[논문]특징점간의 벡터 유사도 정합을 이용한 손가락 관절문 인증

김민기

doi:10.9717/kmms.2013.16.9.1057

특징점간의 벡터 유사도 정합을 이용한 손가락 관절문 인증
Finger-Knuckle-Print Verification Using Vector Similarity Matching of Keypoints 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.16 no.9, 2013년, pp.1057 - 1066

초록
AI-Helper

손가락 관절문(FKP, finger-knuckle-print)을 이용한 개인 인증은 손가락 관절부에 나타나는 주름의 특징을 이용하는 것으로, 텍스처의 방향 정보가 중요한 특징이 된다. 본 논문에서는 SIFT 알고리즘을 이용하여 특징점들을 추출하고, 벡터 유사도 정합을 통해 FKP를 효과적으로 인증할 수 있는 방법을 제안하다. 벡터는 질의 영상에서 추출한 특징점과 이에 대응되는 참조 영상의 특징점을 연결하는 방향 벡터로 정의된다. 국소적인 특징점 쌍으로부터 방향 벡터를 생성하기 때문에 방향 벡터 자체는 국소적인 특징만을 나타내지만, 두 영상 간에 존재하는 다른 벡터들 간의 유사도를 비교함으로써 전역적인 특징으로 확장되는 장점이 있다. 실험결과 제안하는 방법은 기존의 방향코드를 이용한 다양한 방식에 비하여 우수한 성능을 나타내었다.

Abstract ▼ AI-Helper

Personal verification using finger-knuckle-print(FKP) uses lines and creases at the finger-knuckle area, so the orientation information of texture is an important feature. In this paper, we propose an effective FKP verification method which extracts keypoints using SIFT algorithm and matches the keypoints by vector similarity. The vector is defined as a direction vector which connects a keypoint extracted from a query image and a corresponding keypoint extracted from a reference image. Since the direction vector is created by a pair of local keypoints, the direction vector itself represents only a local feature. However, it has an advantage of expanding a local feature to a global feature by comparing the vector similarity among vectors in two images. The experimental results show that the proposed method is superior to the previous methods based on orientation codes.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 SIFT 알고리즘을 이용하여 특징점들을 추출하고 이를 효과적으로 정합할 수 있는 벡터 유사도 기법을 제안하다. 특징점 추출을 위하여 SIFT 알고리즘을 선택한 이유는 FKP 영상에 나타나는 이동, 회전, 크기 변형에 강인한 특징점을 효과적으로 추출할 수 있기 때문이다.
특징점을 정합할 때 식 (9)와 식 (10)에 제시된 T_r과 T_d 그리고 두 영상간의 벡터 유사도를 측정을 위한 식 (12)의 T_s이다. 본 논문에서는 각 임계값이 FKP 인증 성능에 어떤 영향을 미치는가를 조사하기 위하여 임계값을 변화시켜가면서 FKP 인증 실험을 실시하였다. 이 실험에서는 각 데이터 중 첫 번째 영상을 질의 영상으로 사용하고, 나머지 데이터를 참조 영상으로 사용하였다.
본 논문에서는 이동 및 회전 변형에 강인한 특징점을 기반으로 방향 벡터를 정의하고, 벡터들 간의 유사도를 확장하여 FKP를 인증하는 방법을 제안하였다. 제안하는 방법은 SIFT 알고리즘을 이용하여 특징점을 추출하였으며, 가장 가까운 두 특징점들 간의 거리 비율과 추출된 특징점 쌍 간의 기하학적 거리 제한을 통해 대응하는 특징점 쌍을 효과적으로 추출할 수 있었다.
생체인식 시스템은 질의 영상에서 추출한 특징과 시스템에 등록된 해당 사용자의 특징을 정합하여 개인의 진위 여부를 판정하는데, 진짜 사용자가 인증을 시도할 때 발생하는 정합을 참 정합(genuine matching)이라고 하고, 가짜 사용자가 인증을 시도할 때 이루어지는 정합을 허위 정합(imposter matching)이라고 한다. 본 논문에서는 특징점 쌍들로부터 생성되는 방향 벡터의 유사도를 이용하여 FKP를 인증하는 방법을 제안하다. SIFT 알고리즘에 의해 질의 영상에서 추출된 특징점들은 이미 데이터베이스에 저장된 참조 영상의 특징점들과 쌍을 이루게 되고, 이들 특징점 쌍을 연결하는 방향 벡터를 생성한다.

