KR100447023B1 - 분류신경망을이용한생물측정인식시스템 - Google Patents

Abstract

생물 측정 인식 시스템은 2가지 단계, 즉 허가된 사용자의 생물 측정 징후의 마스터 패턴 세트 생성과, 분류 신경망을 이용한 증명을 포함한다. 마스터 패턴 세트를 생성하기 위하여, 허가된 생물 측정 사용자 표시 이미지는 복수 개의 관심 영역, 즉 "특징부"로 분할된다. 이 시스템은 어떤 특징부가 식별을 위해 가장 유용한 지를 결정한다. 그 다음에, 마스터 패턴은 이들 마스터 특징부로부터 생성되어, 마스터 세트를 생성한다. 증명 단계에서, 증명 대상인 사용자의 샘플 패턴 세트가 유사하게 생성된다. 신경망은 사용자가 증명되어야 하는 지를 결정하기 위해 마스터 패턴 세트와 샘플 패턴 세트를 비교하는데 사용된다.

Description

분류 신경망을 이용한 생물 측정 인식 시스템{BIOMETRIC RECOGNITION USING A CLASSIFICATION NEURAL NETWORK}

본 발명은 이미지 매칭 분야에 일반적으로 적용될 수 있지만, 개인 식별 분야에서 특히 유용하다. 개인의 식별 또는 개인이 그가 주장하는 사람인지를 증명하는 것은 개인, 사업체 및 정부가 직면한 공통의 문제이다. 복잡한 개인 식별이 종종 국가 기밀을 요하는 정부와 상업적 설비에서 보안을 위해 사용되기도 하지만, 개인 식별의 매칭은 공항, 산업 장소 및 가정에서와 같이 물리적 접근을 통제하는 장소에서 개인의 동일성의 식별 또는 증명이 필요한 경우에 적용될 수 있다. 또한, 컴퓨터 및 데이터 관리 장비로의 접근을 통제하는 경우와, 금융 또는 상거래에서도 적용될 수 있다.

개인 식별 방법은 패스워드와 같은 기밀 정보의 인식, 패스키와 같은 기밀 물품의 소유 또는 신원 조회용 사진에 일치시키는 것과 같은 물리적 외양에 종종 의존한다. 또한, 생물 측정 징후(indica)도 개인 식별에 사용되어 왔다. 생물 측정학은 생물학 현상을 연구하는 학문이며, 개인 식별 분야에서, 개인의 일부 선택된특징이 개인의 동일성을 확인 또는 증명하는데 사용된다. 개인의 일부 특징들은 각 개인에 따라 실질적으로 고유하고 위조자에 의한 복제가 어렵기 때문에 생물 측정 식별(biometric identification)이 특히 유용하다. 더욱이, 생물 측정 데이터의 기록 및 분석은 자동화될 수 있기 때문에, 컴퓨터로 제어되는 전자장치와 디지털 기록 기술을 이용할 수 있다.

식별 목적을 위해 생물 측정 징후를 사용하는 경우에, 특정한 생물인자는 각 개인에 대해 실질적으로 고유하여야 하고, 용이하게 측정될 수 있어야 하며, 개인이 식별 검사를 받는 시간 동안 변하지 않아야 한다. 또한, 생물 측정 징후는 잘못된 식별에 대한 안전을 보장하기 위하여, 위조자에 의한 복제가 어려워야 한다. 생물 측정 징후는 생물학적으로 결정되거나, 또는 필적이나 음성 패턴과 같이 학습되거나 후천적인 일부 특징이 될 수 있다.

개인 식별 시스템에서 사용하기 위하여 현재 주로 연구되는 생물 측정 특성에는 지문, 손 또는 손바닥 무늬, 망막 스캔, 서명 및 음성 패턴이 포함된다. 손 또는 손바닥 무늬 기술은 통상적으로 사람 손의 형상 또는 손바닥의 주름과 같은 다른 중요한 특징을 평가하지만, 이 기술은 허가된 개인의 손을 주형하거나 본뜬 모형에 의해 위조될 수 있다. 망막 스캐닝 기술은 인간의 망막 내의 혈관 패턴을 평가한다. 이 기술의 단점은 알콜이 혈액에 포함되거나 안경 또는 콘택트 렌즈를 불규칙적으로 사용하는 경우에 혈관 패턴이 시간에 따라 변경될 수 있다는 것이다. 또한, 사용자는 망막 스캐닝이 수행되는 동안 눈이 조명되는 것에 불편함을 느낄 수 있고, 눈과 스캐닝 장치가 접촉하여 눈이 오염될 가능성도 있다. 서명은 용이하게 위조될 수 있으며, 비록 조사가 서명 작성에서의 손의 움직임과 멈춤의 속도 및 힘과 같은 개인 필적의 동적 움직임을 평가하는 자동화 시스템에서 실행되고 있지만, 인간 조작자에 의해 평가되는 것이 일반적이다. 식별 특성으로서 음성 패턴을 이용하는 것은 시간에 따라 인간 음성의 변화가 광범위하다는 것과, 평가가 이루어지는 동안 배경 잡음이 존재할 수 있으며, 위조자가 허가된 개인의 음성을 녹음하여 시스템을 기만할 가능성이 있다는 단점이 있다.

인간의 눈, 얼굴 모양, 골격, 손톱 패턴 및 손바닥이나 손가락에서의 주름과 같이 생물학적으로 결정된 다수의 징후가 사용되어 왔지만, 개인 식별을 위한 생물 측정 특징으로서는 지문이 가장 일반적으로 사용되어 왔다. 지문 분석을 통한 개인 식별의 기술은 법률 집행에 오래 동안 사용되어 왔다. 이러한 지문 분석을 오래 동안 사용함으로써 지문에 관한 정보가 크게 늘어났으며, 개인 지문의 고유성을 확인하였다. 역사적으로, 법률 집행에 있어서, 지문에 잉크를 묻혀 저장용 카드에 찍음으로써 지문을 기록해 왔다. 법률의 집행 외의 응용에 있어서 특히 덜 번거롭고, 강압적이지 않은 기록 방법이 개발될 필요가 있었다.

실제 지문을 기록하여 허가된 개인 지문의 저장된 표시과 일치시키는 다양한 전자 기계 시스템이 개발되어 왔다. 한가지 유형의 시스템에 있어서, 실제 지문 패턴의 이미지가 판독되어 필름에 저장된 마스터 지문과 광학적으로 비교된다. 이 시스템에서는 실제 지문과 마스터 지문을 정렬시키기 어렵기 때문에, 기록 장치에 대한 사용자 손가락의 정확한 정렬을 보장하거나, 또는 등록을 수행함에 있어 저장된 패턴에 대해 실제 패턴을 회전 및 변진시키기 위하여 복잡한 장치를 사용해야 하는결과를 초래한다. 더욱이, 이러한 유형의 시스템에서는 실제 지문과 저장된 지문 패턴의 정확한 일대일 크기의 정렬이 요구되기 때문에, 손가락이 팽창되거나 판독 표면에 대해 세게 눌려지는 경우와 같이 실제 지문 패턴이 조금이라도 변형되면 매칭에 오류가 생길 수 있다.

