KR102501209B1 - 홍채 인식에 의해 개체를 식별 및/또는 인증하기 위한 방법 - Google Patents

홍채 인식에 의해 개체를 식별 및/또는 인증하기 위한 방법 Download PDF

Info

Publication number
KR102501209B1
KR102501209B1 KR1020160074607A KR20160074607A KR102501209B1 KR 102501209 B1 KR102501209 B1 KR 102501209B1 KR 1020160074607 A KR1020160074607 A KR 1020160074607A KR 20160074607 A KR20160074607 A KR 20160074607A KR 102501209 B1 KR102501209 B1 KR 102501209B1
Authority
KR
South Korea
Prior art keywords
iris
ring
image
mask
acquired image
Prior art date
Application number
KR1020160074607A
Other languages
English (en)
Other versions
KR20160147675A (ko
Inventor
에민 크리첸
피에르 가콘
스테판 겐트릭
Original Assignee
아이데미아 아이덴티티 앤드 시큐리티 프랑스
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 아이데미아 아이덴티티 앤드 시큐리티 프랑스 filed Critical 아이데미아 아이덴티티 앤드 시큐리티 프랑스
Publication of KR20160147675A publication Critical patent/KR20160147675A/ko
Application granted granted Critical
Publication of KR102501209B1 publication Critical patent/KR102501209B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • 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
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/197—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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
    • 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
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/19—Sensors therefor
    • 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
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/193—Preprocessing; Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Ophthalmology & Optometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

본 발명은 개체를 식별 및/또는 인증하기 위한 방법에 관한 것이고, 이러한 방법은 저장 디바이스를 포함하는 시스템에 의해 수행되는 단계들을 포함하고, 여기서 저장 디바이스는 기준 홍채의 적어도 하나의 이진 코드 및 관련된 기준 마스크의 이진 코드를 저장하고, 상기 단계들은,
- 개체의 눈의 영상을 획득하는 단계(101)와;
- 홍채의 텍스처를 포함하는 영역이 격리되도록 그리고 관련된 마스크가 결정되도록 눈의 획득된 영상을 세분화하는 단계(102)와;
- 홍채 텍스처를 포함하는 상기 영역 및 상기 마스크를 N2개의 동심 링들로 분할하는 단계(103)와;
- 홍채의 텍스처를 포함하는 상기 영역 및 상기 마스크를 데카르트 좌표에서 극 좌표로 정규화하는 단계(104)와;
- F개의 가버 필터들을 각각의 링의 P개의 위치들의 각각의 위치에 적용함으로써,
Figure 112016057588600-pat00049
와 동일한 크기의 이진 홍채 코드(IC), 그리고 관련된 마스크의 이진 코드(IM)를 결정하는 단계(105)와;
- 획득된 영상과 기준 영상 간의 정합 거리(HDViterbi)가 최소화되도록 상기 획득된 영상의 홍채의 적어도 하나의 링을 기준 홍채의 링과 정합시키는 단계(106)와, 여기서 상기 정합 거리는, 정합된 획득 영상 홍채의 상기 링들 각각 및 대응하고 있는 기준 홍채의 링 간의 거리들(Dist)의 합을 계산함으로써, 결정 및 저장된 기준 홍채 코드들 및 관련된 마스크 코드들로부터 획득되며;
- 최소화된 정합 거리를 계산하는 단계(107)와;
- 만약 상기 최소화된 정합 거리가 임의의 미리결정된 임계치보다 작다면 개체를 식별 및/또는 인증하는 단계(108)를 포함한다.

