KR102629393B1 - 병렬 서브샘플링 구조를 가지는 cnn 기반 지정맥 인식 기법 - Google Patents
병렬 서브샘플링 구조를 가지는 cnn 기반 지정맥 인식 기법 Download PDFInfo
- Publication number
- KR102629393B1 KR102629393B1 KR1020210108707A KR20210108707A KR102629393B1 KR 102629393 B1 KR102629393 B1 KR 102629393B1 KR 1020210108707 A KR1020210108707 A KR 1020210108707A KR 20210108707 A KR20210108707 A KR 20210108707A KR 102629393 B1 KR102629393 B1 KR 102629393B1
- Authority
- KR
- South Korea
- Prior art keywords
- finger vein
- vein
- image
- finger
- layer
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 210000003462 vein Anatomy 0.000 claims abstract description 242
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims description 35
- 238000011176 pooling Methods 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 18
- 230000000877 morphologic effect Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 6
- 230000004807 localization Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/14—Vascular patterns
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/117—Identification of persons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Human Computer Interaction (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Vascular Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
병렬 서브샘플링 구조를 가지는 CNN 기반 지정맥 인식 기법이 개시된다. 일 실시예에 따른 지정맥 인식 시스템은, 손가락 내부의 정맥 정보가 촬영됨에 따라 획득된 지정맥 영상을 입력받는 이미지 입력부; 상기 입력받은 지정맥 영상에서 배경 이미지와 정맥 패턴을 포함하는 이미지를 분할하기 위한 전처리 과정을 수행하는 전처리부; 및 지정맥 인식을 위한 모델을 이용하여 상기 전처리 과정이 수행된 정맥 패턴을 포함하는 이미지로부터 지정맥을 인식하는 지정맥 인식부를 포함하고, 상기 지정맥 인식을 위한 모델은, 지정맥 영상으로부터 추출된 블록별 특징 정보를 통해 정맥 분류를 수행하도록 학습된 것일 수 있다.
Description
아래의 설명은 지정맥 인식 기술에 관한 것이다.
생체 인식은 사용자 친화적이고 안전한 인식 시스템을 통해 개별 속성을 지능적으로 식별하는 데 사용되는 개인 식별 기술이다. 일례로, 생체 인식 기술은 지문, 얼굴, 홍채 및 음성과 같은 생리적 특징을 활용하여 사용자 개인을 인식한다. 그러나 이러한 생체 인식은 인체의 외적인 특성을 이용하여 쉽게 모방되거나 위조될 수 있어 식별 시스템에 위협이 된다.
반면에, 지정맥 기반 생체 인식은 정맥 패턴인 피부의 은폐된 특징을 고려한 인체 고유의 특성을 인식하기 위한 목적으로 활용된다. 이러한 모달리티는 피부 상태의 영향을 최소화하고 보편성, 고유성 및 영속성과 같은 여러 가지를 고려하기 때문에 위조 및 모방에 강하다.
지정맥 인식 시스템을 개발하기 위해 기존의 수학적 모델, 머신 러닝, 딥 러닝에 기반한 다양한 접근 방식이 연구된 바 있다. 종래의 기술은 높은 계산 복잡성을 요구하는 복잡한 수학적 모델을 활용하고 열악한 특징 추출 성능으로 인해 실용적인 정맥 인식 시스템을 개발하는 데 상당히 위협이 된다는 문제점이 있다.
이에, 기계 학습 및 딥 러닝과 같은 기술을 이용한 지정맥 인식 시스템 기술이 요구되고 있다. 특히, 원본 영상에서 특징을 추출하는 CNN(Convolutional Neural Networks)과 같은 DL 알고리즘의 지능적인 특성으로 인해 최근에는 견고하고 정확한 지정맥 인식 시스템의 개발이 관심의 대상이 되고 있다. 예를 들면, 비특허문헌 1에서는 모양과 질감 이미지의 점수 수준 융합으로 매칭 점수를 생성하는 지정맥 인식을 위해 DenseNet을 사용하였고, 비특허문헌 2에서는 우수한 인식 성능을 제공하기 위해 DenseNet 기반 인식 네트워크에 대한 입력으로 3채널 합성 이미지를 사용하였고, 비특허문헌 3, 4에서는 일반적인 CNN 아키텍처를 광범위하게 활용하여 지정맥 생체 인식 시스템의 강력한 인식 성능을 달성한 바 있다.
비특허문헌 1: K. J. Noh, J. Choi, J. S. Hong, and K. R. Park, "Finger-Vein Recognition Based on Densely Connected Convolutional Network Using Score-Level Fusion With Shape and Texture Images," IEEE Access, vol. 8, pp. 96748-96766, May 2020.
비특허문헌 2: J. M. Song, W. Kim, and K. R. Park, "Finger-Vein Recognition Based on Deep DenseNet Using Composite Image," IEEE Access, vol. 7, pp. 66845-66863, May 2019.
비특허문헌 3: R. S. Kuzu, E. Piciucco, E. Maiorana, and P. Campisi, "On-the-Fly Finger-Vein-Based Biometric Recognition Using Deep Neural Networks," IEEE Transactions on Information Forensics and Security, vol. 15, pp. 2641-2654, Feb. 2020.
비특허문헌 4: H. Qin, and M. A. El-Yacoubi, "Deep Representation for Finger-Vein Image-Quality Assessment," IEEE Transactions on Circuits and Systems for Video Technology, vol. 28, no. 8, pp. 1677-1693, Aug. 2018.
지정맥 인식을 위한 모델을 이용하여 지정맥 영상으로부터 지정맥을 인식하는 방법 및 시스템을 제공할 수 있다.
지정맥 영상으로부터 추출된 블록별 특징 정보를 통해 정맥 분류를 수행하도록 구성된 CNN 기반의 지정맥 인식을 위한 모델을 제공할 수 있다.
지정맥 인식 시스템은, 손가락 내부의 정맥 정보가 촬영됨에 따라 획득된 지정맥 영상을 입력받는 이미지 입력부; 상기 입력받은 지정맥 영상에서 배경 이미지와 정맥 패턴을 포함하는 이미지를 분할하기 위한 전처리 과정을 수행하는 전처리부; 및 지정맥 인식을 위한 모델을 이용하여 상기 전처리 과정이 수행된 정맥 패턴을 포함하는 이미지로부터 지정맥을 인식하는 지정맥 인식부를 포함하고, 상기 지정맥 인식을 위한 모델은, 지정맥 영상으로부터 추출된 블록별 특징 정보를 통해 정맥 분류를 수행하도록 학습된 것일 수 있다.