다른 유형의 지문 매칭 시스템에 있어서, 실제 지문이 판독되어 그 이미지가 허가된 개인 지문의 홀로그램과 비교된다. 이 시스템은 허가된 각 개인에 대한 검사 위치에서 홀로그램의 라이브러리의 저장과, 특정된 광원 및 복잡한 광시스템의 사용을 필요로 한다.

자동으로 지문을 매칭시키는 데 있어서, 전자 장치와 컴퓨터 제어의 매칭 프로세스 사용이 증가하는 경향이 있는 반면에, 가동 기계 부분 및 복잡한 광시스템의 의존도를 최소로 하고 있다. 이러한 시스템에 있어서, 실제 지문은 통상적으로 스캐닝 되어 지문 패턴의 이진 이미지(binary image)로서 디지털 형식으로 기록된다. 지문 패턴의 특징을 규정하는 리지(ridge)의 끝 부분, 리지의 분기 부분 및 소용돌이의 중심과 같은 지문 패턴의 특징이 이진 지문 이미지 내에서 발견된다. 이진 지문 이미지는 일치 여부를 판정하기 위해 허가된 개인의 지문으로부터 미리 획득되어 저장된 마스터 지문과 비교된다. 갈라진 부분(fork)이나 리지 끝부분과 같은 지문 패턴 내의 특징부를 식별하기 위한 많은 시스템은 비교 과정 초기에 일치 여부를 결정해야 한다. 결정 과정의 초기에 어떠한 오류가 발생하는 경우에, 이러한 오류는 결정 과정의 나머지 부분으로 전파되어 오류 발생 확률을 증가시킨다. 또한, 많은 시스템은 어떤 특징부가 지문 이미지로서 인식되어야 하는지를 미리 인식하고 있다. 예컨대, 지문에 관한 인간의 연구에 기초하여, 지문의 특정 카테고리가 식별되고, 지문의 특징부들이 명명된다. 이러한 소정의 특징과 현상을 식별하는 것은 대부분의 지문 확인 시스템에서 반드시 필요한 것이다.

가장 단순한 지문 일치 시스템에 있어서, 실제 지문 및 마스터 지문 모두의 특징부가 비교되고, 이 비교에 상관 함수가 적용된다. 이러한 유형의 시스템에 대한 중요한 단점은 사용자의 손가락이 통상적으로 이미지 기록 장치에 정확하게 정렬되어야만 실제 지문 패턴으로부터 유도된 이진 이미지의 좌표 시스템이 마스터 지문 패턴의 좌표 시스템과 동일한 방위 및 위치를 가질 수 있다는 점이다. 더욱이, 인간 피부는 탄성적이기 때문에, 이미지 기록 장치의 판과 상호 작용하는 손가락 피부는 기록된 실제 지문을 변경시킬 수도 있다. 예컨대, 피부의 탄성적 특성에 의해 기록된 지문의 탄성 변형이나 왜곡이 기록될 수 있으며, 또한 피부에 있는 유분에 의해 플래튼(platen)에 리지가 더 넓게 기록될 수도 있다. 이러한 변화 가능성은 상관 함수에 의존하는 시스템의 정확성을 종종 떨어뜨린다.

본 발명은 일반적으로 이미지 매칭 분야에 관한 것으로서, 특히 개인의 동일성을 증명하는 생물 측정(biometric) 개인 증명 시스템에 관한 것이다.

본 발명은 첨부 도면을 참조하여 이하 더 상세히 기술될 것이며, 동일 성분에는 동일 번호를 붙인다.

도 1은 본 발명에 따른 생물 측정 인식을 위한 시스템의 블록도.

도 2a 및 2b는 입력/출력 장치 및 지문 기록 장치의 정면 사시도 및 상면도.

도 3은 사용자의 생물 측정 특징부를 기록하고, 이것을 마스터 패턴으로서 메모리에 저장하는 방법을 나타낸 흐름도.

도 4는 지문 패턴으로부터 특징을 갖는 관심 영역을 나타낸 도면.

도 5는 지문 패턴의 회전을 설명하는데 사용된 도면.

도 6은 n 개의 가장 고유한 관심 영역을 선택하기 위한 방법을 나타낸 흐름도.

도 7은 3개의 특징부 패턴이 정의될 수 있는 2가지 방법을 나타내는데 사용된 도면.

도 8은 4가지 특징부 패턴이 어떻게 정의될 수 있는 지를 나타내는데 사용된 도면.

도 9는 사용자 생물 측정 특징부를 증명하는 방법을 나타낸 흐름도.

도 10은 임계값을 규정하기 위해 사용된 빈도 밀도 함수의 예를 나타낸 도면.

도 11은 빈도 밀도 함수의 다른 예를 나타낸 도면.

생물 측정 인식 시스템은 두 가지 단계, 즉 허가된 사용자의 생물 측정 징후의 마스터 패턴 세트의 생성 및 분류 신경망을 이용한 증명을 포함한다. 마스터 패턴 세트를 생성하기 위해, 허가된 생물 측정 사용자 징후의 이미지는 복수 개의 관심 영역, 즉 특징부로 분할된다. 이 시스템은 식별 목적으로 어떠한 특징부가 가장 유용한 지를 결정한다. 그 다음에, 마스터 패턴은 이들 마스터 특징부로부터 생성되어 마스터 패턴 세트를 생성하게 된다. 증명 단계에서, 증명 대상 사용자의 샘플패턴 세트도 유사하게 생성된다. 신경망은 사용자가 증명되어야 하는지를 결정하기 위해 마스터 패턴 세트와 샘플 패턴 세트를 비교하는데 사용된다.

바람직한 실시예에 있어서, 첨부 도면은 명세서의 일부분을 이루며, 도면에는 본 발명이 실시될 수 있는 특정 실시예가 도시되어 있다. 변형 실시예도 가능하며, 본 발명의 범위를 벗어나는 일없이 구조적 변경도 가능하다는 것을 알 수 있을 것이다.

