KR20020077192A - 패턴 조합 장치, 패턴 조합 방법 및 패턴 조합 프로그램 - Google Patents

패턴 조합 장치, 패턴 조합 방법 및 패턴 조합 프로그램 Download PDF

Info

Publication number
KR20020077192A
KR20020077192A KR1020020017011A KR20020017011A KR20020077192A KR 20020077192 A KR20020077192 A KR 20020077192A KR 1020020017011 A KR1020020017011 A KR 1020020017011A KR 20020017011 A KR20020017011 A KR 20020017011A KR 20020077192 A KR20020077192 A KR 20020077192A
Authority
KR
South Korea
Prior art keywords
model
feature
feature point
probability
pairs
Prior art date
Application number
KR1020020017011A
Other languages
English (en)
Other versions
KR100442007B1 (ko
Inventor
몬덴아끼라
Original Assignee
닛뽕덴끼 가부시끼가이샤
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 닛뽕덴끼 가부시끼가이샤 filed Critical 닛뽕덴끼 가부시끼가이샤
Publication of KR20020077192A publication Critical patent/KR20020077192A/ko
Application granted granted Critical
Publication of KR100442007B1 publication Critical patent/KR100442007B1/ko

Links

Classifications

    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features

Abstract

비교될 도형인 검사대상 도형과 기준 도형인 모델 도형 각각의 특징들을 나타내는 부분들인 특징점들 사이에서, 검사대상 도형과 모델 도형에서 서로 대응하는 것들을 특징점 쌍으로 형성하는 특징점 쌍 형성부 및 특징점 쌍 형성부에 의한 특징점들의 대응에 기초하여 검사대상 도형과 모델 도형 사이의 유사도를 계산하는 유사도 결정부를 구비하고, 유사도 결정부는 임의 도형과 모델 도형 사이의 특징점 쌍들의 개수가 미리 특징점 쌍 형성부에 의해 구해진 검사대상 도형과 모델 도형 사이의 특징점 쌍들의 개수 이상으로 될 확률에 기초하여 검사대상 도형 및 모델 도형 사이의 유사도를 계산한다.

