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 손금 및 손바닥 정맥을 이용한 사용자 인식 방법을 제안하였다. 손금 및 손바닥 정맥 텍스처를 효과적으로 추출하기 위해 다중 스펙트럼 환경에서 획득된 영상에 관심 영역 검출 및 영상 개선을 수행하였으며 해당 영상을 앙상블 기법을 기반으로 하는 합성곱 신경망 내 각각의 세부 신경망의 입력 영상으로 사용하여 손바닥 내 텍스처 정보를 효과적으로 학습하였다.
- 정맥 기반 사용자 인식 기술의 문제점을 극복하기 위해 본 논문에서는 손바닥 정맥 및 손금 정보를 함께 이용한 사용자 인식 방법을 제안한다. 제안하는 방법은 앙상블(Ensemble) 구조 기반의 합성곱 신경망 모델을 이용하여 정맥 및 손금 정보를 효과적으로 학습한다.
제안 방법
- 전처리 과정을 통해 얻은 손바닥 내 관심 영역 영상에서 텍스처 정보를 효과적으로 추출하기 위해 앙상블 기법을 이용한 심층 학습 기반의 합성곱 신경망 구조를 설계하였다. 그림 4와 같이 제안하는 앙상블 합성곱 신경망은 다섯 개의 세부 합성곱 신경망으로 이루어져 있으며 전처리 작업이 진행된 관심 영역 손바닥 영상을 각 세부 합성곱 신경망의 입력으로 하여 학습을 진행하였다. 다중 스펙트럼 환경에서 획득된 관심 영역 영상은 서로 독립된 신경망을 학습하는 데 사용되므로 조명 환경에 따라 달라지는 손바닥 내 손금 및 정맥 패턴 정보를 효과적으로 학습할 수 있도록 하였다.
- 이 경우 총 100(즉, 100C1×2C2) 가지의 1인 경우와 19800(즉, 100C2×2C1× 2C1)가지의 0인 경우로 각각 구성되며 각 경우에 대한 오인식률 (False Acceptance Rate, FAR) 및 오거부율(False Reject Rate, FRR)을 측정하였다. 다양한 조건에서의 오인식률과 오거부율을 계산하기 위해 0부터 1사이 값들을 10-5 해상도로 나누어 문턱값(Threshold Value)으로 설정하여 해당 문턱값들을 제안하는 앙상블 합성곱 신경망 및 각 세부 신경망의 시험 영상에 대한 결과 벡터에 적용하였다. 적용된 모든 경우에서 오인식률 및 오거부율을 계산하고 그 결과를 조합하여 ROC 곡선을 추출하였으며(그림 5 참조), 최저 오인식률 대비 정확도를 계산하여 그 결과를 표 2에 나타내었다.
- 그림 4와 같이 제안하는 앙상블 합성곱 신경망은 다섯 개의 세부 합성곱 신경망으로 이루어져 있으며 전처리 작업이 진행된 관심 영역 손바닥 영상을 각 세부 합성곱 신경망의 입력으로 하여 학습을 진행하였다. 다중 스펙트럼 환경에서 획득된 관심 영역 영상은 서로 독립된 신경망을 학습하는 데 사용되므로 조명 환경에 따라 달라지는 손바닥 내 손금 및 정맥 패턴 정보를 효과적으로 학습할 수 있도록 하였다. 학습이 완료된 후 입력 영상에 대해 출력된 각 세부 합성곱 신경망의 결과 벡터 값을 이용하여 사용자별 정합확률을 계산하고 모든 세부 합성곱 신경망 결과의 합산을 이용하여 최종적으로 사용자 인식을 수행한다.
- 제안하는 방법은 앙상블(Ensemble) 구조 기반의 합성곱 신경망 모델을 이용하여 정맥 및 손금 정보를 효과적으로 학습한다. 또한 정맥 및 손금 특징 정보를 함께 사용자 인식에 사용함으로써 환경변화에 강인하며 위변조 또한 방지할 수 있도록 하였다. 본 논문의 구성은 다음과 같다.
