KR20010036898A

KR20010036898A - 이산 웨이브렛 변환 및 상관 관계를 이용한 지문의 분류 및 인식 방법

Info

Publication number: KR20010036898A
Application number: KR1019990044097A
Authority: KR
Inventors: 남부희; 이석원
Original assignee: 남부희; 이석원
Priority date: 1999-10-12
Filing date: 1999-10-12
Publication date: 2001-05-07
Also published as: KR100337762B1

Abstract

본 발명은 이산 웨이브렛 변환 및 상관 관계를 이용한 지문의 분류 및 인식 방법에 관한 것으로서, 그레이 레벨의 지문 데이터에 관하여 저대역 통과 필터링하고 이진화하는 전처리 단계(a); 상기 단계(a)에서 이진화된 지문 데이터에 대한 이산 웨이브렛 변환을 반복 수행하여 특징 벡터를 얻는 단계(b); 및 확률 신경 회로를 이용하여 상기 단계(b)에서 얻어진 특징 벡터를 분류하여 허용된 범위 내의 비교 대상의 지문을 인식하는 단계(c)를 포함하는 것임을 특징으로 한다. 본 발명에 의한 지문의 분류 및 인식 방법은, 지문의 국부 이진화와 이산 웨이브렛 변환을 이용하여 지문의 분류에 필요한 특징 벡터를 얻고, 확률 신경 회로 및 상관 관계를 이용하여 분류된 후보 지문들에 대하여 입력된 지문을 인식할 수 있다. 본 발명에 의한 방법에서 크기가 256×256인 지문 1개의 저장량은 8K 바이트이고, FTT 등을 사용하는 종래의 방법과는 달리 본 발명에서는 이산 웨이브렛 변환을 이용하여 연산량을 줄여서 마이크로프로세서를 이용한 지문 인식 시스템에 적합한 장점이 있다.

Description

이산 웨이브렛 변환 및 상관 관계를 이용한 지문의 분류 및 인식 방법{Method For Fingerprint Classification and Identification Using Discrete Wavelet Transform and Correlation}

본 발명은 지문의 분류 및 인식 방법에 관한 것이다.

지문 인식은 사람을 판별할 수 있는 가장 흥미로운 패턴 인식 중의 하나이다. 지문 인식은 종래의 화상 처리와는 달리, 지문 자체의 기준 좌표축이나 좌표 원점이 없으며, 신체의 일부로서의 유연성으로 인하여 절대 좌표계를 사용한 고전적인 방법을 구사할 수 없는 문제점이 있다. 또한, 보안 시스템 영역이 기본적으로 추구하는 있는 고신뢰성과 출입 통제를 위한 실시간 처리라는 문제점도 지문 인식 시스템의 구현을 더욱 어렵게 만드는 요인이 되어 왔다. 지문 인식을 위하여 사용하는 알고리즘은 빠르고 뛰어난 변별력 등을 위하여 대형 시스템이나 병렬 처리가 가능한 시스템을 사용하여 왔다.

일반적인 지문 인식 알고리즘은 전처리 과정인 평활화(smoothing), 이진화(binarization), 세선화(thinning) 등을 거친 후 특징점 추출 과정을 거쳐 식별 및 인증 과정을 거치게 된다. 이러한 종래의 방식들은 많은 계산량과 고속 컴퓨터를 필요로 한다. 지문 인식 시스템은 그 수요가 날로 증가하고 있는 추세이지만 고비용 요소들로 인하여 아직까지는 사용이 보편화되어 있지 않다.

본 발명에서는 개인용 컴퓨터 혹은 그 이하의 시스템의 환경에서 제한된 개수의 지문을 인증하는 방법을 제시하고자 한다.

본 발명에서는 입력된 지문 이미지에 대하여 웨이브렛 변환을 사용하여 특징 벡터를 추출하고 확률 신경 회로를 통하여 인증하는 방식을 사용하고 이를 더욱 보강하기 위하여 상관 관계를 이용하는 지문 분류 및 인식 방법을 제시하고자 한다.

