초록

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

최근 사람의 생체정보를 이용하여 동일인 여부를 판별하는 생체인식에 대한 연구가 활발히 진행되고 있다. 지금까지 인증이나 인식에 사용된 생체 정보로는 홍채, 지문, 망막, 음성, 얼굴 등이 있으며 그 중 홍채는 신뢰성이나 정확성 면에서 우수한 성능을 가진다. 홍채 인식은 다양한 환경하에서 홍채를 취득해야 하기 때문에 주변 환경에 민감할 수 밖에 없다. 특히 홍채의 회전으로 인한 홍채 무늬 패턴의 변화에 강인한 특징을 추출하는 것은 홍채 인식에 있어 매우 중요하다. 본 논문에서는 국부적 그래디언트 방향 히스토그램을 이용한 회전된 홍채의 특징 추출 방법을 제안하였다. 제안된 방법은 성능면에서 기존의 방법들과 비교하여 대등한 성능을 보여주는 것을 실험을 통해 확인하였다.

최근 사람의 생체정보를 이용하여 동일인 여부를 판별하는 생체인식에 대한 연구가 활발히 진행되고 있다. 지금까지 인증이나 인식에 사용된 생체 정보로는 홍채, 지문, 망막, 음성, 얼굴 등이 있으며 그 중 홍채는 신뢰성이나 정확성 면에서 우수한 성능을 가진다. 홍채 인식은 다양한 환경하에서 홍채를 취득해야 하기 때문에 주변 환경에 민감할 수 밖에 없다. 특히 홍채의 회전으로 인한 홍채 무늬 패턴의 변화에 강인한 특징을 추출하는 것은 홍채 인식에 있어 매우 중요하다. 본 논문에서는 국부적 그래디언트 방향 히스토그램을 이용한 회전된 홍채의 특징 추출 방법을 제안하였다. 제안된 방법은 성능면에서 기존의 방법들과 비교하여 대등한 성능을 보여주는 것을 실험을 통해 확인하였다.

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 국부적 그래디언트 방향 히스토그램을 이용하여 조명의 영향이나 홍채 패턴의 변화에 대해 강인한 특징을 추출하는 방법을 제안하였다. 그래디언트 방향은 조명의 밝기나 대비에 무관한 특성이 있으며 그 히스토그램은 정규화된 홍채를 적절한 크기로 분할하는 경우 성능면에서 기존의 연구방법과 비교하여 대등한 결과를 보여준다.
• 하지만 이러한 방법들은 Daugman의 방법에서 볼 수 있듯이 홍채에서 추출한 특징값을 해당 위치에서 서로 대응시켜 비교하기 때문에 홍채 패턴의 위치가 변하는 경우 이에 대한 보완이 필요하다. 이와 같은 문제점들을 해결하기 위해 본 논문에서는 국부적 그래디언트 방향 히스토그램(local gradient orientation histogram)을 이용한 홍채의 회전에 강인한 홍채 특징 추출 방법을 제안한다. 그래디언트의 방향[3]은 조명의 변화에 강인하며 빠른 특징 추출이 가능한 특성 때문에 국부적 그래디언트의 방향을 이용한 SIFT(Scale Invariant Feature Transform)나 GLOH(Gradient Location Orientation Histogram)와 같은 지역서술자(local descriptor)들이 패턴인식의 다양한 분야에서 사용되어 왔다[4][5].

제안 방법

• CASIA 데이터베이스는 총 756장의 영상으로 구성되어 있다. 또한CASIA 데이터베이스 내의 모든 영상을 2도 간격으로 시계방향으로 회전시켜가며 실험을 진행하였다.
• 그림 2-(e)는 정규화된 홍채에 대해 각 픽셀에서 구한 그래디언트의 방향을 나타낸 그림이다. 이렇게 구해진 그래디언트 방향 영상을 가로 C, 세로 R개로 분할하여 R×C개의 부영상(sub-image)으로 나눈후 부영상별로 그래디언트 방향 각도에 따른 히스토그램으로 구한다. 이때 그래디언트 방향은 0°에서360°의 범위를 가지므로 360°/B^∘ 간격을 하나의 빈(bin)으로 하여 총 B개의 빈을 가지는 히스토그램으로 만든다.
• 그래디언트 방향 히스토그램은 다음 과정을 통해 구해진다. 정규화된 홍채에 소벨 연산자를 적용하여 그래디언트 방향을 계산한다. 이때 정규화된 홍채에 대해 직접 그래디언트 방향을 구하면 노이즈에 민감할 수 있기 때문에 가우시안 블러를 적용하여 영상을 부드럽게 한다.

대상 데이터

• 실험에 사용된 홍채 영상은 CASIA 데이터베이스[6]를 이용하여 제안한 홍채 특징 추출 알고리즘의 성능 평가를 수행하였다. CASIA 데이터베이스는 총 756장의 영상으로 구성되어 있다. 또한CASIA 데이터베이스 내의 모든 영상을 2도 간격으로 시계방향으로 회전시켜가며 실험을 진행하였다.

데이터처리

• 실험에 사용된 홍채 영상은 CASIA 데이터베이스[6]를 이용하여 제안한 홍채 특징 추출 알고리즘의 성능 평가를 수행하였다. CASIA 데이터베이스는 총 756장의 영상으로 구성되어 있다.

이론/모형

• 제안된 방법의 성능 평가를 위한 방법으로 Index d(d-prime)을 사용하였다. Index d은 Daugman에 의해 제안된 성능 평가 방법으로 식(4)과 같이 표현된다[7].

성능/효과

• 여기서 cw-X는 CASIA 데이터셋 756장과 756장을 X 각도만큼 시계방향으로 회전시킨 총 1512장의 영상으로 구성된 데이터셋을 의미한다. 실험 결과를 통해 열 분할 개수 C가 작을수록 회전된 영상에 대해 강인한 성능을 가지며 C가 커지면 회전에 대해 성능 저하가 더 크게 나타난다는 것을 알 수 있다.
• 표 2는 CASIA DB에 대한 기존의 알고리즘의 인식률이다[8]. 제안된 방법이 홍채의 회전에 대해 별도의 처리가 필요 없는 장점을 가지면서도 기존의 방법에 비해 성능에서 큰 차이가 없음을 확인할 수 있다.
• 표 5에 나타난 인식률 평가 결과에서 알 수 있듯이 회전된 영상에 대해서도 높은 인식률을 나타냄을 확인할 수 있다. 표 2는 CASIA DB에 대한 기존의 알고리즘의 인식률이다[8].
• 그림 4에서 알 수 있듯이 입력 영상이 회전되는 경우 정규화된 홍채는 수평방향으로의 이동으로 나타나게 된다. 히스토그램을 특징으로 사용하는 경우 이러한 수평이동에 대해 일정한 범위 내에서 강인한 특성을 보이는데, 실험을 통해 확인한 결과 면적의 30% 이내의 이동까지는 변화에 강인한 특성을 보였다.

후속연구

• 그래디언트 방향은 조명의 밝기나 대비에 무관한 특성이 있으며 그 히스토그램은 정규화된 홍채를 적절한 크기로 분할하는 경우 성능면에서 기존의 연구방법과 비교하여 대등한 결과를 보여준다. 향후 연구과제로, 국부적 그래디언트 방향 히스토그램 방법의 인식 성능을 저하시키지 않으면서 특징량을 줄일 수 있는 표현 방법에 대한 연구가 필요하며, 회전된 영상에 대한 인식성능을 높일 수 있는 방법에 대한 연구가 필요하다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기