[논문]딥러닝 합성곱 신경망을 이용한 효율적인 홍채인식

최광미; 정유정

doi:10.13067/jkiecs.2020.15.3.521

딥러닝 합성곱 신경망을 이용한 효율적인 홍채인식
Efficient Iris Recognition using Deep-Learning Convolution Neural Network 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.15 no.3, 2020년, pp.521 - 526

최광미 (조선대학교 sw중심대학사업단) , 정유정 (조선대학교 sw중심대학사업단)

초록
AI-Helper

본 논문은 홍채영상의 이동불변의 특징값 을추출에 탁월한 고차 국소 자동 상관함수를 적용하여 25개의 특징 값을 입력 값으로 적용한 일반적인 HOLP 신경망에 특징 값 25개의 평균값을 추가한 개선된 HOLP 신경망을 구현하여 인식률을 확인하여 보았다. 종류가 상이한 딥러닝 구조들과 비교하였을 때 음성과 영상분야에서 탁월한 성능을 보이는 Back-Propagation 신경망과 특징 추출기와 분류기를 통합한 합성 곱 신경망을 활용하여 홍채인식의 인식률을 비교하여 보았다.

Abstract ▼ AI-Helper

This paper presents an improved HOLP neural network that adds 25 average values to a typical HOLP neural network using 25 feature vector values as input values by applying high-order local autocorrelation function, which is excellent for extracting immutable feature values of iris images. Compared with deep learning structures with different types, we compared the recognition rate of iris recognition using Back-Propagation neural network, which shows excellent performance in voice and image field, and synthetic product neural network that integrates feature extractor and classifier.

주제어

표/그림 (7)

그림 그림 1. 홍채 중심점 Fig. 1 The center of a pupil
그림 그림 2. 합성곱 신경망 구조 Fig. 2 Convolutionalstructure of neural network
그림 그림 3. ReLU 함수 그래프 Fig. 3 Graph of the ReLU function
그림 그림 4. 특징 추출 과정 Fig. 4 HOLP-based feature vector extraction
그림 그림 5. 26×52×52×8 네트워크 구조 Fig. 5 26×52×52×8 Neural network structure
그림 그림 6. 논문에서 제안된 합성곱 신경망 구조 Fig. 6 Convolution neural network structure proposed in this paper
표 표 1. CNN과 HOLP 인식률 성능 비교 Table 1. Comparison of Improved HOLP and CNN Recognition Rate

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 전처리 과정을 거친 홍채영상에 2레벨 Daubechies 웨이블릿 변환을 실시한다. 이동불변의 함수로 알려져 있는 자동 상관계수를 더 확장시킨 고차 국소 자동 상관함수를 이용하여 25개의 특징벡터를 추출한 후 25개의 평균값을 추가한 효율적인 특징 값을 입력 값으로 홍채인식에 적용한 개선된 HOLP 신경망을 구현하여 인식률을 확인하여 보고자 한다. 다른 딥러닝 계층 구조들과 비교하여 Video, Voice 분야에서 훨씬 좋은 성능을 보이는 여러 개의 합성 곱 계층과 일반적인 신경망 계층으로 구성된 합성곱 신경망(Convolutional Neural Network; CNN)을 이용하여 홍채인식의 인식률을 비교하여 보다 홍채인식에 적합한 신경망을 찾고자 한다.

