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 생체인증 시스템의 하나인 지문 인식 시스템의 속도와 인식률을 높이기위해서 새로운 지문 분류 방법을 제안하였다. 널리 사용되는 두 가지 데이터베이스로부터 네 가지 지문 부류, 즉 궁상문, 와상문, 요측제상문, 척측제상문에 해당하는 영상들을 대상으로 새로운 특징 추출 방법을 제시하였다.
- 본 논문은 [3]과 [6]을 따라 지문의 유형을 융선과의 방향 및 형상에 따라 궁상문, 와상문, 요측제상문, 척측제상문으로 구분하고 지문의 유형들을 이들 네 가지로 한정하고자 한다. 네 가지 지문 부류의 대표적인 예가 그림 1에 있다.
- GLCM과 웨이블릿 특징의 조합 방법은 여러 가지일 수 있으며 그들 각각에 대한 비교 연구도 의미있을 것으로 생각된다. 하지만 본 논문은 이들 두 특징 추출 방법의 단순한 조합만으로도 어느 한 가지 방법보다 우월한 성능을 보여 줄 수 있음을 목적으로 하기 때문이다. 보다 나은 조합 방법에 대한 연구는 향우에 계속될 것이다.
제안 방법
- 관심 영역을 추출해내기 위해서 본 논문에서는 다음과 같이 정의된 도심(Centroid), C(Cr, Cc)을 참조점으로 사용한다.
- 네 가지 지문 부류의 대표적인 예가 그림 1에 있다. 그리고 질감을 기반으로 하는 명암도 동시발생 행렬과 웨이블릿 특징과의 조합을 통해 지문 분류에 사용하는 접근법을 제시하였다. 제시한 방법이 명암도 동시발생 행렬만 이용한 경우에 비해 높은 정확성을 가짐을 다층 퍼셉트론과 서포트 벡터 머신을 이용해 비교하였다.
- 널리 사용되는 두 가지 데이터베이스로부터 네 가지 지문 부류, 즉 궁상문, 와상문, 요측제상문, 척측제상문에 해당하는 영상들을 대상으로 새로운 특징 추출 방법을 제시하였다. 기존에 제시된 명암도 동시발생 행렬을 이용한 지문 분류 방법을 개선하고자 명암도 동시발생 행렬로부터 계산한 6가지 질감 기반 특징 이외에 5 레벨까지 2 차원 웨이블릿 변환을 통해 얻어진 상세 이미지들로부터 에너지를 계산하여 특징 벡터에 조합하였다.
- 본 논문에서는 생체인증 시스템의 하나인 지문 인식 시스템의 속도와 인식률을 높이기위해서 새로운 지문 분류 방법을 제안하였다. 널리 사용되는 두 가지 데이터베이스로부터 네 가지 지문 부류, 즉 궁상문, 와상문, 요측제상문, 척측제상문에 해당하는 영상들을 대상으로 새로운 특징 추출 방법을 제시하였다. 기존에 제시된 명암도 동시발생 행렬을 이용한 지문 분류 방법을 개선하고자 명암도 동시발생 행렬로부터 계산한 6가지 질감 기반 특징 이외에 5 레벨까지 2 차원 웨이블릿 변환을 통해 얻어진 상세 이미지들로부터 에너지를 계산하여 특징 벡터에 조합하였다.
- 중간값 필터링 방법은 특정 픽셀의 값이 이웃 픽셀들의 중간값에 의해 결정되기 때문에 이웃 픽셀들의 평균값에 의해 결정되는 평균값 필터링에 비해 외톨이(outlier)에 민감하지 않은 특징을 보여준다[11]. 본 논문에 사용된 지문 영상들도 모두 중간값 필터링을 통해 잡음 축소 과정을 거치도록 하였다. 그림 2는 중간값 필터링을 하기 전과 후의 영상을 보여준다.
- 본 논문에서 제안한 특징의 성능을 평가하기위해 지도학습 기반의 대표적인 분류기인 다층 퍼셉트론 (인공신경망)과 서포트 벡터 머신을 사용하여 분류 실험을 하였다. 3 장에서는 이 두 가지 기계학습 방법에 대해 간략히 설명한다.
- [14]에서는 명암도 동시발생 행렬로부터 계산할 수 있는 14 가지의 질감 특징이 소개되어 있지만 모든 특징이 동일하게 중요한 것은 아니다. 본 논문에서는 아래와 같이 6가지의 질감 특징을 명암도 동시발생 행렬로부터 계산하여 특징벡터의 일부로 사용한다. 편의상 p(i, j, d, θ)를 pi,j로 줄여 표기한다.
