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
- (그림 2)에서 보는 바와 같이 사람의 손가락마다 모두 형태가 다르기 때문에 본 연구에서는 손가락 정맥 영상을 정규화(normalization)하기 위하여 손가락 영역을 검출하였다. 피부는 적외선 조명 빛을 투과시키기 때문에 취득된 정맥영상에서 손가락 영역은 (그림 2)와 같이 배경 영역보다 밝은 특징을 나타낸다.
- 본 연구에서는 새로운 형태의 비 접촉식 손가락 정맥 영상 취득 장비와 인식 알고리즘을 제안하였다. 본 연구에서 제안한 알고리즘은 LBP 방법을 이용함으로써 불규칙적인 그림자(shading) 영역과 포화(saturation) 영역이 포함된 영상에서도 강인한 인식 성능을 보였으며, 유효비트 판단코드와 코드 이동(bit shifting) 매칭 방법을 사용함으로써 인식 성능을 보다 향상 시킬 수 있었다.
- 또한 이러한 장비들은 좋은 품질의 영상을 취득하기 위해 고정된 장소에 사용자가 손가락을 입력 장치에 밀착하도록 하고 있는데[4], 이는 장비에 손가락을 접촉해야 하는 사용자들에게 불편함을 야기한다. 이러한 문제들을 극복하기 위해서 본 연구에서는 새로운 형태의 비 접촉식 손가락 정맥 영상 취득 장치 및 방법을 제안한다.
- 또한 전술한 기존의 방법들은 손가락 정맥 영상 취득을 위해 입력 장치에 사용자의 손가락을 밀착시켜야만 하며 이는 사용자에게 불편함을 야기할 수 있다. 이러한 문제들을 극복하기 위해서 본 연구에서는 새로운 형태의 비접촉식 손가락 정맥 인식장치 및 방법을 제안한다.
제안 방법
- 첫째, 본 논문에서 제안하는 영상 취득 장비를 사용하여 손가락 정맥 영상을 취득한 후, 2.2.2절에서 보는 바와 같이 마스크를 이용하여 취득된 입력 영상에서 손가락 영역을 검출한다.
- (c))와 같은 수평방향 및 수직방향의 코드 이동 알고리즘(bit shifting)을 사용하여 매칭(matching)함으로써 이동 및 회전에 무관하게 인식 가능하도록 하였다.
- 2절에서 보는 바와 같이 마스크를 이용하여 취득된 입력 영상에서 손가락 영역을 검출한다. (그림 2)에서 보이는 바와 같이 손가락마다 각각 모양이 다르기 때문에 본 연구에서는 검출된 손가락 영역의 영상을 X와 Y 축 방향으로 스트레칭(stretching)함으로써 모든 손가락 정맥 영상을 정규화(normalization)한다. 그 이후에 정규화된 영상은 3 × 3 모자이크(mosaic) 블록을 사용함으로써 50 × 20 픽셀 크기로 부 표본화(subsampling)한다.
- 3 × 3픽셀 블록의 크기는 스트레칭(stretching)된 영상에서 가장 얇은 정맥 폭(width)의 크기(3픽셀)에 기반을 두어 결정하였다.
- 그리고 본 실험에서는 와 같이 같은 사용자의 등록된 손가락 정맥 영상과 품질이 낮은 정맥 영상간의 해밍 거리를 계산하였다.
- 네 번째 실험으로는 손가락 움직임(이동 및 회전)이 발생한 영상에서의 손가락 정맥 인식 실험을 수행하였다. (그림 12)는 등록되어있는 본인인데도 불구하고 이러한 손가락 움직임에 의해 거부(False Rejection)되는 경우의 예를 보이고 있다.
- 두 번째 실험으로는 그림자(shading) 영역이나 포화(saturation) 영역의 영향으로 품질이 낮은 손가락 정맥 영상을 이용한 인식 성능에 대해서 실험하였다. 먼저 본 실험에서는 어도비 포토샵(Adobe Photoshop)[13]에서 영상의 밝기와 대조 값을 조절함으로써 (그림 11)에서 보이는바와 같이 품질이 낮은 손가락 정맥 영상을 인위적으로 생성하였다.
