지문인식은 융선과 골로 이루어진 지문 정보를 이용하여 개인의 신원을 식별하는 바이오인식 기술이다. 대부분의 지문인식 시스템들은 접촉식 센서를 이용하여 지문 영상을 획득한 후, 지문의 특징점을 검출하여 인식을 수행한다. 접촉식 지문 인식은 센서와 지문과의 접촉으러 인해 동일한 표기의 선명한 영상을 얻을 수 있는 장점을 지닌다. 하지만, 사용자의 손가락과 센서의 접촉 입력 차이에 의해 상당히 건조한 지문이나 습한 지문의 경우 지문 영상의 품질이 떨어질 수 있는 가능성이 있고, 센서에 남아있는 잔존 지문 정보로부터 사용자의 지문이 유출될 수 있는 문제점이 있다. 이를 해결하기 위해 비접촉식 지문인식 장비들이 제안되고 있지만 비접촉식으로 지문 영상을 취득할 경우, 조명 변화에 의해 영상의 품질이 훼손되어 지문 특징점 오검출 증가와 함께 인식률 감소의 문제가 발생된다. 따라서 본 논문에서는 조명 변화에 강인한 LDP(Local Derivative Pattern) 기반의 비접촉식 지문인식 방법을 제안한다. LDP 방법을 기반으로 지문의 융선과 골이 반복되는 특정 패턴을 효율적으로 추출하였으며, 추출된 특정코드에 대한 히스토그램을 구성한 후 카이 제곱 거리를 측정하여 최종적으로 개인의 신원을 식별하였다. 실험 결과, 제안하는 LDP 기반의 비접촉식 지문인식 방법은 기존의 LBP 기반의 방법보다 EER(Equal Error Rate)이 0.521% 만큼 감소하였다.
지문인식은 융선과 골로 이루어진 지문 정보를 이용하여 개인의 신원을 식별하는 바이오인식 기술이다. 대부분의 지문인식 시스템들은 접촉식 센서를 이용하여 지문 영상을 획득한 후, 지문의 특징점을 검출하여 인식을 수행한다. 접촉식 지문 인식은 센서와 지문과의 접촉으러 인해 동일한 표기의 선명한 영상을 얻을 수 있는 장점을 지닌다. 하지만, 사용자의 손가락과 센서의 접촉 입력 차이에 의해 상당히 건조한 지문이나 습한 지문의 경우 지문 영상의 품질이 떨어질 수 있는 가능성이 있고, 센서에 남아있는 잔존 지문 정보로부터 사용자의 지문이 유출될 수 있는 문제점이 있다. 이를 해결하기 위해 비접촉식 지문인식 장비들이 제안되고 있지만 비접촉식으로 지문 영상을 취득할 경우, 조명 변화에 의해 영상의 품질이 훼손되어 지문 특징점 오검출 증가와 함께 인식률 감소의 문제가 발생된다. 따라서 본 논문에서는 조명 변화에 강인한 LDP(Local Derivative Pattern) 기반의 비접촉식 지문인식 방법을 제안한다. LDP 방법을 기반으로 지문의 융선과 골이 반복되는 특정 패턴을 효율적으로 추출하였으며, 추출된 특정코드에 대한 히스토그램을 구성한 후 카이 제곱 거리를 측정하여 최종적으로 개인의 신원을 식별하였다. 실험 결과, 제안하는 LDP 기반의 비접촉식 지문인식 방법은 기존의 LBP 기반의 방법보다 EER(Equal Error Rate)이 0.521% 만큼 감소하였다.
Fingerprint recognition is a biometric technology to identify individual by using fingerprint features such ridges and valleys. Most fingerprint systems perform the recognition based on minutiae points after acquiring a fingerprint image from contact type sensor. They have an advantage of acquiring ...