- . 먼저, 정맥 특성을 추출하기 위해 손바닥 영상 내 관심 영역을 검출하였고 템플릿 정합(Template Matching)을 통해 등록 영상과의 구조적 유사도를 측정하였다. 그러나 이러한 방법은 영상 획득 환경에 민감하며 획득 과정에서 정맥 정보 손실의 우려가 있다는 단점이 있다.
- 먼저, 획득한 영상에 대해 적응적 이진화(Otsu Thresholding)를 수행하고[10], 전경(즉, 손바닥 영역)의 중심점을 계산하여 국소 최저치(Local Minima) 의 위치를 기반으로[11] 검지와 중지 사이 점 P1과 약지와 소지 사이 점 P2의 위치를 계산한다(그림 1
- 본 논문에서는 손금 및 손바닥 정맥을 이용한 사용자 인식 방법을 제안하였다. 손금 및 손바닥 정맥 텍스처를 효과적으로 추출하기 위해 다중 스펙트럼 환경에서 획득된 영상에 관심 영역 검출 및 영상 개선을 수행하였으며 해당 영상을 앙상블 기법을 기반으로 하는 합성곱 신경망 내 각각의 세부 신경망의 입력 영상으로 사용하여 손바닥 내 텍스처 정보를 효과적으로 학습하였다. 다양한 실험을 통해 제안하는 방법이 단일 신경망을 이용한 기존 사용자 인식 방법보다 우수한 성능을 보이는 것을 확인하였다.
- 이 경우 총 100(즉, 100C1×2C2) 가지의 1인 경우와 19800(즉, 100C2×2C1× 2C1)가지의 0인 경우로 각각 구성되며 각 경우에 대한 오인식률 (False Acceptance Rate, FAR) 및 오거부율(False Reject Rate, FRR)을 측정하였다.
- 전처리 과정을 통해 얻은 손바닥 내 관심 영역 영상에서 텍스처 정보를 효과적으로 추출하기 위해 앙상블 기법을 이용한 심층 학습 기반의 합성곱 신경망 구조를 설계하였다. 그림 4와 같이 제안하는 앙상블 합성곱 신경망은 다섯 개의 세부 합성곱 신경망으로 이루어져 있으며 전처리 작업이 진행된 관심 영역 손바닥 영상을 각 세부 합성곱 신경망의 입력으로 하여 학습을 진행하였다.
- 제안하는 방법은 손바닥 영상 내 관심 영역을 검출하고 해당 영역을 기반으로 사용자 인증을 수행한다. 먼저, 획득한 영상에 대해 적응적 이진화(Otsu Thresholding)를 수행하고[10], 전경(즉, 손바닥 영역)의 중심점을 계산하여 국소 최저치(Local Minima) 의 위치를 기반으로[11] 검지와 중지 사이 점 P1과 약지와 소지 사이 점 P2의 위치를 계산한다(그림 1(b) 참조).
- 정맥 기반 사용자 인식 기술의 문제점을 극복하기 위해 본 논문에서는 손바닥 정맥 및 손금 정보를 함께 이용한 사용자 인식 방법을 제안한다. 제안하는 방법은 앙상블(Ensemble) 구조 기반의 합성곱 신경망 모델을 이용하여 정맥 및 손금 정보를 효과적으로 학습한다. 또한 정맥 및 손금 특징 정보를 함께 사용자 인식에 사용함으로써 환경변화에 강인하며 위변조 또한 방지할 수 있도록 하였다.
- 다중 스펙트럼 환경에서 획득된 관심 영역 영상은 서로 독립된 신경망을 학습하는 데 사용되므로 조명 환경에 따라 달라지는 손바닥 내 손금 및 정맥 패턴 정보를 효과적으로 학습할 수 있도록 하였다. 학습이 완료된 후 입력 영상에 대해 출력된 각 세부 합성곱 신경망의 결과 벡터 값을 이용하여 사용자별 정합확률을 계산하고 모든 세부 합성곱 신경망 결과의 합산을 이용하여 최종적으로 사용자 인식을 수행한다. 이러한 사용자별 연산 과정은 다음과 같이 표현될 수 있다.
대상 데이터
- . CASIA 데이터베이스는 다섯 종류 파장의 조명 및 백색광 조명 환경에서 100명의 사용자로부터 획득된 손영상이며 총 7200장의 오른손 및 왼손 영상으로 이루어져 있다. 본 논문에서는 백색광을 제외한 모든 파장의 조명에서 획득된 왼손 영상 3000장을 실험에 사용하였다.