Description

홍채 인식에 의해 개체를 식별 및/또는 인증하기 위한 방법{METHOD FOR IDENTIFYING AND/OR AUTHENTICATING AN INDIVIDUAL BY IRIS RECOGNITION}
본 발명은 홍채 인식(iris recognition)에 의한 개선된 생체(biometric) 식별 혹은 인증 방법에 관한 것이다.
개체(individual)의 홍채를 기준 데이터베이스(reference database)에 저장된 홍채 데이터와 비교하기 위해, 이러한 개체의 홍채는 디지털방식으로 특징지어져야만 한다. 이를 위해 일반적으로 사용되는 프로세스는 다우그만(Daugman)에 의한 방법(US 5,291,560)이다. 이러한 프로세스는 도 1에서 예시되는 바와 같이, 분석될 눈(eye)의 영상(image)이 개체의 홍채에 대응하는 영상의 부분을 격리(isolate)시키기 위해 세분화(segment)되도록 하는 것을 제공한다. 이러한 영상 부분이 기준 홍채 데이터(reference iris data)에 비교되도록 하기 위해, 도 2에서 예시되는 바와 같이, 분석될 홍채의 구역은 특정 개수의 각 구역(angular zone)으로 절단될 수 있고, 그 다음에 방사상으로(radially) 특정 개수의 링(ring)들로 절단될 수 있다.
촬영 조건(shooting conditions)에 따른 가변적 팽창(variable dilation)에도 불구하고, 분석될 홍채를 기준 홍채들에 효과적으로 비교하기 위해, 분석될 홍채의 영상은 고정된 크기의 직사각형 영상의 형태로 정규화(normalize)될 수 있으며, 그럼으로써 도 3a 내지 도 3c에서 예시되는 바와 같이, 본래의 영상의 데카르트 좌표(Cartesian coordinates)는 극 좌표(polar coordinates)로 변환되게 된다. 이러한 정규화된 영상을 (홍채 코드(iris code)로 지칭되는) 이진 코드(binary code)로 변환하기 위해, 이러한 영상의 다양한 구역들, 예를 들어, 링(ring)과 각 섹터(angular sector)의 교차부분(intersection)에 대응하는 각각의 구역에 필터링(filtering), 예를 들어, 가버 필터링(Gabor filtering)이 적용될 수 있다. 이러한 구역에 관한 필터링의 결과의 표시(sign)의 함수로서 각각의 구역에는 이진 값(binary value) 0 혹은 1이 부여될 수 있다. 그 다음에, 이러한 이진 코드는 해당 개체의 홍채가 분석되는 그러한 개체를 식별 혹은 인증하기 위해 데이터베이스에 저장된 하나 이상의 이진 기준 코드들에 비트별로 용이하게 비교될 수 있다. 이러한 이진 비교는 정규화된 영상 내의 동일한 위치에 위치하는 홍채의 구역들을 서로 비교하는 것으로 귀결된다. 정규화된 영상의 좌측 가장자리와 우측 가장자리는 실제로는 홍채의 인접하는 구역들에 대응하고, 그리고 정규화 이후 행해지는 분석에서 이러한 것으로서 고려돼야만 함에 유의해야만 한다.
이러한 정규화는 밝기(luminosity)의 함수로서 홍채의 선형 팽창/수축을 완벽하게 보상할 수 있다. 실제에 있어서, 그 관측된 홍채의 팽창은 선형인 것과는 거리가 멀다. 홍채의 링은 동공(pupil)의 팽창의 함수로서 그 정규화된 영상 내의 상이한 위치들에서 발견될 수 있다. 이러한 경우에, 이진 코드들의 비트별 비교는 실제로는 홍채의 동일한 구역들에 대응하지 않는 그러한 정규화된 영상들의 구역들을 서로 비교하는 것으로 귀결될 수 있다. 또한, 동공의 팽창 동안 홍채의 움직임은 삼차원적으로 일어난다. 홍채의 일부 링들은 홍채의 상이한 구역들의 중첩(overlapping)으로 인해 팽창 동안 사라지거나 출현할 수 있다.
와이어트(Wyatt)에 의한 모델(Harry Wyatt, "A minimum wear-and-tear meshwork for the iris", Vision Research 40 (2000) 2167- 2176)과 같이 팽창의 함수로서 홍채의 움직임을 더 미세하게 모델링하기 위한 복잡한 모델들이 제안되어 왔다. 그러나, 이러한 모델은 홍채의 구역들의 출현 혹은 사라짐을 고려하지 않는다. 클라크(Clark)에 의한 모델(A. Clark, S. Kulp , I. Herron and A; Ross, "A theoretical model for describing iris dynamics", Handbook of Iris Recognition, pp. 129-150, 2013)과 같은 그러한 모델은 홍채의 비-선형 변화와 홍채의 일부 구역들의 출현/사라짐을 모두 고려한다. 그러나, 이러한 모델에 의한 홍채의 움직임의 예측은 포아송 파라미터(Poisson parameter)로 지칭되는 파라미터의 함수이고, 그 값은 개체마다 달라진다. 따라서, 이러한 모델을 사용하여 개체의 홍채에 의해 개체를 인식할 수 있기 위해서는 이러한 개체에 대한 포아송 파라미터의 값을 결정하기 위한 특정 학습을 수행할 필요가 있다.
논문("Inmaculada Tomeo-Reyes, Arun Ross, Antwan D. Clark, Vinod Chandran", A Biomechanical Approach to Iris Normalization)에서, 저자들은 클라크에 의한 모델을 기반으로 하여 홍채의 텍스처(texture)의 정규화 방법을 제안한다. 저자들에 의해 지적된 바와 같이, 이러한 방법은 테스트 영상을 정규화하기 위해 기준 영상의 동공의 팽창 비율에 관한 지식을 요구한다. 이러한 접근법이 (기준 영상이 알려져 있는) 검증 상황에 대해서는 수용가능할 수 있어도, (비교될 기준 영상이 알려져 있지 않은) 식별 상황에 대해서는 실행이 불가능하게 된다. 저자들은 또한 모든 사람들에 대해 포아송 파라미터를 0.49에 고정시켰다.
홍채의 팽창의 이러한 복잡한 모델들에 관한 의존성을 제한하기 위해, 동공의 팽창이 정규화 단계 동안 고려되지 않고 이진 코드들의 비교 단계 동안 고려되는 그러한 홍채 인식에 의한 식별 혹은 인증 방법들이 제공되어 왔다. 홍채의 두 개의 영상들의 비교 동안, 이러한 모델들은 일반적으로 홍채 코드들로부터 이러한 두 개의 영상들 간의 홍채의 링들의 가장 확률이 높은 움직임을 결정하려고 하려고 하는바, 이러한 움직임을 고려함으로써 홍채 코드들로부터 영상들 간의 거리를 계산하기 전에 이런 결정을 하려고 한다. 정규화된 영상 내의 홍채의 각각의 구역은 이제 더 이상 기준 영상의 대응하는 구역에 반드시 비교될 필요가 없고, 하지만 최상으로 대응하고 있는 그러한 영상의 구역에 비교될 수 있다. 이러한 더 좋은 비교는 동공의 팽창의 함수로서 홍채의 움직임의 비-선형 성질을 고려한다. 이것은 또한 홍채의 일부 구역들의 출현 혹은 사라짐을 고려할 수 있다. 비교되는 이진 코드들 간의 거리는 감소될 수 있고, 이것은 결과적으로 인식 방법의 효율을 향상시킨다. 예를 들어, 울&와이드(Uhl&Wild)에서 설명되는 방법(Andreas Uhl , Peter Wild, "Enhancing Iris Matching Using Levenshtein Distance with Alignment Constraints", In G. Bebis , R. Boyle, B. Parvin , D. Koracin , R. Chung, R. Hammoud, editors, Advances in Visual Computing: 6th International Symposium, (ISVC 2010) pp. 469-479, LNCS , 6453, Springer Verlag , 2010)은, 분석될 영상과 기준 영상의 이진 코드들을 비트별로 비교하는 것, 그리고 이러한 코드들 간의 불-일치(non-concordance) 동안 이것이 영상들 중 하나에서의 홍채의 구역의 삽입(insertion) 혹은 사라짐(disappearance)의 결과일 확률을 고려하거나 혹은 이러한 두 개의 영상들 간의 비트들의 시프트(shift)에 대응하는 홍채의 구역들 간의 대체(substitution)의 결과일 확률을 고려하는 것을 제안한다. 각각의 동작은 미리결정된 비용(cost)을 갖고 있기 때문에, 이러한 방법은 가장 낮은 비용을 위해서 그 비교되는 홍채 코드들 간의 차이들을 설명하기 위한 대체, 사라짐 및 출현에 대한 동작들의 세트를 결정하는 것을 제안한다. 그러나, 이러한 방법의 결함은 이진 코드들을 비트별로 프로세싱하는 것, 그리고 홍채의 임의의 구역 및 홍채의 동일한 링에 속하는 다른 구역들로부터 움직임의 상관(correlation)을 고려하지 않는 것이다. 이러한 상관은 홍채의 움직임이 등방성 성질(isotropic nature)을 갖기 때문에 중요하다. 이러한 비트별 프로세싱은 상이한 개체들의 홍채의 두 개의 영상들의 비교 동안 허위 긍정(false positives)의 확률이 크게 높아지게 한다.
따라서, 동공의 팽창의 함수로서 홍채의 일부 구역들의 출현 혹은 사라짐뿐만 아니라 홍채의 변위의 비-선형 성질을 고려하며, 그리고 개체에 대한 특정 학습의 필요 없이, 홍채 움직임의 등방성 성질로부터 혜택을 받게 되는 그러한 홍채 인식에 의한 개체의 효과적인 식별 혹은 인증 방법에 대한 필요성이 존재한다.
제 1 실시형태에 따르면, 본 발명은 개체(individual)를 식별 및/또는 인증하기 위한 방법에 관한 것이고, 이러한 방법은 개체를 식별 및/또는 인증하기 위한 시스템에 의해 수행되는 단계들을 포함하고, 개체를 식별 및/또는 인증하기 위한 상기 시스템은 저장 디바이스를 포함하고, 저장 디바이스는 제1의 미리결정된 개수(N1)의 동심 링(concentric ring)들로 분할되는 기준 홍채 영상(reference iris image)으로부터 획득된 기준 홍채(reference iris)의 적어도 하나의 이진 코드(binary code)와, 그리고 눈꺼풀(eyelid)들, 속눈썹(eyelash)들, 반사상(reflection)들, 혹은 노이즈(noise)의 다른 요인들이 검출된 기준 홍채의 영역들을 식별시키는 관련된 기준 마스크(associated reference mask)의 이진 코드를 저장하고, 상기 단계들은,
- 식별 및/또는 인증될 개체의 눈(eye)의 영상을 획득하는 단계와;
- 홍채의 텍스처(texture)를 포함하는 영역이 격리(isolate)되도록 그리고 관련된 마스크가 결정되도록 상기 눈의 획득된 영상을 세분화(segmentation)하는 단계와;
- 홍채 텍스처를 포함하는 상기 영역 및 상기 마스크를 제2의 개수(N2)의 동심 링들로 분할하는 단계와;
- 홍채의 텍스처를 포함하는 상기 영역 및 상기 마스크를 데카르트 좌표(Cartesian coordinates)에서 극 좌표(polar coordinates)로 정규화(normalization)하는 단계와;
- 제3의 미리결정된 개수(F)의 가버 필터(Gabor filter)들을 각각의 링의 제4의 미리결정된 개수(P)의 위치들로부터의 각각의 위치에 적용함으로써, 정규화된 홍채의 텍스처를 포함하는 상기 영역을 코딩하는
Figure 112016057588600-pat00001
와 동일한 크기의 이진 홍채 코드(IC), 그리고 관련된 마스크를 코딩하는
Figure 112016057588600-pat00002
와 동일한 크기의 마스크의 이진 코드(IM)를 결정하는 단계와;
- 획득된 영상과 기준 영상 간의 정합 거리(matching distance)가 최소화되도록, 획득된 영상의 홍채의 적어도 하나의 링을 상기 기준 홍채들 중 하나의 기준 홍채의 링과 정합시키는 단계와, 여기서 상기 정합 거리는, 정합된 획득 영상 홍채의 상기 링들 각각 및 대응하고 있는 기준 홍채의 링 간의 거리들의 합(sum)을 계산함으로써, 결정 및 저장된 기준 홍채 코드들 및 관련된 마스크 코드들로부터 획득되며;
- 상기 최소화된 정합 거리를 계산하는 단계와;
- 만약 상기 최소화된 정합 거리가 임의의 미리결정된 임계치보다 작다면 개체를 식별 및/또는 인증하는 단계를 포함한다.
정합시키는 단계는 비터비 알고리즘(Viterbi algorithm)을 구현할 수 있다.
정합시키는 단계는,
-
Figure 112016057588600-pat00003
크기의 비교 행렬(comparison matrix)(M)을 계산하는 것과,
- 비터비 격자(Viterbi trellis)를 구성하는 것과,
- 상기 비터비 격자에서 경로(path)를 결정하는 것을 포함하고,
상기 비교 행렬의 각각의 계수(coefficient) M(i,j)는, 상기 결정된 기준 홍채 코드들 및 관련된 마스크 코드들을 사용하여, 저장된 기준 홍채의 i번째 링 및 획득된 영상의 홍채의 j번째 링 간의 비교의 결과를 코딩하고,
기준 홍채의 링 i와 획득된 영상의 홍채의 링 j의 각각의 정합에 대한 비용(cost)은,
i = 1에 대해서는,
Figure 112016057588600-pat00004
이고,
i > 1인 임의의 경우에 대해서는,
Figure 112016057588600-pat00005
이며, 여기서,
o li, ls, kmin, kmax는 미리결정된 상대적 정수들이고, li ≥ 1 및 0 < j+k ≤ N2이고,
o Prob(i,j)는 기준 홍채의 i번째 링과 획득된 영상의 홍채의 j번째 링의 미리결정된 정합 확률이고,
o ProbT((i,j),(p,q))는, 기준 홍채의 i번째 링과 획득된 영상의 홍채의 j번째 링의 정합을 고려한, 기준 홍채의 p번째 링과 획득된 영상의 홍채의 q번째 링의 미리결정된 정합 확률이고,
상기 비터비 격자에서 경로를 결정하는 것은,
o 기준 홍채의 M번째 링을 획득된 영상의 홍채의 Path(M)번째 링과 정합시키는 것과,
o 인덱스(index) M'의 기준 홍채의 적어도 하나의 다른 링을 인덱스 Path(M')의 획득된 영상의 홍채의 링과 정합시키는 것을 포함하고,
여기서, Path(M)은 j에 관해 (Cost(M,j))를 최소화시키는 [1; N2]에 속하는 인덱스이고, M은 제1의 미리결정된 개수(N1)보다 작거나 같은 정수이고,
