을 이용하여 얼굴과 홍채의 스코어를 결합하였으며 인증 정확도는 향상 되었으나 시스템 복잡도가 높아지는 문제점이 있다. 또한, 기존의 연구들은 각각 다른 얼굴과 홍채 데이터베이스로부터 가상의 다중생체 데이터베이스를 이용하여 실험하였으나 본 논문에서는 휴대폰의 메가 픽셀 카메라에 의해 얻어진 하나의 실제 영상으로부터 얼굴과 홍채 정보를 추출하여 실제적으로 실험하였다.
- 이를 수행함으로 입력 영상의 부분 그림자 영역의 명도 값과 대비는 증가하는 반면, 밝기 포화영역의 명도값은 적게 증가되었다. 또한, 휴대폰 환경에서 처리 속도를 고려하여 로 가리듬 계산을 위한 룩업 테이블(Look up table)을 사용하였다.
- 사용하였다[的. 먼저 눈꺼풀 특징점 추출 마스크를 사용하여 눈꺼풀 후보 점을 검출하고, 식(2)와같은 포물허프 변환식을 사용하여 눈꺼풀 영역을 검출하였다.
- 얼굴인식 방법을 사용하였다叫. 먼저 정규화된 얼굴 영상으로부터 1 X 900의 1차원 벡터를 만든 후, 학습을 위해 사용되는 영상 벡터들로부터 고유벡터와고유값을 계산하여 최종적으로 고유얼굴(eigenface)를얻었다. 본 논문에서는 계산된 실수기반의 고유얼굴을 20비트의 비트 이동(bit-shift)을 통해 정수의 고유 얼굴로 변환하였다.
- 나타낸다. 먼저 휴대폰 카메라에 의해 촬영된 메가픽셀의 얼굴 영상은 그림 2와 같이 얼굴과 홍채인식의 입력 영상으로 사용되기 위한 전처리를 수행한다. 이때 취득된 메가 픽셀의 영상은 인식을 위한 충분한 픽셀 정보(3072 X2304 픽셀)를 갖고 있다.
- 다시 말하면, 해밍거리는 위상값의 이 진화로 인해 정보의 손실이 일어남에도 불구하고 영상의 밝기에 영향을 거의 받지 않기 때문에 코사인, 유클리디언과 비교하여 우수한 성능을 보일 수 있다. 모바일 환경에서 처리속도의 증가를 위해 정수기 반의 원형 경계 검출 방법을 이용하여 홍채영역을 검출하였으며 홍채 코드의 추출을 위해 정수기반의 가버필터를 사용하였다.
- 먼저 정규화된 얼굴 영상으로부터 1 X 900의 1차원 벡터를 만든 후, 학습을 위해 사용되는 영상 벡터들로부터 고유벡터와고유값을 계산하여 최종적으로 고유얼굴(eigenface)를얻었다. 본 논문에서는 계산된 실수기반의 고유얼굴을 20비트의 비트 이동(bit-shift)을 통해 정수의 고유 얼굴로 변환하였다. 본 논문에서는 저연산의 핸드폰 환경을 고려하여 학습을 통해 얻어진 고유 얼굴을 사영 (projection)하여 인식에 사용되는 얼굴 영상의 가중치를 계산할 때, 정수기반으로 계산하였다.
- 동공 및 홍채의 경계로 검출하는 방식이다. 본 논문에서는 두 개의 원형 경계 검출기를 사용하여 동시에 홍채와 동공영역을 검출하였다回.
- 본 논문에서는 계산된 실수기반의 고유얼굴을 20비트의 비트 이동(bit-shift)을 통해 정수의 고유 얼굴로 변환하였다. 본 논문에서는 저연산의 핸드폰 환경을 고려하여 학습을 통해 얻어진 고유 얼굴을 사영 (projection)하여 인식에 사용되는 얼굴 영상의 가중치를 계산할 때, 정수기반으로 계산하였다. 평균과 표준편차에 의해 정규화된 가중치는 0에서 1의 분포를 갖기 때문에 이 값들' 또한 7비트의 이동을 통해 정수 값으로 변환하였다.