상기 지정맥 인식을 위한 모델은, 블록별 특징 추출을 위한 복수 개의 블록으로 구성된 특징 추출 네트워크와, 상기 특징 추출 네트워크를 통과함에 따라 출력된 블록별 특징 정보로부터 분류 작업을 위한 복수 개의 완전 연결 레이어로 구성된 분류 블록을 포함하도록 구축될 수 있다.
상기 특징 추출 네트워크는, 상기 구성된 복수 개의 블록의 각각에 컨볼루션 레이어와, 상기 컨볼루션 레이어에 이어서 병렬 구조의 서브샘플링 레이어가 배치되고, 상기 서브샘플링 레이어에 이어서 연결 레이어가 배치되고, 상기 블록과 상기 블록 사이에 정류 비선형 단위(ReLU) 활성화 함수가 배치될 수 있다.
상기 서브샘플링 레이어는, 최대 풀링과 평균 풀링을 포함하는 복수 개의 풀링 레이어를 포함할 수 있다.
상기 구성된 복수 개의 블록은, 5개이고, 상기 5 개의 블록의 각각에 배치된 컨볼루션 레이어 중, 세 개의 컨볼루션 레이어는 (5, 5) 커널 크기가 사용되고, 두 개의 컨볼루션 레이어는 (3, 3) 커널 크기가 사용될 수 있다.
상기 분류 블록은, 두 개의 완전 연결 레이어에 비선형 단위(ReLU) 활성화 함수를 사용하고, 마지막 완전 연결 레이어에 소프트 맥스를 활성화 함수로 사용할 수 있다.
상기 지정맥 영상은, 적외선 이미지 센서를 통해 손가락 내부의 정맥 패턴을 촬영하여 획득된 것이고, 상기 전처리부는, 상기 지정맥 영상을 커팅하여 특정 차수로 서브 샘플링을 하는 정규화를 수행할 수 있다.
상기 전처리부는, 상기 정규화가 수행됨에 따라 선택된 관심 영역에 대하여 이미지의 명암 대비를 강조하기 위한 히스토그램 이퀄라이제이션(Equlization)을 수행할 수 있다.
상기 전처리부는, 상기 수행된 히스토그램 이퀄라이제이션을 통해 획득된 이미지의 정맥 특징을 강조하기 위한 가버 필터링(Gabor Filtering)을 수행할 수 있다.
상기 전처리부는, 상기 가버 필터링을 수행함에 따라 강조된 정맥 특징을 포함하는 이미지에서 정맥 패턴의 선명도를 높이기 위한 형태학적 연산(Morphological operations)을 수행할 수 있다.
상기 전처리부는, 상기 형태학적 연산을 수행함에 따라 정맥 패턴의 선명도를 높인 이미지에서 상기 정맥 패턴의 위치를 지정하기 위한 바이너리 임계(Binary Thresholding)를 통해 임계값 이상의 픽셀값 정맥 패턴을 포함하는 전처리된 이미지를 획득할 수 있다.
지정맥 시스템에 의해 수행되는 지정맥 인식 방법은, 손가락 내부의 정맥 정보가 촬영됨에 따라 획득된 지정맥 영상을 입력받는 단계; 상기 입력받은 지정맥 영상에서 배경 이미지와 정맥 패턴을 포함하는 이미지를 분할하기 위한 전처리 과정을 수행하는 단계; 및 지정맥 인식을 위한 모델을 이용하여 상기 전처리 과정이 수행된 정맥 패턴을 포함하는 이미지로부터 지정맥을 인식하는 단계를 포함하고, 상기 지정맥 인식을 위한 모델은, 지정맥 영상으로부터 추출된 블록별 특징 정보를 통해 정맥 분류를 수행하도록 학습된 것일 수 있다.
상기 지정맥 인식을 위한 모델은, 블록별 특징 추출을 위한 복수 개의 블록으로 구성된 특징 추출 네트워크와. 상기 특징 추출 네트워크를 통과함에 따라 출력된 블록별 특징 정보로부터 분류 작업을 위한 복수 개의 완전 연결 레이어로 구성된 분류 블록을 포함하도록 구축될 수 있다.
상기 특징 추출 네트워크는, 상기 구성된 복수 개의 블록의 각각에 컨볼루션 레이어와, 상기 컨볼루션 레이어에 이어서 병렬 구조의 서브샘플링 레이어가 배치되고, 상기 서브샘플링 레이어에 이어서 연결 레이어가 배치되고, 상기 블록과 상기 블록 사이에 정류 비선형 단위(ReLU) 활성화 함수가 배치되고, 상기 서브샘플링 레이어는, 최대 풀링과 평균 풀링을 포함하는 복수 개의 풀링 레이어를 포함할 수 있다.
상기 분류 블록은, 두 개의 완전 연결 레이어에 비선형 단위(ReLU) 활성화 함수를 사용하고, 마지막 완전 연결 레이어에 소프트 맥스를 활성화 함수로 사용할 수 있다.
지정맥 영상으로부터 추출된 블록별 특징 정보를 통해 정맥 분류를 수행하도록 구성된 CNN 기반의 지정맥 인식을 위한 모델을 이용하여 이미지의 품질에 상관없이 지정맥 인식의 정확도를 향상시킬 수 있다.
도 1은 일 실시예에 따른 지정맥 인식 시스템의 개괄적인 동작을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 지정맥 인식 시스템에서 지정맥 영상에 대한 전처리를 수행하는 동작을 설명하기 위한 도면이다.
도 3은 일 실시예에 있어서, 지정맥 인식을 위한 모델의 구조를 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 지정맥 인식 시스템의 구성을 설명하기 위한 블록도이다.
도 5는 일 실시예에 따른 지정맥 인식 시스템에서 지정맥 인식 방법을 설명하기 위한 흐름도이다.
도 6은 일 실시예에 있어서, 지정맥 샘플 이미지의 예이다.
