KR100869876B1 - 블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정방법과 그 기록매체 - Google Patents

블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정방법과 그 기록매체 Download PDF

Info

Publication number
KR100869876B1
KR100869876B1 KR1020060137713A KR20060137713A KR100869876B1 KR 100869876 B1 KR100869876 B1 KR 100869876B1 KR 1020060137713 A KR1020060137713 A KR 1020060137713A KR 20060137713 A KR20060137713 A KR 20060137713A KR 100869876 B1 KR100869876 B1 KR 100869876B1
Authority
KR
South Korea
Prior art keywords
quality
block
equation
image
fingerprint image
Prior art date
Application number
KR1020060137713A
Other languages
English (en)
Other versions
KR20080062217A (ko
Inventor
문지현
김학일
Original Assignee
주식회사 케이티
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 케이티 filed Critical 주식회사 케이티
Priority to KR1020060137713A priority Critical patent/KR100869876B1/ko
Publication of KR20080062217A publication Critical patent/KR20080062217A/ko
Application granted granted Critical
Publication of KR100869876B1 publication Critical patent/KR100869876B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20161—Level set
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 지문 인식 시스템에서 사용되는 지문 영상의 품질을 블록단위로 측정하여 전체 지문 영상을 점수화함으로써 지문의 품질 측정 결과를 수치화할 수 있는 기술에 관한 것이다.
이를 위한, 본 발명은 입력된 지분 영상을 블록으로 세분화하는 제 1 과정; 각 블록 영상에 대한 품질 측정치를 산출하는 제 2 과정; 상기 품질 측정치를 근거로 상기 블록 영상의 특성 벡터를 결정하는 제 3 과정; 상기 블록 영상의 특성 벡터에 따른 가중치와 상기 품질 측정치를 이용하여 상기 각 블록 영상의 지문 품질 점수값을 산출하는 제 4 과정; 상기 블록 영상의 지문 품질 점수값을 이용하여 전체 지문 영상의 지문 품질 점수값을 산출하는 제 5 과정을 구비하는 것을 특징으로 한다.