Fingerprint recognition is a biometric technology to identify individual by using fingerprint features such ridges and valleys. Most fingerprint systems perform the recognition based on minutiae points after acquiring a fingerprint image from contact type sensor. They have an advantage of acquiring a clear image of uniform size by touching finger on the sensor. However, they have the problems of the image quality can be reduced in case of severely dry or wet finger due to the variations of touching pressure and latent fingerprint on the sensor. To solve these problems, the contactless capturing devices for a fingerprint image was introduced in previous works. However, the accuracy of detecting minutiae points and recognition performance are reduced due to the degradation of image quality by the illumination variation. So, this paper proposes a new LDP-based fingerprint recognition method. It can effectively extract fingerprint patterns of iterative ridges and valleys. After producing histograms of the binary codes which are extracted by the LDP method, chi square distance between the enrolled and input feature histograms is calculated. The calculated chi square distance is used as the score of fingerprint recognition. As the experimental results, the EER of the proposed approach is reduced by 0.521% in comparison with that of the previous LBP-based fingerprint recognition approach.
Fingerprint recognition is a biometric technology to identify individual by using fingerprint features such ridges and valleys. Most fingerprint systems perform the recognition based on minutiae points after acquiring a fingerprint image from contact type sensor. They have an advantage of acquiring a clear image of uniform size by touching finger on the sensor. However, they have the problems of the image quality can be reduced in case of severely dry or wet finger due to the variations of touching pressure and latent fingerprint on the sensor. To solve these problems, the contactless capturing devices for a fingerprint image was introduced in previous works. However, the accuracy of detecting minutiae points and recognition performance are reduced due to the degradation of image quality by the illumination variation. So, this paper proposes a new LDP-based fingerprint recognition method. It can effectively extract fingerprint patterns of iterative ridges and valleys. After producing histograms of the binary codes which are extracted by the LDP method, chi square distance between the enrolled and input feature histograms is calculated. The calculated chi square distance is used as the score of fingerprint recognition. As the experimental results, the EER of the proposed approach is reduced by 0.521% in comparison with that of the previous LBP-based fingerprint recognition approach.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 비접촉식 지문인식을 위한 LDP 기반의 지문인식 방법을 제안하였다. 비접촉식 지문 인식은.
제안 방법
)는 각각 등록된 히스토그램의 빈도수와 입력 히스토그램의 빈도수를 나타낸다. 4개의 히스토그램에 대해서 각각 카이 제곱 거리를 계산하고, 계산된 거리의 합으로써 두 LDP를 계산한 후, 히 스토그 램 간의 비 유사도를 측정한다[10, 17].
따라서 본 논문에서는 2차 미분의 성질을 지닌 LDP (Local Derivative Pattern) 기반의 비접촉식 지문인식 방법을 통해 융선과 골이 반복적으로 발생되는특징을 함께 반영함으로써 효율적으로 특징 코드를 추출하고 이로 인해 인식 성능을 향상시키는 방법을 제안한 디, . LDP에 의해 32비트의 지문 특징 코드가 추출되는 더}, 본 논문에서는 특징 코드를 각 비트별로 매칭하는 경우와 특징 코드를 8개의 비트씩 묶어서 병합하여 히스토그램을 구성하고 등록 히스토그램과의 카이 제곱 거리 (Chi square distance)를 즉정함으로써 개인을 식별하는 경우를 고려하여 기존의 LBP기반의 지문인식 방법과 비교 실험하였다.
본 논문의 실험에서는 정점(peak) 파장이 600nm인 백색 LED 조명과 로지택사의 퀵 캠 카메라[18]가 사용되었다. 가시광선 환경에서 영상을 취득하기 때문에 영상 취득 시에 외부 광이 카메라에 투영되는 것을 막기 위해 외부 광 차단 칸막이를 사용하였으며, 실시간 처리를 위한 계산 복잡도 감소를 위해 8비트 그레이 (gray) 영상을 취득하였다.
