KR101180293B1 - 지문의 영역 별 방향패턴 특징 추출 방법 및 이를 이용한 지문 분류 방법 - Google Patents

지문의 영역 별 방향패턴 특징 추출 방법 및 이를 이용한 지문 분류 방법 Download PDF

Info

Publication number
KR101180293B1
KR101180293B1 KR1020110077219A KR20110077219A KR101180293B1 KR 101180293 B1 KR101180293 B1 KR 101180293B1 KR 1020110077219 A KR1020110077219 A KR 1020110077219A KR 20110077219 A KR20110077219 A KR 20110077219A KR 101180293 B1 KR101180293 B1 KR 101180293B1
Authority
KR
South Korea
Prior art keywords
fingerprint
pattern feature
region
ridge
fingerprint image
Prior art date
Application number
KR1020110077219A
Other languages
English (en)
Inventor
정혜욱
이지형
Original Assignee
성균관대학교산학협력단
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 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020110077219A priority Critical patent/KR101180293B1/ko
Application granted granted Critical
Publication of KR101180293B1 publication Critical patent/KR101180293B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction
    • G06V40/1359—Extracting features related to ridge properties; Determining the fingerprint type, e.g. whorl or loop
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2115—Selection of the most significant subset of features by evaluating different subsets according to an optimisation criterion, e.g. class separability, forward selection or backward elimination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Collating Specific Patterns (AREA)

Abstract

개시된 기술은 지문의 영역별 방향패턴 특징 추출 방법 및 이를 이용한 지문 분류 방법에 관한 것이다. 실시예들 중에서, 지문 분류 장치가 입력된 지문 영상을 복수의 지문 클래스(class)들 중 어느 하나의 지문 클래스로 분류하는 지문 분류 방법은, 복수의 블록들로 구성된 상기 지문 영상을 4개의 영역들로 분할하는 단계; 상기 4개의 영역들 중 각 영역에 대하여, 상기 각 영역이 포함하는 블록들의 융선 방향 값을 기초로 상기 각 영역의 방향패턴 특징을 추출하는 단계; 상기 복수의 지문 클래스들을 각각 대표하는 방향패턴 특징 모델 마다, 상기 추출된 방향패턴 특징과의 영역 별 유사도를 산출하는 단계; 및 상기 영역 별 유사도가 가장 높은 지문 클래스를 상기 지문 영상의 클래스로 결정하는 단계를 포함한다.