- 본 논문에서는 백색광을 제외한 모든 파장의 조명에서 획득된 왼손 영상 3000장을 실험에 사용하였다. 각 파장 영역에서 획득된 600장의 영상 중 학습 영상으로 400장, 시험 영상으로 200장을 각각 설정하였고 AlexNet[15], VGG19[16] 모델을 제안하는 앙상블 합성곱 신경망 내 각 세부 신경망에 각각 적용하여 학습을 진행하였다. 적용한 AlexNet 및 VGG19의 매개변수는 기존 모델과 동일하게 설정하였으며, 학습을 위하여 GeForce GTX TITAN X를 이용하였다.
- 본 논문에서는 다중 스펙트럼 환경에서 획득된 CASIA 손바닥 정맥 데이터베이스를 실험에 사용하였다[14]. CASIA 데이터베이스는 다섯 종류 파장의 조명 및 백색광 조명 환경에서 100명의 사용자로부터 획득된 손영상이며 총 7200장의 오른손 및 왼손 영상으로 이루어져 있다.
- CASIA 데이터베이스는 다섯 종류 파장의 조명 및 백색광 조명 환경에서 100명의 사용자로부터 획득된 손영상이며 총 7200장의 오른손 및 왼손 영상으로 이루어져 있다. 본 논문에서는 백색광을 제외한 모든 파장의 조명에서 획득된 왼손 영상 3000장을 실험에 사용하였다. 각 파장 영역에서 획득된 600장의 영상 중 학습 영상으로 400장, 시험 영상으로 200장을 각각 설정하였고 AlexNet[15], VGG19[16] 모델을 제안하는 앙상블 합성곱 신경망 내 각 세부 신경망에 각각 적용하여 학습을 진행하였다.
- 또한 추가적인 정확도 평가를 위해 ROC(Receiver Operating Characteristic)를 계산하여 그림 5에 나타내었다. 이를 위해 시험 영상 200장 중 임의로 2장의 영상을 설정하고 설정된 2장의 영상이 같은 사용자에 속할 경우 1, 그렇지 않을 경우 0으로 정의하였다. 이 경우 총 100(즉, 100C1×2C2) 가지의 1인 경우와 19800(즉, 100C2×2C1× 2C1)가지의 0인 경우로 각각 구성되며 각 경우에 대한 오인식률 (False Acceptance Rate, FAR) 및 오거부율(False Reject Rate, FRR)을 측정하였다.
- 각 파장 영역에서 획득된 600장의 영상 중 학습 영상으로 400장, 시험 영상으로 200장을 각각 설정하였고 AlexNet[15], VGG19[16] 모델을 제안하는 앙상블 합성곱 신경망 내 각 세부 신경망에 각각 적용하여 학습을 진행하였다. 적용한 AlexNet 및 VGG19의 매개변수는 기존 모델과 동일하게 설정하였으며, 학습을 위하여 GeForce GTX TITAN X를 이용하였다. 학습이 완료된 후 시험 영상 200장에 대한 정확도를 계산하여 제안하는 앙상블 합성곱 신경망 및 세부 합성곱 신경망과 인식 성능을 비교하였다.
데이터처리
- 다양한 조건에서의 오인식률과 오거부율을 계산하기 위해 0부터 1사이 값들을 10-5 해상도로 나누어 문턱값(Threshold Value)으로 설정하여 해당 문턱값들을 제안하는 앙상블 합성곱 신경망 및 각 세부 신경망의 시험 영상에 대한 결과 벡터에 적용하였다. 적용된 모든 경우에서 오인식률 및 오거부율을 계산하고 그 결과를 조합하여 ROC 곡선을 추출하였으며(그림 5 참조), 최저 오인식률 대비 정확도를 계산하여 그 결과를 표 2에 나타내었다. 추가로 제안하는 앙상블 합성곱 신경망과 기존 방법 간의 동일 오류율(Equal Error Rate) 기준 성능 비교를 진행한 결과를 표 3에 표시하였다.