Description

블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법과 그 기록매체{QUALITY SCORING METHOD FOR FINGERPRINTER IMAGES USING BLOCK-LEVEL MEASURES AND RECORDABLE MEDIA THEREOF}
도 1은 일반적인 지문 인식 시스템의 개략적 블록 구성도.
도 2는 본 발명의 실시예에 따른 본 발명의 실시예에 따른 블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법을 설명하는 순서도.
도 3은 본 발명의 실시예에 따른 블록 영상의 세분화 예시도.
도 4는 본 발명의 실시예에 따른 블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법의 적용 결과를 나타낸 그래프.
본 발명은 블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법에 관한 것으로서, 보다 상세하게는 지문 인식 시스템에서 사용되는 지문 영상의 품질을 블록단위로 측정하여 전체 지문 영상을 점수화함으로써 지문의 품질 측정 결과를 수치화할 수 있는 기술에 관한 것이다.
지문인식시스템은 바이오인식기술(바이오메트릭스)의 하나이다.
지문은 태어나면서 죽을 때까지 같은 형태를 유지하며, 외부 요인에 의해 상처가 생겼을 때도 금방 기존의 형태로 재생되기 때문에 타인과 같은 형태의 지문을 가질 확률은 10 억분의 1밖에 되지 않는다. 지문 인식 기술은 이러한 지문의 특성을 이용하여 개인인증분야에서 활발히 개발되고 있다.
한편, 지문 인식 기술은 지문의 유일성을 이용하여 지문 인증에 사용될 사용자의 특정 손가락 지문을 미리 지문인식시스템에 등록해 놓고, 지문 인증시 사용자가 자신이 입력한 손가락을 센서로 갖다대어 지문을 입력하면, 미리 등록된 지문 데이터와 인증을 위해 입력된 지문 데이터를 비교해 일치성을 근거로 본인 여부를 판별하여 사용자의 신분을 확인하게 된다.
일반적인 지문 인식 시스템은 도 1에 개시된 바와 같이, 지문 입력 센서부(10), 지문 인식 시스템부(70), 상태 표시부(60)를 구비한다.
지문 입력 센서부(10)를 통하여 입력되는 지문 영상으로부터 개인 인증에 사용될 고유 특성(특징점 등)을 생성하는 과정을 특징 추출이라 하고, 이러한 기능을 지문 특징 추출부(30)에서 담당한다. 이때, 추출된 특징들은 템플릿(template)으로 만들어져 다른 사용자 정보들과 함께 지문 정보 등록부(40)에 저장된다. 지문 정합 및 결과 결정부(50)에서는 지문 특징 추출부(30)에서 추출된 템플릿과 기 저장된 템플릿을 비교하여 해당 인증 결과를 상태표시부(60)로 전달한다.
지문 인식 시스템의 성능은 이 세 프로세스들 각각의 성능의 개선 시 향상되는데, 각 부분의 성능 향상에 가장 큰 영향을 미치는 것은 지문 영상의 품질이다.
도 1에서와 같이, 지문 품질 측정부(20)에서의 정확한 측정 결과는 센서부(10)에서 취득된 지문 영상의 사용 여부를 결정하는데 필요한 중요한 자료가 된다.
지문 입력 센서부(10)를 통해 입력된 지문 영상에 대해 정합에 필요한 특정점들을 추출하는 과정에도 지문 영상의 품질 정보는 품질 특성에 맞는 최적화된 영상 처리를 가능하게 한다. 또한, 지문 영상의 품질 측정 결과를 이용하여 의사특징점일 확률이 높은 특징점들을 정합 시 제외시키면 정합 점수의 신뢰도가 높아질 뿐 아니라 false match rate도 효과적으로 감소시킬 수 있게 된다.
본 발명은 상기한 사정을 감안하여 창출되어진 것으로서, 본 발명은 지문 인식 시스템에서 사용되는 지문 영상의 품질을 블록단위로 측정하여 전체 지문 영상을 점수화함으로써 지문의 품질 측정 결과를 수치화할 수 있는 블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법과 그 기록매체를 제공하는 것을 목적으로 한다.
상기한 목적을 달성하기 위해, 본 발명에 따른 블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법은, 입력된 지분 영상을 블록으로 세분화하는 제 1 과정; 각 블록 영상에 대한 품질 측정치를 산출하는 제 2 과정; 상기 품질 측정치를 근거로 상기 블록 영상의 특성 벡터를 결정하는 제 3 과정; 상기 블록 영상의 특성 벡터에 따른 가중치와 상기 품질 측정치를 이용하여 상기 각 블록 영상의 지문 품질 점수값을 산출하는 제 4 과정; 상기 블록 영상의 지문 품질 점수값을 이용하여 전체 지문 영상의 지문 품질 점수값을 산출하는 제 5 과정을 구비하는 것을 특징으로 한다.
바람직하게, 본 발명의 상기 1 과정에서는 상기 블록을 16 × 16으로 세분화하는 것을 특징으로 한다.
