KR20030002954A - 개인 식별을 위한 손등의 혈관패턴 인식 장치 및 그 방법 - Google Patents

Abstract

본 발명은 보안이나 사용자 인증 요구시 개인식별을 위한 손등의 혈관패턴 인식 장치 및 그 방법에 관한 것이다.

본 발명은 촬영된 사용자 손등의 원시 영상에서 추출된 혈관패턴의 분기 방향을 구분하여 타겟 영상을 추출하는 단계, 타겟 영상과 데이터베이스에 기저장된 기준영상의 유사도를 비교하여 사용자 식별을 수행하는 단계, 혈관패턴의 분기 특성을 추출하여 기준영상을 업데이트하는 단계, 사용자의 원시영상 재입력시 타겟 영상을 추출하여 기준 영상과 타겟 영상의 혈관패턴의 분기 특성을 추출하고, 각 특성 벡터를 상호 비교하여 위치 보상을 수행하는 단계, 타겟 영상과 기준영상의 분기 특성에 따른 특성 벡터를 비교하여 사용자의 본인 여부를 확인하고 입장 허락/거부를 결정하는 단계를 포함한다.

이러한 본 발명에 따르면, 손등 혈관패턴의 방향성을 고려하여 패턴연결성을 최대한 유지하도록 혈관패턴을 추출함으로써 불특정 사용자에 대한 안정된 시스템 성능 및 인식 성능을 높일 수 있고, 이렇게 시스템 인식 성능이 높아짐에 따라 외부 환경과 입력 영상의 미소한 변화에 의해서 판별되는 시스템 민감성과 사용자 회전과 이동에 의한 오거절율, 정맥패턴 추출 알고리즘 성능에 의한 시스템 안정성 및 사용자 편의성을 개선시킬 수 있는 효과를 제공하여 준다.

Description

개인 식별을 위한 손등의 혈관패턴 인식 장치 및 그 방법{Apparatus and the method for verification of blood vessel-patterns of the back of the hand for person identification}

본 발명은 보안이나 사용자 인증 요구시 개인식별을 위한 손등의 혈관패턴 인식 장치 그 방법에 관한 것으로, 보다 상세하게는 혈관패턴에 대한 방향성을 구별하여 안정적인 혈관패턴을 추출하고, 이에 확률적인 신뢰도를 적용하여 최적의 혈관패턴 분기특성을 추출함으로써 외부 환경과 입력 영상의 미세한 변화, 사용자 손등의 위치 변화에 대해서도 안정된 인식 성능을 나타내는 개인식별을 위한 손등의 혈관패턴 인식 장치 및 그 방법에 관한 것이다.

일반적으로, 사용자 출입 통제 및 보안을 위해 사용자 인증을 요구하는 시스템에서는 마그네틱 카드, 스마트 카드, RF 카드 등을 이용한 카드가 주로 사용되고 있다.

이 경우, 사용자의 도난 및 오용, 분실 등으로 인해 여러 문제점이 발생할 뿐만 아니라 사용자 수가 대규모인 경우에는 개인에게 지급되는 카드 수가 많아지므로 경제적 부담이 커지는 문제점도 발생한다.

따라서, 상기 문제점을 해결하기 위해 사용자의 신체적인 특징을 이용해 자동 인식하여 사용자의 신원 확인, 신원 인증 및 출입 통제에 사용될 수 있는 생체인식 시스템이 상용화되고 있는 추세이다.

상기 생체 인식 시스템은 대개 지문패턴을 이용한 지문인식 시스템, 얼굴의 형상을 인식하는 시스템, 손의 형태를 이용하는 시스템 등이 있는데, 이러한 시스템들은 생체 특징의 변형, 외부 환경, 액세서리 등으로 인해 안정적인 인식 성능을 얻기 힘들다.

이러한 기존 생체 인식 시스템의 단점을 개선하기 위해 피하에 위치하는 사용자 손등의 정맥패턴을 인식하는 방식이 대한민국 특허등록 10-259475호의 정맥분포패턴을 이용한 개인식별 방법에 나타나 있다.