제안 방법

2차원 홍채영상을 입력하여 2차원 필터를 사용하여 합성곱 계층을 구성하였으며 필터는 많이 사용되는 3x3 크기로 filter를 32개로 두 번 적용하였고 마지막 계층에 서는 2x2 max pooling으로 down sampling하였다. 합성곱 계층과 완전연결 계층의 경우 ReLu의 활성화 함수를 사용하였고 학습 시 과다학습 문제를 해결하기 위해 Dropout방법을 사용하였으며 일반적으로 Dropout을 사용하여 해당 계층의 50~80% 뉴런을 사용하는데 본 연구에서는 효율적인 학습을 위해 75%를 사용하였다.
구현한 홍채인식 신경망은 1차 웨이블렛을 거쳐 생성한 홍채영상에 3×3 마스크 필터를 적용한 고차 국소 자동 상관함수를 사용하여 구한 특징벡터 25개와 25개의 평균값을 추가한 26개를 신경망의 input 값으로 사용하였고, 52개의 node를 지닌 2개의 hidden layer를 사용하여 8개의 출력값으로 생성하는 26×52×52×8 구조의 신경망을 사용하였다. input 값과 hidden 노드와 hidden노드와 output 값 사이의 Activation function은 양극성 Sigmoid Function을 사용하여 각 층간의 노드를 완전 연결시켜 구현하였다. 신경망의 구조도는 그림 5와 같다.
구현한 홍채인식 신경망은 1차 웨이블렛을 거쳐 생성한 홍채영상에 3×3 마스크 필터를 적용한 고차 국소 자동 상관함수를 사용하여 구한 특징벡터 25개와 25개의 평균값을 추가한 26개를 신경망의 input 값으로 사용하였고, 52개의 node를 지닌 2개의 hidden layer를 사용하여 8개의 출력값으로 생성하는 26×52×52×8 구조의 신경망을 사용하였다.
이동불변의 함수로 알려져 있는 자동 상관계수를 더 확장시킨 고차 국소 자동 상관함수를 이용하여 25개의 특징벡터를 추출한 후 25개의 평균값을 추가한 효율적인 특징 값을 입력 값으로 홍채인식에 적용한 개선된 HOLP 신경망을 구현하여 인식률을 확인하여 보고자 한다. 다른 딥러닝 계층 구조들과 비교하여 Video, Voice 분야에서 훨씬 좋은 성능을 보이는 여러 개의 합성 곱 계층과 일반적인 신경망 계층으로 구성된 합성곱 신경망(Convolutional Neural Network; CNN)을 이용하여 홍채인식의 인식률을 비교하여 보다 홍채인식에 적합한 신경망을 찾고자 한다.
본 논문에서 사용한 합성곱 신경망 구조는 케라스 환경에서 구현하였고 2개의 합성곱(Convolution layer)과 2개의 풀링 계층(Pooling layer)을 한 쌍씩 설계하고 마지막으로 1개의 완전연결(Fully Connected Layer)로 구성 설계하였고 그림 6과 같다.
이 특징벡터는 이동이 불변(이동불변) 하는 특징이 있다. 본 논문에서는 No1～No25 까지는 전처리 영상에 1단계 Daubechies 웨이블릿 변환을 거친 홍채에 대한 고차 국소자동상관함수에 의해 구해진 25개의 특징벡터와 추가로 특징벡터의 효율성을 활용하고 홍채의 정확한 특징 값을 사용하고자 26번째 특징벡터를 추가로 포함시켰다. 이 26번째 특징벡터는 2단계 Daubechies 웨이블릿 변환을 거친 홍채영상은 고차 국소자동상관함수에 의해 계산되어진 특징벡터 25개 값의 평균값으로 이용하였다.
본 논문에서는 이동불변의 함수로 잘 알려져 있는 고차 국소 자동 상관함수를 적용한 25개의 기존 특징 값에 25개의 평균값을 추가한 26개의 특징 값을 입력 값으로 적용한 개선된 HOLP 신경망과 기존의 Back-Propagation 신경망과 특징 추출기와 분류기를 통합한 합성곱 신경망(CNN) 을 구현하여 두 신경망의 인식률을 비교하여 홍채인식의 수렴속도를 높이는 신경망을 구현하여 보았다. 실험에 적용한 50명에 10개씩 영상을 사용하였고 학습 패턴 수는 250개 학습률 0.
본 논문에서는 전처리 과정을 거친 홍채영상에 2레벨 Daubechies 웨이블릿 변환을 실시한다. 이동불변의 함수로 알려져 있는 자동 상관계수를 더 확장시킨 고차 국소 자동 상관함수를 이용하여 25개의 특징벡터를 추출한 후 25개의 평균값을 추가한 효율적인 특징 값을 입력 값으로 홍채인식에 적용한 개선된 HOLP 신경망을 구현하여 인식률을 확인하여 보고자 한다.
일반적으로 가장자리에 0을 채워 넣는 제로 패딩 (Zero-padding)을 사용한다[11]. 본 논문에서도 제로 패딩을 사용하였다.
이동불변의 함수로써 알려져 있는 자동 상관계수를 더 확장시킨 고차 국소 자동 상관함수를 이용하여 전처리 과정을 거친 홍채영상에 2레벨 Daubechies 웨이블릿 변환을 거친 후 특징벡터를 추출하였다. 기존의 연구에 서는 고차 국소 자동 상관계수는 홍채 영역을 25개의 3×3 마스크 필터를 이용해 탐색하면서 각 스캔한 필셀의 값을 합을 통하여 총 25개의 특징벡터를 구하게 된다 [16].

