KR101224408B1 - 원격 홍채 인식 시스템 - Google Patents

원격 홍채 인식 시스템 Download PDF

Info

Publication number
KR101224408B1
KR101224408B1 KR1020077019289A KR20077019289A KR101224408B1 KR 101224408 B1 KR101224408 B1 KR 101224408B1 KR 1020077019289 A KR1020077019289 A KR 1020077019289A KR 20077019289 A KR20077019289 A KR 20077019289A KR 101224408 B1 KR101224408 B1 KR 101224408B1
Authority
KR
South Korea
Prior art keywords
iris
pupil
boundary
unaffected
affected
Prior art date
Application number
KR1020077019289A
Other languages
English (en)
Other versions
KR20070106015A (ko
Inventor
리다 엠. 함자
Original Assignee
허니웰 인터내셔널 인코포레이티드
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
Priority claimed from US11/275,703 external-priority patent/US7593550B2/en
Application filed by 허니웰 인터내셔널 인코포레이티드 filed Critical 허니웰 인터내셔널 인코포레이티드
Priority claimed from PCT/US2006/003104 external-priority patent/WO2006081505A1/en
Publication of KR20070106015A publication Critical patent/KR20070106015A/ko
Application granted granted Critical
Publication of KR101224408B1 publication Critical patent/KR101224408B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras

Abstract

눈의 홍채를 상기 홍채에 대한 지도로 1차원 세그먼트화하고 상기 지도를 영향을 받지 않은 영역과 영향을 받은 영역으로 분류하기 위한 시스템이 개시된다. 또한, 상기 시스템은 정규화를 위하여 상기 영역들을 규칙적인 형상으로 피팅하고 상기 영향을 받지 않은 영역을 대칭 세그먼트로 식별하기 위하여 제공된다. 또한, 상기 시스템은 매칭 목적을 위하여 상기 홍채의 지도 및 홍채의 등록된 지도의 상기 영향을 받지 않은 영역 및 상기 영향을 받은 영역에 대응하는 이진수에 가중치를 할당할 수 있다.

