KR100734857B1

KR100734857B1 - 누적 합 기반의 변화점 분석을 이용한 홍채 인식 방법 및그 장치

Info

Publication number: KR100734857B1
Application number: KR1020050118628A
Authority: KR
Inventors: 고종국; 길연희; 유장희; 정교일
Original assignee: 한국전자통신연구원
Priority date: 2005-12-07
Filing date: 2005-12-07
Publication date: 2007-07-03
Also published as: KR20070059607A; US20070014438A1; US7715594B2; JP4516940B2; JP2007157112A

Abstract

본 발명에 의한 누적합 기반의 변화점 분석을 이용한 홍채 인식 방법 및 그 장치는 홍채 영상을

픽셀 크기를 가지는 영상으로 극좌표 변환한 후 적어도 하나 이상의 셀(cell)로 분할하는 단계; 상기 분할된 홍채 영상을 소정 개수의 셀로 이루어지는 적어도 하나 이상의 제1그룹, 그리고 상기 제1그룹을 형성하는 셀의 수보다 큰 수의 셀로 이루어지는 적어도 하나 이상의 제2그룹으로 그룹화하는 단계; 상기 각 셀의 소정의 특징값을 대표값으로 하여 누적합 기반의 변화점 분석을 수행하는 단계; 및 상기 분석 결과 생성되는 변화점이 되는 셀과 나머지 셀에 서로 상이한 값을 각각 부여하여 특징벡터를 생성하는 단계;를 포함하는 것을 특징으로 하며, 기존의 웨이블릿 변환 기반의 특징 추출을 이용한 홍채 인식 방법보다 계산량이 적고 간단하며 효율적인 새로운 특징 추출을 이용하여 홍채를 인식할 수 있다.

홍채 인식, 누적합, 변화점

Description

누적 합 기반의 변화점 분석을 이용한 홍채 인식 방법 및 그 장치{Method for verifying iris using CPA(Change Point Analysis) based on cumulative sum and apparatus thereof}

도 1a은 누적합 기반의 변화점 분석 개념을 설명하기 위한 샘플 데이터를 보여주는 도면이다.

도 1b는 누적합 기반의 변화점 분석의 과정을 보여주는 흐름도이다.

도 1c는 도 1a의 데이터를 도 1b에 도시된 바와 같은 분석 과정을 수식으로 표현한 도면이다.

도 1d는 도 1c의 결과를 도표로 표현한 도면이다.

도 2는 본 발명에 의한 누적 합 기반의 변화점 분석을 이용한 홍채 인식 방법을 수행하는 과정을 보여주는 흐름도이다.

도 3은 본 발명에 의한 누적 합 기반의 변화점 분석을 이용한 홍채 인식 장치의 구성을 보여주는 블록도이다.

도 4는 홍채 영역을 기본 셀 영역으로 분할하는 것을 보여주는 도면이다.

도 5는 기본 셀 영역으로 분할된 상태에서 누적합 기반의 변화점 분석을 위한 셀 영역을 그룹화하는 것을 보여주는 도면이다.

도 6은 6개 셀 영역의 각 평균 그레이 값의 예시 도면이다.

도 7은 도 6의 예를 기초로 누적합 기반의 변화점 분석을 수행한 결과를 보여주는 도면이다.

본 발명은 홍채를 인식하고 나아가 이를 통하여 사람을 인식하는 홍채 인식 방법 및 그 장치에 관한 것으로서, 보다 상세하게는 기존의 홍채 특징 추출 방법보다 계산량이 작고 간단하며 효율적인 새로운 특징 추출방법으로서 누적합(Cumulative Sum) 기반의 변화점 분석(Change Point Analysis)을 이용하여 홍채의 특징을 추출하여 홍채를 인식하고, 궁극적으로 사람을 인증하는 방법 및 그 장치에 관한 것이다.

