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 논문에서는 국부적 그래디언트 방향 히스토그램을 이용하여 조명의 영향이나 머리의 기울어짐으로 인한 회전에 강인한 고속의 특징 추출 및 비교 방법을 제안하였다. 그래디언트 방향은 조명의 밝기나 대비에 무관한 특성이 있으며 그 히스토그램은 정규화된 홍채를 적절한 크기로 분할하는 경우 회전에도 강인한 특성을 보였다.
- 이와 같은 문제점들을 해결하기 위해 본 논문에서는 국부적 그래디언트 방향 히스토그램(local gradient orientation histogram)을 이용한 홍채의 회전에 강인한 홍채 특징 추출 방법을 제안한다. 그래디언트의 방헁4〕은 조명의 변화에 강인하며 빠른 특징 추출이 가능한 특성 때문에 국부적 그래디언트의 방향을 이용한 SIFT(Scale Invariant Feature Transform)나 GLOH(Oradient Location Orientation Histogram)와 같은 지역서술자(local descriptor)들이 패턴 인식의 다양한 분야에서 사용되어 왔대邪 1.
제안 방법
- 사용하였다. 그리고 회전에 대한 성능평가를 위해 CASIA 데이터베이스 내의 모든 영상을 2도 간격으로 시계방향으로 회전시켜가며 원본 영상과 회전된 영상들을 하나의 셋으로 구성하여 실험을 진행하였다. 즉 2도 회전된 영상에 대한 성능 평가를 위해 원본 영상(756장)과 2도 회전영상 (756장)으로 데이터셋 cw-2(1512장)를 구성하였다.
- 즉 2도 회전된 영상에 대한 성능 평가를 위해 원본 영상(756장)과 2도 회전영상 (756장)으로 데이터셋 cw-2(1512장)를 구성하였다. 마찬가지 방식으로 4, 6, 8, 10도 회전된 영상에 대해서도 원본 영상과 회전된 영상으로 각 1512장으로 구성된 데이터셋 cw-4, cw-6, cw-8, cw-10을 구성하여 인식 성능을 측정하였다.
- 본 논문에서 제안된 알고리즘을 검증하기 위해 성능에 영향을 미치는 여러 요소(parameter)들의 값을 변화시켜가며 실험을 진행하였다. 성능에 직접적인 영향을 미치는 요소로는 히스토그램의 빈(bin) 수, 행(row) 분할 개수, 열(column) 분할 개수 등이 있다.
- 본 논문에서 제안하는 방법은 홍채 무늬의 지역적 특징을 반영할 수 있도록 정규화된 홍채를 작은 블록 2로 분할한 후 각 영역에서 그래디언트 방향의 히스토그램을 구하여 이를 각 영역에 대한 특징값으로 사용하는 방법이다.
- 본 논문에서는 CASIA 데이터베이스〕를 사용하여 제안한 방법에 대한 성능 평가를 수행하였다. CASIA DB는 8비트 그레이 영상으로 320x280 픽셀의 해상도를 가진 총 756장의 영상으로 구성되어 있다 이 영상들은 108개의 서로 다른 눈에서 각 7장씩 한 달 간격으로 취득한 홍채영상으로 구성되었다.
- 본 논문에서는 앞의 실험결과를 종합하여 B=10, C=12, R=4, H=0.1r을 성능과 특징량의 크기를 고려한 최적의 설정 값으로 결정하고 성능 평가를 수행하였다. 성능 평가는 인식률에 대한 평가와 특징 추출 및 특징 비교 속도에 대한 비교 평가를 수행하였다.
- 1r을 성능과 특징량의 크기를 고려한 최적의 설정 값으로 결정하고 성능 평가를 수행하였다. 성능 평가는 인식률에 대한 평가와 특징 추출 및 특징 비교 속도에 대한 비교 평가를 수행하였다.
- 촬영되었다). 이 실험영상 4장을 시계방향으로 2, 4, 6도 만큼 회전 시켜 실험을 수행하였다. 6도 이내로 회전을 제한한 이유는 홍채 영상 취득 시에 6°를 벗어나는 경우는 거의 발생하지 않기 때문이다.