- 그러므로 본 연구에서는 (그림 6(a))와 (그림 6(b))에서 보이는 마스크들을 사용함으로써 취득된 영상에서 손가락 영역을 검출할 수 있다. 마스크 정합 값은 각각의 X축 위치에 대해 Y축 방향으로 계산되었고, 가장 높은 정합 값을 나타내는 Y축 위치를 손가락과 배경 사이의 경계 지점으로 결정하였다. (그림 7)은 본 연구에서 마스크를 이용하여 손가락 영역을 검출한 결과를 보인다[11].
- 본 연구에서는 부 표본화된 영상으로부터 LBP(Local Binary Pattern) 방법을 사용하여 손가락 정맥 코드를 추출한다. 마지막으로, 추출된 손가락 정맥 코드는 기존에 등록되었던 손가락 정맥 코드와 해밍 거리(Hamming Distance)를 계산함으로써 매칭시킨다. 만약에 계산된 해밍 거리가 기존에 정해 놓은 임계값(threshold)보다 작으면 인식 시스템은 데이터베이스에 기존에 등록된 사람과 같은 사용자로써 인식하고 받아들인다.
- 이를 통해 이동 및 회전에 강인하게 인식율을 향상할 수 있다. 매칭 단계에서 수평 및 수직 방향의 코드 이동 범위는 지정맥인증 EER이 최소가 되도록 코드 이동 비트 수를 결정하였다. 실험 결과, 본 연구에서는 수평 및 수직 방향으로 각각 72와 7비트 범위만큼 코드 이동 알고리즘을 적용하는 경우 EER이 최소가 됨을 알 수 있었다.
- 먼저 본 실험에서는 어도비 포토샵(Adobe Photoshop)[13]에서 영상의 밝기와 대조 값을 조절함으로써 (그림 11)에서 보이는바와 같이 품질이 낮은 손가락 정맥 영상을 인위적으로 생성하였다.
- 4 ms였다. 본 연구에서 코드 이동 매칭 알고리즘을 사용하여 회전이나 이동된 손가락 정맥영상에 강인하도록 하였다. 하지만, 사용자의 손가락이 심하게 이동한 경우에는 취득한 영상 크기의 한계로 인해 사용가능한 손가락 정맥 정보가 부족하게 되는 문제점이 있으며, 손가락은 3차원 구조로 되어 있기 때문에 심하게 회전이 된 경우에는 혈관이 겹쳐져서 나타나지 않는(occlusion) 문제점이 있었다.
- 본 연구에서는 (그림 7)과 같은 손가락 영역을 검출한 영상으로부터 X와 Y축 방향으로 검출된 손가락 영역을 스트레칭(stretching)함으로써 손가락 영상을 크기 정규화 하였다. 결과적으로 (그림 8)에서 보이는 바와 같이 150 × 60 픽셀의 스트레칭(stretching) 된 영상이 만들어진다.
- 하지만 LBP 블록 안에 정맥이 포함되지 않는다면 두 피부간의 그레이 값의 차이가 크지 않기 때문에 표준편차가 낮다. 본 연구에서는 EER(Equal Error Rate)이 최소가 되도록 하는 표준편차를 임계값으로 설정하였다. 실험 결과 그 임계값은 2라고 결정되었다[11].
- 또한 손가락 정맥 검출 오류에 의해 인식 성능이 영향을 받는 문제점이 있었다. 본 연구에서는 LBP 방법을 사용하여 국소적인 영역에서 강인하게 특징을 추출하였다. LBP 방법을 사용한 이유는 다음과 같다.
- 취득된 영상은 (640× 480) 픽셀 크기이고 8 비트 그레이 영상이다. 본 연구의 실험에서는 펜티엄-Ⅳ 3.0 GHz 프로세서와 1.0G DRAM을 이용하였다.
- 세 번째 실험으로는 2.2.4절에서 언급한 유효 비트 판단 코드를 이용한 인식 성능의 향상을 실험하였다.
- 이때 비 접촉식 정맥 영상 취득 장치의 특성상 취득된 영상에는 손가락의 이동(movement)과 회전(rotation)이 있을 수 있는데 이는 코드 매칭 단계에서 인식을 위해 추출된 정맥 코드를 수평 및 수직 방향으로 코드이동(bit shifting) 알고리즘을 적용하여 가장 가까운 해밍 거리를 구함으로써 손가락의 이동과 회전에 대해서도 강인한 인식 성능을 얻을 수 있다. 손가락 정맥 영상 안에는 정맥 영역뿐만 아니라 비 정맥 영역(피부 영역)도 포함되어 있기 때문에 본 연구에서는 비 정맥 영역을 지역 블록(local block)의 표준편차 값에 기반을 두어 검출하고, 그 검출된 비 정맥 영역은 코드 매칭 시 사용하지 않는다.
