장파장 근적외선 조명 및 밴드 패스 필터 기반 이동형 홍채 인식 시스템 및 성능 평가 Mobile Iris Recognition System Based on the Near Infrared Light Illuminator of Long Wavelength and Band Pass Filter and Performance Evaluations원문보기
최근, 휴대성과 이동성이 뛰어난 모바일 단말기 환경에 홍채 인식 기술을 도입하여 신원을 확인하는 연구가 진행 되었는데, 이러한 모바일 홍채 인식 시스템은 취득된 홍채 영상 품질에 따라 인식률이 좌우된다. 홍채 영상은 취득 시 조명환경에 영향을 많이 받게 되는데, 기존의 시스템은 태양광이 없는 실내에서는 높은 인식률을 보이나, 실외 태양광 환경에서는 외부태양광이 홍채 영역에 투사되어 입력 영상 내에서 홍채 패턴의 그레이 레벨 변화, 고스트(Ghost region) 및 속눈썹 그림자(Eyelash shading region) 발생 등의 요인으로 인식 성능 저하를 초래하는 문제가 있었다. 이를 해결하기 위하여, 본 연구에서는 850nm 근적외선 조명과 850nm 대역 밴드 패스 필터를 장착한 홍채 카메라 시스템을 제안한다. 성능 평가를 위해 기존의 홍채 인식시스템과 제안하는 홍채 인식 시스템을 사용하여 실내 및 실외 태양광 환경에서 취득한 홍채 영상으로부터 홍채코드를 추출한 후 타인 수락률(False Acceptance Rate), 본인 거부율 (False Rejection Rate)을 통한 균등 에러율(EER, Equal Error Rate)을 측정하였다. 실험 결과 기존의 시스템 보다 제안하는 시스템의 EER이 실내 정면 조명일 때 약 0.96%, 실외 정면 조명일 때 약 4.94%, 실외 측면 조명일 때 약 9.24%, 실외 후면 조명일 때 약 7% 낮아지는 개선된 성능을 보였다.
최근, 휴대성과 이동성이 뛰어난 모바일 단말기 환경에 홍채 인식 기술을 도입하여 신원을 확인하는 연구가 진행 되었는데, 이러한 모바일 홍채 인식 시스템은 취득된 홍채 영상 품질에 따라 인식률이 좌우된다. 홍채 영상은 취득 시 조명환경에 영향을 많이 받게 되는데, 기존의 시스템은 태양광이 없는 실내에서는 높은 인식률을 보이나, 실외 태양광 환경에서는 외부태양광이 홍채 영역에 투사되어 입력 영상 내에서 홍채 패턴의 그레이 레벨 변화, 고스트(Ghost region) 및 속눈썹 그림자(Eyelash shading region) 발생 등의 요인으로 인식 성능 저하를 초래하는 문제가 있었다. 이를 해결하기 위하여, 본 연구에서는 850nm 근적외선 조명과 850nm 대역 밴드 패스 필터를 장착한 홍채 카메라 시스템을 제안한다. 성능 평가를 위해 기존의 홍채 인식시스템과 제안하는 홍채 인식 시스템을 사용하여 실내 및 실외 태양광 환경에서 취득한 홍채 영상으로부터 홍채코드를 추출한 후 타인 수락률(False Acceptance Rate), 본인 거부율 (False Rejection Rate)을 통한 균등 에러율(EER, Equal Error Rate)을 측정하였다. 실험 결과 기존의 시스템 보다 제안하는 시스템의 EER이 실내 정면 조명일 때 약 0.96%, 실외 정면 조명일 때 약 4.94%, 실외 측면 조명일 때 약 9.24%, 실외 후면 조명일 때 약 7% 낮아지는 개선된 성능을 보였다.
Recently, there have been previous research about the iris recognition in mobile device to increase portability, whose accuracy is affected by the quality of iris image. Iris image is affected by illumination environment during the image acquisition. The existing system has high accuracy in indoor e...