바람직하게, 본 발명의 상기 제 2 과정에서 산출되는 품질 측정치는 상기 블록 내의 화소값들의 평균(Mk), 주성분 분석을 통해 구해진 주성분의 최대 고유치(Lk), 및 주성분 비율(Rk)인 것을 특징으로 한다.
상기한 목적을 달성하기 위해, 본 발명에 따른 블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법이 기록된 매체는, 입력된 지분 영상을 블록으로 세분화하는 제 1 과정; 각 블록 영상에 대한 품질 측정치를 산출하는 제 2 과정; 상기 품질 측정치를 근거로 상기 블록 영상의 특성 벡터를 구성하는 제 3 과정; 상기 블록 영상의 특성 벡터에 따른 가중치와 상기 품질 측정치를 이용하여 상기 각 블록 영상의 지문 품질 점수값을 산출하는 제 4 과정; 상기 블록 영상의 지문 품질 점수값을 이용하여 전체 지문 영상의 지문 품질 점수값을 산출하는 제 5 과정을 구비하는 것을 특징으로 한다.
이하, 첨부되어진 도면을 참조하여 본 발명의 실시예를 구체적으로 설명한다.
도 2는 본 발명의 실시예에 따른 블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법을 설명하기 위한 순서도이다. 본 발명에서 설명되어질 블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법에 따른 동작은 지문 인식 시스템의 지문 품질 측정부에서 행해진다.
먼저, 지문 입력 센서부를 통해 입력된 지문 영상을 16×16의 사각형 블록으로 분할한다(S2). S2 단계에서는 상기 블록 영상들은 지문의 전경 영역에서 취한 것들로 구성되며, 그 블록의 크기 역시 16×16 으로 고정된다. 이는 500dpi 지문 영상을 입력으로 가정하였을 때 지문 융선의 특성이 가장 잘 표현될 수 있는 최적의 블록 크기를 고려한 결정이다. 지문의 전경 영역을 블록으로 분할한 형태는 도 3에 도시된 바와 같다.
이어, 상기 블록 영상에 대한 품질 측정치인 평균(Mk), 주성분 최대값 고유값(Lk), 및 주성분 고유값들의 비율(Rk)을 계산한다(S4). S4 단계에서는 블록 영상이 가진 화소값들의 평균(Mk), 블록 안의 융선에 대한 주성분 분석 결과로 얻어지는 주성분의 최대 고유값(Lk), 그리고 주성분 고유값들의 비율(Rk)을 계산한다. 화소값들의 평균(Mk), 주성분 최대값 고유값(Lk), 및 주성분 고유값들의 비율(Rk)은 지문 영상(블록 영상)에 대한 품질 측정치들이다.
상기 품질 측정치들을 계산하는 과정을 설명한다.
먼저, 평균(Mk)은 해당 블록 내의 화소값들의 평균으로 정의되며, 상기 평균(Mk)은 [수학식 1]을 통해 계산될 수 있다.
Figure 112006098145029-pat00001
[수학식 1]에서 k는 해당 블록의 인덱스이고, N은 블록의 가로 또는 세로의 크기(=16)를 나타내며, Pij는 해당 블록 내 픽셀의 화소값을 나타낸다.
화소값의 평균 Mk은 전경과 배경을 구분하는데 있어 가장 간단하고 유용한 측정치가 된다. 즉, 융선의 유무를 판단하는데 있어서 가장 기본이 되는 정보를 주는 측정치로 사용 가능하다. 지문 영상에서 융선을 "0"에 가까운 화소값으로 표현한다고 할 때, 이 값을 이용할 경우 "dimmed"와 "smudged" 블록간의 구분은 명확해지나, "corruptes" 블록들은 제대로 구분할 수 없게 됨을 알 수 있다. 또한, 이와 같이 단순한 화소값들만을 고려 대상으로 하는 경우 "well-defined" 블록이 "dimmed" 블록보다 작은 값으로 표현되는데, 이는 융선이 검은색(0)으로 표현되는 지문 센서의 특성에 기인한다.
상기 블록들의 특징은 [표 1]에 기재된 바와 같다.
블록 품질 이름 블록 품질 정의 블록 영상의 예
Well-defined 융선의 방향성이 쉽게 구분되며, 융선과 골 사이의 구분이 뚜렷함
Figure 112006098145029-pat00002
Dimmed 대부분의 융선 구조가 구분 가능하나, 융선과 골 사이의 화소차가 작음
Figure 112006098145029-pat00003
Smudged 평행한 두 융선이 정확하게 구분되지 않으며, 융선들 사이의 간격이 좁음
Figure 112006098145029-pat00004
Corrupted 융선의 구조를 파악하기 어려우나, 배경과 구분되는 화소값들의 집합이 존재함
Figure 112006098145029-pat00005
[표 1]에 의해 각 블록 품질의 종류에 대해 블록 품질이 정의된다.
[표 1]에 도시된 블록 영상의 예는 각 블록의 영상 표시 예를 나타낸 것이다.
다음으로는 주성분 분석을 통해 구해진 주성분의 최대 고유치(Lk)를 계산한다.
주성분 분석이란 고차의 데이터 집합에 의해 상관성이 있는 데이터들끼리 선형 결합 형태로 묶어 다루기 쉬운 몇 개의 성분으로 데이터를 축약하는 기법이다. 품질 특성을 측정하기 위해서는 주성분 분석의 입력으로 사용되는 정보는 [수학식 2]에 적용되는 x,y 방향의 변화도(gradient)이다. 주성분 분석을 이용하면 고유값 두개가 계산되는데, 이들 중 가장 큰 값(Lk)을 지문 영상의 품질 특성 구분에 사용한다.