Description

원격 홍채 인식 시스템{A DISTANCE IRIS RECOGNITION SYSTEM}
본 출원은 2005년 1월 26일 출원된 미국 가출원 60/647,270호의 우선권을 요구한다. 본 출원은 2005년 1월 26일 출원된 미국 특허 출원 11/043,366호의 일부 계속 출원이다.
2005년 1월 26일 출원된 미국 가출원 60/647,270호는 본 명세서에서 원용된다. 2005년 1월 26일 출원된 미국 특허 출원 11/043,366호는 본 명세서에서 원용된다.
본 발명은 인식 시스템에 관한 것이며, 상세하게는, 생체 인식 시스템에 관한 것이다. 더욱 상세하게는, 본 발명은 홍채 인식 시스템에 관한 것이다.
[개요]
본 발명은 멀리서 사람을 인식하기 위한 생체 기술을 지원하는 소정의 개선을 포함하는 시스템이다.
도 1은 홍채 중심 추정에 대한 원리를 도시한다;
도 2는 이미지 극 지도화를 위한 홍채 기준을 도시한다;
도 3은 1차원 극 세그먼트화를 도시한다;
도 4는 예시적인 목적을 위한 정규화를 생략한 이미지 세그먼트화를 도시한다;
도 5는 눈꺼풀 가림에 대한 취급 및 정규화를 도시한다;
도 6은 동시에 수행된 세그먼트화 및 정규화를 도시한다;
도 7a는 눈감음, 속눈썹, 및 경사지게 향하는 홍채의 악영향에 대한 예를 도시한다;
도 7b는 강화된 특징점 추출의 결과에 대한 예를 도시한다;
도 8은 이미지 획득에 있어서 투시평면의 방향을 도시한다;
도 9는 홍채를 다양한 영역으로 세그먼트화하고 영역들을 영향을 받지 않은 것과 영향을 받은 것으로 분류하는 것에 대한 개요를 도시한다;
도 10은 홍채 및 공막의 경계가 보이는 가려지지 않은 영역을 나타내는 홍채의 대칭 부분을 도시한다;
도 11은 원들의 교점을 이용한 타원의 중심 결정과 타원 피팅 스킴을 도시한다;
도 12는 홍채 방사 길이에 대한 조정/캘리브레이션에 관한 것이다;
도 13은 타원으로부터 원을 재생성하기 위한 프로그램과 관련된다;
도 14는 홍채 세그먼트화에 적용된 바와 같은 혼합 모델링 접근방법에 대한 시각화를 도시한다;
도 15a, 15b 및 15c는 혼합 모델링 기반의 분석을 도시한다;
도 16a, 16b 및 16c는 다른 혼합 모델링 기반의 분석을 도시한다; 그리고,
도 17은 본 발명의 소정의 예시적인 경우와 관련되어 사용가능한 컴퓨터 시스템의 예를 도시한다.
[설명]
본 발명은 "iris-at-a-distance™" 또는 "Iris@aDistance™" (허니웰 인터네셔널 잉크.) 시스템을 이용하여 사람의 식별 및 검증을 제공할 수 있다. 홍채 인식은 사람을 식별하는데 있어서의 높은 신뢰성 때문에, 최근에 알려졌으며 많은 관심을 얻었다. 매우 뛰어나게 정확한 생체인증으로서의 이것의 적합성은 매우 데이터가 풍부한 신체 구조, 유전적 독립성(쌍둥이의 경우에도 두 눈은 동일하지 않다), 시간 경과에 대한 안정성, 및 비접촉 수단(비협조적인 대상에 대하여 중요한 특징이다)으로부터 나온다. 본 발명은 원격 홍채(iris-at-a-distance)의 신뢰성있는 캘리브레이션과 효율적인 세그먼트화(즉, 위치 추정(localization))를 제공하는 것을 도울 수 있어, 궁극적으로 숫자 코드로 변환되는 홍채의 특징점(feature)을 더 양호하게 추출하게 한다. 홍채 코드는 검증 및/또는 식별 목적으로 이전에 생성된 홍채 코드와 비교될 수 있다.
전술한 바와 같이, 홍채의 특징점은 신뢰성 있는/정확한 신체인증 척도이다. 그러나, 기술적 관점에서는 이 정확성은 홍채 및 동공이 얼마나 잘 세그먼트화되고 추출되는가에 많이 의존한다. 협조적인 대상의 홍채 이미지를 분석할 때, 세그먼트화 접근방법은 에지 검출과 원형 피팅(circular fitting)에 대한 상대적으로 직접적인 과정이다. 그러나, 이것은 대상의 협조를 종종 향유하지 못하는 원격 홍채 시스템에 대한 경우는 종종 아니다. 원격 홍채 시스템에서의 대부분의 경우에 대하여, 예를 들어, 눈감음 효과(closure effect) 및/또는 속눈썹 및 눈꺼풀 가림 때문에 홍채의 일부분만이 캡쳐된다. 또한, 대상이 협조하도록 요청받지 않는 경우에, 기울어진 머리 또는 회전된 홍채가 보통 고려되어야만 한다. 본 발명은 이러한 과제를 대처하며, 소정의 경우에 원격 홍채 환경에서 다른 것들 사이에서 홍채 경계의 정확한 세그먼트를 추출한다.
예시적인 일례에서, 과정은, 1) 분석을 가상으로 즉각적으로 극 도메인으로 이동하고, 홍채 경계의 1D 세그먼트화를 실행하기 위하여 POSE™(즉, 극 세그먼트화)기술을 사용하는 단계; 2) 홍채의 하나 이상의 가려지지 않은 영역을 검출하기 위하여 하나 이상의 대칭 특성을 이용하는 단계 - 대칭이 아닌 영역은 속눈썹, 눈꺼풀, 기타 등등에 의해 부분적으로 덮히는 영역(따라서, 비대칭)에 대응할 수 있다 - 소정의 경우에 홍채 및 공막(sclera)이 검출되는 신뢰성 있는 세그먼트에만 분석을 한정시킬 수 있다 -; 3) 방향이 검출되면, 예를 들어, 공칭 각도(nominal angle)로부터의 타원 파라미터를 추정하고, 캘리브레이션 인자를 계산함으로써, 가장 왜곡(즉, 방향 때문에 가리거나 변형된)의 가능성이 적은 공칭 각도를 식별하는 단계; 4) 원이 아니라 타원 또는 불규칙한 형상으로 모델링된 홍채 경계를 검출하 기 위하여 가변 원들의 중첩을 이용하는 회전 타원 검출 기술을 사용하고, 그리고/또는, 타원 파라미터 및 방향을 추정하기 위하여 최소 제곱 피팅(least square fitting)을 사용하는 단계; 및 5) 홍채 텍스처에서의 변경을 다루기 위하여 혼합 모델링(mixuter modeling)을 사용하는 단계; 를 포함한다. 공막은 각막을 제외한 전체 안구를 덮는 단단한 흰색 섬유질 외피 조직이다.
본 발명은 대상의 위치 및/또는 방향에 대하여 이루어지는 통제가 적은 높은 보안 접근 통제 또는 "원격 생체인증" 애플리케이션에 매우 적합하다. 이러한 동작들은, 예를 들어, 획득 장치로부터 다양한 범위로 캡쳐되는 대상을 포함할 수 있으며, 그리고/또는 이미지 형성 설비에 직접 정렬된 대상의 눈(들)을 가지지 않을 수 있다. 보통, 이러한 애플리케이션에 대하여, 신뢰성 있는 홍채 인식을 가능하게 하는 종래 기술 대부분에 의해 요구되는 통제 수준을 구현하는 것은 힘들다. 본 발명은 획득 홍채 이미지에서 비대칭 문제를 잘 처리하는데 도움을 줄 수 있으며, 또한, 홍채 고리의 일부가 보이는 한, 통제되지 않은 환경 하에서 도움을 줄 수 있다.
생체 인식 시스템의 개발에 있어서 주요 관심사는 어떻게 유효한 대상을 거절하는 것을 피하고 사칭자를 확인하느냐이다. 홍채 인식은 얼굴 및 지문 인식 기술을 포함하는 다른 종류의 생체 인식보다 더욱 더 변별력 있는 생체 인식을 제공함으로써 신뢰성 있는 해결방안을 제공한다.
아래의 바람직한 특성은 홍채 인식 기술을 잠재력 있는 믿을만한 개인 확인 도구가 되게 한다. 예를 들어, 이 기술은 다음의 주목할만한 특성을 가질 수 있 다. 첫째, 이것은 특이성과 유전적 독립성을 가질 수 있다. 눈은 각 인간에 대하여 독특한 특수 구조를 갖는다. 안문(faceprint), 지문과 같은 다른 공지의 생체 인식 기술과는 다르게, 홍채는 개인에 대하여 심지어 유전적으로 쌍둥이인 사람들에 대하여도 독특하다. 일란성 쌍둥이의 놀랄만한 시각적 유사성이 얼굴 용모의 유전적 침투(genetic penetrance)를 나타내지만, 유전적으로 동일한 홍채의 비교는 홍채 패턴에 대하여 그 반대를 나타낸다. 생물 의학 분야의 문헌은 홍채의 특징점은 지문이나 망막의 정맥 패턴과 같이 각 개인에 대하여 독특하다는 것은 제시한다. 둘째, 이것은 매우 데이터가 풍부한 신체 구조를 가진다. 대상들 사이에서 충분한 변별력을 주는 충분한 텍스처가 있을 수 있다. 셋째, 노화 현상이 없다는 것이다. 즉, 홍채의 특징점에 대한 평생 동안의 안정성이 있다. 넷째, 이것은 비침습성(non-invasiveness)을 갖는다. 홍채는 내부 특유 기관이지만, 외부로 보여지고 원격에서 측정될 수 있다.
이러한 모든 특성들은 얼굴 인식과 같은 다른 저명한 생체 인식에 비하여 홍채 인식이 매우 믿을만한 개인 확인에 대하여 적합하게 만든다. 얼굴 인식과는 다르게, 홍채에서 추출된 위상 구조(phase structure) 및 지역 특징점(local feature)은 전적으로 후천적이며, 따라서, 홍채 인식의 성능은 일란성 쌍둥이에 대한 적용이나 부분적인 유전적 관계의 존재로 제한되지 않는다.
홍채 고리 이미지의 쉽게 다루어질 수 있는 숫자 코드로의 변환은 홍채 인식에 있어서 본질적일 수 있다. 홍채 특징점을 계산하는 것은 대상의 홍채에 촛점을 맞추고 그 경계를 추출하는 양호한 품질의 세그먼트화 과정을 사용할 수 있다.
원격 홍채 애플리케이션을 지원하는데 있어서, POSE™(허니웰 인터네셔널 잉크.)와 1-D 극 기반의 "세그먼트화 접근방법"을 사용할 수 있다. POSE는 극 도메인에서 1차원 세그먼트화 과정을 수행할 수 있고, 기하학적 모델(원과 같은)에 대한 소모적인 검색을 대체할 수 있으며, 1D 서명에서 직접적인 피크 검색을 단순히 실행함으로써 비용이 많이 드는 에지 검출 및 곡선 피팅을 사용하는 것을 방지할 수 있다는 점에서 통상적인 종래 기술과는 다르다. 이 접근방법은 시작하자마자 극 도메인으로 순간적으로 지도화할 수 있다. 이미지로부터의 홍채 고리 영역을 회복하기 위하여, POSE는 종전에 극 도메인으로 수행된 것보다 더 이른 단계에서 분석을 지도화한다. 극 도메인에서 세그먼트화를 수행함으로써, 인코딩 단계를 위한 특징점 지도를 생성하기 위한 하나의 단일 단계에서 세그먼트화 뿐만 아니라 캘리브레이션 및 노이즈 제거를 모두 실행하기 위하여 더욱 효율적이고 더 빠른 처리를 가능하게 할 수 있다.
이 구조에서, 이미지 평면에서 돌출된 기울어진 머리 및 방향 투시에 기인하는 눈가림, 눈감음, 및 캡쳐된 홍채 이미지에서의 변형과 같은 부작용을 감소시키기 위하여 POSE를 지원하는 특징점 추출 기술을 도입할 수 있다. 이 기술은 원격 홍채 기술, 즉, 대상이 감시 하에 있는 것을 모르거나, 또는 혼잡한 영역에 있는 경우, 또는 심지어 대상이 홍채 통제를 인식하지만 비협조적인 경우에 적합할 수 있다. 이러한 동작은 획득 장치로부터의 다양한 범위에서 캡쳐된 대상을 포함할 수 있으며, 이미지 형성 장치와 직접적으로 정렬되지 않은 눈을 가지지 않을 수 있다.
인간의 인식 및 식별을 위하여 매우 신뢰성 있는 도구로서의 기능을 할 수 있는 특별히 이러한 종류의 애플리케이션을 위한 원격 홍채 생체 인식 시스템이 여기에서 설계되고 구현될 수 있다. 또한, 이 시스템은 대상을 캘리브레이션하지 않고서 이미지 획득과 관련된 비대칭 문제를 해결할 수 있으며, 홍채 고리의 일부가 보이는 한 통제되지 않은 동작 하에서 동작할 수 있다.
홍채 인식 솔루션을 개발할 때, 여러 가지 논점들이 더 연구될 수 있다. 캘리브레이션 문제와 관련하여, 홍채의 홍채 내부 및 외부 경계는 뱀 묘사(snake delineation)를 사용하여 불규칙한 형상의 원들보다는 타원으로 근사화될 수 있다. 그러나, 2개의 타원은 보통 동일한 중심을 가지지 않는다. 반점(freckle), 코로나(corona), 고랑(furrow), 소낭선(crypt) 및 스트라이프(stripe)와 같은 많은 수의 짜여진 블록들을 갖는 홍채 구조의 형상과 텍스처를 특성화시킬 수 있다.
카메라에서 눈까지의 거리에서의 변화는 동일한 홍채에 대한 크기 변화를 야기한다. 비균일한 조명 또는 투광 반사의 역효과를 줄이기 위한 전처리가 특징점 추출 절차를 수행하기 이전에 필요할 수 있다. 정반사(거울같은) 및 부드러운 반사 도트의 처리는 세그먼트화 분석에 영향을 줄 수 있다.
눈꺼풀 및 속눈썹이 있기 때문에, 홍채의 외부 경계는 불규칙한 에지들로 캡쳐될 수 있다. 세로로 관찰될 때, 이러한 관찰은 홍채 추정이 넓은 범위의 에지 콘트라스트에 대하여 민감할 수 있다는 것을 제시한다.
머리와 눈의 방향은 홍채 고리 형상에 대한 상이한 투시 시각을 제공할 수 있다. 캡쳐된 홍채 형상은 그 방향과 경사지고 기울어진 각도 때문에, 보통 원형 이나 타원형과는 거리가 멀다.
홍채의 이미지 매칭(matching)에 대한 기본적인 접근방법은 홍채 인식을 위한 도그만(Daugman) 알고리즘을 계승한 아리디안(Iridian, 즉, 홍채에 관한) 솔루션을 중심으로 구축될 수 있다. 아리디안 기술 알고리즘은 홍채 인식의 확장성을 실시간 비통제 환경으로 한정할 수 있다. 소정의 동작이 선결조건과 부합하더라도, 알고리즘이 요구하는 통제 수준을 가지지 않고 이러한 종래의 기술을 구현하는 것은 어렵다.
원격 애플리케이션까지의 확장을 위하여, 알고리즘 절차의 일부는 휴 변환(Hough Transform)을 포함하는 소모적인 과정을 필요로 할 수 있다. 휴 방법이 갖는 일부 문제는 에지 검출을 위하여 선택되는 임계값을 요구하는 것을 포함할 수 있으며, 이는 중요한 정보(예를 들어, 에지 지점들)가 제거되거나/놓치게 할 수 있고, 이에 따라 홍채 또는 동공 영역의 검출을 실패가 되게 한다. 휴 변환은 원시적인 접근 방식 때문에 계산이 많으며, 따라서, 실시간 애플리케이션에는 적합하지 않다. 또한, 이 방법이 지역적인 공간 특징점에서 작용하기 때문에, 이미지가 눈의 이미지에서의 지역적인 노이즈가 가해질 때, 이 방법은 실패할 수 있다.
도그만 미적분 연산자는 이미지에 대한 미분을 사용하고 홍채와 동공의 원을 식별하는 공간 파라미터를 결정하는 기하학적 정보를 찾기 위한 검색을 수행하기 때문에, 휴 변환에 대한 하나의 수정물로 이해될 수 있다. 휴 변환에 비하여 도그만 연산자가 갖는 이점은 직접적인 미분을 바탕으로 하기 때문에 임계값을 필요로 하지 않는다는 것일 수 있다. 그러나, 이미지가 지역 공간 노이즈(예를 들어, 눈 의 이미지를 걸친 정반사, 디지털화에 따른 반점, 기타 등등)를 겪을 때 실패할 수 있다는 것이다.
눈꺼풀 가림 및 마스킹에 관하여, 이미지의 눈꺼풀 가림 마스크 부분을 다루는 한 접근방법은 선형 피팅을 사용한다. 그러나, 속눈썹도 있기 때문에 눈꺼풀 경계는 불규칙할 수 있다. 다양한 가림을 다루는 다른 접근방법은 포물선으로의 눈꺼풀의 모델링 또는 이미지 강도 도함수 정보를 정밀하게 조정하기 위하여 모델 요소의 추출된 구성을 사용하는 것일 수 있다. 다른 방법은 에지 검출과 비선형 곡선 피팅에 바탕을 준 주어진 많은 계산이 필요할 수 있다.
다른 홍채 인식 기술은 1D 처리에 바탕을 둔다; 그러나, 세그먼트화 과정을 단순화하기보다는 홍채 특징점에 대한 더 나은 표현을 위하여 인코딩 스킴을 개선하도록 대부분 맞추어진다. 세그먼트화 문제를 1D 프레임워크로 공식화하는 이 접근방법과는 다르게, 일부 방법은 2D로 구축된 홍채 지도로부터 분해된 1D의 강도 신호 집합을 구축한다. 특징점 벡터에 대한 1D 표현에 적용된 가우시안 모멘트(Gaussian moments)는 코로나, 스트라이프, 고랑, 기타 등등에 기인한 텍스처에서의 변화를 간접적으로 정량화하는 지역 특징점에 대한 최상의 표현으로서 일부에 의해 옹호되어 왔을 수 있다. 이러한 기술은 홍채에 대한 2D의 정규화된 극 지도(polar map)를 구축하기 위한 2D 세그먼트화 과정에 여전히 바탕을 둔다. 그 다음, 지도의 열에 대한 일부 세그먼트를 단순히 평균함으로써 2D 지도를 1D 강도 신호 집합으로 분해할 수 있다. 그럼에도 불구하고, 이러한 노력은 전체 홍채 세그먼트화를 실행하고 1D 도메인으로 인코딩함으로써 본 발견을 보충할 수 있다. 2D 로 인코딩된 서명에서의 승계된 2차원 관계의 공간 특징점 때문에 2D 인코딩 스킴은 1D 처리보다 더욱 더 신뢰성 있게 보일 수 있다.
1D 홍채 서명을 생성할 수 있는 새로운 1D 인코딩 스킴은 번역, 회전, 조명, 및 척도 불변성(scale invariant)을 포함할 수 있다. 이 방법의 장점은 사용자가 더 낮은 수준의 홍채 이미지 품질로 등록할 수 있게 하는 것이다. 이것은 이 기술이 2D 인코딩 스킴만큼 신뢰성이 있지 않다는 것을 암시한다. 그러나, 이 기술은 최종 식별을 위한 2D 인코딩이 될 제한되고 잠재적인 대상을 통과시키기 이전에 검색 모드를 갖는다는 개념을 지지할 수 있다. 다시 한번, 이 접근방법은 완전한 1D 세그먼트화와 및 인코딩 기술을 포함할 수 있다.