도 7은 일 실시예에 있어서, 지정맥 데이터의 예와 시각적 품질(양호 및 불량)에 따른 샘플을 나타낸 예이다.
도 8은 일 실시예에 있어서, 지정맥 인식 성능을 설명하기 위한 그래프이다.
도 2는 일 실시예에 따른 지정맥 인식 시스템에서 지정맥 영상에 대한 전처리를 수행하는 동작을 설명하기 위한 도면이다.
도 3은 일 실시예에 있어서, 지정맥 인식을 위한 모델의 구조를 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 지정맥 인식 시스템의 구성을 설명하기 위한 블록도이다.
도 5는 일 실시예에 따른 지정맥 인식 시스템에서 지정맥 인식 방법을 설명하기 위한 흐름도이다.
도 6은 일 실시예에 있어서, 지정맥 샘플 이미지의 예이다.
도 7은 일 실시예에 있어서, 지정맥 데이터의 예와 시각적 품질(양호 및 불량)에 따른 샘플을 나타낸 예이다.
도 8은 일 실시예에 있어서, 지정맥 인식 성능을 설명하기 위한 그래프이다.
이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.
도 1은 일 실시예에 따른 지정맥 인식 시스템의 개괄적인 동작을 설명하기 위한 도면이다.
지정맥 인식 시스템(100)은 지정맥 영상을 지정맥 인식을 위한 모델(110)의 입력 데이터로 입력받을 수 있다. 지정맥 인식을 위한 모델(100)의 입력 데이터는 배경에서 정맥 패턴을 분할하기 위해 네트워크에 공급되기 전에 전처리 과정이 수행될 수 있다. 지정맥 인식 시스템(100)은 전처리된 지정맥 이미지를 지정맥 인식을 위한 모델(100)에 입력받을 수 있다. 지정맥 인식 시스템(100)은 지정맥 인식을 위한 모델(110)을 이용하여 지정맥 영상에 대한 지정맥 인식 결과를 출력 데이터로 출력할 수 있다. 지정맥 인식 시스템(100)은 지정맥 인식을 위한 모델(110)을 이용하여 전처리된 지정맥 이미지로부터 지정맥 인식 결과를 획득할 수 있다.
이때, 지정맥 인식을 위한 모델(100)은 CNN 기반으로 한 새로운 손가락 정맥 인식 네트워크(FVR-Net)일 수 있다. 지정맥 인식을 위한 모델(100)은 블록별 특징 추출 네트워크를 사용하여 시각 품질에 관계없이 클래스 간 정맥 이미지 샘플에서 개별 특징을 추출할 수 있다. 지정맥 인식을 위한 모델(100)은 블록별 특징 추출을 위한 복수 개의 블록으로 구성된 특징 추출 네트워크와, 특징 추출 네트워크를 통과함에 따라 출력된 블록별 특징 정보로부터 분류 작업을 위한 복수 개의 완전 연결 레이어로 구성된 분류 블록(분류 네트워크)을 포함할 수 있다. 이때, 특징 추출 네트워크에서 복수 개의 블록 각각에 서브샘플링 레이어가 뒤따르는 컨볼루션 레이어로 구성되고, 네트워크 내의 다른 블록으로 전달되기 전에 활성화 맵이 연결될 수 있다. 서브샘플링 레이어는 병렬로 배치될 수 있으며, 최대 풀링과 평균 풀링으로 구성될 수 있다. 최대 풀링은 입력의 가장 이산적인 특징을 활성화하고, 평균 풀링은 특징의 더 나은 현지화(localization)에 액세스할 수 있는 입력 볼륨의 완전한 범위를 고려한다. 특징 추출 네트워크를 이용한 특징 추출 후에, 추출된 특징 정보는 분류를 위해 3계층의 완전 연결 레이어로 구성된 분류 블록으로 전달될 수 있다.
도 2는 일 실시예에 따른 지정맥 인식 시스템에서 지정맥 영상에 대한 전처리를 수행하는 동작을 설명하기 위한 도면이다.
지정맥 인식 시스템은 지정맥 인식을 위한 모델에 지정맥 영상을 입력하기 전, 지정맥 영상에 대한 전처리 과정을 수행할 수 있다.
지정맥 영상은 적외선 이미지 센서를 통해 손가락 내부의 정맥 패턴을 촬영하여 획득된 것일 수 있다. 이러한 지정맥 영상에는 정맥 패턴뿐만 아니라 다양한 손가락 모양과 근육으로 인한 불규칙한 노이즈와 강도 저하가 포함될 수 있다. 적외선 이미지 센서를 통해 획득된 지정맥 영상을 원본 정맥 이미지로 기재하기로 한다. 원본 정맥 이미지는 특징 추출 전에 전처리될 수 있다. 전처리 과정은 손가락의 회전, 변환 변형 특성이나 장치의 결함으로 이해 야기된 이미지 노이즈, 음영, 저대비 등 정맥 이미지에 나타나는 이상적이지 않은 모든 개체를 폐기하는 것이다.
도 2(a)는 전처리 과정의 동작을 나타낸 것이고, 도 2(b)는 도 2(a)의 각 전처리 과정에서 획득된 이미지의 결과를 나타낸 것이다.
지정맥 인식 시스템은 데이터 셋의 입력 이미지(201)는 다양한 크기와 방향으로 표시되므로 원본 정맥 이미지의 의도된 부분에 대한 ROI 선택(202)을 수행할 수 있다. 이를 통해 특징 추출을 위해 지정맥 인식을 위한 모델로 들어오는 모든 이미지의 차수를 균일하게 할 수 있다. ROI 선택(202)에서 모든 이미지를 100×300 픽셀 크기로 커팅하여 원하는 차수로 서브샘플링하는 정규화가 수행될 수 있다. 커팅된 이미지는 히스토그램 이퀄라이제이션(예를 들면, CLAHE(Contrast Limited Adaptive Histogram Equalization))(203)을 통해 이미지 강조를 거칠 수 있다. 히스토그램 이퀄라이제이션(203)에서 이미지 향상을 거치며, 이미지의 명암은 히스토그램에 더 잘 분포되도록 조정될 수 있다. 이를 통해 가장 빈번한 명암값이 효과적으로 확산되는 반면, 낮은 명암 영역은 더 높은 값을 얻을 수 있기 때문에 이미지의 전역 대비가 개선될 수 있다.
