[논문]측면형 지정맥 인식기 설계 및 구현

김경래; 최홍락; 김경석

doi:10.7236/jiibc.2021.21.3.159

측면형 지정맥 인식기 설계 및 구현
Design and Implementation of Side-Type Finger Vein Recognizer 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.21 no.3, 2021년, pp.159 - 168

김경래 (충북대학교 전파통신공학과) , 최홍락 (충북대학교 전파통신공학과) , 김경석 (충북대학교 정보통신공학과)

초록
AI-Helper

정보화 시대에 접어들면서 개개인의 신원을 정확하게 인식하여 인증하는 것은 정보 보호를 위해 매우 중요하기 때문에 신체를 활용한 생체인식의 활용이 점차 증가하고 있다. 그중 지정맥 인증 기술은 위조 및 복조하기 어려워 보안성과 정밀도가 높고 사용자 수용성이 용이하여 사회적 많은 관심을 받고 있다. 그러나 신원확인을 위한 알고리즘이나 주변의 빛의 환경에 따라 정확도가 떨어질 수 있다. 본 논문에서는 지정맥 측정 장치 중 활용성이 좋은 측면형 지정맥 인식기를 직접 설계하고 제작하여 높은 정확도와 인식률을 위해 DenseNet-201의 딥러닝 모델을 활용하여 인증하였으며 사용하는 적외선 광원과 주변 가시광선의 영향에 따른 지정맥 인증 기술의 성능을 시뮬레이션을 통해 분석하였다. 시뮬레이션은 전북대의 MMCBNU_6000과 직접 촬영한 지정맥 영상을 사용하고 EER을 이용하여 성능을 비교 분석한다.

Abstract ▼ AI-Helper

As the information age enters, the use of biometrics using the body is gradually increasing because it is very important to accurately recognize and authenticate each individual's identity for information protection. Among them, finger vein authentication technology is receiving a lot of attention because it is difficult to forge and demodulate, so it has high security, high precision, and easy user acceptance. However, the accuracy may be degraded depending on the algorithm for identification or the surrounding light environment. In this paper, we designed and manufactured a side-type finger vein recognizer that is highly versatile among finger vein measuring devices, and authenticated using the deep learning model of DenseNet-201 for high accuracy and recognition rate. The performance of finger vein authentication technology according to the influence of the infrared light source used and the surrounding visible light was analyzed through simulation. The simulations used data from MMCBNU_6000 of Jeonbuk National University and finger vein images taken directly were used, and the performance were compared and analyzed using the EER.

주제어

표/그림 (26)

그림 그림 1. 측면헝 구조물 지정맥 촬영 방법 Fig. 1. Method of taking a finger vein image
표 표 1. 지정맥 인증 방식 종류 Table 1. Type of finger vein authentication method
그림 그림 2. 지정맥 인식기 설계 Fig. 2. Design of a finger vein recognizer
그림 그림 3. 지정맥 인식기 Fig. 3. Finger vein recognizer
표 표 2. 지정맥 인식기의 하드웨어 구조 Table 2. Hardware architecture of finger vein recognizer
그림 그림 4. DenseNet 레이어 모델 Fig. 4. DenseNet layer model
그림 그림 5. 적외선 빛의 변화에 따른 촬영환경 Fig. 5. photographing environment according to changes in infrared light
그림 그림 6. 가시광선 세기에 따른 촬영환경 Fig. 6. photographing environment according to the intensity of visible light
표 표 3. 실험 환경의 구성 Table 3. Configuration of the experiment environment
그림 그림 7. 획득한 지정맥 이미지 Fig. 7. Acquired finger vein image
그림 그림 8. 환경조건 1 Fig. 8. Environmental condition 1
그림 그림 9. 환경조건 1의 EER 성능 Fig. 9. EER performance of Environmental condition 1
그림 그림 10. 환경조건 2 Fig. 10. Environmental condition 2
그림 그림 11. 환경조건 2의 EER 성능 Fig. 11. EER performance of Environmental condition 2
그림 그림 12. 환경조건 3 Fig. 12. Environmental condition 3
그림 그림 13. 환경조건 3의 EER 성능 Fig. 13. EER performance of Environmental condition 3
그림 그림 14. 환경조건 4 Fig. 14. Environmental condition 4
그림 그림 15. 환경조건 4의 EER 성능 Fig. 15. EER performance of Environmental condition 4
그림 그림 16. 주변 환경 1 (LED등 모두 점등) Fig. 16. Surrounding environment 1 (all LED lights light up)
그림 그림 17. 주변 환경 1의 EER 성능 Fig. 17. EER performance of Surrounding environment 1
그림 그림 18. 주변 환경 2 (한쪽만 점등) Fig. 18. Surrounding environment 2 (light only one side)
그림 그림 19. 주변 환경 2의 EER 성능 Fig. 19. EER performance of Surrounding environment 2
그림 그림 20. 주변 환경 3 (모두 소등) Fig. 20. Surrounding environment 3 (All lights out)
표 표 4. 빛의 변화 따른 성능(EER) 비교 Table 4. Comparison of performance (EER) according to the change of light
그림 그림 21. 주변 환경 3의 EER 성능 Fig. 21. EER performance of Surrounding environment 3
표 표 5. 주변 환경에 따른 성능(EER) 비교 Table 5. Comparison of performance (EER) according to the surrounding environment

AI 본문요약
AI-Helper

제안 방법

생체인식 중 지정맥 인식은 높은 정확도, 편리성 그리고 높은 보안성으로 주목을 받고 있으며 최근에는 딥러닝을 활용한 생체인식 연구가 진행되고 있다. 본 논문에서는 지정맥 인식에 딥러닝을 활용하여 적외선, 가시광선과 같은 인식 성능에 직접적인 영향을 확인하기 위해 직접 환경을 구성하여 촬영 및 시뮬레이션 분석을 하였다. 시뮬레이션은 직접 설계 및 구현한 지정맥 인식기를 통해 얻은 지정맥 이미지와 함께 MMCBNU_6000 데이터베이스를 이용하였고 DenseNet-201의 딥러닝 알고리즘을 적용하여 수행하였다.
본 장에서는 손가락에 전달되는 적외선의 세기와 방향에 따라 성능을 비교 분석하고 주변 환경의 가시광선 세기에 따라 성능을 비교 분석하기 위해 조건에 따라 환경을 구축하였다.
본 논문에서는 지정맥 인식에 딥러닝을 활용하여 적외선, 가시광선과 같은 인식 성능에 직접적인 영향을 확인하기 위해 직접 환경을 구성하여 촬영 및 시뮬레이션 분석을 하였다. 시뮬레이션은 직접 설계 및 구현한 지정맥 인식기를 통해 얻은 지정맥 이미지와 함께 MMCBNU_6000 데이터베이스를 이용하였고 DenseNet-201의 딥러닝 알고리즘을 적용하여 수행하였다. 그 결과, 적외선 빛의 따른 환경 조건 3번에서 EER이 약 0.
주변 환경 변화에 따른 실험은 다음 그림 6과 같이 지정맥 인식기는 총 8개의 실내 LED 조명 가운데 위치에 놓고 실내 LED 조명을 순차적으로 점등하여 지정맥 인식기에 도달하는 가시광선 세기의 따른 실험 환경을 구성하였다.

대상 데이터

Raspberry Pi에서 적외선 LED와 카메라 모듈을 제어하여 촬영하게 되면 다음 그림 7의 지정맥 이미지를 획득하게 된다.
앞서 말했듯이 지정맥 인식기는 총 8개의 적외선 LED 를 사용할 수 있다. 적외선 LED를 지정맥 인식기 안에서 다르게 배치하여 손가락에 전달되는 적외선의 세기와 방향에 따라 성능이 어떻게 나오는지 비교하여 성능을 분석하였다.

데이터처리

본 논문에서는 지정맥 인식과 딥러닝 알고리즘의 융합을 위해 그림 4와 같은 DenseNet 모델 중 DenseNet-201 을 사용하여 학습하고 결과를 분석한다.
앞서 말했듯이 지정맥 인식기는 총 8개의 적외선 LED 를 사용할 수 있다. 적외선 LED를 지정맥 인식기 안에서 다르게 배치하여 손가락에 전달되는 적외선의 세기와 방향에 따라 성능이 어떻게 나오는지 비교하여 성능을 분석하였다.
제작된 지정맥 인식기의 주변 환경이 성능에 어떤 영향을 미치는지 실험하기 위해 실내환경에서 LED 조명을 순차적으로 다르게 점등하여 가시광선에 의한 성능을 분석하였다. 적외선 LED 배치는 실험 환경 1에서 EER이가장 낮은 오른쪽에만 여유 공간을 두고 배치한 환경 조건 3번으로 테스트를 실행하였다.

성능/효과

시뮬레이션은 직접 설계 및 구현한 지정맥 인식기를 통해 얻은 지정맥 이미지와 함께 MMCBNU_6000 데이터베이스를 이용하였고 DenseNet-201의 딥러닝 알고리즘을 적용하여 수행하였다. 그 결과, 적외선 빛의 따른 환경 조건 3번에서 EER이 약 0.0002%로 가장 낮게 나타났으며 크게 환경조건 2번의 경우와 EER 성능 0.05% 정도 차이가 났다. 또한, 두 번째 실험에서 모든 실내 등을 소등하였을 때 EER이 0.
05% 정도 차이가 났다. 또한, 두 번째 실험에서 모든 실내 등을 소등하였을 때 EER이 0.01%로 가장 낮았고 한쪽만 점등하였을 때와 약 0.06% 성능 차이가 났다. 즉, 가시광선의 영향이 적을수록 정확도가 높아지지만 적외선의 경우 일정량 이상 또는 이하의 빛이 발생하면 EER 성능이 낮아지는 것을 확인할 수 있었다.
06% 성능 차이가 났다. 즉, 가시광선의 영향이 적을수록 정확도가 높아지지만 적외선의 경우 일정량 이상 또는 이하의 빛이 발생하면 EER 성능이 낮아지는 것을 확인할 수 있었다. 지정맥 인증에 최적화된 CNN을 적용해 더욱 정밀도 높은 정보를 제공할 수 있는 기술 고도화 연구를 계속할 예정이며 본 연구가 다양한 분야에서 응용될 수 있기를 기대한다.

후속연구

즉, 가시광선의 영향이 적을수록 정확도가 높아지지만 적외선의 경우 일정량 이상 또는 이하의 빛이 발생하면 EER 성능이 낮아지는 것을 확인할 수 있었다. 지정맥 인증에 최적화된 CNN을 적용해 더욱 정밀도 높은 정보를 제공할 수 있는 기술 고도화 연구를 계속할 예정이며 본 연구가 다양한 분야에서 응용될 수 있기를 기대한다.

참고문헌 (10)

G. H. Choi, H. M. Moon, S. B. Pan, "Biometrics System Technology Trends Based on Biosignal", Journal of Digital Convergence, Vol. 15, No. 1, pp. 381-391, 2017. DOI: https://doi.org/10.14400/JDC.2017.15.1.381

원문보기 상세보기
S.Y. Kim, S.H. Lee, Y.D. Chi, E.T. Im, G.Y. Gim, "A study on the factors affecting the intention to payment service using biometrics", International Journal of Advanced Science and Technology, Vol. 114, pp.69-80, May 2018. DOI: https://doi.org/10.14257/ijast.2018.114.07

상세보기
H.G Hong, M.B Lee, K.R Park, "Convolutional Neural Network-Based Finger-Vein Recognition Using NIR Image Sensors", Sensors, Vol. 17, No. 6, pp. 1-21, 2017. DOI: https://doi.org/10.3390/s17061297

상세보기
Veldhuis, R., Spreeuwers, L., Ton, B., Rozendal, S, "A high quality finger vein dataset collected using a custom designed capture device", Advances in Computer Vision and Pattern Recognition, pp. 63-75, 2020. DOI: https://doi.org/10.1007/978-3-030-27731-4_2
T. Kato, M. Kondo, K. Hattori, R. Taguchi, M. Hoguro and T. Umezaki, "Development of penetrate and reflection type finger vein certification", 2012 International Symposium on Micro-NanoMechatronics and Human Science (MHS), pp. 501-506, 2012. DOI: https://doi.org/10.1109/MHS.2012.6492503
Y.K. Kim, D.C. Choi, S.W. Jung, S.H. Park, D.H. Kim, D.N. Kim, "Implementation of Recognition and Healthcare Service System based on Finger", Journal of KIIT. Vol. 19, No. 1, pp. 147-156, Jan 2021. DOI: http://dx.doi.org/10.14801/jkiit.2021.19.1.147

상세보기
G. Huang, Z. Liu, L. Van Der Maaten and K. Q. Weinberger, "Densely Connected Convolutional Networks", 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2261-2269, 2017. DOI: https://doi.org/10.1109/CVPR.2017.243
Vincent Dumoulin, Francesco Visin, "A guide to convolution arithmetic for deep learning", arXiv preprint arXiv:1603.07285, 2016.
Y. Lu, S.J. Xie, Z. Wang, S. Yoon and D.S. Park, "An Available Database for the Research of Finger Vein Recognition", 2013 6th International Congress on Image and Signal Processing (CISP), pp. 410-415, 2013. DOI: https://doi.org/10.1109/CISP.2013.6744030
A. Tharwat, ''Classification assessment methods'', Applied Computing and Informatics, Vol. 17 No. 1, pp. 168-192, 2018. DOI: https://doi.org/10.1016/j.aci.2018.08.003

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