JP2007157112A - 累積和基盤の変化点分析を利用した虹彩認識方法及びその装置 - Google Patents

Abstract

【課題】累積和基盤の変化点分析を利用した虹彩認識方法及びその装置を提供する。
【解決手段】虹彩画像を、ｎ×ｍピクセルサイズを有する画像に極座標変換した後、少なくとも一つ以上のセルに分割するステップと、分割された虹彩画像を所定数のセルからなる少なくとも一つ以上の第１グループ、そして第１グループを形成するセルの数より大きい数のセルからなる少なくとも一つ以上の第２グループにグループ化するステップと、各セルの所定の特徴値を代表値として累積和基盤の変化点分析を行うステップと、分析結果生成される変化点となるセルと残りのセルとに相異なる値をそれぞれ付与して特徴ベクトルを生成するステップと、を含む累積和基盤の変化点分析を利用した虹彩認識方法である。これにより、既存のウェーブレット変換基盤の特徴抽出を利用した虹彩認識方法より計算量が少なく、簡単かつ効率的な新規の特徴抽出を利用して虹彩を認識できる。
【選択図】図２

Description

本発明は、虹彩を認識し、さらにそれを通じて人間を認識する虹彩認識方法及びその装置に係り、さらに詳細には、既存の虹彩特徴抽出方法より計算量が少なく、簡単かつ効率的な新規の特徴抽出方法であって、累積和基盤の変化点分析（Ｃｈａｎｇｅ Ｐｏｉｎｔ Ａｎａｌｙｓｉｓ：ＣＰＡ）を利用して虹彩の特徴を抽出して虹彩を認識し、窮極的に人間を認証する方法及びその装置に関する。

既存の虹彩認識技術のうち、虹彩の特徴を抽出する方法には色々なものがある。そのうちでもカーバー変換、ウェーブレット方法を使用して虹彩の特徴を分析する技術が使われている。ガーバー変換を利用して特徴を抽出し、特徴ベクトルを生成する方法がドーグマンによって最初に開示された。しかし、この方法は、精密な虹彩の画質を要求するため、高コストの画像獲得装備が要求される。また、ガーバー変換の実行においては、指数関数の計算及び多くの乗算演算によって、計算が複雑になる。また、抽出された虹彩画像を極座標に変換して虹彩特徴を抽出する時に、虹彩の位置移動の差によって虹彩の特徴抽出及びマッチングによる認証結果の性能が悪くなるという問題点が発生する。

本発明が解決しようとする技術的課題は、前記問題点を解決するために案出されたものであって、既存の特徴抽出方法より計算量が少なく、簡単かつ効率的な新規の特徴抽出方法として累積和基盤のＣＰＡを利用して虹彩の特徴を抽出して虹彩を認識し、その結果を利用して人間を認証する方法及びその装置を提供することである。

前記課題を達成するために、本発明による累積和基盤のＣＰＡを利用した虹彩認識方法は、虹彩画像をｎ×ｍピクセルサイズを有する画像に極座標変換した後、少なくとも一つ以上のセルに分割するステップと、前記分割された虹彩画像を所定数のセルからなる少なくとも一つ以上の第１グループ、そして前記第１グループを形成するセルの数より大きい数のセルからなる少なくとも一つ以上の第２グループにグループ化するステップと、前記各セルの所定の特徴値を代表値として累積和基盤のＣＰＡを行うステップと、前記分析の結果生成される変化点となるセルと残りのセルとに相異なる値をそれぞれ付与して特徴ベクトルを生成するステップと、を含むことを特徴とする。

前記課題を達成するために、本発明による累積和基盤のＣＰＡを利用した虹彩認識装置は、虹彩画像を所定のピクセルサイズを有する画像に極座標変換した後、少なくとも一つ以上のセルに分割する分割部と、前記分割部が出力するセルの集合を所定数のセルからなる少なくとも一つ以上の第１グループ、そして前記第１グループを形成するセルの数より大きい数のセルからなる少なくとも一つ以上の第２グループにグループ化して出力するグループ化部と、前記第１及び第２グループにグループ化された各セルの所定の特徴値を代表値として累積和基盤のＣＰＡを行った後、変化点となるセルと残りのセルとに相異なる値をそれぞれ付与して特徴ベクトルを生成する特徴ベクトル生成部と、前記特徴ベクトル生成部が出力する特徴ベクトルとユーザの既登録の特徴ベクトルとを受信して認証を行う認証部と、を備えることを特徴とする。

本発明による累積和基盤のＣＰＡを利用した虹彩認識方法及びその装置は、既存のウェーブレット変換基盤の特徴抽出を利用した虹彩認識方法より計算量が少なく、簡単かつ効率的な新規の特徴抽出を利用して虹彩を認識できる。