Recently, there have been previous research about the iris recognition in mobile device to increase portability, whose accuracy is affected by the quality of iris image. Iris image is affected by illumination environment during the image acquisition. The existing system has high accuracy in indoor environment. However the accuracy is degraded in outdoor environment, because the gray levels of iris patterns in image are changed, and ghost and eyelash shading regions are produced by the sunlight of various wavelengths into iris region. To overcome these problems, we propose new mobile iris camera system which uses the near-infrared (NIR) light illuminator of 850 nm and band pass filter (BPF) of 850 nm. To measure the performance of the proposed system, we compared it to the existing one with the iris images captured in indoor and outdoor sunlight environments in terms of the equal error rates (EER) based on false acceptance rate (FAR) and false rejection rate (FRR). The experimental result showed that the proposed system had the lower EERs than those of previous system by 0.96% (with frontal light in indoors), 4.94% (with frontal light in outdoor), 9.24% (with side light in outdoor), and 7% (with back light in outdoor), respectively.
Recently, there have been previous research about the iris recognition in mobile device to increase portability, whose accuracy is affected by the quality of iris image. Iris image is affected by illumination environment during the image acquisition. The existing system has high accuracy in indoor environment. However the accuracy is degraded in outdoor environment, because the gray levels of iris patterns in image are changed, and ghost and eyelash shading regions are produced by the sunlight of various wavelengths into iris region. To overcome these problems, we propose new mobile iris camera system which uses the near-infrared (NIR) light illuminator of 850 nm and band pass filter (BPF) of 850 nm. To measure the performance of the proposed system, we compared it to the existing one with the iris images captured in indoor and outdoor sunlight environments in terms of the equal error rates (EER) based on false acceptance rate (FAR) and false rejection rate (FRR). The experimental result showed that the proposed system had the lower EERs than those of previous system by 0.96% (with frontal light in indoors), 4.94% (with frontal light in outdoor), 9.24% (with side light in outdoor), and 7% (with back light in outdoor), respectively.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 850nm 근적외선 조명과 850nm 대역 밴드 패스 필터를 장착한 홍채 카메라 시스템을 개발하여 실내외 환경에서 강인한 시스템 모바일 홍채 인식 시스템을 제안한다. 제안한 시스템의 성능 평가를 위해 타인 수락률과 본인 거부율 및 균등 에러율(EER, Equal Error Rate)을 지표로 인식성능을 비교 분석 하였다.
본 연구에서는 850nm 근적외선 조명과 850nm 밴드 패스 필터를 사용하는 이동형 홍채 카메라 시스템을 제안하였다. 실험결과, 850nm 근적외선 조명 및 밴드 패스 필터를 사용했을 때가 기존 방식(765nm 근적외선 조명 및 근적외선 투과 필터)을 사용한 홍채 카메라 시스템보다 실내외 환경에서 보다 높은 홍채 인식 정확도를 나타냄을 확인할 수 있었다.
이와 같이 근적외선 파장에 따른 홍채, 흰자위의 반사 및 흡수율, 외부 태양광의 유입 정도, 파장에 따른 카메라 센서의 반응도, 사용자의 눈부심 등을 종합적으로 고려하여, 본 연구에서는 홍채 영상 획득을 위해 CCD 카메라 기반으로 850nm 이상의 장파장 대 조명을 사용한 홍채 인식 시스템을 제안한다.
제안 방법
이처럼 극좌표계로 정규화된 홍채 영역에서 홍채 특징 코드를 추출하기 위해서 1D 형태의 가버 필터(Gabor Filter)를 적용하여, 계산된 가버 필터 값의 크기를 0보다 큰 경우와 작은 경우로 분류하여 각각 1과 0으로 이루어진 Iris Code를 추출한다[25,26,28]. 가버 필터를 적용하기 위하여 본 연구에서는 홍채 영역을 8개 트랙과 256개의 섹터로 구분하여 총 2,048 비트의 홍채 코드 비트를 추출하였다[25,26].
이러한 특징을 바탕으로, 동공 및 홍채 경계 검출과정에서 얻어진 동공, 홍채의 중심 좌표와 반지름을 이용하여 탐색 영역을 설정하고, 이 영역 내에서 그림 7과 같이 눈꺼풀을 검출하기 위한 마스크를 적용하여 대략적인 눈꺼풀 위치를 검출한다[20,24]. 눈꺼풀 추출 마스크를 적용하여 눈꺼풀 영역의 후보 점들을 추출한 후 포물 허프 변환을 사용하여 정확한 눈꺼풀 영역을 검출한다. 그림 8은 입력 영상에서 동공 및 홍채 경계, 눈꺼풀 영역이 검출된 결과를 나타낸 것이다.