- Miura는 손가락 정맥 패턴 영상 단면의 곡률 값 정보에 기반을 두어 손가락 정맥 패턴을 추출하는 방법을 제안하였는데, 이 때 단면은 각기 다른 네 방향에서 가장 곡률 값이 큰 지점을 추출하는 방법으로 각기 다른 방향으로 뻗어있는 정맥패턴 영상을 추출할 수 있었다[6]. 이를 통해 개인 또는 환경적인 영향에 따라 정맥 패턴 두께가 다양하더라도 손가락 정맥 패턴을 잘 추출하도록 하였다. Miura는 678개의 손가락 정맥 영상을 이용하여 실험한 결과, 0.
- 이에 기반을 두어 제안하는 알고리즘은 50 × 20 픽셀의 부표본화(subsampling)된 영상에서 6,912 비트(48 (X 축 방향으로 LBP 커널이 움직이는 스텝 개수) × 18 (Y축 방향으로 LBP 커널이 움직이는 스텝 개수) × 8 (각 LBP 커널 당 추출되는 비트의 개수))의 손가락 정맥 코드를 추출한다[11].
- 제안하는 손가락 정맥 시스템은 추출된 코드를 등록된 코드와 고속 매칭(matching)하기 위해 해밍거리(Hamming Distance)를 계산한다. 이 해밍거리는 식 (3)에서 나타난 것과 같이 두 손가락 정맥 사이의 비유사도(dissimilarity)를 측정하는데 사용된다[11].
- 비접촉식 손가락 정맥 인식 시스템에서는 (그림 3)와 같이 사용자 손가락의 움직임(이동 및 회전)에 의해 등록된 손가락 정맥 패턴 정보와 다른 형태의 손가락 정맥 패턴이 입력될 수 있기 때문에 본인을 타인으로 거부하는 FRR(False Rejection Rate)을 증가시킬 수 있다. 제안하는 시스템의 이와 같은 문제를 방지하기 위해서 사용자가 (그림 4)의 두 파랑 지점에 손가락의 오른쪽 면과 손가락 끝을 접촉하도록한다. 그리고 (그림 4)와 같이 두 노랑 지점에 사용자의 손가락 뒷면을 접촉하도록 한다.
- Zhang은 또한 손가락 정맥 영상 프로필의 curvelet 정보와 지역적으로 상호 연결된 구조의 신경망 방법에 기반을 둔 정맥 패턴 추출 방법을 제안하였다[5]. 제안한 신경망은 실제 정맥 패턴 영역과 비 정맥 영역으로부터 추출된 정보를 사용하여 학습되었다[5]. Zhang의 실험에서는 3,200개의 손가락 정맥 영상을 사용하여 실험하였고 그 결과 EER은 0.
- 처리 시간을 향상하기 위해서, 스트레칭(stretching) 된 영상 내부에서 각각 3 × 3 픽셀 블록에 대한 그레이 값의 평균값을 계산함으로써 50 × 20 픽셀 크기의 영상으로 부표본화(subsampling)하였다[11].
대상 데이터
- 본 실험에서는 EER과 d'을 기반으로 인식 성능을 측정하였으며, 다른 에러 요소를 배제하기 위하여 손가락 정맥 영상 데이터베이스 중에 손가락의 위치가 정렬되고 회전이 일어나지 않은 1,200장의 영상을 가지고 실험하였다.
- 본 연구에서는 제안하는 손가락 정맥 인식 알고리즘을 테스트하기 위해서 15명의 사용자로부터 8개의 손가락에 대해서 (두 엄지손가락은 제외) 각 15장의 영상을 취득한 총 1,800장의 손가락 정맥 영상으로 구성된 데이터베이스를 사용하였다. 15장의 영상 중 10장은 사용자가 손가락 영상 입력 시 최대한 협조적으로 손가락을 정렬하고 회전이 일어나지 않은 영상이며, 나머지 5장은 자유롭게 손가락을 회전하거나 이동하여 취득한 영상이다.