제안 방법

또한 FKP에 나타나는 주름의 특징을 효과적으로 추출하기 위해서는 주름의 방향 정보가 두드러지도록 영상을 개선할 필요가 있다[11]. Gabor 필터는 특정 방향의 성분을 강조하는데 매우 효과적이기 때문에 본 연구에서는 식 (1)에 제시된 2차원 Gabor 필터를 이용하여 주름의 방향 정보가 잘 드러나도록 하였다.
EER는 인증시스템에 등록되지 않은 사람을 등록된 사람으로 판단하는 오수락률(FAR, false acceptance rate)이 등록자 사용자를 거부하는 오거부율(FRR, false rejection rate)과 일치하는 시점의 오인식률로 생체인식 시스템의 사용자 인증 성능을 측정하는 대표적인 척도이다. T_d값을 64로 설정한 후, 특징점 정합을 위한 임계값 T_r과 벡터 유사도 판단을 위한 임계값 T_s의 다양한 조합에 대하여 실험을 수행하였다. 실험 결과 그림 8에 제시된 바와 같이 T_r=0.
제안하는 FKP 인증 방법의 성능을 기존 연구 결과와 비교하기 위하여, Kumar and Zhou [7]의 실험 방식과 동일하게 실험을 실시하였다. 각 클래스의 영상 중 번갈아 가면서 한 개를 질의 영상으로 하고, 나머지는 참조 영상으로 설정하여 교차인증 실험을 수행하였다. 그림 9는 교차인증 실험을 통해 얻은 수신자 조작 특성(ROC, receiver operating characteristic) 곡선을 제시한 것이다.
끝으로 주름에 나타나는 에지의 요철을 제거하기 위하여 평활화된 영상에 5×5 평균 필터를 적용하여 스무딩(smoothing)을 수행 하였다.
세 가지 기존 방식에 대한 성능 측정 결과는 Kumar & Zho의 연구[7]에서 보고된 것으로 KnuckleCodes(Radon)의 성능과 함께 CompCode[4]를 FKP에 적용한 KnuckleCodes(Gabor)와 부공간(subspace) 방식의 EigenKnuckles[17] 특징을 구현하여 제시한 것이다.
특징점 정합을 통해 질의 영상의 특징점들과 일대일로 대응되는 참조 영상의 특징점들을 추출하였다. 이제 질의 영상에 존재하는 특징점을 시점으로 하고, 참조 영상에 나타나는 대응되는 특징점을 종점으로 하는 방향 벡터를 정의할 수 있다.

대상 데이터

실험에 사용된 FKP 영상은 인도 IITD 대학에서 디지털 카메라를 이용하여 구축한 데이터베이스이다. 이 데이터베이스는 IITD 대학의 학생과 교직원 158명으로부터 각각 5장씩 손등을 촬영하여 관심영역인 손가락 관절부를 추출한 것으로, 총 790개의 영상으로 구성되어 있다[16].
실험에 사용된 FKP 영상은 인도 IITD 대학에서 디지털 카메라를 이용하여 구축한 데이터베이스이다. 이 데이터베이스는 IITD 대학의 학생과 교직원 158명으로부터 각각 5장씩 손등을 촬영하여 관심영역인 손가락 관절부를 추출한 것으로, 총 790개의 영상으로 구성되어 있다[16]. 그림 7은 IITD 데이터베이스에서 3명에서 추출한 FKP 영상 표본들이다.
본 논문에서는 각 임계값이 FKP 인증 성능에 어떤 영향을 미치는가를 조사하기 위하여 임계값을 변화시켜가면서 FKP 인증 실험을 실시하였다. 이 실험에서는 각 데이터 중 첫 번째 영상을 질의 영상으로 사용하고, 나머지 데이터를 참조 영상으로 사용하였다. T_d값은 질의 영상과 참조 영상의 위치 변이를 흡수할 수 있는 범위를 나타내는 것으로, T_d값을 8, 16, 32, 64로 변화시켜 가면서 실험한 결과 T_d값이 64일 때 동일 오류율(EER, equal error rate)이 낮게 나타났다.