먼저 그림 4와 같은 USB(Universal Serial Bus) 카메라와 백색 LED 조명으로 구성된 지문 영상 취득 장비를 통해 지문 영상을 취득한 후, 그림 5에서 보는 바와 같이 영상 이진화와 모폴로지 연산을 이용하여 손가락 영역을 검출한다. 검출된 손가락 영역으로부터 그림 6에서 보는 바와 같이 손가락의 중심 선 (medial line)을 추출한 후, 허프 변환(Hough transform)을 이용하여 손가락의 회전 각도를 측정하고 손가락 회전에 대한 정렬 과정을 수행함으로써 손가락 회전에 의해 손가 특징 패턴 변형으로 인한 인식 정확성 감소의 문제를 해결한다. 그림 8에서 보는 바와 같이 추출된 손가락 끝으로부터 M 픽셀 만큼 떨어진 영역에서 손가락 크기를 고려하여 지문 영역을 선택하고, E 픽셀만큼의 크기로 지문 영역을 정규화한 후에 LDP 방법에 의해 지문 특징 코드를 추출한다.
하지만 지문의 경우 일정한 방향성을 지닌 융선과 골이 반복적으로 나타나는 특성이 있는데, LBP에서는 이러한 지문의 반복적인 특징을 반영하지 못하는 문제점이 있다. 따라서 본 논문에서는 2차 미분의 성질을 지닌 LDP (Local Derivative Pattern) 기반의 비접촉식 지문인식 방법을 통해 융선과 골이 반복적으로 발생되는특징을 함께 반영함으로써 효율적으로 특징 코드를 추출하고 이로 인해 인식 성능을 향상시키는 방법을 제안한 디, . LDP에 의해 32비트의 지문 특징 코드가 추출되는 더}, 본 논문에서는 특징 코드를 각 비트별로 매칭하는 경우와 특징 코드를 8개의 비트씩 묶어서 병합하여 히스토그램을 구성하고 등록 히스토그램과의 카이 제곱 거리 (Chi square distance)를 즉정함으로써 개인을 식별하는 경우를 고려하여 기존의 LBP기반의 지문인식 방법과 비교 실험하였다.
변화된다. 따라서 정렬된 손가락의 크기를 고려하여 지문 영역을 검출하기 위해 다음 수식 (12) 및 (13) 과 같이 검출된 손가락 영역의 평균 두께를 측정하고, 손가락 평균 두께의 1/2 크기의 영역을 인식할 지문 영역으로 선택하였다.
0。방향 차이에 의한 비트 간의 exclusive OR 연산을 수행하여 최종적으로 비트를 추출한다. 그림 2의 예에서 보면, 중심 픽셀값은 3이고 0° 방향으로의 픽셀 값은 9이므로 중심 픽셀에서의 0° 방향 차이에 의한 3'o(3, 3)의 비트는 1이 된다.
K는 그림 5에서 보는 바와 같이 손가락 영역을 선택하기 위해 결정 된 상수 값이다. 본 논문에서는 손가락 크기 변화에 상관없이 동일한 영역에서 지문을 검출하기 위해 손가락 끝으로부터 손가락 두께가 고려된 M 픽셀만큼 떨어진 영역에서 지문 영역을 N 시 V 픽셀 크기만큼 선택하였다. 입력된 영상의 손가락 두께에 따라 선택된 지문 영역의 크기가 서로 다르기 때문에 본 논문에서는 동일한 특징 패턴을 추출하기 위해 최종적으로 L*L 픽셀 크기로 지문 영상을 정규화하였다.
본 논문에서는 정규화된 지문 영상으로부터 0; 45°, 90°, 135°의 방향에 대한 LDP 기반의 지문 특징 코드를 추출하였다[16]. 추출된 LDP 기반 지문 특징 코드로부터 각 방향에 대한 히스토그램을 구성하고, 식 (10)과 같이 등록된 지문 특징 히스토그램과의 카이제곱 거리를 측정함으로써 비유사도를 측정하였다.
