[논문]지문분류 기술 동향 분석

정혜욱; 이승

doi:10.5392/jkca.2017.17.09.132

지문분류 기술 동향 분석
Technical Trend Analysis of Fingerprint Classification 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.17 no.9, 2017년, pp.132 - 144

정혜욱 (성균관대학교 정보통신대학) , 이승 (성균관대학교 정보통신대학)

초록
AI-Helper

대용량 지문 데이터베이스를 사용하는 지문인식 시스템에서 처리 속도와 정확성을 높이기 위해서는 지문을 클래스별로 카테고리화하는 지문분류 기술을 사용해야 한다. 지문분류 방법은 지문 융선으로부터 특징을 추출하고 지문 융선의 흐름과 형상에 따라 정의되어 있는 클래스를 기준으로 학습 및 추론 기법을 이용하여 분류한다. 기존에는 종이에 회전 날인하여 습득된 NIST 데이터베이스를 이용한 연구가 많이 수행되었지만, 지문인식 입력 센서를 이용한 자동화된 시스템이 보편화됨에 따라 FVC에서 공개한 지문 데이터와 같이 센서로부터 입력된 지문 이미지를 이용한 연구가 증가하고 있으며, 최근에는 딥러닝을 이용한 지문분류 방법이 제안되고 있다. 본 논문에서는 지문분류를 위한 특징 추출 및 분류 기술의 동향을 살펴보고 분류성능을 비교한다. 또한 센서 기반 지문 이미지의 다양한 품질을 고려한 지문분류 기술 연구의 필요성에 대하여 정리하고, 딥러닝 기술을 적용한 지문분류 방법을 분석해 봄으로써 지속적으로 사용이 증가되고 있는 대용량 지문 데이터베이스의 분류 기술 연구에 대한 성능향상에 보탬이 되고자 한다.

Abstract ▼ AI-Helper

The fingerprint classification of categorizing fingerprints by classes should be used in order to improve the processing speed and accuracy in a fingerprint recognition system using a large database. The fingerprint classification methods extract features from the fingerprint ridges of a fingerprint and classify the fingerprint using learning and reasoning techniques based on the classes defined according to the flow and shape of the fingerprint ridges. In earlier days, many researches have been conducted using NIST database acquired by pressing or rolling finger against a paper. However, as automated systems using live-scan scanners for fingerprint recognition have become popular, researches using fingerprint images obtained by live-scan scanners, such as fingerprint data provided by FVC, are increasing. And these days the methods of fingerprint classification using Deep Learning have proposed. In this paper, we investigate the trends of fingerprint classification technology and compare the classification performance of the technology. We desire to assist fingerprint classification research with increasing large fingerprint database in improving the performance by mentioning the necessity of fingerprint classification research with consideration for fingerprint images based on live-scan scanners and analyzing fingerprint classification using deep learning.

주제어

표/그림 (18)

그림 그림 1. 지문의 클래스
그림 그림 3. 지문 융선의 주파수특성
그림 그림 2. Poincare index 방법
그림 그림 4. 클래스별 융선의 전역적 구조
그림 그림 5. 지문의 관계형 그래프
그림 그림 6. 커널 계층 (a) 4클래스, (b)5클래스
그림 그림 7. 지문의 융선패턴
그림 그림 8. 지문 융선의 방향 값 추적 과정
그림 그림 9. 지문이미지의 4개 관심영역
그림 그림 10. 지문 융선의 흐름 변화(a)Left Loop (b)Right Loop
표 표 1. 특징 추출 부류에 따른 특징 추출 기술 요소
표 표 2. 클래스별 특징 요소
그림 그림 11. (a)Right, (b)Right, (c)Left Loop
그림 그림 12. 코어블록 마코프모델의 학습과정
그림 그림 13. 지문데이터베이스 (a)NIST 4, (b)FCV2002
표 표 3. NIST 4 데이터베이스를 사용한 지문분류 결과
그림 그림 14. 불완전하게 습득된 지문이미지[9]
표 표 4. FVC 데이터베이스를 사용한 지문분류 결과