상기 정맥분포패턴을 이용한 개인식별 방법은 먼저 그 기구적인 설계면에서 크게, 사용자의 고정적인 손의 위치를 확보하기 위한 안착수단, 사용자의 손등에서 정맥패턴을 추출하기 위한 추출수단, 사용자 손의 회전 및 이동에 대한 보상을 위한 비교수단으로 구성된다.

상기 안착수단은 도 1a 및 도 1b에 도시된 바와 같이 손으로 잡을 수 있는 봉이 장착되어 있어 사용자가 그 봉을 잡게 되면 사용자 손등의 원시 영상이 카메라를 통해 입력되도록 한다.

그리고, 상기 추출수단은 카메라를 통해 입력되는 원시 영상에서 정맥패턴 검출 영역, 즉 Region of Interest(ROI) 영상만을 추출하여 고대역 처리와 이치화(Binary) 처리를 적용하여 개개인의 손등의 정맥패턴을 추출하게 된다.

이때, 상기 비교수단은 사용자가 손을 회전하거나 이동하는 경우에 손등 정맥패턴의 왼쪽 상단의 분기점과 오른쪽 하단의 분기점을 사용하여 보상하게 된다.

즉, 도 2a 및 도 2b에 도시된 바와 같이 안착수단에서 사용자가 손으로 봉을 잡는 위치에 따라 봉을 기준으로 위, 아래로의 회전이 발생되므로 원시 영상을 촬영하는 카메라와의 거리적인 변화와 추출하려는 손등 정맥패턴의 왜곡이 발생하기 때문에 시스템의 정맥패턴 인식 성능이 저하될 수 있다.

다음, 상기 정맥분포패턴을 이용한 개인식별 방법의 동작을 도 3을 참고하여 살펴보면 다음과 같다.

제1 단계에서는 안착수단 및 카메라를 통해 불특정 사용자 손등에 관한 원시영상을 입력한다(S1). 그리고, 제2 단계에서는 상기 제1 단계(S1)에서 입력한 원시영상에서 정맥패턴을 추출하기 위해 ROI 영상을 추출한다(S2).

제3 및 제4 단계에서는 상기 제2 단계(S2)에서 추출한 ROI 영상을 고대역 처리와 이치화 처리를 적용하고(S3, S4), 제5 단계에서는 데이터 필터링을 위해 고대역 및 이치화 처리를 통해 사용자 손등에서 정맥패턴을 추출하게 된다(S5).

이렇게 하여, 제 6 단계에서는 정맥패턴의 분기 특성을 검출하고 손등 정맥패턴의 왼쪽 상단의 분기점과 오른쪽 하단의 분기점을 이용하여 사용자 손의 회전 및 이동에 의해서 발생되는 시스템 오거절(False Rejection)을 해결하게 된다(S6).

최종적으로, 시스템은 상기 단계를 거친 정맥패턴 분기특성을 이용하여 개인 식별을 판단한다.

상기 방법에서, 사용자 손등의 정맥패턴을 추출하는 추출수단은 정맥패턴의 중요한 특징인 패턴 연결성(vessel-patterns connectivity)을 부분적으로 손실하고 있어 시스템 인식 성능의 저하 요인으로 작용하고 있다. 즉, 정맥패턴의 분포 방향성을 고려하지 않고 동일한 처리 단계를 거침으로써 정맥패턴의 패턴 연결성을 부분적으로 손실한다. 게다가, 실제적인 생체 인식 특징으로 사용하는 정맥패턴의 분기점, 분기각도, 분기점에서의 길이와 같은 정맥패턴의 분기 특성을 추출하는데 많은 문제점이 있었다.