그 후, 지정맥 인식 시스템은 구체적인 정맥 특징을 강화하기 위하여 Gabor 필터링(204)을 실행할 수 있다. Gabor 필터링(204)은 텍스처 분할에 적합한 밴드패스 필터의 특수한 형태로서, 이미지의 공간 및 주파수 영역 모두에서 최적의 지역화 특성을 갖는다. 노이즈가 이미지에 미치는 영향을 줄여 우수한 특징 추출이 가능하고 궁극적으로 인식 정확도가 향상될 수 있다. 또한, 지정맥 인식 시스템은 정맥 패턴의 선명도를 높이기 위해 형태학적 연산(205)을 수행할 수 있다. 형태학적 연산(205)은 이미지의 중요한 모양 특성을 유지하면서 관련성이 없는 것을 삭제하는 경향이 있다. 형태학적 연산(205)에서는 그레이 스케일 축소 기법이 적용된 다음 그레이 스케일 확장이 적용될 수 있다. 축소 및 확장 변환은 정맥 이미지의 투시 이미지를 획득하는 것과 유사성을 나타낸다. 반복을 통해 윤곽선을 평활화하고 전역 특징의 기하학적 왜곡 없이 정맥 패턴의 작은 간격을 제거할 수 있다. 이미지의 정맥 패턴을 대략적으로 지역화하기 위하여 바이너리(이진화) 임계(206)가 적용될 수 있다. 예를 들면, 임계값이 110의 바이너리 기법이 적용될 수 있다. 임계값이 110보다 큰 픽셀 값은 흰색으로 정맥 패턴을 나타내고, 임계값이 110보다 작은 픽셀값은 배경 픽셀을 나타낸다. 지정맥 인식 시스템은 전처리 과정이 완료됨에 따라 전처리된 이미지(207)를 획득할 수 있다. 지정맥 인식 시스템에서 전처리된 이미지(207)를 지정맥 인식을 위한 모델에 전달하여 특징 추출 동작을 거쳐 추출된 특징을 분류할 수 있다.
도 3은 일 실시예에 있어서, 지정맥 인식을 위한 모델의 구조를 설명하기 위한 도면이다.
지정맥 인식 모델(110)은 블록별 특징 추출을 위한 복수 개(예를 들면, 5개)의 블록으로 구성된 특징 추출 네트워크(310)와, 특징 추출 네트워크(310)를 통과함에 따라 출력된 블록별 특징 정보로부터 분류 작업을 위한 복수 개의 완전 연결 레이어로 구성된 분류 블록(320)을 포함할 수 있다.
특징 추출 네트워크(310)에 구성된 복수 개의 블록의 각각에 컨볼루션 레이어와, 컨볼루션 레이어에 이어서 병렬 구조의 서브샘플링 레이어가 배치되고, 서브샘플링 레이어에 이어서 연결 레이어가 배치되고, 블록과 블록 사이에 정류 비선형 단위(ReLU) 활성화 함수가 배치될 수 있다.
상세하게는, 여기서 각 블록은 하나의 컨볼루션 레이어가 수반되며, 배치 정규화와 훈련 중 수렴 속도를 높이는 정류 비선형 단위 활성화 함수가 뒤따른다. 계산 비용을 줄이기 위해 특징 맵 공간 차수를 줄이는 서브샘플링 레이어가 각 컨볼루션 레이어 뒤에 도입될 수 있다. 특히, 2D 최대 풀링과 2D 평균 풀링이라는 두 가지의 유형의 풀링 레이어가 사용될 수 있다. 최대 풀링은 공간 차원에 걸쳐 커널을 컨볼루션하여 입력 볼륨의 하위 영역에서 최대값을 출력함으로써 특징 맵 내에서 높은 활성화 값을 추출하고 선명한 특징을 생성할 수 있다. 평균 풀링은 각 풀링 작업 중 하위 영역의 평균값을 고려한다. 네트워크가 입력 볼륨의 전체 범위를 식별하도록 권하는 것은 보다 일반화된 계산이다. 그러나, 서브샘플링 레이어는 네트워크에 동시에 배치되지 않고, 동일한 특징 맵이 두 풀링 레이어에 분산되도록 병렬로 배치될 수 있다. 두 개의 풀링 레이어를 모두 채택하는 이유는 손가락 정맥 특징이 번역 변형이기 때문에 특징 지역화의 보존이 가장 차별적인 특징을 보존하는 것만큼 중요하기 때문이다. 두 개의 풀링 레이어의 결과는 각 컨볼루션 레이어에 의해 생성된 특징 맵의 전역 텍스처 정보가 네트워크에 임박한 레이어로 효과적으로 피드 포워드 되도록 한다.
일례로, 100×300×1 크기의 전처리된 이미지가 지정맥 인식을 위한 모델(110)에 입력될 수 있다. 블록의 개수가 5개일 경우, 처음 3개의 블록에 있는 컨볼루션 레이어는 (5, 5) 커널 크기를 사용하고, 나머지 2 개의 블록에 있는 컨볼루션 레이어는 (3, 3)의 커널 크기를 사용할 수 있다. 커널 크기가 클수록 수용 필드의 크기가 크게 증가하여 이미지에서 큰 인스턴스의 인식이 향상될 수 있다. 지정맥 인식을 위한 모델(110)의 네트워크는 지역 패턴뿐만 아니라 이미지의 넓은 영역에 걸쳐있는 전역 패턴도 캡쳐할 수 있다. 채널 수는 두 연속적인 컨볼루션 레이어 사이에 번갈아 증가 및 감소하여 선택될 수 있다.
다섯 계의 연결 레이어(C1~C5)는 각 컨볼루션 레이어로부터 서브 샘플링된 특징을 연결하여 진행되는 레이어로 전달하는 역할을 담당한다. 또한, 과부하를 방지하기 위해 각 컨볼루션 레이어에 정규화 패널티 0.0001의 L2 정규화기를 사용할 수 있다. 각 레이어는 계산적으로 저렴한 매개변수를 처리하고 L2 정규화기는 충분한 정규화를 제공할 수 있기 때문에 드롭아웃은 활용되지 않는다.