도1은 그레이 레벨의 데이터를 이진화한 것을 보여주는 것으로서 도1a는 그레이 레벨의 지문 이미지이고, 도1b는 도1a의 그레이 레벨의 데이터를 이진화된 이미지,

도2는 본 발명에 의한 지문 인식 방법의 동작 흐름도,

도3은 웨이브렛 변환 블록도,

도4는 지문 이미지와 이 이미지 행렬의 각각의 행에 대하여 웨이브렛 변환 후의 값을 도시한 것으로서, 도4a는 지문 이미지 데이터이며, 도4b는 웨이브렛 변환 후의 값을 도시한 것,

도5는 도4b의 결과 값을 다시 웨이브렛 변환한 후의 데이터를 보여주는 것으로서, 도5a는 도4b의 결과 값을 1번 웨이브렛 변환한 후의 데이터이고, 도5b는 도4b의 결과 값을 6번 웨이브렛 변환한 후의 데이터,

도6은 몇 가지의 지문들에 대하여 그것을 표시하는 값을 그래프로 도시한 것,

도7은 도6a 내지 도6e에 나타난 웨이브렛 변환을 통하여 얻어진 값들과 도6a와의 거리를 구한 것,

도8은 도7에서와 같은 벡터 거리를 확률 신경 회로에 입력한 결과를 도시한 것,

도9는 지문의 원래 이미지에 'Salt ＆ Pepper' 노이즈를 밀도(density) 0.05로 포함시켰을 때의 그림,

도10은 이와 같이 노이즈가 포함된 이미지의 웨이브렛 변환 결과를 도시한 것,

도11은 도6a 내지 도6e와 노이즈가 섞인 이미지와의 패턴 일치도를 나타낸 것,

도12a는 1차원의 이진화 데이터의 컨볼루션 도식이고, 도12b는 컨볼루션 수행 결과,

도13a는 샘플 지문에 대하여 컨볼루션 값을 3차원 그림으로 나타낸 것이고, 도13b는 등고선 그림으로 나타낸 것,

도14는 실시예의 실험 결과를 도시한 것.

상기한 바와 같은 목적을 달성하기 위하여, 본 발명에 의한 지문 분류 및 인식 방법은, 그레이 레벨의 지문 데이터에 관하여 저대역 통과 필터링하고 이진화하는 전처리 단계(a); 상기 단계(a)에서 이진화된 지문 데이터에 대한 이산 웨이브렛 변환을 반복 수행하여 특징 벡터를 얻는 단계(b); 및 확률 신경 회로를 이용하여 상기 단계(b)에서 얻어진 특징 벡터를 분류하여 허용된 범위 내의 비교 대상의 지문을 인식하는 단계(c)를 포함하는 것임을 특징으로 한다.

이하에서 첨부된 도면을 참조하면서 본 발명에 의한 지문의 분류 및 인식 방법을 상세하기 설명한다.

본 발명에 의한 지문의 분류 및 인식 방법을 설명하기 위하여, 본 명세서에서 예시적으로 다룬 지문 데이터는 256 그레이 레벨의 데이터이다. 이미지 데이터의 크기는 256×256의 이미지로 제한한다. 이 데이터에 관한 전처리 과정으로 저대역 통과 필터링과 이진화 과정을 거친다.

저대역 통과 필터로서는 하르(Haar)웨이브렛 계수를 이용한다. 이 때 이진화 과정은 32×32 크기의 국소 영역에 대한 지역 이진화를 시행한다. 이것은 전체 입력 이미지 데이터의 그레이값의 분포가 일정하지 않기 때문에 이진화에 따른 데이터의 손실을 막기 위한 것이다. 또한 이진화는 임계값(threshold 값)을 조정하여 이진화를 하게 되는데, 이진화된 이미지 데이터의 합이 항상 이미지 크기의 반이 되도록 다음의 수학식 1과 같이 정규화한다.