홍채 세그먼트화는 주목할만한 인자이다. 홍채 인식의 제1 단계는 눈의 디지털 이미지에서 실제 홍채 영역을 분리시키는 것일 수 있다. 종종 다른 방법에서, 홍채와 동공의 이미지 처리 세그먼트화를 단순하게 하기 위하여 홍채 영역은 기하학적 모델, 즉 2개의 원으로 근사화될 수 있다.
다른 많은 방법들은 홍채 경계를 나타내는 이러한 기하학적 모델의 경계를 세그먼트화하기 위하여 에지 위치를 신호화하도록 이미지 강도의 제1차 도함수를 사용할 수 있다. 불행하게도, 종래의 대부분의 알고리즘은 디지털 이미지 전체에를 통한 기하학적 모델 검색을 위한 비용이 많이 드는 절차를 양산할 수 있다.
홍채 이미지가 다양한 변형을 가지고 있다면, 정규화는 전체 분석에 있어서 어려운 단계일 수 있다. 목적은 데이터베이스 템플레이트와의 공정한 비교를 허용하도록 이미지로부터 잘려 추출된 홍채 영역을 스케일링하는 것이다.
캡쳐된 홍채 이미지 사이의 치수 불일치는 변하는 조명과 투광 수준으로부터의 동공 팽창에 의해 발생되는 홍채의 신장과 같은 많은 이유들에 주로 기인할 수 있다.
홍채 범위에 관하여, 이미지 캡쳐와 이미지 형성 장치 방향의 가변하는 거리는 기울어지거나 경사진 카메라 또는 머리에 기인할 수 있다. 안와(eye socket) 내에서 눈의 지역적인 회전이 있을 수 있다. 대상 또는 대상의 얼굴이 획득 장치와 직접적으로 정렬되지 않을 수 있다
조명 아티팩트, 즉, 홍채 고리 영역 내에서 다른 곳보다 더 많이 영역에 빛을 비추는 비균일한 밝기를 최소화하기 위하여 이미지 강화가 적용될 수 있다. 조명 아티팩트를 감소시키는 것은 이어지는 인코딩 및 특징점 추출 단계를 개선할 수 있다. 특징점 추출을 수행하기 이전에 투시 방향이 대처될 수 있다; 그러나, 이것은 시스템에 대한 계산적인 부담을 더 더할 수 있다. 이 세그먼트화 알고리즘은 홍채의 정확한 특징점 추출하기 위한 전처리 단계를 필요로 하는 것으로 생각되지 않는다.
인코딩은 주목받을 수 있다. 개인의 홍채에 대한 정확한 인식 또는 식별을 제공하기 위하여, 추출된 홍채의 극 표현에 있는 대부분의 변별력 있는 정보를 추출하는 것이 필요할 수 있다. 두 대상 사이의 비교가 쉽게 이루어질 수 있도록 홍채 패턴의 중요한 특징점만이 인코딩되는 것이 필요할 수 있다. 인코딩 스킴은 홍채 패턴의 본질을 캡쳐하는 몇 개의 비트로 이루어진 더 간단한 템플레이트을 생성하는 것일 수 있다. 그 다음, 추출된 숫자 코드는 복수의 저장된 코드들과 비교하 는데 사용될 수 있다. 홍채 서명을 인코딩하는 것은 다수의 정보 비트를 포함하며 홍채 패턴 내에서 마스킹을 이용하여 손상된 영역의 일부를 배제시키는 비트 단위의 템플레이트를 생성하기 위한 홍채의 상세한 패턴과 같은 이미지로부터의 텍스처 정보를 추출하기 위하여 아래에 리스트된 바와 같이 웨이블릿(wavelet) 또는 가보 필터(Gabor filter), 또는 다른 기술과 같은 인코딩 알고리즘을 적용하는 것을 포함한다. 최상의 인식률 획득과, 제한적으로 생성된 비트 단위의 템플레이트에의 홍채 패턴 저장을 기초로 하여 인코딩 필터의 선택이 이루어질 수 있다.
인코딩 과정에 있어서, 선택된 필터의 종류에 관계없이, 매칭을 수행할 때 단지 2개 이상의 비트에 의해 표현되고 덜 중요한 비트에 비하여 가장 중요한 비트에 우선순위를 둔 더욱 정량화된 페이저 정보(phasor information)를 생성할 수 있다. 이 스킴의 이점은 대상을 매칭시키는 빠른 방법을 제공하며, 또한 열악한 품질의 홍채 이미지와 홍채 패턴에 직면할 때 최상의 매칭 대신에 가장 가능성 있는 매칭을 생성하는 방법을 제공한다. 예를 들어, 임의의 정보 발산 측정(information divergence measure)을 사용하여 매칭을 수행할 때 숫자 코드에 대한 평균가중치 부여를 수행할 수 있다.
인코딩은 서로 다른 필터링 및 처리 수단을 갖는 추출된 특징점에 대한 실제 인코딩을 포함할 수 있다. 인코딩 메카니즘은 하나 이상의 선택된 필터를 세그먼트화된 홍채 이미지(들)에 적용하는 것을 포함할 수 있다. 본 기술 분야에서 사용된 일부 필터들은 다중 해상도 기술의 일부로도 알려진 웨이블릿/뱅크 필터와 같은 아래의 기술을 포함하나 이에 한정되지 않는다. 웨이블릿 접근방법은 주파수 데이 터가 로컬화되는 푸리에 변환에 비하여 장점을 가질 수 있다. 또한, 가보 필터(Gabor filter)는 공간 및 주파수 도메인에서 홍채 패턴에 대한 공동 표현(conjoint representation)을 제공할 수 있다. 로그 가보 필터링(Log Gabor filtering)은 가보 필터링보다 더욱 신뢰성이 있다. 하르 필터(Harr filter)는 가보 필터보다 아마도 성능이 더 뛰어난 것으로 알려졌다. 라플라스 필터(Laplacian filter)는 단순화된 형태의 신호를 얻기 위한 피라미드 기반의 분해를 포함할 수 있다.
해밍 거리(hamming distance)의 계량을 갖는 정보 이론 측정을 이용하여 수행될 수 있는 매칭이 있을 수 있다. 이 과정은 질의와 인코딩된 서명 사이의 매칭을 실행할 수 있다. 여러 종류의 정보 측정은 해밍 코드(hamming code), 유클리드 코드(Euclidian code), 제퍼리 코드(Jeffery code), 컬백 코드(Kullback code), 또는 가중치가 부여된 거리를 제공하는데 사용될 수 있는 임의의 기타 표준 정보 발산 측정을 포함하나 이에 한정되지 않는다. 평균 가중치가 부여된 측정은 이 접근방법에서 강조될 수 있다. 더 많은 가중치가 덜 중요한 비트에 대하여 가장 중요한 비트에 분배될 수 있다. 그 결과, 페이저 값은 다른 코드에서의 2비트만이 아니라 8 또는 16 세그먼트(2^N)에 의해 표현될 수 있다. 가중치가 비트 위치의 중요도에 따라 분배될 수 있다.
POSE는 차선의 이미지 획득 조건 하에서 홍채 인식을 수행할 수 있다. 이 기술은 홍채 세그먼트화가 홍채 이미지의 모든 경계(내부, 외부 눈꺼풀과 공막 및 수평선)를 검출하도록 사용될 수 있다. 이 기술은 높은 보안 접근 통제 또는 대상 의 위치와 방향에 덜 작용하는 통제를 갖는 원격 홍채 애플리케이션에 적합할 수 있다. 이러한 동작은 획득 장치로부터의 다양한 범위에서 캡쳐된 대상을 포함하거나 또는 이미지 장치와 직접적으로 정렬된 눈을 가지지 않을 수 있다. 보통, 이와 같은 애플리케이션에 대하여, 신뢰성 있는 홍채 인식 동작을 가능하게 하는 대부분의 종래 기술이 필요로 하는 통제 수준을 구현하는 것이 어려울 수 있다. 홍채 인식에 대한 본 접근방법은 획득 홍채 이미지에서의 비대칭성을 다룰 수 있으며, 홍채 고리의 일부가 보이는 한 어떠한 통제되지 않은 동작하에서도 동작할 수 있다.
중심의 가추정(pre-estimation)이 있을 수 있다. 다음의 분석에서는 임의의 다른 불규칙한 형상을 취할 수 있는 타원 또는 원으로 홍채를 근사화시키지 않는다. 분석은 왜곡 때문에 임의의 벗어난 형상을 여전히 유지한다. 관련 기술에서보다 더 간단하고 더 일반적인 본 방법을 사용하여 홍채를 로컬화할 수 있다.
ρ(x, y)는 이미지의 밀도 함수에 대한 함수로서 블롭 영역(R) 상의 연속 밀도 함수라고 가정한다. 그러면, 무게 중심은 다음의 식에 의해 정의된다.
Figure 112007061117816-pct00001
여기서, M은 블롭 내의 무게이고, 양 축에서의 무게 모멘트는,
Figure 112007061117816-pct00002
이다. 내부 경계의 중심 측정이 관심 대상일 수 있다. 세그먼트화 분석은 양 경계 중심의 정확한 측정에 반드시 의존할 필요가 없다. 내부 홍채 타원의 정 확한 중심을 추출하기 위한 추가 단계가 주목받을 수 있다.
홍채 중심 위치 측정이 도 1에 도시될 수 있다. 블롭 분석은 동공(11)의 정확한 중심을 반드시 가져올 필요가 없다. 따라서, 추가 처리가 동공 중심을 찾기 위한 더욱 정확한 측정을 제공하는데 필요할 수 있다. 중심(14,
Figure 112007061117816-pct00003
)이 있을 수 있다. 가추정 중심(12, C(x 0 , y 0 ))이 동공(11)의 원 내에 있다고 가정하면, 동공의 실제 중심이 다음과 같이 주어진다는 것을 쉽게 보일 수 있다.
Figure 112007061117816-pct00004
(2)
따라서,
Figure 112007061117816-pct00005
이고,
Figure 112007061117816-pct00006
여기서,
Figure 112007061117816-pct00007
이다.
특히, 변형되지 않은 홍채(13) 형상(즉, 가상의 완벽한 원)을 가진다면, 상기 방정식은 다음과 같이 간단하게 될 수 있다:
Figure 112007061117816-pct00008
다른 접근방법이 사용될 수 있지만, 세그먼트화 과정은 1D POSE 기술을 포함할 수 있다. 세그먼트화 과정을 단순화하기 위하여, 1D 분석 절차를 사용하여 세그먼트화를 실행하기 위하여 초기 단계에서 극 도메인으로 분석을 지도화(mapping)하는 것을 제안할 수 있다. 더하여, 분석은 홍채(13) 주변 이미지의 부구획에서만 수행될 수 있다. 많은 다른 기술에서, 극 표현의 추출이 분석의 종료시점에 가까이 발생한다.
근사화된 중심으로부터의 신속한 극 변환은 극 도메인에서의 빠른 1D 세그먼트화를 허용할 수 있다. 극 세그먼트화(POlar SEgmentation, POSE)은 1차원 신호 처리를 이용하여 명확한 동공 및 홍채 경계에 대한 신속한 추출을 제공할 수 있다. 분석은 타원이 아닌 경계(즉, 기하학적 및 생물학적으로 왜곡된 이미지)를 포함하는 모든 종류의 경계를 검출할 수 있다. 이러한 접근방법은 상당하게 회전한 머리, 눈 및/또는 홍채의 먼 쪽에서 조준선(line-of-sight) 경계를 다룰 수 있다.
동공 내에서 시작 지점을 검출하는 것은 극 도메인으로의 지도화를 초기화하기에는 충분하다. 동공 중심의 추가 조정은 극 도메인에서의 POSE 기술의 일부로 고려될 수 있다. 중심 지점 추정은 블롭 분석, 임계화(thresholding)(동공이 눈 이미지의 가장 어두운 콘트라스트에 있다고 가정), 또는 다른 접근방법에 기초할 수 있다. 공지된 관련 기술과는 다르게, 동공 중심은 분석의 기초로 사용될 수 있다. 홍채 영역은 동일한 동공 중심으로 더 중심이 맞도록 정규화될/동일한 동공 중심에 대하여 중심맞추어질 수 있다.
홍채(13) 주변에서의 관심 영역(ROI, region-of-interest)에 대한 동공에 중심을 둔 극 표현에 관한 빠른 계산이 이루어질 수 있다. ROI는 다음과 같이 추정된 동공 중심(12, C(x 0 , y 0 ))에 대하여 극 도메인으로 지도화될 수 있다:
Figure 112007061117816-pct00009
미리 정의된/추정된 중심에 따라, 대략적인 홍채(13) 폭의 추정을 진행할 수 있다. 그 다음, 임의의 실제 세그먼트화를 실행하기 이전에 지도화를 수행하는데 미리 정의된 중심과 홍채 폭을 사용할 수 있다.
도 2는 이미지 도메인을 극 도메인으로 지도화하는데 사용되는 기준화된 파라미터를 도시한다. 즉, 도면은 이미지 극 지도화를 위한 홍채 기준을 도시한다.
그 다음, 눈(10)의 동공(11)과 홍채(13)의 경계를 찾기 위해 컨볼류션될 수 있는 극 도메인에서의 1D 함수를 구축할 수 있다. 분석적인 1D 함수는 각 각도에서 반지름 변수(r)의 함수로서 정의된다:
Figure 112007061117816-pct00010
(3.a)
중심(12, C(x 0 , y 0 ))에 대한 홍채(13)의 추정된 위치는 다음과 같이 계산된다:
Figure 112007061117816-pct00011
(3.b)
여기서 u(r)은 함수 f() 내에서의 콘트라스트 변화를 검출하는데 사용되는 계단 함수일 수 있다.
도 3은 1D 극 세그먼트화를 도시한다. 이 접근방법은 홍채(13) 경계의 정확한 에지를 검출하기 위하여 1D 매치 필터로 더 간단하게 될 수 있다. 그 다음, 세그먼트화는 모든 원하는 미리 정의된 각도에서 수행될 수 있다. 왼쪽에서 오른쪽으로의 피크값(15, 16)은 동공(11)과 홍채(13)의 반지름을 각각 나타낸다.
도 4는 예시적인 목적으로 정규화를 생략한 이미지 세그먼트화를 도시한다(정규화는 일반적으로 세그먼트화 과정 동안 추출된 1D 신호에 대하여 수행된다는 사실에 주목하라). 이 도면에 도시된 바와 같이, 눈꺼풀(17, 19) 및/또는 속눈썹(19)은 홍채(13) 고리 영역의 일부를 가린다. 관련 기술들은 이러한 가림을 노이즈로 취급할 수 있으며, 예를 들어 휴 변환을 이용하여 윗쪽 및 아랫쪽 눈꺼풀로 복수의 선형/비선형 곡선/직선을 피팅하여 눈꺼풀/속눈썹의 에지를 먼저 검출함으로써 가려진 영역을 분리하는 경향이 있으며, 따라서, 이미 복잡한 절차에 더 많은 계산적인 부담을 추가한다. 다른 대체 기술은 추정된 곡선이 속눈썹 표현에 대한 연결된 지점이 되도록 세기 및 연결 기준의 변동에 대하여 가보 필터와 임계화를 이용한다. 이 기술들과는 다르게, 홍채(13)의 영향을 받은 영역의 분리는 예측된 반지름 세그먼트(20)를 비교함으로써 수행될 수 있다(추정된 세그먼트(20)의 중간값(median value), 예측된 길이는 왜곡이나 노이즈와는 유사점이 가장 적은 공칭 각도에서 취해진 측정에만 한정될 수 있다). 측정된 폭에서 중대한 감소가 있다면, 데이터는 노이즈가 있는 것으로 취급되거나 별도로 취급될 수 있다.
도 5는 정규화 및 눈꺼풀(17, 18) 가림(21)에 대한 취급을 도시한다. 눈꺼 풀 가림(21)을 다룰 수 있는 2개의 대체물이 있다. 첫째로, 영향을 받은 각도에서 대응하는 화소들(22)을 모두 마스킹할 수 있다. 이 접근방법은 다음의 접근방법보다는 더 간단하지만 식별하는데 있어서 중요할 수 있는 일부 화소들을 제외할 수 있다. 둘째로, 홍채(13)의 영향을 받은 영역(23)만을 마스킹할 수 있다. 상부 영역(21)을 가린 눈꺼풀 아래에 있는 도 4에서 캡쳐된 영역은 예측된 폭값(즉, 측정 값의 중간값)에 따라 영역을 정규화함으로써 중요해질 수 있다. 따라서, 도 5에 도시된 바와 같이, 눈꺼풀(18) 아래에 가려진 홍채(13)에 대응하는 화소들만이 마스킹된다.
홍채(13) 정규화가 주목받을 수 있다. 더욱 정확한 인식 결과를 얻기 위하여, 극 데이터를 인코딩 스킴으로 전달하기 전에 형상 변형을 보정하고 홍채(13)의 형상에 균일성을 주는 것이 필요할 수 있다. 전형적인 기술들은 이 목적을 위해 정규화를 수행한다. 이 기술을 이용하여, 정규화는 세그먼트화 과정 동안 수행될 수 있다.
적어도 4개의 주요 아티팩트가 홍채(13)의 원형상의 변형을 가져오는 것으로 예측되며, 이에 따라 홍채 화소를 고무 극 표현(rubber polar presentation)으로 지도화하는 동안 정규화 스킴을 한다. 첫번째로, 범위 차가 있을 수 있다. 심지어 강제적인 통제 하에서도 서로 다른 사람의 홍채는 서로 다른 카메라의 범위로 캡쳐될 수 있다. 두번째로, 홍채 확장이 있을 수 있다. 조명의 변화 때문에 홍채 크기가 변한다는 것을 예상하는 것인 자연적일 수 있다. 보통, 이러한 종류의 변화는 홍채의 고리 형상에 대하여 균일할 수 있다. 세째로, 홍채가 자연적으로 비 대칭인 경우가 있을 수 있다. 동공(11) 영역은 반드시 홍채(13) 영역 내에서 중심을 이루는 것은 아니며, 조금 벗어날 수 있다. 그럼에도 불구하고, 이것은 개인에 대하여 변별력있는 추가 특징점으로 사용될 수 있으며, 단순화를 위하여 모든 텍스처를 하나의 기준화된 형상으로 할 수 있다. 이 정규화 스킴은 변형된 홍채(13)의 변별력 있는 특징점을 새로운 표현으로 보존한다. 넷째로, 상당하게 회전한 머리, 눈(10) 및/또는 홍채(13)의 먼 쪽에서 임의의 조준선 경계를 포함할 수 있는 투시 방향이 있을 수 있다.
관련 기술과는 다르게, 이 정규화 과정은 홍채(13) 세그먼트가 POSE 기술로부터 추출될 때 수행될 수 있다. 예를 들어,
Figure 112007061117816-pct00012
(4.a)
가 각도 θ에서의 극 지도(polar map)에 대한 표현이라 하자; 단순화를 위하여, 균일한 적분이 θ 축을 따라 사용된다고 가정할 수 있다. 그 다음, 정규화된 신호는 신호의 보간(interpolation)/부분제거(decimation)에 바탕을 둘 수 있다. 정규화된 출력은 다음과 같이 표시된다:
Figure 112007061117816-pct00013
(4.b)