Description

지문의 영역 별 방향패턴 특징 추출 방법 및 이를 이용한 지문 분류 방법{METHOD FOR EXTRACTING DIRECTION-PATTERN FEATURE OF FINGERPRINT AND METHOD FOR CLASSIFYING FINGERPRINT USING DIRECTION-PATTERN FEATURE}
개시된 기술은 지문의 영역별 방향패턴 특징 추출 방법 및 이를 이용한 지문 분류 방법에 관한 것이다.
지문은 사람이 가지고 있는 신뢰성 있는 생체 정보 중 하나로, 고유성과 불변의 특성을 지니고 있어 개인 인증에 많이 적용되고 있다. 지문 인식 기술은 크게 지문의 분류와 정합으로 나뉜다. 지문 분류는 주로 자동화된 지문 인식 시스템의 성능 향상을 위하여 방대한 양의 지문 데이터베이스를 헨리식 분류법 등에 따라 클래스(예를 들어, 와상문, 궁상문, 솟은 궁상문, 좌제상문, 우제상문)로 분류하는 기술을 말한다.
도 1은 헨리식 분류법에 의한 지문 분류 클래스를 설명하기 위한 도면이다. 도 1을 참조하면, 지문은 궁상문(Arch) 클래스, 와상문(Whorl) 클래스, 좌제상문(Left Loop) 클래스 및 우제상문(Right Loop) 클래스로 분류될 수 있다. Arch 클래스는 지두의 한쪽에서 다른 쪽으로 향한 궁형으로 된 융선이 있는 지문이고, Whorl 클래스는 중심부에 와상 또는 고리 모양의 융선을 가지는 지문이며, Left Loop 클래스는 중심점 왼쪽에 삼각주가 1개 존재하는 지문이고, Right Loop 클래스는 지문 중심점 오른쪽에 삼각주가 1개 존재하는 지문이다. 지문을 분류하는 방식에는 헨리식 이외에도 로셔식(함부르크식) 분류법 등 다양한 분류법이 있고, 헨리식 분류법을 따르는 경우에도 지문의 클래스가 더 세분화 될 수도 있다. 본 명세서에서는 헨리식 분류법 중 지문을 상기 4가지 클래스로 나눈 경우를 기준으로 설명하나, 당해 분야에서 통상적 지식을 가진 자라면 다른 다양한 클래스를 포함하는 분류법에 의한 지문 분류에도 본 발명이 적용될 수 있다는 점을 이해할 것이다.
지문 분류 방법은 접근 방법에 따라 특이점 기반, 방향성 기반, 필터기반 방법이 있는데, 이러한 기존의 지문 분류 방식은 중심점과 삼각점을 모두 획득할 수 있는 회전 날인된 지문영상을 이용할 때 적합하다. 한편, 최근 자동화된 지문 인식 시스템에서는 입력 센서의 소형화 및 입력 방법의 문제 등으로 인하여 특이점이 추출되지 않거나 손상되는 문제점이 있다. 센서 기반의 지문 인식 시스템이 널리 보급됨에 따라, 지문의 특이점이 추출되지 않거나, 지문이 손상된 경우에도 지문을 정확하고 신속하게 분류할 수 있는 기술이 요구되고 있다. 정확하고 효율적으로 지문을 분류하는 지문 분류 기술의 예로는 대한민국 공개특허 제10-2011-0018597호에 기재된 "지문분류장치, 지문 분류를 위한 지문의 클래스별 마코프 모델을 생성하는 장치 및 지문분류방법"이 있다.
정확성과 효율성을 향상 시키기 위한 지문 분류 기술들이 제안되고 있으나, 이러한 종래의 지문 분류 기술은 일반적으로 지문 인식을 용이하게 하기 위한 평활화(smoothing), 이진화(binarization) 및 세선화(thinning) 등의 전처리 과정이 필요하여 효율성이 떨어진다. 또한 종래의 지문 분류 기술은 불완전한 지문 영상에서는 정확도가 많이 떨어진다는 문제점이 있다. 개시된 기술에서는 이러한 문제점을 개선하여, 전처리 과정을 거치지 않고도 빠르고 정확하게 지문을 분류하는 방법을 제공한다.
상기의 기술적 과제를 이루기 위하여 개시된 기술의 제1 측면은 지문 분류 장치가 입력된 지문 영상을 복수의 지문 클래스(class)들 중 어느 하나의 지문 클래스로 분류하는 지문 분류 방법에 있어서, 복수의 블록들로 구성된 상기 지문 영상을 4개의 영역들로 분할하는 단계; 상기 4개의 영역들 중 각 영역에 대하여, 상기 각 영역이 포함하는 블록들의 융선 방향 값을 기초로 상기 각 영역의 방향패턴 특징을 추출하는 단계; 상기 복수의 지문 클래스들을 각각 대표하는 방향패턴 특징 모델 마다, 상기 추출된 방향패턴 특징과의 영역 별 유사도를 산출하는 단계; 및 상기 영역 별 유사도가 가장 높은 지문 클래스를 상기 지문 영상의 클래스로 결정하는 단계를 포함하는 지문 분류 방법을 제공한다.
상기의 기술적 과제를 이루기 위하여 개시된 기술의 제2 측면은 지문 분류 장치가 입력된 지문 영상에서 지문 분류를 위한 방향패턴 특징을 추출하는 방법에 있어서, 상기 지문 영상을 구성하는 복수의 블록들 중 각 블록에 대하여, 상기 각 블록의 융선 방향 값을 결정하는 단계; 상기 지문 영상을 4개의 영역들로 분할하는 단계; 및 상기 4개의 영역들 중 각 영역에 대하여, 상기 각 영역이 포함하는 블록들의 융선 방향 값을 기초로 상기 각 영역의 방향패턴 특징을 추출하는 단계를 포함하는 지문 영상의 방향패턴 특징 추출 방법을 제공한다.