また、このように抽出された特徴を利用して、虹彩の位置移動による性能の低下を防止するための特徴ベクトルを生成することによって安定した認証を行える。

以下、添付された図面を参照しつつ、本発明の望ましい一実施形態を詳細に説明する。説明の便宜及び理解の容易性のために、装置及び方法を共に記述する。

まず、本発明の正確な理解のために、図１Ａないし図１Ｄを参照しつつ、累積和基盤のＣＰＡについて記述する。図１Ａは、累積和基盤のＣＰＡ概念を説明するためのサンプルデータを示す図面であり、図１Ｂは、累積和基盤のＣＰＡの過程を示すフローチャートである。そして、図１Ｃは、図１Ａのデータを図１Ｂに示したような分析過程を数式で表現した図面であり、図１Ｄは、図１Ｃの結果を表で表現した図面である。図１Ａは、１９８７年及び１９８８年の各月の貿易赤字を羅列したものであって、累積和基盤のＣＰＡの概念を説明するためのサンプルデータ１１０である。このように羅列されたサンプルデータで、全体的に最も変化が激しい所がどこであるかを探そうとするものである。各入力データに対するそれぞれの累積和の値を計算する方式を説明する。まず、入力データの平均値
を求め（Ｓ１２０）、その平均値を基準として、入力データとその平均値
との差値を求める方式である。入力データ間の差値を求めることではなく、入力データと平均値との差値を求めることであって、入力データの変化率を全体的な観点で見られる。このために０から始まる累積和（Ｓ_０＝０）の計算を開始して、現在値と以前和の平均との差を加えて、他の累積和（Ｓ_ｉ）を計算する。この例で、ｉは、１から２４までである。図１Ａのサンプルデータを代入して求めた具体的な数値が図１Ｃに表れており、その値に基づいてグラフで示したものが図１Ｄである。この累積和グラフ１５０を見れば、１５１の位置した部分が入力されたデータの変化点であるということが分かる。すなわち、１５１の位置した１９８７年１１月の部分が、入力されたデータのうち最も大きい変化点であることを表す。そして、累積和グラフで、変化点を基準として左側部分に立ち上がり傾斜を有する部分は、入力値が平均値より全般的に大きい値からなるということが分かり、変化点を基準として右側の立ち下がり傾斜を有する部分は、入力値が平均値より全般的に小さい値からなるということが分かる。また、累積和は、“０”から始まって“０”で終わる。

以下、図２ないし図７を参照しつつ、本発明による累積和基盤のＣＰＡを利用した虹彩認識及び認証について説明する。図２は、本発明による累積和基盤のＣＰＡを利用した虹彩認識方法を行う過程を示すフローチャートであり、図３は、本発明による累積和基盤のＣＰＡを利用した虹彩認識装置の構成を示すブロック図である。そして、図４は、虹彩領域を基本セル領域に分割することを示す図面であり、図５は、基本セル領域に分割された状態で累積和基盤のＣＰＡのためのセル領域をグループ化することを示す図面である。一方、図６は、６つのセル領域の各平均グレー値を例示する図面であり、図７は、図６の例に基づいて累積和基盤のＣＰＡを行った結果を示す図面である。

分割部３１０は、入力される虹彩画像を極座標に変換した後、その変換された虹彩領域を、累積和基盤のＣＰＡを行うために基本セル領域に分割する。すなわち、虹彩の極座標に変換された画像をセル領域の基本単位領域に分割する。まず、抽出された虹彩画像は、分析のために極座標に変換される。極座標に変換された虹彩画像は、６４×５１２ピクセルサイズを有する。虹彩の特徴は、自律神経環に多く現れている。そして、虹彩画像の全体特徴を分析する必要がなく、４１０のように極座標画像のうち縦方向に７８％ほどのみを虹彩特徴抽出に使用するために、点線で表示された下側部分は、虹彩特徴抽出に使用しない。すなわち、６４×０.７８≒５０ピクセルの結果のように、縦は５０ピクセルほどのみで使用する。虹彩画像の基本セル領域のサイズは、４２０のように５×３ピクセルサイズでなる。すなわち、一つのセル領域は、５Ｘ３ピクセルサイズでなり、平均グレー値を基本セル領域の代表値として使用して累積和計算に使用する。４３０のように５１２÷３≒１７０個のセル領域が生成され、また、５４０のように５０÷５＝１０の行が生成されるので、基本セル領域の数は、１７０×１０＝１７００個のセル領域に虹彩画像を分割する（以上、Ｓ２１０）。