Description

패턴 조합 장치, 패턴 조합 방법 및 패턴 조합 프로그램 {PATTERN-COLLATING DEVICE, PATTERN-COLLATING METHOD AND PATTERN-COLLATING PROGRAM}
본 발명은 영상 데이터의 조합에 관한 것이다. 좀더 구체적으로, 본 발명은 지문, 손금 및 문자 등의 선 도형을 식별하는 패턴 조합 장치, 패턴 조합 방법 및 패턴 조합 프로그램에 관한 것이다.
지문, 손금 또는 문자 등과 같은 선 도형의 패턴을 인식하는 종래의 조합 장치로서, 선의 끝점 또는 분기점 등의 특징점들을 사용하여 대응하는 특징점들을 얻고 그들을 비교하는 방법이 일본특허공개공보 (이하, JP-A 라함) 소 56-024675, 59-000778, 59-024384, 60-029875, 03-266187, 04-033065 및 04-043470호에 기재되어 있다.
그러나, 상술한 종래 기술에는 다음과 같은 문제점들이 있다.
JP-A 소 56-024675, 59-000778, 59-024384, 60-029875, 04-033065 및 04-043470호에 기재된 방법은, 대응하는 특징점들을 조사하여 대응하는 특징점들의 개수에 기초하여 식별하는 방법이다. 이로 인해, 특징점들이 밀집된 위치에서 특징점 쌍들을 형성하는 것은 용이하지만, 특징점들이 검사대상 및/또는 모델들 사이에서 다른 밀도를 갖는 경우 그 결과를 정확히 비교하는 것이 불가능하다는 문제가 있다.
JP-A 소 03-266187호에 기재된 방법에 의하면, 어떤 특징점에 인접하는 특징점들의 개수가 많은 경우를 무효화시킴으로써, 특징점들의 밀도가 높은 경우를 처리한다. 그러나, 이러한 방법에 의하면, 특징점들의 밀도가 높은 위치들만 존재하는 경우에는 식별이 불가능하다는 문제가 있다.
본 발명의 목적은, 상술한 종래 기술의 문제를 해결하고, 입력된 도형의 특징점의 밀도에 의존하지 않고 입력된 도형을 정확히 식별할 수 있는 패턴 조합 장치, 패턴 조합 방법 및 패턴 조합 프로그램을 제공하는 데 있다.
도 1은 본 발명의 제 1 실시예에 의한 패턴 조합 장치의 구성을 나타내는 블럭도.
도 2는 제 1 실시예에 의한 패턴 조합 처리를 설명하는 흐름도.
도 3은 제 1 실시예에 의한 유사도 판정 처리의 일실시예를 설명하는 흐름도.
도 4는 본 발명의 제 2 실시예에 의한 패턴 조합 장치의 구성을 나타내는 블럭도.
도 5는 제 2 실시예에 의한 패턴 조합 처리를 설명하는 흐름도.
도 6은 제 2 실시예에 의한 유사도 판정 처리의 일실시예를 설명하는 흐름도.
도 7은 본 발명의 제 3 실시예에 의한 패턴 조합 장치의 구성을 나타내는 블럭도.
도 8은 제 3 실시예에 의한 패턴 조합 처리를 설명하는 흐름도.
도 9는 제 3 실시예에 의한 유사도 판정 처리의 일실시예를 설명하는 흐름도.
도 10은 본 발명에 의한 패턴 조합 프로그램을 기록한 기록 매체를 구비하는 구성의 일실시예를 나타내는 블럭도.
*도면의 주요부분에 대한 부호의 설명
10 : 데이터 처리부 11 : 특징점 쌍 형성부
12 : 유사도 결정부 20 : 검사대상 도형 입력부
30 : 모델 도형 입력부 40 : 출력부
90 : 기록 매체
본 발명에 의하면, 서로 대응하는 상기 검사대상 도형의 특징점과 상기 모델 도형의 특징점 각각으로 구성되는 특징점 쌍들을 형성하되, 상기 특징점 쌍을 구성하는 상기 검사대상 도형의 상기 특징점은 상기 검사대상 도형의 특징을 나타내는 점들로부터 선택되고, 상기 특징점 쌍을 구성하는 상기 모델 도형의 상기 특징점은 상기 모델 도형의 특징을 나타내는 점들로부터 선택되는 특징점 쌍 형성 수단; 임의 도형과 상기 모델 도형 사이의 특징점 쌍들의 개수가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수 이상으로 될 확률을 계산하는 확률 계산 수단; 및 상기 확률에 기초하여 상기 검사대상 도형과 상기 모델 도형 사이의 유사도를 계산하는 유사도 계산 수단을 구비하는, 검사대상 도형과 모델 도형을 조합하는 패턴 조합 장치를 제공한다.
패턴 조합 장치는, 상기 검사대상 도형과 상기 모델 도형 사이의 특징량을 계산하는 특징량 계산 수단; 및 상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수와 상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징량에 기초하여, 상기 검사대상 도형과 상기 모델 도형 사이의 특징점 쌍들의 일치도를 계산하는 일치도 계산 수단을 더 구비할 수 있고, 여기서 상기 확률 계산 수단은, 상기 임의 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수 이상으로 될 상기 확률 대신에, 상기 임의 도형과 상기 모델 도형 사이의 일치도가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 일치도 이상으로 될 확률을 계산한다.
패턴 조합 장치는, 상기 모델 도형과 상기 모델 도형과 동일한 도형 사이의 특징량을 계산하는 제 2 특징량 계산 수단; 및 상기 모델 도형과 상기 모델 도형과 동일한 상기 도형 사이의 상기 특징점 쌍들의 개수와 상기 모델 도형과 상기 모델 도형과 동일한 상기 도형 사이의 상기 특징량에 기초하여, 상기 모델 도형과 상기 모델 도형과 동일한 상기 도형 사이의 특징점 쌍들의 일치도를 계산하는 일치도 계산 수단을 더 구비할 수 있고, 여기서 상기 유사도 계산 수단은, 상기 임의 도형과 상기 모델 도형 사이의 일치도가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 일치도 이상으로 될 상기 확률과 상기 모델 도형과 상기 모델 도형과 동일한 상기 도형 사이의 상기 일치도가 상기 검사대상 도형과 상기 모델 도형 사이의 일치도보다 작아질 확률에 기초하여 상기 검사대상 도형과 상기 모델 도형 사이의 유사도를 계산한다.
패턴 조합 장치는, 상기 검사대상 도형과 상기 모델 도형 사이의 특징점 쌍들의 특징량 차이를 계산하는 특징량 계산 수단; 상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수를 상기 특징량 차이가 소정 값보다 작아지는 특징점 쌍들의 개수까지 감소시키는 수단; 및 상기 특징량 차이가 상기 소정값 이상인 특징점 쌍들을 제거함으로써 상기 임의 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수를 감소시키는 수단을 더 구비할도 수 있고, 여기서 상기 확률 계산 수단은, 상기 임의 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수 이상으로 될 상기 확률 대신에, 상기 임의 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 상기 감소된 개수가 상기 검사대상 도형과 상기 모델 도형 사이의 특징점 쌍들의 상기 감소된 개수 이상으로 될 확률을 계산한다.