이론/모형

이 영상은 직류 성분이 영이기 때문에 명도 대비가 낮게 나타나게 된다. 따라서 이를 향상시키기 위하여 히스토그램 평활화(equalization)를 수행하였다. 그림 2(c)는 평활화 후의 영상으로 명도 대비가 개선되었음을 알 수 있다.
SIFT 알고리즘은 각 단계별로 여러 파라미터를 갖는데, 파라미터에 따라 알고리즘의 성능이 좌우되므로 파라미터를 적절하게 설정하여야 한다. 본 논문에서는 Lowe의 연구[12]에서 제시된 주요 파라미터 값을 준용하였다. 초기 가우시안 스무딩을 위한 σ=1.
제안하는 FKP 인증 방법의 성능을 기존 연구 결과와 비교하기 위하여, Kumar and Zhou [7]의 실험 방식과 동일하게 실험을 실시하였다. 각 클래스의 영상 중 번갈아 가면서 한 개를 질의 영상으로 하고, 나머지는 참조 영상으로 설정하여 교차인증 실험을 수행하였다.

성능/효과

원 영상에 바로 SIFT 알고리즘을 적용할 경우 그림 3(a)에 나타난 바와 같이 특징점이 전혀 추출되지 않았다. 그러나 Gabor 필터링, 평활화, 스무딩 과정을 거치면서 영상의 전체 영역에서 특징점들이 안정적으로 추출되었음을 확인할 수 있다.
ROC 곡선은 오수락률의 변화에 따른 본인수락률(GAR, genuine acceptance rate)을 나타낸 것으로 생체인식 시스템의 특성을 보여주기 위하여 널리 사용된다. 범례에 제시된 FKPn은 각 클래스의 영상 중 n번째 영상을 질의 영상으로 실험하였을 때의 결과를 나타낸 것으로, 첫 번째와 다섯 번째 영상이 속한 그룹이 다른 것에 비하여 본인수락률이 낮게 나타났다.
세 가지 기존 방식에 대한 성능 측정 결과는 Kumar & Zho의 연구[7]에서 보고된 것으로 KnuckleCodes(Radon)의 성능과 함께 CompCode[4]를 FKP에 적용한 KnuckleCodes(Gabor)와 부공간(subspace) 방식의 EigenKnuckles[17] 특징을 구현하여 제시한 것이다. 본 논문에서 제안하는 벡터 유사도 정합 방식은 표 1에 제시된 세 가지 기존 방식에 비하여 동일 오류율 평균과 표준편차가 낮게 나타나 FKP 인증에 보다 효과적임을 확인할 수 있다. 인증 시스템 Si와 Sj의 동일 오류율이 각각 EER_i, EER_j일 때 시스템 Si의 성능 향상도를 식 (13)에 의해 정량적으로 계산하였을 때, 제안된 방식은 기존 방식 중 가장 좋은 성능을 보인 KnuckleCodes(Radon)에 비하여 11.
또한 제안하는 정합 방식은 여타의 다른 특징점들도 동일한 방식으로 적용할 수 있는 일반성을 갖고 있다. 실험결과 제안하는 방법은 방향코드를 이용한 기존의 정합방식에 비하여 우수한 성능을 나타내었으며, 라돈 변환을 이용한 KnuckleCodes에 비하여 동일 오류율이 11.8% 향상되었다. 후속 연구에서는 제안된 FKP 인증 방법을 다른 생체인식 분야에 적용하여 제안된 방식의 확장성을 실험을 통해 확인할 계획이다.
al [8]은 적응적으로 조절이 가능한 필터를 통해 국부 방향 정보를 추출하고, 이를 다중레벨 히스토그램 임계값을 통해 양자화한 ASOC(adaptive steerable orientation coding)를 제안하였다. 이와 같이 새롭게 제안된 방향코드들은 기존의 CompCode에 비하여 다소의 성능 향상을 나타내었지만, 장문 인증 연구에서 나타난 결과와 비교해 보면 동일 오류율(EER, equal error rate)이 높게 나타난 것을 알 수 있다. 이것은 방향코드가 각 화소 주위의 국소 윈도우내에서 추출된 방향 정보를 특징으로 하기 때문에 이동이나 회전 변형에 취약한 단점을 반영하는 것으로 볼 수 있다.
본 논문에서 제안하는 벡터 유사도 정합 방식은 표 1에 제시된 세 가지 기존 방식에 비하여 동일 오류율 평균과 표준편차가 낮게 나타나 FKP 인증에 보다 효과적임을 확인할 수 있다. 인증 시스템 Si와 Sj의 동일 오류율이 각각 EER_i, EER_j일 때 시스템 Si의 성능 향상도를 식 (13)에 의해 정량적으로 계산하였을 때, 제안된 방식은 기존 방식 중 가장 좋은 성능을 보인 KnuckleCodes(Radon)에 비하여 11.8%의 성능이 향상된 것으로 나타났다.
본 논문에서는 이동 및 회전 변형에 강인한 특징점을 기반으로 방향 벡터를 정의하고, 벡터들 간의 유사도를 확장하여 FKP를 인증하는 방법을 제안하였다. 제안하는 방법은 SIFT 알고리즘을 이용하여 특징점을 추출하였으며, 가장 가까운 두 특징점들 간의 거리 비율과 추출된 특징점 쌍 간의 기하학적 거리 제한을 통해 대응하는 특징점 쌍을 효과적으로 추출할 수 있었다. 질의 영상과 참조 영상에서 추출된 국소적인 특징점 쌍으로부터 방향 벡터를 생성하기 때문에 방향 벡터 자체는 국소적인 특징만을 나타내지만, 두 영상 간에 존재하는 다른 벡터들 간의 유사도를 비교함으로써 전역적인 특징으로 확장되는 장점이 있다.
질의 영상에 따라 동일 오류율은 0.08%～3.16%로 나타났고 동일 오류율 평균은 1.02%였다. 표 1은 동일한 영상 데이터베이스를 이용한 기존 연구 결과[7]와 제안하는 방법의 성능을 비교하여 제시한 것이다.