분류 블록(분류 네트워크)(320)은 특징 추출 네트워크(310)를 통해 획득된 특징의 비선형 조합을 학습하기 위해 복수 개(예를 들면, 3개)의 완전 연결 레이어의 집합이 사용될 수 있다. 특징 추출 네트워크(310)의 최종 연결 레이어 C5의 출력은 분류 블록(320)에 입력되기 전에 1차원 벡터로 평평해질 수 있다. 완전 연결 레이어의 모든 입력 단위는 각 출력 단위에 연결된 별도의 가중치를 가지므로 학습이 가능한 총 매개변수의 수는 CNN에 비해 상대적으로 많다. 따라서, 많은 수의 매개변수로 인한 과적합을 방지하고 네트워크의 일반화를 개선하기 위해 최종 매개변수를 제외한 각 레이어에서 드롭아웃을 활용할 수 있다. 분류 블록(320)에서 처음 두 완전 연결 레이어는 ReLU를 활성화 함수로 사용하는 반면, 마지막 완전 연결 레이어는 소프트맥스(SoftMax)를 활성화 함수로 사용할 수 있다. 마지막 완전 연결 레이어는 각 입력 값이 S 클래스 중 하나에 속할 확률을 나타내는 1차원 벡터를 출력할 수 있다. S는 데이터 집합에서 샘플 정맥 이미지를 제공하는 피험자의 총 수이다. 획득된 확률 중에서 최종 손가락 정맥 식별을 위해 S 클래스 중 가장 높은 값을 선택하여 입력이 해당 특정 클래스에 속함을 나타낸다.
도 4는 일 실시예에 따른 지정맥 인식 시스템의 구성을 설명하기 위한 블록도이고, 도 5는 일 실시예에 따른 지정맥 인식 시스템에서 지정맥 인식 방법을 설명하기 위한 흐름도이다.
지정맥 인식 시스템(100)의 프로세서는 이미지 입력부(410), 전처리부(420) 및 지정맥 인식부(430)를 포함할 수 있다. 이러한 프로세서의 지정맥 인식 시스템에 저장된 프로그램 코드가 제공하는 제어 명령에 따라 프로세서에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 프로세서 및 프로세서의 구성요소들은 도 5의 지정맥 인식 방법이 포함하는 단계들(510 내지 530)을 수행하도록 지정맥 인식 시스템을 제어할 수 있다. 이때, 프로세서 및 프로세서의 구성요소들은 메모리가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.
프로세서는 지정맥 인식 방법을 위한 프로그램의 파일에 저장된 프로그램 코드를 메모리에 로딩할 수 있다. 예를 들면, 지정맥 인식 시스템에서 프로그램이 실행되면, 프로세서는 운영체제의 제어에 따라 프로그램의 파일로부터 프로그램 코드를 메모리에 로딩하도록 지정맥 인식 시스템을 제어할 수 있다. 이때, 이미지 입력부(410), 전처리부(420) 및 지정맥 인식부(430) 각각은 메모리에 로딩된 프로그램 코드 중 대응하는 부분의 명령을 실행하여 이후 단계들(510 내지 530)을 실행하기 위한 프로세서의 서로 다른 기능적 표현들일 수 있다.
단계(510)에서 이미지 입력부(410)는 손가락 내부의 정맥 정보가 촬영됨에 따라 획득된 지정맥 영상을 입력받을 수 있다. 이때, 지정맥 영상은 적외선 이미지 센서를 통해 손가락 내부의 정맥 패턴을 촬영하여 획득된 것일 수 있다.
단계(520)에서 전처리부(420)는 입력받은 지정맥 영상에서 배경 이미지와 정맥 패턴을 포함하는 이미지를 분할하기 위한 전처리 과정을 수행할 수 있다. 전처리부(420)는 지정맥 영상을 커팅하여 특정 차수로 서브 샘플링을 하는 정규화를 수행할 수 있다. 전처리부(420)는 정규화가 수행됨에 따라 선택된 관심 영역에 대하여 이미지의 명암 대비를 강조하기 위한 히스토그램 이퀄라이제이션(Equlization)을 수행할 수 있다. 전처리부(420)는 수행된 히스토그램 이퀄라이제이션을 통해 획득된 이미지의 정맥 특징을 강조하기 위한 가버 필터링(Gabor Filtering)을 수행할 수 있다. 전처리부(420)는 가버 필터링을 수행함에 따라 강조된 정맥 특징을 포함하는 이미지에서 정맥 패턴의 선명도를 높이기 위한 형태학적 연산(Morphological operations)을 수행할 수 있다. 전처리부(420)는 형태학적 연산을 수행함에 따라 정맥 패턴의 선명도를 높인 이미지에서 정맥 패턴의 위치를 지정하기 위한 바이너리 임계(Binary Thresholding)를 통해 임계값 이상의 픽셀값 정맥 패턴을 포함하는 전처리된 이미지를 획득할 수 있다.
단계(530)에서 지정맥 인식부(430)는 지정맥 인식을 위한 모델을 이용하여 상기 전처리 과정이 수행된 정맥 패턴을 포함하는 이미지로부터 지정맥을 인식할 수 있다.
도 6은 일 실시예에 있어서, 지정맥 샘플 이미지의 예이다.
지정맥 인식을 위한 모델은 도 6과 같이 복수 개의 데이터 셋(예를 들면, HKPU 데이터베이스와 FVUSM 데이터베이스)을 이용하여 학습될 수 있다. 데이터베이스에서 사용 가능한 모든 대상 내에서 모든 샘플은 시각적 인식으로 기반으로 라벨링될 수 있다. 특히, 정맥 이미지는 양호한 품질과 불량한 품질의 두 그룹 중 하나로 위탁될 수 있다. 대규모 데이터 집합의 경우 수동 검사는 시간이 많이 걸리고 번거롭지만 평가된 이미지 화질을 실제로 나타낼 수 있다.
도 6(a)는 HKPU 원본 이미지, 도 6(b)는 HKPU 전처리된 이미지, 도 6(c)는 FVUSM 원본 이미지 및 도 6(d)는 FVUSM 전처리된 이미지를 나타낸다.