패턴 조합 장치에서, 상기 특징량의 차이는 상기 특징점 쌍을 구성하는 특징점들 사이의 거리일 수도 있다.
패턴 조합 장치에서, 상기 검사대상 도형과 상기 모델 도형으로는 하나 이상의 지문 및 손금을 사용할 수 있다.
본 발명에 의하면, 입력될 것으로 추정되는 임의 도형과 모델 도형 사이의특징점 쌍들이 일치될 확률을 사용하여 검사대상 도형과 모델 도형 사이의 유사도를 계산한다. 즉, 검사대상 도형과 모델 도형 사이의 대응하는 특징점 쌍들이 존재하고, 임의 도형이 대상으로서 사용될 때 그러한 대응성이 발생하는 확률이 충분히 낮다면, 검사대상 도형이 모델 도형과 동일할 확률은 매우 높은 것으로 판정한다. 따라서, 검사대상 도형과 모델 도형의 특징점들의 밀도에 의해 영향받지 않고 어떤 기준에 기초하여 검사대상 도형과 모델 도형을 정확하게 식별할 수 있게된다.
이하, 도면을 참조하여 본 발명의 실시예들을 상세히 설명한다.
도 1은 본 발명의 제 1 실시예에 의한 패턴 조합 장치의 구성을 나타내는 블럭도이다.
도 1을 참조하면, 본 발명에 의한 패턴 조합 장치는 비교될 도형인 검사대상 도형의 데이터를 입력하는 검사대상 도형 입력부 (20), 기준 도형인 모델 도형의 데이터를 입력하는 모델 도형 입력부 (30), 검사대상 도형과 모델 도형 사이의 유사도를 계산하는 데이터 처리부 (10), 및 처리 결과를 출력하는 출력부 (40) 를 구비한다.
데이터 처리부 (10) 는 검사대상 도형의 특징점과 그에 대응하는 모델 도형의 특징점이 함께 쌍을 이루게 하는 특징점 쌍 형성부 (11), 및 특징점 쌍들에 기초하여 검사대상 도형과 모델 도형 사이의 유사도를 계산하는 유사도 결정부 (12) 를 구비한다. 이하, 데이터 처리부 (10) 내의 각 구성 부분들의 동작의 개요를 설명한다.
특징점 쌍 형성부 (11) 는 검사대상 도형 입력부 (20) 로부터 입력된 검사대상 도형의 특징점들과 모델 도형 입력부 (30) 로부터 입력된 모델 도형의 특징점들을 비교하고, 대응하는 특징점들을 찾아낸다. 쌍방의 도형에서 대응하는 특징점들의 쌍을 특징점 쌍이라 한다.
유사도 결정부 (12) 는 임의의 도형과 모델 도형 사이의 특징점 쌍들의 개수가 이미 특징점 쌍 형성부 (11) 에 의해 구해진 검사대상 도형과 모델 도형 사이의 특징점 쌍들의 개수 이상으로 될 확률에 기초하여 검사대상 도형과 모델 도형 사이의 유사도를 계산한다. 즉, 유사도 결정부 (12) 는 특징점 쌍 형성부 (11) 가 쌍들을 결정하는 데 기초가 되는 문턱값 내에서 모델 도형의 특징점들과 일치하는, 입력될 것으로 추정되는 모든 도형들로부터 임의로 선택된 임의 도형의 특징점들의 개수가, 검사대상 도형과 모델 도형 사이의 특징점 쌍들의 개수 이상으로 될 확률을 계산한다. 이에 기초하여, 유사도를 계산한다.
계산된 유사도는 출력부 (40) 에 의해 출력한다.
이 실시예의 동작을 도면을 참조하여 상세히 설명한다.
도 2는 이 실시예에 의한 패턴 조합 처리를 설명하는 흐름도이다.
우선, 검사대상 도형의 특징점 정보를 검사대상 도형 입력부 (20) 에 입력하고, 비교될 도형인 모델 도형의 특징점 정보를 모델 도형 입력부 (30) 에 입력한다 (단계 201).
각 도형들을 입력하기 위해, 예를 들어, 미리 추출되었던 각 도형들의 특징들을 표시하는 특징점의 정보를 입력하는 방법, 또는 각 도형들의 영상 데이터를입력하고, 검사대상 도형 입력부 (20) 와 모델 도형 입력부 (30) 에서 특징점들의 정보를 추출하고, 그 정보를 데이터 처리부 (10) 로 전송하는 방법을 사용할 수 있다.
예를 들어, 문자 인식에 응용하는 경우에는, 그 문자를 식별하기 위해 검사하는 문자의 영상 데이터를 검사대상 도형 입력부 (20) 에 입력하고, 사전에 등록된 문자 데이터를 모델 도형 입력부 (30) 에 입력하는 방법을 사용할 수 있다.
예를 들어, 지문 인식, 손금 인식에 응용하는 경우에는, 그 지문이나 손금을 가진 사람을 식별하기 위해 검사하는 지문 또는 손금의 영상 데이터를 검사대상 도형 입력부 (20) 에 입력하고, 지문 데이터베이스 또는 손금 데이터베이스에 등록된 지문 데이터와 손금 데이터를 모델 도형 입력부 (30) 에 입력할 수 있다.
이로부터 알 수 있는 바와 같이, 미리 추출된 검사대상 도형의 특징점 정보를 검사대상 도형 입력부 (20) 에 입력할 수도 있고, 또는 검사대상 도형 자체를 입력하고 검사 대상 도형 입력부 (20) 에서 특징점 정보를 추출할 수도 있다. 이와 동일하게, 미리 추출된 모델 도형의 특징점 정보를 모델 도형 입력부 (30) 에 입력할 수도 있고, 또는 모델 도형 자체를 입력하고 모델 도형 입력부 (20) 에서 특징점 정보를 추출할 수도 있다.
여기서, 검사대상 도형과 모델 도형의 특징점들은 선이 끊어지는 점들 (끝점), 분기되는 점들 (분기점), 교차하는 점들 (교차점) 등이 될 수 있다. 또한, 각 특징점들에서 특징의 정도를 나타내는 데이터로 기능하는 특징량으로서, 특징점들의 위치, 접하는 선들의 방향 등의 데이터를 사용할 수 있다. 또한, 접촉하는 선 및 인접하는 선의 곡률값의 정보, 인접하는 특징점들의 배열, 인접하는 특징점들 사이에서 교차하는 선들의 개수 등이 특징량에 추가될 수 있다.
특징점 쌍 형성부 (11) 는 검사대상 도형 입력부 (20) 로부터 입력된 검사대상 도형의 특징점 정보와 모델 도형 입력부 (30) 로부터 입력된 모델 도형의 특징점 정보를 비교하고, 동일하다고 여겨지는 특징점들을 선택하고, 특징점 쌍들의 데이터를 형성한다 (단계 202).
이 특징점 쌍 형성부 (11) 의, 동일한 특징점이 있는지의 여부에 대한 판정 처리는, 검사대상 도형이 모델 도형과 겹쳐질 때 특징점들 사이의 위치 차이를 계산하고, 각 특징점들 사이에서 특징량의 차이가 소정의 문턱값 이내에 있는지의 여부를 판정하고, 그 위치 차이에 관한 데이터 또는 각 특징량들의 차이에 관한 데이터를 소정 함수의 변수로서 사용하여 특징점들의 유사도 정도를 평가하는 값을 산출하는 등의 방법에 의해 수행할 수 있다.
유사도 결정부 (12) 는 임의의 도형과 모델 도형 사이의 특징점 쌍들의 개수가 미리 특징점 쌍 형성부 (11) 에 의해 구해진 검사대상 도형과 모델 도형 사이의 특징점 쌍들의 개수 이상으로 될 확률에 기초하여 검사대상 도형과 모델 도형 사이의 유사도를 계산한다 (단계 203). 도 3 은 단계 203 에서 수행되는 본 실시예의 유사도 판정 처리의 일실시예를 설명하는 흐름도이다. 도 3을 참조하면, 검사대상 도형에 대한 특징점 쌍들의 개수를 참조한다 (단계 230-1). 다음에, 임의 도형 (입력될 것으로 추정되는 임의 도형) 에 대한 특징점 쌍들의 개수가 검사대상 도형에 대한 특징점 쌍들의 개수 이상으로 될 확률을 계산한다 (단계 203-2).이 확률에 기초하여, 유사도를 계산한다 (단계 203-3). 여기서, 단계 203-2 에서 계산된 확률, 즉 쌍으로 판정하는 문턱값 이내에서 모델 도형들과 일치하는 특징점들의 개수가 특징점 쌍 형성부 (11) 내에서 형성된 특징점 쌍들의 개수 이상으로 될 확률은, 예를 들어 다음의 방법으로 계산할 수 있다.