여기서, L은 홍채(13) 텍스처의 극 표현에 대한 원하는 차원(즉, 열의 수)이다. 변수 h는 변형 종류 및 열화의 양에 따라 달라질 수 있다. 도 6은 동시에 수행되는 홍채의 세그먼트화 및 정규화를 도시한다. 특징점 추출 기술이 주목될 수 있다.
이 접근방법은 많은 과제에 대처할 수 있으며, 관심 대상에 대한 어떠한 제한이 없는 신뢰성 있는 홍채 시스템의 상업화를 향하여 전진하도록 할 수 있다. 특히, 공항 게이트, 플라자, 잠재적으로 건널목, 및 민감한 검문소와 같은 넓은 개방 공간에서 대상을 인식/식별하는데 관심이 있을 수 있다. 이 애플리케이션들은 이미지 획득에 부과된 통제가 없고, 본 명세서에서 "원격 홍채(iris-at-a-distance, IAD)"로 불리는 원격 홍채를 포함할 수 있다.
포괄적인 원격 홍채 시스템은 주로 2개의 상이한 기술- 광학 설계 및 컴퓨터 비전 솔루션(computer vision solution) -에 의존한다. 컴퓨터 비전 솔루션은 이 부분에서 강조될 수 있다.
이 시스템은 불규칙하게 획득된 홍채(13) 이미지를 위한 신뢰성있는 세그먼트화 단계를 특징짓는 유일한 것일 수 있다. 원격 홍채 시스템의 배치에 대한 실제 양태가 중요할 수 있다. 감시 시스템이 적절히 기능하고 상업적으로 실용가능한 것을 충족하는 것이 필요할 수 있는 많은 요구사항이 있다. 속눈썹(19)과 눈꺼풀(17, 18)의 가림 문제는 과제의 일부일 수 있다. POSE 세그먼트화 기술은 이 과제의 일부를 해결하는데 사용될 수 있다. POSE는 공간 임계화(spatial thresholding) 또는 휴 공간 기반의 기술과 같은 것들보다 더 신뢰성 있는 메커니즘이라는 것이 증명되어 왔을 수 있다.
공간 임계화는 홍채 이미지의 관련된 홍채 화소 모두를 분류하는 의심스러운 작업을 할 수 있다. 에지 검출과 휴 변환은 홍채(13) 세그먼트화를 추출하기 위한 모든 필요한 단계를 수행하는데 있어서 큰 계산 부하를 요구할 수 있다. 더하여, 홍채를 원, 타원 또는 미리 정의된 곡선(속눈썹을 나타내는)과 같은 미리 정해진 형상으로 피팅하는 것은 홍채(13)의 완벽한 투시를 도면화하기 위하여 안내선을 통해 대상 홍채가 놓이는 강제된 조건 하에서만 실제와 가장 가까울 수 있다. 이 시나리오는 원격 홍채 접근방법에서는 실제 상황과는 멀다.
원격 홍채에 대하여, 신뢰성 있는 홍채 인식 동작을 가능하게 하도록 많은 관련 기술에 의해 필요한 통제의 수준을 포함하도록 도전할 수 있다. 통제되지 않은 동작에 대한 애플리케이션을 다루는 것이 캡쳐된 눈(10)의 감음, 속눈썹(19) 및 눈꺼풀(17, 18) 가림(21)과, 이미지 형성 설비와 직접적으로 정렬된 눈을 가지지 않은 대상에 기인하는 아티펙트인 3가지 주요 과제가 발생한다. 도 7에 도시된 바와 같이, 속눈썹(19) 또는 눈 감음, 또는 상당하게 회전한 머리, 눈(10) 또는 홍채(13)의 먼 측에서의 임의의 조준선 경계에 대한 영향은 투시 방향에 기인하는 소정의 변형을 발생시킬 수 있다.
도 7a는 눈 감음, 속눈썹(19) 및 경사지게 향하는 홍채(13)의 악영향의 일례를 도시한다. 많은 관련 기술 알고리즘은 이미지 획득에서의 눈 감음, 가림, 및 변형에 직면할 때 실패하였다.
이 시스템은 이러한 시나리오를 다루기 위하여 POSE 세그먼트화 접근방법에 기반한 특징점 추출 기술을 사용할 수 있다. 이 접근방법은 획득 이미지에서 비대칭을 잘 다룰 수 있으며, 통제되지 않은 조작하에서 동작할 수 있다. 도 7b는 강화된 특징점 추출(24) 결과를 갖는 이 접근방법의 결과를 도시한다.
투시 평면 변환(perspective plane transformation)이 주목될 수 있다. 전처리 접근방법은 이미지 획득에서의 변형의 일부를 대처할 수 있는 투시 평면 방향에 기초한다. 이러한 동작은 획득 장치로부터 다양한 각도로 캡쳐된 대상을 포함할 수 있으며, 대상은 이미지 형성 설비로 직접 보고 있지 않은 눈(10) 또는 홍채(13)를 가질 수 있다.
이미지 형성 각도로부터 얼굴 면의 공간에서 방향을 추정하기 위한 이 전처리 접근방법은 얼굴 인식 도구에 의해 이 방향 각도들의 일부가 제공된다는 사실에 바탕을 둘 수 있다. 캡쳐된 이미지 및 그 이미지 형성 평면에서의 원근 투영(perspective projection)에 대한 정확한 모델을 이끌어 낼 수 있다. 원근 투영은 이미지 형성 평면이 아니라 얼굴에 대하여 홍채(13) 위치를 검출하기 위한 이 전처리 동작에 있어서 지배적이고 기본적인 역할을 가질 수 있다. 홍채(13)의 세그먼트화는 원근 투영의 영향이 제거되면 상당히 단순해질 수 있다. POSE 기술은 정렬된 투시를 갖는 회복된 얼굴 이미지 상에 쉽게 적용될 수 있다. 방향 추정은 카메라가 눈 응시 법선 축의 각도에 있을 때 필수적일 수 있다. 예를 들어, 세그먼트화 및 특징점 추출(24) 절차는 먼저 투시의 영향이 제거되면 상당히 단순해질 수 있고, 따라서 캡쳐된 프레임에서 비대칭성을 감소시키고 정확한 세그먼트화를 생성한다.
도 8은 이미지 획득에 있어서의 투시 평면 방향을 도시한다. 투시 변환을 해결하기 위하여, 분석은 고차의 편미분 방정식을 포함할 수 있다 다음에서, 카메라(25) 투시로부터 실제 얼굴에 대한 기하학적인 뷰에 대한 추정을 제공하기 위한 핀홀 원근 투영 모델(pinhole perspective projection model)을 가정한다. 카메라 평면 또는 이미지 형성 평면(27) 좌표계인
Figure 112007061117816-pct00014
(이미지 형성 평면 좌표)와 실제 얼굴 평면(26) 좌표인
Figure 112007061117816-pct00015
을 할당할 수 있다. 얼굴의 방향을 표시하기 위하여 얼굴 법선의 상하각(elevation angle)을 사용할 수 있다. 상하각(α)은 얼굴 법선 및 카메라 시스템 축(28) 사이의 각도일 수 있다. x 축과 이미지 형성 평면(27) 상의 얼굴 법선의 투영 사이의 각을 나타내기 위하여 경사각(β)을 사용할 수 있다. 윗쪽 눈꺼풀(18) 중심과 얼굴 평면(26) 상에서의 이미지 경사 벡터((cosα, sinβ))의 후면 투영 사이의 각을 θ로 표시할 수 있다. 경사 벡터는 상하각과 관련될 수 있으며, 얼굴 면이 이미지 형성 평면(27)의 투시로부터 얼마나 기울어졌는지를 나타낸다. 따라서, 실제 얼굴로부터 이미지 형성 평면(27)으로의 좌표계 변환은 다음과 같이 주어질 수 있다.
Figure 112007061117816-pct00016
(1)
여기서,
Figure 112007061117816-pct00017
이다.
이미지 형성 평면(27)에서 캡쳐된 지점 P(x,y)의 실제 좌표를 추출하기 위하여, 후면 원근 투영 때문에 이미지 형성 평면 상의 한 지점에 대한 얼굴 면(26) 상의 한지점으로의 역변환으로서 원 좌표를 나타낼 수 있다.
강화된 특징점 추출(24) 접근방법을 사용할 수 있다. 이 노력의 목적은 가림(21) 및 불규칙성이 예상되는 더욱 다양한 환경에서 더욱 자유로운 홍채 캡쳐에 적용될 때 어떤 것이 홍채(13) 인식에서의 POSE 기술의 현재 성능을 강화하는지를 탐색하기 위한 것일 수 있다. 이 접근방법은 획득된 이미지에서 홍채(13) 고리의 일부가 보이는 한 어떠한 통제되지 않은 동작 하에서도 효과가 있을 수 있다. 이 접근방법 전반에 대한 도면은 도 9에 도시된다.
이 접근방법은 POSE 기술을 이용하여 홍채(13) 영역을 세그먼트화하는 단계(31)에 의해 시작될 수 있다; 그 다음, 홍채 영역을 영향을 받은 부분과 영향을 받지 않은 부분으로 분류하기 위하여 단계(32)를 수행할 수 있다. 단계(33)에서, 영향을 받지 않은 부분을 처리하여 규칙 또는 불규칙한, 즉, 타원형의 홍채 형상으로 피팅할 수 있다. 이것은 정규화를 위한 타원 피팅(elliptic fitting) 단계(38)를 포함할 수 있다. 이 곡선 피팅(curvature fitting) 접근방법은 POSE를 통해 뱀 묘사를 이용하여 불규칙한 형상에 대한 모든 가능한 경우를 충분히 해결하기에 일반적이다. 그 다음, 단계(34)에서, 추출된 형상에 대한 파라미터, 즉, 가림 효과를 줄이기 위한 캘리브레이션 단계(37)를 사용하여 캘리브레이션될 수 있는 임의의 가능한 영역을 해결하도록 영향을 받은 영역을 처리할 수 있다. 단계(35)에서, 혼합 모델링 기술 단계(36)를 이용하여 홍채(13)가 속눈썹(19) 또는 눈꺼풀(17, 18)로 완전히 덮인 영역을 클러스터링한다. 홍채(13) 지도가 비트단위의 숫자 코드로 변환될 수 있는 인코딩 단계(39)를 위하여 단계(36, 37, 38)로부터의 입력이 있을 수 있다.
홍채 인식의 첫단계는 디지털 눈 이미지에서 실제 홍채 영역을 분리하는 것이다. POSE 기술은 적은 양의 계산, 즉, 1D 기반의 분석으로 홍채 영역을 추출하는데 성공적으로 적용될 수 있다. 이 POSE 세그먼트화의 성공은 눈의 이미지에 대한 화상 품질에 의존할 수 있다. 예를 들어, 각막 반사 또는 임의의 다른 종류의 배경 노이즈에 기인하는 아티팩트를 제거하기 위하여 전처리 단계를 통과한다고 가정할 수 있다. 더하여, POSE는, 관련 기술에 의해 필요할 수 있는 과정인 홍채 중심 벗어난 것을 조정하기 위한 필요 없이, 동공의 중심 주위에 대한 분석을 로컬화할 수 있으며, 그 다음 이를 바로 극 도메인으로 지도화할 수 있다.
도 9는 POSE(31)를 이용한 특징점 추출(24) 접근방법을 도시한다. 홍채 분류 단계(32)는 POSE 에지에서의 대칭성을 사용할 수 있다. POSE 또는 관련 기술은 홍채(13)가 보이는 한 홍채(13)를 세그먼트화할 수 있다. POSE는 전체 홍채가 보여질 필요가 없으며, 일부만이 필요할 수 있다. 예를 들어, 눈꺼풀(17, 18) 및 속눈썹(19)는 일반적으로 홍채(13) 영역의 상부 또는 하부를 가릴 수 있다. 관련 기술은 포물선 호로 윗쪽(18) 및 아랫쪽(17) 눈꺼풀을 근사화하여 속눈썹(19) 또는 눈꺼풀(17, 18)의 추출을 해결하기 위하여 휴 변환을 사용할 수 있다. 관련 기술의 에지 검출을 수행하는데 있어서, 수평 방향의 미분이 눈꺼풀(17, 18)을 검출하기 위하여 조정될 수 있다. 이것은 눈(10) 또는 머리가 수평축으로부터 기울어지지 않을 때 효과적일 수 있다. 더하여, 휴 방법에 대한 다수의 문제점이 있을 수 있다. 먼저, 이것은 에지 검출을 위하여 선택된 임계화를 필요로 할 수 있으며, 이는 임계 에지 지점이 제거되게 하는 결과를 가져올 수 있으며, 호(arc)(또는, 홍 채 경계를 위한 원)의 검출에 실패할 수 있다. 더욱이, 휴 방법은 원시적인 접근방법으로 인해 과도한 계산이 있을 수 있으며, 이에 따라, 원격 홍채 애플리케이션에 있어서는 실용적이지 않다.
추가 과정을 부가할 필요가 없는 눈(10) 방향 검출에 대한 한 접근방법이 도입될 수 있다. 이 접근방법은 POSE 결과 에지 지점의 대칭성 검출에 기초할 수 있다. 도 10에 도시된 바와 같이, 홍채(13)의 대칭 부분(41)은 홍채(13) 및 공막의 경계가 분명하게 보이는 가려지지 않은 영역을 나타낼 수 있다. 비대칭 영역은 눈꺼풀(18, 18)과 속눈썹(19)을 나타내는 것으로 표시할 수 있다(분명히 비대칭성은 공막의 가림 때문이다). 검출된 POSE 에지에서의 비대칭성을 이용한 홍채 이미지 분류가 있을 수 있다. 이 기술은 영향을 받은 영역으로부터 가장 잘 보일 수 있는 홍채 영역을 식별하는 방법을 제공할 수 있다. 영향을 받은 영역은 마스킹되에 제거될 수 있거나, 필요하다고 간주되는 경우 더 많은 텍스처 패턴을 추출하기 위하여 더 분석될 수 있다.
정규화에 기반을 둔 타원형 피팅 단계(38)가 도 9에 표시되고 도 11에 소개된 바와 같이 사용될 수 있다. 먼저, 에지 지도(edge map)는 모든 각도에 대하여 방사적인 POSE 세그먼트화에 의해 생성될 수 있다. 그 다음, 에지 지도의 대칭 지점들(43)이 정규화 과정을 위해 선택될 수 있다. 이러한 대칭 호 지점들(43)로부터, 대칭 호의 각 에지 지점(43)을 통과하는 가변 원(42)의 파라미터를 위하여 POSE 공간 내에서 (즉, 범위가 POSE 에지 지도에 의해 미리 정의된다) 결정이 이루어질 수 있다. 그 다음, 타원(44) 검출 스킴은 이러한 가변하는 원(42)의 중첩에 기반을 둘 수 있다. 이 에지 지점들(43)은 다음의 방정식에 따라 임의의 원을 정의할 수 있는 이 가변 원(42)의 중심 좌표로서 사용될 수 있다.
Figure 112007061117816-pct00018
원의 반지름은 도 11에 도시된 바와 같이 극 에지 지점으로부터 중심이 얼마나 먼가에 따라 달라질 수 있다. 대응하는 반지름 변화는 다음과 같이 계산된다.
Figure 112007061117816-pct00019
그리고, 각 반복에 대한 결과에 따른 반지름은 다음과 같이 정의된다.
Figure 112007061117816-pct00020
POSE 공간에서의 최대 지점은 구축된 대다수의 원의 교점에 대응할 수 있으며, 이에 따라, 도 11에 도시된 바와 같이, 대응하는 반지름과 타원(44)의 중심(45)에 대응할 수 있다.
캘리브레이션은 가림 효과를 줄이기 위하여 사용될 수 있다. 자동 POSE 세그먼트화 모델은 눈꺼풀(17, 18)에 의해 가려진 영역 부분을 포함하는 모든 홍채 영역을 가상 검출하는데 있어서 성공적인 것으로 판별될 수 있다. 그러나, 분석을 균일하게 하고 데이터베이스 내의 템플레이트에 대한 상당히 정확한 매칭을 할 수 있도록 정확한 정규화를 수행하기 위하여, 홍채(13)의 실제 반지름에 기초하여, 그리고, 완전한 반지름을 나타내지 않은 것으로 검출된 것에는 기초하지 않고 방사축 을 따라 검출된 지점들을 다시 샘플링하는 것이 필요할 수 있다. 따라서, 측정은 공칭 영역(즉, 대칭 에지)에서 검출된 에지 지도 지점들에 대한 최상의 타원 피팅에 기초하여 다시 조정되고 다시 스케일링될 수 있다. 이 접근방법은 다음의 단계들에서 보여진다.
먼저, 다음의 식을 이용하여 공칭 지도 에지로부터 타원 파라미터를 추정할 수 있다.
Figure 112007061117816-pct00021
두번째로, 모든 각도 θ에 대하여, 다음과 같이 캘리브레이션 인자를 계산할 수 있다.
Figure 112007061117816-pct00022
세번째로, 캘리브레이션 인자에 따라 지도를 다시 스케일링할 수 있다.
홍채 방사 경도(radial longitude)의 조정/캘리브레이션을 할 수 있다. 도 12 및 그 표시가 관찰될 수 있다.
Figure 112007061117816-pct00023
이 기술은 원격 홍채에 아주 적합하다. 이러한 동작은 획득 장치로부터 다양한 범위로 캡쳐된 대상을 포함할 수 있으며, 또는 이미지 형성 설비와 직접적으로 정렬된 눈을 가지지 않을 수 있다. 보통 이러한 애플리케이션에서, 신뢰성 있는 홍채 인식 동작을 가능하게 하도록 관련 기술 대부분에 의해 필요한 통제 수준을 포함하는 것이 어려울 수 있다. 여기서, 홍채 고리의 일부가 보이는 한, 이 개념은 획득된 홍채 이미지에서의 비대칭성을 다룰 수 있으며, 많은 통제되지 않은 동작 하에서 효과가 있을 수 있다. 이 시스템의 목적은 다양한 환경보다는 더욱 자유로운 홍채 캡쳐에 적용될 때 홍채를 인식할 수 있는 성능을 가지도록 하는 것이다. 이 분석은 불규칙 및 비타원 경계를 포함하는 많은 종류의 경계를 검출할 수 있으며, 다른 말로 하면, 이는 기하학적, 생체학적으로 왜곡된 이미지를 검출할 수 있다. 이 접근방법은 상당하게 회전한 머리 레벨의 홍채의 먼쪽에서 대부분의 임의의 조준선 경계를 다룰 수 있다. 동공(11) 영역은 홍채(13) 영역과 동일한 중심을 가질 필요가 없으며, 약간 벗어날 수 있다.
신뢰성 있는 홍채 인식 기술은 현실적인 것일 수 있다. 그러나, 홍채 특징 점을 계산하는 것은 홍채 경계 추출에 초점을 둔 양질의 세그먼트화 처리를 필요로 한다.
관련 기술에서, 신뢰성 있는 인식 동작을 가능하게 하도록 그 기술에서 필요한 통제 수준을 포함하는 것이 일반적으로 곤란할 수 있다. 통제되지 않은 동작에 대한 이러한 애플리케이션을 다루는 경우의 주요 과제는 눈 감음, 가림, 및 눈(10)이 이미지 형성 설비와 정렬되지 않도록 하는 대상에 의한 아티팩트를 포함할 수 있다.