기존의 홍채 인식 기술들 중에서 홍채의 특징을 추출하는 방법에는 여러 가지가 있다. 그 중에서도 가버(Garbor) 변환, 웨이블릿 방법들을 사용하여 홍채의 특징들을 분석하는 기술들이 사용되고 있다. 가버 변환을 이용하여 특징을 추출하고 특징 벡터를 생성하는 방법이 도그만(Daugman)에 의해 최초로 개시되었다. 하지만 이 방법은 정밀한 홍채의 화질을 요구하기 때문에 고가의 영상 획득 장비가 요구된다. 또한 가버 변환을 수행함에 있어서는 지수 함수의 계산 및 많은 곱셈 연산 등으로 인해 계산의 복잡성이 증가하게 된다. 또한, 추출된 홍채 영상을 극좌표로 변환하여 홍채 특징을 추출할 때에 홍채의 위치 이동의 차이로 인해 홍채의 특징 추출 및 매칭(matching)에 의한 인증 결과의 성능이 나빠지는 문제점이 발생한다.

본 발명이 이루고자 하는 기술적 과제는 상기의 문제점을 해결하기 위하여 안출된 것으로서, 기존의 특징 추출 방법보다 계산량이 적고 간단하며 효율적인 새로운 특징 추출 방법으로서 누적합(Cumulative Sum) 기반의 변화점 분석(Chang Point Analysis)을 이용하여 홍채의 특징을 추출하여 홍채를 인식하고, 그 결과를 이용하여 사람을 인증하는 방법 및 그 장치를 제공하는데 있다.

상기의 기술적 과제를 이루기 위하여 본 발명에 의한 누적 합 기반의 변화점 분석을 이용한 홍채 인식 방법은 홍채 영상을

픽셀 크기를 가지는 영상으로 극좌표 변환한 후 적어도 하나 이상의 셀(cell)로 분할하는 단계; 상기 분할된 홍채 영상을 소정 개수의 셀로 이루어지는 적어도 하나 이상의 제1그룹, 그리고 상기 제1그룹을 형성하는 셀의 수보다 큰 수의 셀로 이루어지는 적어도 하나 이상의 제2그룹으로 그룹화하는 단계; 상기 각 셀의 소정의 특징값을 대표값으로 하여 누적합 기반의 변화점 분석을 수행하는 단계; 및 상기 분석 결과 생성되는 변화점이 되는 셀과 나머지 셀에 서로 상이한 값을 각각 부여하여 특징벡터를 생성하는 단계;를 포함하는 것을 특징으로 한다.

상기의 기술적 과제를 이루기 위하여 본 발명에 의한 누적 합 기반의 변화점 분석을 이용한 홍채 인식 장치는 홍채 영상을 소정의 픽셀 크기를 가지는 영상으로 극좌표 변환한 후 적어도 하나 이상의 셀(cell)로 분할하는 분할부; 상기 분할부가 출력하는 셀들의 집합을 소정 개수의 셀로 이루어지는 적어도 하나 이상의 제1그룹, 그리고 상기 제1그룹을 형성하는 셀의 수보다 큰 수의 셀로 이루어지는 적어도 하나 이상의 제2그룹으로 그룹화하여 출력하는 그룹화부; 상기 제1 내지 제2그룹으로 그룹화된 각 셀의 소정의 특징값을 대표값으로 하여 누적합 기반의 변화점 분석을 수행한 후 변화점이 되는 셀과 나머지 셀에 서로 상이한 값을 각각 부여하여 특징벡터를 생성하는 특징벡터생성부; 및 상기 특징벡터생성부가 출력하는 특징벡터와 사용자의 기 등록된 특징벡터를 수신하여 인증을 수행하는 인증부;를 포함하는 것을 특징으로 한다.

이하, 첨부된 도면을 참조하면서 본 발명의 바람직한 일 실시예를 상세히 설명하도록 한다. 설명의 편의와 이해의 용이함을 위하여 장치와 방법을 함께 서술하도록 한다.