개시된 기술의 실시 예들은 다음의 장점들을 포함하는 효과를 가질 수 있다. 다만, 개시된 기술의 실시 예들이 이를 전부 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
개시된 기술에 따르면, 정확하고 신속하게 지문 분류를 할 수 있다는 효과가 있다. 특히, 개시된 기술에 따르면 불완전한 지문 영상에서도 높은 정확도로 지문 분류가 가능하다. 또한, 개시된 기술에 따르면 지문 영상에 대한 전처리 과정이 생략되어 신속한 지문 분류가 가능하다는 장점이 있다.
도 1은 헨리식 분류법에 의한 지문 분류 클래스를 설명하기 위한 도면이다.
도 2는 개시된 기술의 일 실시예에 따른 지문 분류 방법을 설명하기 위한 순서도이다.
도 3은 개시된 기술의 일 실시예에 따라, 지문 영상에서 무게 중심을 산출하는 방법을 설명하기 위한 도면이다.
도 4는 개시된 기술의 일 실시예에 따라, 지문 영상을 4개의 영역들로 분할한 예를 나타낸다.
도 5는 개시된 기술의 일 실시예에 따라 추출된 지문 영상의 방향패턴 특징을 나타낸다.
도 6은 4개의 영역별로 생성된 각 지문 클래스의 방향패턴 특징 모델을 나타낸다.
도 7은 개시된 기술의 일 실시예에 따라, 입력된 지문 영상과 각 지문 클래스 모델 간의 유사도를 산출하는 방법을 설명하기 위한 도면이다.
도 8은 개시된 기술의 일 실시예에 따라, 각 블록의 융성 방향 값을 산출하는 방법을 설명하기 위한 순서도이다.
도 9는 도 8의 S810 내지 S830 단계에 따라, 각 블록의 대표 융선 방향을 결정하는 과정을 설명한다.
개시된 기술에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 개시된 기술의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 개시된 기술의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
“제1”, “제2” 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 개시된 기술이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 2는 개시된 기술의 일 실시예에 따른 지문 분류 방법을 설명하기 위한 순서도이다. 도 2를 참조하여, 지문 분류 장치가 사용자로부터 입력 받은 지문 영상을 복수의 지문 클래스(예를 들어, Arch 클래스, Left Loop 클래스, Right Loop 클래스, Whorl 클래스)들 중 어느 하나의 지문 클래스로 분류하는 지문 분류 방법을 설명한다. 이때, 지문 영상은 센서를 통하여 입력될 수도 있으며, 종이에 날인된 지문이 스캐너를 통하여 입력될 수도 있다. 지문 분류 장치는 지문 영상의 패턴을 해석하여 지문 분류를 수행한다. 지문 융선의 방향, 각도, 위치 등은 지문 영상의 패턴을 결정하는 대표적인 정보를 가지고 있다. 개시된 기술에서는, 지문 영상을 복수의 영역들로 분할한 후, 분할된 각각의 영역에 대하여 블록 단위(한 영역은 복수의 블록들을 포함함)로 융선의 방향 값을 분석함으로써, 지문 융선의 방향, 각도, 위치 정보 등을 고려한 각 클래스의 모델 생성 및 이를 이용한 지문 분류가 가능하도록 한다. 또한, 개시된 기술은 지문 영상에 대한 전처리 과정 없이, 전체 원본 지문 영상을 복수의 블록들(예컨대, 16×16 개의 블록들)로 나눈 후 각 블록에 대해 푸리에 변환을 적용하여 융선의 대표 방향을 구한다. 따라서, 개시된 기술에 따르면, 전처리 과정을 수행하는 종래의 분류 방식에 비하여 지문 분류의 연산 시간이 단축될 수 있다.
S210 단계에서 지문 분류 장치는 지문 영상을 4개의 영역들로 분할한다. 이때, 분할된 하나의 영역은 복수의 블록들을 포함한다. 예를 들어, 하나의 영역은 20개의 블록들을 포함할 수 있다. 일 실시예에 따라, 지문 분류 장치는 지문 영상의 무게중심을 산출한 뒤, 무게중심을 기준으로 지문 영상을 좌상(top-left), 우상(top-right), 좌하(bottom-left), 우하(bottom-right)의 4 영역으로 분할할 수 있다. 이때 지문 영상의 외곽에는 지문의 배경 및 잡음이 많이 존재 할 수 있으므로, 지문 분류 장치는 지문 영상의 외곽 영역은 제외하고 무게중심을 기준으로 한 중앙 영역만을 4 영역에 포함시킬 수 있다. 예를 들어, 전체 지문 영상이 16×16 개의 블록으로 구성되었을 때, 그 중 무게 중심을 중앙으로 하는 9×11블록만이 4 영역에 포함될 수 있다. 이와 같은 실시예에 따라, 지문 영상을 4개의 영역으로 분할하는 구체적인 방법은 도 3 내지 도 4를 참조하여 후술한다.