상기 수학식 1에서 I는 이미지의 이진화 크기이고, p,q는 이미지 행렬의 크기이다.

도1은 그레이 레벨의 데이터를 이진화한 것을 보여주는 것으로서 도1a는 그레이 레벨의 지문 이미지이고, 도1b는 도1a의 그레이 레벨의 데이터를 이진화된 이미지이다.

도2는 본 발명에 의한 지문 인식 방법의 동작 흐름도이다.

이미지 데이터를 이진화 데이터로 변환한 다음, 이진화된 지문 데이터의 256개의 행 벡터에 대하여 웨이브렛 변환을 반복하여 1개의 값을 얻는다. 그러면 지문 데이터는 256×1의 데이터로 바뀐다. 이 데이터에 대해서 계속 웨이브렛 변환을 하여 4×1 데이터를 얻는다. 이와 같이 얻어진 4×1 벡터와 이미 저장되어 있는 같은 형태의 데이터와 비교하여 입력된 데이터의 인증 절차를 수행한다.

도3은 웨이브렛 변환 블록도이다.

이산 웨이브렛 변환(DWT, Discrete Wavelet Transform)을 수행하면 입력 데이터를 저대역 통과 필터링, 고대역 통과 필터링을 수행한 후, 출력된 값을 다운 샘플링한다. 도3에서 X는 1×256의 데이터 크기를 가지고, A1과 D1은 각각 저대역 통과 필터와 고대역 통과 필터를 거친 데이터임, 각각 1×128의 크기를 갖는다. 이와 같이 반복하여 A6은 1×4의 값을 가진다.

지문 이미지의 각 행을 웨이브렛 변환을 하면 저주파 통과 필터를 통과한 데이터와 고주파 통과 필터를 통과한 데이터의 두 개의 데이터가 나온다. 이 때 나오는 각각의 데이터는 원래의 크기가 반으로 줄어든다. 이것은 웨이브렛 변환을 수행한 후 다운샘플링하기 때문이다. 본 발명에서는 저주파 통과 필터를 거친 결과를 여러번 반복하여 웨이브렛 변환하여 값이 하나가 나올때까지 수행한다. 여기서 사용한 웨이브렛은 Haar(Daubichies Db1)이다.

도4는 지문 이미지와 이 이미지 행렬의 각각의 행에 대하여 웨이브렛 변환 후의 값을 도시한 것으로서, 도4a는 지문 이미지 데이터이며, 도4b는 웨이브렛 변환 후의 값을 도시한 것이다.

도4a를 보면, 지문의 상부는 융기되어 있고 하부는 수평에 가까운 형태로 되어 있다. 즉, 각각의 행에 저주파 통과 필터를 통과시킬 때에 지문의 윗 부분은 융선과 계곡의 변화가 심하지만 아래 부분은 그 변화가 심하지 않다. 따라서 도4b와 같이 0에서부터 150까지의 값들은 그 크기의 변화가 심하지 않지만 200에서 250 부근의 값들은 변화의 폭이 큰 것을 알 수 있다. 그러므로 그래프의 형태로 지문을 형태를 짐작할 수 있다. 또한 지문의 융선의 자체의 넓이에 따라서도 이러한 그래프의 형태는 각기 다르게 나온다. 이 그래프의 데이터의 크기는 256×1이므로 계산량을 줄이기 위하여 이 데이터에 대하여 웨이브렛 변환을 하여 데이터의 크기를 4×1까지 줄인다.

도5는 도4b의 결과 값을 다시 웨이브렛 변환한 후의 데이터를 보여주는 것으로서, 도5a는 도4b의 결과 값을 1번 웨이브렛 변환한 후의 데이터이고, 도5b는 도4b의 결과 값을 6번 웨이브렛 변환한 후의 데이터이다. 전처리 과정에서 이진화 작업을 하는 과정에서 모든 지문의 이진화 데이터를 정규화하였기 때문에 지문을 4개의 값으로 표시하여도 충분할 것으로 판단된다.