- 그림「(d)는 정규화된 홍채에 대해 각 픽셀에서 구한 그래디언트의 방향을 나타낸 것으로 알아보기 쉽도록 그래디언트 방향(0°~360°)을 HSI 컬러 스페이스의 색상(Hue) (0° -360°)으로 대응 시켜 나타낸 그림이다. 이렇게 구해진 그래디언트방향 영상을 가로 C, 세로 R개로 분할하여 RxC개의 부영상(sub-image) 으로 나눈다. 각 부영상별로각각의 픽셀들이 가지는 그래디언트 방향을 각도에 따른 1차원 히스토그램으로 만든다.
- 정규화된 홍채 영상의 경우 머리의 기울어짐으로 인해 발생할 수 있는 홍채의 회전은 수평 방향의 평행이동으로 나타난다따라서 홍채의 회전에 대한 보상을 위해 사전에 정한 범위 내에서 매 각도에 해당하는 만큼 특징값을 평행이동 시켜 대응되는 위치에서 비교를 수행하여 가장 작은 거리 값을 홍채 간 거리로 결정하였다. 예를 들면, 10° 회전 각도가 허용치이고 1° 단위로 회전을 고려하는 경우 - 10° 에서 10° 까지 총 21번의 비교를 수행해 가장 작은 거리 값을 취하는 방법을 사용하였다.
- 국부적 그래디언트방향 히스토그램은 다음 과정을 통해 구해진다. 정규화된 홍채에 소벨 연산자를 적용하여 그래디언트 방향을 계산한다. 이때 정규화된 홍채에 대해 직접 그래디언트 방향을 구하면 노이즈에 민감할 수 있기 때문에 가우시안 블러(0=1.
- 제안된 방법의 경우 영역을 분할하여 처리하는 것이 가능하기 때문에 눈꺼풀이나 눈썹으로 가려짐이 빈번히 발생하는 분할 영역은 제외하고 안정적인 비교가 가능한 영역을 사전에 정하여 실험을 수행하였다. 그림 3의 검은 색으로 처리된 영역이 제거된 영역이다.
- 성능에 직접적인 영향을 미치는 요소로는 히스토그램의 빈(bin) 수, 행(row) 분할 개수, 열(column) 분할 개수 등이 있다. 회전된 홍채 영상의 경우 요소의 값의 변화에 따른 성능의 trade-off가 발생하기 때문에 먼저 회전되지 않은 홍채에 대해 그래디언트 방향 히스토그램이 최적의 성능을 나타내는 매개 변수를 찾은 후 이 값을 이용해 회전된 홍채 영상에서 최적의 성능을 나타내는 매개변수의 값을 결정하였다.
대상 데이터
- 수행하였다. CASIA DB는 8비트 그레이 영상으로 320x280 픽셀의 해상도를 가진 총 756장의 영상으로 구성되어 있다 이 영상들은 108개의 서로 다른 눈에서 각 7장씩 한 달 간격으로 취득한 홍채영상으로 구성되었다.
- 먼저 그래디언트 방향 히스토그램의 성능을 결정하는 요소들의 값을 찾기 위해 756 장으로 구성된 데이터셋을 사용하였다. 그리고 회전에 대한 성능평가를 위해 CASIA 데이터베이스 내의 모든 영상을 2도 간격으로 시계방향으로 회전시켜가며 원본 영상과 회전된 영상들을 하나의 셋으로 구성하여 실험을 진행하였다.
- 인식률 실험은 CASIA DB에서 108개의 클래스 (클래스당 7장)에 대해 3장을 레퍼런스로 사용하고 나머지 4장을 실험영상으로 사용하였다(레퍼런스 영상과 실험영상은 서로 한달 간격으로 촬영되었다). 이 실험영상 4장을 시계방향으로 2, 4, 6도 만큼 회전 시켜 실험을 수행하였다.