- 전술한 바와 같이 인식을 위한 패턴 매칭에서 얼굴 인식의 경우에는 유클리디언거리를 사용하고 홍채 인식의 경우에는 해밍거리를 사용하기 때문에 얼굴 및 홍채 인식에서 측정된 스코어를 Z-스코어 정규화 방법에 의해 0부터 1사이의 값으로 정규화하였다. 본 논문에서는 정규화된 스코어 값을 가지고 SUM, Weighted SUM, MIN, MAX, SVM에 기반하여 스코어 레벨에서 결합하였다.
- 일반적으로 모바일 환경은 낮은 프로세싱 파워와 적은 메모리를 갖으며 실수 연산을 지원하지 않기 때문에 본 연구에서는 적절하게 변경된 얼굴인식 알고리즘을 사용하였다 叫 그림 3은 얼굴 스코어 값을 계산하기 위한 흐름도를 나타낸다. 첫 번째로, 얼굴인식을 위한 얼굴 영역을 검출하기 위해 휴대폰에 설치된 두 개의 근적외선 조명에 의해 양 눈에서 발생되는 각막 반사광을 검출하였다.
- 이때 취득된 메가 픽셀의 영상은 인식을 위한 충분한 픽셀 정보(3072 X2304 픽셀)를 갖고 있다. 적외선 조명의 의해 눈의 각박에 발생한 반사광의 위치를 기반으로 눈 영역과 얼굴을 분리하고 정규화한 다음 얼굴 데이터로부터 PCA를 사용하여 Eigen-values를, 홍채 데이터로부터가버 필터를 사용하여 이진 홍채 코드를 계산한다. 다음, Eigen-values와 홍채코드를 가지고 미리 등록된 얼굴과 홍채 템플릿과의 유클리디언거리(ED)와 해밍거리(HD)를 각각 계산한다.
- 얼굴 인식의 경우에는 고유얼굴을 학습해야 하기 때문에 253장의 얼굴 영상은 학습을 위해 사용하고, 나머지 253장의 얼굴은 인식 실험을 위해 사용하였다. 전술한 바와 같이 인식을 위한 패턴 매칭에서 얼굴 인식의 경우에는 유클리디언거리를 사용하고 홍채 인식의 경우에는 해밍거리를 사용하기 때문에 얼굴 및 홍채 인식에서 측정된 스코어를 Z-스코어 정규화 방법에 의해 0부터 1사이의 값으로 정규화하였다. 본 논문에서는 정규화된 스코어 값을 가지고 SUM, Weighted SUM, MIN, MAX, SVM에 기반하여 스코어 레벨에서 결합하였다.
- 첫 번째로, 얼굴인식을 위한 얼굴 영역을 검출하기 위해 휴대폰에 설치된 두 개의 근적외선 조명에 의해 양 눈에서 발생되는 각막 반사광을 검출하였다. 조명반사광을 검출하기 위해 카메라 제어장치에 의해두 개의 근적외선 조명의 끄고 켬을 번갈아 수행함으로써 연속적으로 다섯 장의 영상을 얻었다. 다섯 장의 영상에서 외부가시광선과 움직임 또는 광학적인 흐림 현상으로부터 가장 영향을 받지 않은 하나의 영상을 선택하여 각막반사광의 후보 영역들을 검출하였다.
- 각이 미지의 사이즈는 3072X2304 픽셀이며 전체 얼굴 영역을 포함한다. 첫 번째 실험으로, 단일모달(얼굴, 홍채) 그리고 SUM, Weighted SUM, MIN, MAX 결합에 의한 인식의 정확성과 제안하는 SVM의 정확성을 측정하였다. 얼굴 인식의 경우에는 고유얼굴을 학습해야 하기 때문에 253장의 얼굴 영상은 학습을 위해 사용하고, 나머지 253장의 얼굴은 인식 실험을 위해 사용하였다.