M' < M이고, 인덱스 Path(D)의 획득된 영상의 홍채의 링과 이미 정합된 인덱스 D의 기준 홍채의 링의 함수로서, M' = D - Z(D, Path(D), 1)이고, Path(M') = Path(D) + Z(D, Path(D), 2)이고, 함수 Z는 Z(i,j,1) 및 Z(i,j,2)가 함수
Figure 112016057588600-pat00006
를 최소화시키는 정수들
Figure 112016057588600-pat00007
및
Figure 112016057588600-pat00008
이 각각 되도록 R에서 R3로부터 정의된다.
최소화된 정합 거리를 계산하는 단계는 아래와 같은 공식
Figure 112016057588600-pat00009
을 사용하여 수행될 수 있고, 여기서,
o T는 획득된 영상과 기준 영상 간의 회전(rotation)에 대한 미리결정된 최대 허용한계(tolerance)이고,
o IC1, IC2, IM1 및 IM2는 기준 홍채의 코드, 획득된 영상의 홍채의 코드, 및 관련된 마스크 코드들에 각각 대응하는
Figure 112016057588600-pat00010
혹은
Figure 112016057588600-pat00011
크기의 행렬들이고,
o
Figure 112016057588600-pat00012
이고,
o
Figure 112016057588600-pat00013
이다.
동공의 팽창의 함수로서 홍채의 일부 구역들의 출현 혹은 사라짐뿐만 아니라 홍채의 변위의 비-선형 성질을 고려함으로써, 그리고 개체에 대한 특정 학습의 필요 없이, 홍채 움직임의 등방성 성질로부터 혜택을 받음으로써, 홍채 인식에 의해 개체가 식별 혹은 인증될 수 있다.
상기 비교 행렬(M)의 각각의 계수 M(i,j)는 고정된 t에 대해 Dist(i,j,t) 및 Mask(i,j,t) 간의 비율(ratio)의 변환 결과(LT)일 수 있다.
이러한 변환은, 장애물(obstacle) 혹은 노이즈의 존재에 의해 교란(perturb)되는 영상들의 구역들을 고려함이 없이, 그 획득된 영상의 홍채 및 기준 홍채의 링들 각각 간의 유사성(resemblance)의 정도를 정량화한다.
상기 동심 링들의 두께는 변할 수 있다.
이것은 홍채의 위치에 의해 상당량의 방사상 거리에 걸쳐 동질(homogeneous)일 수 있는 그리고 홍채의 다른 부분들 상에서 방사상으로 급격하게 변할 수 있는 그러한 홍채 텍스처의 방사상 가변성에 맞게 링들의 두께를 조정한다.
상기 동심 링들 중 적어도 두 개는 중첩될 수 있다.
두 개의 영상들의 링들을 정합시키는 것은 링의 두께보다 더 작은 두께의 크라운(crown)의 홍채에서 사라짐 혹은 출현을 고려한다.
확률들 ProbT 및 Prob은 홍채의 텍스처의 왜곡 모델(distortion model)을 사용함으로써 혹은 자동 학습(automatic learning)에 의해 결정될 수 있다.
확률들 ProbT 및 Prob은 동공의 팽창 레벨의 함수일 수 있다.
이것은 획득된 영상에서 파악된 동공의 팽창에 맞게 조정되는 함수들을 사용하고, 그리고 팽창 레벨과는 상관없이 정의되는 그러한 일반적인 함수들보다 더 큰 적응성을 갖는 함수들을 생성한다
제 2 실시형태에 따르면, 본 발명은, 프로세서에 의해 프로그램이 실행될 때 제 1 실시형태에 따른 개체를 식별 및/또는 인증하기 위한 방법을 실행하기 위한 코드 명령들을 포함하는 컴퓨터 프로그램 제품에 관한 것이다.
제 3 실시형태에 따르면, 본 발명은, 데이터-프로세싱 디바이스(data-processing device)에 관한 것이고, 데이터-프로세싱 디바이스는 저장 디바이스에 연결될 수 있는 특징이 있고, 여기서 저장 디바이스는, 제1의 미리결정된 개수(N1)의 동심 링들로 분할되는 기준 홍채 영상으로부터 획득된 기준 홍채의 적어도 하나의 이진 코드와, 그리고 눈꺼풀들, 속눈썹들, 반사상들, 혹은 노이즈의 다른 요인들이 검출된 기준 홍채의 영역들을 식별시키는 관련된 기준 마스크의 이진 코드를 저장하고, 데이터-프로세싱 디바이스는,
- 식별 및/또는 인증될 개체의 눈의 획득된 영상을 수신하도록 구성되는 통신 인터페이스(communications interface)와;
- 컴퓨터(computer)를 포함하는 특징이 있고,
여기서 컴퓨터는,
o 홍채의 텍스처를 포함하는 영역이 격리되도록 그리고 관련된 마스크가 결정되도록, 수신된 상기 눈의 영상을 세분화하도록 구성되고;
o 홍채 텍스처를 포함하는 상기 영역 및 상기 마스크를 제2의 개수(N2)의 동심 링들로 분할하도록 구성되고;
o 홍채의 텍스처를 포함하는 상기 영역 및 상기 마스크를 데카르트 좌표에서 극 좌표로 정규화하도록 구성되고;
o 제3의 미리결정된 개수(F)의 가버 필터들을 각각의 링의 제4의 미리결정된 개수(P)의 위치들로부터의 각각의 위치에 적용함으로써, 정규화된 홍채의 텍스처를 포함하는 상기 영역을 코딩하는
Figure 112016057588600-pat00014
와 동일한 크기의 이진 홍채 코드(IC), 그리고 관련된 마스크를 코딩하는
Figure 112016057588600-pat00015
와 동일한 크기의 마스크의 이진 코드(IM)를 결정하도록 구성되고;
o 획득된 영상과 기준 영상 간의 정합 거리(HDViterbi)가 최소화되도록, 획득된 영상의 홍채의 적어도 하나의 링을 상기 기준 홍채들 중 하나의 기준 홍채의 링과 정합시키도록 구성되고, 여기서 상기 정합 거리는, 정합된 획득 영상 홍채의 상기 링들 각각 및 대응하고 있는 기준 홍채의 링 간의 거리들(Dist)의 합을 계산함으로써, 결정 및 저장된 기준 홍채 코드들 및 관련된 마스크 코드들로부터 획득되며;
o 상기 최소화된 정합 거리를 계산하도록 구성되고;
o 상기 최소화된 정합 거리를 임의의 미리결정된 임계치에 비교하도록 구성된다.
제 4 실시형태에 따르면, 본 발명은, 개체를 식별 및/또는 인증하기 위한 시스템에 관한 것이고, 이러한 시스템은,
- 저장 디바이스와;
- 영상 촬영 디바이스(image capture device)와;
- 제 3 실시형태에 따른 데이터-프로세싱 디바이스를 포함하고,
여기서 저장 디바이스는, 제1의 미리결정된 개수(N1)의 동심 링들로 분할되는 기준 홍채 영상으로부터 획득된 기준 홍채의 적어도 하나의 이진 코드와, 그리고 눈꺼풀들, 속눈썹들, 반사상들, 혹은 노이즈의 다른 요인들이 검출된 기준 홍채의 영역들을 식별시키는 관련된 기준 마스크의 이진 코드를 저장하고,
영상 촬영 디바이스는 식별 및/또는 인증될 개체의 눈의 영상을 획득하도록 구성되고,
데이터-프로세싱 디바이스는, 획득된 영상과 기준 영상 간의 정합 거리(HDViterbi)를 최소화시키도록 구성되고, 그리고 만약 상기 최소화된 정합 거리가 임의의 미리결정된 임계치보다 작다면 개체를 식별 및/또는 인증하도록 구성된다.
개체를 식별 및/또는 인증하기 위한 이러한 컴퓨터 프로그램 제품, 프로세싱 디바이스 및 시스템은 제 1 실시형태에 따른 방법에 대해 언급된 것들과 동일한 장점들을 갖는다.
다른 특징들과 이점들은 실시예에 관한 다음의 설명으로부터 나타날 것이다. 이러한 설명은 첨부되는 도면들을 참조하여 제공될 것이다.
- 도 1은 식별/인증될 개체의 눈의 영상을 세분화하는 단계를 구현한 것을 예시한다.
- 도 2는 홍채의 텍스처를 동심 링들 및 각 섹터들로 분할하는 단계를 구현한 것을 예시한다.
- 도 3a 내지 도 3c는 홍채의 텍스처를 포함하는 영역을 정규화하는 단계를 구현한 것을 예시한다.
- 도 4는 본 발명의 실시예에 따른 개체를 식별 및/또는 인증하기 위한 시스템 내의 하드웨어 수단들을 도식적으로 예시한 것이다.
- 도 5는 본 발명의 실시예에 따른 개체를 식별 및/또는 인증하기 위한 방법을 보여주는 도면이다.
- 도 6a 내지 도 6c는 동공들의 상이한 팽창들을 갖는 개체의 눈의 영상들을 예시한다.
- 도 6d 및 도 6e는 도 6a와 도 6b 및 도 6a와 6c에서 예시된 동공 팽창을 갖는 두 개의 눈 영상들의 비교에 대응하는 비교 행렬들의 예들을 각각 예시한다.
- 도 7은 상기 비터비 격자에서 경로를 결정하는 것을 구현한 것을 예시한다.
본 발명의 실시예는, 개체(1)를 식별 및/또는 인증하기 위한 방법에 관한 것으로, 이러한 방법은 도 4에서 예시되는, 개체를 식별 및/또는 인증하기 위한 시스템(100)에 의해 구현된다.
이러한 시스템(100)은 개체(1)를 식별 혹은 인증하기 위해 사용되는 생체 데이터를 획득하는 데 전용으로 사용되는 영상 촬영 디바이스(2)를 포함한다. 이러한 생체 데이터는 특히 개체(1)의 눈의 영상으로 구성될 수 있다. 영상 촬영 디바이스(2)는 특히, 가시 필드(visible field) 혹은 적외선 필드(infrared field)에서 영상을 촬영하는 사진기 유닛(photographic unit) 혹은 카메라로 구성될 수 있다.
시스템(100)은 또한 저장 디바이스(3)를 포함한다. 이러한 저장 디바이스는, 제1의 미리결정된 개수(N1)의 동심 링들로 분할되는 기준 홍채 영상으로부터 획득된 기준 홍채의 적어도 하나의 이진 코드와, 그리고 눈꺼풀들, 속눈썹들, 반사상들, 혹은 노이즈의 다른 요인들이 검출된 기준 홍채의 영역들을 식별시키는 관련된 기준 마스크의 기준 이진 코드를 저장하도록 구성된다. 이것은 플래시 메모리 혹은 하드 드라이브와 같은 임의 타입의 판독-전용 메모리일 수 있다. 이와 같은 저장 디바이스는 이러한 이진 코드들을 데이터베이스의 형태로 저장할 수 있다.
이러한 기준 홍채 영상들은 시스템 내에 기록된 개체들의 홍채 영상들이고, 이에 따라 이들은 시스템에 의해 식별 혹은 인증될 수 있다. 이러한 기준 홍채 영상들은 대응하는 기준 홍채 코드들을 획득하기 위해 프로세싱된 것이다. 이러한 영상들에 적용되는 프로세싱은, 아래에서 설명되는 바와 동일하며, 영상 촬영 디바이스(2)에 의해 획득되는 인증될 개체의 홍채의 영상에 적용된다.
시스템(100)은 또한, 영상 촬영 디바이스(2)에 의해 획득된 개체(1)의 홍채의 영상을 프로세싱하여 이로부터 대응하는 홍채 코드를 도출해 내고 이것을 저장된 기준 홍채 코드들과 비교하도록 구성된 데이터-프로세싱 디바이스(4)를 포함하다. 이러한 프로세싱은 특히, 홍채를 제2의 미리결정된 개수(N2)의 동심 링들로 절단하는 것을 포함한다. 상기 프로세싱 디바이스는 영상 촬영 디바이스(2) 및 저장 디바이스(3)에 연결된다. 이와 같은 데이터-프로세싱 디바이스는 컴퓨터(5) 및 통신 인터페이스(6)를 포함할 수 있다. 이러한 컴퓨터(5)는 예를 들어, 타입 x-86 혹은 RISC의 프로세서 또는 마이크로프로세서, 제어기 또는 마이크로제어기, DSP, 집적 회로(예컨대, ASIC) 또는 프로그래밍가능 회로(예컨대, FPGA), 이러한 소자들의 임의의 조합 또는 아래에서 설명되는 방법의 컴퓨터 연산 단계들을 수행하는 컴포넌트들의 임의의 다른 조합으로 구성될 수 있다. 이러한 통신 인터페이스(6)는 컴퓨터(5)로 하여금 위에서 설명되는 시스템(100)의 다른 요소들과 정보를 교환하게 하는 임의의 아날로그형 혹은 디지털형 인터페이스일 수 있다. 이러한 인터페이스는 예를 들어, RS232 직렬 인터페이스, USB, 파이어와이어(Firewire), HDMI 인터페이스 또는 이더넷이나 와이파이(Wifi) 타입의 유선 혹은 무선 통신 네트위크 인터페이스일 수 있다. 일 실시예에서, 상기 프로세싱 디바이스, 영상 촬영 디바이스(2), 및 저장 디바이스(3)는 예를 들어, 휴대용 전화기에 통합되는 경우 공통 케이싱(casing) 안으로 집적화될 수 있거나, 혹은 임의의 사안(issue)의 개방을 제어하는 통합된 액세스 제어 시스템에 집적화될 수 있다. 대안적으로, 이러한 디바이스들 중 하나 이상의 디바이스는 다른 디바이스들 혹은 디바이스로부터 떨어져 원격으로 존재할 수 있는데, 예를 들어, 영상 촬영 디바이스(2)는 컴퓨터 시스템의 중앙 서버로 구성되는 프로세싱 디바이스에 통신 네트위크를 통해 연결되는 감시 카메라로 구성된다.
본 발명은, 개체의 눈의 획득된 영상에서의 홍채의 링들과 기준 홍채의 링들 간의 최적의 정합을 결정함으로써, 식별 혹은 인증될 개체의 홍채의 영상과 기준 홍채의 영상의 비교를 향상시키는 것을 제안한다. 이러한 정합은 동공의 팽창으로 인한 기준 영상과 획득된 영상 간의 홍채의 왜곡을 고려한다. 이러한 팽창 자체는 두 개의 영상들의 촬영 간의 광 노출(light exposure)에서의 차이의 결과일 수 있다. 본 방법은 양쪽 홍채들의 링들을 모두 정합시킬 필요가 없으며, 이에 따라 홍채의 왜곡 동안 링들의 임의의 출현 혹은 사라짐을 고려할 수 있다.
더 정확히 말하면, 이러한 최적 정합은 획득된 영상과 기준 영상 간의 소위 정합 거리(HDViterbi)로 지칭되는 거리를 최소화시키도록 결정된다. 이러한 거리는 홍채의 링들 간의 선택된 정합을 고려함으로써 기준 홍채 코드 및 획득된 영상에 대해 결정된 홍채 코드로부터 계산된다. 이와 같은 정합은 일 실시예에서 비터비 알고리즘을 사용하여 결정된다.
식별 및/또는 인증을 위한 방법이 도 5에서 예시되는 단계들에 따라 구현될 수 있다.
획득 단계(101) 동안, 영상 촬영 디바이스(2)에 의해 개체(1)의 눈의 영상이 획득된다. 이러한 영상은 2차원으로 혹은 3차원으로 존재할 수 있고, 또는 컬러로 혹은 흑백으로 존재할 수 있다. 디지털 영상의 경우, 이러한 영상은 비트맵(bitmap), jpeg, png, tiff, 원시(raw) ... 포맷들과 같은 다양한 포맷들에 따라 인코딩될 수 있다. 흑백 영상인 경우, 이것은 특정 수의 그레이 레벨들(levels of grey)을 포함할 수 있다.
그 다음에, 데이터-프로세싱 디바이스는 세분화 단계(102), 분할 단계(103), 정규화 단계(104), 이진 코드들의 결정 단계(105), 정합 단계(106), 그리고 거리의 계산 단계(107)를 수행한다.
세분화 단계(102) 동안, 홍채의 텍스처를 포함하는 영역이 격리되도록 눈의 획득된 영상은 세분화된다. 도 1에서, 이것은 원(circle)들 사이의 영역(7)이다. 홍채의 영역이 눈의 흰자위(white)(8) 및 동공(9)으로부터 격리된다. 이러한 단계 동안, 눈꺼풀들, 속눈썹들, 반사상들, 혹은 노이즈의 다른 요인들이 검출된 홍채의 영역들을 식별시키는 관련된 마스크가 또한 결정될 수 있다. 이러한 마스크는 특히, 눈의 영상의 획득 동안, 미리결정된 광 노출을 가하도록 의도된 (광점(light spot)이 반사되는) 그러한 눈의 영역을 식별시킬 수 있다.