본 연구에서는 LBP 기반의 비접촉식 지문인식 방법⑻과 본 논문에서 제안하는 LDP 기반의 비접촉식 지문인식 방법의 인식 성능을 비교하였다 두 비접촉식 지문인식 방법은 두 가지 매칭 방법을 고려할 수 있다. 한 가지는 본 논문에서 제안하는 매칭 방법으로 각 이진 코드에 대한 히스토그램을 구성하고, 이를카이 제곱 거리를 통해 비유 사도를 측정하는 방법이고, 나머지는 식(14) 와 같이 특징 코드의 각 비트를 매칭하여 계산하는 해밍 거리 (Hamming distance) 를 통해 비유 사도를 측정하는 방법이다.
본 연구에서는 모든 매칭 쌍을 대상으로 인식 실험을 수행하였다. 그림 12는 각 인식 방법의 DET (Detection error trade-off) 곡선을 보여주며, 가로축 및 세로축의 단위는 % 이다.
본 연구에서는 특징점과 지문 방향을 이용한 기존의 지문인식 방법을 통해 비접촉식 지문 영상의 인식성능을 측정하였다. 특징점을 이용한 지문인식을 위해 먼저 그림 10(b) 와 같이 지문의 융선을 검출하였다.
비접촉식 손가락 인식의 경우 비제약적인 환경에서 손가락을 취득하기 때문에 사용자의 손가락이 회전된 영상이 취득될 가능성이 있으며, 이러한 회전된 손가락은 특징 패턴의 기하학적 특성을 변화시키기 때문에 인식 성능을 감소시키는 요인이 된대201 따라서 본 논문에서는 그림 6과 같이 손가락의 회전 각도를 측정한 후, 손가락 회전에 대해 영상을 정렬시켰다. 먼저, 그림 6과 같이 검출된 손가락 영역에 서동 일한 X 좌표에 위치한 손가락 위쪽 선과 손가락 아래쪽 선의 y 좌표 값의 평균을 계산함으로써 위쪽 선과 아래쪽 선의 중심 신을 추출한 후, 중심선의 한점을 회전의 중심으로 결정하였다.
손가락 영역은 조명에 의해 반사되어 다른 주변 배경보다 밝은 명암도를 가진다는 특징과 카메라와 사용자 손가락 사이의 거리에 따라 손가락의 크기가 변화되지만 초점이 맞는 위치에서 손가락이 영상 의약 为% 정도의 비율을 차지한다는 사전 지식을 이용하여 손가락 영역을 검출하였다. 즉, 입력 손가락 지문 영상의 히스토그램을 구성하고, 높은 그레이 레벨의 빈도수부터 측정하여 25% 되는 빈도수의 그레이레벨을 임계값으로 결정하여 영상을 그림 5(b)와 같이 이진화하였다.
특징점을 이용한 지문인식을 위해 먼저 그림 10(b) 와 같이 지문의 융선을 검출하였다. 융선은 주변의 골보다 높은 픽셀값을 가지 기 때문에 (7有) 의 국소 영역의 중심 픽셀 값이 (7*7)의 국소 영역의 평균보다 클 경우 융선 위의 점으로 검출하였다. 검출된 라인을 Zhang-Suen이 제안한 세선화 알고리즘을 통해 그림 10(c) 와 같이 융선을 세선화한 후 [21, 22], 특징점의 위치를 검출하였다.
인텔 코어 쿼드 CPU 2.66 GHz에서 제안된 방법 의 처리 시간을 측정하였다. 표 1에서 보는 바와 같이 제안된 방법은 특징 코드 추출과 매칭을 위해 매우 적은 처리 시간이 소요되었으며, 총 처리 시간은 96.