본 발명의 생물 측정 인식 시스템은 두 가지 단계로 나누어질 수 있다. 제1 단계는 마스터 패턴 세트, 즉 허가된 사용자의 생물 측정 징후의 마스터 패턴 세트를 생성하는 것이다. 제2 단계는 증명, 즉 증명 대상이 되는 사용자의 생물 측정 징후의 이미지를 얻는 것이다. 증명에는 사용자가 제시한 실제 생물 측정 패턴과 기록된 마스터 패턴 세트가 일치할 것이 요구된다. 바람직한 실시예의 다음 설명에 있어서, 지문을 인식하기 위한 생물 측정 인식 시스템이 기술될 것이다. 그러나, 이 분야의 당업자라면 본 명세서에 기술된 실시예가 실제적인 변경없이, 얼굴 특징, 기공 무늬 또는 안구 특징과 같은 다른 생물 측정 징후를 인식하는데 사용될 수 있다는 것을 알 것이다.

도 1은 지문 인식 시스템(10)의 실시예를 나타낸 블록도이다. 지문 기록 장치는 사용자 지문의 이미지를 획득한다. 획득된 지문 이미지와 관련하여, 사용자 이름 및 기타 데이터와 같이 지문과 관련된 정보가 입출력 장치(14)를 이용하여 입력되고 메모리(18)에 저장된다. 적절한 지문 기록 장치(12)는 사용자의 엄지 또는 다른 손가락(엄지 외의 4개의 손가락 중 하나)을 바람직하게는 일반적으로 소정의방위로 수용하여 지문을 이미지화해야 한다. 예컨대, 지문 패턴의 이미지 어레이는 0-255의 각 색에 대한 해상범위에서 명암도를 규정하는 정수를 갖는 512×512 픽셀의 3색 이미지가 되거나, 0-255 사이의 픽셀에 대한 값을 갖는 그레이 스케일 이미지가 되거나, 또는 각 픽셀이 단일 비트로 규정되는 이진 이미지가 될 수 있다. 이미지 정보가 디지털 형태로 되어 있지 않다면, 아날로그 디지털 변환기(15)와 같은 화상 이미지 전처리기 모듈이 상기 이미지 정보를 디지털화할 것이다.

지문을 기록하기 위한 많은 시스템은 이 기술분야에서 공지되어 있다. 예를 들어, 도 2a 및 2b는 입/출력 장치(14)를 구비한 지문 인식 시스템(10)의 지문 기록 장치(12)의 카운터가 장착된 실시예의 반정면도 및 평면도를 나타낸다. 지문 기록부(12)는 엄지 또는 다른 손가락의 위치 결정 캐비티(32)를 구비하는데, 이 캐비티는 톱니모양으로된 플래튼을 구비하는 것이 바람직하며, 엄지 또는 다른 손가락이 편안하게, 그리고 소정의 방향으로 수용된다. 손가락 위치 결정 캐비티(32)는 검출창(30)으로의 접근을 제공하는 기구의 내부로 연장된다. 캐비티(32)의 위치 및 구성에 의하면 증명을 원하는 개인의 왼손 또는 오른손 중 어느 것도 위치시킬 수 있다. 도 2a에 도시된 구성은 손의 위치를 결정하여 지문 패턴을 적절하게 획득할 수 있는 많은 것들 중에서 단지 일 예이다. 예컨대, 검출창(30)은 배치 안내선 (placement guideline)을 구비한 벽 또는 카운터에 일체화된 평평한 창으로서, 일반적으로 수용 가능한 방향을 보장할 수 있다.

지문 기록 장치(12)는 사용자가 엄지 또는 다른 손가락을 검출창(30) 위에 배치할 때 CCD 카메라로 사용자의 지문을 이미지화한다. 사용에 적합한 많은 카메라가 상업적으로 입수 가능하며, 예를 들면, 미네소타주의 미네톤카(Minnetonka) 소재의 Digital Biometrics 사로부터 입수 가능한 모델 FC-11 Fingerprint Capture Station 이 있다. Digital Biometrics 카메라가 사용될 경우, 캐나다 퀘벡 도루얼 (Dorual) 소재의 Matrox Electronic Systems 사로부터 상업적으로 입수 가능한 프레임 그래버(frame grabber) IP-8 Image Processing Board 가 사용된다. 또한, 프레임그래빙, 정보 처리 및 디스플레이를 위해, 캘리포니아주 어빈(Irvine) 소재의 Sharp Electronics 사로부터 입수 가능한 모델 GPB1이, 캘리포니아주 산브루노(San Bruno) 소재의 Identicator 사의 Fingerprinter Imager DFR-90 과 관련하여 사용될 수 있으며, 이것은 CCD 카메라가 내장된 직접식 지문 판독기로서, 표준 RS-170 화상 신호를 출력한다.

마스터 패턴 세트의 생성

허가된 사용자 지문의 마스터 패턴 세트를 생성하기 위해, 처리기(16)는 도 3에 도시된 흐름도에 따라 디지털화된 지문 이미지 정보를 처리한다. 획득된 지문 이미지가 자세하게 분석될 수 있도록, 블록 51에서 획득된 각각의 지문 이미지는 복수 개의 관심 영역으로 분할된다.

바람직한 실시예에 있어서, 관심 영역들은 서로 인접하게 될 수도 있지만, 관심 영역들은 중첩될 수 있다. 따라서, 각 관심 영역은 전체 지문 이미지의 특정부에 관한 정보를 포함하게 된다. 본 발명에서, 관심 영역을 "특징부(feature)"라 칭한다. "특징부"와 "관심 영역" 이란 용어는 본 발명의 목적 상 서로 바꾸어 사용될 수도 있다는 것을 알 수 있을 것이다. 그러나, 이해의 명확성과 용이성을 위하여, "특징부"란 용어가 상세한 설명에서 사용될 것이다.

특징부의 크기는 블록 52에서 정의된다. 특징부의 크기를 결정하기 위해, 허가되지 않은 사용자의 인식이나 허가된 사용자의 인식 실패의 원인이 될 수 있는, 인간 피부의 신축성에 기인한 지문 패턴의 신축적 변형과 왜곡이 반드시 고려되어야 한다. 신축성과 관련하여, 특징부의 크기는 지문 패턴에서의 리지가 패턴 내의 갭으로 이동하지 않도록 규정되어야 한다. 도 4는 리지(72)와 리지(72) 사이의 갭(74)을 갖는 지문 패턴의 특징부(70)를 나타낸다. 본 발명에 있어서, 특징부(70)의 크기는 리지(72)가 신축성에 기인하여 갭(74)이 존재하여야 하는 영역으로 변형되지 않도록 선택된다. 특징부(70)가 너무 크면, 더 적은 수의 픽셀이 리지(72)와 갭(74)의 폭을 나타내어, 리지(72)가 갭(74)으로 변형된다. 더욱이, 특징부의 크기는 피부의 신축성으로 인하여 리지가 특징부의 경계 외부로 신장될 수 있는 지점이 변형되지 않도록 선택된다.