분할 단계(103) 동안, 홍채 텍스처를 포함하는 상기 영역 및 상기 마스크는 도 2에서 예시되는 바와 같이 N2개의 동심 링들로 분할될 수 있다. 이러한 동심 링들의 두께는 일정할 수 있거나 혹은 변할 수 있다.
이와 같은 동심 링들은 또한 중첩될 수 있다. 이러한 경우, 두 개의 영상들의 링들을 정합시키는 것은 링의 두께보다 더 작은 두께의 크라운의 홍채에서 사라짐 혹은 출현을 고려한다.
정규화 단계(104) 동안, 세분화 단계(102) 및 분할 단계(103)로부터 나온 이러한 홍채의 텍스처를 포함하는 영역 및 상기 마스크는 고정된 크기의 직사각형 영상의 형태로 정규화되며, 그럼으로써 다우그만에 의해 제안된 극좌표 변환(polar transformation)(
Figure 112016057588600-pat00016
, 여기서 I는 홍채의 획득된 영상임)에 따라, 도 3a 내지 도 3c에서 예시된 바와 같이, 본래의 영상의 데카르트 좌표가 극 좌표로 변환되게 된다.
이와 같은 정규화된 영상에서, 홍채의 잘게 분할된 링들은 라인(line)들을 형성한다. 이러한 정규화된 영상을 소위 홍채 코드로 지칭되는 이진 코드로 변환하기 위해, 이진 코드를 결정하기 위한 단계(105) 동안, 제3의 미리결정된 개수(F)의 필터들에 의한 필터링이 각각의 링의 제4의 미리결정된 개수(P)의 위치들 중의 각각의 위치에 적용될 수 있다. 예를 들어, 홍채는 각도방향으로 P개의 각 영역(angular region)들로 잘게 분할될 수 있고, 이러한 필터링은 링과 각 섹터의 교차부분에 대응하는 각각의 구역에 적용될 수 있다. 홍채의 정규화된 영상에서, 이러한 각 섹터들 각각은 컬럼(column)을 구성한다. 이러한 필터들은 가버 필터들일 수 있고, 이들은 그 적용되는 구역에서 홍채 텍스처의 밝기가 변하는 특징이 있다. 따라서, 이러한 위치에서의 필터링의 결과의 표시의 함수로서 각각의 위치에는 이진 값 0 혹은 1이 부여될 수 있다. 유사한 동작이 그 획득된 영상에 관한 마스크 상에서 수행될 수 있다. 이에 따라, 그 정규화된 그리고 필터링된 홍채 텍스처를 포함하는 상기 영역을 코딩하는
Figure 112016057588600-pat00017
와 동일한 크기의 이진 홍채 코드(IC)가 결정될 수 있다. 관련된 마스크를 코딩하는
Figure 112016057588600-pat00018
와 동일한 크기의 이진 마스크 코드(IM)가 또한 결정될 수 있다. 이러한 이진 코드들은
Figure 112016057588600-pat00019
크기의 두 개의 행렬들로부터 형성될 수 있고, 그 각각의 라인은 (정규화된 영상에서와 같이) 링에 대응하며, P개의 컬럼들의 각각의 그룹은 홍채 영상의 각 섹터에 대응한다. 이러한 행렬들 각각의 라인 1은 예를 들어 동공에 가장 가까운 링과 관련될 수 있다. 일 실시예에서, N1은 N2와 동일할 수 있고, 예를 들어, 8과 동일할 수 있다. 예를 들면, 홍채는 32개의 링들 및 64개의 각 영역들로 잘게 분할될 수 있고, 각각의 위치에 적용되는 필터들의 개수는 4와 동일할 수 있다.
그 다음에, 정합 단계(106) 동안, 획득된 영상과 기준 영상 간의 소위 정합 거리(HDViterbi)로 지칭되는 거리가 최소화되도록 그 획득된 영상의 홍채의 적어도 하나의 링이 상기 기준 홍채들 중 하나의 기준 홍채의 링과 정합되고, 여기서 상기 정합 거리는, 정합된 획득 영상 홍채의 상기 적어도 하나의 링 각각 및 대응하고 있는 기준 홍채의 링 간의 거리들(Dist)의 합을 계산함으로써, 결정 및 저장된 기준 홍채 코드들 및 관련된 마스크 코드들로부터 획득된다. 정합 단계(106)는 비터비 알고리즘을 구현할 수 있다.
더 정확히 말하면, 정합 단계(106)는 다음과 같은 단계들을 포함한다.
먼저
Figure 112016057588600-pat00020
크기의 비교 행렬(M)이 계산된다(1061). 이러한 비교 행렬은 획득된 영상의 홍채의 N2개의 링들 각각 및 그 비교되는 기준 홍채의 N1개의 링들 간의 유사성의 정도를 반영한다. 상기 비교 행렬의 각각의 계수 M(i,j)는, 상기 결정된 기준 홍채 코드들 및 관련된 마스크 코드들을 사용하여, 저장된 기준 홍채의 i번째 링 및 획득된 영상의 홍채의 j번째 링 간의 비교의 결과를 코딩한다. 상기 비교 행렬(M)의 각각의 계수 M(i,j)는 고정된 t에 대해 Dist(i,j,t) 및 Mask(i,j,t) 간의 비율의 변환 결과(LT)일 수 있고, 여기서,
Figure 112016057588600-pat00021
이고,
Figure 112016057588600-pat00022
이며,
IC1, IC2, IM1 및 IM2는 기준 홍채의 코드, 획득된 영상의 홍채의 코드, 및 관련된 마스크 코드들에 각각 대응하는
Figure 112016057588600-pat00023
혹은
Figure 112016057588600-pat00024
크기의 행렬들이다.
회전 파라미터(rotation parameter)(t)는, 예를 들어, 개체의 머리의 상이한 기울기로 인한, 획득된 영상과 기준 영상 간의 동공의 중심을 관통하는 눈의 대칭 축에 대한 홍채의 회전을 고려한다. 이러한 행렬은, 고려될 회전 파라미터(t)의 각각의 값에 대해 계산될 수 있는바, 예를 들어, 구간 [-T; T](여기서, T는 획득된 영상과 기준 영상 간의 회전에 대한 미리결정된 최대 허용한계임)에서 F를 곱한 t의 값들 모두에 대해 계산될 수 있다.
변환 결과(LT)는 그 비교되는 링들 간의 유사성 레벨을 나타내는 그레이 레벨에 대응할 수 있다. 예를 들면, 변환은 비교되는 링들 간의 제로 거리(zero distance)에 대해 255 값을 부여할 수 있고, Dist(i,j,t) 및 Mask(i,j,t) 간의 비율이 0.5보다 작을 때 제로 값(zero value)을 부여할 수 있다. 두 개의 비교되는 링들이 더 유사하면 할수록, 이들의 비교와 관련된 그레이 레벨은 백색에 더 가까워질 것이다.
비교 행렬들의 두 개의 예들이 도 6d 및 도 6e에서 예시되는데, 도 6d는 도 6a 및 도 6b에서 예시된 동공 팽창이 있는 두 개의 눈 영상들을 비교한 것에 대응하고, 도 6e는 도 6a의 눈 영상 및 동공의 훨씬 더 두드러진 팽창이 있는 도 6c의 눈 영상을 서로 비교한 것에 대응한다. 도 6d에서, 링들 간의 가장 짧은 거리에 대응하는 가장 하얀 픽셀들은 행렬의 대각선(diagonal)을 따라 대부분 위치하고 있다. 이것은 도 6a 및 도 6b의 홍채들 간의 규정된 왜곡의 결과이다. 따라서, 획득된 영상의 홍채의 각각의 구역은 기준 영상 내의 동일한 위치에 배치되는 기준 홍채의 구역에 근사적으로 대응한다. 반대로, 도 6e의 가장 깨끗한 구역들은 도 6a와 도 6c 간의 동공 팽창에서의 큰 차이로 인해 영상의 대각선 상에 위치하고 있지 않다.
다음으로, 비터비 격자가 구성되며(1062), 여기서 기준 홍채의 링 i와 획득된 영상의 홍채의 링 j의 각각의 정합에 대한 비용은,
i = 1에 대해서는,
Figure 112016057588600-pat00025
이고,
i > 1인 임의의 경우에 대해서는,
Figure 112016057588600-pat00026
이며, 여기서,
o li, ls, kmin, kmax는 미리결정된 상대적 정수들이고, li ≥ 1 및 0 < j+k ≤ N2이고,
o Prob(i,j)는 기준 홍채의 i번째 링과 획득된 영상의 홍채의 j번째 링의 미리결정된 정합 확률이고,
o ProbT((i,j),(p,q))는, 기준 홍채의 i번째 링과 획득된 영상의 홍채의 j번째 링의 정합이 주어진 상태에서, 기준 홍채의 p번째 링과 획득된 영상의 홍채의 q번째 링의 미리결정된 정합 확률이고, 함수 ProbT는 또한 L=1 및 k=1과 같은 비-물리적 경우들에 대응하는 L과 K의 조합들에 대해 높은 총체적 값(overall value)을 돌려보내도록 정의되며, 이것은 교차-정합(cross-matching)에 대응하는 것이고, 예를 들어, 획득된 영상 홍채의 링 j+1은 기준 영상의 홍채의 링 i-1과 정합되고 반면 획득된 영상의 홍채의 링 j는 기준 영상의 홍채의 링 i와 정합되게 된다.
바람직하게는, L=li=ls=1이고, (kmin,kmax)=(0,1) 혹은 (1,0)이다.
두 개의 링들 (i,j)를 정합시키는 것과 관련된 비용은, 획득된 영상에서의 동공의 팽창에 의해 초래된 홍채의 왜곡으로 인해 기준 홍채의 i번째 링이 그 획득된 영상의 홍채의 j번째 링의 위치로 이동된 내재적 확률 Prob(i,j)의 함수이다. 이러한 비용은 또한, M(i,j)에 의해 이러한 링들 간의 유사성의 정도를 반영한다. 이러한 비용은 또한, 기준 홍채의 선행하는 링에 대해 설정된 정합을 고려하며, 이에 따라 정합에서의 총체적인 일관성(coherence)을 고려하게 되고 아울러 수치적으로 호소하는 정합들을 방지하게 되는바(하지만 임의의 물리적 현실에는 대응하지 않음), 예를 들어, 기준 홍채의 i번째 링은 획득된 영상의 홍채의 고도의 중앙 링과 정합되고 반면 기준 영상의 i-1번째 링은 획득된 영상의 홍채의 주변 링과 관련되게 된다.
Prob 및 ProbT 함수들은 상이한 팽창 단계들에서 사진촬영된 홍채들의 영상들에 근거하는 자동 학습에 의해 결정될 수 있다. 대안적으로, 이러한 함수들은 본 명세서의 앞에서 언급된 클라크에 의한 모델과 같은 홍채의 텍스처의 왜곡 모델을 사용함으로써 분석적으로 결정될 수 있다. 함수들 Prob 및 ProbT은 동공의 팽창의 레벨의 함수로서 테이블화(tabulate)될 수 있다.
이러한 비터비 격자는 회전 파라미터(t)의 상이한 값들에 대해 계산된 비교 행렬들(M) 각각에 대해 구성될 수 있다.
다음으로, 상기 비터비 격자 각각에서의 경로가 결정되는데(1063), 이러한 결정은,
o 기준 홍채의 M번째 링을 획득된 영상의 홍채의 Path(M)번째 링과 정합시키는 것과,
o 인덱스 M'의 기준 홍채의 적어도 하나의 다른 링을 인덱스 Path(M')의 획득된 영상의 홍채의 링과 정합시키는 것을 행함으로써 수행되고,
여기서, Path(M)은 j에 관해 (Cost(M,j))를 최소화시키는 [1; N2]에 속하는 인덱스이고, M은 제1의 미리결정된 개수(N1)보다 작거나 같은 정수이고,
즉,
Figure 112016057588600-pat00027
이고, 여기서 Argmin(xi)는 일련의 값들(xi)로부터의 최소 값의 인덱스를 돌려보내는 함수이며, 기준 홍채의 이러한 동일한 링은 획득된 영상의 홍채의 링과 정합되는 홍채의 가장 바깥쪽 링일 것이고,
M' < M이고, 인덱스 Path(D)의 획득된 영상의 홍채의 링과 이미 정합된 인덱스 D의 기준 홍채의 링의 함수로서, M' = D - Z(D, Path(D), 1)이고, Path(M') = Path(D) + Z(D, Path(D), 2)이고, 함수 Z는 Z(i,j,1) 및 Z(i,j,2)가 함수
Figure 112016057588600-pat00028
를 최소화시키는 정수들
Figure 112016057588600-pat00029
및
Figure 112016057588600-pat00030
이 각각 되도록 R에서 R3로부터 정의되고,
즉,
Figure 112016057588600-pat00031
이다.
바람직하게는, li=ls=1이다. 주어지는 것은 M' = D - 1 및 Path(M') = Path(D) + k이고, 여기서 k는,
Figure 112016057588600-pat00032
를 최소화시키는 것이다.
이러한 정합은 i=1이 될 때까지 또는 Path(i)=1이 될 때까지 내림차순으로 기준 홍채의 수 개의 링들에 대해 연속적으로 결정될 수 있다(기준 영상 각각의 획득된 영상의 홍채의 i번째 링은 획득된 영상 각각의 기준 홍채의 중앙 링에 대응하는데, 이것이 의미하는 바는, 획득된 영상 각각에서의 기준 영상에서의 동공의 팽창이 기준 영상 각각의 획득된 영상의 링들 1 내지 i-1에 대응하는 링들 모두가 사라지게 함을 의미함).
이러한 비터비 경로는 경로의 총 비용을 최소화시키는 정합을 결정할 수 있게 하며, 따라서 이것은 비교되는 홍채의 링들 간에 가장 가능성 있는 정합에 대응한다(이들의 유사성 및 정합 확률들 Prob(i,j) 및 ProbT((i,j),(p,q))이 주어진 상태임).
이러한 경로가 도 7에서 예시되며, 여기서 둥근 것들은 기준 홍채 및 획득된 영상의 홍채의 링들에 대응하고, 그리고 각각의 십자형 특징부들은 기준 홍채의 상기 링들 중 하나 및 획득된 영상의 홍채의 상기 링들 중 하나 간의 정합이다.
이러한 정합에 의해 최소화되는 정합 거리는 아래와 같은 공식
Figure 112016057588600-pat00033
을 사용하여 계산 단계(107) 동안 계산된 해밍 거리(Hamming distance)일 수 있고, 여기서, T는 획득된 영상과 기준 영상 간의 회전에 대한 미리결정된 최대 허용한계이다.
두 개의 홍채 영상들 간의 결과적인 정합 거리는, 비교되는 영상들의 링들 간의 가장 가능성 있는 정합을 보유하기 위해 비터비 그래프에서 선택된 비터비 경로를 통해 최소화된다.
마지막으로, 식별 및/또는 인증을 위한 단계(108) 동안, 개체의 눈의 영상이 획득되는 그러한 개체가 계산 단계(107) 동안 획득된 최소화된 정합 거리의 함수로서 식별 및/또는 인증된다. 만약 이러한 최소화된 정합 거리가 임의의 미리결정된 임계치보다 작다면 개체는 식별 혹은 인증될 수 있다.
동공의 팽창의 함수로서 홍채의 일부 구역들의 출현 혹은 사라짐 및 비-선형 왜곡을 고려하면서, 그리고 개체에 대한 특정 학습의 필요 없이, 홍채 움직임의 등방성 성질로부터 혜택을 받으면서, 개체의 홍채의 눈의 영상이 획득되는 그러한 개체가 개체의 홍채 인식에 의해 식별 혹은 인증될 수 있다.