HKPU 지정맥 데이터베이스는 2009년 4월부터 2010년 3월까지 홍콩 폴리텍대학 캠퍼스에서 비접촉 영상 장치를 사용하여 취득된 것이다. 피험자들을 통해 513Х256픽셀 크기의 3132개의 이미지로 구성될 수 있다. 피험자에 따라 두 개의 서로 다른 세션 또는 단일 세션에서 이미지가 캡쳐될 수 있다.
FVUSM 지정맥 데이터베이스는 20세에서 52세 사이의 123명의 피험자(남 83명, 여 40명)로부터 수집된 것일 수 있다. 이미지는 2주 이상 간격을 두고 두 세션에 걸쳐 획득될 수 있다.
도 7은 지정맥 데이터의 예와 시각적 품질(양호 및 불량)에 따른 샘플을 나타낸 예이다. 모든 이미지는 전처리 단계에서 네트워크별 입력 크기가 100Х300Х1로 조정될 수 있다. 좋은 품질의 샘플의 정맥 패턴은 전경(흰색 픽셀)과 배경(검은색 픽셀) 간의 분리 가능성을 포함하여 충분한 공간 정보를 제공한다. 품질이 낮은 이미지 샘플은 배경에서 정맥 분리 가능성에 대한 시각적 정보가 상대적으로 적다. 도 7(a)와 도 7(b)는 HKPU 데이터 셋에서 좋은 품질과 나쁜 품질을 나타낸 것이고, 도 7(c)와 도 7(d)는 FVUSM 데이터 셋에서 좋은 품질과 나쁜 품질을 나타낸 것이다.
각 데이터베이스에서 사용할 수 있는 피험자당 총 샘플 수는 모델을 훈련하기에 충분하지 않기 때문에 모델이 이미지 다양성에 견고하도록 훈련 데이터에 클래스 내 데이터 증대 기법이 적용될 수 있다. 실제 시나리오에서 서로 다른 정맥 패턴의 변형이 반영될 수 있도록 데이터 셋을 확장하고 풍부하게 만드는 것이다. 실시예에서는 폭과 높이 이동이 0.01픽셀의 왼쪽-오른쪽 및 위쪽-아래쪽 방식으로 수행될 수 있다. 모델이 다른 각도에서 훈련 이미지를 인식하도록 하기 위해 0.01의 전단 값도 활용할 수 있다.
도 8은 일 실시예에 있어서, 지정맥 인식 성능을 설명하기 위한 그래프이다.
지정맥 인식을 위한 모델은 배치 크기 32, 학습률 0.0001의 RMS prop 옵티마이저를 사용하여 최대 25개의 에포크를 학습할 수 있다. L2 정규화 및 드롭아웃과 같은 정규화 기술도 활용될 수 있다.
표 1: 두 개의 서로 다른 데이터베이스를 사용하여 지정맥 인식을 위한 모델에서 얻은 인식 정확도
표 1의 실험 결과로부터 다음을 추론할 수 있다. 두 데이터 셋의 좋은 품질 이미지가 나쁜 이미지에 비해 더 높은 인식 정확도를 얻음을 알 수 있다. 좋은 이미지의 정맥 패턴은 이미지의 공간적 위치에 간결하게 분포되어 있기 때문에 입력에 대한 가장 추상적인 표현은 견고하게 설계된 특징 추출 네트워크를 적용하여 각 레이어에서 활성화될 수 있다. 분류 네트워크는 피사체별로 추출된 특징을 이용하여 이미지를 정확하게 분류하여 사람을 인식할 수 있으므로 더 높은 인식 정확도를 얻을 수 있다.
지정맥 인식을 위한 모델의 성능을 검증하기 위해 하나 이상의 정규화 기술이 없을 때 모델이 어떻게 수행되는지 조사될 수 있다. 표 2, 3은 지정맥 인식 시스템이 획득한 인식 정확도를 다양한 방식으로 나타낸 것이다.
표 2: L2 정규화 유무에 따른 모델 학습을 통해 지정맥 인식을 위한 모델의 인식 정확도
표 3: 드롭아웃 정규화를 포함하거나 포함하지 않은 모델을 학습하여 지정맥 인식을 위한 모델에서 얻은 인식 정확도
L2 정규화 및 드롭아웃과 같은 매개변수를 사용하여 다음이 추론될 수 있다. 정규화 없이 모델이 훈련 데이터에 극도로 과적합되어 테스트 데이터에 대한 인식 성능이 극도로 저하됨이 관찰될 수 있다. 이는 정규화 페널티가 없으면 모델의 가중치 값 최적화 능력이 제한되어 네트워크가 훈련 데이터의 노이즈에 더 민감해지고 궁극적으로 인식 성능이 저하되기 때문이다.
또한, 커널 크기 및 CNN 깊이와 같은 네트워크 하이퍼파라미터를 약간 조정하여 여러 다른 실험을 실행하고 테스트 데이터에서 잘 일반화되는 최상의 모델이 탐색될 수 있다. 각각 커널 크기와 CNN 깊이를 변경하여 두 데이터 세트에 대해 지정맥 인식 시스템이 얻은 인식 정확도를 나타내는 표 4와 5에서 다음을 추론할 수 있다.
표 4: CNN의 서로 다른 커널 크기로 모델을 훈련하여 지정맥 인식을 위한 모델에서 얻은 인식 정확도
표 5: CNN의 서로 다른 커널 크기로 모델을 훈련하여 지정맥 인식을 위한 모델에서 얻은 인식 정확도
모든 커널 크기에서 최적의 인식 정확도가 5Х5로 달성되었음을 확인할 수 있다. 지정맥 영상에서 추출된 특징의 크기가 매우 작은 것부터 큰 것까지 다양하기 때문에 극단적인 커널 크기로 추출한 정보의 양은 네트워크의 정교한 표현 학습에 충분하지 않았다.
CNN 깊이를 변화시키는 측면에서 유사한 이미지 품질에서 더 큰 M을 갖는 네트워크가 제공하는 인식 정확도가 훨씬 더 높다는 것을 알 수 있다. 이는 더 많은 레이어가 추가됨에 따라 심층 네트워크가 각 레이어에서 계층적 표현을 생성할 수 있기 때문에 모델이 입력의 새로운 추상 표현을 학습하여 궁극적으로 더 높은 정확도를 얻을 수 있기 때문이다.