이 예에서는, 특징점 쌍들을 형성하는 기준으로서 특징점들의 위치 차이만을 사용한다. 예를 들어, 검사대상 도형이 모델 도형과 겹쳐지고 그들 사이의 위치 차이가 소정 길이 (E) 이하로 될 때 특징점 쌍들을 판정하는 방법을 설명한다. 또한, 모델 도형의 면적은 S 이고, 검사대상 도형은 N1개의 특징점들을 갖고, 모델 도형은 N2개의 특징점들을 갖고, 그 중에서 M 개의 특징점들이 특징점 쌍들을 형성한다고 가정한다. 이제, 입력이 가정된 검사대상 도형 전체로서, N1개의 특징점들이 임의로 배열되어 있는 도형 전체를 고려한다.
특징점들이 임의로 배열되어 있는 도형으로부터 임의로 선택된 도형의 어떤 특징점의 위치는 랜덤하게 배치되어 있는 경우와 등가이다. 이에 따라, 어떤 특징점이 모델 도형에서 랜덤하게 배치되는 경우 그 특징점이 모델 도형의 특징점들 중에서 어떤 특징점에 대해 오차 (E) 이하를 갖게 될 확률 (P0) 은 다음의 식 1에 의해 구할 수 있다.
(1)
따라서, 어떤 특징점이 모델 도형의 N2개의 특징점들 중 하나에 대한 오차(E) 이하로 되는 확률 P1은, 모델 도형 내의 특징점들이 충분히 조밀하지 않고 모델 도형 내의 각 특징점으로부터 거리 (E) 이하를 갖는 중첩 영역이 무시할 수 있을 정도로 작은 경우, 다음의 식 2 에 의해 구한다.
(2)
또한, 모델 도형 내에서 랜덤하게 배치되는 N1개의 특징점들 중에서 M1개의 특징점들이 모델 도형의 특징점들로부터 거리 (E) 이하로 될 확률 P2(M1) 은, N1이 충분히 작고 랜덤하게 배치된 적어도 2 개의 특징점들이 모델 도형의 동일한 특징점으로부터 거리 (E) 이하를 갖게 될 확률이 무시할 정도로 작은 경우, 다음의 식 3 에 의해 구할 수 있다.
(3)
따라서, N1개의 특징점들이 모델 도형 내에 랜덤하게 배치되어 있는 경우 적어도 M 개의 특징점들이 모델 도형의 특징점들로부터 거리 (E) 이하를 갖게 될 확률, 즉 검사대상 도형에서 N1개의 특징점들이 모델 도형 내에 랜덤하게 배치되는 경우 검사대상 도형과 모델 도형 사이의 특징점 쌍들의 개수가 M 개 이상일 확률을 P(M) 이라 하면, P(M) 의 값은 다음의 식 4 에 의해 구한다.
(4)
유사도 결정부 (12) 는 검사대상 도형과 모델 도형 사이의 유사도의 값으로서 1-P(M) 을 사용할 수 있고, 또는 유사도를 나타내는 소정 식의 변수로서 P(M) 값을 사용할 수 있다. 또한, 모델 도형측을 랜덤하게 배치하는 경우 검사대상 도형과 일치할 확률을 사용하는 방법, 또는 이 값과 P(M) 을 소정 식의 변수로서 사용하여 얻어진 값을 사용하는 방법으로 실행될 수 있다.
또한, 유사도 결정부 (12) 에 의해 계산된 유사도는 상술한 실시예에서 기재된 방법으로 계산된 값에만 한정되는 것은 아니다. 유사도 계산에서 사용될 수 있는 다른 값이 있다면, P(M) 과 그 값을 소정 식의 변수로서 사용하여 유사도 값을 얻을 수 있다.
모델 도형 내의 특징점들이 충분히 조밀하지 않거나 또는 N1이 충분히 작기 때문에 P(M) 을 얻는 식을 유도하기 위해 사용되는 각 가정이 확립되지 않는 경우에는, 그러한 조건에 따라 식을 변경할 수도 있다. 또한, 위치 이외의 특징량들이 사용되고 각 특징량이 가능한 값으로부터 랜덤하게 선택된다면, 소정 범위 내에 속하는 확률로서 그 모델에 특징량들을 추가할 수도 있다.
예를 들어, 그 모델에 추가하는 특징량으로서 특징점들의 방향을 채용하는 실시예를 고려한다. 이 경우에, 각 방향은 0 내지 2π(rad) 으로부터 랜덤하게 선택한다. 차이가 "A (rad)" 이내인 경우, 쌍으로서 결정한다. 즉, 검사대상 도형의 특징점이 모델 도형의 특징점의 방향으로부터 ±A (rad) 의 범위 내에 있는 경우에 쌍으로서 판정한다. 따라서, 확률 P1을 얻기 위한 식 2 및 식 3은 다음의 식 5 로 변경하고 식 5 를 식 4 에 적용하면, 검사대상 도형과 모델 도형 사이의 특징점 쌍들이 M 이상일 확률을 유사하게 계산할 수 있다.
(5)
또한, 유사도 결정부 (12) 에 의해 계산된 유사도는 출력부 (40) 로부터 출력한다 (단계 204).
상술한 바와 같이, 이 실시예에 의하면, 입력된 도형의 특징점들의 밀도에 의존하지 않고 도형을 정확히 식별할 수 있다.
다음, 도면을 참조하여 본 발명의 제 2 실시예를 상세히 설명한다.
도 4 는 제 2 실시예에 의한 패턴 조합 장치의 구성을 나타내는 블럭도이다. 도 5는 이 실시예에 의한 패턴 조합 처리를 설명하는 흐름도이다.
도 4 및 5 에 나타낸 바와 같이, 제 1 실시예와 제 2 실시예의 차이는 데이터 처리부 (10a) 에서 유사도 결정부 (12a) 의 기능이다. 패턴 조합 처리의 과정은, 이 실시예에 의한 단계 403 의 유사도 계산을 제외하면, 제 1 실시예와 동일하므로, 그 설명은 생략한다.
상술한 제 1 실시예의 유사도 계산 (단계 203) 에서는, 임의 도형과 모델 도형 사이의 특징점 쌍들의 개수가 특징점 쌍 형성부 (11) 에서 미리 구해진 검사대상 도형과 모델 도형 사이의 특징점 쌍들의 개수 이상으로 될 확률에 기초하여 검사대상 도형과 모델 도형 사이의 유사도를 계산한다.
이에 반하여, 제 2 실시예에 의한 단계 403 의 유사도 계산 처리에서는, 특징점 쌍들의 개수 뿐만 아니라 각 특징점 쌍의 특징 정도를 나타내는 값인 특징량의 데이터를 참조하여 유사도를 계산하다. 즉, 임의 도형과 모델 도형 사이의 특징점 쌍들의 개수과 그 특징량들의 데이타를 포함하여 계산된 일치도의 값이, 미리 특징점 쌍 형성부 (11) 에 의해 구해진 검사대상 도형과 모델 도형 사이의 특징점 쌍들의 개수와 그 특징량들에 기초하여 계산된 일치도의 값 이상으로 될 확률에 기초하여, 유사도를 계산한다.
도 6 은 이 실시예의 단계 403 에서의 유사도 판정 처리의 일실시예를 설명하는 흐름도이다. 도 6을 참조하면, 우선, 검사대상 도형에 대한 특징점 쌍들의 개수와 특징점 쌍들 사이의 특징량의 차이를 참조한다 (단계 403-1). 다음, 임의 도형 (입력될 것으로 추정되는 임의 도형) 에 대한 특징점 쌍들의 개수와 각 특징점 쌍들 사이의 특징량 차이에 기초한 일치도가 검사대상 도형에 대한 일치도 이상으로 될 확률을 계산한다 (단계 403-2). 그 확률에 기초하여, 유사도를 계산한다 (단계 403-3).