- 흐름도를 나타낸다. 첫 번째로, 얼굴인식을 위한 얼굴 영역을 검출하기 위해 휴대폰에 설치된 두 개의 근적외선 조명에 의해 양 눈에서 발생되는 각막 반사광을 검출하였다. 조명반사광을 검출하기 위해 카메라 제어장치에 의해두 개의 근적외선 조명의 끄고 켬을 번갈아 수행함으로써 연속적으로 다섯 장의 영상을 얻었다.
- 일반적으로 얼굴 영상에서 각막 반사광의 그레이값은 다른 피부영역에서의 그레이 값보다 크기 때문에 일정한 임계치 이상의 그레이값을 가지는 영역을 검출함으로써 각막 반사광의 후보 영역을 검출하였다⑫国 이 때, 안경유리 표면에도 역시 반사광이 생기기 때문에 각막 반사광 후보 영역들의 반지름 차이 정보를 사용하여 각막에 생긴 반사광과 안경유리 표면에 생긴 반사광을 구별하였다. 최종적으로 그림 2에서 보는 바와 같이 검출한 각막반사광의 위치를 기반으로 두 눈 사이의 거리, 눈과 입과의 기하학적인 비율에 의해 일정한 크기의 얼굴 영역을 추출하고, 얼굴인식을 위해 30 X 30 픽셀의 영상으로 정규화 하였다.
- 마지막으로, 계산된 해밍거리는 얼굴인식 과정에서 계산된유클리디언 거리와 스코어 레벨에서의 결합을 위해 사용된다. 추가적으로 유클리디언거리, 해밍 거리, 코사인 거리 각각의 성능을 비교하였다. 실험 결과, 홍채의 스코어 값을 위해 코사인, 유클리디언거리보다 해밍거리를 사용할 때 인식 성능이 더 우수한 것을 확인하였고 본 실험을 위해 해밍거리를 사용하였다.
- 이때 속눈썹, 눈꺼풀 그리고 반사광에 의해 가려진 영역은 신뢰할 수 없는 코드로 간주되어 매칭값 계산시 제외된다. 홍채 코드의 해밍거리 계산시에 입력 영상의 회전 영향을 최소화하기 위해 홍채 코드를 일정 범위 내에서 비트 이동시킨 후 최소의 해밍거리를 찾아 사용하였다. 마지막으로, 계산된 해밍거리는 얼굴인식 과정에서 계산된유클리디언 거리와 스코어 레벨에서의 결합을 위해 사용된다.
대상 데이터
- 본 연구에서 실험은 SMmlFaceDB를 가지고 진행되었으며 DB는 각 클래스당 7장에서 25장의 이미지가 포함된 40 클래스의 506장 정면 얼굴 영상으로 구성되어있다'哗 그림 2에서와 같이, 각 영상은 근적외선 조명과 SCH- V770 휴대폰 카메라에 의해 촬영되었다u이. 각이 미지의 사이즈는 3072X2304 픽셀이며 전체 얼굴 영역을 포함한다.
- 첫 번째 실험으로, 단일모달(얼굴, 홍채) 그리고 SUM, Weighted SUM, MIN, MAX 결합에 의한 인식의 정확성과 제안하는 SVM의 정확성을 측정하였다. 얼굴 인식의 경우에는 고유얼굴을 학습해야 하기 때문에 253장의 얼굴 영상은 학습을 위해 사용하고, 나머지 253장의 얼굴은 인식 실험을 위해 사용하였다. 전술한 바와 같이 인식을 위한 패턴 매칭에서 얼굴 인식의 경우에는 유클리디언거리를 사용하고 홍채 인식의 경우에는 해밍거리를 사용하기 때문에 얼굴 및 홍채 인식에서 측정된 스코어를 Z-스코어 정규화 방법에 의해 0부터 1사이의 값으로 정규화하였다.