사람마다 속눈썹의 양과 길이가 달라 침범 영역이 가변적이지만 주로 홍채영역의 상단부분에 많이 존재하는 특성을 가진다. 따라서 검출 영역을 지정하여 속눈썹 추출 마스크에 의한 정합 값과 속눈썹의 연속적인 특징을 이용하여 하기와 같이 속눈썹을 검출한다[20,25]. 즉, 검출된 눈꺼풀 영역부터 속눈썹 추출 마스크를 탐색해 가면서, 마스크 정합 값이 미리 지정된 임계값 이상을 만족하는 경우(속눈썹으로 인식되는 경우)가 연속적으로 N회 이상 지속될 때(연속적인 특성을 나타내는 경우), 이 픽셀들을 속눈썹으로 찾게 된다.
본 연구에서는 동공 경계와 홍채 경계를 동시에 찾을 수 있는 2개의 원형 경계 검출기를 이용하여 동공과 홍채 경계를 검출하였다[20,22]. 일반적인 원형 경계 검출기는 Integro-differential 식을 이용하여 식 (1)과 같이 원의 중심(x, y)과 반지를 r을 조금씩 변화시키면서 원주에서의 밝기 변화량이 가장 크게 되는 중심과 반지름을 찾는다[1,20-22].
상기와 같이 구축된 홍채 영상 DB를 기반으로 추출된 홍채 특징 코드들을 이용하여, 홍채 인식 EER 및 ROC 커브를 측정하였다. 일반적으로 FAR과 FRR을 구해보면 두 값이 완전히 같아지는 순간이 존재하지 않는 경우가 종종 발생하므로, 본 연구에서는 FAR과 FRR의 차이가 최소가 되는 순간에서의 FAR과 FRR의 평균값을 EER로 설정하였다.
이러한 성능 평가는 2007년 10월부터 2008년 9월까지 이루어졌으며, LG, L1 Identity, Iritech, Retica 등의 많은 기업 및 연구 기관에서 제공한 홍채 인식 알고리즘을 통해 수행되었다. 성능 평가를 위해 BATH, OPS, ICE의 홍채 데이터베이스를 사용하였고 이들의 데이터베이스는 적외선 카메라를 통해 실내 환경에서 취득하였으며, OPS은 8160명, ICE은 240명, BATH은 800명을 대상으로 취득하여 등록 실패율, 타인 수락률, 본인 거부율, ROC 커브 등 다양한 지표들을 통해 성능평가를 하였다. 또한 Phillips 등은 ICE 2005 (The Iris Challenge Evaluation 2005)를 통해 10개 이상의 홍채 인식 알고리즘들에 대한 실내 환경에서의 홍채 성능 평가를 수행하였다[13].
실험은 크게 태양광이 없는 실내와 다 파장대의 태양광이 존재하는 실외의 경우로 나누어 진행하였다. 표 1과 같이 실내는 태양광이 존재하지 않기 때문에 한 경우에서만 촬영하였으며, 실외의 경우 다양한 파장대의 태양광이 존재하기 때문에 홍채에 투사되는 태양광의 조도 변화를 고려하여 태양광이 영상 취득자의 홍채 영역에 정면, 측면, 후면으로 투사될 경우로 분류하여 수행되었다.
원형 경계 검출 시 홍채 영역은 위아래 부분이 눈꺼풀에 의해 덮여있는 경우가 빈번하므로, 그림 4와 같이 315o∼30o 및 150o∼225o에서만 원형 경계 검출을 수행하였으며, 동공에 대한 원형 경계 검출은 0o∼360o 전 범위에 대해 수행하였다[20,22].
I(Iris Exchange I)을 통해 실내 환경에서 기존에 상용화된 홍채 인식 시스템에 대한 홍채 인식 성능 평가를 수행하였다[12]. 이러한 성능 평가는 2007년 10월부터 2008년 9월까지 이루어졌으며, LG, L1 Identity, Iritech, Retica 등의 많은 기업 및 연구 기관에서 제공한 홍채 인식 알고리즘을 통해 수행되었다. 성능 평가를 위해 BATH, OPS, ICE의 홍채 데이터베이스를 사용하였고 이들의 데이터베이스는 적외선 카메라를 통해 실내 환경에서 취득하였으며, OPS은 8160명, ICE은 240명, BATH은 800명을 대상으로 취득하여 등록 실패율, 타인 수락률, 본인 거부율, ROC 커브 등 다양한 지표들을 통해 성능평가를 하였다.