이하, 임의 도형과 모델 도형 사이의 특징점 쌍들의 개수와 그 특징량들에 기초하여 계산한 일치도의 값이 검사대상 도형과 모델 도형 사이의 특징점 쌍들의 개수와 그 특징량들에 기초하여 계산한 일치도의 값 이상으로 될 확률을 계산하는 방법의 일례를 설명한다.
이 예에서, 특징점 쌍들을 형성하는 기준으로서 특징점들의 위치 차이만을 사용한다. 예를 들어, 검사대상 도형이 모델 도형과 겹쳐지고 그 특징점들 사이의 위치차가 소정 길이 (E) 이하일 때 특징점 쌍들을 판정하는 방법을 설명한다.또한, 모델 도형의 면적은 S 이고, 검사대상 도형은 N1개의 특징점들을 갖고, 모델 도형은 N2개의 특징점들을 갖고, 그들 중에서 M 개의 특징점들이 특징점 쌍들을 형성한다고 가정한다. 이제, N1개의 특징점들이 임의로 배열된 도형 전체를 입력될 것으로 추정되는 검사대상 도형들 전체로서 간주한다. 또한, M 개의 특징점 쌍들 사이의 위치 차이는 Ei(i = 1, ..., M) 으로 표시한다.
면적이 S 인 모델 도형 내에 랜덤하게 배열된 어떤 점이 검사대상 도형의 특징점들 중 하나로부터 위치 차이 D 이하인 위치에 배열될 확률 P2(D) 는 다음의 식 6 에 의해 구할 수 있다.
(6)
또한, 그와 같이 배열된 어떤 점이 모델 도형의 임의 특징점으로부터 위치차이 E 이하가 되지 않을 확률 P3는 다음의 식 7에 의해 구할 수 있다.
(7)
모델 도형 내에서 N1개의 특징점들이 랜덤하게 배치되는 경우, 서로 다른 M2개의 특징점 쌍들 각각이 위치차이 Ei이하로 될 확률 P4(M2) 는 다음의 식 8 에 의해 구할 수 있다.
(8)
식 8 에서, Ei(i=1, ..., M2) 의 값은 i 가 M 이하인 경우 특징점 쌍 형성 수단에 의해 형성된 특징점 쌍들 사이의 위치차이로 가정하고, 값 i 가 M 이상인 경우에는 위치의 허용오차 "E" 로 가정한다. 이와 같이 정의함으로써, 모델 도형의 N2개의 특징점들의 부분과 일치하는 랜덤하게 배열된 N1개의 특징점들 중의 특징점들의 개수가 특징점 쌍 형성 수단에 의해 형성된 M 개의 쌍들 이상일 확률 P5는, 다음의 식 9 에 의해 구할 수 있다.
(9)
위치 이외의 특징량들을 사용하는 경우, 가능한 값들로부터 랜덤하게 선택되는 경우 각 특징량이 소정 범위 이내에 있을 확률로서, 그 특징량들을 모델에 추가할 수도 있다.
상술한 바와 같은 제 2 실시예에 의하면, 제 1 실시예의 효과에 더하여, 특징점 쌍들의 개수 뿐만 아니라 특징점 쌍들 사이의 특징량 차이에 관한 정보를 사용함으로써 좀더 정확하게 식별할 수 있게 된다.
다음, 도면을 참조하여 본 발명의 제 3 실시예를 상세히 설명한다.
도 7은 제 3 실시예에 의한 패턴 조합 장치의 구성을 나타내는 블럭도이다. 도 8은 이 실시예에 의한 패턴 조합 처리를 설명하기 위한 흐름도이다.
도 7 및 8 에 도시된 바와 같이, 이전의 각 실시예와 제 3 실시예의 차이는 데이터 처리부 (10b) 에서 유사도 결정부 (12b) 의 기능이다. 이 실시예의 단계 604 에서의 유사도 계산 이외의, 패턴 조합 처리는 이전의 제 1 실시예와 동일하므로, 그 설명은 생략한다.
도 9 는 이 실시예의 단계 603에서 유사도 판정 처리의 일실시예를 설명하는 흐름도이다. 도 9를 참조하면, 우선, 검사대상 도형에 대한 특징점 쌍들의 개수와 특징점 쌍들 사이의 특정량의 차이를 참조한다 (단계 603-1). 다음, 미리 구해진 확률 분포를 참조하여, 검사대상 도형에 대한 특징점 쌍들 이상으로 특징점들의 특징량들이 일치하는 확률을 구한다 (단계 603-2). 이 확률에 기초하여, 유사도를 계산한다 (603-3). 이 실시예의 단계 603-2 에서 확률을 계산하는 처리를 좀더 상세하게 설명한다.
단계 603 의 유사도 계산 처리에서, 제 1 및 제 2 실시예들 각각에서의 유사도 계산 처리 (단계 203 과 403) 와 동일한 처리를 수행한다.
그후, 임의 도형과 모델 도형이, 미리 특징점 쌍 형성부 (11) 에 의해 구해진 검사대상 도형과 모델 도형의 사이 이상으로 일치하는 확률 Pn을 구한다. 또한, 검사대상 도형과 모델 도형이 동일한 도형일 경우, 대응하는 특징점들 사이의 특징량들의 차이 분포를 구한다. 이러한 분포를 사용하여, 검사대상 도형과 모델 도형이 동일한 도형일 경우, 검사대상 도형이 특징점 쌍 형성부 (11) 에 의해 형성된 특징점 쌍들 이하인 것들과만 일치하게 되는 확률 Pa를 구한다.
Pn과 Pa를 소정 식의 변수로 사용하여 구한 값을 검사대상 도형과 모델 도형 사이의 유사도로서 사용한다. 예를 들어, 특징점 쌍 형성부 (11) 에 의해 형성된 특징점 쌍들 이하인 것과 일치하는 확률 Pa은, 특징점들 사이의 위치 차이만을 특징점 쌍들의 형성을 위한 기준으로서 사용하는 경우 대응하는 특징점들 사이의 위치 차이가 F 이상으로 될 확률 P6(F) 을 고려하고, 검사대상 도형은 N1개의 특징점들을 갖고, 모델 도형은 N2개의 특징점들을 갖고, 그들 중에서 M 개의 쌍들이 특징점 쌍들을 형성하고, 특징점 쌍들 각각의 위치 차이를 Ei(i=1, ..., M) 이라 하면, 다음의 식 10에 의해 구할 수 있다.
(10)
상술한 바와 같이, 제 3 실시예에 의하면, 이전의 제 1 실시예의 효과에 더하여, 식별을 위해 분포를 사용함으로써, 동일한 도형의 특징점들의 특징량 분포가 미리 알려져 있는 경우에, 정확히 식별할 수 있게 된다.
또한, 제 2 실시예와 제 3 실시예의 유사도 계산 처리는 서로 조합하여 수행할 수도 있다.
도 10은 본 발명에 의한 패턴 조합 프로그램을 기록한 기록 매체를 구비하는 구성의 일 실시예를 나타내는 도면이다.
이 패턴 조합 프로그램은 자기 디스크 또는 반도체 메모리 등의 기록 매체 (90) 에 저장된다. 그 기록 매체로부터 컴퓨터 처리장치에 있는 데이터 처리부(10c) 에 로드되고 데이터 처리부 (10c) 의 동작을 제어함으로써 상술한 각 기능들을 실현하게 된다. 그 결과, 데이터 처리부 (10c) 는 패턴 조합 프로그램의 제어 하에서 제 1 , 2 및 3 실시예의 데이터 처리부 (10, 10a, 10b) 에 의해 수행되는 처리를 실행한다.
이상, 바람직한 실시예들을 포함하는 실시예들을 참조하여 본 발명을 설명하였다. 그러나, 본 발명은 이러한 실시예들에 한정되는 것은 아니며, 그 기술적 사상의 범위 내에서 다양한 방식으로 변형하여 실시할 수 있다.
상술한 바와 같이, 본 발명의 패턴 조합 장치에 의하면, 특징점들의 밀도에 의존하지 않고 평가 기준, 즉 비교될 검사대상 도형이, 입력될 것으로 추정되는 도형 전체로부터 임의로 선택된 하나인 경우, 우연히 일치하는 확률을 사용하여 유사도를 구할 수 있다. 이에 따라, 입력되는 도형의 특징점들의 밀도의 차이가 있는 경우에도 정확히 패턴을 식별할 수 있다.