데이터처리
- 비록, 이전에 얼굴과 홍채영상을 결합한 연구가 있지만 '대부분 특징 추출 레벨에서의 결합을 시도한 것으로써 Son et al. 은 홍채와 얼굴 영상으로부터 저차원의 특징을 추출하기 위하여 2차원의 이산 웨이블릿 변환을 사용하였고回, 이 같은 특징들로부터 직접 선형 판별 분석법 (Direct Linear Discrimination Analysis)을 사용하여 Reduced Joint 특징벡터를 얻었다. 그러나 전술한 바와 같이 특 징 추출 레벨에서의 결합은 복잡한 연산과 긴 처리 시간을 요구하므로 저 연산 휴대폰 환경에 적합하지 않기 때문에 본 논문에서는 스코어 레벨에서의 결합을 제안한다.
이론/모형
- 그래서 본 논문에서는 실험적으로 구해진 데이터의 평균과 분산을 이용한 Z-스코어 정규화 방법을 사용하였다®;. 추가로, Z-스코어 정규화 방법과 “min-max”, ''decimal scaling", "median&media absolute deviation(MAD)", “double sigmoid functions", “tanh-estimators“의 성능을 비교한 결과 SUM, Weighted SUM, 그리고 SVM 의 입력스코어를 위한 정규화로써 Z-스코어 정규화 방법을 사용했을 때에 가장 좋은 성능을 보였다.
- 또한, 유클리디언거리와 코사인거리를 측정하여 성능을 비교한 결과 스코어 결합을 위해 코사인거리 보다유클리디언 거리를 사용할 때 인식 정확도가 더 우수한 것을 발견하였다. 따라서 본 실험에서 결합을 위한 얼굴의 스코어 값으로 유클리디언거리를 사용하였다.
- 본 논문에서는 PCA(Principal Component Analysis) 기반의 얼굴인식 방법을 사용하였다叫. 먼저 정규화된 얼굴 영상으로부터 1 X 900의 1차원 벡터를 만든 후, 학습을 위해 사용되는 영상 벡터들로부터 고유벡터와고유값을 계산하여 최종적으로 고유얼굴(eigenface)를얻었다.
- 본인의 분포는 T에 가깝게 위치하며 타 인의값은 1에 가깝게 위치한다. 인식 결과를 위한 임계치는 베이지안 규칙(Bayesian Rule)에 기초하여 최적의 값 0.02로 선정하였고 그때의 EERe 0.3397%이며 d'은 8.332이다.
- 홍채 데이터에 대하여, 기존의 연귀SAM]에서 제안된 홍채인식 알고리즘을 사용하였다. 그림 4는 홍채 스코어 값을 계산하기 위한 흐름도를 나타낸다.
- 홍채 패턴 정보를 가리는 눈꺼풀은 기존의 눈의 회전을 고려한 포물허프 변환기반의 눈꺼풀 영역 검출알고리즘을 사용하였다[的. 먼저 눈꺼풀 특징점 추출 마스크를 사용하여 눈꺼풀 후보 점을 검출하고, 식(2)와같은 포물허프 변환식을 사용하여 눈꺼풀 영역을 검출하였다.
성능/효과
- 결과적으로 미리 저장된 정수의 고유값과 정수의 가중치 값을 가지고 유클리디언거리 (ED) 를 계산하였다. 실험을 통해 정수기반의 PCA의 인식정확도가 실수 기반의 인식 정확도와 유사한 것을 확인하였으며, 정수기반의 PCA가 정수기 반의 LDA 또는 ICA의 인식 정확도보다 우수한 것을 알 수 있었다";]. 또한, 유클리디언거리와 코사인거리를 측정하여 성능을 비교한 결과 스코어 결합을 위해 코사인거리 보다유클리디언 거리를 사용할 때 인식 정확도가 더 우수한 것을 발견하였다.