일반적으로 눈꺼풀은 홍채 보다는 높은 반사율을 가지므로, 입력 영상 내에서 홍채보다 높은 그레이 레벨 값을 갖는 특징이 있다[24]. 이러한 특징을 바탕으로, 동공 및 홍채 경계 검출과정에서 얻어진 동공, 홍채의 중심 좌표와 반지름을 이용하여 탐색 영역을 설정하고, 이 영역 내에서 그림 7과 같이 눈꺼풀을 검출하기 위한 마스크를 적용하여 대략적인 눈꺼풀 위치를 검출한다[20,24]. 눈꺼풀 추출 마스크를 적용하여 눈꺼풀 영역의 후보 점들을 추출한 후 포물 허프 변환을 사용하여 정확한 눈꺼풀 영역을 검출한다.
상기와 같이 구축된 홍채 영상 DB를 기반으로 추출된 홍채 특징 코드들을 이용하여, 홍채 인식 EER 및 ROC 커브를 측정하였다. 일반적으로 FAR과 FRR을 구해보면 두 값이 완전히 같아지는 순간이 존재하지 않는 경우가 종종 발생하므로, 본 연구에서는 FAR과 FRR의 차이가 최소가 되는 순간에서의 FAR과 FRR의 평균값을 EER로 설정하였다.
제안하는 850nm 파장 대역 조명과 850nm 파장 대역 밴드 패스 필터를 장착한 홍채 인식 시스템의 인식 성능 평가를 위해, 본 연구에서는 기존에 개발된 모바일 홍채 인식 시스템을 이용하여 비교 분석하였다.
실험은 크게 태양광이 없는 실내와 다 파장대의 태양광이 존재하는 실외의 경우로 나누어 진행하였다. 표 1과 같이 실내는 태양광이 존재하지 않기 때문에 한 경우에서만 촬영하였으며, 실외의 경우 다양한 파장대의 태양광이 존재하기 때문에 홍채에 투사되는 태양광의 조도 변화를 고려하여 태양광이 영상 취득자의 홍채 영역에 정면, 측면, 후면으로 투사될 경우로 분류하여 수행되었다.
이러한 홍채 인식 시스템의 홍채 인식 과정은 크게 홍채 영상 획득 과정과 홍채 인식 과정으로 나뉜다[2,3]. 홍채 영상 획득은 사용자로부터 눈 영상을 취득하는 과정이고, 그렇게 획득한 눈 영상으로부터 홍채 영역 추출, 홍채 특징 추출, 홍채 코드 생성, 특징 정합 등의 홍채 인식의 과정을 수행함으로써 신원을 확인한다. 따라서 취득된 홍채 영상의 품질여부에 따라 홍채인식 성능이 좌우되기 때문에 홍채인식에 적합한 홍채 영상 획득의 중요성이 요구된다[4].
홍채 인식 성능 평가 과정은 기존의 시스템과 제안한 시스템으로부터 각각 홍채 영상을 취득하여, 동일한 홍채 영역 전처리 과정(동공 및 홍채 경계 추출, 눈꺼풀 검출, 속눈썹 검출)을 통해 얻어진 홍채 특징 영역에서 홍채 코드를 추출하여 홍채 인식 성능을 상호 비교 평가해 보았다. 성능 평가 과정은 그림 4와 같다.
대상 데이터
그림 2. 765nm 근적외선 조명 및 근적외선 투과 필터를 사용하여 취득한 홍채 영상. (a) 실내에서 촬영한 홍채 영상 (b) 실외 태양광하에서 촬영한 홍채 영상
그리고 표 2의 나머지 6가지 경우 (실외 정면(765nm 근적외선조명과 근적외선 투과필터), 실외정면(850nm 근적외선 조명과 850nm 밴드 패스 필터), ... 실외후면(850nm 근적외선 조명과 850nm 밴드 패스 필터))는, 각각 해당 파장의 실내 정면에서 취득하여 본인 테스트 및 타인 테스트에 사용한 등록 영상을 본인 및 타인 테스트에 각각 사용하였다. 그러므로 표 2의 6가지 각각의 경우, 본인 테스트 수는 250번(5번×50클래스)이 되고, 타인 테스트 수는 12250번(5번×49클래스×50클래스)이 된다.
본 연구에서 제안하는 이동형 홍채 인식 시스템은 viliv MID (Mobile Internet Device)와 홍채 카메라 시스템으로 구성되어있다. viliv MID는 인텔 아톰 프로세서 Z520(Silverthone) 1.