또한, 종래 정맥분포패턴을 이용한 개인식별 방법은 실제적인 시스템 운영에서 외부 환경변화, 입력 영상의 변화 등에 대해서 매우 민감하게 반응할 뿐만 아니라 최종적으로 추출된 손등 정맥패턴의 분기 특성을 모두 일괄적인 가중치(Uniform weighting factor)를 적용하여 사용자를 인식하게 되므로 실질적인 생체 인식 시스템으로의 안정성이 현저히 떨어지는 문제점이 있었다.

예를 들어 도 4에 도시된 바와 같이 시간차이를 두고 입력된 동일인의 영상처리 결과 중 동일인의 정맥패턴 분기 특성을 살펴보면 아래와 같다.

외부 환경이나 입력영상의 미소한 변화 등에 대해 정맥패턴 분기특성의 가장 기본이 되는 분기점이 많은 차이를 나타내고 있으며, 사용자의 인식단계에서 추출된 정맥패턴 분포를 일괄적인 가중치를 적용하여 매칭함으로써 시스템 성능 저하의 중요한 요인으로 작용하고 있다. 그 예로, 도 4의 (a)의 처리 결과에서는 분기점의 개수가 8개로 나타나고 (b)의 처리결과에서는 분기점의 개수가 14개로 상이한 차이를 나타낸다.

따라서, 도 4의 처리 결과가 동일인임에도 불구하고 시스템 인식단계에서 다른 사람으로 오인식하게 된다.

또한, 도 5에 도시된 시간 차이를 두고 입력된 동일인의 영상 처리 결과 중위치 보상 결과를 살펴보면, 위치 보상시 왼쪽 상단 분기점과 오른쪽 하단 분기점의 위치를 이용하게 된다.

그러면, 도 5의 (a), (b)에 나타난 바와 같이 정맥패턴의 패턴 연결성이 부분적으로 손실됨으로써 정맥패턴의 분기특성의 가장 기본이 되는 정맥패턴의 분기점이 손실되며, 이를 이용한 사용자 손등 위치의 회전 및 이동 보상이 잘못된 결과를 나타내어 시스템 성능 저하 요인으로 작용하게 된다.

따라서, 사용자 손등의 혈관패턴의 패턴 연결성을 최대한 보존하여 추출하는 방법으로 혈관패턴 방향성을 고려하여 패턴 연결성을 최대한 유지하면서 최적의 혈관패턴 추출과 안정된 혈관패턴 분포특성을 추출함으로써 외부 환경 변화, 입력 영상의 미소한 변화 등에 의해서 발생되는 시스템 민감성과 사용자 손등의 미소한 위치 변화에 의해서 발생되는 회전, 이동에 의한 시스템 인식 성능의 안정성을 개선하기 위한 기술 개발 요구되고 있다.

본 발명은 위의 문제점을 해결하기 위한 것으로, 본 발명의 목적은, 혈관패턴의 패턴 연결성을 최대한 유지하면서 혈관패턴의 방향성을 고려하여 최적의 혈관패턴을 추출하고 확률적인 신뢰도를 적용한 최적의 혈관패턴 분기 특성을 추출함으로써 가장 안정적인 혈관패턴의 분기점 및 분기특성, 최적의 분기점 가중치를 개개인의 생체 특징에 적용시켜 시스템 인식 성능을 높일 수 있고 사용자 편의성을 증대시킬 수 있는 개인식별을 위한 손등의 혈관패턴 인식 장치 및 그 방법을 제공하는 것이다.

도 1a 및 도 1b는 종래 기술에 따른 정맥분포패턴을 이용한 개인식별 방법에서 사용자가 안착수단을 이용해 손에 힘을 주는 상태가 도시된 도면이다.

도 2a 및 도 2b는 종래 기술에 따른 정맥분포패턴을 이용한 개인식별 방법에서 사용자가 손을 위/아래로 회전하는 상태가 도시된 도면이다.

도 3은 종래 기술에 따른 정맥분포패턴을 이용한 개인식별 방법의 동작이 도시되 순서도이다.