먼저, 본 발명의 정확한 이해를 위하여 도 1a 내지 도 1b를 참조하면서 누적합 기반의 변화점 분석에 관하여 서술한다. 도 1a은 누적합 기반의 변화점 분석 개념을 설명하기 위한 샘플 데이터를 보여주는 도면이고, 도 1b는 누적합 기반의 변화점 분석의 과정을 보여주는 흐름도이다. 그리고 도 1c는 도 1a의 데이터를 도 1b에 도시된 바와 같은 분석 과정을 수식으로 표현한 도면이며, 도 1d는 도 1c의 결과를 도표로 표현한 도면이다. 도 1a는 1987년과 1988년 각 월의 무역적자를 나열한 것으로서, 누적합 기반의 변화점 분석의 개념을 설명하기 위한 샘플 데이터이다(110). 이렇게 나열된 샘플 데이터에서 전체적으로 가장 변화가 심한 곳이 어디인지를 찾고자 하는 것이다. 각 입력데이터들에 대한 각각의 누적합 값을 계산하는 방식을 살펴본다. 먼저 입력 데이터들의 평균값(

)을 구하고(S120) 그 평균값을 기준으로 하여 입력데이터와 그 평균값(

) 과의 차이 값을 구하는 방식이다. 입력 데이터간의 차이 값을 구하는 것이 아니라 입력데이터와 평균값과의 차이 값을 구하는 것으로 입력데이터들의 변화율을 전체적인 관점에서 볼 수가 있다. 이를 위하여 0에서 시작하는 누적합(

) 계산을 시작하여 현재값과 이전합의 평균과의 차이를 더하여 다른 누적합(

)을 계산한다. 이 예에서 i는 1에서 24까지가 된다. 도 1a의 샘플 데이터를 대입하여 구한 구체적인 수치가 도 1c에 나타나 있으며, 그 값을 토대로 그래프로 그린 것이 도 1d이다. 이 누적 합 그래프(150)를 보면 151이 위치한 부분이 입력된 데이터의 변화점임을 알 수가 있다. 즉, 151이 위치한 '87 11월 부분이 입력된 데이터 중에서 가장 큰 변화 점(Sharp Change Point)임을 나타내는 것이다. 그리고 누적합 그래프에서 변화점을 기준으로 왼쪽 부분에 상승 기울기를 가지는 부분은 입력 값들이 평균값 보다 전반적으로 큰 값들로 이루어져 있다는 것을 알 수 있고, 변화점을 기준으로 오른쪽의 하강 기울기를 가지는 부분은 입력 값들이 평균값 보다 전반적으로 작은 값들로 이루어져 있다는 것을 알 수 있다. 또한, 누적 합은 "0"에서 시작하여 "0"에서 끝나게 된다.

이제 도 2 내지 도 7을 참조하면서 본 발명에 의한 누적합 기반의 변화점 분석을 이용한 홍채 인식과 인증에 대하여 설명하도록 한다. 도 2는 본 발명에 의한 누적 합 기반의 변화점 분석을 이용한 홍채 인식 방법을 수행하는 과정을 보여주는 흐름도이고, 도3은 본 발명에 의한 누적 합 기반의 변화점 분석을 이용한 홍채 인식 장치의 구성을 보여주는 블록도이다. 그리고 도 4는 홍채 영역을 기본 셀 영역으로 분할하는 것을 보여주는 도면이고, 도 5는 기본 셀 영역으로 분할된 상태에서 누적합 기반의 변화점 분석을 위한 셀 영역을 그룹화하는 것을 보여주는 도면이다.한편 도 6은 6개 셀 영역의 각 평균 그레이 값의 예시 도면이고, 도 7은 도 6의 예를 기초로 누적합 기반의 변화점 분석을 수행한 결과를 보여주는 도면이다.