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 지문분류의 필요성을 강조하고, 지금까지 연구되어 온 대표적인 지문분류 기술들의 특징과 방법들을 제시 및 비교함으로써 이 분야를 연구하고자 하는 연구자들에서 도움을 주고자 한다. 또한, 보다 개선된 지문분류 기술의 개발을 위해 지문분류 분야에서 아직 해결되지 않은 문제들을 제시한다. 2장에서는 지문 이미지로부터 특징을 추출하는 방법을 기술하고, 3장에서는 지문을 분류하기 위한 분류기술에 대해 알아본다.
본 논문에서 수십 년간 연구되고 있으며 현재도 연구가 진행 중인 지문분류 시스템에 관련된 다양한 특징 추출 기술과 분류 기법을 검토하고 지문 분류 기술의 성능을 비교해보았다.
본 논문에서는 지문분류의 필요성을 강조하고, 지금까지 연구되어 온 대표적인 지문분류 기술들의 특징과 방법들을 제시 및 비교함으로써 이 분야를 연구하고자 하는 연구자들에서 도움을 주고자 한다. 또한, 보다 개선된 지문분류 기술의 개발을 위해 지문분류 분야에서 아직 해결되지 않은 문제들을 제시한다.

제안 방법

지문분류에 사용된 특징은 특이점 정보(개수, 위치) 보다 융선의 방향 정보를 이용하여 필터링 하거나 분포 측정을 통해 추출한 방향 값이 많았다. 또한 지문의 중심위치인 중심점을 추출하고 방향 정보와 혼합한 융선 패턴을 정의하여 특징으로 사용하였다.
그리고 Michelsanti 등은 기존의 지문분류 방법이 가진 특징 추출을 위해 특징을 선택하는 문제와 분류를 적용함에 있어 실시간 문제를 해결하고자 CNN(Convolutional Neural Network)을 지문분류에 적용하였다[44]. 여기서 사용된 CNN 아키텍처는 VGGNet을 사용하였으며, VGGNet의 변종인 VGG-F와 VGG-S, 두 개를 독립적으로 학습시켰다. NIST 4 데이터베이스에 대한 VGG-F와 VGG-S의 인식률은 각각 94.
지문 융선의 방향 성분은 로컬한 범위에서 N×M 크기의 방향 맵(orientation map)을 생성하여 블록(block) 단위로 대표 방향 값을 추출하거나 분할된 영역의 방향 분포를 산출하여 특징을 분석하고 추출하는데 사용한다.
지문분류 성능을 측정하기 위한 클래스의 개수는 Arch와 Tented Arch를 합한 4개(Arch, Left Loop, Right Loop, Whorl)의 클래스를 사용하거나 두 클래스를 분리하여 5개(Arch, Tented Arch, Left Loop, Right Loop, Whorl)로 나누었다. 4개 또는 5개 클래스에 대하여 모두 실험을 한 경우 4개의 클래스에 대한 분류 정확도가 더 높게 나왔다[7][10][24][33].
지문분류를 위한 특징은 지문의 방향 성분과 특이점이 분포되어 있는 융선의 전역 패턴(Global Pattern)을 분석하여 추출된다. 특징 추출방법은 특이점 추출, 주파수 특성 분석, 융선의 구조적 패턴 분석, 방향 성분을 분석하는 방법이 있다.
특이점은 지문분류의 정확도를 높이기 위하여 지문의 특이점 또는 이와 유사한 reference point의 위치를 추출하고, 추출된 위치와 융선 방향 값과의 관계를 이용하는 혼합된 특징을 기반으로 한 분류방법이 제안되었다. Kawagoe와 Tojo는 Poincare index 방법을 개발하여 특이점의 위치와 유형을 찾고, 융선의 흐름에 대한 추적 기법을 이용하여 구조적인 접근방법으로 지문 분류를 수행하였다[6].

대상 데이터

FVC2000[39], 2002[40], 2004[41]는 세계 지문인식 기술대회 FVC(Fingerprint Verification Competition)에 사용되어진 지문데이터이다. 각 데이터베이스는 880개의 지문 이미지로 구성된 DB1에서 DB4까지 4개의 set으로 되어있고, 한 사람이 8번씩 서로 다르게 입력한 지문으로 구성되어 있다.
지문분류 방법의 성능 평가를 위한 실험 데이터는 NIST와 FVC에 공개된 지문 데이터베이스가 사용되었다[2][3].

이론/모형

특이점은 Poincare index 방법을 이용하여 융선의 방향 필드에서 한 점을 중심으로 인접한 곡선을 따라 벡터 방향의 변화를 합산하여 추출된다. 융선의 주파수 특성분석을 통한 특징 추출은 푸리에 변환(Fourier Transform)과 가보필터(Gabor Filters)와 같은 주파수 분석 방법을 사용한다. 지문의 구조적 특징을 추출하는 방법은 융선의 흐름을 기하학적인 구조로 모델링하거나 유사한 형태를 보이는 융선들을 그룹화하고 대표 융선으로 재정의하여 지문분류의 특징으로 사용한다.
특징 추출방법은 특이점 추출, 주파수 특성 분석, 융선의 구조적 패턴 분석, 방향 성분을 분석하는 방법이 있다. 특이점은 Poincare index 방법을 이용하여 융선의 방향 필드에서 한 점을 중심으로 인접한 곡선을 따라 벡터 방향의 변화를 합산하여 추출된다. 융선의 주파수 특성분석을 통한 특징 추출은 푸리에 변환(Fourier Transform)과 가보필터(Gabor Filters)와 같은 주파수 분석 방법을 사용한다.