도 4는 도 3에 의해 시간 차이를 두고 입력된 동일인의 정맥패턴 분기 특성이 도시된 도면이다.

도 5는 종래 기술에 따른 정맥분포패턴을 이용한 개인식별 방법에 의해 위치 보상이 잘못된 영상 처리 결과가 도시된 도면이다.

도 6a 및 도 6b은 본 발명에 따른 실시예의 개인식별을 위한 손등의 혈관패턴 인식 장치의 정면도 및 투시도가 각각 도시된 도면이다.

도 7은 본 발명에 따른 실시예의 개인식별을 위한 손등의 혈관패턴 인식 장치의 내부 구성이 도시된 도면이다.

도 8은 본 발명에 따른 실시예의 개인식별을 위한 혈관패턴 인식 방법 중에서 트레이닝 단계의 동작이 도시된 순서도이다.

도 9는 혈관패턴 중에서 횡렬 패턴만이 추출된 영상 처리 결과가 도시된 도면이다.

도 10은 혈관패턴 중에서 종렬 패턴만이 추출된 영상 처리 결과가 도시된 도면이다.

도 11은 도 9 및 도 10의 결과를 패턴 병합하여 추출된 최종 손등의 혈관패턴에 관한 영상 처리 결과가 도시된 도면이다.

도 12는 본 발명에 따른 실시예의 개인식별을 위한 혈관패턴 인식 방법 중에서 개인식별 단계의 동작이 도시된 순서도이다.

도 13은 본 발명의 실시예에서 추출된 기본 혈관패턴 분기점을 연결한 다각형의 특성 벡터가 도시된 도면이다.

도 14는 본 발명에 따른 실시예의 확률적인 신뢰도를 적용한 최적의 혈관패턴 분기 특성이 도시된 도면이다.

도 15는 본 발명에 따른 실시예의 기본 혈관패턴 분기 특성을 이용한 사용자의 회전과 이동 보상에 대한 진행 상태가 도시된 도면이다.

도 16은 본 발명에 따른 실시예의 확률적으로 가장 안정적인 혈관패턴 분기점, 즉 기본 혈관패턴 분기점을 이용한 사용자의 회전과 이동 보상에 대한 진행 상태가 도시된 도면이다.

도 17은 본 발명과 종래 기술의 혈관패턴과 정맥패턴 추출 알고리즘의 처리결과에 대한 비교 영상이 도시된 도면이다.

도 18은 본 발명과 종래 기술의 혈관패턴과 정맥패턴 추출 알고리즘의 성능을 비교한 그래프이다.

상기한 바와 같은 목적을 실현하기 위한 본 발명의 개인식별을 위한 손등의 혈관패턴 인식방법은 촬영된 사용자 손등의 원시 영상에서 혈관패턴을 추출하고, 혈관패턴의 분기 방향을 구분하여 타겟 영상(Target image)을 추출하는 단계와, 상기 추출된 타겟 영상과 데이터베이스에 기저장된 사용자의 혈관패턴에 대한 기준영상의 유사도를 비교하여 사용자 식별을 수행하는 단계와, 상기 타겟 영상과 기준영상이 유사한 경우, 혈관패턴의 분기 특성을 추출하여 데이터베이스에 저장된 기준영상을 업데이트하는 단계와, 사용자의 원시영상 재입력시, 원시 영상에서 타겟 영상을 추출하여 상기 업데이트된 기준 영상과 타겟 영상의 혈관패턴의 분기 특성을 추출하고, 각 분기 특성에 따른 특성 벡터를 상호 비교하여 사용자의 움직임에 대한 위치 보상을 수행하는 단계와, 상기 타겟 영상의 위치 보상이 수행 완료된 경우, 타겟 영상과 기준영상의 분기 특성에 따른 특성 벡터를 비교하여 사용자의 본인 여부를 확인하고 입장 허락/거부를 결정하는 단계를 포함한다.