본 논문에서는 손가락 크기 변화에 상관없이 동일한 영역에서 지문을 검출하기 위해 손가락 끝으로부터 손가락 두께가 고려된 M 픽셀만큼 떨어진 영역에서 지문 영역을 N 시 V 픽셀 크기만큼 선택하였다. 입력된 영상의 손가락 두께에 따라 선택된 지문 영역의 크기가 서로 다르기 때문에 본 논문에서는 동일한 특징 패턴을 추출하기 위해 최종적으로 L*L 픽셀 크기로 지문 영상을 정규화하였다. 본 논문의 실험에서 상수 w 값은 2/3였고, Le 40이었다.
지문 방향 정보는 본 논문에서 제안한 방법으로 추출한 정규화된 지문 영상을 각각 (5x5)의 국소영역으로 나눈 후, 그림 11과 같은 지문 경계 방향을 나타내는 12개의 마스크를 이용하여 추출하였다. 지문 방향의 각도를 나타내는 마스크의 정합 값이 최대가 되는 마스크의 각도를 지문 방향의 특징값으로 사용하였으며, 총 64개의 지문 방향 정보로부터 유클리디안(Euclidean) 거리를 측정함으로써 인식을 수행하였다.
지문 방향의 각도를 나타내는 마스크의 정합 값이 최대가 되는 마스크의 각도를 지문 방향의 특징값으로 사용하였으며, 총 64개의 지문 방향 정보로부터 유클리디안(Euclidean) 거리를 측정함으로써 인식을 수행하였다.
추출하였다[16]. 추출된 LDP 기반 지문 특징 코드로부터 각 방향에 대한 히스토그램을 구성하고, 식 (10)과 같이 등록된 지문 특징 히스토그램과의 카이제곱 거리를 측정함으로써 비유사도를 측정하였다. 결과적으로 사전에 결정한 임계 값보다 카이 제곱 거리가 작을 경우에는 등록된 사용자로 수락하고, 임계 값보다 클 경우에는 등록되지 않은 사용자로 거부한다.
그림 8에서 보는 바와 같이 추출된 손가락 끝으로부터 M 픽셀 만큼 떨어진 영역에서 손가락 크기를 고려하여 지문 영역을 선택하고, E 픽셀만큼의 크기로 지문 영역을 정규화한 후에 LDP 방법에 의해 지문 특징 코드를 추출한다. 추출된 LDP 기반 지문 특징들의 히스토그램을 구성하고, 등록된 지문 특징 히스토그램과의 카이제곱 거리를 측정하여 최종적으로 사용자의 신원을 식별한다.
검출된 라인을 Zhang-Suen이 제안한 세선화 알고리즘을 통해 그림 10(c) 와 같이 융선을 세선화한 후 [21, 22], 특징점의 위치를 검출하였다. 특징점은 끝점(ending point)과 교차점(bifurcation poinD으로 구분할 수 있는데, (*3) 의 국소 영역의 주변 픽셀을 시계 방향으로 검색하면서 융선(0)과 골 (255)의 변화가 2번 발생되면 끝점으로 검출하였고, 융선(0)과 골(255)의 변화가 6번 이상 발생되면 교차점으로 검출하였다. 최종적으로 등록 영상과 입력 영상의 특징점 위치들 간의 하우스도르프(Hausdorff) 거리를 측정함으로써 인식을 수행하였다[23].
한 가지는 본 논문에서 제안하는 매칭 방법으로 각 이진 코드에 대한 히스토그램을 구성하고, 이를카이 제곱 거리를 통해 비유 사도를 측정하는 방법이고, 나머지는 식(14) 와 같이 특징 코드의 각 비트를 매칭하여 계산하는 해밍 거리 (Hamming distance) 를 통해 비유 사도를 측정하는 방법이다.
대상 데이터
구축하였다. 각 지문 영상은 640x 480 픽셀 크기의 8비트 그레이 영상이며, 총 3, 190장의 영상으로 구성되어 있다. 그림 9는 취득한 데이터베이스의 예를 보인다.