- 그리고 회전에 대한 성능평가를 위해 CASIA 데이터베이스 내의 모든 영상을 2도 간격으로 시계방향으로 회전시켜가며 원본 영상과 회전된 영상들을 하나의 셋으로 구성하여 실험을 진행하였다. 즉 2도 회전된 영상에 대한 성능 평가를 위해 원본 영상(756장)과 2도 회전영상 (756장)으로 데이터셋 cw-2(1512장)를 구성하였다. 마찬가지 방식으로 4, 6, 8, 10도 회전된 영상에 대해서도 원본 영상과 회전된 영상으로 각 1512장으로 구성된 데이터셋 cw-4, cw-6, cw-8, cw-10을 구성하여 인식 성능을 측정하였다.
데이터처리
- 특징 추출 및 특징 비교에 대한 수행 속도에 대한 성능은 Daugman의 방법과 제안된 방법을 C++ (Visual Studio 2005)로 구현하여 비교 즉정하였다. 평가가 수행된 환경은 Pentium4-3.
이론/모형
- 제안된 방법의 성능 평가를 위한 방법으로 Index d'(d-prime)을 사용하였다. Index d'은 Daugman에 의해 제안된 성능 평가 방법으로 식(4)과 같이 표현된다叫
성능/효과
- 된다. 국부적 그래디언트 방향 히스토그램을 특징으로 사용하는 경우 이러한 수평이동에 대해 일정한 범위 내에서 강인한 특성을 보이는데, 실험을 통해 확인한 결과 부영상 면적의 20% 이내의 이동까지는 변화에 강인한 특성을 보였다. 즉, 홍채를 열(column) 방향으로 10개로 분할하는 경우 1개의 영역은 홍채의 360도 범위 중 36도에 해당하며 36도의 20%인 6도 이내의 회전까지는 변화에 강인한 특성을 나타냄을 확인하였다.
- 실험결과를 통해 확인할 수 있는 것은 열 분할개수 C가 작을수록 회전된 영상에 대해 강인한 성능을 가지며 C가 커지면 회전에 대해 성능 저하가 더 크게 나타난다는 것이다. 이러한 결과를 고려하면 10 도 이내의 회전된 홍채에 대해서는 C가 10-15 사이일 때 적절한 성능을 유지할 수 있음을 알 수 있다.
- 나타난다는 것이다. 이러한 결과를 고려하면 10 도 이내의 회전된 홍채에 대해서는 C가 10-15 사이일 때 적절한 성능을 유지할 수 있음을 알 수 있다.
- 국부적 그래디언트 방향 히스토그램을 특징으로 사용하는 경우 이러한 수평이동에 대해 일정한 범위 내에서 강인한 특성을 보이는데, 실험을 통해 확인한 결과 부영상 면적의 20% 이내의 이동까지는 변화에 강인한 특성을 보였다. 즉, 홍채를 열(column) 방향으로 10개로 분할하는 경우 1개의 영역은 홍채의 360도 범위 중 36도에 해당하며 36도의 20%인 6도 이내의 회전까지는 변화에 강인한 특성을 나타냄을 확인하였다.
- 표 1에 나타난 인식률 평가 결과에서 알 수 있듯이 회전된 영상에 대해서도 높은 인식률을 나타냄을 확인할 수 있다. 표 2는 CASIA DB에 대한 기존의 알고리즘의 인식률이다回 제안된 방법이 홍채의 회전에 대해 별도의 처리가 필요 없는 장점을 가지면서도 기존의 방법에 비해 성능에서 큰 차이가 없음을 확인할 수 있다.
- 표 3에 나타난 평가 결과에서 알 수 있듯이 제안된 방법은 Daugman 방법에 비해 특징 추출은 4배, 특징 비교는 15배 정도 빠른 것으로 나타났다. 특히 특징 비교에서 매우 빠른 속도를 보이는데 이것은 기존 방법과는 달리 추출된 특징값을 비교 시마다 회전보정을 할 필요7卜 없기 때문이다.
후속연구
- 향후 연구과제로 국부적 그래디언트 방향 히스토그램의 인식 성능을 저하시키지 않으면서 특징량을 줄일 수 있는 표현 방법에 대한 연구가 필요하며, 회전된 영상에 대해 인식 성능을 더 높일 수 있는 방법에 대한 연구가 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.