리지(72)가 갭(74)이 존재하여야 하는 영역으로 변형되지 않도록 보장하기 위해, 픽셀의 수로 측정된 최대 변형은 리지의 중심으로부터 특징부의 대각선을 교차하여 측정된 인접 갭의 중심까지의 픽셀의 수보다 상당히 작아야 한다. 도 4에서, 거리 D는 대각선(76)과 교차하는 리지(72)와 갭(74)의 중심 사이의 거리를 나타낸다. 따라서, 특징부의 크기는 픽셀 수로 측정된 최대 변형이 거리 D보다 상당히 작게 되도록 선택된다. 픽셀 수에 있어서의 특징부의 크기는 시스템을 실행시키기 위해 선택된 하드웨어, 특히 광학 소자의 배율에 따라 달라질 것이다. 통상적인 하드웨어 구성에 있어서, 전체 이미지의 해상도가 256×256 픽셀이라면, 바람직한특징부의 크기는 20-25 픽셀 스퀘어의 치수를 가질 것이다. 이러한 특징부는 통상적으로 대략 3개 또는 4개의 리지를 포함할 것이다.

특징부의 크기를 결정할 때 고려될 수 있는 다른 요인으로는 지문이 제공될 때의 회전 가능성이다. 지문을 제시할 때 사용자가 지문을 회전시키는 경우에, 지문 패턴의 리지는 갭이 존재해야 하는 영역으로 회전되어, 차후 매칭과 관련된 문제를 일으킬 수 있다. 도 5에 있어서, 각 θ는 리지(72)의 에지가 특징부(70)의 경계와 교차하는 지점에 의하여 정의된다. 상기 언급된 바와 같이, 인간 공학에 기초한 하드웨어는 사용자가 플래튼 위에 지문을 제공하는 방법을 제어할 수 있다. 그러나, 이러한 제어에 의해서도, 기록된 지문 이미지는 어느 정도의 회전 성분을 포함할 것이다. 특징부(70)의 크기는 각 θ가 사용자가 통상적으로 회전시키는 각보다 상당히 크게 되도록 선택되는 것이 바람직하다. 특징부의 크기가 작을수록, 회전과 관련된 문제는 작아진다.

도 3에 있어서, 블록 52에서 특징부의 크기가 결정된 후, 블록 54에서는 지문 이미지 내에서 n 개의 가장 고유한 특징부가 식별된다. 본 발명의 시스템은 지문에 있는 소정수의 고유한 특징부를 식별한다. 이 특징부들은 전체적인 구조에 반대되는 국부적인 것이 바람직하다. 이들 "고유한" 특징부들은 서로 전체 구조를 규정하는 패턴으로 정렬된다. 이 패턴이 마스터 패턴 세트로서 저장된 것이다.

지문 패턴을 특징화할 만큼 충분히 고유한 것으로 선택된 특징부는 다수의 상이한 방식으로 선택될 수 있다. 예컨대, 처리기는 상관 함수를 이용하여 동일 지문 패턴으로부터 생성된 특징부를 비교하여 동일 지문에서 다른 특징부에 대한 특징부의 고유성을 결정할 수 있다. 또한, 처리기는 복수 개의 지문의 특징부에 대하여 특징부를 비교함으로써, 어떠한 지문에 존재할 수 있는 특징부의 가능성을 결정하게 된다.

단일 지문 내에서 n 개의 가장 고유한 특징부를 결정하는 바람직한 방법이 도 6에 도시되어 있다. 블록 80에서, 특징부는 그것이 취해진 지문내에서 그 특징부의 고유성을 결정하기 위해 선택된다. 블록 82 및 84에서, 선택된 특징부는 이미지 내에서 다른 모든 특징부와 비교된다. 이러한 비교로부터, 블록 85에서 각 특징부에 고유값이 할당된다. 블록 82에서, 특징부의 비교는 지문 내의 다른 특징부에 대한 고유성과 후보 특징부 내에서의 변화 모두를 필요로 하는 것이 바람직하다. 특징부의 고유성은 상관 함수를 이용하는 양호한 상관의 역이다. 더 고유한 특징부는 동일 지문 내에서 다른 특징부와 잘 일치 또는 부합되지 않는다. 특징부 내의 변화는 그 특징부내의 픽셀 값 사이에서 변화될 것을 요구한다. 예컨대, 모든 블랙 픽셀 또는 모든 그레이 픽셀을 갖는 특징부는 거의 또는 전혀 변화가 없다. 낮은 상관값을 갖지만 고유의 특징부가 아닌 일부 특징부를 배제할 수 있으므로, 하나의 특징부 내에서의 변화가 바람직하다.

본 발명의 바람직한 실시예에 있어서, 시스템은 이미지 내에서 각 특징부 R의 고유성 U를 결정하기 위해 수학식 1을 사용한다.

[수학식 1]

여기서, S 는 이미지에서 모든 m ×m 특징부의 세트이며, 기준 특징부인 R은 예외이다 R_ij는 특징부 R 에서 (i, j) 번째 픽셀 그레이 레벨이다. 이와 유사하게, I_ij는 I에서 (i, j) 번째 픽셀 그레이 레벨이다.및는 각 특징부내의 평균 그레이 레벨이다. 식 1에 도시된 메트릭(metric)은 특징부 내의 변화뿐만 아니라 이미지 내의 특징부의 고유성 모두를 필요로 한다.

고유값이 각 특징부에 대해 결정된 다음, 시스템은 블록 88에서 n 개의 가장 고유한 특징부를 선택한다. n 개의 가장 고유한 특징부를 선택하는 경우에, 특징부는 n 개의 가장 높은 고유값을 갖는 특징부를 선택할 수 있지만 반드시 그럴 필요는 없다. 예컨대, 특징부가 하나의 픽셀만큼 이격된 것과 같이 높은 정도로 중복되는 실시예에 있어서, 지문의 상당히 고유한 부분을 포함하는 다수의 중복되는 특징부들은 높은 고유값을 가질 것이다. 이러한 경우, 하나의 영역 내에서 가장 높은 고유값을 갖는 특징부를 선택하는 것이 바람직하다. 하나의 특징부가 선택된 후, 그 선택된 특징부 주위의 일부 영역을 차지하는 특징부는 고유 특징부로서 선택되는 후보로부터 배제될 수 있다. 다른 실시예에 있어서, n 개의 가장 고유한 특징부를 선택할 때, 이미지는 특징부를 1/3 또는 1/2 씩 단계적으로 증가하면서 분석되어, 2개의 선택된 특징부가 기껏해야 각각 1/3 또는 1/2 의 특징부의 크기 만큼 오버랩될 것을 보장한다. 그러나, 다른 실시예는 하나의 영역내의 고유값을 비교하고 최대 고유값을 갖는 특징부를 선택하여 그 영역을 대표하도록 할 수 있다.