S220 단계에서 지문 분류 장치는 S210 단계에서 분할된 4개의 영역들 중 각 영역에 대하여, 방향패턴 특징을 추출한다. 각 영역의 방향패턴 특징은 각 영역이 포함하는 블록들의 융선 방향 값을 기초로 추출된다. 각 영역은 복수의 블록들(예컨대, 20개의 블록들)을 포함하며, 각 블록은 하나의 융선 방향 값을 가진다. 이때, 도 2의 지문 분류 방법은 도 2에 도시된 바와 달리, S220 단계 이전에, 각 블록의 융선 방향 값을 결정하는 단계를 더 포함할 수 있다. 각 블록의 융선 방향 값을 결정하는 구체적인 방법은 도 8 내지 도 9를 참조하여 후술하나, 각 블록의 융선 방향 값을 결정하는 방법을 간단히 설명하면 다음과 같다. 일 실시예에 따라, 지문 분류 장치는 지문 영상을 구성하는 복수의 블록들 중 각 블록에 대하여, 각 블록의 대표 융선 방향을 산출하고, 대표 융선 방향이 속하는 구간 값을 각 블록의 융선 방향 값으로 결정할 수 있다. 융선 방향 값은 각 블록 내의 융선의 방향을 하나의 값으로 표현한 것으로, 직선에 근사화된 융선이 기준선과 이루는 각도가 속하는 구간의 값으로 결정될 수 있다. 각도 구간은, 전체 각도 범위가 단위 각도로 나뉘어진 각 구간을 의미한다. 예컨대, 전체 각도 범위인 0도에서부터 180도까지를 미리 설정된 단위 각도인 10도로 나누어 각 구간이 결정될 수 있다. 즉, 0도부터 10도까지는 제1 구간(구간의 값은 0), 10도부터 20도까지는 제2 구간(구간의 값은 1), 20도부터 30도까지는 제3 구간(구간의 값은 2) 등으로 결정될 수 있다.
블록들의 융선 방향 값이 결정되면, 지문 분류 장치는 각 영역이 포함하는 블록들의 융선 방향 값을 기초로 각 영역의 방향패턴 특징을 추출한다. 일 실시예에 따라, 각 영역의 방향패턴 특징은, 각 영역이 포함하는 블록들의 융선 방향 값에 대한 도수 분포로 표현될 수 있다. 도수 분포로 나타내기 위한 계급 구간은 융선 방향 값을 결정하는 데 사용되는 각도 구간과 동일하게 결정된다. 예컨대, 융선 방향 값을 10도 간격으로 결정한 경우, 도수 분포의 계급 구간도 10도 간격으로 결정된다. 또한, 실시예에 따라, 170도부터 180도까지의 마지막 계급 구간은 융선의 방향이 좌에서 우로 향한다고 가정하고 0도부터 10까지의 계급 구간으로 통합하여 총 17개의 계급 구간만 이용할 수도 있다. 각 영역의 도수 총합이 mi이고 각 계급구간의 도수가 nij일 때, 각 계급구간의 상대도수(Relative Frequency)인 RFij는 수학식 1과 같이 계산된다.
Figure 112011059963143-pat00001
일례로, Right Loop 클래스에 속하는 테스트 지문 영상에 대하여, 수학식 1과 같이 산출한 도수분포 그래프를 도 5에 도시하였다. 이와 같이, 영역 별로 분할된 지문 영상의 블록 별 융선 방향 값을 이용한 지문 분류 방법은 지문 분류에 적용될 특징인 방향패턴을 효과적으로 추출 할 수 있도록 한다. 또한, 제안된 방향패턴 특징추출 방법은 지문분류에 사용되는 각 클래스에 속하는 지문 영상의 영역별 방향패턴 특징을 누적하여 지문의 4클래스(Arch, Left, Right, Whorl)를 모델링 할 수 있다. 개시된 기술에 따라 생성된 각 클래스의 방향패턴 특징 모델이 도 6에 도시된다.
S230 단계에서 지문 분류 장치는 복수의 지문 클래스들을 각각 대표하는 방향패턴 특징 모델 마다, S220 단계에서 추출된 지문 영상의 방향패턴 특징과의 영역 별 유사도를 산출한다. 방향패턴 특징 모델은 각 클래스에 속하는 지문 영상에 대하여 추출된 방향패턴 특징 값을 누적함으로써 생성할 수 있다. 도 6은 이와 같이 생성된 각 클래스의 방향패턴 특징 모델을 나타낸다.
각 클래스 별 방향패턴 특징 모델이 생성되면, 지문 분류 장치는 각 방향패턴 특징 모델과 입력된 지문 영상의 방향패턴 특징 간의 유사도를 산출한다. 일 실시예에 따라, 지문 분류 장치는 Arch, Left Loop, Right Loop, Whorl 등의 지문 클래스들을 대표하는 방향패턴 특징 모델들 마다, 좌상, 우상, 좌하, 우하의 각 영역에 대하여, 도수 분포의 구간 별로, 입력된 지문 영상에 대하여 추출된 방향패턴 특징의 도수와 방향패턴 특징 모델의 도수 중 작은 값을 누적하여 영역 별 유사도를 산출할 수 있다. 영역 별 유사도를 산출하는 방법은 도 7을 참조하여 후술한다.
S240 단계에서 지문 분류 장치는 S230 단계에서 산출된 영역 별 유사도가 가장 높은 지문 클래스를 입력된 지문 영상의 클래스로 결정한다. 일례로, 4개의 영역에 대한 각각의 영역 별 유사도를 모두 더한 값이 가장 큰 지문 클래스를 입력된 지문 영상의 클래스로 결정할 수 있다. 다른 일례로, 각 영역 별로 유사도가 가장 높은 클래스를 결정하고, 4개의 영역에 대하여 가장 많이 나온 클래스를 입력된 지문 영상의 클래스로 결정할 수 있다.