Claims (12)

  1. 개체(individual)(1)를 식별 및/또는 인증하기 위한 방법으로서, 상기 방법은 개체를 식별 및/또는 인증하기 위한 시스템(100)에 의해 수행되는 단계들을 포함하고, 개체를 식별 및/또는 인증하기 위한 상기 시스템은 저장 디바이스(storage device)(3)를 포함하고, 상기 저장 디바이스(3)는, 제1의 미리결정된 개수(N1)의 동심 링(concentric ring)들로 분할되는 기준 홍채 영상(reference iris image)으로부터 획득된 기준 홍채(reference iris)의 적어도 하나의 이진 코드(binary code)와, 그리고 눈꺼풀(eyelid)들, 속눈썹(eyelash)들, 반사상(reflection)들, 혹은 노이즈(noise)의 다른 요인들이 검출된 상기 기준 홍채의 영역들을 식별시키는 관련된 기준 마스크(associated reference mask)의 이진 코드를 저장하고, 상기 단계들은,
    - 식별 및/또는 인증될 상기 개체의 눈(eye)의 영상을 획득하는 단계(101)와;
    - 홍채의 텍스처(texture)를 포함하는 영역이 격리(isolate)되도록 그리고 관련된 마스크가 결정되도록 상기 눈의 획득된 영상을 세분화(segmentation)하는 단계(102)와;
    - 홍채 텍스처를 포함하는 상기 영역 및 상기 마스크를 제2의 개수(N2)의 동심 링들로 분할하는 단계(103)와;
    - 홍채의 텍스처를 포함하는 상기 영역 및 상기 마스크를 데카르트 좌표(Cartesian coordinates)에서 극 좌표(polar coordinates)로 정규화(normalization)하는 단계(104)와;
    - 제3의 미리결정된 개수(F)의 가버 필터(Gabor filter)들을 각각의 링의 제4의 미리결정된 개수(P)의 위치들로부터의 각각의 위치에 적용함으로써, 상기 정규화된 홍채의 텍스처를 포함하는 상기 영역을 코딩하는
    Figure 112022116877918-pat00034
    와 동일한 크기의 이진 홍채 코드(IC), 그리고 상기 관련된 마스크를 코딩하는
    Figure 112022116877918-pat00035
    와 동일한 크기의 마스크의 이진 코드(IM)를 결정하는 단계(105)와;
    - 상기 획득된 영상과 상기 기준 영상 간의 정합 거리(matching distance)(HDViterbi)가 최소화되도록 상기 획득된 영상의 홍채의 적어도 하나의 링을 상기 기준 홍채들 중 하나의 기준 홍채의 링과 정합시키는 단계(106)와, 여기서 상기 정합 거리는, 정합된 획득 영상 홍채의 상기 링들 각각 및 대응하고 있는 기준 홍채의 링 간의 거리들(Dist)의 합(sum)을 계산함으로써, 상기 결정 및 저장된 기준 홍채 코드들 및 상기 관련된 마스크 코드들로부터 획득되며, 상기 정합시키는 단계(106)는,
    Figure 112022116877918-pat00063
    크기의 비교 행렬(comparison matrix)(M)을 계산하는 것(1061)을 포함하고, 상기 비교 행렬의 각각의 계수(coefficient) M(i,j)는, 상기 결정된 기준 홍채 코드들 및 상기 관련된 마스크 코드들을 사용하여 상기 저장된 기준 홍채의 i번째 링 및 상기 획득된 영상의 홍채의 j번째 링 간의 비교의 결과를 코딩하며;
    - 상기 최소화된 정합 거리를 계산하는 단계(107)와;
    - 만약 상기 최소화된 정합 거리가 임의의 미리결정된 임계치보다 작다면 상기 개체를 식별 및/또는 인증하는 단계(108)를 포함하는 것을 특징으로 하는 개체를 식별 및/또는 인증하기 위한 방법.
  2. 제1항에 있어서,
    상기 정합시키는 단계(106)는 비터비 알고리즘(Viterbi algorithm)을 구현하는 것을 특징으로 하는 개체를 식별 및/또는 인증하기 위한 방법.
  3. 제2항에 있어서,
    상기 정합시키는 단계(106)는,
    - 비터비 격자(Viterbi trellis)를 구성하는 것(1062)과,
    - 상기 비터비 격자에서 경로(path)를 결정하는 것(1063)을 포함하고,
    상기 기준 홍채의 링 i와 상기 획득된 영상의 홍채의 링 j의 각각의 정합에 대한 비용(cost)은,
    i = 1에 대해서는,
    Figure 112022116877918-pat00037
    이고,
    i > 1인 임의의 경우에 대해서는,
    Figure 112022116877918-pat00038