상기 고유값 최고치(Lk)는 [수학식 3]에 의해 계산된다.
Figure 112006098145029-pat00006
[수학식 2]에서 k는 해당 블록의 인덱스를 나타내고, N은 블록의 가로 또는 세로의 크기(=16)을 나타내며, dx와 dy는 각각 x, y 방향으로의 변화도를 나타낸다.
Figure 112006098145029-pat00007
[수학식 3]를 이용하면 각 블록이 제 1 주성분이 나머지에 비해 강한 방향성을 가지는 경우를 큰 값으로 표현할 수 있게 된다. 즉, 방향성이 난잡하면 할수록 제 1 주성분의 값은 작아지게 되는 것이다. [수학식 3]에 의하면, 최대 주성분 고유값 Lk은 "well-defined"와 그 나머지 특성 사이를 구분하기는 용이하나, "dimmed", "corrupted", "smudged"간의 품질 구분에는 유용하지 못하다.
마지막으로, 주성분 고유값들의 비율(Rk)을 계산한다.
[수학식 2]의해 계산되어진 a, b, c, d를 [수학식 4]에 대입하여 최소 주성분 고유값(λmin)을 계산하고, [수학식 3]에서 계산되어진 λmax과 [수학식 4]에 의해 계산되어진 최소 주성분 고유값(λmin)을 [수학식 5]에 대입하여 주성분 비율(R)을 계산한다.
Figure 112006098145029-pat00008
Figure 112006098145029-pat00009
[수학식 5]에 의해 계산되는 주성분 비율 Rk는 x 또는 y 방향으로의 방향성이 얼마나 뚜렷하게 나타나는지를 수치화한 것이다. 따라서, 해당 블록에 대하여 분포한 융선들이 뚜렷한 방향성을 나타내는 경우 Rk는 큰 값을 가지게 된다. 즉, "well-defined" 영역이 다른 품질의 블록들에 비해 높은 수치로 표현되는 것이다. 그러나, 어떠한 블록이든 방향성을 조금이라도 가진 블록들에 대하여 Rk가 높은 수치로 표현될 수 있기 때문에, "smudeg" 영역과 "dimamed" 영역의 차가 크게 구분되지 않는다는 단점을 가지게 된다.
하나의 블록은 상술되어진 S4 단계를 거침으로써 각 블록에 대한 화소값들의 평균(Mk), 주성분의 최대 고유치(Lk), 및 주성분 고유값들의 비율(Rk)이 산출된다.
이어, 지문 품질 측정부는 상기 측정치(Mk, Lk, Rk)들을 사용하여 [표 1]에서 정의되어진 블록 품질 특성들이 잘 구분될 수 있게 하기 위해 먼저 각 블록들에 대한 세가지 측정값들로 품질 특성 벡터를 구성한다.
이러한 특성 벡터들은 Supper Vecter Machine(SVM)과 같은 분류기의 입력으로 사용되어 각 품질 특성에 대한 통계학적 정보들을 계산하는데 사용된다. SVM은 1979년 Vapink에 의해 제안된 통계적 학습 이론으로, 일반적인 통계적 학습 방법에서의 경험적 리스트 최소화와는 달리 구조적 리스크 최소화를 통해 오류를 최소화시키는 방법을 이용한 것이다. 이 방법을 이용한 분류 결과를 통하여 각 품질 특성 집단을 대표하는 통계적 정보를 구할 수 있다(S6).
이어, 지문 품질 측정부는 실제 영상에 적용하기에 앞서 각 블록의 품질 특성에 다음의 조건을 만족하도록 점수대를 부여하는 작업을 선행한다.
첫 번째 조건은 블록 품질 특성들의 점수값이 "well-defined", "dimmed", "smudged", "corrupted"의 순으로 내림차순화 되도록 한다. 이것은 의미있는 특징 정보들을 추출하는데 있어 필요한 전처리 과정의 복잡성(complexity)을 역순으로 나열한 것으로, 높은 품질 점수를 갖는 블록이 많을수록 전체 영상의 품질 점수가 높게 나타날 수 있도록 하기 위함이다.
두 번째 조건은 품질 특성 간 점수 분포의 분리성(separability)이 높게 나타나도록 해야 된다는 것이다. 이는 블록 간 특성 구분을 명확히 하여 추후 발생 가능한 품질 점수화의 오류를 줄이기 위하여 필요한 조건이다.
상술되어진 두 가지 조건을 만족하는 블록 품질 점수
Figure 112006098145029-pat00010
는 [수학식 6]에 의해 산출된다.
Figure 112006098145029-pat00011
[수학식 6]에서 w는 S4 단계에서 산출되어진 품질 측정치들(
Figure 112008041366114-pat00012
)에 적용될 가중치들의 벡터로서
Figure 112008041366114-pat00013
와 같은 차수를 가지며, w의 세가지 요소는 각각 평균(Mk), 주성분 최대 고유값(Lk), 주성분 고유값들의 비율(Rk)에 대하여 적용될 가중치들을 나타낸다.
또한, [수학식 6]에서
Figure 112006098145029-pat00014
는 k번째 블록이 i 품질일 때의 블록의 품질 점수를 나타내며, k는 블록의 인덱스로 이는 도 3에 도시된 바와 같다.