선택된 특징부의 수 n은 다수의 인자에 따라 변경될 수 있다. 선택된 특징부의 수 n은 실제 지문 패턴을 저장된 마스터 패턴과 매칭할 때 시스템이 특정한 개인의 특징부에 너무 좌우되지 않도록 충분히 큰 수이어야 한다. 패턴이 단일 특징부에 너무 좌우되고, 다른 특징부가 패턴을 정의하기 위해 사용되는데 충분하지 않아서 사용자가 그 이미지로부터 벗어나 변형된 특징부를 갖는 실제 지문 패턴을 제공한다면, 매칭의 정확도에 영향을 미칠 수 있다. 반면에, 패턴을 정의하기 위해 너무 많은 특징부가 선택되는 경우에, 선택된 많은 특징부는 중요한 데이터를 제공하지 않을 수 있다. 왜냐하면, 이들 특징부는 고유하지 않기 때문이다. 너무 많은 특징부가 선택되는 경우, 처리기(16)로부터의 부가적인 연산 시간을 필요로 하며, 이것은 부가적인 특징부가 중요한 정보를 제공하지 않는 경우에 바람직하지 않다. 바람직한 실시예에 있어서, 4개 내지 12개 사이의 특징부가 패턴을 정의하기 위해 선택된다. 선택된 수는 처리기의 속도나 카메라의 해상도와 같은 다수의 인자에 따라 달라진다.

도 3에 있어서, n 개의 가장 고유한 특징부가 선택된 후, 블록 56에서 이들 n 개의 특징부에 기초한 패턴이 결정된다. 바람직한 실시예에서, "패턴"은 이후 기술되는 바와 같이, 특징부들 사이의 위치 관계를 기술하는 방위 데이터를 수반하는 p개의 특징부의 집합으로서 정의된다. n 개 특징부가 지문 패턴을 규정할 수 있는고유한 특징부의 수로서 선택되고, 각 패턴에는 p 개의 특징부가 있는 경우에,개의 가능한 패턴이 존재하게 된다.

도 7 및 8은 블록 56에서 패턴을 규정하기 위해 선택된 특징부를 시스템이 어떻게 취하는지를 기술하는데 사용된다. 6개의 고유한 특징부가 선택되고(n=6), 3개의 특징부가 각 패턴을 규정하기 위해 사용된 경우에(p=3), 6개의 특징부의 가능성 있는 상이한 조합에 기초하여 20개의 패턴이 마스터 패턴 세트를 규정할 것이다.

도 7은 각 패턴이 어떻게 정의될 수 있는지를 보여주고 있다. 패턴은 복수 개의 특징부와 그 특징부의 위치 관계를 기술하는 방위 데이터에 의해 정의된다. 패턴을 정의하기 위한 바람직한 포맷은 각 특징부 쌍 사이의 라인 길이와 이들 라인의 기울기에 따른 p개 특징부의 집합이다. 패턴(100)은 픽셀 위치 쌍(i, j)에 의해 정의된 3개의 특징부(p=3), 즉 P₁(102), P₂(104) 및 P₃(106)에 의해 정의된다. 3개의 특징부 중 하나는 기준 특징부로 지정된다. 도 7에서, 특징부 P₁(102)이 기준 특징부로서 지정된다. 패턴을 정의하기 위해, 기준 특징부와 다른 2개의 특징부간의 라인 길이가 결정된다. 도 7에서, 길이 l₁(108)은 P₁(102)과 P₂(104) 사이의 길이이고, 길이 l₂(110)는 P₁(102)와 P₃(106) 사이의 길이이다. 또한, 패턴(100)은 라인(108)과 라인(110)의 기울기에 의해 정의되는데, 이 기울기는 임의의 소정 기준에 대한 라인의 각에 의해 계산된다. 도 7에서, 기울기 α₁및 α₂는 수평 또는 수직 기준선과 같은 소정의 기준에 대한 라인(108,110)의 방향을 정의한다. 따라서, 기준 특징부, 특징부간의 라인 길이 및 라인 길이의 기울기가 패턴을 정의할 수 있다. 이후 기술되는 바와 같이, 증명에는 실제 지문 패턴이 선택된 마스터 특징부와 일치하는 특징부 및 이 마스터 패턴과 동일한 방향을 갖는 특징부 모두를 갖출 것이 요구된다.

패턴의 한가지 바람직한 특성은 회전적 불변성이다. 이것은 실제 지문이 마스터 패턴 이미지의 방위에 대해 회전되는 경우에도, 시스템이 여전히 2가지 유사한 패턴을 일치시킬 수 있을 것이라는 것을 의미한다. 비록 도 7에 도시된 실시예는 회전적 불변성이 아니지만, 도 5에서 정의된 바와 같이, 회전이 각 θ보다 상당히 작은 경우에, 상관 함수를 적용하면 여전히 특징부의 일치는 높은 값을 가지기 때문에, 회전이 허용된다. 회전된 실제 지문 패턴을 보상하는 한가지 방법은 1도 또는 5도 증가와 같이, 조금씩 증가되는 회전 패턴을 저장함으로써, 하드웨어에 기초하여 사용자가 실제 제공하는 것으로서의 회전된 지문 패턴 대부분이 저장된 회전 패턴에 의해 커버되도록 하는 것이다. 다른 실시예에 있어서, 패턴은 2개의 길이와 2개의 각이 아닌 3개의 길이에 의해 정의될 수 있다. 예컨대, 도 7에서 l₁및 l₂에 부가하여, P₂및 P₃사이의 길이인 제3 라인 길이(112)가 패턴(100)을 정의할 수 있다. 이러한 방식으로 패턴(100)을 정의함으로써, 패턴(100)의 회전 불변성을 보장하게 된다.