도 3은 개시된 기술의 일 실시예에 따라, 지문 영상에서 무게 중심을 산출하는 방법을 설명하기 위한 도면이다. 지문의 영상을 분할하기 위해서는 분할 기준이 되는 좌표 값을 구할 필요가 있다. 일 실시예에 따라, 전체의 영상 블록들 중 융선 이미지가 존재하는 n개의 블록들의 x, y 좌표 값을 수학식 2와 같이 각각 더하고 n으로 나누어 x, y 좌표의 무게중심의 좌표 값(xc, yc)을 산출할 수 있다.
Figure 112011059963143-pat00002
Figure 112011059963143-pat00003
도 3의 블록들의 경우를 예를 들어 설명하면, 도 3의 9개의 블록 중 1행 1열의 블록과, 3행 1열의 블록에는 융선 이미지가 존재하지 않는다. 따라서, 전체 9개의 블록들 중에 융선 이미지가 존재하는 7개의 블록의 중심 좌표를 모두 더한 후, 7로 나누면 수학식 3과 같이 무게중심의 좌표가 결정된다.
Figure 112011059963143-pat00004
Figure 112011059963143-pat00005
도 4는 개시된 기술의 일 실시예에 따라, 지문 영상을 4개의 영역들로 분할한 예를 나타낸다. 지문 영상의 외곽에는 지문의 배경 및 잡음이 많이 존재할 수 있기 때문에, 외곽 영역은 특징 추출을 위한 영역에서 제외하고, 지문 영상을 분할할 때는 무게 중심(410)을 기준으로 지문 영상의 중앙 부분만을 4개의 영역으로 분할한다. 도 4를 참조하여 예를 들어 설명하면, 전체 영상은 16×16 개의 블록으로 구성되고, 도 3에서 설명한 바와 같이 지문 영상의 무게중심(410) 좌표가 결정될 수 있다. 지문 분류 장치는, 무게중심(410) 값이 결정되면, 결정된 무게중심(410) 값을 중앙으로 9×11 블록을 4개의 영역으로 분할할 대상 영역으로 결정한다. 지문 분류 장치는 무게중심(410)의 좌측 위쪽의 4×5 블록을 좌상 영역(A)으로, 무게중심(410)의 우측 위쪽의 4×5 블록을 우상 영역(B)으로, 무게중심(410)의 좌측 아래쪽의 4×5 블록을 좌하 영역(C)으로, 무게중심(410)의 우측 아래쪽의 4×5 블록을 우하 영역(D)으로 결정한다. 무게중심(410)이 위치하는 블록들의 행(row) 및 열(column)은 경계 블록이므로, 특징 추출을 위한 영역에서 제외된다.
도 5는 개시된 기술의 일 실시예에 따라 추출된 지문 영상의 방향패턴 특징을 나타낸다. 도 5의 도수 분포 그래프는 도 2의 S210 내지 S220 방법에 따라, 각 영역별로 방향패턴 특징을 추출한 결과이다. 도 5에서는 10도 간격을 각도 구간 및 도수 계급 구간으로 사용하였다. 도 5는 Right Loop 클래스에 속하는 테스트 지문 영상이 입력된 후, 지문 분류 장치가 S210 내지 S220 단계에 따라 도수 분포 그래프를 산출한 결과이다. d1, d2, d3, d4 영역은 각각 좌상, 우상, 좌하, 우하 영역을 나타낸다.
도 6은 4개의 영역별로 생성된 각 지문 클래스의 방향패턴 특징 모델을 나타낸다. S210 단계 내지 S220 단계에 따라, 지문 분류 장치는 각 지문 클래스의 방향 패턴 특징 모델을 생성할 수 있다. 방향패턴 특징 모델은 각 클래스에 속하는 지문 영상들에 대하여 추출된 방향패턴 특징 값들을 누적함으로써 생성될 수 있다. 예컨대, Arch 클래스에 속하는 n개의 지문 영상에 대하여 S210 내지 S220 단계에 따라 각 영역별로 도수 분포를 산출한 후, 각 영역별로 산출된 n개의 도수를 모두 평균하여 Arch 클래스의 방향패턴 특징 모델을 생성할 수 있다. 도 6에서 A, B, C, D 영역은 각각 좌상, 우상, 좌하, 우하 영역을 나타낸다.
도 7은 개시된 기술의 일 실시예에 따라, 입력된 지문 영상과 각 지문 클래스 모델 간의 유사도를 산출하는 방법을 설명하기 위한 도면이다. 지문 분류 장치는 도 6에 예시된 바와 같은 Arch, Left Loop, Right Loop, Whorl 클래스들을 대표하는 방향패턴 특징 모델과, 입력된 지문 영상의 방향패턴 특징 간의 유사도를 산출한다. 예를 들어, 도 6을 참조하여, 지문 분류 장치가 Arch 클래스의 방향패턴 특징 모델과 입력된 지문 영상의 방향패턴 특징 간의 유사도를 산출하는 방법을 설명한다. 도 6의 a_d1, a_d2, a_d3, a_d4로 표시된 그래프는 각각 Arch 클래스의 좌상, 우상, 좌하, 우하 영역의 방향패턴 특징 모델을 나타낸다. 도 6의 at1_d1, at1_d2, at1_d3, at1_d4로 표시된 그래프는 각각 테스트 입력 지문 영상에서 추출된 좌상, 우상, 좌하, 우하 영역의 방향패턴 특징을 나타낸다. 지문 분류 장치는 첫 번째 계급 구간부터 마지막 계급 구간까지, at1_d1 그래프의 도수 값과, a_d1 그래프의 도수 값들 중 작은 값을 누적하여 d1 영역의 Arch 클래스와 입력된 지문 영상 간의 유사도를 산출한다. 지문 분류 장치는 나머지 영역들에 대해서도 마찬가지로 유사도를 산출할 수 있다. 일 실시예에 따라, 4 개의 영역에 대하여 유사도가 각각 산출되면, 산출된 4개의 유사도 값을 모두 더하여 Arch 클래스와 입력된 지문 영상 간의 최종 유사도를 산출할 수 있다. 나머지 Left Loop, Right Loop, Whorl 클래스의 경우도 이와 마찬가지로 유사도가 산출될 수 있다. 일례로, 지문 분류 장치는 산출된 최종 유사도 중 가장 큰 값을 가지는 클래스를 입력된 지문 영상의 클래스로 결정할 수 있다.