次いで、グループ化部３２０は、図３のように虹彩の極座標に変換された画像をセル領域に分割した後に、各基本セル領域を、累積和を求めるためにセミローカルグループ（請求範囲では、第１グループで表現されている）とローカルグループ（請求範囲では、第２グループで表現されている）とに分ける。５１０及び５２０のように横方向に、基本セル領域はグループ化される。５３０のように一つの横行に対して１７０個のセル領域が存在し、このような横行が１０個５４０が存在する。５１０のように１番から５番までのセル領域を一つのグループ（第１グループ）に結ぶ（Ｓ２２０）。特徴ベクトル生成部３３０は、このグループ内で累積和基盤のＣＰＡアルゴリズム（図１Ａないし図１Ｄを参照しつつ説明）を適用して変化点となるセル領域を探す。同じ方法で、５２０のように結ばれるグループ（第２グループ）にも適用されて変化点となるセル領域を探す。５２０のようにグループ化される場合には、隣接したグループと相互重畳させてさらに正確に変化点を探す（Ｓ２３０）。５３０のように一つの横行は、５１０及び５２０のように２個にグループ化されるので、５５０及び５６０のようにそれぞれ１７０個ずつの特徴ベクトルをなす。このとき、変化点として選択されたセル領域は“１”の値に設定され、残りのセル領域は“０”の値に設定されて特徴ベクトルをなす。それにより、（１７０＋１７０）×１０＝３４００ビットサイズを有する特徴ベクトルが生成される（Ｓ２４０）。認証部３４０は、このように生成された特徴ベクトルを同じ方式で既登録の特徴ベクトルとハミング距離を利用して類似度を求めて統計的方法で計算して、特定臨界値を基準として認証如何を決定する（Ｓ２５０）。横方向のようにして、縦方向へのグループ化及び特徴点の抽出を行うこともできる。

図６Ａないし図６Ｂは、セル領域の平均グレー値を分岐（ブランチ）とする累積和基盤のＣＰＡを示している。また、虹彩画像の移動による認識性能の低下を減らすための特徴ベクトルの生成方法を示している。図６Ａは、６個のセル領域のグレー値を表している。図６Ｂは、６個のセル領域を一つのグループとして累積和を計算してグラフで示したものである。このグラフで、６２０が表すセル領域の累積和Ｓ４の絶対値が最も大きいため、４番目のセル領域が変化点であるということを識別できる。そして、虹彩画像の移動による認識性能の低下を減らすために、６２０の変化点を基準として左側部分の立ち下がり傾斜を有するセル領域は、６１０のように“０”値に設定し、変化点６２０を基準として右側部分の立ち上がり傾斜を有するセル領域は、６３０のように“１”の値に設定する。これにより、虹彩画像の移動によって変化点が変わるとしても、全般的なグレー値の変化に対する重畳部分をさらに維持できて、抽出された特徴ベクトル値の類似性を維持しうる。

本発明による累積和基盤のＣＰＡを利用した虹彩認識方法はまた、コンピュータで読み取り可能な記録媒体にコンピュータで読み取り可能なコードで具現できる。コンピュータで読み取り可能な記録媒体は、コンピュータシステムによって読み取られるデータが保存されるすべての種類の記録装置を含む。コンピュータで読み取り可能な記録媒体の例としては、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＣＤ−ＲＯＭ、磁気テープ、ハードディスク、フロッピーディスク、フラッシュメモリ、光データ保存装置などがあり、またキャリアウェーブ（例えば、インターネットを通じた伝送）状に具現されるものも含まれる。また、コンピュータで読み取り可能な記録媒体は、コンピュータ通信網で連結されたコンピュータシステムに分散されて、分散方式で読み取り可能なコードとして保存されかつ実行されうる。また、本発明によるＦＲＯＭ（Ｆｏｎｔ ＲＯＭ）データ構造もコンピュータで読み取り可能なＲＯＭ、ＲＡＭ、ＣＤ−ＲＯＭ、磁気テープ、ハードディスク、フロッピーディスク、フラッシュメモリ、光データ保存装置のような記録媒体にコンピュータで読み取り可能なコードとして具現されうる。

以上のように、本発明は、望ましい実施形態に基づいて説明したが、このような実施形態は、この発明を制限するものではなく、例示するものであり、当業者ならば、この発明の技術思想を逸脱せずに前記実施形態についての多様な変化や変更または調節が可能であるということが明らかである。したがって、この発明の保護範囲は、特許請求の範囲によって限定され、前記変化例や変更例または調節例を何れも含むと解釈されねばならない。