본 연구에서는 카메라의 초점 거리, 조명의 밝기 등을 고려하여, 카메라와 사용자 눈까지의 거리를 19cm로 설정하여 홍채 영상을 취득하였다. 850nm 근적외선 조명은 사용자의 홍채 패턴을 잘 조사하면서 동시에 조명 반사광(specular reflection)이 홍채 패턴 영역에 많이 침범하지 않도록 위치시켰다.
또한 Phillips 등은 ICE 2005 (The Iris Challenge Evaluation 2005)를 통해 10개 이상의 홍채 인식 알고리즘들에 대한 실내 환경에서의 홍채 성능 평가를 수행하였다[13]. 성능 평가에 사용된 데이터베이스는 실내 환경에서 LG EOU 2200 시스템을 통해 2004년 1월부터 2월까지 132명을 대상으로 2953장이 취득되었다. 성능 평가 지표로는 ROC 커브, 타인 수락률, 본인 거부율 등을 사용하였다.
실험 데이터는 표 1과 같이 8가지 경우에, 각각 250장씩 (25명(한국인 13명, 외국인 12명)을 대상으로 콘택트렌즈와 안경을 미착용한 상태에서 양쪽 눈 영상을 5장씩 획득)씩, 총 2000장(250장× 8경우)의 DB를 구축하였다.
또한, 기존 연구[2]에서 개발한 시스템은 휴대성과 이동성이 뛰어난 모바일 단말기기인 UMPC(Ultra-Mobile Personal Computer)기반으로 개발된 모바일 홍채 인식 시스템으로 USB(Universal Serial Bus) 타입의 CCD(Charge Coupled Device)카메라를 접목시킨 형태이다. 이 시스템에서 홍채 패턴을 취득하기 위해 사용된 홍채 카메라 시스템에서는 765nm 근적외선 조명 및 근적외선 투과 필터가 사용되었다.
따라서 홍채 패턴 추출이 용이 하다는 장점을 가지고 있는 반면 사용자가 오랫동안 카메라를 주시할 경우 가시광선으로 인해 사용자의 거부감을 유발할 수 있으며 장시간 사용 시 열이 많이 발생한다는 문제점이 있다. 이러한 문제점으로 이 이후 시스템들은 근적외선 LED (NIR LED, Near-Infrared Light Emitting Diode) 조명을 사용하였다.
일반적으로 등록영상은 좋은 품질의 영상을 사용해야 홍채 인식 성능이 보장된다. 이러한 이유로 본 연구에서도 각 클래스 당 5장 중, 다른 4장과의 평균 해밍거리가 가장 작은 1장을 등록 영상으로 선택하였으며, 이 한 장을 제외한 나머지 4장과 본인 테스트를 수행하였다. 그리고 전체 클래스 수는 50이므로, 본인 테스트 수는 200번(4번×50클래스)이 된다.
데이터처리
본 연구에서는 850nm 근적외선 조명과 850nm 대역 밴드 패스 필터를 장착한 홍채 카메라 시스템을 개발하여 실내외 환경에서 강인한 시스템 모바일 홍채 인식 시스템을 제안한다. 제안한 시스템의 성능 평가를 위해 타인 수락률과 본인 거부율 및 균등 에러율(EER, Equal Error Rate)을 지표로 인식성능을 비교 분석 하였다.
이론/모형
성능 평가에 사용된 데이터베이스는 실내 환경에서 LG EOU 2200 시스템을 통해 2004년 1월부터 2월까지 132명을 대상으로 2953장이 취득되었다. 성능 평가 지표로는 ROC 커브, 타인 수락률, 본인 거부율 등을 사용하였다.
성능/효과
인식률을 비교해 보았을 때 850nm 파장 근적외선조명과 밴드 패스 필터(850nm 대역 통과)를 사용할 경우, 765nm 파장 대역 근적외선 조명과 근적외선 투과필터를 사용할 경우보다 모든 경우에 더 낮은 EER을 나타냈다. 765nm 조명 및 근적외선 투과 필터를 사용한 경우보다, 상대적으로 850nm 조명과 밴드 패스 필터를 사용한 경우 인식 성능이 우수하지만, 이 역시 실외에서 사용하는 경우, 실내 환경보다 상당히 높은 에러율을 나타냄을 알 수 있었다. 이는 밴드 패스 필터의 사용으로 태양광에 의한 속눈썹 반사 영역이나 태양광에 의한 외부 사물의 반사 영역이 많이 줄어들기는 했으나, 그래도 상당히 파워가 센 태양광이 카메라로 유입되는 비율이 꽤 큰 관계로, 취득된 영상에서의 홍채 패턴의 그레이 레벨 변화가 존재했기 때문이다.