이 시스템은 가림 및 불규칙성이 예상되는 더욱 다양한 환경에서 매우 자유로운 홍채(13) 캡쳐의 애플리케이션에 대하여 POSE의 성능을 개선할 수 있다. 여기선, 전처리 접근방법은 이미지 획득에서의 변형을 대처하는 투시 방향에 바탕을 둘 수 있다. 카메라 투시로부터 실제 얼굴의 기하학적 뷰에 대한 추정을 제공하기 위하여 원근 투영 모델을 가정할 수 있다.
POSE는 초기 단계에서 분석을 극 도메인으로 지도화할 수 있다. 극 도메인에서 세그먼트화를 수행함으로써, 인코딩 스킴을 위한 특징점 지도를 생성하기 위한 하나의 단일 단계에서 세그먼트화 및 캘리브레이션 뿐만 아니라 노이즈 제거까지 수행하는데 더욱 효율적이고 더 빠른 처리를 가져다준다.
최소 제곱법이 홍채 피팅 단계를 위하여 사용될 수 있다. 일반적인 2차 곡선 방정식인
ax2 + 2bxy + cy2 + 2dx +2fy + g = 0
은 타원이며,
Figure 112007061117816-pct00024
,
Figure 112007061117816-pct00025
, 및
l = a + c
을 정의한다.
단순화를 위하여, 상수들을 0이 아닌 g로 나누어 상기 식을 스케일링할 수 있다. 따라서,
Figure 112007061117816-pct00026
이며, g = 1이라 하면,
측정값 k는 다음과 같은 식으로 나타낼 수 있다.
Figure 112007061117816-pct00027
∀k = 1 → N 측정에서, 각 측정값 (xk, yk)에 대하여,
Figure 112007061117816-pct00028
을 정의할 수 있다.
Figure 112007061117816-pct00029
, N x 5 dim 이라 하자.
N x 1 dim을 가지며,
Figure 112007061117816-pct00030
일 때,
Figure 112007061117816-pct00031
을 이용하여 타원(44)을 풀이할 수 있다.
Δ≠ 0, J > 0, 및 Δ/I < 0이라 가정한다. 이 경우에, 타원(44)에 대한 중심은 (x0, y0)이며, 여기서,
x0 = (cd - bf) / (b2 - ac)
y0 = (af - bd) / (b2 - ac)이며,
회전각도는
Ø = ½cot-1((c - a)/2b) 이고,
그리고, 반축 길이는
a' = {[2(af2 + cd2 + gb2 - 2bdf - acg)]/(b2 - ac)[(c - a)(1 + (4b2/(a - c)2)1/2 - (c + a)]}1/2 및
b' = {[2(af2 + cd2 + gb2 - 2bdf - acg)]/(b2 - ac)[(a - c)(1 + (4b2/(a - c)2)1/2 - (c + a)]}1/ 2 이다.
다음은 적용가능하며 도 13과 관련하여 타원으로부터 원을 생성하기 위하여 a/b의 비로 스케일링 될 수 있는 대략적인 프로그램에 대한 프로그램이다.
function ellipse = find_me_ellipse(edges, rmin, rmax, num)
%***************************************************************************
%ellipse = find_me_ellipse (edges, rmin, rmax) -- 중심에서 중첩하는 원들을 검출하기 위하여 휴 변환의 간단한 형태를 사용하여 이미지에서의 타원의 좌표를 돌려준다.
% 원형 피팅에 대한 종래의 기술이 여기서 예시된 바와 같이 타원의 중심과 궁극적으로 타원의 파라미터를 찾기 위하여 적용될 수 있게 하기 위하여 이미지가 타원 형상을 원 형상으로 전송되도록 다시 스케일링할 수 있다. %
%INPUTS :
% edges - 타원을 찾기 위한 이미지
% rmin - 검색하기 위한 하부 반지름
% rmax - 검색하기 위한 상부 반지름
% num - 타원 형상을 검색하기 위한 지점의 수
%OUTPUTS :
% ellipse .x, .y. r - 타원 좌표
****************************************************************************
[rows , cols] = size (edges) ;
if ~exist ( 'rmin' ) , rmin = 5 ; end;
if -exist ( 'rmax' ) , rmax = round ( (min (cols , rows) ) /2) ; end;
amax = rmax (1) ;
ellipse.x = 1 ;
ellipse.y = 1 ;
ellipse.a = 0 ;
ellipse.b = 0 ;
ratioMax = amax/bmax;
ratioMin = amin/bmin;
ratio = ratioMin : (ratioMax-ratioMin) / (num-1) :ratioMax;
nradii = (bmax-bmin+1) ;
% 원형의 휴 변환 수행
hough = hough_circle (edges, btnin, bmax, ratio);
maxtotal = 0 ;
% 휴 공간에서 최대값
% 및 이에 따른 원의 파라미터 찾기
for k=l :num,
scale = hough ( : , : , n, k) ;
for n+l :nradii
layer = hough ( : , : ,n, k) ;
maxlayer = max2 (layer) ;
if maxlayer > maxtotal
maxtotal = maxlayer
radius = bmin+n-1;
[row, col] = find (layer == maxlayer) ;
ellipse.y = row (l) ;
ellipse.x = round (col (1) *scale) ;
ellipse.b = radius ;
ellipse.a = round (radius*scale) ;
end % if;
end; % for n
end; % for scale.
%==========================================================================
function hough = hough_circle (edges , rmin, rmax, ratio)
%==========================================================================
% h = hough_circle (edge__img, rmin, rmax)
% - 에지 지도 이미지를 취하고 휴 변환을 수행
%
% INPUTS :
% edges : 에지 지도 이미지
% rmin, rmax 이 최대최소 범위로 검색 제한
%
% OUTPUTS :
% hough: 휴 변환
****************************************************************************
[rows, cols] = size(edges) ;
[rowList , colsList] = find (edges ~=0) ;
len = length (rowsList) ;
nradii = (rmax-rmin+1) ;
num = length (ratio) ;
hough = zeros (rows, cols ,bradii , num) ;
% for each scale,
for k = l :num
scale = ratio (k) ;
XList = round (colsList/scale) ;
%각 에지 지점에서 상이한 반지름의 원을 그림
for index=l : len,
circle .y = rowsList (index) ; % 원 좌표 정의
circle .x = XList (index) ;
for n=l :nradii
circle . r = n+rmin-1;
hough ( : , : , n, scale) = add_circle (hough( : , : , n, scale) , circle) ;
end % for n
end % for index
end; %scale
%
텍스처 세그먼트화는 혼합 모델링(mixture modeling, MM) 기술을 이용하여 달성될 수 있다. 세그먼트화는 화소 레벨에서 정상적인 표현에 대한 혼합에 바탕을 둔 관련 기술에서 유래하였을 수 있다. 이 방법은 장면 이해에 대한 더 나은 적응성을 특징지을 수 있으며, 쌍봉(bimodal)의 배경(즉, 동적 장면에서 관심이 없는 움직이는 객체를 제외하는 수단)도 다룰 수 있다. 알려진 접근방법에 의해 필요한 계산적인 부담을 해결하기 위한 시도로, 적응적 혼합 모델링 접근방법은 화소 수준의 분석 대신에 블록 레벨로 구현될 수 있으며, 단순화된 발산 측정이 입력되는 화소/블록의 표준 및 현재 있는 모델 분배 사이에 도입될 수 있다. 2가지 대체물 모두 화상 내용에서의 변화에 대한 훨씬 더 나은 적응성을 특징지으며, 복잡한 장면을 다룰 수 있다.
여기서, 통계적인 MM 성능을 이용하기 위하여 홍채 텍스처에서의 다양성을 다루는 2가지 전술한 대체물의 혼합 모델링 접근방법에 대한 수정물이 도입될 수 있다. 이 접근방법은 화소 수준에서 복수의 정규 표현(multi-normal representation)을 사용할 수 있다. 그러나, 이 접근방법에서, 시간 전체에 대하여 화소/블록을 모델링할 필요는 없다; 대신에, 홍채 영역의 미리 정의된 관심영역 부분에 대하여 실행된 초기화를 이용하여 공간적으로 화소 블록을 모델링할 수 있다.
근사화 또는 예측 최대화(expectation-maximization, EM) 알고리즘을 포함하는 관련 기술의 접근방법 대신에 공간 분포 초기화를 위하여 이러한 히스토그램 기반의 접근방법을 사용할 수 있다. EM 및 근사화 모두에 비하여, 이 히스토그램 알고리즘은 분포 분류의 빠른 수렴 및 안정적인 성능을 용이하게 하는 더욱 신뢰성 있는 초기 통계 지원을 제공할 수 있다.
또한, 스펙트럼 정보 발산(spectral information divergence, SID) 측정 및 관계 엔트로피(relative entropy, RE) 측정에 대한 수정물로서, 명백하게 신뢰성 있는 발산 측정을 도입할 수 있다. 이 발산 측정은 스캐닝된 화소의 기준과 현재 모델 기준 사이의 표준을 매칭시키는데 사용된 SID 측정의 단순화된 형태일 수 있다. 이 측정은 고정값(2개의 표준 편차)보다 훨씬 더 우수한 측정일 수 있으며, 미리 정의된 STD보다 더욱 더 신뢰성이 있을 수 있다. 이 측정은 아래에서 설명되는 바와 같이, 홍채 서명 사이의 유사점을 측정하는 것뿐만 아니라 홍채 텍스처의 세그먼트화를 위하여 이중으로 사용될 수 있다.
홍채 텍스처 분석에 있어서, 모든 스캐닝된 화소에 대하여, 새로운 발산 정보 측정을 이용하여 매칭 및 비매칭이 있는지를 검사할 수 있다. 매칭이 발견되면, 모델 혼합의 가중치를 갱신하는 동안, 모델 갱신이 선입 선출(FIFO) 방법을 사용하여 수행될 수 있다. 매칭이 발견되지 않으면, 속눈썹(19) 또는 눈꺼풀(17, 18) 영역(비홍채 영역)과 관련된 외부 집합에서의 스캐닝된 분포에 대한 분류를 보 장하는 방법으로 갱신이 수행될 수 있다.
이 혼합 모델링에 기초한 개념은 홍채 텍스처의 혼합 모델의 각 등급에 대한 설명을 갱신하는 동안 각 홍채 이미지에서 속눈썹(19) 및 눈꺼풀(17, 18)을 식별하게 할 수 있다. 그 다음, 매칭된 화소는 일반적으로 연결된 성분 알고리즘을 이용하여 연속 텍스처로 합성될 수 있다.
초기화(51)가 수행될 수 있다. 초기화 단계의 목표는 그 등급의 분포를 나타내는 합당한 값을 갖는 홍채(13) 및 비홍채(50) 영역에 대응하는 화소 클러스터에 대한 초기의 통계 파라미터를 설정하는 것이다. 이 초기값들은 홍채(13) 및 비홍채(50) 영역 전체에 대한 화소 값에서의 동적 변화를 위한 출발점으로 사용될 수 있다. 충분한 수의 화소를 갖는 대칭성에 기반을 둔 분류자(classifier)에 따라 홍채(13)의 미리 정의된 영역(52)을 추출할 수 있으며, 그 다음 이미지의 나머지를 확장하기 전이 이들을 처리할 수 있다. 선택된 서브 영역(X)의 각 화소(54)는 다음의 3개의 공간 가변 정규 분포의 혼합으로 고려될 수 있다:
Figure 112007061117816-pct00032
여기서,
Figure 112007061117816-pct00033
이며,
Figure 112007061117816-pct00034
는 홍채 영역 투시 내의 x 변동의 혼합된 비율 가중치이다. N(μ i ,∑ i )는 평균값 μ 및, 공분산 매트릭스 ∑를 갖는 정규 분포이다. 단순화를 위하여, 이 분석에서 이웃하는 화소는 서로와 그리고 동일한 표준 분산과 상호연관되지 않으며, 이에 따라, 공분산 매트릭스는 항등 매트릭스, 즉, N(μ i ,σ i )의 스칼라 곱으로 단순화될 수 있다.
도 14에서의 초기화(51)는 각각 61, 62 및 63으로 표시된 홍채 분포인
Figure 112007061117816-pct00035
,
Figure 112007061117816-pct00036
및
Figure 112007061117816-pct00037
를 나타낼 수 있다. 스캐닝된 화소(54)로부터 입력 근거(67)는 분포(61, 62, 63)에 대하여 각각 ω 1 (I), ω 2 (I) 및 ω 3 (I)를 제공할 수 있다. 각각 64, 65 및 66으로 표시된 비홍채 분포인
Figure 112007061117816-pct00038
,
Figure 112007061117816-pct00039
및
Figure 112007061117816-pct00040
가 있을 수 있다. 스캐닝된 화소(54)로부터 입력 근거(68)는 분포(64, 65, 676)에 대하여 각각 ν 1 (I), ν 2 (I) 및 ν 3 (I)를 제공할 수 있다.
관련된 혼합 모델링 방법은 난수, 근사화 알고리즘, 또는 EM 알고리즘 중 하나를 이용하여 화소값을 초기화할 수 있다. 많은 수의 화소가 초기화 단계가 통제하에 있게 하도록 고려되지 않는다면, 모두가 매우 편향된 결과를 가져올 수 있는 느린 학습(근사화) 및 불완전한 예측(EM 알고리즘 - 매우 계산을 많이 하는 기술)을 야기하는 것으로 보이는 바와 같이, 관련 기술의 초기화 방법은 시변 분포에 적용될 수 있지만 모든 시나리오에서 실용적인 것으로 보이지 않는다. 관련 기술에 비하여, 그리고 계산적인 부담을 피하기 위하여, 히스토그램에 따라 누적된 화소를 클러스터링하는 매우 간단하지만 여전히 강력한 방법을 사용할 수 있으며, 히스토그램 콘트라스트에서의 변화에 따라 분포를 근사화할 수 있다. 각 등급 내에서 3개의 클러스터 사이의 가장 큰 비유사성으로 집중하는 3개의 등급으로 수집된 화소를 클러스터링함으로써 3개의 분포에 대한 추정을 얻을 수 있다. 가중치는 전체 누적된 화소에 대하여 각 개별 등급에 대한 화소의 일부에 기초하여 선형적으로 스케일링될 수 있다. 결과는 초기 가중치를 이용한 홍채 화소 당 3개의 정규 분포에 대한 혼합 모델일 수 있다. 3개의 정규 분포는 각 홍채 화소에 대한 3개의 잠재적인 상이한 상태를 나타낼 수 있다. 홍채 내의 텍스처가 콘트라스트에 대한 적어도 3개의 레벨 또는 등급으로 분류될 수 있을 뿐만 아니라, 홍채 영역의 일부를 덮고 있는 속눈썹 때문에 도시된 그레이스케일 홍채 화소를 분류하는데 적어도 3개의 등급이 예상되는 것을 직관적으로 주장할 수 있다. 실험에 있어서, 이 히스토그램 기반의 클러스터링 기술은 홍채 세그먼트화의 이어지는 주요 단계에 대한 빠른 학습과 예외적인 안정성을 공급하는 우수한 초기화 방법을 증명하는 것으로 보인다. 초기화(51)가 미리 잘 정의되지 않은 홍채 초기 영역에서 발생할 때 이것은 특히 옳은 것으로 보인다.
초기화(51) 및 이어지는 과정 동안, 정규 분포의 미리 정의된 개수(예를 들어, 3개가 실험 전체를 통하여 사용될 수 있다)의 혼합으로서 화소의 각 홍채 화소 성분을 나타내도록 선택될 수 있다. 이 광학 및 획득 시스템을 사용하는 결과 화소의 콘트라스트에 대한 클러스터링을 이용한 실험 후에, 이 선택(즉, Κ = 3)에 도달할 수 있다. 그러나, 다른 시스템 배치는 홍채 텍스처 콘트라스트 변동 내에서 동적 변화를 만족시킬 수 있도록 더 많은 수의 등급을 필요로 할 수 있다. 다양한 실험으로부터, 홍채 당 3개의 기준은 자연스러운 텍스처 변동을 캡쳐하기에 충분히 풍부한 표현 스킴이 될 수 있다. 더 많은 기준을 더하는 것은 세그먼트화의 품질을 개선하지 않으면서 단순히 계산 부하를 증가시키는 것으로 보인다.
홍채 세그먼트화에 기초한 혼합 모델을 가질 수 있다. 초기 혼합 모델은 전체 이미지를 스캐닝하고 난 다음 동적으로 갱신될 수 있다. 갱신 메카니즘은 새로운 근거(새롭게 스캐닝된 화소)에 기초할 수 있다. 현재의 홍채 분포 중 어느 것도누락되거나 대체되지 않는다. 그러나, 분포 파라미터는 동적으로 갱신될 때 변경될 수 있다. 비홍채 분포(64, 65, 66)에 대하여, 현재의 분포 중 하나는 매칭이 없을 경우 누락되거나 새로운 분포로 대체될 수 있다. 이미지를 통해 스캐닝할 때, 공간에서의 모든 지점에서 가장 강력한 근거를 갖는 분포는 화소의 가장 가능성 있는 홍채 상태를 나타내는 것으로 고려될 수 있다.