성능/효과

여기서 사용된 CNN 아키텍처는 VGGNet을 사용하였으며, VGGNet의 변종인 VGG-F와 VGG-S, 두 개를 독립적으로 학습시켰다. NIST 4 데이터베이스에 대한 VGG-F와 VGG-S의 인식률은 각각 94.4%와 95.05%이었으며, 각각의 실행 시간은 39ms와 77ms로 실시간성을 만족함을 보였다. 이와 같이 딥러닝이 적용된 지문 분류 기술의 성능을 보면, 향후 더욱 다양한 딥러닝 알고리즘이 지문분류 기술에 적용될 수 있는 가능성을 확인할 수 있으며, 자동화된 특징 추출 방법과 분류기술의 실시간성 만족을 통해 지문분류 기술의 성능이 개선되고 그 활용성이 더 넓어질 것으로 예상된다.
지금까지 연구되어온 지문분류 결과를 비교한 결과 NIST 4와 FVC 데이터베이스에 대하여 높은 정확도로 분류됨을 확인할 수 있었다. 또한 지문분류에 사용하는 특징(특이점, 중심점, 융선의 방향성 등)을 두 개 이상 사용할 경우 보다 높은 분류 정확도를 보였다. 그러나 아직도 지문 정보를 획득하는 환경이나 예외적인 상황 (잡음, 쪽지문, 끊김현상 등)을 고려한 지문분류 기술 개발이 필요하다[42].
지금까지 연구되어온 지문분류 결과를 비교한 결과 NIST 4와 FVC 데이터베이스에 대하여 높은 정확도로 분류됨을 확인할 수 있었다. 또한 지문분류에 사용하는 특징(특이점, 중심점, 융선의 방향성 등)을 두 개 이상 사용할 경우 보다 높은 분류 정확도를 보였다.

후속연구

최근에는 대용량 데이터처리에서 좋은 성능을 보이고 있는 딥러닝 기술을 적용한 연구 방법들이 발표되고 있으며, 향후에는 센서 또한 발전되어 센서 자체에서 얻을 수 있는 지문의 품질이 좋아질 것으로 예상할 수 있으나, 지문의 활용도 또한 지금보다 더욱 확대될 것으로 보이기 때문에 지금까지 알려진 지문의 불완전 요소들보다 더욱 다양하고 많은 예외적인 상황들이 발생할 것이다. 따라서 앞으로 발생할 이런 예외적인 상황들에 잘 대처하기 위해서는 불완전한 지문에 대한 분류에 관한 연구가 지속적으로 이루어질 필요가 있다.
05%이었으며, 각각의 실행 시간은 39ms와 77ms로 실시간성을 만족함을 보였다. 이와 같이 딥러닝이 적용된 지문 분류 기술의 성능을 보면, 향후 더욱 다양한 딥러닝 알고리즘이 지문분류 기술에 적용될 수 있는 가능성을 확인할 수 있으며, 자동화된 특징 추출 방법과 분류기술의 실시간성 만족을 통해 지문분류 기술의 성능이 개선되고 그 활용성이 더 넓어질 것으로 예상된다.
최근에는 대용량 데이터처리에서 좋은 성능을 보이고 있는 딥러닝 기술을 적용한 연구 방법들이 발표되고 있으며, 향후에는 센서 또한 발전되어 센서 자체에서 얻을 수 있는 지문의 품질이 좋아질 것으로 예상할 수 있으나, 지문의 활용도 또한 지금보다 더욱 확대될 것으로 보이기 때문에 지금까지 알려진 지문의 불완전 요소들보다 더욱 다양하고 많은 예외적인 상황들이 발생할 것이다. 따라서 앞으로 발생할 이런 예외적인 상황들에 잘 대처하기 위해서는 불완전한 지문에 대한 분류에 관한 연구가 지속적으로 이루어질 필요가 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	일반적으로 지문의 특징으로는 무엇을 사용하는가?	특징은 지문 융선(Ridge)에 나타나는 특징요소를 정의하고, 영상처리 기법 등을 이용하여 전처리 과정을 거친 후 추출된다. 지문의 특징은 일반적으로 융선의 방향(Orientation)과 특이점(Singularity)을 사용하고, 특이점의 경우 융선의 방향 변화가 가장 급격한 중심점 (Core)과 융선의 흐름이 세 가지 방향으로 나타나는 삼각점(Delta)의 위치와 개수 정보를 이용하여 클래스별로 특징을 정의한다.
	자동지문인식시스템이 지문분류과정을 필수적으로 포함하는 이유는 무엇인가?	이러한 자동지문인식시스템은 대용량 지문데이터베이스를 사용하기 때문에 처리속도와 정확도를 높이기 위하여 1차적으로 지문의 형상을 클래스별로 분류하는 지문분류과정을 필수적으로 포함하고 있다.
	지문 융선의 전역적인 구조는 클래스에 따라 어떻게 나타나는가?	지문 융선의 전역적(Global)인 구조는 클래스별로 서로 다르다. 중심점 주변의 융선 흐름을 관찰해보면 Arch와 Tented Arch 클래스는 융선이 시작되는 위치와 끝나는 위치가 서로 반대되는 방향에 존재한다. Left, Right 클래스의 경우 중심점 주변 전역적인 융선 흐름의 특성은 오른쪽 또는 왼쪽 방향의 루프 형태의 패턴을 가지고 있다. Whorl 클래스는 중심점 위치에서 부터 외곽으로 나선형 모양의 융선 구조를 나타낸다. [그림 4]는 클래스별 지문 융선의 전역적(Global) 구조를 나타낸다.