Claims (18)

  1. 검사대상 도형과 모델 도형을 조합하는 패턴 조합 장치로서,
    서로 대응하는 상기 검사대상 도형의 특징점과 상기 모델 도형의 특징점 각각으로 구성되는 특징점 쌍들을 형성하되, 상기 특징점 쌍을 구성하는 상기 검사대상 도형의 상기 특징점은 상기 검사대상 도형의 특징을 나타내는 점들로부터 선택되고, 상기 특징점 쌍을 구성하는 상기 모델 도형의 상기 특징점은 상기 모델 도형의 특징을 나타내는 점들로부터 선택되는 특징점 쌍 형성 수단;
    임의 도형과 상기 모델 도형 사이의 특징점 쌍들의 개수가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수 이상으로 될 확률을 계산하는 확률 계산 수단; 및
    상기 확률에 기초하여 상기 검사대상 도형과 상기 모델 도형 사이의 유사도를 계산하는 유사도 계산 수단을 구비하는 것을 특징으로 하는 패턴 조합 장치.
  2. 제 1 항에 있어서,
    상기 검사대상 도형과 상기 모델 도형 사이의 특징량을 계산하는 특징량 계산 수단; 및
    상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수와 상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징량에 기초하여, 상기 검사대상 도형과 상기 모델 도형 사이의 특징점 쌍들의 일치도를 계산하는 일치도 계산수단을 더 구비하고,
    상기 확률 계산 수단은, 상기 임의 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수 이상으로 될 상기 확률 대신에, 상기 임의 도형과 상기 모델 도형 사이의 일치도가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 일치도 이상으로 될 확률을 계산하는 것을 특징으로 하는 패턴 조합 장치.
  3. 제 2 항에 있어서,
    상기 모델 도형과 상기 모델 도형과 동일한 도형 사이의 특징량을 계산하는 제 2 특징량 계산 수단; 및
    상기 모델 도형과 상기 모델 도형과 동일한 상기 도형 사이의 상기 특징점 쌍들의 개수와 상기 모델 도형과 상기 모델 도형과 동일한 상기 도형 사이의 상기 특징량에 기초하여, 상기 모델 도형과 상기 모델 도형과 동일한 상기 도형 사이의 특징점 쌍들의 일치도를 계산하는 일치도 계산 수단을 더 구비하고,
    상기 유사도 계산 수단은, 상기 임의 도형과 상기 모델 도형 사이의 일치도가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 일치도 이상으로 될 상기 확률과, 상기 모델 도형과 상기 모델 도형과 동일한 상기 도형 사이의 상기 일치도가 상기 검사대상 도형과 상기 모델 도형 사이의 일치도보다 작아질 확률에 기초하여, 상기 검사대상 도형과 상기 모델 도형 사이의 유사도를 계산하는 것을 특징으로 하는 패턴 조합 장치.
  4. 제 1 항에 있어서,
    상기 검사대상 도형과 상기 모델 도형 사이의 특징점 쌍들의 특징량 차이를 계산하는 특징량 계산 수단;
    상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수를 상기 특징량 차이가 소정 값보다 작아지는 특징점 쌍들의 개수까지 감소시키는 수단; 및
    상기 특징량 차이가 상기 소정값 이상인 특징점 쌍들을 제거함으로써 상기 임의 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수를 감소시키는 수단을 더 구비하고,
    상기 확률 계산 수단은, 상기 임의 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수 이상으로 될 상기 확률 대신에, 상기 임의 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 상기 감소된 개수가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 상기 감소된 개수 이상으로 될 확률을 계산하는 것을 특징으로 하는 패턴 조합 장치.
  5. 제 4 항에 있어서,
    상기 특징량의 차이는 상기 특징점 쌍을 구성하는 특징점들 사이의 거리인 것을 특징으로 하는 패턴 조합 장치.
  6. 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
    상기 검사대상 도형과 상기 모델 도형으로서 하나 이상의 지문 및 손금이 사용되는 것을 특징으로 하는 패턴 조합 장치.
  7. 상기 검사대상 도형과 상기 모델 도형을 조합하는 패턴 조합 방법으로서,
    서로 대응하는 상기 검사대상 도형의 특징점과 상기 모델 도형의 특징점 각각으로 구성되는 특징점 쌍들을 형성하되, 상기 특징점 쌍을 구성하는 상기 검사대상 도형의 상기 특징점은 상기 검사대상 도형의 특징을 나타내는 점들로부터 선택되고, 상기 특징점 쌍을 구성하는 상기 모델 도형의 상기 특징점은 상기 모델 도형의 특징을 나타내는 점들로부터 선택되는 특징점 쌍 형성 단계;
    임의 도형과 상기 모델 도형 사이의 특징점 쌍들의 개수가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수 이상으로 될 확률을 계산하는 확률 계산 단계; 및
    상기 확률에 기초하여 상기 검사대상 도형과 상기 모델 도형 사이의 유사도를 계산하는 유사도 계산 단계를 포함하는 것을 특징으로 하는 패턴 조합 방법.
  8. 제 7 항에 있어서,
    상기 검사대상 도형과 상기 모델 도형 사이의 특징량을 계산하는 특징량 계산 단계; 및
    상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수와 상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징량에 기초하여, 상기 검사대상 도형과 상기 모델 도형 사이의 특징점 쌍들의 일치도를 계산하는 일치도 계산 단계를 더 포함하고,
    상기 확률 계산 단계는, 상기 임의 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수 이상으로 될 상기 확률 대신에, 상기 임의 도형과 상기 모델 도형 사이의 일치도가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 일치도 이상으로 될 확률을 계산하는 것을 특징으로 하는 패턴 조합 방법.
  9. 제 8 항에 있어서,
    상기 모델 도형과 상기 모델 도형과 동일한 도형 사이의 특징량을 계산하는 제 2 특징량 계산 단계; 및
    상기 모델 도형과 상기 모델 도형과 동일한 상기 도형 사이의 상기 특징점 쌍들의 개수와 상기 모델 도형과 상기 모델 도형과 동일한 상기 도형 사이의 상기 특징량에 기초하여, 상기 모델 도형과 상기 모델 도형과 동일한 상기 도형 사이의 특징점 쌍들의 일치도를 계산하는 일치도 계산 단계를 더 포함하고,