첫째, 단파장 근적외선 조명에 비해 가시적으로 선명한 홍채 패턴 영상을 획득할 수 있으므로, 홍채 특징을 추출하기가 용이하다. 둘째, 동공과 홍채의 경계를 보다 뚜렷하게 나타냄으로써 홍채 영역 검출의 정확성을 높여준다. 셋째, 카메라 렌즈 앞에 부착된 850nm 파장 대역 밴드 패스 필터는 자외선 및 가시광선과 같은 외부 광은 차단하고 이 파장 대역 근적외선 조명만을 카메라로 받아들임으로써, 홍채 영상 내에 외부 광에 의한 고스트 영역(Ghost Region) 및 그림자 영역(Shading region)의 발생 빈도를 줄여준다.
그림 12는 이러한 실내외 환경별로 765nm 파장 조명과 근적외선 투과필터를 사용한 경우와 850nm 파장 근적외선 조명과 밴드 패스 필터를 사용한 경우의 홍채 인식 ROC 곡선을 나타낸 것이다. 모든 경우에서 850nm 파장 근적외선 조명과 밴드 패스 필터를 사용한 경우 인식성능이 우수함을 알 수 있다.
둘째, 동공과 홍채의 경계를 보다 뚜렷하게 나타냄으로써 홍채 영역 검출의 정확성을 높여준다. 셋째, 카메라 렌즈 앞에 부착된 850nm 파장 대역 밴드 패스 필터는 자외선 및 가시광선과 같은 외부 광은 차단하고 이 파장 대역 근적외선 조명만을 카메라로 받아들임으로써, 홍채 영상 내에 외부 광에 의한 고스트 영역(Ghost Region) 및 그림자 영역(Shading region)의 발생 빈도를 줄여준다.
본 연구에서는 850nm 근적외선 조명과 850nm 밴드 패스 필터를 사용하는 이동형 홍채 카메라 시스템을 제안하였다. 실험결과, 850nm 근적외선 조명 및 밴드 패스 필터를 사용했을 때가 기존 방식(765nm 근적외선 조명 및 근적외선 투과 필터)을 사용한 홍채 카메라 시스템보다 실내외 환경에서 보다 높은 홍채 인식 정확도를 나타냄을 확인할 수 있었다. 하지만, 홍채 영상 취득 시 조명 외에도 카메라 광학 흐림, 사용자의 움직임 흐림 등에 의한 좋지 못한 영상 품질이 홍채 인식 성능에 영향을 주는 문제점이 있었다.
인식률을 비교해 보았을 때 850nm 파장 근적외선조명과 밴드 패스 필터(850nm 대역 통과)를 사용할 경우, 765nm 파장 대역 근적외선 조명과 근적외선 투과필터를 사용할 경우보다 모든 경우에 더 낮은 EER을 나타냈다. 765nm 조명 및 근적외선 투과 필터를 사용한 경우보다, 상대적으로 850nm 조명과 밴드 패스 필터를 사용한 경우 인식 성능이 우수하지만, 이 역시 실외에서 사용하는 경우, 실내 환경보다 상당히 높은 에러율을 나타냄을 알 수 있었다.
본 연구에서 제안하는 시스템은 이동형 홍채 인식 시스템으로 다음과 같은 장점이 있다. 첫째, 단파장 근적외선 조명에 비해 가시적으로 선명한 홍채 패턴 영상을 획득할 수 있으므로, 홍채 특징을 추출하기가 용이하다. 둘째, 동공과 홍채의 경계를 보다 뚜렷하게 나타냄으로써 홍채 영역 검출의 정확성을 높여준다.
후속연구
또한 밴드 패스 필터의 사용에도 불구하고, 상당히 파워가 센 태양광이 홍채 카메라로 유입되는 비율이 꽤 큰 관계로, 취득된 영상에서의 홍채 패턴의 그레이 레벨 변화가 존재하여 인식 성능이 저하되는 문제점도 있었다. 향후 이러한 문제점을 해결할 수 있는 방법을 연구할 계획이다.