영상 취득 장비의 구조를 보인다. 본 논문의 실험에서는 정점(peak) 파장이 600nm인 백색 LED 조명과 로지택사의 퀵 캠 카메라[18]가 사용되었다. 가시광선 환경에서 영상을 취득하기 때문에 영상 취득 시에 외부 광이 카메라에 투영되는 것을 막기 위해 외부 광 차단 칸막이를 사용하였으며, 실시간 처리를 위한 계산 복잡도 감소를 위해 8비트 그레이 (gray) 영상을 취득하였다.
본 연구에서는 제안하는 LDP 기반의 비접촉식 지문인식 방법의 성능 평가 실험을 위해 40명의 사람으로부터 엄지손가락을 제외한 총 8개의 손가락에 대해 9~10장의 영상을 획득하여 비접촉식 지문 영상 데이터베이스를 구축하였다. 각 지문 영상은 640x 480 픽셀 크기의 8비트 그레이 영상이며, 총 3, 190장의 영상으로 구성되어 있다.
이론/모형
특징점은 끝점(ending point)과 교차점(bifurcation poinD으로 구분할 수 있는데, (*3) 의 국소 영역의 주변 픽셀을 시계 방향으로 검색하면서 융선(0)과 골 (255)의 변화가 2번 발생되면 끝점으로 검출하였고, 융선(0)과 골(255)의 변화가 6번 이상 발생되면 교차점으로 검출하였다. 최종적으로 등록 영상과 입력 영상의 특징점 위치들 간의 하우스도르프(Hausdorff) 거리를 측정함으로써 인식을 수행하였다[23]. 그림 10 (d) 는 특징점 검출의 예를 보인다.
추출된 히스토그램 간의 비유 사도를 측정하기 위해 카이 제곱 거리 (Chi Square Distance)가 사용된다. [10, 17],
성능/효과
각 방향에 대하여 추출된 LDP 특징 코드를 십진수 형태로 고려하여 각 방향에 대한 히스토그램을 구성할 수 있으며, 각 방향에서 추출된 특징 코드는 8비트의 형태로 구성되므로 0부터 255의 범위의 값을 가지게 된다. 결과적으로 0°, 45°, 90°, 135°의 방향에 대한 4개의 히스토그램이 생성된다.
추출된 LDP 기반 지문 특징 코드로부터 각 방향에 대한 히스토그램을 구성하고, 식 (10)과 같이 등록된 지문 특징 히스토그램과의 카이제곱 거리를 측정함으로써 비유사도를 측정하였다. 결과적으로 사전에 결정한 임계 값보다 카이 제곱 거리가 작을 경우에는 등록된 사용자로 수락하고, 임계 값보다 클 경우에는 등록되지 않은 사용자로 거부한다.
비트 매칭을 이용하는 해밍 거리의 경우에는 본인 테스트 시에 동일한 위치에서 동일한 비트가 추출되어야 하기 때문에, 약간의 정렬 오차에 의한 비트 이동에 의해 해밍 거리가 증가하는 단점이 있었다. 또한 그림 12를 통해, LBP 기반의 지문 특징 추출 방법보다 LDP 기반의 지문 특징 추출 방법이 더 좋은 인식 성능의 .결과를 얻음을 알 수 있었다.
부가적인 지문 센서 장비를 필요로 하지 않기 때문에, 핸드폰과 같은 모바일 환경에서 부가 장비 없이 카메라를 이용하여 지문인식을 수행할 수 있으며, 센서에 남아있는 잔존지문으로부터 도용을 방지할 수 있다. 제안하는 LDP 특징 추출방법은 중심픽셀과 주변 픽셀간의 차이를 이용한 방법이 기 때문에 비 접촉식 지문 영상에서 자주 발생되는 조명 변화에 강인한 특성을 보인다 또한, 지문의 경우 융선과골이 반복적으로 이루어지는 특징을 보이기 때문에 2차 미분 형태인 LDP가 1차 미분형태인 LBP 보다 지문 특징을 효율적으로 추출할 수 있었으며, 이로 인해 더 좋은 인식 정확성을 보일 수 있었다.