도6은 몇 가지의 지문들에 대하여 그것을 표시하는 값을 그래프로 도시한 것이다. 도6에서는 몇 가지의 지문들에 대하여 본 발명에 의하여 웨이브렛 변환한 값들을 보인 것이다. 도6에서 보이는 바와 같이, 몇 가지의 지문들에 대하여 웨이브렛 변환한 값은 각기 다른 패턴을 보이는 것을 알 수 있다.

그 다음은 상기에서 설명한 바와 같이, 웨이브렛 변환을 통하여 얻어진 지문의 특징값들을 저장한 후, 입력된 새로운 이미지에 대하여 같은 방법으로 웨이브렛 변환을 수행하여 얻어지는 값을 확률 신경 회로(PNN, Probability Neural Network)를 이용하여 허용 범위내의 비교 대상의 지문을 찾는 것을 설명한다.

확률 신경 회로 분류기는 다음의 수학식 2와 같이 나타낼 수 있다.

상기 수학식 2에서 n은 특징 벡터 x의 크기, d_ij는 x_j로부터 x_i의 거리, σ는 평활화 계수, D_ij는 확률 신경 회로의 출력 활성화를 각각 나타낸다.

도7은 도6a 내지 도6e에 나타난 웨이브렛 변환을 통하여 얻어진 값들과 도6a와의 거리를 구한 것이다. 도7에서 도6a의 경우는 자신과의 거리이므로 0이다.

도8은 도7에서와 같은 벡터 거리를 확률 신경 회로에 입력한 결과를 도시한 것이다. 도8에서 도시된 바와 같이, 도6a의 경우는 벡터거리가 0이므로 출력값이 '1'이 나와서 정확도가 '1'인 것을 알 수 있고, 다른 경우에 있어서는 벡터 거리가 크므로 정확도가 '0'인 것을 알 수 있다.

한편 상기 수학식 2에서 평활화 계수 σ를 조절하여 도8의 결과처럼 벡터거리의 값이 크더라도 확률 신경 회로의 출력이 '0'이 나오지 않게 할 수도 있다. 이 값을 조정함으로써 타인수락률(FAR: False Acceptance Ratio), 본인거부율(FRR: False Rejection ratio)을 조정할 수 있다.

도9는 지문의 원래 이미지에 'Salt ＆ Pepper' 노이즈를 밀도(density) 0.05로 포함시켰을 때의 그림이고, 도10은 이와 같이 노이즈가 포함된 이미지의 웨이브렛 변환 결과를 도시한 것이고, 도11은 도6a 내지 도6e와 노이즈가 섞인 이미지와의 패턴 일치도를 나타낸 것이다. 도11의 결과로부터 인증 비교 대상 지문을 4번째 것과 5번째 것으로 선정할 수 있다.

이하에서는 상관 관계를 이용한 지문 인식 방법을 설명한다.

도12a는 1차원의 이진화 데이터의 컨볼루션 도식이고, 도12b는 컨볼루션 수행 결과이다. 도12에서 보듯이 저장되어 있는 이진 데이터와 입력된 이진 데이터의 컨볼루션 값을 보면 똑같은 패턴이 일치될 때 가장 큰 값을 가지고, 또한 그 값은 데이터의 합과 같다.

도13a는 샘플 지문에 대하여 컨볼루션 값을 3차원 그림으로 나타낸 것이고, 도13b는 등고선 그림으로 나타낸 것이다. 도13a에서 가운데 부분의 피크를 확인할 수 있다.

아래에서는 본 발명에 의한 웨이브렛 변환과 상관 관계를 이용한 지문의 분류 및 인식 방법의 구체적인 실시예를 설명한다.