[수학식 6]의 가중치 벡터 w를 결정하기 위하여, [수학식 7]의 조건 식을 사용한다.
[수학식 7]의 E는 네 가지 품질 특성을 각각 점수화하였을 경우 발생할 수 있는 오분류 가능성을 누적 합산한 것이며, 이 값이 가장 작을 때의 가중치 벡터 w를 최종 가중치 벡터로 결정한다.
Figure 112006098145029-pat00015
[수학식 7]에서 τij 는 i 품질 특성과 j 품질 특성을 구분하는데 사용되는 임계값(threshold)으로, 도 4에 도시된 바와 같다.
[수학식 6]과 [수학식 7]을 이용하여 S4 단계에서 산출된 블록 측정치들(Mk, Lk, Rk)의 품질을 점수한 결과는 도 4와 같다.
도 4에 의하면, 상술한 방법을 사용함으로써 "well-defined"의 품질을 갖는 블록들이 높은 점수대를, "dimmed" 블록 영상들이 중간 점수대를, 그리고 "smudged"와 "corrupted"가 가장 낮은 점수대를 이루고 있음을 알 수 있다.
한편, S8 단계를 통해 각 블록 영상에 대한 품질 점수가 산출되면, 상기 각 블록 영상에 대한 품질 점수를 이용하여 전체 영상의 품질 점수를 산출한다(S10).
상기 전체 영상의 품질 점수는 [수학식 8]에 의해 산출된다.
Figure 112006098145029-pat00016
[수학식 8]에서
Figure 112006098145029-pat00017
은 주축에 대한 분산을 나타내고,
Figure 112006098145029-pat00018
는 부축에 대한 분산을 나타낸다.
[수학식 8]의 S는 영상 레벨의 지문 품질 점수를 나타내는데, n과 m은 각각 지문 전경의 가로, 세로 방향의 블록 인덱스를 나타내며, sk(x,y)는 전체 지문 영상에 대한 (x,y) 위치에 있는 블록의 품질 점수값을 나타낸다. 즉, [수학식 8]에서 전체 지문에 대한 품질 점수값은 전경 영역에 대하여 각 블록의 품질 점수값들을 가우시안 가중치를 적용해 합산, 평균하는 방법으로 계산된다. 블록의 품질 점수값들을 평균하는데 있어서 전경 영역에 대해 가우시안 가중치를 적용하는 것은 센서를 통한 지문 입력시 손가락 끝에 나타나는 압력 정도와 지문 영상 간의 관계에 기인한 것이다.
일반적으로 센서 사용 시 압력이 가장 많이 가해지는 곳을 지문 전경 영역의 중심이라고 할 때, 전경 중심으로부터 멀어질수록 압력에 의한 지문 융선에의 영향이 적어진다. 이때, 지문의 전경 영역에 대하여는 중심 부분이 다른 부분들에 비해 좋은 품질의 블록으로 표현될 확률이 높아짐을 감안할 때, [수학식 8]은 이를 고려하여 전체 지문 영상의 품질을 점수화하는 것을 알 수 있다.
또한, [수학식 8]은 지문 영상의 전경이 가지는 영역 분포에 대한 정보를 하나 더 고려한다. 일반적으로 지문 입력 센서를 이용하여 수집된 영상의 대부분은 원보다는 타원에 가까운 전경 영역을 가지게 된다. [수학식 8]은 이와 같이 타원으로 나타나는 지문 영상의 전경 영역에 대하여 주축과 부축의 방향을 계산하고, 이 두 방향에 대한 화소들의 분산들을 이용하여 가중치를 결정한다.
상술된 본 발명의 실시예에 따른 블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법은 특징점 추출 이전에 특성 판단이 완료되기 때문에, 특징점 정보나 정합 후의 점수에 독립적으로 형태로 설계되었음을 알 수 있다.
또한, 상술된 본 발명의 실시예에 따른 블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법은 사용하는 측정치들이 간단한 수식으로 표현될 수 있을 만큼 간단하고도 어렵지 않은 방법들로 구현이 가능하기 때문에 간결한 프로시저(procedure)의 구성이 가능해진다.
이상 설명한 바와 같이 본 발명의 실시예에 따른 블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법에 의하면, 지문 영상의 품질을 정확하게 파악하여 지문 인식 시스템의 지문 특징 추출부에서 사용 가능한 영상을 점수화된 수치를 근거로 선별해 줌으로써, 지문 품질 측정에 대한 신뢰도를 향상시킬 수 있다는 효과가 있다.
이러한 본 발명은 추출의 전과정 또는 정합 후의 결과를 이용한 학습이 전혀 필요없기 때문에, 이들 과정에서 사용되어야 하는 시스템 리소스의 사용량을 현저하게 줄일 수 있다는 장점을 가지고 갖는다. 그리고, 본 발명에서 사용된 세가지 측정치들은 영상 품질 측정 후에 계속될 일반적인 추출 과정에서 함께 사용이 가능하기 때문에 추출을 위하여 모든 것을 다시 계산하는 번거로움을 없앨 수 있다는 점에서 전체 과정이 간결해 지는 효과를 갖는다.
한편, 본 발명은 상술한 실시예로만 한정되는 것이 아니라 본 발명의 요지를 벗어나지 않는 범위내에서 수정 및 변형하여 실시할 수 있고, 이러한 수정 및 변경 등은 이하의 특허 청구의 범위에 속하는 것으로 보아야 할 것이다.