대상 데이터

01) 값 이하로 감소하는 경우 학습이 완료된 것으로 간주하여 학습을 종료하였다. 본 실험에서는 50명에 10개의 영상을 사용 하였고 500개 중 250개 신경망 학습을 위한 학습영상으로 나머지 250개의 영상은 신경망의 인식률을 측정하기 위한 test data로 사용하였다.
본 논문에서는 이동불변의 함수로 잘 알려져 있는 고차 국소 자동 상관함수를 적용한 25개의 기존 특징 값에 25개의 평균값을 추가한 26개의 특징 값을 입력 값으로 적용한 개선된 HOLP 신경망과 기존의 Back-Propagation 신경망과 특징 추출기와 분류기를 통합한 합성곱 신경망(CNN) 을 구현하여 두 신경망의 인식률을 비교하여 홍채인식의 수렴속도를 높이는 신경망을 구현하여 보았다. 실험에 적용한 50명에 10개씩 영상을 사용하였고 학습 패턴 수는 250개 학습률 0.4, 모멘텀 0.7 학습오차 0.01을 적용하여 실험하였다. 학습 반복 횟수 500회를 설정하여 설정된 학습 오차 값이 0.

데이터처리

본 논문에서는 No1～No25 까지는 전처리 영상에 1단계 Daubechies 웨이블릿 변환을 거친 홍채에 대한 고차 국소자동상관함수에 의해 구해진 25개의 특징벡터와 추가로 특징벡터의 효율성을 활용하고 홍채의 정확한 특징 값을 사용하고자 26번째 특징벡터를 추가로 포함시켰다. 이 26번째 특징벡터는 2단계 Daubechies 웨이블릿 변환을 거친 홍채영상은 고차 국소자동상관함수에 의해 계산되어진 특징벡터 25개 값의 평균값으로 이용하였다. 이 특징벡터는 정규화과정을 통하여 홍채의 이동불변의 특징을 지닌다.

이론/모형

하지만 층의 깊이가 깊어질수록 과다학습(Overfitting)의 문제가 발생하며 학습시간도 길어지게 된다. 이를 해결하기 위해 Dropout 방법을 사용한다[4-14].
2차원 홍채영상을 입력하여 2차원 필터를 사용하여 합성곱 계층을 구성하였으며 필터는 많이 사용되는 3x3 크기로 filter를 32개로 두 번 적용하였고 마지막 계층에 서는 2x2 max pooling으로 down sampling하였다. 합성곱 계층과 완전연결 계층의 경우 ReLu의 활성화 함수를 사용하였고 학습 시 과다학습 문제를 해결하기 위해 Dropout방법을 사용하였으며 일반적으로 Dropout을 사용하여 해당 계층의 50~80% 뉴런을 사용하는데 본 연구에서는 효율적인 학습을 위해 75%를 사용하였다.