도 14는 기준 모델의 혼합에 대한 시각화를 제공할 수 있다. 또한, 도면은 홍채 세그먼트화에 적용되는 바와 같은 혼합 모델링 접근방법을 나타낼 수 있다. 이 절차는 임계점 또는 학습 파라미터를 갖지 않는 혼합 모델에 대한 혼합 비율 가중치를 갱신하는데 사용될 수 있다. 매칭이 발견되면, 모델 갱신이 수행될 수 있으며, 가중치는 적응성 가중치 부여를 이용하여 갱신될 수 있다. 매칭이 발견되지 않는다면, 갱신은 비홍채 분포 집합에서 입력 분포 포함을 보장하는 방법으로 수행될 수 있다. 발생의 최소 수에 이르면, 최소 가중치가 부여된 비홍채 분포는 새로운 가장 빈번한 분포로 대체될 수 있다.
이 알고리즘은 다음과 같이 작용할 수 있다. 첫번째로, 홍채의 미리 정의된 영역에 대한 현재의 분포는 초기화될 수 있으며, 가중치는 모집합(population set)의 일부에 기초하여 결정될 수 있다. 두번째로, 이 알고리즘은 속눈썹(19), 눈꺼 풀(17, 18), 가장자리(limbic), 및 기타 가능한 항목을 설명하는 제1 Κ0 분포를 선택할 수 있다. 일반적으로, 3개의 가능한 비홍채 영역(즉, 속눈썹(19), 눈꺼풀(17, 18), 가장자리 및 기타 등등)과 관련된 Κ0 = 3을 설정할 수 있다. 그 다음, 세번째로, 이 알고리즘은 현재의 정규 분포 중에 어느 것에 속하는 것으로 생각되는 임의의 스캐닝된 화소값을 검사한다. 사용할 수 있는 매칭 기준은 다른 유사한 방법으로부터의 이 접근방법에 주로 기여할 수 있는 정보 발산 측정이다. 발산 측정은 본 명세서에서 설명될 수 있다.
네번째로, 알고리즘은 분포 혼합과 그 파라미터를 갱신할 수 있다. 갱신의 본질은 매칭 동작의 결과에 따를 수 있다. 매칭이 홍채 또는 비홍채 분포에서 발견되면, 매칭된 분포는 이 방법을 이용하여 갱신될 수 있다. 매칭이 발견되지 않고 최소 수에 도달하면, 가장 약한 비홍채 분포는 새로운 분포로 대체될 수 있다. 필요한 최소 수에 도달하지 않는다면, 카운터는 어떠한 분포도 교체하지 않고 증가될 수 있다. 이 경우에 수행된 갱신은 비홍채 집합에서 새로운 분포를 포함하는 것을 보장하면서 홍채 분포 혼합의 본질을 보존할 수 있으며, 이는 이 방법의 한 양태일 수 있다. 매칭 및 모델 갱신 동작이 포함될 수 있으며, 아래에서 상세히 설명된다. 정보 발산 측정이 있을 수 있다. 두 가지 분포인
Figure 112007061117816-pct00041
및
Figure 112007061117816-pct00042
사이의 SID 정보 측정은 다음과 같이 정의될 수 있다.
Figure 112007061117816-pct00043
SID 측정은 관계 엔트로피 측정에 대한 대칭 측정일 수 있다. SID 측정은 스펙트럼 각도 지도제작기(spectral angle mapper, SAM)와 결합될 수 있다. 이 알고리즘의 목적을 위하여, 이것이 켤레를 갖기(즉, 편각 주위로 대칭적이기) 때문에 다른 측정에 대하여 SID 측정을 사용하는 것이 필요할 수 있다. 일반적으로 대부분의 발산 측정에서의 논리적 선택인 관계 엔트로피는 이 특성을 만족하는 것으로 보이지 않으며, 따라서, 이 접근방법에서 사용되는 것이 반드시 필요하지 않다. 중요하지 않은 조작에 있어서
Figure 112007061117816-pct00044
를 보일 수 있다.
관련 기술에서, 새롭게 스캐닝된 화소 데이터 지점은 애플리케이션 및 동작 조건에 관계없이 미리 정의된 고정된 분포를 이용하여 모델링될 수 있다. 이 분포는 상수들이 일부 실험 관찰에 바탕을 둔 가정된 상수를 가지는 것으로 가정될 수 있다. 변동은 동작 환경과 함께 변할 때 미리 정의될 수 없다고 주장할 수 있다; 대신에, 현재의 동작에 의존하는 입력 분포에 대한 더 나은 예측을 제공할 수 있다. J( f 1 , g) 발산 측정을 단순히 하고, SID 측정보다 유사한 결과를 제공하는 더욱 컴팩트한 것으로서 H( f 1 , g) 발산 측정을 도입하기 위하여 이 근사화를 공식화할 수 있다. 이 추정은 모델링된 입력 분포가 다음과 같이 모델링된다는 사실에 바탕을 둘 수 있다.
Figure 112007061117816-pct00045
여기에서, x i 는 스캐닝된 데이터 지점이다. 변동 선택은 스칼라로서 표현될 수 있다. 이 방정식을 측정 방정식에 대입하면 다음과 같다:
Figure 112007061117816-pct00046
상기 가정에 근거하여, SID 측정을 더 컴팩트한 정보 발산 측정으로 추론할 수 있다. 예를 들어, α i = 1로 가정할 수 있다; 따라서, 상기 측정의 첫번째 항은 0이 되며, 평가될 때 모든 분포 사이에서의 이 비교에 영향을 주지 않는 바와 같이 두번째 항의 인수를 스칼라 2로 만든다. 이것은 다음과 같이 주어지는 단순한 정보 측정(information measure, IM)을 가져온다:
Figure 112007061117816-pct00047
모든 발산 측정은 다음의 분포를 찾을 수 있도록 계산되었다:
Figure 112007061117816-pct00048
그리고, κ가 미리 정의된 컷오프 값일 때, H( f 1 , g)≤κ 이면, 그리고 그 경우에만 f 0 과 g 사이의 매칭을 가질 수 있다. 이것은 홍채 영역 매칭에 대해서만 적용할 수 있다. 매칭이 비홍채 영역에 있을 때에는 임계값은 사용되지 않는다.
매칭이 있을 때 분포 갱신이 있을 수 있다. 현재의 분포 중 하나에 대하여 입력 분포가 매칭되면, 새로운 정규 분포로 그것들을 함께 연합할 수 있다. 이 새로운 정규 분포는 매칭된 분포 및 이와 관련된 카테고리에 따라 홍채 영역 또는 비홍채 영역의 현재 상태를 나타내는 것으로 고려될 수 있다. 다음에서, 매칭 f 0 가 있을 때 가중치 및 분포 파라미터를 갱신하기 위한 유효한 접근방법이 설명된다. 가중치는 다음과 같이 갱신될 수 있다:
Figure 112007061117816-pct00049
새로운 가중치들의 합이 여전히 1이 되는 것을 확인할 수 있다.
Figure 112007061117816-pct00050
분포 파라미터를 갱신하기 위하여, 다음과 같이 표시된 학습 파라미터 ε을 도입할 수 있다.
Figure 112007061117816-pct00051
K opt 가 2개의 변수 사이의 관계를 공식화하기 않고 학습 파라미터의 선택을 반비례하여 구동할 수 있다는 것이 직관적으로 나타내었지만, 여기서 학습 파라미터의 실제 구동기(driver)는 결과에 따른 발산 측정이며 입력 분포는 매칭된 등급에 얼마나 유사한 지에 대하여 논의할 수 있다. 상수 K op 는 전체 측정을 편향하지 않도록 가변되어서는 안된다. 여기서, 2개의 양 사이의 관계를 도입할 수 있으며, 학습 파라미터를 설정하는 방법에 대한 가이드라인을 세울 수 있다. 또한, 이것은 많은 다른 접근방법보다 훨씬 더 효율적으로 작용하는 우리의 전체 알고리즘에 대한 주요한 기여일 수 있다. 이 방법을 사용하여,
Figure 112007061117816-pct00052
Figure 112007061117816-pct00053
이 때, 매칭되지 않은 분포는 이전에 설정된 것과 동일한 파라미터를 유지한다.
매칭이 없을 때 분포 갱신이 있을 수 있다. 매칭이 발견되지 않는 경우에, 즉, 모든 발산 측정이 K opt 값에 비하여 상당히 더 큰 것으로 밝혀진 경우에, 갱신은 일어나지 않으며, 스캐닝된 화소는 홍채 영역이 아니라 화소의 다른 클러스터를 표시하는 것으로 고려될 수 있다.
실험과 그 결과에 비하여, 다음이 주목될 수 있다. 도 15a, 15b 및 15c는 혼합 모델링 기반의 분석을 도시한다. 도 15a는 동공(11)에 관한 결과에 따른 고무 시트(rubber sheet) 지도로 간주될 수 있다. 도 15b는 혼합 모델링 기반의 세그먼트화를 도시한다. 예시의 목적으로, 홍채(13)는 적색으로, 눈꺼풀(17, 18)은 녹색으로, 그리고 속눈썹(19)은 청색으로 표시될 수 있다. 따라서, 홍채(13)를 덮고 있는 속눈썹(19)은 적색과 청색의 혼합으로 보라색으로 표시될 수 있다. 도 15b는 속눈썹(19) 및 눈꺼풀(17, 18)에 대한 홍채(13)의 세그먼트화를 나타내는 것을 간주될 수 있다. 도 15c는 속눈썹(19) 및 눈꺼풀(17, 18)을 나타내는 추론된 (이진) 마스크(71)를 도시한다. 도 16a, 16b 및 16c는 혼합 모델링 기반의 분석을 도시한다. 도 16a는 홍채(13)가 정규화된 고무 시트 지도를 도시한다. 도 16b는 속눈썹(19) 및 눈꺼풀(17, 18)에 대한 홍채(13)의 세그먼트화를 도시한다. 도 16c는 속눈썹(19) 및 눈꺼풀(17, 18)을 나타내는 이진 마스크(72)를 도시한다.
요약하면, 눈의 이미지 획득, 동공의 중심 예측, 동공의 경계 식별, 동공의 중심 조정, 및 동공의 경계로부터 홍채의 적어도 외부 경계로의 홍채 세그먼트화가 있을 수 있다. 또한, 홍채의 형상을 더 예측할 수 있다. 소정의 예에서, 얼굴 방향의 각도에 대한 가용성에 따른 눈 이미지 투시 방향 조정이 있을 수 있다. "영역(region)" 및 "영역(area)"은 서로 교환되어 사용될 수 있다. 이 용어들은 "세그먼트(segment)"와 바꾸어서 사용될 수 있다.
동공의 경계는 홍채의 내부 경계일 수 있다. 홍채의 내부 경계 및 외부 경계의 불규칙한 실제 형상을 추출하는 동안, 홍채의 형상은 규칙적인 형상으로 추정 될 수 있다. 동공의 경계와 홍채의 외부 경계를 서로 둘러싸면서 서로 대향하는 투시곡선으로부터의 2개의 대칭 세그먼트가 있을 수 있다. 동공의 경계와 홍채의 외부 경계에 대한 뱀 묘사를 이용하여 동공 경계 식별이 있을 수 있다. 상기 뱀 묘사는 1차원 세그먼트화로 수행될 수 있다. 1차원 세그먼트화는 대략 동공의 중심에서 시작되는 극 도메인에서 수행될 수 있다. 동공의 경계와 홍채의 외부 경계는 불규칙한 형상일 수 있다. 불규칙한 형상은 극 지도에서 정규화될 수 있다.
홍채의 형상은 정규화될 수 있는 영향을 받은 영역과 영향을 받지 않은 영역으로 분류될 수 있다. 영향을 받은 영역의 정규화를 위한 스케일링은 영향을 받은 영역의 비본질적인 객체에 의한 가림에 따라 가변될 수 있다. 영향을 받지 않은 영역의 대칭 세그먼트를 식별할 수 있다. 영향을 받은 영역은 가려진 영향을 받은 영역과 가려지지 않은 영향을 받은 영역을 가질 수 있다. 영향을 받은 영역을 가려진 영향을 받은 영역과 가려지지 않은 영향을 받은 영역으로 나누기 위한 클러스터링이 있을 수 있다. 상기 클러스터링은 혼합 모델링을 이용한 텍스처 클러스터링일 수 있다. 가려진 영향을 받은 영역은 마스킹될 수 있다.
가려지지 않은 영향을 받은 영역은 피팅 메카니즘의 일부가 될 수 있다. 불규칙한 실제 형상은 영향을 받지 않은 영역과 가려지지 않은 영향을 받은 영역으로부터 규칙적인 형상으로 추정될 수 있다. 불규칙한 실제 형상은 영향을 받지 않은 영역과 가려지지 않은 영향을 받은 영역으로부터 타원 이차 곡선에 적용된 최소 제곱 피팅 접근방법을 이용하여 규칙적인 형상으로 추정될 수 있다. 상기 최소 제곱 피팅 접근방법은 타원으로부터 원으로의 규칙적인 형상을 스케일링하는 것과, 적어 도 하나의 파라미터를 결정하기 위하여 변환을 수행하는 것, 및 원을 타원으로 다시 스케일링하는 것을 포함한다.
불규칙한 실제 형상은 영향을 받지 않은 영역과 가려지지 않은 영향을 받은 영역으로부터 가변 원들의 중첩을 이용한 타원 피팅을 이용하여 규칙적인 형상으로 예측될 수 있다.
불규칙한 실제 형상은 영향을 받지 않은 영역과 가려지지 않은 영향을 받은 영역으로부터 타원 피팅 접근방법을 원 피팅 접근방법으로 전환하기 위한 스케일링 메카니즘을 이용하여 규칙적인 형상으로 예측될 수 있다.
영향을 받지 않은 영역과 영향을 받은 영역에 대하여 가중치가 할당될 수 있다. 해밍 거리법은 사용될 수 있는 여러 가지 접근방법 중 하나일 수 있다. 영향을 받은 영역과 영향을 받지 않은 영역은 각각 대칭 이진수 및 비대칭 이진수로 인코딩될 수 있다. 상기 대칭 이진수 및 비대칭 이진수와 다른 홍채의 대칭 이진수 및 비대칭 이진수와의 매칭이 있을 수 있다. 대칭 이진수의 매칭에 따른 가중치는 비대칭 이진수의 매칭에 따른 가중치보다 상당히 더 클 수 있다. 비대칭 이진수에 대한 대칭 이진수의 매칭, 또는 그 반대에 따른 가중치는 대칭 이진수에 대한 대칭 이진수의 매칭 또는 그 반대에 따른 가중치보다 더 적을 수 있으며, 비대칭 이진수에 대한 비대칭 이진수의 매칭에 따른 가중치보다 더 클 수 있다.
도 17은 본 발명에 대한 소정의 예시적인 경우와 관련되어 사용할 수 있는 예시적인 컴퓨터 시스템을 도시한다. 컴퓨터 시스템(100)은 프로세서(들)(102)를 가질 수 있다. 또한, 컴퓨터 시스템(100)은 메모리부(130), 프로세서 버스(122), 및 입력/출력 콘트롤러 허브(ICH, 124)를 포함한다. 프로세서(들)(102), 메모리부(130) 및 ICH(124)는 프로세서 버스(122)에 연결될 수 있다. 프로세서(들)(102)는 적합한 프로세서 구조를 가질 수 있다. 컴퓨터 시스템(100)은 1, 2, 3, 또는 그 이상의 프로세서를 가질 수 있으며, 그 중 하나는 본 발명의 예시적인 예들에 따른 명령어 세트를 실행할 수 있다.
메모리부(130)는 I/O 스케쥴 정책 관리자(132), I/O 스케쥴러(134)를 포함하는 운영 시스템(140)을 구비한다. 메모리부(130)는 데이터 및 /또는 명령어들을 저장할 수 있으며, 예를 들어, 동적 랜덤 액세스 메모리(dynamic random access memory, DRAM)와 같은 적합한 메모리를 포함할 수 있다. 또한, 컴퓨터 시스템(100)은 IDE 드라이브(들)(108) 및/또는 기타 적합한 저장장치를 포함할 수 있다. 본 발명의 예시적인 예에 따라, 그래픽 콘트롤러(104)는 표시장치(106) 상에 정보 표시를 제어할 수 있다.
입력/출력 콘트롤러 허브(ICH, 124)는 컴퓨터 시스템(100)의 I/O 장치 및 주변장치에 인터페이스를 제공할 수 있다. ICH(124)는 프로세서(들)(102), 메모리부(130) 및/또는 ICH(124)와 통신하는 임의의 적합한 장치 또는 부품에 적합한 통신 링크를 제공하기 위한 적합한 인터페이스 콘트롤러를 포함한다. 본 발명의 일례로, ICH(124)는 각 인터페이스에 대하여 적합한 중재 및 버퍼링을 제공할 수 있다.
본 발명의 일례에 있어서, ICH(124)는 하드 디스크 드라이브(HDD) 또는 컴팩트 디스크 리드-온리 메모리(CD ROM)과 같은 하나 이상의 적합한 통합 드라이브 전 자장치(integrated drive electronics, IDE) 또는 하나 이상의 USB 포트(110)를 통한 적합한 유니버셜 시리얼 버스(universal serial bus, USB) 장치에 대하여 인터페이스를 제공할 수 있다. 또한, 예를 들어, ICH(124)는 키보드(112), 마우스(114), CD-ROM 드라이브(118), 및 하나 이상의 파이어와이어 포트(116)를 통한 하나 이상의 적합한 장치에 대한 인터페이스를 제공한다. 또한, ICH(124)는 컴퓨터 시스템(100)이 다른 컴퓨터 및/또는 장치와 통신할 수 있는 네트워크 인터페이스(120)를 제공할 수 있다.
일례로, 컴퓨터 시스템(100)은 본 명세서에 설명된 객체 모듈을 동적으로 로딩하기 위한 임의의 하나 또는 모든 방법을 구체화한 명령어 세트(예를 들어, 소프트웨어)를 저장하는 기계 판독 가능한 매체를 포함할 수 있다. 또한, 소프트웨어는 메모리부(130) 및/또는 프로세서(들)(102) 내에 완전히 또는 부분적으로 상주할 수 있다.
본 명세서에서, 일부는 다른 방법 또는 다른 시제로 기술되었지만, 가정에 기초한 또는 예측에 의한 사실일 수 있다.
본 발명이 적어도 하나의 예시적인 예에 대하여 설명되었지만, 많은 변형물 및 수정물이 본 명세서를 판독함으로써 본 발명의 기술분야에서 통상의 지식을 가진 자에게 자명할 것이다. 따라서, 첨부된 청구범위는 이러한 모든 변형물 및 수정물을 포함하도록 종래 기술을 고려하여 가능한 한 넓게 해석되게 의도된다.