분할부(310)는 입력되는 홍채 영상을 극좌표로 변환한 후 그 변환된 홍채 영역을 누적합 기반의 변화점 분석을 하기 위해 기본 셀(Cell) 영역으로 분할한다. 즉, 홍채의 극좌표로 변환된 영상을 셀 영역의 기본 단위 영역으로 분할 하는 것이다. 먼저, 추출된 홍채 영상은 분석을 위해 극좌표로 변환이 이루어진다. 극좌표로 변환된 홍채 영상은 64 x 512 픽셀 사이즈의 크기를 가진다. 홍채의 특징은 자율신경환에 많이 나타나고 있다. 그리고 홍채 영상의 전체 특징을 분석할 필요가 없고 410에서와 같이 극좌표 영상 중에서 세로방향으로 78% 정도만을 홍채 특징추출에 사용하기 위하여 점선으로 표시된 아래 부분은 홍채 특징 추출에 사용하지 않는다. 즉, 64 × 0.78 ≒ 50 픽셀의 결과와 같이 세로 길이는 50 픽셀 정도만을 가지고 사용한다. 홍채 영상의 기본 셀 영역의 크기는 420과 같이 5 x 3 픽셀의 크기로 이루어진다. 즉, 하나의 셀 영역은 5 x 3 픽셀 크기로 이루어지고 평균 그레이(Gray) 값을 기본 셀 영역의 대표 값으로 사용하여 누적 합 계산에 사용한다. 430과 같이 512 ÷3 ≒ 170 개의 셀 영역이 생성되고 또한 540과 같이 50 ÷ 5 = 10 줄이 생성되므로 기본 셀 영역개수는 170 × 10 = 1700 개의 셀 영역으로 홍채 영상을 분할 한다(이상 S210단계).

다음으로 그룹화부(320)는 도 3과 같이 홍채의 극좌표로 변환된 영상을 셀 영역으로 분할한 후에 각 기본 셀 영역들을 누적 합을 구하기 위해 semi local group(청구범위에서는 제1그룹으로 표현되어 있음) 과 local group(청구범위에서는 제2그룹으로 표현되어 있음)으로 나눈다. 510과 520 같이 가로 방향으로 기본 셀 영역들은 그룹화가 된다. 530과 같이 하나의 가로줄에 대해 170개의 셀 영역이 존재하고 이러한 가로줄이 10개(540)가 존재한다. 510과 같이 1번부터 5번까지의 셀 영역들을 하나의 그룹(제1그룹)으로 묶여지게 된다(S220단계). 특징벡터생성부(330)는 이 그룹 안에서 누적 합 기반의 변화점 분석 알고리즘(도 1a 내지 도 1b를 참조하면서 설명)을 적용하여 변화점(Sharp Change Point)이 되는 셀 영역을 찾는다. 같은 방법으로 520처럼 묶어지는 그룹(제2그룹)들에도 적용되어 변화점(Sharp Change Point)이 되는 셀 영역을 찾아낸다. 520과 같이 그룹화될 경우에는 옆의 그룹들과 상호 중첩되게 하여 좀더 정확하게 변화점을 찾도록 한다(S230단계). 530과 같이 하나의 가로줄은 510과 520 같이 두 개의 그룹화되므로 550과 560 같이 각각 170개씩의 특징 벡터를 이루게 된다. 이때 변화점으로 선택된 셀 영역은 "1"의 값으로 설정되고 나머지 셀 영역들은 "0"의 값으로 설정되어 특징벡터를 이룬다. 그래서 (170 + 170) × 10 = 3400 bits의 크기를 가지는 특징벡터가 생성된다(S240단계). 인증부(340)는 이렇게 생성된 특징 벡터를 같은 방식으로 이미 등록된 특징 벡터와 해밍 거리를 이용하여 유사도를 구하여 통계적 방법으로 계산하여 특정 임계치 값을 기준으로 인증 가부를 결정한다(S250단계).가로 방향과 같이 추가로 세 로 방향으로의 그룹화 및 특징점 추출을 수행할 수도 있다.