참고문헌 (44)

E. Henry, Classification and Use of Fingerprint, Routledge, London, 1900.
D. Maltoni, D. Maio, A. Jain, and S. Prabhakar, Handbook of Fingerprint Recognition, Springer, 2003.
D. Maltoni, D. Maio, A. Jain, and S. Prabhakar,Handbook of Fingerprint Recognition, Springer,2009.
K. Nilsson and J. Bigun, "Prominent symmetry points as landmarks in fingerprint images for alignment," Proceedings of ICPR, pp.395-398, 2002.
G. Drets and H. Lijenstrom, "Fingerprint sub-classification: a neural network approach," Intelligent biometric techniques in fingerprint and face recognition, pp.109-134, 1999.

상세보기
M. Kawagoe and A. Tojo, "Fingerprint pattern classification," Pattern Recognition, Vol.17, No.3, pp.295-303, 1984.

상세보기
C. Park and H. Park, "Fingerprint classification using fast Fourier transform and nonlinear discriminant analysis," Pattern Recognition, Vol.38, No.4, pp.495-503, 2005.

상세보기
A. Fitz and R. Green, "Fingerprint classification using a hexagonal fast fourier transform," Pattern Recognition, Vol.29, No.10, pp.1587-1597, 1996.

상세보기
H. Jung and J. Lee, "Noisy and incomplete fingerprint classification using local ridge distribution models," Pattern Recognition, Vol.48, No.2, pp.473-484, 2015.

상세보기
A. Jain, S. Prabhakarl and L. Hong, "A Multichannel Approach to Fingerprint Classification," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.21, No.4, pp.348-359, 1999.

상세보기
M. Chong, T. Ngee, L. Jun, and R. Gay, "Geometric framework for fingerprint image classification," Pattern Recognition, Vol.30, No.9, pp.1475-1488, 1997.

상세보기
D. Maio and D. Maltoni, "A structural approach to fingerprint classification," Proceeding International Conference on Pattern Recognition, pp.578-585, 1996.
A. Jain and S. Minut, "Hierarchical kernel fitting for fingerprint classification and alignment," Proceeding International Conference on Pattern Recognition, pp.469-473, 2002.

상세보기
J. Chang and K. Fan, "A new model for fingerprint classification by ridge distribution sequences," Pattern Recognition, Vol.35, No.6, pp.1209-1223, 2002.

상세보기
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.

상세보기
A. Bazen and S. Gerez, "Systematic methods for the computation of the direction fields and singular points of fingerprints," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.24, No.7, pp.905-919, 2002.

상세보기
M. Kass and A. Witkin, "Analyzing Oriented Patterns," Computer Vision Graphics Image Processing, Vol.37, No.3, pp.362-385, 1987.

상세보기
B. Mehtre, N. Murthy, S. Kapoor, and B. Chatterjee, "Segmentation of fingerprint images using the directional image," Pattern Recognition, Vol.20, No.4, pp.429-435, 1987.