정맥 이미지의 번역 변형 특성을 고려하여 선택된 하이퍼파라미터를 제안된 네트워크에 적용하여 개별 주제의 고유한 특성을 잃지 않고 입력의 다중 스케일 깊은 특성을 활용할 수 있다. 따라서 제안된 네트워크 구조를 기반으로 강력한 지정맥 인식 시스템을 결정하기 위한 최적의 하이퍼파라미터 선택으로 간주할 수 있다.
도 8은 훈련 데이터 세트와 검증 데이터 세트 모두에서 제안된 모델의 일반화된 학습 곡선을 나타낸 것이다. 훈련 에포크(training epoch)가 100으로 설정되어 있지만 에포크 25에서 검증 손실(validation loss)의 포화가 관찰되었음을 분명히 알 수 있다. 이 시점에서 훈련이 중지되고 모델이 광범위한 학습으로 인한 과적합에 면역이 될 수 있다. 또한, 모델이 정맥 이미지 분류를 위해 매우 우수한 손실 함수 수렴을 제공함을 확인할 수 있다.
일 실시예에 따르면, 지정맥 인식을 위한 모델은 원본 이미지의 시각적 품질을 향상시키기 위한 데이터 전처리와 개별 입력 샘플의 특징 추출 및 분류를 위한 CNN 구조의 두 부분으로 구성될 수 있다. 지정맥 인식을 위한 모델은 다양한 하이퍼파라미터 설정에서 지정맥 이미지로 구성된 공개적으로 사용 가능한 데이터 세트에서 평가될 수 있다. 네트워크 하이퍼파라미터를 최적으로 설정하여 이미지 품질에 관계없이 두 데이터 세트 모두에 대해 우수한 인식 정확도를 획득할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (15)
- 지정맥 인식 시스템에 있어서,
지정맥 이미지를 지정맥 인식을 위한 모델에 입력받는 이미지 입력부; 및
상기 지정맥 인식을 위한 모델을 이용하여 상기 지정맥 이미지로부터 지정맥을 인식하는 지정맥 인식부
를 포함하고,
상기 지정맥 인식을 위한 모델은,
블록별 특징 추출을 위한 복수 개의 블록으로 구성된 특징 추출 네트워크와, 상기 특징 추출 네트워크를 통과함에 따라 출력된 블록별 특징 정보로부터 분류 작업을 위한 복수 개의 완전 연결 레이어로 구성된 분류 블록을 포함하도록 구축되고, 상기 구성된 복수 개의 블록의 각각에 컨볼루션 레이어와, 상기 컨볼루션 레이어에 이어서 병렬 구조의 서브샘플링 레이어가 배치되고, 상기 서브샘플링 레이어에 이어서 연결 레이어가 배치되고, 상기 블록과 상기 블록 사이에 정류 비선형 단위(ReLU) 활성화 함수가 배치되는 것을 포함하고,
손가락 내부의 정맥 정보가 촬영됨에 따라 획득된 지정맥 영상 데이터를 입력받고, 상기 입력받은 지정맥 영상 데이터에서 배경 이미지와 정맥 패턴을 포함하는 이미지를 분할하기 위한 전처리 과정을 수행하고, 상기 전처리 과정이 수행된 정맥 패턴을 포함하는 지정맥 영상 데이터로부터 추출된 블록별 특징 정보를 통해 정맥 분류를 수행하도록 학습된 것이고,
상기 서브샘플링 레이어는, 최대 풀링과 평균 풀링을 포함하는 복수 개의 풀링 레이어를 포함하고,
상기 전처리 과정은,
상기 지정맥 영상 데이터를 커팅하여 특정 차수로 서브 샘플링을 하는 정규화를 수행하고, 상기 정규화가 수행됨에 따라 선택된 관심 영역에 대하여 이미지의 명암 대비를 강조하기 위한 히스토그램 이퀄라이제이션(Equlization)을 수행하고, 상기 수행된 히스토그램 이퀄라이제이션을 통해 획득된 이미지의 정맥 특징을 강조하기 위한 가버 필터링(Gabor Filtering)을 수행하고, 상기 가버 필터링을 수행함에 따라 강조된 정맥 특징을 포함하는 이미지에서 정맥 패턴의 선명도를 높이기 위한 형태학적 연산(Morphological operations)을 수행하고, 상기 형태학적 연산을 수행함에 따라 정맥 패턴의 선명도를 높인 이미지에서 상기 정맥 패턴의 위치를 지정하기 위한 바이너리 임계(Binary Thresholding)를 통해 임계값 이상의 픽셀값 정맥 패턴을 포함하는 전처리된 이미지를 획득하는 것인,
지정맥 인식 시스템. - 삭제
- 삭제
- 삭제
- 제1항에 있어서,
상기 구성된 복수 개의 블록은, 5개이고,
상기 5 개의 블록의 각각에 배치된 컨볼루션 레이어 중, 세 개의 컨볼루션 레이어는 (5, 5) 커널 크기가 사용되고, 두 개의 컨볼루션 레이어는 (3, 3) 커널 크기가 사용되는
것을 특징으로 하는 지정맥 인식 시스템. - 제1항에 있어서,
상기 분류 블록은, 두 개의 완전 연결 레이어에 비선형 단위(ReLU) 활성화 함수를 사용하고, 마지막 완전 연결 레이어에 소프트 맥스를 활성화 함수로 사용하는
것을 특징으로 하는 지정맥 인식 시스템. - 제1항에 있어서,
상기 지정맥 영상 데이터는,
적외선 이미지 센서를 통해 손가락 내부의 정맥 패턴을 촬영하여 획득된
것을 특징으로 하는 지정맥 인식 시스템. - 삭제
- 삭제
- 삭제
- 삭제
- 지정맥 시스템에 의해 수행되는 지정맥 인식 방법에 있어서,
지정맥 이미지를 지정맥 인식을 위한 모델에 입력받는 단계; 및
상기 지정맥 인식을 위한 모델을 이용하여 상기 지정맥 이미지로부터 지정맥을 인식하는 단계
를 포함하고,
상기 지정맥 인식을 위한 모델은,
블록별 특징 추출을 위한 복수 개의 블록으로 구성된 특징 추출 네트워크와, 상기 특징 추출 네트워크를 통과함에 따라 출력된 블록별 특징 정보로부터 분류 작업을 위한 복수 개의 완전 연결 레이어로 구성된 분류 블록을 포함하도록 구축되고, 상기 구성된 복수 개의 블록의 각각에 컨볼루션 레이어와, 상기 컨볼루션 레이어에 이어서 병렬 구조의 서브샘플링 레이어가 배치되고, 상기 서브샘플링 레이어에 이어서 연결 레이어가 배치되고, 상기 블록과 상기 블록 사이에 정류 비선형 단위(ReLU) 활성화 함수가 배치되는 것을 포함하고,
손가락 내부의 정맥 정보가 촬영됨에 따라 획득된 지정맥 영상 데이터를 입력받고, 상기 입력받은 지정맥 영상 데이터에서 배경 이미지와 정맥 패턴을 포함하는 이미지를 분할하기 위한 전처리 과정을 수행하고, 상기 전처리 과정이 수행된 정맥 패턴을 포함하는 지정맥 영상 데이터로부터 추출된 블록별 특징 정보를 통해 정맥 분류를 수행하도록 학습된 것이고,
상기 서브샘플링 레이어는, 최대 풀링과 평균 풀링을 포함하는 복수 개의 풀링 레이어를 포함하고,
상기 전처리 과정은,
상기 지정맥 영상 데이터를 커팅하여 특정 차수로 서브 샘플링을 하는 정규화를 수행하고, 상기 정규화가 수행됨에 따라 선택된 관심 영역에 대하여 이미지의 명암 대비를 강조하기 위한 히스토그램 이퀄라이제이션(Equlization)을 수행하고, 상기 수행된 히스토그램 이퀄라이제이션을 통해 획득된 이미지의 정맥 특징을 강조하기 위한 가버 필터링(Gabor Filtering)을 수행하고, 상기 가버 필터링을 수행함에 따라 강조된 정맥 특징을 포함하는 이미지에서 정맥 패턴의 선명도를 높이기 위한 형태학적 연산(Morphological operations)을 수행하고, 상기 형태학적 연산을 수행함에 따라 정맥 패턴의 선명도를 높인 이미지에서 상기 정맥 패턴의 위치를 지정하기 위한 바이너리 임계(Binary Thresholding)를 통해 임계값 이상의 픽셀값 정맥 패턴을 포함하는 전처리된 이미지를 획득하는 것인,
지정맥 인식 방법. - 삭제