本発明は、虹彩認識装置関連の技術分野に好適に適用可能である。

累積和基盤のＣＰＡ概念を説明するためのサンプルデータを示す図面である。 累積和基盤のＣＰＡの過程を示すフローチャートである。 図１Ａのデータを図１Ｂに示したような分析過程を数式で表現した図面である。 図１Ｃの結果を表で表現した図面である。 本発明による累積和基盤のＣＰＡを利用した虹彩認識方法を行う過程を示すフローチャートである。 本発明による累積和基盤のＣＰＡを利用した虹彩認識装置の構成を示すブロック図である。 虹彩領域を基本セル領域に分割することを示す図面である。 基本セル領域に分割された状態で、累積和基盤のＣＰＡのためのセル領域をグループ化することを示す図面である。 ６つのセル領域の各平均グレー値を例示する図面である。 図６Ａの例に基づいて、累積和基盤のＣＰＡを行った結果を示す図面である。

Claims (11)

1. （ａ）虹彩画像をｎＸｍピクセルサイズを有する画像に極座標変換した後、少なくとも一つ以上のセルに分割するステップと、
   （ｂ）前記分割された虹彩画像を所定数のセルからなる少なくとも一つ以上の第１グループ、そして前記第１グループを形成するセルの数より大きい数のセルからなる少なくとも一つ以上の第２グループにグループ化するステップと、
   （ｃ）前記各セルの所定の特徴値を代表値として、累積和基盤の変化点分析を行うステップと、
   （ｄ）前記分析の結果生成される変化点となるセルと残りのセルとに相異なる値をそれぞれ付与して特徴ベクトルを生成するステップと、を含むことを特徴とする累積和基盤の変化点分析を利用した虹彩認識方法。
2. 前記（ａ）ステップは、
   （ａ１）前記虹彩画像を、ｎは６４、ｍは５１２であるピクセルサイズとなるように変換するステップと、
   （ａ２）前記変換された虹彩画像で、縦方向に所定比率以下の領域は、前記セルに分割しないステップと、を含むことを特徴とする請求項１に記載の累積和基盤の変化点分析を利用した虹彩認識方法。
3. 前記比率は、
   基準点で２０％ないし２５％であることを特徴とする請求項２に記載の累積和基盤の変化点分析を利用した虹彩認識方法。
4. 前記（ｂ）ステップは、
   前記第２グループは、前記第１グループを２つ含み、前記第１グループを形成するセルの数ほど隣接した第２グループのセルが重複される第２グループにグループ化するステップを含むことを特徴とする請求項１に記載の累積和基盤の変化点分析を利用した虹彩認識方法。
5. 前記特徴値は、
   平均グレー値であることを特徴とする請求項１に記載の累積和基盤の変化点分析を利用した虹彩認識方法。
6. 前記（ｄ）ステップは、
   （ｄ１）前記特徴ベクトルと、既登録の特徴ベクトルとの類似度を計算して認証を行うステップをさらに含むことを特徴とする請求項１に記載の累積和基盤の変化点分析を利用した虹彩認識方法。
7. 前記（ｄ１）ステップは、
   前記類似度を前記特徴ベクトルと既登録の特徴ベクトルとのハミング距離を利用して求め、その結果を所定の臨界値と比較して認証如何を決定するステップを含むことを特徴とする請求項６に記載の累積和基盤の変化点分析を利用した虹彩認識方法。
8. 虹彩画像を所定のピクセルサイズを有する画像に極座標変換した後、少なくとも一つ以上のセルに分割する分割部と、
   前記分割部が出力するセルの集合を所定数のセルからなる少なくとも一つ以上の第１グループ、そして前記第１グループを形成するセルの数より大きい数のセルからなる少なくとも一つ以上の第２グループにグループ化して出力するグループ化部と、
   前記第１及び第２グループにグループ化された各セルの所定の特徴値を代表値として累積和基盤の変化点分析を行った後、変化点となるセルと残りのセルとに相異なる値をそれぞれ付与して特徴ベクトルを生成する特徴ベクトル生成部と、
   前記特徴ベクトル生成部が出力する特徴ベクトルとユーザの既登録の特徴ベクトルとを受信して認証を行う認証部と、を備えることを特徴とする累積和基盤の変化点分析を利用した虹彩認識装置。
9. 前記分割部は、
   前記ピクセルサイズを６４×５１２となるように変換した後、前記虹彩画像で縦方向に所定比率以下の領域は除いて分割することを特徴とする請求項８に記載の累積和基盤の変化点分析を利用した虹彩認識装置。
10. 前記グループ化部は、
    前記第２グループは、前記第１グループを２つ含み、前記第１グループを形成するセルの数ほど隣接した第２グループのセルが重複される第２グループにグループ化することを特徴とする請求項８に記載の累積和基盤の変化点分析を利用した虹彩認識装置。
11. 前記認証部は、
    特徴ベクトルを、既登録の特徴ベクトルとの類似度を計算して認証を行うことを特徴とする請求項８に記載の累積和基盤の変化点分析を利用した虹彩認識装置。