도 8은 개시된 기술의 일 실시예에 따라, 각 블록의 융성 방향 값을 산출하는 방법을 설명하기 위한 순서도이다. 본 실시예에서는 전체 원본 지문 영상을 복수의 블록들로 나눈 후 각 블록에 대해 FFT(Fast Fourier Transform) 및 Line Fitting을 적용하여 융선의 대표 방향을 구하는 방법으로, 지문 영상에 대한 전처리 과정 없이, 지문 분류를 수행할 수 있도록 한다. 따라서, 전처리 과정을 수행하는 종래의 분류 방식에 비하여 지문 분류의 연산 시간이 단축될 수 있다는 장점이 있다.
S810 단계에서, 지문 분류 장치는 입력되는 지문 영상을 복수의 블록들로 분할한다. 예컨대, 지문 분류 장치는 지분 영상을 16개의 행과 16개의 열로 나누어 총 256개의 블록으로 분할할 수 있다.
S820 단계에서, 지문 분류 장치는 각 블록의 융선 성분을 푸리에 변환한다. FFT는 주파수 공간으로의 변환을 위해 제안된 알고리즘으로 신호의 주기성 검출 및 영상의 방향성 검출에 사용된다. 영상의 방향성 검출을 위해 FFT를 사용하는 경우, 공간상에서의 직선 성분을 주파수 영역으로 변환하여 직선방향과 수직인 방향 성분을 영상의 방향으로 검출할 수 있다. 지문 분류 장치는 FFT를 이용하여 융선과 골로 구성되어 있는 그레이 스케일(gray scale)의 지문 영상에서 융선의 방향 값을 산출할 수 있다.
S830 단계에서, 지문 분류 장치는 FFT 변환 결과를 직선으로 근사화한다. S820 단계에서 각 블록의 대표 방향 성분은 여러 개의 점으로 표현되므로 S830 단계에서는 여러 개의 점을 하나의 직선으로 근사화한다. 일 실시예에 따라, 지문 분류 장치는 Line Fitting(또는 Linear Regression)을 통하여 여러 개의 점으로부터 하나의 직선을 생성할 수 있다. 예컨대, 지문 분류 장치는 OpenCV의 cvFitLine() 함수를 이용한 Line Fitting을 수행하여 여러 개의 점을 하나의 선으로 나타낼 수 있다. cvFitLine() 함수는 Line Fitting을 수행하는 점들의 x, y 좌표를 입력으로 하며, 출력으로 근사화(fitting)된 선과 평행한 정규화된 벡터와 직선상의 한 점을 반환함으로써 각 블록의 대표 방향성분을 산출할 수 있도록 한다. 지문 분류 장치는 이러한 과정을 통해 블록의 기울기와 좌표 값을 추출한다. 도 9는 도 8의 S810 내지 S830 단계에 따라, 각 블록의 대표 융선 방향을 결정하는 과정을 설명한다. 도 9의 (a)는 입력된 원본 지문 영상을 나타내고, 도 9의 (b)는 S810 단계에서 지문 영상을 16×16 개의 블록으로 분할한 영상을 나타낸다. 도 9의 (c)는 S820 단계에서 푸리에 변환(FFT)을 수행한 후, 그 결과를 직선으로 근사화(Line Fitting)한 결과를 나타낸다.
S840 단계에서, 지문 분류 장치는 S830 단계에서 결정된 직선에 수직인 직선이 기준선과 이루는 각도를 해당 블록의 대표 융선 방향으로 결정한다. 푸리에 변환 결과는 실제 영상의 방향과 수직인 방향으로 출력되기 때문에, 지문 분류 장치는 푸리에 변환 결과를 다시 수직 변환하여 실제 영상의 방향을 산출할 수 있다.
S850 단계에서, 지문 분류 장치는 대표 융선 방향이 속하는 구간 값을 각 블록의 융선 방향 값으로 결정한다. 예를 들어, 0도부터 180도를 10도 간격으로 18개의 구간으로 나눌 수 있고, 이때, 대표 융선 방향이 27도 라면, 20도부터 30도까지의 구간에 속하게 되고, 융선 방향 값은 2로 결정될 수 있다. 일 실시예에 따라, 지문 분류 장치는, 180도를 자연수인 n으로 나눈 각도를 단위 각도로 하여, 0도부터 180도까지를 n개의 구간으로 미리 나누어 놓을 수 있다. 이때, n은 18이고, 단위 각도는 10도인 경우 지문 분류의 정확도가 높으나, 반드시 이에 한정되는 것은 아니며, 상기 단위 각도는 5도, 15도 등으로 결정될 수도 있다.
이러한 개시된 기술인 시스템 및 장치는 이해를 돕기 위하여 도면에 도시된 실시 예를 참고로 설명되었으나, 이는 예시적인 것에 불과하며, 당해 분야에서 통상적 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 개시된 기술의 진정한 기술적 보호범위는 첨부된 특허청구범위에 의해 정해져야 할 것이다.