- 적용한 AlexNet 및 VGG19의 매개변수는 기존 모델과 동일하게 설정하였으며, 학습을 위하여 GeForce GTX TITAN X를 이용하였다. 학습이 완료된 후 시험 영상 200장에 대한 정확도를 계산하여 제안하는 앙상블 합성곱 신경망 및 세부 합성곱 신경망과 인식 성능을 비교하였다. 해당 결과를 표 1에 나타내었으며 각 스펙트럼 환경에서 획득되는 영상에서 추출되는 손바닥 정보의 차이로 인해 제안하는 앙상블 합성곱 신경망 내 각 세부 합성곱 신경망 간 정확도 차이가 발생하는 것을 확인하였다.
이론/모형
- 손바닥 정맥은 보통 근적외선(Near Infrared)을 이용하여 영상으로 획득하게 되는데, 이때 반사된 빛이 피부 조직 내에서 불규칙하게 산란하여 영상의 화질 열화가 발생하게 되며, 이는 영상의 밝기 대비(Contrast)를 저하시켜 정맥 특징 정보를 추출하는 데 많은 어려움을 준다. 이러한 문제를 해결하기 위해 먼저 관심 영역에 대해 CLAHE(Contrast Limited Adaptive Histogram Equalization) 기법[12]을 적용하여 지역적 영상 평활화를 수행한다. 평활화된 영상을 바탕으로 High-boost 방법[13]을 이용하여 아래와 같이 영상 개선을 수행한다.
- 이러한 문제를 해결하기 위해 먼저 관심 영역에 대해 CLAHE(Contrast Limited Adaptive Histogram Equalization) 기법[12]을 적용하여 지역적 영상 평활화를 수행한다. 평활화된 영상을 바탕으로 High-boost 방법[13]을 이용하여 아래와 같이 영상 개선을 수행한다.
성능/효과
- 5를 사용한다. 가중치가 적용된 고주파 영상에 기존 영상을 더해 최종적으로 개선된 영상 Ipro를 추출하며 그림 3과 같이 기존 관심 영역 영상에 비해 밝기 대비가 개선되어 정맥 패턴 및 손금 정보가 선명해진 것을 확인할 수 있다.
- 손금 및 손바닥 정맥 텍스처를 효과적으로 추출하기 위해 다중 스펙트럼 환경에서 획득된 영상에 관심 영역 검출 및 영상 개선을 수행하였으며 해당 영상을 앙상블 기법을 기반으로 하는 합성곱 신경망 내 각각의 세부 신경망의 입력 영상으로 사용하여 손바닥 내 텍스처 정보를 효과적으로 학습하였다. 다양한 실험을 통해 제안하는 방법이 단일 신경망을 이용한 기존 사용자 인식 방법보다 우수한 성능을 보이는 것을 확인하였다.
- 추가로 제안하는 앙상블 합성곱 신경망과 기존 방법 간의 동일 오류율(Equal Error Rate) 기준 성능 비교를 진행한 결과를 표 3에 표시하였다. 다양한 실험을 통해 제안하는 앙상블 기법을 이용한 합성곱 신경망이 단일 합성곱 신경망 및 기존 정맥 인식 방법 대비 효과적으로 사용자 인식을 수행하는 것을 확인할 수 있었다.
- 를 얻는다. 다음 장의 실험 결과를 통해 제안하는 앙상블 합성곱 신경망이 다양한 파장 대역에서 획득한 손금 및 손바닥 텍스처 정보를 함께 이용하여 고정밀 사용자 인식에 적합함을 보인다.
- 학습이 완료된 후 시험 영상 200장에 대한 정확도를 계산하여 제안하는 앙상블 합성곱 신경망 및 세부 합성곱 신경망과 인식 성능을 비교하였다. 해당 결과를 표 1에 나타내었으며 각 스펙트럼 환경에서 획득되는 영상에서 추출되는 손바닥 정보의 차이로 인해 제안하는 앙상블 합성곱 신경망 내 각 세부 합성곱 신경망 간 정확도 차이가 발생하는 것을 확인하였다. 또한 추가적인 정확도 평가를 위해 ROC(Receiver Operating Characteristic)를 계산하여 그림 5에 나타내었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.