    이며, 여기서,
    o li, ls, kmin, kmax는 미리결정된 상대적 정수들이고, li ≥ 1 및 0 < j+k ≤ N2이고,
    o Prob(i,j)는 상기 기준 홍채의 i번째 링과 상기 획득된 영상의 홍채의 j번째 링의 미리결정된 정합 확률이고,
    o ProbT((i,j),(p,q))는, 상기 기준 홍채의 i번째 링과 상기 획득된 영상의 홍채의 j번째 링의 정합을 고려한, 상기 기준 홍채의 p번째 링과 상기 획득된 영상의 홍채의 q번째 링의 미리결정된 정합 확률이고,
    상기 비터비 격자에서 경로를 결정하는 것(1063)은,
    o 상기 기준 홍채의 M번째 링을 상기 획득된 영상의 홍채의 Path(M)번째 링과 정합시키는 것과,
    o 인덱스(index) M'의 상기 기준 홍채의 적어도 하나의 다른 링을 인덱스 Path(M')의 상기 획득된 영상의 홍채의 링과 정합시키는 것을 포함하고,
    여기서, Path(M)은 j에 관해 (Cost(M,j))를 최소화시키는 [1; N2]에 속하는 인덱스이고, M은 상기 제1의 미리결정된 개수(N1)보다 작거나 같은 정수이고,
    M' < M이고, 인덱스 Path(D)의 상기 획득된 영상의 홍채의 링과 이미 정합된 인덱스 D의 상기 기준 홍채의 링의 함수로서, M' = D - Z(D, Path(D), 1)이고, Path(M') = Path(D) + Z(D, Path(D), 2)이고, 함수 Z는 Z(i,j,1) 및 Z(i,j,2)가 함수
    Figure 112022116877918-pat00039
    를 최소화시키는 정수들
    Figure 112022116877918-pat00040
    및
    Figure 112022116877918-pat00041
    이 각각 되도록 R에서 R3로부터 정의되는 것을 특징으로 하는 개체를 식별 및/또는 인증하기 위한 방법.
  4. 제3항에 있어서,
    상기 최소화된 정합 거리를 계산하는 단계(107)는 아래와 같은 공식
    Figure 112022116877918-pat00042