Claims (22)

  1. 입력된 지분 영상을 블록으로 세분화하는 제 1 과정;
    각 블록 영상에 대한 품질 측정치를 산출하는 제 2 과정;
    상기 품질 측정치를 근거로 상기 블록 영상의 특성 벡터를 결정하는 제 3 과정;
    상기 블록 영상의 특성 벡터에 따른 가중치와 상기 품질 측정치를 이용하여 상기 각 블록 영상의 지문 품질 점수값을 산출하는 제 4 과정;
    상기 블록 영상의 지문 품질 점수값을 이용하여 전체 지문 영상의 지문 품질 점수값을 산출하는 제 5 과정을 구비하는 것을 특징으로 하는
    블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법.
  2. 제 1 항에 있어서, 상기 1 과정에서는
    상기 블록을 16 × 16으로 세분화하는 것을 특징으로 하는
    블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법.
  3. 제 1 항에 있어서, 상기 제 2 과정에서 산출되는 품질 측정치는
    상기 블록 내의 화소값들의 평균(Mk),
    주성분 분석을 통해 구해진 주성분의 최대 고유치(Lk), 및
    주성분 비율(Rk)인 것을 특징으로 하는
    블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법.
  4. 제 3 항에 있어서, 상기 평균(Mk)은
    [수학식 1]에 의해 산출되는 것을 특징으로 하는
    블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법.
    [수학식 1]
    Figure 112008041366114-pat00019
    여기서, k는 해당 블록의 인덱스, N은 블록의 가로 또는 세로의 크기(=16), Pij 는 해당 블록 내 픽셀의 화소값임.
  5. 제 4 항에 있어서, 상기 주성분의 최대 고유치(Lk)는
    [수학식 2]와 [수학식 3]에 의해 산출되는 것을 특징으로 하는
    블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법.
    [수학식 2]
    Figure 112008041366114-pat00020
    단, dx와 dy는 각각 x, y 방향으로의 변화도임.
    [수학식 3]
    Figure 112008041366114-pat00021
  6. 제 5 항에 있어서, 상기 주성분 비율(Rk)은
    [수학식 4]와 [수학식 5]에 의해 산출되는 것을 특징으로 하는
    블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법.
    [수학식 4]
    Figure 112008041366114-pat00022
    [수학식 5]
    Figure 112008041366114-pat00023
  7. 제 6 항에 있어서, 상기 제 3 과정에서 특성 벡터는
    융선의 방향성이 쉽게 구분되며 상기 융선과 골 사이의 구분이 뚜렷한 제 1 특성 벡터,
    대부분의 융선 구조가 구분 가능하나 융선과 골 사이의 화소차가 작은 제 2 특성 벡터,
    평행한 두 융선이 정확하게 구분되지 않으며 융선들 사이의 간격이 좁은 제 3 특성 벡터, 및
    상기 융선의 구조를 파악하기 어려우나 배경과 구분되는 화소값들의 집합이 존재하는 제 4 특성 벡터로 구분되는 것을 특징으로 하는
    블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법.
  8. 제 7 항에 있어서, 상기 특성 벡터들의 점수값은
    제 1 특성 벡터 > 제 2 특성 벡터 > 제 3 특성 벡터 > 제 4 특성 벡터 순으로 부여되는 것을 특징으로 하는
    블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법.
  9. 제 8 항에 있어서, 상기 제 4 과정에서
    상기 가중치(w)는 상기 각 특성 벡터를 점수화하였을 경우 발생할 수 있는 오분류 가능성을 누적 합산하여, 상기 누적 합산값이 가장 적은 특성 벡터로 결정되는 것을 특징으로 하는
    블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법.
  10. 제 9 항에 있어서, 상기 제 5 과정은
    모든 블록의 각 지문 영상에 대한 품질 측정값(
    Figure 112006098145029-pat00027
    )에 대해 가우시안 가중치를 적용하여 합산하고 평균하는 방식으로 전체 지문 영상의 품질 측정값을 산출하는 것을 특징으로 하는
    블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법.
  11. 제 1 항 또는 제 10 항에 있어서, 상기 제 5 과정은
    [수학식 8]에 의해 산출되는 것을 특징으로 하는
    블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정 방법.
    [수학식 8]
    Figure 112006098145029-pat00028
    단,
    Figure 112006098145029-pat00029
    은 주축에 대한 분산을 나타내고,
    Figure 112006098145029-pat00030
    는 부축에 대한 분산을 나타냄.
  12. 입력된 지분 영상을 블록으로 세분화하는 제 1 과정;
    각 블록 영상에 대한 품질 측정치를 산출하는 제 2 과정;
    상기 품질 측정치를 근거로 상기 블록 영상의 특성 벡터를 구성하는 제 3 과정;
    상기 블록 영상의 특성 벡터에 따른 가중치와 상기 품질 측정치를 이용하여 상기 각 블록 영상의 지문 품질 점수값을 산출하는 제 4 과정;
    상기 블록 영상의 지문 품질 점수값을 이용하여 전체 지문 영상의 지문 품질 점수값을 산출하는 제 5 과정을 구비하여
    지문 영상의 품질을 측정하는 프로그램이 저장된 기록매체.
  13. 제 12 항에 있어서, 상기 1 과정에서는
    상기 블록을 16 × 16으로 세분화하는 것을 특징으로 하는
    지문 영상의 품질을 측정하는 프로그램이 저장된 기록매체.
  14. 제 12 항에 있어서, 상기 제 2 과정에서 산출되는 품질 측정치는
    상기 블록 내의 화소값들의 평균(Mk),
    주성분 분석을 통해 구해진 주성분의 최대 고유치(Lk), 및
    주성분 비율(Rk)인 것을 특징으로 하는
    지문 영상의 품질을 측정하는 프로그램이 저장된 기록매체.
  15. 제 12 항에 있어서, 상기 평균(Mk)은
    [수학식 1]에 의해 산출되는 것을 특징으로 하는
    지문 영상의 품질을 측정하는 프로그램이 저장된 기록매체.
    [수학식 1]
    Figure 112008041366114-pat00031
    여기서, k는 해당 블록의 인덱스, N은 블록의 가로 또는 세로의 크기(=16), Pij 는 해당 블록 내 픽셀의 화소값임.
  16. 제 15 항에 있어서, 상기 주성분의 최대 고유치(Lk)는
    [수학식 2]와 [수학식 3]에 의해 산출되는 것을 특징으로 하는
    지문 영상의 품질을 측정하는 프로그램이 저장된 기록매체.
    [수학식 2]
    Figure 112008041366114-pat00032
    단, dx와 dy는 각각 x, y 방향으로의 변화도임.
    [수학식 3]
    Figure 112008041366114-pat00033
  17. 제 16 항에 있어서, 상기 주성분 비율(Rk)은
    [수학식 4]와 [수학식 5]에 의해 산출되는 것을 특징으로 하는
    지문 영상의 품질을 측정하는 프로그램이 저장된 기록매체.
    [수학식 4]
    Figure 112008041366114-pat00034
    [수학식 5]
    Figure 112008041366114-pat00035
  18. 제 17 항에 있어서, 상기 제 3 과정에서 특성 벡터는
    융선의 방향성이 쉽게 구분되며 상기 융선과 골 사이의 구분이 뚜렷한 제 1 특성 벡터,
    대부분의 융선 구조가 구분 가능하나 융선과 골 사이의 화소차가 작은 제 2 특성 벡터,
    평행한 두 융선이 정확하게 구분되지 않으며 융선들 사이의 간격이 좁은 제 3 특성 벡터, 및
    상기 융선의 구조를 파악하기 어려우나 배경과 구분되는 화소값들의 집합이 존재하는 제 4 특성 벡터로 구분되는 것을 특징으로 하는
    지문 영상의 품질을 측정하는 프로그램이 저장된 기록매체.
  19. 제 18 항에 있어서, 상기 특성벡터들의 점수값은
    제 1 특성 벡터 > 제 2 특성 벡터 > 제 3 특성 벡터 > 제 4 특성 벡터 순으로 부여되는 것을 특징으로 하는
    지문 영상의 품질을 측정하는 프로그램이 저장된 기록매체.
  20. 제 19 항에 있어서, 상기 제 4 과정에서
    상기 가중치(w)는 상기 각 특성 벡터를 점수화하였을 경우 발생할 수 있는 오분류 가능성을 누적 합산하여, 상기 누적 합산값이 가장 적은 특성 벡터로 결정되는 것을 특징으로 하는
    지문 영상의 품질을 측정하는 프로그램이 저장된 기록매체.
  21. 제 20 항에 있어서, 상기 제 5 과정은
    모든 블록의 각 지문 영상에 대한 품질 측정값(
    Figure 112006098145029-pat00039
    )에 대해 가우시안 가중치를 적용하여 합산하고 평균하는 방식으로 전체 지문 영상의 품질 측정값을 산출하는 것을 특징으로 하는
    지문 영상의 품질을 측정하는 프로그램이 저장된 기록매체.
  22. 제 12 항 또는 제 21 항에 있어서, 상기 제 5 과정은
    [수학식 8]에 의해 산출되는 것을 특징으로 하는
    지문 영상의 품질을 측정하는 프로그램이 저장된 기록매체.
    [수학식 8]
    Figure 112006098145029-pat00040
    단,
    Figure 112006098145029-pat00041
    은 주축에 대한 분산을 나타내고,
    Figure 112006098145029-pat00042
    는 부축에 대한 분산을 나타냄.
KR1020060137713A 2006-12-29 2006-12-29 블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정방법과 그 기록매체 KR100869876B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020060137713A KR100869876B1 (ko) 2006-12-29 2006-12-29 블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정방법과 그 기록매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020060137713A KR100869876B1 (ko) 2006-12-29 2006-12-29 블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정방법과 그 기록매체