- Miura의 논문에서는 영상에 나타나는 부분적으로 어두운 그림자(shading) 영역에 대해서도 좋은 추출 성능을 나타내고 있다[4]. 실험에서는 678개의 손가락 정맥 영상을 인식을 위해 사용하였고, 그 결과 EER(Equal Error Rate)은 0.145%였고 처리 시간은 460ms를 나타냈다[4]. Zhang은 또한 손가락 정맥 영상 프로필의 curvelet 정보와 지역적으로 상호 연결된 구조의 신경망 방법에 기반을 둔 정맥 패턴 추출 방법을 제안하였다[5].
- 취득된 영상은 (640× 480) 픽셀 크기이고 8 비트 그레이 영상이다.
이론/모형
- 본 연구에서는 ROC(Receiver Operating Characteristic) 곡선을 측정하였다[14,15].
- 그 이후에 정규화된 영상은 3 × 3 모자이크(mosaic) 블록을 사용함으로써 50 × 20 픽셀 크기로 부 표본화(subsampling)한다. 본 연구에서는 부 표본화된 영상으로부터 LBP(Local Binary Pattern) 방법을 사용하여 손가락 정맥 코드를 추출한다. 마지막으로, 추출된 손가락 정맥 코드는 기존에 등록되었던 손가락 정맥 코드와 해밍 거리(Hamming Distance)를 계산함으로써 매칭시킨다.
- (그림 12(b))는 (그림 4)의 파랑 지점에 사용자가 손가락 끝을 제대로 붙이지 않은 경우고 (그림 12(c))는 본 연구에서 손가락 움직임을 방지하기 위해 지지대를 사용했음((그림 4)의 노랑 지점)에도 불구하고 (그림 3)의 Z 축을 중심으로 손가락이 회전된 경우이다. 이와 같은 문제들을 해결하기 위해 본 연구에서는 2.2.4절에서 언급한 바와 같이 등록된 코드와 인식 시 취득된 손가락 정맥 코드를 수평, 수직방향으로 코드 이동하는 정맥 코드 이동 알고리즘(bit shifting)을 매칭 단계에서 사용하였다. 손가락의 이동 및 회전이 발생된 영상을 포함한 총 1,800장의 손가락 정맥 영상을 사용하여 실험한 결과, <표 4>와 같이 코드 이동 알고리즘을 사용할 경우, d'이 높아지고 EER이 낮아지는 것을 알 수 있었다.
성능/효과
- 과 같이 유효비트 판단코드를 이용한 인식에서의 EER과 d'은 유효비트 판단코드를 이용하지 않은 경우 보다 좋은 성능을 보였다.
- 기존에 코드 이동 매칭 알고리즘을 사용하지 않는 방법[11]는 역시 손가락 정맥 영역을 검출하는 과정을 수행하지 않기 때문에 기존의 방법[4]보다 빠르게 손가락 정맥을 인식할 수 있다. 그리고 본 연구에서 제안하는 2.2.4절에서 언급한 코드이동 매칭 알고리즘을 적용했을 때 역시 빠른 처리 속도를 보이는 것을 확인 할 수 있었다.
- 둘째, 일반적으로 손가락 정맥 영상에서 손가락 위치에 대한 일관성(정렬)은 인식의 정확성에 있어서 매우 중요한 문제이기 때문에 본 연구에서는 지문이나 본인의 신체 정보가 남지 않도록 최소한의 지지대를 이용하여 손가락 위치에 대한 일관성을 유지하였다.
- 일반적으로 LBP 방법은 마스크의 중심 값과 인접 값과의 상대적인 차이를 특징 값으로 이용하므로 [5-6,16], 각 개인 마다 가지고 있는 피부의 특성 또는 영상취득 환경 변화에 따라 일어날 수 있는 영상의 그림자(shading) 영역이나 밝게 포화(saturation)된 영역에 대해서도 강인하게 혈관 패턴에 관한 특징 값을 추출을 할 수 있다. 또한 LBP 마스크 크기를 변경함으로써, 혈관 패턴 추출시에 발생할 수 있는 한 두 픽셀의 혈관검출 오류의 영향을 줄일 수 있고, 국소적인 혈관 텍스쳐(texture)의 형태를 기반으로 한 특징 값을 잘 묘사할 수 있게 된다. 그리고 마스크 중심 값과 인접영역에서의 값 간의 차이 값을 이진 값으로 양자화해서 사용할 수 있으므로, 특징 값의 저장용량을 줄이고 고속 매칭 등에 사용할 수 있다.