Claims (36)

  1. 눈의 이미지를 획득하는 단계;
    동공의 중심을 추정하는 단계;
    상기 동공의 경계를 식별하는 단계;
    상기 동공의 중심을 조정하는 단계;
    홍채의 형상을 규칙적인 형상으로서 추정하는 단계;
    상기 동공의 경계로부터 상기 홍채의 적어도 외부 경계까지 상기 홍채를 세그먼트화하는 단계; 및
    상기 홍채의 내부 경계 및 외부 경계의 불규칙한 실제 형상을 추출하는 단계
    를 포함하고,
    상기 동공의 경계는 상기 홍채의 내부 경계인,
    방법.
  2. 삭제
  3. 제1항에 있어서,
    얼굴 방향 각도의 가용성에 따라 원근 투영을 사용하여 눈의 이미지 방향을 조정하는 단계를 더 포함하는 것을 특징으로 하는 방법.
  4. 삭제
  5. 제1항에 있어서,
    상기 동공의 경계 및 상기 홍채의 외부 경계를 둘러싸는 서로 대향하는 곡선 투시로부터 대칭 세그먼트를 묘사하는 단계를 더 포함하는 것을 특징으로 하는 방법.
  6. 제5항에 있어서,
    상기 동공의 경계를 식별하는 단계는 상기 동공의 경계 및 상기 홍채의 외부 경계를 뱀 묘사하는 것을 특징으로 하는 방법.
  7. 제6항에 있어서,
    상기 뱀 묘사는 1차원 세그먼트화를 이용하여 수행되는 것을 특징으로 하는 방법.
  8. 제7항에 있어서,
    상기 1차원 세그먼트화는 대략 상기 동공의 중심에서 시작하는 극 도메인 내에서 수행되는 것을 특징으로 하는 방법.
  9. 제8항에 있어서,
    상기 동공의 경계 및 상기 홍채의 외부 경계는 규칙적인 형상으로의 추가 근사화 없이 불규칙한 곡선으로서 분석에 활용되며; 그리고,
    상기 불규칙한 형상은 극 지도 내에서 정규화되는 것을 특징으로 하는 방법.
  10. 제9항에 있어서,
    상기 형상은 타원 형상으로 추정되는 것을 특징으로 하는 방법.
  11. 제8항에 있어서,
    상기 형상을 영향을 받지 않은 영역과 영향을 받은 영역으로 분류하는 단계를 더 포함하는 것을 특징으로 하는 방법.
  12. 제11항에 있어서,
    상기 영향을 받지 않은 영역과 상기 영향을 받은 영역을 정규화하는 단계를 더 포함하며,
    상기 영향을 받은 영역의 정규화를 위하여 스케일링은 상기 영향을 받은 영역의 비본질적 객체에 의한 가림에 따라 변하는 것을 특징으로 하는 방법.
  13. 제12항에 있어서,
    상기 영향을 받지 않은 영역의 대칭 세그먼트를 식별하는 단계를 더 포함하는 것을 특징으로 하는 방법.
  14. 제13항에 있어서,
    상기 영향을 받은 세그먼트는 가려진 영향을 받은 영역 및 가려지지 않은 영향을 받은 영역을 포함하는 것을 특징으로 하는 방법.
  15. 제13항에 있어서,
    상기 영향을 받은 영역을 가려진 영향을 받은 영역 및 가려지지 않은 영향을 받은 영역으로 분할하기 위하여 클러스터링하는 단계를 더 포함하는 것을 특징으로 하는 방법.
  16. 제15항에 있어서,
    상기 클러스터링은 혼합 모델링을 이용한 텍스처 클러스터링인 것을 특징으로 하는 방법.
  17. 제15항에 있어서,
    상기 가려진 영향을 받은 영역을 마스킹하는 단계를 더 포함하는 것을 특징으로 하는 방법.
  18. 제14항에 있어서,
    상기 가려지지 않은 영향을 받은 영역은 피팅 메카니즘의 일부이며; 그리고,
    불규칙한 실제 형상은 상기 영향을 받지 않은 영역 및 상기 가려지지 않은 영향을 받은 영역으로부터 타원 또는 규칙적인 형상으로서 추정되는 것을 특징으로 하는 방법.
  19. 제14항에 있어서,
    불규칙한 실제 형상은 타원 이차 곡선에 적용된 최소 제곱 피팅 접근방법을 이용하여 상기 영향을 받지 않은 영역 및 상기 가려지지 않은 영향을 받은 영역으로부터 타원의 규칙적인 형상으로서 추정되는 것을 특징으로 하는 방법.
  20. 제14항에 있어서,
    불규칙한 실제 형상은 중첩하는 가변 원들을 사용한 타원 피팅을 이용하여 상기 영향을 받지 않은 영역 및 상기 가려지지 않은 영향을 받은 영역으로부터 타원의 규칙적인 형상으로서 추정되는 것을 특징으로 하는 방법.
  21. 제14항에 있어서,
    불규칙한 실제 형상은 타원 피팅 접근방법을 원 피팅 접근방법으로 전환하기 위한 스케일링 메카니즘을 이용하여 상기 영향을 받지 않은 영역 및 상기 가려지지 않은 영향을 받은 영역으로부터 타원의 규칙적인 형상으로서 추정되며, 상기 추정된 원을 타원의 규칙적인 형상으로 다시 스케일링하는 것을 특징으로 하는 방법.
  22. 제14항에 있어서,
    상기 영향을 받지 않은 영역 및 상기 영향을 받은 영역에 대하여 가중치를 할당하는 단계를 더 포함하는 것을 특징으로 하는 방법.
  23. 제22항에 있어서,
    상기 영향을 받은 영역과 상기 영향을 받지 않은 영역을 각각 대칭 이진수 및 비대칭 이진수로 인코딩하는 단계를 더 포함하는 것을 특징으로 하는 방법.
  24. 제23항에 있어서,
    상기 대칭 이진수 및 상기 비대칭 이진수를 다른 홍채들의 대칭 이진수 및 비대칭 이진수와 매칭시키는 단계를 포함하는 것을 특징으로 하는 방법.
  25. 제24항에 있어서,
    상기 대칭 이진수의 매칭에 따른 가중치는 상기 비대칭 이진수의 매칭에 따른 가중치보다 상당히 더 큰 것을 특징으로 하는 방법.
  26. 제25항에 있어서,
    상기 비대칭 이진수와의 상기 대칭 이진수의 매칭 또는 그 반대에 따른 가중치는, 상기 대칭 이진수와의 상기 대칭 이진수의 매칭 또는 그 반대에 따른 가중치보다 더 작으며, 상기 비대칭 이진수와의 상기 비대칭 이진수의 매칭에 따른 가중치보다 더 큰 것을 특징으로 하는 방법.
  27. 홍채를 상기 홍채에 대한 지도로 1차원 세그먼트화하는 단계;
    상기 지도를 영향을 받은 영역 및 영향을 받지 않은 영역으로 분류하는 단계;
    정규화를 위하여 상기 영향을 받은 영역 및 상기 영향을 받지 않은 영역을 규칙적인 형상으로 피팅하는 단계
    상기 영향을 받지 않은 영역을 대칭 영역으로 식별하는 단계;
    상기 영향을 받은 영역을 캘리브레이션하는 단계; 및
    상기 영향을 받은 영역을 클러스터링하는 단계
    를 포함하고,
    상기 클러스터링은 혼합 모델링을 이용한 텍스처 클러스터링인,
    홍채 캡쳐 방법.
  28. 삭제
  29. 삭제
  30. 삭제
  31. 삭제
  32. 제27항에 있어서,
    상기 영향을 받지 않은 영역 및 상기 영향을 받은 영역에 가중치를 할당하는 단계를 더 포함하는 것을 특징으로 하는 홍채 캡쳐 방법.
  33. 제32항에 있어서,
    상기 영향을 받은 영역은 하나 이상의 눈꺼풀 및/또는 하나 이상의 속눈썹에 의해 영향을 받은 것을 특징으로 하는 홍채 캡쳐 방법.
  34. 제33항에 있어서,
    상기 홍채 지도 및 등록된 홍채 지도의 상기 영향을 받지 않은 영역 및 상기 영향을 받은 영역에 가중치를 할당하는 단계;
    를 더 포함하며,
    더 높은 가중치가 상기 홍채 지도 및 상기 등록된 홍채 지도의 상기 영향을 받지 않은 영역에 할당되고,
    더 낮은 가중치가 상기 홍채 지도 및 상기 등록된 홍채 지도의 상기 영향을 받은 영역에 할당되고,
    상기 더 높은 가중치와 상기 더 낮은 가중치 사이의 가중치는 상기 홍채 지도 및 상기 등록된 홍채 지도의 상기 영향을 받지 않은 영역 및 상기 영향을 받은 영역에 할당되는 것을 특징으로 하는 홍채 캡쳐 방법.
  35. 눈의 이미지를 획득하는 카메라; 및
    상기 눈의 동공의 중심을 추정하고, 상기 동공의 경계를 식별하고, 상기 동공의 중심을 조정하고, 상기 동공의 경계로부터 상기 눈의 홍채의 적어도 외부 경계까지 상기 홍채를 세그먼트화하고, 상기 홍채의 형상을 추정하는 컴퓨터
    를 포함하고,
    상기 동공의 경계는 상기 홍채의 내부 경계이고;
    상기 홍채의 내부 경계 및 외부 경계의 불규칙한 실제 형상을 추출하는 동안 상기 홍채의 형상은 규칙적인 형상으로서 추정되고;
    상기 컴퓨터는 상기 동공의 경계 및 상기 홍채의 외부 경계를 둘러싸는 서로 대향하는 곡선 투시로부터 대칭 세그먼트를 묘사하고;
    상기 동공의 경계를 식별하는 것은 상기 동공의 경계 및 상기 홍채의 외부 경계의 뱀 묘사이고;
    상기 뱀 묘사는 1차원 세그먼트화를 이용하여 수행되고;
    상기 1차원 세그먼트화는 대략 상기 동공의 중심에서 시작하는 극 도메인 내에서 수행되고;
    상기 동공의 경계 및 상기 홍채의 외부 경계는 규칙적인 형상으로의 추가 근사화 없이 불규칙한 곡선으로서 분석에 활용되고; 그리고,
    상기 불규칙한 형상은 극 지도 내에서 정규화되는,
    홍채 인식 시스템.
  36. 삭제
KR1020077019289A 2005-01-26 2006-01-26 원격 홍채 인식 시스템 KR101224408B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US64727005P 2005-01-26 2005-01-26
US60/647,270 2005-01-26
US11/275,703 2006-01-25
US11/275,703 US7593550B2 (en) 2005-01-26 2006-01-25 Distance iris recognition
PCT/US2006/003104 WO2006081505A1 (en) 2005-01-26 2006-01-26 A distance iris recognition system