Publications (2)

Publication Number Publication Date
KR20080062217A KR20080062217A (ko) 2008-07-03
KR100869876B1 true KR100869876B1 (ko) 2008-11-24

Family

ID=39814367

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020060137713A KR100869876B1 (ko) 2006-12-29 2006-12-29 블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정방법과 그 기록매체

Country Status (1)

Country Link
KR (1) KR100869876B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978553A (zh) * 2014-04-08 2015-10-14 腾讯科技（深圳）有限公司 图像分析的方法及装置

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100957073B1 (ko) * 2008-11-19 2010-05-13 고려대학교 산학협력단 지문영상의 품질에 기초한 선택적 영상압축장치 및 방법, 그리고 이를 이용한 인증장치
KR101244220B1 (ko) * 2011-10-21 2013-03-18 주식회사 유니온커뮤니티 지문인식장치 및 그 지문 인식방법
CN103065134B (zh) * 2013-01-22 2016-01-13 江苏超创信息软件发展股份有限公司 一种具有提示信息的指纹识别装置和方法
CN105893822B (zh) * 2016-03-31 2019-04-23 联想(北京)有限公司 信息处理方法及电子设备
KR101949167B1 (ko) * 2017-10-12 2019-05-08 주식회사 유니온커뮤니티 지문센서 품질 판정 시스템 및 그 판정방법

