초록

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

본 논문은 생체인식시스템에서 단일시스템의 각각의 특징을 바탕으로 신뢰성을 증가시키는 것에 있다. 간단하면서 높은 인식률을 가지는 지문과 개개인의 음성을 다중생체인식에 활용하여 다중생체인식 시스템을 구현 하였다. 화자인식부에서는 DSP를 이용하여 화자인식을 수행하고, 이후 지문인식부에서 지문 특징점을 추출하여 KSOM신경망 알고리즘을 이용하여 인식을 수행하였다. 그리고 각 인식부의 전체적인 제어는 ATmega16L을 사용하였다. 또한 인증결과를 PC에 MFC로 디스플레이 한다.

본 논문은 생체인식시스템에서 단일시스템의 각각의 특징을 바탕으로 신뢰성을 증가시키는 것에 있다. 간단하면서 높은 인식률을 가지는 지문과 개개인의 음성을 다중생체인식에 활용하여 다중생체인식 시스템을 구현 하였다. 화자인식부에서는 DSP를 이용하여 화자인식을 수행하고, 이후 지문인식부에서 지문 특징점을 추출하여 KSOM신경망 알고리즘을 이용하여 인식을 수행하였다. 그리고 각 인식부의 전체적인 제어는 ATmega16L을 사용하였다. 또한 인증결과를 PC에 MFC로 디스플레이 한다.

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

• 기존의 단일생체 인식시스템이 가지고 있는 오인식률(FAR)을 보완하기 위해 생체 인식시스템에서 많이 사용되고 있는 지문과 음성을 이용한 다중생체 인식시스템을 구현하여 오인식률 (FAR) 을 감소시키는데 그 목적을 두었다.

제안 방법

• 이러한 단일인식시스템들의 특징들을 활용하여 신뢰성을 증가시킬 수 있는 간단하면서도 높은 인식률을 가진 지문과 개개인이 가지고 있는 독특한 음성을 이용하여 임베디드형 다 중생 체 인식시스템을 구현 하였다. 전체 시스템은 크게 세부분으로 지문인식부, 화자인식부, 제어부로 나뉜다.
• 입 력된 지문영상에서 특징점 추출을 용이하게 하기위하여 영상을 향상하고 난 뒤에 지문 영상의 방향성 및 이진화, 세선화 처리를 하게된다.
• 1의 특징정보추출 부에 나타난 것과 같다. 프리엠파시스 (Pre-emphasis)처리 후, 해밍 윈도우(Hammin g Window)를 씌우고 FFT(Fast Fourier Tran s form)을 수행하여 주파수영 역으로 변환한다. 변환된 값들을 미리 설정된 MFCC (멜 캡스트럼 ) 대 역 필터뱅크를 통과시 키고, 로그화, DCT (Distance Cosine Transform)을 거치면 한 프레임 당 12개의 계수 값 들을 구할 수 있다.

대상 데이터

• 전체 시스템은 크게 세부분으로 지문인식부, 화자인식부, 제어부로 나뉜다. 각 인식부에 대한 전체적인 제어는 ATMEL사의 Atmegal6L을 사용하였다. 화자인식부는 기존의 화자인식 알고리즘 중에서 실시간 처리가 가장 적합한 DTW ①ynamic Time Warping)알고리즘을 적용한 방법을 이용하였고, 지문인식부 인공지능기법인 KSOM 신경망 및 여러가지 지문처리 알고리즘을 이용하였다.

이론/모형

• MFCC(Mel-Frequency Cepstrum Coefficient) 방식을 사용하여 음성의 특징정보를 추출하였다 MFCC의 처리 절차는 그림 2.1의 특징정보추출 부에 나타난 것과 같다. 프리엠파시스 (Pre-emphasis)처리 후, 해밍 윈도우(Hammin g Window)를 씌우고 FFT(Fast Fourier Tran s form)을 수행하여 주파수영 역으로 변환한다.
• 실시간 화자인식을 위해 간단하면도 성능이 뛰어난 DTW 알고리즘을 적용하였으며, 전체 화자 인식 알고리즘은 그림1과 같다.
• 인식시스템은 각각 임베디드 형태로 구현하기 위해, TI사의 DSP TMS320C₃₂ TMS320VC' 5509를 사용하여 실제 제작하였으며, 실시간구현을 위해 인공지능 알고리즘인 KSOM 신경망을 채택하여 구현하였다.
• 자율신경 망 KSOM (Kohonen Self Organizi ng Maps)을 이용하여 지문의 분류 및 인식알고리즘을 사용하였다. KSOM 신경망은 음성인식, 문자 인식, 구문 분석 등 다양한 분야에 응용되는 자율 학습 신경망으로, 입력층과 출력층으로만 구성되는 순방향 단층 신경망 구조이다.
• 이런 두 가지 요인은 KSOM 신셩망에 있어서 매우 숭요하다. 지분에 서 추출된 특징점 들을 KSOM 신 경 망의 입력패턴으로 사용하였고 입력층 512개, 출력층 100개의 신경망을 구성하였고 연결강도와 입력패턴과의 거리는 유클리드 거리법을 사용 하였다.
• 특징 추출과정 알고리즘을 이용하여 특징값을 추출하였으며, 인식과정을 인공지능기법인 자율신경망 KSOM (Kohonen Self Orga nizing Maps)을 이용하여 실시간 지문 인식시스템을 구현하였다.
• 각 인식부에 대한 전체적인 제어는 ATMEL사의 Atmegal6L을 사용하였다. 화자인식부는 기존의 화자인식 알고리즘 중에서 실시간 처리가 가장 적합한 DTW ①ynamic Time Warping)알고리즘을 적용한 방법을 이용하였고, 지문인식부 인공지능기법인 KSOM 신경망 및 여러가지 지문처리 알고리즘을 이용하였다.

후속연구

• 구현한 다중생체 인식시스템을 실험한 결과지문과 음성을 각각 이용한 단일인식시스템보다 인식률(FRR)은 2~7%정도 떨어졌지만, 인식시스템에서 가장 중요한 요소인 오인식률 (FAR)은 전혀 발생하지 않음을 확인하였다 앞으로 연구방향으로는 음성과 지문뿐만 아니라 홍채와 얼굴 등 좀 더 많은 생체정보를 이용한 실시간 생체인식시스템을 연구하고자 한다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기