Claims (9)

  1. 지문 분류 장치가 입력된 지문 영상을 복수의 지문 클래스(class)들 중 어느 하나의 지문 클래스로 분류하는 지문 분류 방법에 있어서,
    복수의 블록들로 구성된 상기 지문 영상을 4개의 영역들로 분할하는 단계;
    상기 4개의 영역들 중 각 영역에 대하여, 상기 각 영역이 포함하는 블록들의 융선 방향 값을 기초로 상기 각 영역의 방향패턴 특징을 추출하는 단계;
    상기 복수의 지문 클래스들을 각각 대표하는 방향패턴 특징 모델 마다, 상기 추출된 방향패턴 특징과의 영역 별 유사도를 산출하는 단계; 및
    상기 영역 별 유사도가 가장 높은 지문 클래스를 상기 지문 영상의 클래스로 결정하는 단계를 포함하는 지문 분류 방법.
  2. 제1항에 있어서, 상기 분할하는 단계는,
    상기 지문 영상의 무게중심을 산출하는 단계; 및
    상기 무게중심을 기준으로 상기 지문 영상을 좌상(top-left) 영역, 우상(top-right) 영역, 좌하(bottom-left) 영역 및 우하(bottom-right) 영역으로 분할하는 단계를 포함하는 지문 분류 방법.
  3. 제2항에 있어서, 상기 무게중심을 산출하는 단계는,
    상기 지문 영상을 구성하는 복수의 블록들 중 융선 이미지가 존재하는 블록들의 좌표들을 평균하여 상기 무게중심을 산출하는 지문 분류 방법.
  4. 제1항에 있어서,
    상기 방향패턴 특징은, 각 영역이 포함하는 블록들의 융선 방향 값에 대한 도수 분포로 표현되고,
    상기 영역별 유사도를 산출하는 단계는, 상기 복수의 지문 클래스들을 대표하는 방향패턴 특징 모델들 마다, 상기 4개의 영역들 중 각 영역에 대하여, 상기 추출된 방향패턴 특징의 도수와 상기 방향패턴 특징 모델의 도수 중 작은 값을 누적하여 상기 영역 별 유사도를 산출하는 지문 분류 방법.
  5. 제1항에 있어서,
    상기 지문 영상을 구성하는 복수의 블록들 중 각 블록에 대하여, 상기 각 블록의 대표 융선 방향을 산출하고, 상기 대표 융선 방향이 속하는 구간 값을 상기 각 블록의 융선 방향 값으로 결정하는 단계를 더 포함하는 지문 분류 방법.
  6. 제5항에 있어서, 상기 각 블록의 융선 방향 값으로 결정하는 단계는,
    상기 각 블록의 융선 성분을 푸리에 변환하는 단계;
    상기 변환 결과를 직선으로 근사화하는 단계; 및
    상기 직선에 수직인 직선이 기준선과 이루는 각도를 상기 대표 융선 방향으로 결정하는 단계를 포함하는 지문 분류 방법.
  7. 제5항에 있어서, 상기 각 블록의 융선 방향 값으로 결정하는 단계는,
    180도를 n(상기 n은 자연수)으로 나눈 각도를 단위 각도로 하여, 0도부터 180도까지를 n개의 구간으로 나누는 단계; 및
    상기 각 블록의 대표 융선 방향이 속하는 구간 값을 상기 각 불록의 융선 방향 값으로 결정하는 단계를 포함하는 지문 분류 방법.
  8. 제7항에 있어서,
    상기 n은 18이고, 상기 단위 각도는 10도인 지문 분류 방법.
  9. 지문 분류 장치가 입력된 지문 영상에서 지문 분류를 위한 방향패턴 특징을 추출하는 방법에 있어서,
    상기 지문 영상을 구성하는 복수의 블록들 중 각 블록에 대하여, 상기 각 블록의 융선 방향 값을 결정하는 단계;
    상기 지문 영상을 4개의 영역들로 분할하는 단계; 및
    상기 4개의 영역들 중 각 영역에 대하여, 상기 각 영역이 포함하는 블록들의 융선 방향 값을 기초로 상기 각 영역의 방향패턴 특징을 추출하는 단계를 포함하는 지문 영상의 방향패턴 특징 추출 방법.
KR1020110077219A 2011-08-03 2011-08-03 지문의 영역 별 방향패턴 특징 추출 방법 및 이를 이용한 지문 분류 방법 KR101180293B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110077219A KR101180293B1 (ko) 2011-08-03 2011-08-03 지문의 영역 별 방향패턴 특징 추출 방법 및 이를 이용한 지문 분류 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110077219A KR101180293B1 (ko) 2011-08-03 2011-08-03 지문의 영역 별 방향패턴 특징 추출 방법 및 이를 이용한 지문 분류 방법

Publications (1)

Publication Number Publication Date
KR101180293B1 true KR101180293B1 (ko) 2012-09-06

Family

ID=47073887

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110077219A KR101180293B1 (ko) 2011-08-03 2011-08-03 지문의 영역 별 방향패턴 특징 추출 방법 및 이를 이용한 지문 분류 방법

Country Status (1)

Country Link
KR (1) KR101180293B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016108562A1 (ko) * 2014-12-29 2016-07-07 이도훈 지문 정보의 코딩 및 인식 시스템, 그리고 그 구동 방법
KR20170043404A (ko) * 2015-10-13 2017-04-21 삼성전자주식회사 전자 장치 및 전자 장치에서의 지문 인증을 위한 방법
US10832030B2 (en) 2017-02-08 2020-11-10 Samsung Electronics Co., Ltd. Method and apparatus of selecting candidate fingerprint image for fingerprint recognition
CN116434352A (zh) * 2023-06-12 2023-07-14 深圳市航顺芯片技术研发有限公司 指纹库生成方法、指纹识别装置及存储介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016108562A1 (ko) * 2014-12-29 2016-07-07 이도훈 지문 정보의 코딩 및 인식 시스템, 그리고 그 구동 방법
KR101763011B1 (ko) * 2014-12-29 2017-08-04 이도훈 지문 정보의 코딩과 인식 시스템, 그리고 그 구동 방법
CN107295812A (zh) * 2014-12-29 2017-10-24 李到训 指纹信息的编码和识别系统及其操作方法
KR20170043404A (ko) * 2015-10-13 2017-04-21 삼성전자주식회사 전자 장치 및 전자 장치에서의 지문 인증을 위한 방법
KR102365412B1 (ko) * 2015-10-13 2022-02-21 삼성전자주식회사 전자 장치 및 전자 장치에서의 지문 인증을 위한 방법
US10832030B2 (en) 2017-02-08 2020-11-10 Samsung Electronics Co., Ltd. Method and apparatus of selecting candidate fingerprint image for fingerprint recognition
CN116434352A (zh) * 2023-06-12 2023-07-14 深圳市航顺芯片技术研发有限公司 指纹库生成方法、指纹识别装置及存储介质
CN116434352B (zh) * 2023-06-12 2023-09-22 深圳市航顺芯片技术研发有限公司 指纹库生成方法、指纹识别装置及存储介质

Similar Documents

Publication Publication Date Title
EP2833294B1 (en) Device to extract biometric feature vector, method to extract biometric feature vector and program to extract biometric feature vector
KR100940902B1 (ko) 손가락 기하학 정보를 이용한 바이오 인식 방법
CN108399374B (zh) 选择用于指纹识别的候选指纹图像的方法和设备
US10740589B2 (en) Skin information processing method, skin information processing device, and non-transitory computer-readable medium
WO2007088926A1 (ja) 画像処理、画像特徴抽出、および画像照合の装置、方法、およびプログラム並びに画像照合システム
Jung et al. Noisy and incomplete fingerprint classification using local ridge distribution models
KR101180293B1 (ko) 지문의 영역 별 방향패턴 특징 추출 방법 및 이를 이용한 지문 분류 방법
KR20170003348A (ko) 사용자 인증을 위한 등록 데이터베이스의 갱신 방법 및 장치
AU2013204156A1 (en) Classification apparatus and program
US10740590B2 (en) Skin information processing method, skin information processing device, and non-transitory computer-readable medium
Abboud et al. Biometric templates selection and update using quality measures
KR20170003361A (ko) 지문 인식 방법 및 장치
Biradar et al. Fingerprint ridge orientation extraction: a review of state of the art techniques
KR101954812B1 (ko) 필적 인식 장치 및 방법
KR100698723B1 (ko) 지문 중심점 부위 특징점을 이용한 고속 매칭
KR101007008B1 (ko) 지문 인식 장치 및 방법
KR102168937B1 (ko) 정규화된 지역구조에 의한 지문 영상의 이진화 벡터 변환 방법 및 이를 이용한 두 지문 영상간 동일여부를 판별하는 방법
Kuban et al. A NOVEL MODIFICATION OF SURF ALGORITHM FOR FINGERPRINT MATCHING.
Iwasokun et al. Singular-minutiae points relationship-based approach to fingerprint matching
Mazaheri et al. Fingerprint matching using an onion layer algorithm of computational geometry based on level 3 features
Swain et al. Extended feature extraction technique from fingerprint
US20240061859A1 (en) Information processing apparatus, information processing method, and computer program
US20210110558A1 (en) Specifying method, determination method, non-transitory computer readable recording medium, and information processing apparatus
US10275866B1 (en) Extracting overlapping signals from images
Al-khassaweneh et al. A hybrid system of iris and fingerprint recognition for security applications

Legal Events

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

Payment date: 20150703

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20160607

Year of fee payment: 5

LAPS Lapse due to unpaid annual fee