- 삭제
- 제12항에 있어서,
상기 분류 블록은, 두 개의 완전 연결 레이어에 비선형 단위(ReLU) 활성화 함수를 사용하고, 마지막 완전 연결 레이어에 소프트 맥스를 활성화 함수로 사용하는
것을 특징으로 하는 지정맥 인식 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210108707A KR102629393B1 (ko) | 2021-08-18 | 2021-08-18 | 병렬 서브샘플링 구조를 가지는 cnn 기반 지정맥 인식 기법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210108707A KR102629393B1 (ko) | 2021-08-18 | 2021-08-18 | 병렬 서브샘플링 구조를 가지는 cnn 기반 지정맥 인식 기법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230026735A KR20230026735A (ko) | 2023-02-27 |
| KR102629393B1 true KR102629393B1 (ko) | 2024-01-25 |
Family
ID=85329427
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210108707A KR102629393B1 (ko) | 2021-08-18 | 2021-08-18 | 병렬 서브샘플링 구조를 가지는 cnn 기반 지정맥 인식 기법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102629393B1 (ko) |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101991028B1 (ko) * | 2017-08-04 | 2019-10-01 | 동국대학교 산학협력단 | 지정맥 인식 장치 및 방법 |
| KR102174083B1 (ko) * | 2019-02-26 | 2020-11-05 | 동국대학교 산학협력단 | 딥 러닝 기반의 지정맥을 이용한 생체 인식 장치 및 방법 |
-
2021
- 2021-08-18 KR KR1020210108707A patent/KR102629393B1/ko active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230026735A (ko) | 2023-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107729820B (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
| Wang et al. | Review of ear biometrics | |
| Das et al. | A new efficient and adaptive sclera recognition system | |
| US11430255B2 (en) | Fast and robust friction ridge impression minutiae extraction using feed-forward convolutional neural network | |
| CN110674824A (zh) | 基于R2U-Net的手指静脉分割方法、装置和存储介质 | |
| CN110574036A (zh) | 一系列回波描记图像中的神经的检测 | |
| Taha et al. | Iris features extraction and recognition based on the local binary pattern technique | |
| Sujana et al. | An effective CNN based feature extraction approach for iris recognition system | |
| Sharma et al. | Performance evaluation of 2D face recognition techniques under image processing attacks | |
| HR et al. | A novel hybrid biometric software application for facial recognition considering uncontrollable environmental conditions | |
| KR102629393B1 (ko) | 병렬 서브샘플링 구조를 가지는 cnn 기반 지정맥 인식 기법 | |
| CN116229528A (zh) | 一种活体掌静脉检测方法、装置、设备及存储介质 | |
| Jayalakshmi et al. | A study of Iris segmentation methods using fuzzy C-means and K-means clustering algorithm | |
| Lou et al. | Palm Vein Recognition via Multi-task Loss Function and Attention Layer | |
| Biradar | Personal identification using palmprint biometrics based on principal line approach | |
| Titrek et al. | Finger vein recognition by combining anisotropic diffusion and a new feature extraction method | |
| Raoof | Security of iris recognition and voice recognition techniques | |
| Choras et al. | A survey on methods of image processing and recognition for personal identification | |
| CN112437926B (zh) | 使用前馈卷积神经网络的快速鲁棒摩擦脊印痕细节提取 | |
| Hariprasath et al. | Bimodal biometric pattern recognition system based on fusion of iris and palmprint using multi-resolution approach | |
| Soni et al. | Survey on methods used in iris recognition system | |
| Ghosh et al. | Faunet-Ir: Iris Segmentation and Recognition System Using Feature Aggregation Based | |
| US20230075233A1 (en) | Synthetic human fingerprints | |
| Firdaus | Innovation of Diabetes Mellitus Detector Based on Image Processing using the Improved Patch Ordering Algorithm | |
| Sundaran et al. | Biometrie liveness authentication detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |