초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

패턴인식에서 사용되는 모든 영상을 해석할 수 있는 시스템은 현재 어려운 문제이므로 먼저문제 영역을 해석하는 방법이 일반적이다. 이는 영상의 이해 및 특정 정보값을 사용하여 특징으로 사용하기 위하여 특징을 추출한다. 특징 추출시 정보의 손실 없이 데이터를 줄이는 작업이 연구되어오고 있지만 이는 사람의 주관적인 경험으로 알고리즘의 내부 파라미터를 결정하고 바꾸어야 하는 문제점을 가지고 있다. 본 논문에서는 웨이블릿 변환으로 얻어진 sub-band들을 특징으로 추출하고 결과를 통계적인 방법인 주성분분석을 이용하여 특징 차원을 감소시켜 인식의 정확도를 향상시키는 방법을 제안한다.

패턴인식에서 사용되는 모든 영상을 해석할 수 있는 시스템은 현재 어려운 문제이므로 먼저문제 영역을 해석하는 방법이 일반적이다. 이는 영상의 이해 및 특정 정보값을 사용하여 특징으로 사용하기 위하여 특징을 추출한다. 특징 추출시 정보의 손실 없이 데이터를 줄이는 작업이 연구되어오고 있지만 이는 사람의 주관적인 경험으로 알고리즘의 내부 파라미터를 결정하고 바꾸어야 하는 문제점을 가지고 있다. 본 논문에서는 웨이블릿 변환으로 얻어진 sub-band들을 특징으로 추출하고 결과를 통계적인 방법인 주성분분석을 이용하여 특징 차원을 감소시켜 인식의 정확도를 향상시키는 방법을 제안한다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 본 논문에서는 카메라로부터 획득된 홍채 영상을 가장 효과적으로 표현할 수 있는 특징 벡터를 구성하기 위하여 다 해상도 Daubechies 웨이블릿 기법을 사용하여, 원 영상을 3단계로 분할하였다.

가설 설정

• 소가 되고, «如= Cl, 切2=。2, … , Wm= e” 일 때 Wj Cx Wj 가 최대가 된다. 이때 e” e2.

제안 방법

• 본 실험에서는 웨이블릿을 이용하여 홍채영상이 가지는 주파수 성분을 분석하고 주성분 분석(PCA)라는 통계적인 방법을 이용하여 흥채 특징을 추출하여 인식을 하는 방법을 제안하였다. 획득된 홍채영상에 대하여 wavelet을 적용했을 때, 획득된 영상에서 영상의 손실을 줄이면서 가장 특징으로써 사용될 수 있는 Approximation과 Horizontal부분을 사용함으로써 주된 특징으로 추출할 수 있다, 추출된 결과를 주성분 분석을 적용하였을 때, 통계적으로 중요한 정보를 유지하고 잡 영 (noise) 정보를 효과적으로 제거하여 특징의 차원을 효과적으로 줄일 수 있었다.
• 홍채의 특징영역은 웨이블릿 변환 결과의 Approximation 영역과 Horizontal Detail 영역의 값으로 특징 벡터를 구성하였다. Approximation 영 역은 전체 홍채 영상의 압축적인 결과를 나타내고 Horizontal Detail 영역은 홍채 영상에서 가장 많은 것이 수직적인 성분을 가장 많이 가지고 있어 이 부분을 특징으로 사용한다.

대상 데이터

• 5로 구현하였다. 사용 데 이 터는 고정 초점 CCD 카메라를 통해 그레이 레벨의 320X240의 해상도로 획득된 26명의 320개의 데이터를 사용하였다. 임의의 130개의 학습데이터와 190개의 실험데이터를 사용하였고 [그림 2]는 학습에 사용된 몇 개의 대표 홍채 영역 이미지는 다음과 같다.
• 사용 데 이 터는 고정 초점 CCD 카메라를 통해 그레이 레벨의 320X240의 해상도로 획득된 26명의 320개의 데이터를 사용하였다. 임의의 130개의 학습데이터와 190개의 실험데이터를 사용하였고 [그림 2]는 학습에 사용된 몇 개의 대표 홍채 영역 이미지는 다음과 같다.

이론/모형

• 본 논문에서 홍채 영상으로부터 특징을 추출한 방법으로 최근 패턴인식, 영상처리, 신호처리 등의 분야에서 널리 활용되고 있는 웨이블릿 변환을 이용하였다. 웨이블릿 변환을 이용하여 홍채 영상 분석 시 다 해상도 (multiresolution) 분석 기법을 적용하였다.
• 본 논문에서는 홍채 인식을 위한 특징 추출 방법으로 웨이블릿과 주성분 분석을 사용하였다. 이는 다량의 입력 데이터로부터 정보를 최대한 보존하면서 특징 벡터의 차원을 줄일 때 사람의 주관적인 판단 없이 원 영상이 가지고 있는 데이터의 성분을 최대한 이용하여 특징을 선택할 수 있다.
• 본 논문에서 홍채 영상으로부터 특징을 추출한 방법으로 최근 패턴인식, 영상처리, 신호처리 등의 분야에서 널리 활용되고 있는 웨이블릿 변환을 이용하였다. 웨이블릿 변환을 이용하여 홍채 영상 분석 시 다 해상도 (multiresolution) 분석 기법을 적용하였다.[3] 이는 공간적인 정보와 주파 수적인 정보를 동시에 표현할 수 있다는 특징을 지니고 있기 때문에 영상처리 분야에 널리 활용되고 있다.

성능/효과

• 이는 원 영 상의 홍채영역이 가지는 값을 최대한 손실 없이 유지하면서 각 집단을 함축적으로 표현할 수 있다. 그 결과 Gaussian kenel 을 이용한 SVM 분류기로 인식율 99.375%를 얻을 수 있었다.
• 영상을 분석하는 방법으로 PCA만을 단독으로 사용하는 경우 어느 한 집단은 함축적으로 표현하는 경우에는 효과적인 방법이지만 집단 간의 분리는 잘하지 못 한다. 이러한 문제점으로 인하여 wavelet을 이용하여 눈 영상의 홍채 영역을 웨이블릿 분석을 이용하여 손실을 최대한으로 줄이고 가장 특징적인 것을 추출할 수 있다.
• Approximation 영 역은 전체 홍채 영상의 압축적인 결과를 나타내고 Horizontal Detail 영역은 홍채 영상에서 가장 많은 것이 수직적인 성분을 가장 많이 가지고 있어 이 부분을 특징으로 사용한다. 이를 통해서 원 영상의 7200차원이 896차원으로 홍채의 특징을 가장 많이 포함하는 영역을 추출하였다. 이렇게 얻어진 결과를 PCA를 통하여 개개인을 표현할 수 있는 차원으로 특징의 차원을 129차원으로 축소시킬 수 있다,
• 이와 같은 방법으로 실험한 결과 원영상에서 추출된 홍채영역 7200차원을 웨이블릿 변환으로 896차원의 특징을 추출하였다. 이렇게 얻어진 특징 차원을 주성분 분석을 적용하여 129차원으로 줄일 수가 있었다.
• 본 실험에서는 웨이블릿을 이용하여 홍채영상이 가지는 주파수 성분을 분석하고 주성분 분석(PCA)라는 통계적인 방법을 이용하여 흥채 특징을 추출하여 인식을 하는 방법을 제안하였다. 획득된 홍채영상에 대하여 wavelet을 적용했을 때, 획득된 영상에서 영상의 손실을 줄이면서 가장 특징으로써 사용될 수 있는 Approximation과 Horizontal부분을 사용함으로써 주된 특징으로 추출할 수 있다, 추출된 결과를 주성분 분석을 적용하였을 때, 통계적으로 중요한 정보를 유지하고 잡 영 (noise) 정보를 효과적으로 제거하여 특징의 차원을 효과적으로 줄일 수 있었다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기