    상기 유사도 계산 단계는, 상기 임의 도형과 상기 모델 도형 사이의 일치도가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 일치도 이상으로 될 상기 확률과 상기 모델 도형과 상기 모델 도형과 동일한 상기 도형 사이의 상기 일치도가상기 검사대상 도형과 상기 모델 도형 사이의 일치도보다 작아질 확률에 기초하여, 상기 검사대상 도형과 상기 모델 도형 사이의 상기 유사도를 계산하는 것을 특징으로 하는 패턴 조합 방법.
  10. 제 7 항에 있어서,
    상기 검사대상 도형과 상기 모델 도형 사이의 특징점 쌍들의 특징량 차이를 계산하는 특징량 계산 단계;
    상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수를 상기 특징량 차이가 소정 값보다 작아지는 특징점 쌍들의 개수까지 감소시키는 단계; 및
    상기 특징량 차이가 상기 소정값 이상인 특징점 쌍들을 제거함으로써 상기 임의 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수를 감소시키는 단계를 더 포함하고,
    상기 확률 계산 단계는, 상기 임의 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수 이상이 될 상기 확률 대신에, 상기 임의 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 상기 감소된 개수가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 상기 감소된 개수 이상으로 될 확률을 계산하는 것을 특징으로 하는 패턴 조합 방법.
  11. 제 10 항에 있어서,
    상기 특징량 차이는 상기 특징점 쌍을 구성하는 특징점들 사이의 거리인 것을 특징으로 하는 패턴 조합 방법.
  12. 제 7 항 내지 제 11 항 중 어느 한 항에 있어서,
    상기 검사대상 도형과 상기 모델 도형으로서 하나 이상의 지문과 손금이 사용되는 것을 특징으로 하는 패턴 조합 방법.
  13. 검사대상 도형과 모델 도형을 조합하는 패턴 조합 방법을 컴퓨터가 실행하게 하는 명령을 포함하는 컴퓨터 프로그램이 기록된 기록 매체로서,
    상기 패턴 조합 방법은,
    서로 대응하는 상기 검사대상 도형의 특징점과 상기 모델 도형의 특징점 각각으로 구성되는 특징점 쌍들을 형성하되, 상기 특징점 쌍을 구성하는 상기 검사대상 도형의 상기 특징점은 상기 검사대상 도형의 특징을 나타내는 점들로부터 선택되고, 상기 특징점 쌍을 구성하는 상기 모델 도형의 상기 특징점은 상기 모델 도형의 특징을 나타내는 점들로부터 선택되는 특징점 쌍 형성 단계;
    임의 도형과 상기 모델 도형 사이의 특징점 쌍들의 개수가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수 이상으로 될 확률을 계산하는 확률 계산 단계; 및
    상기 확률에 기초하여 상기 검사대상 도형과 상기 모델 도형 사이의 유사도를 계산하는 유사도 계산 단계를 포함하는 것을 특징으로 하는 기록 매체.
  14. 제 13 항에 있어서,
    상기 방법은,
    상기 검사대상 도형과 상기 모델 도형 사이의 특징량을 계산하는 특징량 계산 단계; 및
    상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수와 상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징량에 기초하여, 상기 검사대상 도형과 상기 모델 도형 사이의 특징점 쌍들의 일치도를 계산하는 일치도 계산 단계를 더 포함하고,
    상기 확률 계산 단계는, 상기 임의 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수 이상으로 될 상기 확률 대신에, 상기 임의 도형과 상기 모델 도형 사이의 일치도가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 일치도 이상으로 될 확률을 계산하는 것을 특징으로 하는 기록 매체.
  15. 제 14 항에 있어서,
    상기 방법은,
    상기 모델 도형과 상기 모델 도형과 동일한 도형 사이의 특징량을 계산하는 제 2 특징량 계산 단계; 및
    상기 모델 도형과 상기 모델 도형과 동일한 상기 도형 사이의 상기 특징점 쌍들의 개수와 상기 모델 도형과 상기 모델 도형과 동일한 상기 도형 사이의 상기 특징량에 기초하여, 상기 모델 도형과 상기 모델 도형과 동일한 상기 도형 사이의 특징점 쌍들의 일치도를 계산하는 일치도 계산 단계를 더 포함하고,
    상기 유사도 계산 단계는, 상기 임의 도형과 상기 모델 도형 사이의 일치도가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 일치도 이상으로 될 상기 확률과 상기 모델 도형과 상기 모델 도형과 동일한 상기 도형 사이의 상기 일치도가 상기 검사대상 도형과 상기 모델 도형 사이의 일치도보다 작아질 확률에 기초하여, 상기 검사대상 도형과 상기 모델 도형 사이의 상기 유사도를 계산하는 것을 특징으로 하는 기록 매체.
  16. 제 13 항에 있어서,
    상기 방법은,
    상기 검사대상 도형과 상기 모델 도형 사이의 특징점 쌍들의 특징량 차이를 계산하는 특징량 계산 단계;
    상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점들의 개수를 상기 특징량 차이가 소정 값보다 작아지는 특징점 쌍들의 개수까지 감소시키는 단계; 및
    상기 특징량 차이가 상기 소정값 이상인 특징점 쌍들을 제거함으로써 상기 임의 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수를 감소시키는 단계를 더 포함하고,
    상기 확률 계산 단계는, 상기 임의 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 개수 이상으로 될 상기 확률 대신에, 상기 임의 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 상기 감소된 개수가 상기 검사대상 도형과 상기 모델 도형 사이의 상기 특징점 쌍들의 상기 감소된 개수 이상으로 될 확률을 계산하는 것을 특징으로 하는 기록 매체.
  17. 제 16 항에 있어서,
    상기 특징량 차이는 상기 특징점 쌍을 구성하는 특징점들 사이의 거리인 것을 특징으로 하는 기록 매체.
  18. 제 13 항 내지 제 17 항 중 어느 한 항에 있어서,
    상기 검사대상 도형과 상기 모델 도형으로서 하나 이상의 지문과 손금이 사용되는 것을 특징으로 하는 기록 매체.
KR10-2002-0017011A 2001-03-28 2002-03-28 패턴 조합 장치, 패턴 조합 방법 및 패턴 조합 프로그램 KR100442007B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2001092246A JP3709803B2 (ja) 2001-03-28 2001-03-28 パターン照合装置とそのパターン照合方法、及びパターン照合プログラム
JPJP-P-2001-00092246 2001-03-28