후속연구

여타의 영상처리 응용에서와 마찬가지로 전처리는 후속되는 특징 추출 및 인식 과정의 성능을 좌우하는 부분이다. 본 연구에서 사용한 FKP 영상은 불균일한 밝기와 낮은 대비를 나타내기 때문에 전처리를 통한 영상 개선이 요구된다. 또한 FKP에 나타나는 주름의 특징을 효과적으로 추출하기 위해서는 주름의 방향 정보가 두드러지도록 영상을 개선할 필요가 있다[11].
8% 향상되었다. 후속 연구에서는 제안된 FKP 인증 방법을 다른 생체인식 분야에 적용하여 제안된 방식의 확장성을 실험을 통해 확인할 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	생체인식이라는 용어는 어디서 유래했는가?	생체인식(biometrics)이라는 용어는 생명체를 의미하는 bios와 측정이라는 의미의 metrikos라는 그리스어에서 유래한다[1]. 생체인식은 개인의 신체적 특징이나 행위적 특징에 의하여 나타나는 고유한 정보를 이용하여 사용자를 인증하는 연구 분야이다.
	생체인식이 갖고 있는 신체적 특징가 행위적 특징은 무엇인가?	생체인식은 개인의 신체적 특징이나 행위적 특징에 의하여 나타나는 고유한 정보를 이용하여 사용자를 인증하는 연구 분야이다. 지문(fingerprint), 얼굴(face), 홍채(iris), 정맥(vein), 장문(palmprint), 손가락 관절문(FKP, finger-knuckleprint) 등은 개인의 고유한 신체적 특징이고, 억양(tone), 키스트로크(key stroke), 걸음걸이(gait) 등은 행위적 특징이라고 볼 수 있다. 생체인식 기술은 열쇠나 비밀번호와는 달리 분실이나 복제의 위험성이 없고 편리하게 이용할 수 있기 때문에 보안 분야에 매우 유용하다.
	손가락 관절문을 이용한 개인 인증은 무엇을 이용하는가?	손가락 관절문(FKP, finger-knuckle-print)을 이용한 개인 인증은 손가락 관절부에 나타나는 주름의 특징을 이용하는 것으로, 텍스처의 방향 정보가 중요한 특징이 된다. 본 논문에서는 SIFT 알고리즘을 이용하여 특징점들을 추출하고, 벡터 유사도 정합을 통해 FKP를 효과적으로 인증할 수 있는 방법을 제안하다.