    을 사용하여 수행되고, 여기서,
    o T는 상기 획득된 영상과 상기 기준 영상 간의 회전(rotation)에 대한 미리결정된 최대 허용한계(tolerance)이고,
    o IC1, IC2, IM1 및 IM2는 상기 기준 홍채의 코드, 상기 획득된 영상의 홍채의 코드, 및 상기 관련된 마스크 코드들에 각각 대응하는
    Figure 112022116877918-pat00043
    혹은
    Figure 112022116877918-pat00044
    크기의 행렬들이고,
    o
    Figure 112022116877918-pat00045
    이고,
    o
    Figure 112022116877918-pat00046
    인
    것을 특징으로 하는 개체를 식별 및/또는 인증하기 위한 방법.
  5. 제4항에 있어서,
    상기 비교 행렬(M)의 각각의 계수 M(i,j)는 고정된 t에 대해 Dist(i,j,t) 및 Mask(i,j,t) 간의 비율(ratio)의 변환 결과(LT)인 것을 특징으로 하는 개체를 식별 및/또는 인증하기 위한 방법.
  6. 제1항에 있어서,
    상기 동심 링들의 두께는 변하는 것을 특징으로 하는 개체를 식별 및/또는 인증하기 위한 방법.
  7. 제1항에 있어서,
    상기 동심 링들 중 적어도 두 개는 중첩(overlap)되는 것을 특징으로 하는 개체를 식별 및/또는 인증하기 위한 방법.
  8. 제3항에 있어서,
    상기 확률들 ProbT 및 Prob은 홍채의 텍스처의 왜곡 모델(distortion model)을 사용함으로써 혹은 자동 학습(automatic learning)에 의해 결정되는 것을 특징으로 하는 개체를 식별 및/또는 인증하기 위한 방법.
  9. 제3항에 있어서,
    상기 확률들 ProbT 및 Prob은 동공(pupil)의 팽창(dilation)의 레벨의 함수인 것을 특징으로 하는 개체를 식별 및/또는 인증하기 위한 방법.
  10. 컴퓨터 프로그램이 저장된 컴퓨터-판독가능 매체로서, 상기 컴퓨터 프로그램은, 프로세서에 의해 상기 컴퓨터 프로그램이 실행될 때 청구항 제1항에 기재된 개체를 식별 및/또는 인증하기 위한 방법을 실행하기 위한 코드 명령들을 포함하는 것을 특징으로 컴퓨터-판독가능 매체.
  11. 데이터 프로세싱 디바이스(data-processing device)(4)로서,
    상기 데이터 프로세싱 디바이스(4)는 저장 디바이스(3)에 연결될 수 있으며, 상기 저장 디바이스(3)는, 제1의 미리결정된 개수(N1)의 동심 링들로 분할되는 기준 홍채 영상으로부터 획득된 기준 홍채의 적어도 하나의 이진 코드와, 그리고 눈꺼풀들, 속눈썹들, 반사상들, 혹은 노이즈의 다른 요인들이 검출된 상기 기준 홍채의 영역들을 식별시키는 관련된 기준 마스크의 이진 코드를 저장하고,
    상기 데이터 프로세싱 디바이스(4)는,
    - 식별 및/또는 인증될 개체의 눈의 획득된 영상을 수신하도록 되어 있는 통신 인터페이스(communications interface)(6)와;
    - 컴퓨터(computer)(5)를 포함하고,
    상기 컴퓨터(5)는,
    o 홍채의 텍스처를 포함하는 영역이 격리되도록 그리고 관련된 마스크가 결정되도록, 수신된 상기 눈의 영상을 세분화하도록 되어 있고;
    o 홍채 텍스처를 포함하는 상기 영역 및 상기 마스크를 제2의 개수(N2)의 동심 링들로 분할하도록 되어 있고;
    o 홍채의 텍스처를 포함하는 상기 영역 및 상기 마스크를 데카르트 좌표에서 극 좌표로 정규화하도록 되어 있고;
    o 제3의 미리결정된 개수(F)의 가버 필터들을 각각의 링의 제4의 미리결정된 개수(P)의 위치들로부터의 각각의 위치에 적용함으로써, 상기 정규화된 홍채의 텍스처를 포함하는 상기 영역을 코딩하는
    Figure 112022116877918-pat00047
    와 동일한 크기의 이진 홍채 코드(IC), 그리고 상기 관련된 마스크를 코딩하는
    Figure 112022116877918-pat00048
    와 동일한 크기의 마스크의 이진 코드(IM)를 결정하도록 되어 있고;
    o 상기 획득된 영상과 상기 기준 영상 간의 정합 거리(HDViterbi)가 최소화되도록 상기 획득된 영상의 홍채의 적어도 하나의 링을 상기 기준 홍채들 중 하나의 기준 홍채의 링과 정합시키도록 되어 있고, 여기서 상기 정합 거리는, 정합된 획득 영상 홍채의 상기 링들 각각 및 대응하고 있는 기준 홍채의 링 간의 거리들(Dist)의 합을 계산함으로써, 상기 결정 및 저장된 기준 홍채 코드들 및 상기 관련된 마스크 코드들로부터 획득되며, 상기 정합시키는 것은,
    Figure 112022116877918-pat00064
    크기의 비교 행렬(M)을 계산하는 것을 포함하고, 상기 비교 행렬의 각각의 계수 M(i,j)는, 상기 결정된 기준 홍채 코드들 및 상기 관련된 마스크 코드들을 사용하여 상기 저장된 기준 홍채의 i번째 링 및 상기 획득된 영상의 홍채의 j번째 링 간의 비교의 결과를 코딩하며;
    o 상기 최소화된 정합 거리를 계산하도록 되어 있고;
    o 상기 최소화된 정합 거리를 임의의 미리결정된 임계치에 비교하도록 되어 있는 것을 특징으로 하는 데이터 프로세싱 디바이스.
  12. 개체를 식별 및/또는 인증하기 위한 시스템(100)으로서,
    - 저장 디바이스(3)와;
    - 영상 촬영 디바이스(image capture device)(2)와;
    - 청구항 제11항에 기재된 데이터 프로세싱 디바이스(4)를 포함하고,
    상기 저장 디바이스(3)는, 제1의 미리결정된 개수(N1)의 동심 링들로 분할되는 기준 홍채 영상으로부터 획득된 기준 홍채의 적어도 하나의 이진 코드와, 그리고 눈꺼풀들, 속눈썹들, 반사상들, 혹은 노이즈의 다른 요인들이 검출된 상기 기준 홍채의 영역들을 식별시키는 관련된 기준 마스크의 이진 코드를 저장하고,
    상기 영상 촬영 디바이스(2)는 식별 및/또는 인증될 상기 개체의 눈의 영상을 획득하도록 되어 있고,
    상기 데이터 프로세싱 디바이스(4)는, 상기 획득된 영상과 상기 기준 영상 간의 정합 거리(HDViterbi)를 최소화시키도록 되어 있고, 그리고 만약 상기 최소화된 정합 거리가 임의의 미리결정된 임계치보다 작다면 상기 개체를 식별 및/또는 인증하도록 되어 있는 것을 특징으로 하는 개체를 식별 및/또는 인증하기 위한 시스템.
KR1020160074607A 2015-06-15 2016-06-15 홍채 인식에 의해 개체를 식별 및/또는 인증하기 위한 방법 KR102501209B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1555440 2015-06-15
FR1555440A FR3037422B1 (fr) 2015-06-15 2015-06-15 Procede d'identification et/ou d'authentification d'un individu par reconnaissance d'iris