지문의 경우에는 융선과 골에 의해 일정한 방향성을 지닌 에지들이 반복되어 나타나기 때문에 LBP 또는 LDP 방법에 의해 동일한 특징 패턴을 지닌 특징 코드들이 빈번하게 나타나며, 이러한 동일 특징 코드의 빈도수를 이용하는 것이 더욱 효과적인 인식 방법임을 실험을 통해 알 수 있었다. 비트 매칭을 이용하는 해밍 거리의 경우에는 본인 테스트 시에 동일한 위치에서 동일한 비트가 추출되어야 하기 때문에, 약간의 정렬 오차에 의한 비트 이동에 의해 해밍 거리가 증가하는 단점이 있었다.
66 GHz에서 제안된 방법 의 처리 시간을 측정하였다. 표 1에서 보는 바와 같이 제안된 방법은 특징 코드 추출과 매칭을 위해 매우 적은 처리 시간이 소요되었으며, 총 처리 시간은 96.1ms로 초당 10.4프레임의 영상을 처리할 수 있었다.
후속연구
또한 카메라와 사용자의 손가락 간의 거리에 따라 초점이 맞지 않는 손가락 영상이 취득될 가능성이 있으며, 본 논문의 LDP 기반 방법이나 기존 LBP 기반 방법들은 이러한 광학 블러(optical blur)가 발생될 경우 영상의 픽셀 간의 차이가 불명확하여 인식 정확성이 감소되는 문제점이 발생된다. 따라서 이러한 블러가 발생된 영상에서 인식 성능을 향상시킬 수 있는 방법을 연구할 계획이다. 또한 제안하는 비접촉식 지문 인식시스템의 경우에는 손가락의 외형정보도 함께 얻을 수 있기 때문에 손가락기하학 인식(finger geometry recognition)과의 결합을 통해 인식성능 향상과 함께 인식 가능한 인구 수용력 (population capacity)을향상시킬수 있을 것으로 예상된다.
따라서 이러한 블러가 발생된 영상에서 인식 성능을 향상시킬 수 있는 방법을 연구할 계획이다. 또한 제안하는 비접촉식 지문 인식시스템의 경우에는 손가락의 외형정보도 함께 얻을 수 있기 때문에 손가락기하학 인식(finger geometry recognition)과의 결합을 통해 인식성능 향상과 함께 인식 가능한 인구 수용력 (population capacity)을향상시킬수 있을 것으로 예상된다.
회 전에 대한 보상이 요구되며, 본 논문에서는 이동과 회전에 대한 정렬을 위해 전처리 과정을 수행하지만 굽혀진(bending) 손가락 영상이나 x축을 기준으로 회전된 (rolling) 손가락이 입력될 경우 인식 오류가 증가되는 문제점이 있었다. 또한 카메라와 사용자의 손가락 간의 거리에 따라 초점이 맞지 않는 손가락 영상이 취득될 가능성이 있으며, 본 논문의 LDP 기반 방법이나 기존 LBP 기반 방법들은 이러한 광학 블러(optical blur)가 발생될 경우 영상의 픽셀 간의 차이가 불명확하여 인식 정확성이 감소되는 문제점이 발생된다. 따라서 이러한 블러가 발생된 영상에서 인식 성능을 향상시킬 수 있는 방법을 연구할 계획이다.
참고문헌 (23)
반성범, 문지현, 정용화, 김학일, "지문 인식 기술 동향," 전자통신동향분석, 제16권, 제5호, pp. 46-54.
A. Jain, L. Hong, and R. Bolle, "On-line Fingerprint Verification," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.19, No.4, pp.302-314, 1997.