도 6a 내지 도 6b는 셀 영역들의 평균 그레이 값을 가지(branch)로 하는 누적 합 기반의 변화점 분석을 보여 주고 있다. 또한, 홍채 영상의 이동에 따른 인식 성능 저하를 줄이기 위한 특징 벡터 생성 방법을 보여주고 있다. 도 6a는 6개의 셀 영역들의 그레이 값을 나타내고 있다. 도 6b는 6개의 셀 영역들을 하나의 그룹으로 하여 누적 합을 계산하여 그래프로 나타낸 것이다. 이 그래프에서 620이 가리키는 셀 영역의 누적 합 S4의 절대값이 가장 큰 것을 가지고 있기 때문에 4번째 셀 영역이 변화점(Sharp Change Point) 라는 것을 식별할 수 있다. 그리고 홍채 영상 이동에 따른 인식 성능 저하를 줄이기 위해 620의 변화점을 기준으로 하여 왼쪽부분의 하강 기울기(downward slope)를 갖는 셀 영역들은 610과 같이 "0" 값으로 설정하고 변화점(620)을 기준으로 오른쪽 부분의 상승 기울기(upward slope)를 갖는 셀 영역들은 630과 같이 "1"의 값으로 설정을 한다. 이렇게 함으로써 홍채 영상의 이동에 의해 변화점(Shape Change Point)이 변할 지라도 전반적인 그레이 값의 변화에 대한 중첩 부분을 좀 더 유지할 수가 있어서 추출된 특징 벡터의 값의 유사성을 유지할 수 있다.

본 발명에 의한 누적합 기반의 변화점 분석을 이용한 홍채 인식 방법은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 하드 디스크, 플로피 디 스크, 플래쉬 메모리, 광 데이타 저장장치등이 있으며, 또한 캐리어 웨이브(예를들면 인터넷을 통한 전송)의 형태로 구현되는 것도 포함된다. 또한 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다. 또한 본 발명에 의한 폰트 롬 데이터구조도 컴퓨터로 읽을 수 있는 ROM, RAM, CD-ROM, 자기 테이프, 하드 디스크, 플로피 디스크, 플래쉬 메모리, 광 데이타 저장장치등과 같은 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다.

이상과 같이 본 발명은 양호한 실시예에 근거하여 설명하였지만, 이러한 실시예는 이 발명을 제한하려는 것이 아니라 예시하려는 것으로, 본 발명이 속하는 기술분야의 숙련자라면 이 발명의 기술사상을 벗어남이 없이 위 실시예에 대한 다양한 변화나 변경 또는 조절이 가능함이 자명할 것이다. 그러므로, 이 발명의 보호범위는 첨부된 청구범위에 의해서만 한정될 것이며, 위와 같은 변화예나 변경예 또는 조절예를 모두 포함하는 것으로 해석되어야 할 것이다.

이상에서 설명한 바와 같이 본 발명에 의한 누적합 기반의 변화점 분석을 이용한 홍채 인식 방법 및 그 장치는 기존의 웨이블릿 변환 기반의 특징 추출을 이용한 홍채 인식 방법보다 계산량이 적고 간단하며 효율적인 새로운 특징 추출을 이용하여 홍채를 인식할 수 있다.

또한 이렇게 추출된 특징을 이용하여 홍채의 위치 이동으로 인한 성능 저하를 막기 위한 특징 벡터를 생성함으로써 안정적인 인증을 수행할 수 있다.

Claims

(a) 홍채 영상을
픽셀 크기를 가지는 영상으로 극좌표 변환한 후 적어도 하나 이상의 셀(cell)로 분할하는 단계;

(b) 상기 분할된 홍채 영상을 소정 개수의 셀로 이루어지는 적어도 하나 이상의 제1그룹, 그리고 상기 제1그룹을 형성하는 셀의 수보다 큰 수의 셀로 이루어지는 적어도 하나 이상의 제2그룹으로 그룹화하는 단계;

(c) 상기 제1내지 제2그룹을 형성하는 각 셀의 소정의 특징값을 대표값으로 하여 누적합 기반의 변화점 분석을 수행하는 단계; 및

(d) 상기 분석 결과 생성되는 변화점이 되는 셀과 나머지 셀에 서로 상이한 값을 각각 부여하여 특징벡터를 생성하는 단계;를 포함하는 것을 특징으로 하는 누적합 기반의 변화점 분석을 이용한 홍채 인식 방법.
제1항에 있어서, 상기 (a)단계는