도 8은 각 패턴을 정의하기 위해 4개의 특징부(p=4)가 사용되는 경우에 어떻게 패턴이 정의될 수 있는지를 나타낸다. 패턴(120)은 각 관심 영역(122, 124, 126, 128)에 의해 정의된 4개의 특징부(P₁, P₂, P₃, P₄)를 갖는다. 각 특징부는 기준 특징부로서 지정된 특징부 P₁이 있는 픽셀 위치쌍(i, j)에 의해 정의된다. 4개의 특징부에 의해, P₁및 P₂, P₁및 P₃, P₁및 P₄사이의 길이를 각각 나타내는 3개의 라인 길이 l₁, l₂, l₃와, 라인 길이 l₁, l₂, l₃에 대응하는 3개의 각 α1, α2, α3 가 패턴(120)을 정의한다. 패턴을 저장하기 위한 길이/각(angle) 포맷은 다른 포맷, 예컨대 길이만의 포맷에 비해 바람직한데, 이는 패턴에서 특징부를 임의의 큰 수의 특징부로서 일반화하는 것이 용이하기 때문이다. 그러나, 방위를 나타내는 다른 수단은 본 발명의 범위를 벗어남이 없이 사용될 수 있다는 것을 알 수 있을 것이다. 상기 패턴을 저장하는 포맷은 픽셀 쌍 위치를 저장하는 것에 의해 수행되지 않는 것이 바람직한 데, 이는 실제 지문의 일부 병진(translation)이 4개의 모든 특징부 위치에 대하여 발생할 수 있는 일치를 파괴하기 때문이다. 그러나, 픽셀 쌍 위치의 예상된 위치는 매칭 과정을 촉진시키기 위해 이후의 탐색 시스템에 의해 저장될 수 있다. 또한, 이미지의 경계 근처에 있는 특징부를 배제하는 것이 바람직한데, 이러한 특징부들은 사용자가 이미지 획득 장치로부터 특징부를 변형시키는 경우에 손실될 수 있기 때문이다.

도 3에 있어서, 마스터 패턴 세트용 패턴이 정의된 다음, 이 패턴은 블록 58에서 메모리 내에 저장된다. 따라서, 시스템은 실제 지문 이미지를 저장하지 않으며, 오히려 블록 56에서 결정된 패턴과 그 특징부가 마스터 패턴 세트로서 저장된다. 예컨대, 6개의 특징부와 패턴당 3개의 특징부를 갖는 실시예에 있어서, 6개의 특징부에 대한 포인터와 20개의 패턴이 메모리에 저장된다. 블록 58 이후, 사용자는 시스템에 등록된다.

중요한 것은, 상기 기술된 시스템 그 자체로서 지문 이미지의 어떤 특징부 또는 영역이 가장 고유한 지를 결정할 수 있다는 것이다. 가장 고유한 특징부들은 가장 유용한 식별 정보를 포함하므로 마스터 패턴 세트의 생성에 있어 가장 유용한 정보를 포함하게 된다. 본 발명의 시스템에 의해 어떤 특징부가 가장 고유한지 또는 유용한지를 결정할 수 있으므로, 본 시스템은 갈라진 부분, 끝부분, 소용돌이 부분과 같은 소정의 지문 특징부로 한정되는 기존의 "특징점 지향(minutae-based)" 시스템보다 더욱 신뢰성이 있다. 이러한 유형의 시스템에 있어서, 이 시스템에 의해 발견 및 사용된 특징부들이 실제로는 가장 식별력 있는 특징부가 아닐 수도 있다. 그 다음에, 상기 초기 특징부의 결정은 시스템을 통하여 전파되어, 더 높은 정도의 오류 식별이나 오류 거절을 초래한다. 본 발명의 시스템이 어떤 특징부가 가장 고유한지를 스스로 결정할 수 있으므로, 이 시스템은 특징점 지향 시스템의 이점을 유지하면서, 최종 결과의 신뢰성을 증가시킨다.

증명

본 발명의 제2 단계는 사용자의 생물 측정 징후의 증명을 제공한다. 이를 위해서는, 제시된 실제 생물 측정 징후와 허가된 사용자의 기록된 마스터 패턴 세트 중 어느 하나 사이의 일치가 시스템에서 발견되어야 한다. 상기 기술된 바와 같이,본 발명은 생물 측정 징후가 지문인 것에 관하여 기술될 것이다.

도 9는 제시된 실제 지문을 상기 기술된 포맷에 저장된 기록 마스터 패턴 이미지를 이용하여 증명하는 바람직한 방법을 나타낸 흐름도이다. 사용자 지문의 증명을 제공할 때, 시스템은 블록 150에서 사용자 식별 정보를 얻는 것이 바람직하다. 이 식별 정보는 예컨대, 개인 식별 번호(PIN), ID 카드 또는 어떤 다른 유형의 식별 정보가 될 수 있다. 사용자 ID 번호가 수신되는 경우에, 처리기(16)는 사용자 ID 정보에 대응하는 마스터 패턴 세트를 검색한다. 사용자의 PIN 번호 입력을 요구하는 것이 바람직한데, 이는 예상되는 특징부의 위치와 같은 정보를 제공함으로써 증명 과정을 촉진시키기 때문이다. 다른 실시예에 있어서, 시스템은 매칭이 이루어질 때까지 시스템에 저장된 각 마스터 패턴 세트를 검사할 수 있으며, 이 경우 사용자가 증명될 것이며, 만약 매칭이 이루어지지 않은 경우에 사용자는 증명되지 않을 것이다.

블록 152에서, 시스템은 생물 측정 징후가 증명될 사용자의 이미지(이후 샘플 이미지라 함)를 획득한다. 블록 156, 158, l6O에서, 처리기(16)는 마스터 패턴 세트 내에서 각 특징부와 가장 잘 일치되는 샘플 이미지의 특징부를 식별한다. 예컨대, 마스터 패턴 세트를 정의하기 위해 6개의 특징부가 사용되는 실시예에서, 6개의 각 특징부에 대해 최적의 매칭이 결정될 것이다. 블록 158에서, 마스터 패턴 세트의 특징부는 샘플 이미지의 일부 또는 모든 특징부와 비교된다. 마스터 특징부가 비교되는 샘플 이미지 내의 특징부는 하나의 픽셀만큼만 이격되거나, 또는 복수 개의 픽셀의 증가에 따라 이격된 오버래핑 영역에 존재할 수 있다. 예상되는 위치가 제공되는 실시예에 있어서, 마스터 특징부는 예상된 위치를 둘러싸는 서브이미지, 예컨대 40×40 또는 8O×80 서브이미지 내의 특징부와 비교될 수 있다. 다른 실시예에 있어서, 특징부는 전체 이미지로부터 취해질 수 있다.

마스터 특징부와 샘플 특징부의 유사성을 결정하기 위하여, 다수의 공지된 함수 중 어떠한 것도 사용될 수 있다. 바람직한 실시예에 있어서, 다음의 표준 상관 표현이 제공된다.