N. Sharma, and J. Lee, "Fingerprint Minutiae Matching Algorithm using Distance Histogram of Neighborhood," Journal of Korea Multimedia Society, Vol.10, No.12, pp.1577-1584, 2007.
A. K. Jain, A. Ross, and S. Prabhakar, "An Introduction to Biometric Recognition," IEEE Transactions on Circuits and Systems for Video Technology, Vol.14, No.1, pp.4-19, Jan. 2004.
G. Parziale, and Y. Chen, "Advanced Technologies for Touchless Fingerprint Recognition," Handbook of Remote Biometrics, pp.83-109, 2009.
C. Lee, S. Lee and J. Kim, "A Study of Touchless Fingerprint Recognition System," Lecture Notes in Computer Science, Vol. 4109, pp.358-365, 2006.
J. Palma, C, Liessner, and S. Mil'Shtein, "Contactless Optical Scanning of Fingerprints with $180^{\circ}$ View," Scanning, Vol.28, issue 6, pp.301-304, 2007.
B. J. Kang, H. C. Lee, K. R. Park, and J. N. Kim, "Multimodal Biometrics Based on the Fusion of Fingerprint and Finger-vein Recognition." IET computer vision, submitted.
T. Ojala, M. Pietikainen, and D. Harwood, "A Comparative Study of Texture Measures with Classification Based on Feature Distributions," Pattern Recognition, Vol.29, issue. 1, pp.51-59, 1996
T. Ojala, M. Pietikainen, and T. Maenpaa, "Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.24, No.7, pp.971-987, 2002.
E. C. Lee, H. C. Lee, and K. R. Park, "Finger Vein Recognition by Using Minutia Based Alignment and Local Binary Pattern-based Feature Extraction," International Journal of Imaging Systems and Technology, Vol.19, issue 3, pp.179-186, 2009.
H. C. Lee, B. J. Kang, E. C. Lee, and K. R. Park, "Finger Vein Recognition by Using Weighted LBP Code Based on SVM," Journal of Zhejiang University-Science C, Vol.11, No.7, pp.514-524, July 2010.
T. Ahonen, A. Hadid, and M. Pietikainen, "Face Description with Local Binary Patterns: Application to Face Recognition," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.28, No.12, pp.2037-2041, 2006.
G. Guo, and M. J. Jones, "Iris Extraction Based on Intensity Gradient and Texture Difference," Proc. of the IEEE Workshop on Applications of Computer Vision, pp.1-6, 2008.
H. Yang, and Y. Wang, "A LBP-based Face Recognition Method with Hamming Distance Constraint," Proc. of the 4th International Conference on Image and Graphics, pp.645- 649, 2007.
B. Zhang, Y. Gao, S. Zhao, and J. Liu, "Local Derivative Pattern Versus Local Binary Pattern: Face Recognition With High-Order Local Pattern Descriptor," IEEE Transaction on Image Processing, Vol.19, No.2, 2010.
H. Ling, D. W. and Jacobs, "Using the Inner- Distance for Classification of Articulated Shapes," Proc. of the 2005 IEEE Conference on Computer Vision and Pattern Recognition, Vol.2, pp.719-726, 2005.
Logitech QuickCam, http://www.logitech.com (accessed on 2010.02.12)
R C. Gonzalez, and R. E. Woods, Digital Image Processing 3rd edition, Pearson Prentice Hall, 2008.
J. R. Parker, Practical Computer Vision using C, Wiley Computer Publishing, 1994.
M. Sonka, V. Hlavac, and R. Boyle, "Image Processing, Analysis, and Machine Vision," CL-Engineering, 1998.
L. Wang, G. Leedham, and D. S.Cho, "Minutiae Feature Analysis for Infrared Hand Vein Pattern Biometrics," Pattern Recognition, Vol.41, No.3, pp.920-929, 2008.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.