(a1) 상기 홍채영상을 n은 64, m은 512인 픽셀 크기가 되도록 변환하는 단계; 및

(a2) 상기 변환된 홍채 영상에서 세로 방향으로 홍채의 자율신경환을 표현할 수 있는 비율 이하의 영역은 상기 셀로 분할하지 않는 단계;를 포함하는 것을 특징으로 하는 누적합 기반의 변화점 분석을 이용한 홍채 인식 방법.
제2항에 있어서, 상기 비율은

기준점에서 20% 내지 25%인 것을 특징으로 하는 누적합 기반의 변화점 분석을 이용한 홍채 인식 방법.
제1항에 있어서, 상기 (b)단계는

상기 제2그룹은 상기 제1그룹을 2개 포함하며, 상기 제1그룹을 형성하는 셀의 개수만큼 인접한 제2그룹의 셀이 중복되는 제2그룹으로 그룹화하는 단계;를 포함하는 것을 특징으로 하는 누적합 기반의 변화점 분석을 이용한 홍채 인식 방법.
제1항에 있어서, 상기 특징값은

평균 그레이(gray) 값인 것을 특징으로 하는 누적합 기반의 변화점 분석을 이용한 홍채 인식 방법.
제1항에 있어서, 상기 (d)단계는

(d1) 상기 특징벡터를 기 등록된 특징벡터와 유사도를 계산하여 인증을 수행하는 단계;를 더 포함하는 것을 특징으로 하는 누적합 기반의 변화점 분석을 이용한 홍채 인식 방법.
제6항에 있어서, 상기 (d1)단계는

상기 유사도를 상기 특징벡터와 기 등록된 특징벡터와의 해밍거리를 이용하여 구하고, 그 결과를 소정의 임계치와 비교하여 인증 여부를 결정하는 단계;를 포함하는 것을 특징으로 하는 누적합 기반의 변화점 분석을 이용한 홍채 인식 방법.
홍채 영상을 소정의 픽셀 크기를 가지는 영상으로 극좌표 변환한 후 적어도 하나 이상의 셀(cell)로 분할하는 분할부;

상기 분할부가 출력하는 셀들의 집합을 소정 개수의 셀로 이루어지는 적어도 하나 이상의 제1그룹, 그리고 상기 제1그룹을 형성하는 셀의 수보다 큰 수의 셀로 이루어지는 적어도 하나 이상의 제2그룹으로 그룹화하여 출력하는 그룹화부;

상기 제1 내지 제2그룹으로 그룹화된 각 셀의 소정의 특징값을 대표값으로 하여 누적합 기반의 변화점 분석을 수행한 후 변화점이 되는 셀과 나머지 셀에 서로 상이한 값을 각각 부여하여 특징벡터를 생성하는 특징벡터생성부; 및

상기 특징벡터생성부가 출력하는 특징벡터와 사용자의 기 등록된 특징벡터를 수신하여 인증을 수행하는 인증부;를 포함하는 것을 특징으로 하는 누적합 기반의 변화점 분석을 이용한 홍채 인식 장치.
제8항에 있어서, 상기 분할부는

상기 픽셀 크기를 64 x 512가 되도록 변환한 후 상기 홍채 영상에서 세로 방향으로 홍채의 자율신경환을 표현할 수 있는 비율 이하의 영역은 제외하고 분할하는 것을 특징으로 하는 누적합 기반의 변화점 분석을 이용한 홍채 인식 장치.
제8항에 있어서, 상기 그룹화부는

상기 제2그룹은 상기 제1그룹을 2개 포함하며, 상기 제1그룹을 형성하는 셀의 개수만큼 인접한 제2그룹의 셀이 중복되는 제2그룹으로 그룹화하는 것을 특징으로 하는 누적합 기반의 변화점 분석을 이용한 홍채 인식 장치.
제8항에 있어서, 상기 인증부는

특징벡터를 기 등록된 특징벡터와 유사도를 계산하여 인증을 수행하는 것을 특징으로 하는 누적합 기반의 변화점 분석을 이용한 홍채 인식 장치.