상세보기
G. Candela, P. Grother, C. Watson, R. Wilkinson, and C. Wilson, "PCASYS-a pattern-level classification automation system for fingerprints," National Institute of Standards and Technology, NISTIR 5647, 1995.
U. Halici and G. Ongun, "Fingerprint classification through self organizing feature maps modified to treat uncertainties," Proceedings of the IEEE, Vol.84, 1996.

상세보기
W. Shalash and F. Abou-Chadi, "A fingerprint classification technique using multilayer SOM," Proceedings of the Seventeenth National Radio Science Conference, Egypt, 2000.
H. Jung and J. Lee, "Fingerprint classification using the stochastic approach of ridge direction information," Proceedings of the IEEE International Conference, FUZZ-IEEE, 2009.

상세보기
K. Karu and A. Jain, "Fingerprint classification," Pattern Recognition, Vol.29, No.3, pp.389-404, 1996.

상세보기
I. Msiza, B. Leke-Betechuoh, F. Nelwamondo, and N. Msimang, "A Fingerprint Pattern Classification Approach Based on the Coordinate Geometry of Singularities," Proceedings of the IEEE International Conference, Systems, Man, and Cybernetic, pp.510-517, 2009.

상세보기
H. Nyongesa, S. khayatt, S. Mohamed, and M. Mahmoud, "Fast robust fingerprint feature extraction and classification," Intelligent and Robotic Systems, Vol.40, No.1, pp.103-112, 2004.

상세보기
X. Wang, F. Wang, J. Fan, and J. Wang, "Fingerprint classification based on continuous orientation field and singular points," Proceedings of the IEEE International Conference, Intelligent Computing and Intelligent Systems, pp.189-193, 2009.
C. Rao and K. Black, "Type classification of fingerprints: a syntactic approach," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.2, No.3, pp.223-231, 1980.

상세보기
M. Chong, T. Ngee, L. Jun, and R. Gay, "Geometric framework for fingerprint image classification," Pattern Recognition, Vol.30, No.9, pp.1475-1488, 1997.

상세보기
A. Senior, "A combination fingerprint classifier," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.23, No.10, pp.1165-1174, 2001.

상세보기
R. Cappelli, A. Lumini, D. Maio, and D. Maltoni, "Fingerprint classification by directional image partitioning," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.21, No.5, pp.402-421, 1999.

상세보기
J. Min and S. Cho, "A Robust Fingerprint Classification using SVMs with Adaptive Features," Journal of KISS: Software and Applications, Vol.35, No.1, pp.41-49, 2008.

원문보기 상세보기
H. Jung and J. Lee, "Live-scanned Fingerprint Classification with Markov Models Modified by GA," International Journal of Control, Automation, and Systems, Vol.9, No.5, pp.933-940, 2011.

원문보기 상세보기
L. Liu, C. Huang, and D. Hung, "A directional approach to fingerprint classification," International Journal of Pattern Recognition and Artificial Intelligence, Vol.22, No.2, pp.347-365, 2008.

상세보기
B. Cho, J. Kim, J. Bae, I. Bae, and K. Yoo, "Core-based Fingerprint Image Classification," Proceedings of the Pattern Recognition, Vol.2, pp.859-862, 2000.
Z. Ou, H. Guo, and H. Wei, "Fingerprint Classifier Using Embedded Hidden Markov Models," Lecture Notes in Computer Science, Vol.3338, pp.423-438, 2005.
M. Bhuyan, S. Saharia, and D. Bhattacharyya, "An effective method for fingerprint classification," International Arab Journal of e-Technology, Vol.1, No.3, pp.89-97, 2010.

상세보기
J. Guo, Y. Liu, J. Chang, and J. Lee, "Fingerprint classification based on decision tree from singular points and orientation field," Expert Systems with Applications, Vol.41, No.1, pp.752-764, 2014.

상세보기
https://www.nist.gov/srd/nist-special-database-4
http://bias.csr.unibo.it/fvc2000/
http://bias.csr.unibo.it/fvc2002/
http://bias.csr.unibo.it/fvc2004/
정혜욱, 이승, "지문분류 기술의 국내외 연구동향," 한국정보처리학회 2017년 춘계학술발표대회논문집, 제24권, 제1호, 2017.
R. Wang, C. Han, and T. Guo, "A Novel Fingerprint Classification Method Based on Deep Learning," Proceedings of the International Conference on Pattern Recognition (ICPR), pp.931-936, 2016.
M. Daniel, G. Yanis, E. Andreea-Daniela, S. Rares, N. Kamal, and M. Thomas B, "Fast Fingerprint Classification with Deep Neural Network," I2th International Conference on Computer Vision Theory and Applications(VISAPP), 2017.

저자의 다른 논문 :

LOADING...

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