이는 밴드 패스 필터의 사용으로 태양광에 의한 속눈썹 반사 영역이나 태양광에 의한 외부 사물의 반사 영역이 많이 줄어들기는 했으나, 그래도 상당히 파워가 센 태양광이 카메라로 유입되는 비율이 꽤 큰 관계로, 취득된 영상에서의 홍채 패턴의 그레이 레벨 변화가 존재했기 때문이다. 향후, 태양광에 의한 홍채 패턴의 그레이 레벨 변화에 강인한 인식 알고리즘의 연구가 요구된다.
질의응답
핵심어
질문
논문에서 추출한 답변
홍채 인식 시스템이 다양한 분야에서 쓰임이 확대되는 추세를 갖는 이유는?
바이오 인식은 얼굴, 음성, 지문, 홍채 및 정맥과 같은 고유한 신체적 특성을 사용하여 개인의 신원을 인식하는 연구 분야이다. 이 중 홍채인식은 홍채 패턴을 사용한 인식방법으로 매우 높은 인식 성능을 가지고 있는 것으로 알려져 있다[1]. 또한 생후 1년 내에 대부분 생성되는 홍채 패턴은 같은 사람일 경우도 양쪽 눈의 패턴이 달라 그 고유성이 매우 뛰어나며[1], 지문과 같이 외부로 드러난 것이 아니기 때문에 도용이 매우 힘들다. 이러한 특징을 기반으로 한 홍채 인식 시스템은 정확성, 안정성, 편리성 측면에서 우수한 성능을 가지고 있어, 출입통제, 출입국관리 등 다양한 분야에서 그 쓰임이 점차 확대되는 추세이다.
바이오 인식은 어떤 연구 분야인가?
그에 따라 점차 개인정보 보안의 필요성이 요구됨으로써 보다 정확하고 안전한 개인정보 보안을 위해 바이오 인식 시스템 연구가 진행되고 있다. 바이오 인식은 얼굴, 음성, 지문, 홍채 및 정맥과 같은 고유한 신체적 특성을 사용하여 개인의 신원을 인식하는 연구 분야이다. 이 중 홍채인식은 홍채 패턴을 사용한 인식방법으로 매우 높은 인식 성능을 가지고 있는 것으로 알려져 있다[1].
홍채 인식 시스템의 홍채 인식 과정은 어떻게 나뉘어 지는가?
이러한 홍채 인식 시스템의 홍채 인식 과정은 크게 홍채 영상 획득 과정과 홍채 인식 과정으로 나뉜다[2,3]. 홍채 영상 획득은 사용자로부터 눈 영상을 취득하는 과정이고, 그렇게 획득한 눈 영상으로부터 홍채 영역 추출, 홍채 특징 추출, 홍채 코드 생성, 특징 정합 등의 홍채 인식의 과정을 수행함으로써 신원을 확인한다.
참고문헌 (30)
J. Daugman, "The Importance of Being Random: Statistical Principles of Iris Recognition," Pattern Recognition, Vol.36, Issue.2, pp. 279-291, 2003.
G. Lu, J. Qi and Q. Liao, "A New Scheme of Iris Image Quality Assessment," Proceedings of the 3rd International Conference on International Information Hiding and Multimedia Signal Processing, Vol.1, pp. 147-150, 2007.
http://www.irisid.com/ps/hwproducts/index.htm (accessed on 2011. 8. 1)
Ho Gi Jung, Hyun Su Jo, Kang Ryoung Park, and Jaihie Kim, "Coaxial Optical Structure for Iris Recognition from a Distance," Optical Engineering, Vol.50, No.5, pp. 053201-1 - 053201-8, 2011.
http://www.sarnoff.com/products/iris-onthe- move/portal-system (accessed on 2011. 8. 1)
http://www.aoptix.com/iris-recognition/ product/insight-vm (accessed on 2011. 8. 1)
Sowon Yoon, Ho Gi Jung, Kang Ryoung Park, and Jaihie Kim, "Nonintrusive Iris Image Acquisition System Based on a Pan-Tilt- Zoom Camera and Light Stripe Projection," Optical Engineering, Vol.48, No.3, pp. 037202- 1-037202-15, 2009.
http://www.l1id.com/pages/530-mobile-idfor- military (accessed on 2011. 8. 1)
T. Mansfield, G. Kelly, D. Chandler, and J. Kane, "Biometric Product Testing Final Report," Issue 1.0, National Physical Laboratory, 2001.