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05108805A (ja) * 1991-10-17 1993-04-30 Nippondenso Co Ltd 指紋照合装置
US5799098A (en) 1994-10-20 1998-08-25 Calspan Corporation Fingerprint identification system
US5963656A (en) 1996-09-30 1999-10-05 International Business Machines Corporation System and method for determining the quality of fingerprint images
JP2004171551A (ja) 2002-11-06 2004-06-17 Chuo Spring Co Ltd 指紋照合装置及び指紋画像評価方法
KR20050039207A (ko) * 2003-10-24 2005-04-29 시큐젠 코포레이션 광학식 지문영상장치 및 광학식 지문영상장치의품질평가방법
KR20060124964A (ko) * 2005-06-01 2006-12-06 한국전자통신연구원 지문영상의 품질 분류 방법 및 장치와 이를 이용한지문영상 인식 시스템
JP2008004028A (ja) * 2006-06-26 2008-01-10 Fujitsu Ltd 提案パターン作成方法及び提案パターン作成処理システム

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05108805A (ja) * 1991-10-17 1993-04-30 Nippondenso Co Ltd 指紋照合装置
US5799098A (en) 1994-10-20 1998-08-25 Calspan Corporation Fingerprint identification system
US5963656A (en) 1996-09-30 1999-10-05 International Business Machines Corporation System and method for determining the quality of fingerprint images
JP2004171551A (ja) 2002-11-06 2004-06-17 Chuo Spring Co Ltd 指紋照合装置及び指紋画像評価方法
KR20050039207A (ko) * 2003-10-24 2005-04-29 시큐젠 코포레이션 광학식 지문영상장치 및 광학식 지문영상장치의품질평가방법
KR20060124964A (ko) * 2005-06-01 2006-12-06 한국전자통신연구원 지문영상의 품질 분류 방법 및 장치와 이를 이용한지문영상 인식 시스템
JP2008004028A (ja) * 2006-06-26 2008-01-10 Fujitsu Ltd 提案パターン作成方法及び提案パターン作成処理システム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978553A (zh) * 2014-04-08 2015-10-14 腾讯科技（深圳）有限公司 图像分析的方法及装置
CN104978553B (zh) * 2014-04-08 2019-05-28 腾讯科技（深圳）有限公司 图像分析的方法及装置

Also Published As

Publication number Publication date
KR20080062217A (ko) 2008-07-03

Similar Documents

Publication Publication Date Title
KR101244220B1 (ko) 지문인식장치 및 그 지문 인식방법
Raja Fingerprint recognition using minutia score matching
Tabassi et al. A novel approach to fingerprint image quality
KR101307603B1 (ko) 생체 정보 등록 장치, 생체 정보 등록 방법 및 생체 정보 등록용 컴퓨터 프로그램과 생체 인증 장치, 생체 인증 방법 및 생체 인증용 컴퓨터 프로그램
US20080013803A1 (en) Method and apparatus for determining print image quality
US6118890A (en) System and method for broad classification of biometric patterns
JP4911300B2 (ja) パターン情報登録装置、パターン情報登録方法、パターン情報登録プログラム及びパターン照合システム
KR100869876B1 (ko) 블록 레벨 품질 측정값을 이용한 지문 영상의 품질 측정방법과 그 기록매체
US20110013845A1 (en) Optimal subspaces for face recognition
US20080101663A1 (en) Methods for gray-level ridge feature extraction and associated print matching
US8019143B2 (en) Image processing apparatus and computer program product
JP2002222424A (ja) 指紋照合システム
US20060120578A1 (en) Minutiae matching
WO2017206914A1 (zh) 指纹识别方法、指纹识别系统、及电子设备
WO2008054940A2 (en) Print matching method and apparatus using pseudo-ridges
CN106529501B (zh) 基于加权融合与分层串行结构的指纹与指静脉图像融合方法
Marasco et al. Minimizing the impact of low interoperability between optical fingerprints sensors
Liu et al. An improved 3-step contactless fingerprint image enhancement approach for minutiae detection
Oblak et al. Fingermark quality assessment framework with classic and deep learning ensemble models
Lin et al. Optical sensor measurement and biometric-based fractal pattern classifier for fingerprint recognition
Arun et al. A machine learning approach for fingerprint based gender identification
KR100489430B1 (ko) 위치이동, 회전에 무관한 지문인식 방법 및 지문인식 장치및 그 방법을 실행시키기 위한 프로그램을 기록한기록매체
Ray et al. Palm print recognition using hough transforms
Yao et al. Fingerprint quality assessment: Matching performance and image quality
Dusio et al. Fingerprint sample quality assessment via ridge line count using laplacian of gaussian edge finding

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20121106

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20131105

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20141105

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20151105

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20161104

Year of fee payment: 9

FPAY Annual fee payment

Payment date: 20171106

Year of fee payment: 10

FPAY Annual fee payment

Payment date: 20181031

Year of fee payment: 11

FPAY Annual fee payment

Payment date: 20190903

Year of fee payment: 12