- 그래서 본 논문에서는 실험적으로 구해진 데이터의 평균과 분산을 이용한 Z-스코어 정규화 방법을 사용하였다®. 추가로, Z-스코어 정규화 방법과 “min-max”, ''decimal scaling", "median&media absolute deviation(MAD)", “double sigmoid functions", “tanh-estimators“의 성능을 비교한 결과 SUM, Weighted SUM, 그리고 SVM 의 입력스코어를 위한 정규화로써 Z-스코어 정규화 방법을 사용했을 때에 가장 좋은 성능을 보였다.
- 각 섹터마다 일차원의 가우시 안 커널을 적용하여 평균 그레이값을 계산함으로써 홍채영역 검출 시 발생되는 에러의 영향을 최소화할 수 있다. 결과적으로 256 X 8 픽셀의 정규화된 영상을 얻을 수 있다. 다음, 홍채의 위상 코드(Phase Gode)를 생성하기 위해 일차원의 가버필터가 적용된다.
- 그 결과, 본 논문에서 제안하는 SVM을 사용한 스코어 레벨에서의 결합방법에 의해 EER 0.3397% 의 인식 성능을 얻었고 기존의 SUM, Weighted SUM, MIN, MAX 규칙에 의한 스코어 레벨의 결합에서보다더 좋은 인식 성능을 얻을 수 있었다. 그러나 광학 흐림 현상이나 사용자의 움직임에 의한 흐림 현상 등이 발생된 좋지 못한 품질의 영상에서는 얼굴 및 홍채 인식의 성능이 각각 감소되어지는 문제점이 있기 때문에 본 논문에서 제안하는 SVM을 사용한 스코어 레벨에서의 얼굴 및 홍채인식 결합의 성능 역시 감소될 것으로 예상된다.
- 3397% 의 인식 성능을 얻었고 기존의 SUM, Weighted SUM, MIN, MAX 규칙에 의한 스코어 레벨의 결합에서보다더 좋은 인식 성능을 얻을 수 있었다. 그러나 광학 흐림 현상이나 사용자의 움직임에 의한 흐림 현상 등이 발생된 좋지 못한 품질의 영상에서는 얼굴 및 홍채 인식의 성능이 각각 감소되어지는 문제점이 있기 때문에 본 논문에서 제안하는 SVM을 사용한 스코어 레벨에서의 얼굴 및 홍채인식 결합의 성능 역시 감소될 것으로 예상된다. 따라서 좋지 못한 품질의 영상에서 스코어 레벨에서의 결합올 통해 인식성능을 향상시킬 수 있는 방법을 연구할 계획이다.
- SUM 규칙의 정확성이 홍채인식의 것보다 좋지 않은 데 이는 본인과 타인의 분포가 그림 5에서와 같이 비대칭의 정규분포이기 때문이다. 따라서 Weigted SUM 규칙의 정확성이 SUM, 홍채인식의 것보다 우수한 것을 확인할 수 있었다. 이때 Weighted SUM의 가중치는 실험적으로 가중치를 변경해가며 최소의 EER을 얻을 때의 것으로 결정하였다.
- 실험을 통해 정수기반의 PCA의 인식정확도가 실수 기반의 인식 정확도와 유사한 것을 확인하였으며, 정수기반의 PCA가 정수기 반의 LDA 또는 ICA의 인식 정확도보다 우수한 것을 알 수 있었다"]. 또한, 유클리디언거리와 코사인거리를 측정하여 성능을 비교한 결과 스코어 결합을 위해 코사인거리 보다유클리디언 거리를 사용할 때 인식 정확도가 더 우수한 것을 발견하였다. 따라서 본 실험에서 결합을 위한 얼굴의 스코어 값으로 유클리디언거리를 사용하였다.