[수학식 2]

여기서, S는 이미지 또는 서브이미지 내의 모든 m×m 특징부 세트이다. R 은 마스터 패턴 이미지의 특징부이고, 샘플 이미지의 각 후보 특징부 I와 비교된다. R_ij는 마스터 특징부 R에서 (i, j) 번째 픽셀 그레이 레벨이다. 이와 유사하게, I_ij는 샘플 특징부 I에서 (i, j) 번째 픽셀 그레이 레벨이다.및는 각 특징부내의 평균 그레이 레벨이다. 각 샘플 특징부 I는 예상되는 특징부의 위치에 있어 중심이 되는 탐색 영역 S 에 있게 된다. 예상되는 위치는 예상되는 위치가 사용되는 실시예에서 R의 좌표값이다.

마스터 패턴 세트내의 각 특징부와 가장 잘 일치하는 샘플 이미지의 특징부를 발견한 후에, 이 일치된 샘플 특징부 세트는 블록 162에서 대응하는 샘플 패턴 세트를 생성하는 데 이용된다. 그 다음에, 마스터 패턴 세트와 샘플 패턴 세트가블록 164에서 비교된다. 패턴 비교의 가장 간단한 방법은 서로 대응하는 패턴으로부터 라인 길이 및 각도를 감산하고 상관값을 이용하여 패턴 차 벡터를 생성하는 것이다. 예컨대, 각 패턴이 3개의 특징부로 구성되는 실시예에서, 상기 비교 방법은 패턴 차를 정의하는 7차원의 차 함수를 제공할 것이다.

패턴 차 ≡ (3 상관값, 2 Δl 값, 2 Δα값).

Δl 값은 대응하는 라인 길이에서의 차이고, Δα값은 대응하는 기울기의 차이다. 대안으로, Δl은 차가 아닌 l₁및 l₂의 비율로서 계산될 수 있으며, 이와 유사한 계산이 Δα에도 사용될 수 있다. 상관값은 시스템이 마스터 특징부와 최적으로 매칭하는 샘플 특징부를 찾은 경우에, 블록 158에서 결정된다. 이러한 패턴 차에 있어서, 보다 잘 일치하는 지문 패턴은 특징부가 유사함을 나타내는 더 큰 상관값과 패턴이 유사함을 나타내는 작은 Δl 및 Δα값을 가질 것이다.

블록 165에서 생성된 각 패턴 차 벡터는 그 다음에 처리기(16)에서 신경망(20)으로 전달되어 블록 166에서 분류된다. 도 1에 도시된 분류 신경망(20)은 패턴 차 벡터 세트 상에서 조정되며, 여기서 일부 벡터는 일치하는 것으로, 일부 벡터는 일치하지 않는 것으로 알려진다. 신경망(20)은 수신되는 각 패턴을 일치하는 것과 일치하지 않는 것으로 분류하고, 이 분류를 표시하는 분류 지정자를 생성하며, 이 정보를 처리기(16)로 다시 전달한다. 바람직한 분류 신경망은 1993년 12월 8일에 브래디(Brady) 등에 의해 출원되었으며 본원의 양수인에게 양도된 미국 특허 출원 번호 제08/163,825호, "Facet Classification Neural Network"에 기술되어 있으며, 그 내용을 본 명세서에서 인용하는 것으로 한다.

처리기(16)가 신경망(20)으로부터 분류 지정자를 수신한 다음, 처리기(16)는 샘플 패턴 이미지가 마스터 패턴 이미지와 일치하는지 여부를 판정한다. 도 9의 블록 168에서, 처리기(16)는 패턴이 일치됨을 나타내는 분류 지정자의 수를 합한다. 이 합계는 인계값 θ와 비교될 수 있으며, 일치하는 패턴의 수가 인계값을 초과하는 경우에, 처리기(16)는 지문이 일치한다고 판정한다.

처리기(16)는 임계값을 이용하기보다는 빈도 밀도 함수에 기초한 임계값을 설정할 수 있다. 도 10은 처리기(16)가 임계값을 설정하는데 사용될 수 있는 빈도 밀도 함수(180, 182)의 예를 나타낸다. 빈도 밀도 함수(180)는 무효인 비교를 나타내지만, 빈도 밀도 함수(182)는 유효한 비교를 나타낸다. x축은 일치하는 패턴의 수이고, y 축은 비교 횟수이다. 빈도 밀도 함수(180, 182)는 도 10에 x축 상의 각각의 번호에서 이산값으로 표시된 예에 기초한 막대그래프 쌍이다. 연속 함수는 도 10 및 11에 도시된 바와 같이 이산값에 적합하게 될 수 있다. 임계값 θ는 빈도 밀도 함수가 교차하는, 바람직하게는 2개의 함수가 모두 최소값인 곳에 위치한다. 임계값은 처리기(16)에 의해 일치되었다고 판정되기 위해 일치되어야 하는 패턴의 최소수를 나타낸다. 제로(0) 일치 패턴은 하나도 일치하지 않았음을 나타낸다. 도 10에 있어서, 1 내지 7개의 일치하는 패턴은 비록 이 실시예에서는 다소의 오차가 있지만, 일치하지 않는 것으로 간주된다. θ이상의 패턴 일치가 있는 경우, 처리기(16)는 지문 패턴이 일치한다고 결정하고, 블록 170에서 일치 신호를 입/출력 장치(14)로 전달한다.

도 11은 x 축상에서 교차하지 않는 교차점(184)을 갖는 다른 막대그래프 쌍을 나타낸다. 이 경우에, 잘못된 증명 또는 잘못된 거절이 발생할 수도 있다. 응용예에 따라, 임계값은 x 축 위로 또는 아래로 이동될 수 있다. 예를 들어, 잘못된 증명이 허용되지 않는 보안성 높은 응용예에서는 더 높은 임계값이 사용될 것이지만, 일부 잘못된 거절을 발생시킬 가능성이 있다.

본 발명은 여러 실시예를 참조하여 기술되었다. 이 기술분야의 당업자는 본 발명의 범위를 벗어남이 없이 기술된 실시예에서 다양한 변형이 가능하다는 것을 알 수 있을 것이다. 따라서, 본 발명의 범위는 본 명세서에 기재된 기술적 구조에 한정되지 않으며, 청구범위에 기술된 구조 및 이들 구조의 등가물로 한정된다.