성능/효과

2개의 신경망 모두 학습 계수로는 학습률은 0.4, 모멘템 0.7, 학습오차 0.01, 반복학습 횟수는 500회를 지정하여 학습 오차 값이 지정된 학습오차(0.01) 값 이하로 감소하는 경우 학습이 완료된 것으로 간주하여 학습을 종료하였다. 본 실험에서는 50명에 10개의 영상을 사용 하였고 500개 중 250개 신경망 학습을 위한 학습영상으로 나머지 250개의 영상은 신경망의 인식률을 측정하기 위한 test data로 사용하였다.
500회의 학습을 실시한 결과 합성곱 신경망은 480회의 학습 성공을 평균 248.24회에서 오차범위 이내에서 수렴되어 학습이 종료된 것을 확인하였고, 개선된 HOLP 신경망의 학습 성공 횟수는 445회 평균180.72회의 반복 학습 후에 오차범위 이내에서 수렴되어 학습이 종료됨을 확인할 수 있었다. 개선된 HOLP 신경망의 경우 1회부터 255회까지는 불규칙적인 학습상태를 나타나고 있음을 확인하였다.
72회의 반복 학습 후에 오차범위 이내에서 수렴되어 학습이 종료됨을 확인할 수 있었다. 개선된 HOLP 신경망의 경우 1회부터 255회까지는 불규칙적인 학습상태를 나타나고 있음을 확인하였다. 평균 반복학습의 회수는 학습 성공을 대상으로 하였을 때 합성곱 신경망이 실시한 홍채 학습에 적정한 학습 방법임을 확인할 수 있었다.
개선된 HOLP 신경망의 경우 1회부터 255회까지는 불규칙적인 학습상태를 나타나고 있음을 확인하였다. 평균 반복학습의 회수는 학습 성공을 대상으로 하였을 때 합성곱 신경망이 실시한 홍채 학습에 적정한 학습 방법임을 확인할 수 있었다.
01을 적용하여 실험하였다. 학습 반복 횟수 500회를 설정하여 설정된 학습 오차 값이 0.01이하로 감소할 지점부터 학습이 완료된 것으로 판단하였다. 학습 횟수를 구한 결과 합성곱 신경망이 홍채인식 학습 패턴에 더 적정하다고 판단하였다.
학습 횟수를 구한 결과 합성곱 신경망이 홍채인식 학습 패턴에 더 적정하다고 판단하였다. 학습 패턴를 각각의 신경망에 적용한 결과 표 1의 결과와 같이 CNN 신경망의 경우 96.4%의 인식률을 개선된 HOLP 신경망의 경우 90.3%의 인식률을 보였다.
01이하로 감소할 지점부터 학습이 완료된 것으로 판단하였다. 학습 횟수를 구한 결과 합성곱 신경망이 홍채인식 학습 패턴에 더 적정하다고 판단하였다. 학습 패턴를 각각의 신경망에 적용한 결과 표 1의 결과와 같이 CNN 신경망의 경우 96.
홍채인식률은 학습이 완료된 신경망에 대해 학습에 참여한 영상을 뺀 50명의 250개의 홍채영상으로 인식률을 실시한 결과 test 영상의 합성곱 신경망을 적용한 결과 250개의 영상 중 240개의 영상이 인식에 성공하였으며, 개선된 HOLP 신경망의 경우 222개의 영상을 정확히 인식하는데 성공하였다. 그러나 본 실험에서 인식이 되지 않은 영상의 예로는 불빛이 밝은 영상, 눈꺼 풀의 눈의 가림 정도가 전 처리에서 완전히 제거되지 않은 영상이나 홍채에 병변과 이물질이 끼인 경우에는 정확성을 인식해야하는 홍채영상에서 인식에 오류를 나타 내었다.