- 스코어 단계에서 의 결합은 각 생체, 센서 또는 장치에 의해 제공된 매칭스코어 값을 결합하는 것으로써, 먼저 스코어 값을 정규화하고 다양한 종류의 결합 방법을 사용하여 결합을 수행한다. 마지막으로, 결정 레벨에서의 결합은 각 분류기의 최종 결과(수락, 거절)를 사용하는 것으로 낮은 인식의 정확성을 나타낸다. 특징 추출 레벨에서 의 결합의 복잡성과 결정 레벨에서의 결합의 낮은 정확성을 고려하여 본 논문에서는 휴대폰 환경에서 얼굴과 홍채 데이터의 스코어 레벨에서의 결합을 제안한다.
- 본 연구의 실험에서는 얼굴인식의 경우, 표 1에서 보는 바와 같이 EER이 17.4532%로 기존의 PCA를 기반으로 하는 얼굴 인식㎛의 성능보다 좋지 않은 결과를 나타냈다. 이러한 이유는 기존의 연구들은 얼굴 인식 방법을 실험하기 위해 무표정한 얼굴 영상만을 포함한 데이터베이스를 사용한 반면에, 본 실험에서는 놀라거나 웃는 표정을 한 얼굴 영상이 포함된 데이터베이스를 사용했기 때문이다.
- 추가적으로 유클리디언거리, 해밍 거리, 코사인 거리 각각의 성능을 비교하였다. 실험 결과, 홍채의 스코어 값을 위해 코사인, 유클리디언거리보다 해밍거리를 사용할 때 인식 성능이 더 우수한 것을 확인하였고 본 실험을 위해 해밍거리를 사용하였다. 이때 유클리디언, 코사인거리를 계산하기 위하여 가버 필터를 적용한 뒤진폭 값을 사용하였다.
- SVM 결합을 위해 5개의 기본 커널함수(dot, polynomial, radial, neural, anova 커널)를 사용하였고 각 커널의 효율성은 서포터 벡터의 수, mean squared 에러, 분류 정확성을 고려하여 결정하였다. 실험 결과식(3)의 gamma 0.2, degree 5의 anova 커널을 사용할 때에 가장 분류 정확성이 높게 나타났다.
- 따라서 얼굴 영상의 조명에 대한 정규화가 필수적이다[侦 이를 위하여, 휴대폰 환경에서 실시간 처리가 가능한 저연산 로가리듬 알고리즘에 기초한 밝기 정규화 방법을 사용하였다. 이를 수행함으로 입력 영상의 부분 그림자 영역의 명도 값과 대비는 증가하는 반면, 밝기 포화영역의 명도값은 적게 증가되었다. 또한, 휴대폰 환경에서 처리 속도를 고려하여 로 가리듬 계산을 위한 룩업 테이블(Look up table)을 사용하였다.
- 이러한 이유는 기존의 연구들은 얼굴 인식 방법을 실험하기 위해 무표정한 얼굴 영상만을 포함한 데이터베이스를 사용한 반면에, 본 실험에서는 놀라거나 웃는 표정을 한 얼굴 영상이 포함된 데이터베이스를 사용했기 때문이다. 일반적으로 표정이 있는 얼굴 영상에서 얼굴 인식의 성능이 감소하기 때문에 본 연구에서의 실험 결과가 좋지 못하였다「切 [1기의 결과에 의하면 표정변화가 있는 경우 최대 46%까지 에러율이 발생함을 알 수 있다.
후속연구
- 그러나 광학 흐림 현상이나 사용자의 움직임에 의한 흐림 현상 등이 발생된 좋지 못한 품질의 영상에서는 얼굴 및 홍채 인식의 성능이 각각 감소되어지는 문제점이 있기 때문에 본 논문에서 제안하는 SVM을 사용한 스코어 레벨에서의 얼굴 및 홍채인식 결합의 성능 역시 감소될 것으로 예상된다. 따라서 좋지 못한 품질의 영상에서 스코어 레벨에서의 결합올 통해 인식성능을 향상시킬 수 있는 방법을 연구할 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.