〈실시예〉

본 실시예에서 사용된 지문은 NIST(National Institute of Science and Technology, 미국)으로부터 입수한 지문 중 일부분과 지문용 스탬프를 이용하여 지문을 종이에 날인한 후 스캐너를 이용하여 입력받은 것이다. 이와 같이 입력받은 지문과 PC에 저장되어 있는 10개의 지문을 비교하여 정확도가 높은 지문을 선택하는 실험을 수행하였다.

실험 방법을 설명하면 다음과 같다.

(1) 그레이레벨의 지문에 대한 이진화를 수행한다.

(2) 이진화된 지문을 이산 웨이브렛 변환하여 특징값을 추출한다.

(3) 추출된 특징값을 저장되어 있는 지문 데이터들의 특징값들과 비교한다.

(4) 오차 허용 범위 안에 있는 지문과 입력 지문의 상관 관계를 이용하여 인증한다.

도14는 실시예의 실험 결과를 도시한 것이다.

도14a는 PC안에 저장되어 있는 목표 지문이고, 도14b는 정상적으로 입력한 지문이다. 도14c는 도14b를 입력하였을 때의 결과이다. 도14d는 지문을 약 6°회전시켜 입력한 것이고, 도14e는 도14d를 입력한 결과이다. 도14f는 우하측으로 이동시켜 입력한 지문이고, 도14g는 도14f의 결과이다. 도14에서 알 수 있는 바와 같이, 본 발명에 의한 방법은 회전에 대하여는 변별력이 떨어지나, 이동에 대해서는 강인함을 보여준다.

실제 구현에 있어서 지문 입력 장치에 손가락의 회전을 억제하는 가이드를 설치하면 지문의 회전을 최소화할 수 있다.

이상에서 설명한 바와 같이, 본 발명에 의한 지문의 분류 및 인식 방법은, 지문의 국부 이진화와 이산 웨이브렛 변환을 이용하여 지문의 분류에 필요한 특징 벡터를 얻고, 확률 신경 회로 및 상관 관계를 이용하여 분류된 후보 지문들에 대하여 입력된 지문을 인식할 수 있다. 본 발명에 의한 방법에서 크기가 256×256인 지문 1개의 저장량은 8K 바이트이고, FTT 등을 사용하는 종래의 방법과는 달리 본 발명에서는 이산 웨이브렛 변환을 이용하여 연산량을 줄여서 마이크로프로세서를 이용한 지문 인식 시스템에 적합한 장점이 있다.

Claims

그레이 레벨의 지문 데이터에 관하여 저대역 통과 필터링하고 이진화하는 전처리 단계(a);

상기 단계(a)에서 이진화된 지문 데이터에 대한 이산 웨이브렛 변환을 반복 수행하여 특징 벡터를 얻는 단계(b); 및

확률 신경 회로를 이용하여 상기 단계(b)에서 얻어진 특징 벡터를 분류하여 허용된 범위 내의 비교 대상의 지문을 인식하는 단계(c)를 포함하는 것임을 특징으로 하는 지문의 분류 및 인식 방법.
제1항에 있어서,

상기 단계(c)에 의하여 인식된 허용된 범위내의 비교 대상의 지문과 입력 지문의 이진 데이터의 상관 관계를 이용하여 인증하는 단계(d)를 더 포함하는 것임을 특징으로 하는 지문의 분류 및 인식 방법.
제1항에 있어서,

상기 단계(b)에서는, 상기 단계(a)에서 이진화된 지문 데이터의 행 벡터에 대하여 이산 웨이브렛 변환을 반복 수행하여 1개의 값을 얻는 것임을 특징으로 하는 지문의 분류 및 인식 방법.
제1항에 있어서,

상기 단계(b)에서는, 이산 웨이브렛 변환을 반복 수행하여 4×1 크기의 특징 벡터를 얻는 것임을 특징으로 하는 지문의 분류 및 인식 방법.