P. J. Grother, E. Tabassi, G. W. Quinn, and W. J. Salamon, "IREX I: Performance of Iris Recognition Algorithms on Standard Images," NIST Interagency/Internal Report(NISTIR) - 7629, 2009. (http://www.nist.gov/manuscriptpubl ication-search.cfm?pub_id903606 (accessed on 2011. 8. 1))
P. J. Phillips, K. W. Bowyer, P. J. Flynn, X. Liu, and W. T. Scruggs, "The Iris Challenge Evaluation 2005," Proceedings of the 2nd IEEE International Conference on Biometrics: Theory, Applications and Systems, pp. 1-8, 2008.
http://www.andor.com/learning/digital_ cameras/?docid315 (accessed on 2011. 8. 1)
A. Vogel, C. Dlugos, R. Nuffer, and R. Birn gruber, "Optical Properties of Human Sclera, and Their Consequences for Transscleral Laser Applications," Lasers in Surgery and Medicine, Vol.11, Issue 4, pp. 331-340, 1991.
E. V. Koblova, A. N. Bashkatov, E. A. Genina, V. V. Tuchin, and V. V. Bakutkin, "Estimation of Melanin Content in Iris of Human Eye," Proc. SPIE, Vol.5688, pp. 302-311, 2005.
Eui Chul Lee, Kang Ryoung Park, Mincheol Whang, and Kyungha Min, "Measuring the Degree of Eyestrain Caused by Watching LCD and PDP Devices," International Journal of Industrial Ergonomics, Vol.39, No.5, pp. 798-806, 2009.
Q.-C. Tian, Q. Pan, Y.-M. Cheng, and Q.-X. Gao, "Fast Algorithm and Application of Hough Transform in Iris Segmentation," Proceedings of the International Conference on Machine Learning and Cybernatics, Vol.7, pp. 3977-3980, 2004.
J. Daugman, "New Methods in Iris Recognition," IEEE Transactions on Systems, Man, and Cybernatics - Part B, Vol.37, No.5, pp. 1167-1175, 2007.
Dae Sik Jeong, Jae Won Hwang, Byung Jun Kang, Kang Ryoung Park, Chee Sun Won, Dong-Kwon Park, and Jaihie Kim, "A New Iris Segmentation Method for Non-ideal Iris Images," Image and Vision Computing, Vol. 28, Issue 2, pp. 254-260, 2010.
조달호, 박강령, 이대웅, "모바일 환경에서의 홍채 인식에 적합한 홍채 및 동공 영역 추출방법," Proceedings of the 4th BERC Biometrics Workshop, 2006.
H. V. Nguyen and Hakil Kim, "Robust Iris Segmentation via Simple Circular and Linear Filters," Journal of Electronic Imaging, Vol. 17, No.4, pp. 043027-1-043027-8, 2008.
장영균, 강병준, 박강령, "홍채 인식을 위한 포물 허프 변환 기반 눈꺼풀 영역 검출 알고리즘," 대한전자공학회 논문지, 제44권 SP편 제1호, pp. 94-104, 2007.
B. J. Kang and K. R. Park, "A Robust Eyelash Detection Based on Iris Focus Assessment," Pattern Recognition Letters, Vol.28, Issue 13, pp. 1630-1639, 2007.
Hyun-Ae Park and Kang Ryoung Park, "Iris Recognition Based on Score Level Fusion by Using SVM," Pattern Recognition Letters, Vol.28, Issue 15, pp. 2019-2028, 2007.
Gi Pyo Nam, Byung Jun Kang, and Kang Ryoung Park, "Robustness of Face Recognition to Variations of Illumination on Mobile Devices Based on SVM," KSI I Transactions on Internet and Information Systems, Vol.4, No.1, pp. 25-44, 2010.
Kwang Yong Shin, Gi Pyo Nam, Dae Sik Jeong, Dalho Cho, Byung Jun Kang, Kang Ryoung Park, and Jaihie Kim, "New Iris Recognition Method for Noisy Iris Images," Pattern Recognition Letters, 2011, accepted for publication.
N. K. Ratha and V. Govindaraju, Advances in Biometrics: Sensors, Algorithms and System, Springer, 2008.
신광용, 강병준, 박강령, 신재호, "다중 다층 퍼셉트론을 이용한 저해상도 홍채 영상의 고해상도 복원 연구," 멀티미디어학회 논문지, 제13권, 제 3호, pp. 438-456, 2010.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.