- GLCM으로부터 특징을 추출하는 방법이나 웨이블릿 변환으로부터 특징을 추출하는 방법들은 여러 연구에서 다양하게 제시되고 있다. 본 논문은 앞 두 절에서 제시한 특징들을 간략히 이어붙이는 방법을 사용한다. 명암도 동시발생 행렬로부터 구한 특징들과 웨이블릿 변환을 통해 얻어진 에너지들을 아래와 같이 연결하여 최종적인 특징 벡터 F*n을 사용한다.
- 본 장에서는 지문 분류를 위한 특징 추출 방법을 제시한다. 제안한 방법은 영상의 질감에 기반한 것으로 명암도 동시발생 행렬과 웨이블릿 변환의 조합을 특징으로 한다.
대상 데이터
- 두 개의 데이터베이스로부터 궁상문, 와상문, 요측제상문, 척측제상문에 해당하는 지문 영상들을 각각 60개씩, 총 240개의 영상을 추출하였다. 각 부류별 지문 영상 중 2/3를 훈련 데이터로 사용하고 나머지 1/3을 테스트 데이터로 사용하는 3중 교차 검증(3- fold cross validation)을 실시하고 결과를 평균하였다.
- 제안한 방법의 성능을 평가하기 위해서 두 가지 데이터베이스가 사용되었다. 하나는 Bologna 대학의 생체인증시스템 연구실(Biometric system Laboratory)에서 제공하고 있는 FVC2000[18], FVC2002[19], FVC2004[20]이고 다른 하나는 Neurotechnologija 웹 사이트[21]에서 제공하는 VeriFinger_Sample_ DB이다.
- 주어진 원 영상으로부터 실제 사용되는 영상은 도심을 중심으로 180×180 크기의 이미지를 추출하여 사용하였다.
- 한편 명암도는 256개의 명암도를 그대로 사용하지 않고 128개로 레벨을 부여해 사용하였다. 예를 들어 명암도 0과 1은 레벨 0이 되고 명암도 2와 3은 레벨 2가 된다.
데이터처리
- 두 개의 데이터베이스로부터 궁상문, 와상문, 요측제상문, 척측제상문에 해당하는 지문 영상들을 각각 60개씩, 총 240개의 영상을 추출하였다. 각 부류별 지문 영상 중 2/3를 훈련 데이터로 사용하고 나머지 1/3을 테스트 데이터로 사용하는 3중 교차 검증(3- fold cross validation)을 실시하고 결과를 평균하였다.
- 그리고 질감을 기반으로 하는 명암도 동시발생 행렬과 웨이블릿 특징과의 조합을 통해 지문 분류에 사용하는 접근법을 제시하였다. 제시한 방법이 명암도 동시발생 행렬만 이용한 경우에 비해 높은 정확성을 가짐을 다층 퍼셉트론과 서포트 벡터 머신을 이용해 비교하였다. 다층 퍼셉트론과 서포트 벡터 머신은 학습기반 분류기를 대표하는 기계학습 방법으로 지문 분류 특징 비교 결과에 신뢰성을 부여할 수 있는 유용한 방법들이다.
- 제안한 특징 벡터의 성능을 평가하기 위해 대표적인 지도적 기계학습 방법인 서포트 벡터 머신과 다층 퍼셉트론을 이용하여 3중 교차 검증을 실시하였다. 두 경우 모두 본 논문이 제안한 방법의 분류 정확도가 높다는 사실을 확인하였고 서포트 벡터 머신에 비해 다층 퍼셉트론이 특징 벡터의 분류 정확도를 높인다는 사실도 확인하였다.
이론/모형
- 원래 SVM은 이진 분류기로서 2 부류 분류 문제를 해결하는데 사용한다. 세 개 이상의 부류를 대상으로 하는 다 부류 분류 문제에 대해서는 이를 확장하여 사용해야 하는데 [17]이 제안한 쌍별 분류(pairwise classification) 방법이 사용되었다. 쌍별 분류 방법이란 M 부류 문제에 대해서 M(M-1)/2 개의 부류 쌍에 대해 개별적인 이진 서포트 벡터 머신을 학습시키고 부류 대상 특징 벡터를 각 서포트 벡터 머신을 통해 분류한 다음 투표(voting)를 통해 최종 부류를 선택하는 방법을 말한다.
- 웨이블릿 변환으로부터의 특징 추출은 도비치 (Daubechies) 4 웨이블릿을 기저함수로 사용하여 5레벨까지 웨이블릿 분해를 실행하고 각 수준의 세가지 상세(detail)에 대해 다음과 같이 정의되는 에너지를 사용하였다.