Publications (2)

Publication Number Publication Date
KR20160147675A KR20160147675A (ko) 2016-12-23
KR102501209B1 true KR102501209B1 (ko) 2023-02-17

Family

ID=54608623

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160074607A KR102501209B1 (ko) 2015-06-15 2016-06-15 홍채 인식에 의해 개체를 식별 및/또는 인증하기 위한 방법

Country Status (8)

Country Link
US (1) US10078782B2 (ko)
EP (1) EP3107035B1 (ko)
JP (1) JP6820672B2 (ko)
KR (1) KR102501209B1 (ko)
CN (1) CN106250810B (ko)
DK (1) DK3107035T3 (ko)
FR (1) FR3037422B1 (ko)
TW (1) TWI710961B (ko)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9495590B1 (en) * 2015-04-23 2016-11-15 Global Bionic Optics, Ltd. Extended depth-of-field biometric system
WO2018008934A2 (en) * 2016-07-07 2018-01-11 Samsung Electronics Co., Ltd. Adaptive quantization method for iris image encoding
CN109964245A (zh) * 2016-12-06 2019-07-02 深圳市大疆创新科技有限公司 用于校正广角图像的系统和方法
US10242449B2 (en) * 2017-01-04 2019-03-26 Cisco Technology, Inc. Automated generation of pre-labeled training data
KR102279550B1 (ko) * 2017-01-23 2021-07-20 삼성전자주식회사 홍채를 위한 합성 코드를 이용한 인증 방법 및 인증 장치
EP3602399B1 (en) * 2017-03-24 2022-10-05 Magic Leap, Inc. Accumulation and confidence assignment of iris codes
CN109840461B (zh) * 2017-11-28 2021-05-25 武汉真元生物数据有限公司 一种基于动态虹膜图像的识别方法及装置
KR102035230B1 (ko) * 2018-01-22 2019-10-22 보은에스앤씨 주식회사 분말소화기용 체크밸브
CN108961494A (zh) * 2018-06-21 2018-12-07 南通大学 一种虹膜识别的储物柜开启方法
US20200320334A1 (en) * 2019-04-05 2020-10-08 Ent. Services Development Corporation Lp Systems and methods for digital image-based object authentication
CN110781747B (zh) * 2019-09-23 2022-03-01 杭州电子科技大学 一种基于变异系数的睫毛遮挡区域预检测方法
CN110728251B (zh) * 2019-10-22 2020-05-12 吉林大学 一种基于强化泛用型虹膜特征标签的轻量级身份验证方法
CN111666847A (zh) * 2020-05-26 2020-09-15 张彦龙 一种基于局部0-1量化技术的虹膜分割、特征提取和匹配方法
CN112163507B (zh) * 2020-09-25 2024-03-05 北方工业大学 一种面向移动端的轻量级虹膜识别系统
CN112668717B (zh) * 2021-01-04 2023-06-02 哈尔滨工业大学 一种面向神经网络模型优化的数据处理方法和装置
CN112949518B (zh) * 2021-03-09 2024-04-05 上海聚虹光电科技有限公司 虹膜图像处理方法、装置、设备及存储介质
CN113345145A (zh) * 2021-05-21 2021-09-03 马中原 一种基于多重认证的二道门智能化管理系统
FR3123739B1 (fr) 2021-06-02 2024-02-02 Idemia Identity & Security France Procede et dispositif d’identification et/ou d’authentification biometrique
CN115018799B (zh) * 2022-06-15 2022-11-11 潍坊眼科医院有限责任公司 一种基于深度学习的眼底图像质量优化方法
CN115100731B (zh) * 2022-08-10 2023-03-31 北京万里红科技有限公司 一种质量评价模型训练方法、装置、电子设备及存储介质
CN116798107B (zh) * 2023-06-16 2024-05-14 北京万里红科技有限公司 一种用于比对虹膜图像的可视化处理方法及装置
CN116580446B (zh) * 2023-07-11 2023-10-24 武汉大学人民医院（湖北省人民医院） 一种泛血管疾病虹膜特点识别方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004362619A (ja) * 2002-11-07 2004-12-24 Matsushita Electric Ind Co Ltd 虹彩登録装置
JP2006340903A (ja) * 2005-06-09 2006-12-21 Sony Corp 行動認識装置、方法およびプログラム

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5291560A (en) * 1991-07-15 1994-03-01 Iri Scan Incorporated Biometric personal identification system based on iris analysis
US6229905B1 (en) * 1997-03-26 2001-05-08 Oki Electric Industry Co., Ltd. Animal identification based on irial granule analysis
JP3586431B2 (ja) * 2001-02-28 2004-11-10 松下電器産業株式会社 個人認証方法および装置
US7155035B2 (en) * 2002-02-05 2006-12-26 Matsushita Electric Industrial Co., Ltd. Personal authentication method, personal authentication apparatus and image capturing device
JP2006136666A (ja) * 2004-11-15 2006-06-01 Asahi Kasei Corp 体動認識装置、体動認識方法、及び、プログラム
US8375218B2 (en) * 2004-12-07 2013-02-12 Mitsubishi Electric Research Laboratories, Inc. Pre-processing biometric parameters before encoding and decoding
CN101030244B (zh) * 2006-03-03 2010-08-18 中国科学院自动化研究所 基于人体生理图像中排序测度特征的自动身份识别方法
US8023699B2 (en) * 2007-03-09 2011-09-20 Jiris Co., Ltd. Iris recognition system, a method thereof, and an encryption system using the same
WO2009041963A1 (en) * 2007-09-24 2009-04-02 University Of Notre Dame Du Lac Iris recognition using consistency information
TWI459309B (zh) * 2008-11-28 2014-11-01 Chi Mei Comm Systems Inc 虹膜識別系統及方法
US8577094B2 (en) * 2010-04-09 2013-11-05 Donald Martin Monro Image template masking
CN101894256B (zh) * 2010-07-02 2012-07-18 西安理工大学 基于奇对称2D Log-Gabor滤波器的虹膜识别方法
FR2969344B1 (fr) * 2010-12-17 2013-01-04 Thales Sa Procede de comparaison d'images d'iris par selection intelligente de zones texturees
US20150320311A1 (en) * 2014-05-12 2015-11-12 Here Global B.V. Method and apparatus for iris recognition using natural light
CN104166848B (zh) * 2014-08-28 2017-08-29 武汉虹识技术有限公司 一种应用于虹膜识别的匹配方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004362619A (ja) * 2002-11-07 2004-12-24 Matsushita Electric Ind Co Ltd 虹彩登録装置
JP2006340903A (ja) * 2005-06-09 2006-12-21 Sony Corp 行動認識装置、方法およびプログラム

Also Published As

Publication number Publication date
TWI710961B (zh) 2020-11-21
EP3107035B1 (fr) 2023-02-15
US10078782B2 (en) 2018-09-18
EP3107035A1 (fr) 2016-12-21
JP2017004525A (ja) 2017-01-05
CN106250810A (zh) 2016-12-21
DK3107035T3 (da) 2023-05-01
FR3037422B1 (fr) 2017-06-23
CN106250810B (zh) 2021-11-23
KR20160147675A (ko) 2016-12-23
FR3037422A1 (fr) 2016-12-16
US20160364611A1 (en) 2016-12-15
JP6820672B2 (ja) 2021-01-27
TW201706907A (zh) 2017-02-16

Similar Documents

Publication Publication Date Title
KR102501209B1 (ko) 홍채 인식에 의해 개체를 식별 및/또는 인증하기 위한 방법
US11657525B2 (en) Extracting information from images
US20200184187A1 (en) Feature extraction and matching for biometric authentication
US8442276B2 (en) Invariant radial iris segmentation
US9922238B2 (en) Apparatuses, systems, and methods for confirming identity
US10445574B2 (en) Method and apparatus for iris recognition
US20230252662A1 (en) Extracting information from images
US11232280B2 (en) Method of extracting features from a fingerprint represented by an input image
US8639058B2 (en) Method of generating a normalized digital image of an iris of an eye
KR20160058129A (ko) 홍채 기반 생체 인식을 위한 방법 및 장치
US8755607B2 (en) Method of normalizing a digital image of an iris of an eye
US8854446B2 (en) Method of capturing image data for iris code based identification of vertebrates
Alonso‐Fernandez et al. Near‐infrared and visible‐light periocular recognition with Gabor features using frequency‐adaptive automatic eye detection
MX2012010602A (es) Aparato para el reconocimiento de la cara y metodo para el reconocimiento de la cara.
US11720658B2 (en) Method and apparatus of performing authentication
KR20070088982A (ko) 변형에 강건한 홍채 인식 방법
Lee et al. Improvements in video-based automated system for iris recognition (vasir)
WO2007103698A2 (en) Invariant radial iris segmentation
Mohammed et al. Conceptual analysis of Iris Recognition Systems
Zhou et al. A robust pupil localization via a novel parameter optimization strategy
Sayeed et al. Iris recognition using segmental Euclidean Distances
CN118172860A (zh) 一种基于身份识别的智能校园门禁系统
De et al. Study of Iris Pattern Matching and Detection of the Persons having Squint
Czajka et al. Iris recognition with compact zero-crossing-based coding
Makinana Iris Image Quality Assessment for Online Biometrics Systems

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