Claims (10)

1. 사용자의 생물 측정 징후를 증명하기 위한 생물 측정 인식 시스템에 있어서,

   복수 개의 마스터 패턴 세트를 저장하는 데이터 저장 수단으로서, 상기 각 마스터 패턴 세트는 복수의 허가된 사용자 중 1명과 대응하며, 복수개의 마스터 특징부와 이 복수 개의 마스터 특징부의 마스터 방위 데이터에 의해 정의되는 것인 데이터 저장 수단과;

   마스터 패턴 세트와 생물 측정 징후 사이의 유사도 레벨을 나타내는 비교 벡터를 생성하는 벡터 생성 수단과;

   상기 비교 벡터에 기초하여 분류 지정자를 생성하는 신경망으로서, 상기 분류 지정자는 사용자의 생물 측정 징후가 증명되어야 하는지 여부를 나타내는 것인 신경망을 포함하며,

   상기 벡터 생성 수단은,

   상기 각 마스터 특징부와 가장 잘 일치하는 상기 생물 측정 징후의 샘플 특징부를 식별하는 식별 수단과:

   상기 각 마스터 특징부와 가장 잘 일치하는 샘플 특징부에 기초한 샘플 방위 데이터를 생성하는 패턴 생성 수단과;

   비교 방위 데이터를 생성하기 위하여 상기 마스터 방위 데이터와 샘플 방위 데이터를 비교하는 수단을 포함하며,

   상기 비교 벡터는 상기 비교 방위 데이터에 기초하며, 상기 마스터 특징부와이에 대응하는 샘플 특징부와의 유사도에 기초하며,

   상기 마스터 패턴 세트는 수학식

   을 이용하여 유도되는데, S는 이미지 내의 모든 m×m 특징부 세트이며(단, R은 기준 특징부로서 예외임), R_ij는 특징부 R에서 (i, j)번째 픽셀 그레이 레벨이고, I_ij는 I 에서 (i, j)번째 픽셀 그레이 레벨이며,및는 각 특징부 내의 평균 그레이 레벨인 것을 특징으로 하는 생물 측정 인식 시스템.
2. 제1항에 있어서, 상기 식별 수단은 상기 마스터 특징부와 이 마스터 특징부에 대응하는 샘플 특징부의 유사성을 판정하기 위해 상관 함수인 수학식을 이용하는데, S 는 이미지 또는 서브이미지의 모든 m×m 특징부 세트이고, R은 마스터 패턴 이미지의 특징부이며 샘플 이미지의 각 후보 특징부 I와 비교되고, R_ij는 마스터 특징부 R의 (i. j)번째 픽셀 그레이 레벨이며, I_ij는 샘플 특징부 I에서 (i, j)번째 픽셀 그레이 레벨이며,및는 각 특징부 내의 평균 그레이 레벨인 것을 특징으로 하는 생물 측정 인식 시스템.
3. 제1항에 있어서, 상기 마스터 방위 데이터와 상기 샘플 방위 데이터는 상기 마스터 특징부 사이의 라인 길이, 상기 샘플 특징부 사이의 라인 길이 및 상기 라인 길이의 경사도 데이터를 포함하는 것을 특징으로 하는 생물 측정 인식 시스템.
4. 제3항에 있어서, 상기 비교 방위 데이터는 상기 마스터 특징부의 라인 길이와 상기 샘플 특징부의 대응하는 라인 길이 사이의 차와, 상기 대응하는 라인 길이의 대응하는 기울기 데이터간 차를 취함으로써 제공되는 것을 특징으로 하는 생물 측정 인식 시스템.
5. 제1항에 있어서, 상기 생물 측정 징후의 이미지를 획득하여 이로부터 샘플 이미지를 생성하기 위한 생물 측정 패턴 획득 수단을 더 포함하는 것을 특징으로 하는 생물 측정 인식 시스템.
6. 제5항에 있어서, 상기 데이터 저장 수단은 상기 생물 측정 징후와 관련된 데이터를 더 저장하며, 상기 데이터는 상기 샘플 이미지에서 마스터 특징부의 예상되는 위치를 포함하는 것을 특징으로 하는 생물 측정 인식 시스템.
7. 제1항에 있어서, 상기 벡터 생성 수단은 복수 개의 비교 벡터를 생성하고,

   상기 시스템은 상기 신경망으로부터 분류 지정자를 수신하여, 일치를 나타내는 분류 지정자의 수를 합산하여 총합을 제공하며, 이 총합을 임계값과 비교하여 상기 총합이 임계값을 초과하는 경우에 일치 신호를 출력하는 임계 수단을 더 포함하는 것을 특징으로 하는 생물 측정 인식 시스템.
8. 사용자의 생물 측정 징후의 마스터 패턴 세트를 생성하기 위한 방법에 있어서,

   (a) 복수 개의 특징부를 포함하는 생물 측정 패턴 이미지를 생성하기 위해 생물 측정 징후의 이미지를 획득하는 단계와;

   (b) 상기 생물 측정 패턴 이미지 내의 각 특징부를 상기 생물 측정 패턴 이미지 내의 다른 모든 특징부와 비교하는 단계와;

   (c) 상기 단계 (b)의 결과에 기초하여, 상기 생물 측정 패턴 이미지 내의 각 특징부에 고유값을 할당하는 단계와,

   (d) 상기 고유값에 기초하여, 상기 생물 측정 패턴 이미지 내의 특징부로부터 복수 개의 마스터 특징부를 선택하는 단계와;

   (e) 상기 마스터 특징부에 기초하여 마스터 패턴을 정의하는 단계와;

   (f) 상기 마스터 패턴과 마스터 특징부를 마스터 패턴 세트로서 저장하는 단계를 포함하며,

   상기 할당 단계 (c)는 수학식

   을 이용하는데, S는 이미지 내의 모든 m×m 특징부 세트이며(단, R은 기준 특짓부로서 예외임), R_ij는 특징부 R에서 (i, j)번째 픽셀 그레이 레벨이고, I_ij는 1에서 (i, j)번째 픽셀 그레이 레벨이며,및는 각 특징부 내의 평균 그레이 레벨인 것을 특징으로 하는 마스터 패턴 세트 생성 방법.
9. 제8항에 있어서, 상기 마스터 패턴은 상기 마스터 특징부와, 제8항의 수학식을 이용하여 상기 마스터 특징부간의 위치 관계를 나타내는 방위 데이터에 기초하여 정의되며, 상기 방위 데이터는 복수 개의 마스터 특징부간의 라인 길이와, 이 라인 길이의 기울기 데이터를 포함하는 것을 특징으로 하는 마스터 패턴 세트 생성 방법.
10. 사용자의 생물 측정 패턴을 증명하는 방법에 있어서,

    허가된 생물 측정 패턴은 제1항 내지 제7항 중 어느 하나의 시스템과, 제8항 및 제9항 중 하나의 방법을 이용하여, 대응하는 생물 측정 패턴 내의 복수개의 마스터 특징부에 기초하여 복수 개의 마스터 패턴을 포함하는 대응 마스터 패턴 세트에 의하여 저장 및 표시되는 것을 특징으로 하는 사용자의 생물 측정 패턴 증명 방법.