Publications (2)

Publication Number Publication Date
KR20020077192A true KR20020077192A (ko) 2002-10-11
KR100442007B1 KR100442007B1 (ko) 2004-07-30

Family

ID=18946745

Family Applications (1)

Application Number Title Priority Date Filing Date
KR10-2002-0017011A KR100442007B1 (ko) 2001-03-28 2002-03-28 패턴 조합 장치, 패턴 조합 방법 및 패턴 조합 프로그램

Country Status (8)

Country Link
US (1) US7043083B2 (ko)
EP (1) EP1248225B1 (ko)
JP (1) JP3709803B2 (ko)
KR (1) KR100442007B1 (ko)
CN (1) CN1215438C (ko)
AU (1) AU784873B2 (ko)
CA (1) CA2378108C (ko)
DE (1) DE60220118T2 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100837002B1 (ko) * 2004-01-15 2008-06-10 닛본 덴끼 가부시끼가이샤 패턴 식별 시스템, 패턴 식별 방법, 및 패턴 식별 프로그램을 기록한 기록매체
KR20190072325A (ko) * 2017-12-15 2019-06-25 (주) 이즈커뮤니케이션즈 도형 인식 방법

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040052418A1 (en) * 2002-04-05 2004-03-18 Bruno Delean Method and apparatus for probabilistic image analysis
US7369685B2 (en) * 2002-04-05 2008-05-06 Identix Corporation Vision-based operating method and system
US7417632B2 (en) * 2004-12-02 2008-08-26 Sap Ag Automatic testing of graphics programs
EP1840832A4 (en) 2005-01-19 2013-02-06 Nec Corp PRINTING INFORMATION RECORDING APPARATUS, METHOD AND PROGRAM THEREOF, FILTERING SYSTEM
US8478055B2 (en) 2007-04-09 2013-07-02 Nec Corporation Object recognition system, object recognition method and object recognition program which are not susceptible to partial concealment of an object
JP5440182B2 (ja) 2008-02-19 2014-03-12 日本電気株式会社 パターン照合装置、パターン照合方法、及びプログラム
JPWO2009151002A1 (ja) * 2008-06-11 2011-11-17 日本電気株式会社 パターン識別方法、装置およびプログラム
JP5408139B2 (ja) * 2008-10-09 2014-02-05 日本電気株式会社 異常検知システム、異常検知方法及び異常検知プログラム
JP2010205043A (ja) * 2009-03-04 2010-09-16 Nec Corp パターン学習方法、装置、およびプログラム
EP2472469A1 (en) 2009-08-25 2012-07-04 Nec Corporation Striped pattern image examination support device, striped pattern image examination support method and program
EP2477157A4 (en) * 2009-09-09 2015-08-12 Nec Corp BIOMETRIC AUTHENTICATION SYSTEM AND METHOD AND PROGRAM THEREFOR
JP5857704B2 (ja) * 2011-12-13 2016-02-10 富士ゼロックス株式会社 画像処理装置及びプログラム
CN106803249A (zh) * 2016-12-19 2017-06-06 广州视源电子科技股份有限公司 电子器件在板卡图中的突显方法及系统
CN107330408B (zh) * 2017-06-30 2021-04-20 北京乐蜜科技有限责任公司 视频处理方法、装置、电子设备及存储介质

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5624675A (en) 1979-08-02 1981-03-09 Nec Corp Fingerprint reference device
JPS59778A (ja) 1982-06-28 1984-01-05 Nec Corp 指紋照合装置
JPS5924384A (ja) 1982-07-30 1984-02-08 Nec Corp 特徴点検査回路
JPS6029875A (ja) 1983-07-28 1985-02-15 Nec Corp 指紋照合装置
JPH03266187A (ja) 1990-03-16 1991-11-27 Fujitsu Ltd 指紋照合方法
JPH0433065A (ja) 1990-05-24 1992-02-04 Nippon Denki Security Syst Kk 指紋照合装置
JP2949788B2 (ja) 1990-06-08 1999-09-20 株式会社デンソー 指紋照合装置
JP3799057B2 (ja) 1996-10-17 2006-07-19 梅テック 有限会社 指紋照合装置
JP3512992B2 (ja) * 1997-01-07 2004-03-31 株式会社東芝 画像処理装置および画像処理方法
JP3002721B2 (ja) * 1997-03-17 2000-01-24 警察庁長官 図形位置検出方法及びその装置並びにプログラムを記録した機械読み取り可能な記録媒体
US6185318B1 (en) * 1997-08-22 2001-02-06 International Business Machines Corporation System and method for matching (fingerprint) images an aligned string-based representation
JPH11110542A (ja) 1997-09-30 1999-04-23 Toshiba Corp パターン抽出方法および装置、そのプログラムを記録した媒体
JP2000215317A (ja) * 1998-11-16 2000-08-04 Sony Corp 画像処理方法及び画像処理装置
US6580821B1 (en) * 2000-03-30 2003-06-17 Nec Corporation Method for computing the location and orientation of an object in three dimensional space

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100837002B1 (ko) * 2004-01-15 2008-06-10 닛본 덴끼 가부시끼가이샤 패턴 식별 시스템, 패턴 식별 방법, 및 패턴 식별 프로그램을 기록한 기록매체
KR20190072325A (ko) * 2017-12-15 2019-06-25 (주) 이즈커뮤니케이션즈 도형 인식 방법

Also Published As

Publication number Publication date
AU784873B2 (en) 2006-07-13
CN1378177A (zh) 2002-11-06
EP1248225B1 (en) 2007-05-16
KR100442007B1 (ko) 2004-07-30
EP1248225A3 (en) 2005-09-07
DE60220118D1 (de) 2007-06-28
US7043083B2 (en) 2006-05-09
JP3709803B2 (ja) 2005-10-26
US20020176627A1 (en) 2002-11-28
EP1248225A2 (en) 2002-10-09
CN1215438C (zh) 2005-08-17
JP2002288667A (ja) 2002-10-04
CA2378108C (en) 2005-11-22
CA2378108A1 (en) 2002-09-28
AU2763202A (en) 2002-10-03
DE60220118T2 (de) 2008-02-07

Similar Documents

Publication Publication Date Title
KR100442007B1 (ko) 패턴 조합 장치, 패턴 조합 방법 및 패턴 조합 프로그램
US7151846B1 (en) Apparatus and method for matching fingerprint
JP6404011B2 (ja) 生体情報を利用する認証システム
US11062120B2 (en) High speed reference point independent database filtering for fingerprint identification
Jung et al. Noisy and incomplete fingerprint classification using local ridge distribution models
JPWO2006078054A1 (ja) パターン情報登録装置、パターン情報登録方法、パターン情報登録プログラム及びパターン照合システム
Kumar et al. Local binary pattern based multimodal biometric recognition using ear and FKP with feature level fusion
US9836662B2 (en) Authentication device, authentication method and program storage medium
Cilloni et al. Ulixes: Facial recognition privacy with adversarial machine learning
Aly et al. A Multimodal Biometric Recognition system using feature fusion based on PSO
JP2004265038A (ja) 指紋照合装置及びその方法
JP2020139914A (ja) 物質構造分析装置、方法及びプログラム
JP2022028912A (ja) 照合処理装置、照合処理方法、及び、照合処理プログラムが格納された記録媒体
Ha et al. An effective algorithm for fingerprint matching
Damer et al. Trust the biometrie mainstream: Multi-biometric fusion and score coherence
CN111582190B (zh) 基于纹理和静脉的识别方法、识别设备及存储介质
Qun et al. Automatic fingerprint identification using cluster algorithm
US20230145002A1 (en) Connecting adversarial attacks to neural network topography
Schuckers et al. Receiver operating characteristic curve and equal error rate
WO2024095319A1 (ja) 情報処理装置、情報処理方法、および記録媒体
US20230342951A1 (en) Object tracking apparatus, object tracking method, and program
JP2010205043A (ja) パターン学習方法、装置、およびプログラム
Stanojević et al. Optimization of thresholds in serial multimodal biometric systems
Dremin et al. Fingerprint identification algorithm based on delaunay triangulation and cylinder codes
Gudkov et al. Fingerprint Minutiae Selection for Fast Identification

Legal Events

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

Payment date: 20090708

Year of fee payment: 6

LAPS Lapse due to unpaid annual fee