- 여백이 최대가 되는 결정 초평면을 찾기 위해서는 조건부 최적화 문제를 풀어야 하는데 라그랑제 승수 (Lagrange multiplier)를 도입하여 해결한다. 한편 라그랑제 승수는 [16]이 제안한 sequential minimal optimization (SMO) 알고리즘을 이용하여 구하였고 커널은 선형 커널을 이용하였다. 다항식 커널이나 Radial Basis Function을 사용해 보았지만 분류의 정확도가 선형 커널과 비슷하거나 못하였기 때문이다.
- 은닉층과 출력층은 자신과 연결된 간선에 가중치를 가지며 이전 층의 입력값과 함께 가중합을 구하고 활성함수(activation function)를 이용해 값을 출력한다. 활성함수는 시그모이드 함수(#)를사용하였고 네트워크의 학습은 가장 널리 사용되고 있는 역전파 알고리즘(back-propagation algorithm)을 사용하였다.
성능/효과
- 다음 표 4와 표 5는 서포트 벡터 머신에 사용했던 데이터와 동일한 데이터에 대해 다층 퍼셉트론을 적용한 경우의 혼잡 행렬들이다. 각각의 방법에 의한 분류 정확도는 79.16%와 86.25%로 서포트 벡터 머신을 사용했을 때와 같이 본 논문이 제안하는 방법의 분류 정확도가 더 높음을 확인 할 수 있다. 한편 저자들이 실시한 지문 분류 문제에 있어서는 서포트 벡터 머신 보다 다층 퍼셉트론의 성능이 더 우수한 것으로 나타났다.
- 표 2와 표 3의 셀 안에 있는 세 개의 수는 3 중 교차 검증 각각에 대해 분류한 개수를 나타낸다. 각각의 방법에 의한 분류 정확도는 평균 72.08%와 78.75%로 본 논문이 제안하는 방법의 분류 정확도가 높음을 알 수 있다. 그리고 두 경우 모두 요측제상문을 와상문으로 잘못 인식하는 문제를 발견할 수 있다.
- 제안한 특징 벡터의 성능을 평가하기 위해 대표적인 지도적 기계학습 방법인 서포트 벡터 머신과 다층 퍼셉트론을 이용하여 3중 교차 검증을 실시하였다. 두 경우 모두 본 논문이 제안한 방법의 분류 정확도가 높다는 사실을 확인하였고 서포트 벡터 머신에 비해 다층 퍼셉트론이 특징 벡터의 분류 정확도를 높인다는 사실도 확인하였다.
- 그림 2는 중간값 필터링을 하기 전과 후의 영상을 보여준다. 첫 번째 영상의 융선 안에 있는 하얀 점, 즉 잡음이 오른쪽 영상에서는 어느 정도 제거되었다는 것을 확인할 수 있다.
- 25%로 서포트 벡터 머신을 사용했을 때와 같이 본 논문이 제안하는 방법의 분류 정확도가 더 높음을 확인 할 수 있다. 한편 저자들이 실시한 지문 분류 문제에 있어서는 서포트 벡터 머신 보다 다층 퍼셉트론의 성능이 더 우수한 것으로 나타났다. 특히 서포트 벡터 머신에서 문제가 되었던 요측제상문을 와상문으로 오분류하는 경우가 많이 감소했음을 알 수 있다.
후속연구
- 또한 최적화된, 즉 분류 정확도를 떨어뜨리지 않으면서도 벡터 사이즈를 최소화할 수 있는 특징 벡터의 구성 요소를 찾아내는 것도 실시간 분류 및 인증을 위해서 추가적인 연구가 필요 하다. 또한 제시한 지문 유형 분류는 지문 인식을 위한 전처리 과정의 하나인데 최종 지문 인식의 성공은 분류 방법의 정확도와 오탐률에 크게 의존하므로 이에 대한 면밀한 분석 연구가 요구된다.
- 다양한 지문 영상 데이터베이스를 대상으로 실험을 확대할 필요가 있다. 또한 최적화된, 즉 분류 정확도를 떨어뜨리지 않으면서도 벡터 사이즈를 최소화할 수 있는 특징 벡터의 구성 요소를 찾아내는 것도 실시간 분류 및 인증을 위해서 추가적인 연구가 필요 하다. 또한 제시한 지문 유형 분류는 지문 인식을 위한 전처리 과정의 하나인데 최종 지문 인식의 성공은 분류 방법의 정확도와 오탐률에 크게 의존하므로 이에 대한 면밀한 분석 연구가 요구된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.