- 본 연구에서 제안한 알고리즘은 LBP 방법을 이용함으로써 불규칙적인 그림자(shading) 영역과 포화(saturation) 영역이 포함된 영상에서도 강인한 인식 성능을 보였으며, 유효비트 판단코드와 코드 이동(bit shifting) 매칭 방법을 사용함으로써 인식 성능을 보다 향상 시킬 수 있었다.
- 손가락의 이동 및 회전이 발생된 영상을 포함한 총 1,800장의 손가락 정맥 영상을 사용하여 실험한 결과, 와 같이 코드 이동 알고리즘을 사용할 경우, d'이 높아지고 EER이 낮아지는 것을 알 수 있었다.
- 매칭 단계에서 수평 및 수직 방향의 코드 이동 범위는 지정맥인증 EER이 최소가 되도록 코드 이동 비트 수를 결정하였다. 실험 결과, 본 연구에서는 수평 및 수직 방향으로 각각 72와 7비트 범위만큼 코드 이동 알고리즘을 적용하는 경우 EER이 최소가 됨을 알 수 있었다. 여기서 수평방향 코드 이동범위가 72비트이지만, 전술한 바와 같이 LBP 마스크의 한 위치에서 8비트 단위로 추출되므로 실제 매칭 단계에서는 수평방향으로 72번 움직이는 것이 아니라, 8비트씩 9번을 이동하여 탐색하게 되므로 처리 시간이 오래 걸리지 않게 된다.
- 본 연구에서 제안한 알고리즘은 LBP 방법을 이용함으로써 불규칙적인 그림자(shading) 영역과 포화(saturation) 영역이 포함된 영상에서도 강인한 인식 성능을 보였으며, 유효비트 판단코드와 코드 이동(bit shifting) 매칭 방법을 사용함으로써 인식 성능을 보다 향상 시킬 수 있었다. 실험결과 EER은 0.07423%였고 전체 처리 시간은 91.4 ms였다. 본 연구에서 코드 이동 매칭 알고리즘을 사용하여 회전이나 이동된 손가락 정맥영상에 강인하도록 하였다.
- 그리고 (그림 4)와 같이 두 노랑 지점에 사용자의 손가락 뒷면을 접촉하도록 한다. 이를 통해 본 실험에서는 X, Y 그리고 Z 축으로의 손가락 이동을 줄일 수 있고 X, Y 그리고 Z 축을 중심으로 일어나는 회전을 줄일 수 있다. 결과적으로 사용자의 최소한의 협력과 불편함 없이 정렬된 손가락 정맥 영상을 얻을 수 있다[11].
- <표 2>와 (그림 11)에서 보는 바와 같이 밝기와 대조 값이 ‘-30’일 때 다른 경우보다 해밍거리가 높은 것을 확인할 수 있다. 하지만 이는 손가락 윤곽에 대한 검출 오류가 주된 원인이었으며, 본 연구에서 제안한 방법의 인식 성능은 실제로 그림자(shading) 영역이나 포화(saturation) 영역으로부터 영향을 받지 않는다는 사실을 알 수 있다.
후속연구
- 따라서 사람의 손가락 회전이나 이동이 아주 심하게 나타난 경우에는 패턴의 분기점과 같은 특징을 이용하여 회전 또는 이동의 정도를 판단함으로써 이러한 문제점들을 해결할 계획이다. 또한 취득된 손가락 정맥 영상이 초점이 맞지 않아 흐려질 경우에도 인식에 영향을 줄 수 있는데 이는 영상의 초점을 판단하고 그에 따라 LBP가 적용되는 영역의 마스크 범위를 키워서 코드를 추출하는 방법을 적용하면 해결 가능할 것으로 판단된다. 향후 연구 계획으로는 지지대가 없는 형태의 완전 비접촉식 인식 시스템을 개발할 계획이다.
- 또한 취득된 손가락 정맥 영상이 초점이 맞지 않아 흐려질 경우에도 인식에 영향을 줄 수 있는데 이는 영상의 초점을 판단하고 그에 따라 LBP가 적용되는 영역의 마스크 범위를 키워서 코드를 추출하는 방법을 적용하면 해결 가능할 것으로 판단된다. 향후 연구 계획으로는 지지대가 없는 형태의 완전 비접촉식 인식 시스템을 개발할 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.