Publications (2)

Publication Number Publication Date
KR20070106015A KR20070106015A (ko) 2007-10-31
KR101224408B1 true KR101224408B1 (ko) 2013-01-22

Family

ID=38462124

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020077019289A KR101224408B1 (ko) 2005-01-26 2006-01-26 원격 홍채 인식 시스템

Country Status (3)

Country Link
EP (1) EP1842152B1 (ko)
JP (1) JP4767971B2 (ko)
KR (1) KR101224408B1 (ko)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010033305A (ja) * 2008-07-29 2010-02-12 Hitachi Ltd 画像情報処理方法、及び装置
KR101032726B1 (ko) * 2009-09-01 2011-05-06 엘지이노텍 주식회사 눈 상태 검출방법
KR101101142B1 (ko) * 2009-12-31 2012-01-05 서강대학교산학협력단 비제한적 환경에서의 홍채 인식 시스템 및 방법
EP2929487A4 (en) * 2012-12-10 2016-08-10 Stanford Res Inst Int BIOMETRIC IRIS ADJUSTMENT SYSTEM
JP6295808B2 (ja) * 2014-04-28 2018-03-20 富士通株式会社 目検出装置、目検出方法及び目検出プログラム
EP3198913A4 (en) 2014-09-24 2018-05-23 Princeton Identity, Inc. Control of wireless communication device capability in a mobile device with a biometric key
KR102438110B1 (ko) * 2014-10-15 2022-08-31 삼성전자주식회사 사용자 단말 장치 및 이의 홍채 인식 방법
JP2018506872A (ja) 2014-12-03 2018-03-08 プリンストン・アイデンティティー・インコーポレーテッド モバイルデバイス生体アドオンのためのシステムおよび方法
MX2018003051A (es) * 2015-09-11 2018-06-08 Eyeverify Inc Calidad de imagen y características, mejora de imagen y extracción de características para reconocimiento ocular-vascular y facial, y fusión de información ocular-vascular con facial y/o sub-facial para sistemas biométricos.
KR20180102637A (ko) 2016-01-12 2018-09-17 프린스톤 아이덴티티, 인크. 바이오메트릭 분석의 시스템 및 방법
US10373008B2 (en) 2016-03-31 2019-08-06 Princeton Identity, Inc. Systems and methods of biometric analysis with adaptive trigger
WO2017173228A1 (en) 2016-03-31 2017-10-05 Princeton Identity, Inc. Biometric enrollment systems and methods
CN106022782A (zh) * 2016-07-13 2016-10-12 孙智博 一种虹膜支付系统
KR102349543B1 (ko) 2016-11-22 2022-01-11 삼성전자주식회사 사용자의 눈을 추적하는 방법 및 장치와 역변환된 저조도 영상을 생성하는 방법
WO2018187337A1 (en) 2017-04-04 2018-10-11 Princeton Identity, Inc. Z-dimension user feedback biometric system
JP2020529073A (ja) 2017-07-26 2020-10-01 プリンストン・アイデンティティー・インコーポレーテッド 生体セキュリティシステムおよび方法
JP6904434B2 (ja) 2017-11-29 2021-07-14 日本電気株式会社 情報処理システム、情報処理方法及び記憶媒体
JP7180209B2 (ja) * 2018-08-30 2022-11-30 日本電信電話株式会社 眼情報推定装置、眼情報推定方法、プログラム
WO2023054757A1 (ko) * 2021-09-29 2023-04-06 주식회사 아이디랩 홍채 식별 이미지를 생성하는 방법과 이를 위한 서버 및 홍채 인증 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5751836A (en) * 1994-09-02 1998-05-12 David Sarnoff Research Center Inc. Automated, non-invasive iris recognition system and method
US6247813B1 (en) * 1999-04-09 2001-06-19 Iritech, Inc. Iris identification system and method of identifying a person through iris recognition

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3797686B2 (ja) * 1995-09-07 2006-07-19 株式会社東芝 形状認識装置及びその方法
JP4006192B2 (ja) * 1999-04-09 2007-11-14 アイリテック株式会社 虹彩認識システム及び方法
JP4487405B2 (ja) * 2000-10-16 2010-06-23 沖電気工業株式会社 虹彩円検出装置とこれを用いた虹彩パターン符号化装置
JP2004206444A (ja) * 2002-12-25 2004-07-22 Matsushita Electric Ind Co Ltd 個人認証方法および虹彩認証装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5751836A (en) * 1994-09-02 1998-05-12 David Sarnoff Research Center Inc. Automated, non-invasive iris recognition system and method
US6247813B1 (en) * 1999-04-09 2001-06-19 Iritech, Inc. Iris identification system and method of identifying a person through iris recognition

Also Published As

Publication number Publication date
KR20070106015A (ko) 2007-10-31
JP4767971B2 (ja) 2011-09-07
JP2008538425A (ja) 2008-10-23
EP1842152B1 (en) 2011-01-05
EP1842152A1 (en) 2007-10-10

Similar Documents

Publication Publication Date Title
KR101224408B1 (ko) 원격 홍채 인식 시스템
US8285005B2 (en) Distance iris recognition
US10789465B2 (en) Feature extraction and matching for biometric authentication
WO2020000908A1 (zh) 一种人脸活体检测方法及装置
Arca et al. A face recognition system based on automatically determined facial fiducial points
US7035461B2 (en) Method for detecting objects in digital images
JP5107045B2 (ja) 目に関して取得される画像中の虹彩を表す画素を特定する方法
Proença Quality assessment of degraded iris images acquired in the visible wavelength
Rankin et al. Iris recognition failure over time: The effects of texture
Das et al. A new efficient and adaptive sclera recognition system
WO2017106996A1 (zh) 一种人脸识别的方法以及人脸识别装置
Min et al. Eyelid and eyelash detection method in the normalized iris image using the parabolic Hough model and Otsu’s thresholding method
JP2007188504A (ja) 画像中の画素強度をフィルタリングする方法
Das et al. Multi-angle based lively sclera biometrics at a distance
Das et al. Fuzzy logic based selera recognition
CN113011385A (zh) 人脸静默活体检测方法、装置、计算机设备及存储介质
Campadelli et al. A feature-based face recognition system
Manjaramkar et al. Connected component clustering based hemorrhage detection in color fundus images
Mahoor et al. Multi-modal ear and face modeling and recognition
WO2006081505A1 (en) A distance iris recognition system
Noruzi et al. Robust iris recognition in unconstrained environments
Barzegar et al. A new user dependent iris recognition system based on an area preserving pointwise level set segmentation approach
Honale et al. A review of methods for blood vessel segmentation in retinal images
Blanc-Talon et al. Advanced Concepts for Intelligent Vision Systems: 12th International Conference, ACIVS 2010, Sydney, Australia, December 13-16, 2010, Proceedings, Part I
Subbarayudu et al. A novel iris recognition system

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20151230

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20161229

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20180103

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20190102

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20200102

Year of fee payment: 8