후속연구

향후 연구과제로는 뼈, 근육, 혈액 등 신체적 특징을 이용하는 바이오 인식을 순환신경망(Recurrent Neural Network, RNN), 오토인코더(Autoencoder, AE), 생성적 적대 신경망(Generative Advalsarial Network, GAN), UNET(U-shaped Network)에 적용하는 연구가 수행되어져야 할 것으로 사료된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	딥러닝이란 무엇인가?	딥러닝은 기존 인공신경망의 계층 수를 증가시킨 심층신경망을 효과적으로 학습하여 패턴인식이나 추론에 활용하는 기술을 통칭한다[4]. 심층 신경망은 일반적인 인공 신경망과 마찬가지로 복잡한 비 선형 관계(non-linear relationship)들을 모델링 할수 있다[5].
	대표적인 활성화 함수 3가지는 무엇인가?	활성화 함수는 얻은 특징을 비선형 값으로 바꾸어 주는데 활성화 함수는 대표적으로 3개의 활성화 함수가 있으며 스텝(Step), 시그모이드(Sigmoid), 렐루(ReLU) 가있다. 이 중 최근 Vanishing gradient를 해결한 ReLU 함수를 일반적으로 가장 많이 사용하고 있다[12].
	풀링 계층에서의 연산으로 얻을 수 있는 효과는 무엇인가?	풀링 계층은 합성곱 계층을 실행하여 얻은 특징 data의 크기를 축소시키는 연산이다[4]. 이러한 축소 처리는 필수는 아니지만 후속 처리에서의 처리 부담을 줄어 주는 효과와 축소처리에 의한 특징 량의 압축 효과가 있다[4]. 풀링의 종류는 일반적으로 최대 풀링(Max pooling)이나 평균 풀링(Average pooling)을 많이 사용 한다[4].

참고문헌 (16)

B. Jo, S. Woo, and S. Lee, "An Iris Detection Algorithm for Disease Prediction based Iridology," J. of the Korea Institute of information and Communication Engineering, vol. 21, no. 1, 2017, pp. 107-114.

원문보기 상세보기
Iris recognition - http://blog.naver.com/yutar/90009281389/
S. Tada, First time to learn artificial intelligence. Seoul: Hanbit Media, 2017.
S. Kwon, "Detection and classification of arrhythmia beat using convolution neural network," Master's Thesis, Department of Engineering at Yonsei University, 2019.
Y. Lee, "A Comparison and Analysis of Deep Learning Framework," J. of The Korea Institute of Electronic Communication Sciences, vol. 12, no. 01, 2017, pp. 115-122.
S. Lim, "Iris recognition by wavelet trans form and LVQ," Master's Thesis, Korea University Graduate School of Computer Science, 2001.
K. Kwang, "Online iris recognition system based on HLAC feature extraction for multimedia high-speed transmission," The doctor's degree, Chosun University Graduate School, 2002.
J. Lee, "Human iris verification using similarity between feature," Master's Thesis, Hongik University Graduate School, 2001.
M. Kim, "A Study on User Recognition System based on Ensemble Convolutional Neural Networks using Synthetic Electrocardiogram Generation," The doctor's degree, Chosun University Graduate School, 2019.
E. Kim, "study on the effective preprocessing of human iris verification," Master's Thesis, Hongik University Graduate School, 2001.
Python Deep Learning CNN Convolutional Layer - https://blog.naver.com/ssdyka/221364894122/
J. Kong and M, Jang, "Association Analysis of Convolution Layer, Kernel and Accuracy in CNN," J. of The Korea Institute of Electronic Communication Sciences, vol. 14, no. 06, 2019, pp. 1153-1160.
J. Lee, "CNN-based Automatic Modulation Classification Using Feature Image," Master's Thesis, Soongsil University Graduate School, 2019.
H. Kim, "Estimation of atrial fibrillation based on convolutional neural network," Master's Thesis, Yonsei University Graduate School, 2018.
Machine Learning Learning Related Skills - https://aroundck.tistory.com/5343/
K. Choi and C. Jung, "Har Wavelet-based edge image extraction and face recognition using BP neural network," J. of the Korean Society for Information Processing and Science Conference, vol. 10, no. 01, 2003, pp. 0635-0638.

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