참고문헌 (17)

K. Delac and M. Grgic, "A Survey of Biometric Recognition Methods," Proc. of International Symposium Electronics in Marine , pp. 184-193, 2004.
A.H. Mir, S. Rubab, and Z.A. Jhat, "Biometrics Verification: A Literature Survey," International Journal of Computing and ICT Research, Vol. 5, No. 2, pp. 67-80, 2011.
김희승, 배병규, "손가락 면 영상 판별에 의한 개인 식별 연구," 멀티미디어학회논문지, 제13 권, 제3호, pp. 378-391, 2010.
A. Kong and D. Zhang, "Competitive Coding Scheme for Palmprint Verification," Proc. of 17th ICPR, pp. 520-523, 2004.
L. Zhang, L. Zhang, D. Zhang, and H. Zhu, "Online Finger-knuckle-print Verification for Personal Authentication," Pattern Recognition, Vol. 43, No. 7, pp. 2560-2571, 2010.

상세보기
L. Zhang, L. Zhang, and D. Zhang, "MonogenicCode: A Novel Fast Feature Coding Algorithm with Applications to Finger- Knuckle-Print Recognition," Proc. of International Workshop on Emerging Techniques and Challenges for Hand-Based Biometrics, pp. 1-4, 2010.
A. Kumar and Y. Zhou, "Personal Identification using finger knuckle orientation features," Electronics Letters, Vol. 45, No. 20, pp. 1023-1025, 2009.

상세보기
Z. Li, K. Wang, and W. Zuo, "Finger-Knuckle- Print Recognition using Local Orientation Feature Based on Steerable Filter," Communications in Computer and Information Science, Vol. 304, pp. 224-230, 2012.

상세보기
S. Aoyama, K. Ito, and T. Aoki, "Fingerknuckle- print Recognition using BLPOCbased local block matching," Proc. of the Asian Conference on Pattern Recognition, pp. 525-529, 2011.
L. Zhang, L. Zhang, D. Zhang, and H. Zhu, "Ensemble of Local and Global Information for Finger-knuckle-print Recognition," Pattern Recognition, Vol. 44, No. 9, pp. 1990-1998, 2011.

상세보기
A. Morales, C.M. Travieso, M.A. Ferrer, and J.B. Alonso, "Improved Finger-knuckle-print Authentication Based on Orientation Enhancement," Electronics Letters, Vol. 47, No. 6, pp. 380-381, 2011.

상세보기
D.G. Lowe, "Distinctive Image Features from Scale-Invariant Keypoints," International Journal of Computer Vision, Vol. 60, No. 2, pp. 91-110, 2004.

상세보기
Z. Le-qing, "Finger Knuckle Print Recognition Based on SURF Algorithm," Proc. of International Conference on Fuzzy Systems and Knowledge Discovery, pp. 1879- 1883, 2011.
H. Bay, A. Ess, T. Tuyellaars, and L.V. Gool, "Speeded-Up Robust Features (SURF)," Computer Vision and Image Understanding, Vol. 110, No. 3, pp. 346-359, 2008.

상세보기
G.S. Badrinath, A. Nigam, and P. Gupta, "An Efficient Finger-knuckle-print Based on Recognition System Fusing SIFT and SURF Matching Scores," Proc. of International Conference on Information and Communications Security, pp. 374-387, 2011.
http://www4.comp.polyu.edu.hk/-csajaykr/ IITD/iitd_knuckle.htm, IIT Delhi Finger Knuckle Database Version 1.0, 2009.
A. Kumar and C. Ravikanth, "Personal Authentication using Finger Knuckle Surface," IEEE Trans. on Information Forensics and Security, Vol. 4, No. 1, pp. 98-110, 2009.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증