상기 혈관패턴의 분기 방향을 구분하는 단계에서는, 촬영된 사용자 손등의 원시 영상을 정지화상으로 변환하여 패턴 검출 영역(Region of Interest, ROI)을 분리하고, 상기 ROI 영상에서 혈관패턴을 추출하는 단계와, 상기 추출된 혈관패턴에서 횡렬 패턴(Row-pattern)과 종렬 패턴(Column-pattern)으로 각각 구분하는 단계와, 상기 횡렬 패턴과 종렬 패턴을 표준화 처리하고, 이치화 영상(Binary Image)을 추출 한 후에 패턴 병합하여 최종 혈관패턴을 검출하는 단계를 더 포함한다.

상기 혈관패턴의 분기 특성을 추출하는 단계에서는, 시스템이 사용자의 반복사용에 의해 확률적인 특징 벡터를 이용한 매칭 연산방식(Probabilistic Feature Vector Matching Algorithm)으로 전환됨으로써 상기 혈관패턴 분기 특성에서 입력 영상의 변화에 대한 데이터 손실 기여도를 검출하여 분기점 가중치(Branch Point Weighting Factor)가 결정되도록 한다.

상기 사용자의 움직임에 따른 위치 보상을 수행하는 단계에서는, 세선화 연산방식(Thinning Algorithm)을 적용하여 데이터베이스 상의 혈관패턴 분기점 및 현재 입력되는 영상의 혈관패턴 분기점을 연결한 각각의 다각형의 모양과 위치를 상호 비교하여 사용자의 회전/이동에 대한 보상을 실행한다.

상기 사용자의 본인 여부 확인 단계에서는, 데이터베이스 상의 혈관패턴 분기점을 연결한 다각형과 현재 입력되는 영상의 혈관패턴 분기점을 연결한 다각형에서 각 꼭지점을 매칭시켜 꼭지점에 대한 정합 - 꼭지점에서의 각도, 꼭지점간의 길이, 다각형 면적에 대한 정합 - 정도를 판단하여 인식한다.

상기 사용자의 본인 여부 확인 단계에서, 데이터 베이스 상의 혈관패턴 분기 특성과 현재 입력되는 영상의 혈관패턴 분기 특성에 대한 분기점 가중치를 각각 적용하여 분기 특성 정합 - 분기점, 분기각도, 분기개수 및 길이에 대한 정합 - 정도를 판단하여 인식한다.

한편, 본 발명의 개인식별을 위한 손등의 혈관패턴 인식 장치는 사용자가 동작 진행에 필요한 번호나 사용자 등록번호를 입력하는 키입력부와, 사용자 손등의 혈관패턴에 관한 기준 영상이 사용자별로 저장되는 데이터베이스와, 사용자 손등을 촬영한 원시영상을 혈관패턴 추출을 위한 정지화상으로 변환 출력하는 영상처리부와, 상기 영상처리부의 정지화상을 입력받아 데이터 손실 기여도를 고려하여 사용자의 움직임에 따른 위치 보상을 수행하고, 혈관패턴에 따른 분기 특성을 추출하여 이를 데이터베이스에 기저장된 기준영상과 비교함으로써 사용자 본인 여부를 확인하는 마이크로 프로세서와, 상기 마이크로프로세서의 제어에 의해 외부장치와 데이터 및 제어 통신 기능을 수행하는 인터페이스부를 포함한다.

상기 데이터베이스는 기준 영상이 혈관패턴의 분기 방향을 구분하여 추출된 혈관패턴의 분기 특성에 따라 업데이트된다.

이하 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있는 바람직한 일 실시예를 상세히 설명하면 다음과 같다.

도 6a 및 도 6b는 본 발명에 따른 일 실시예로서 개인식별을 위한 손등의 혈관패턴 인식 장치의 정면도 및 투시도가 각각 도시된 것이다.

도 6a에 도시된 바와 같이, 장치의 외관을 형성하는 케이스(1)의 외부에는 시스템 인식 유무를 표시하는 표시등(LED1, LED2)과, 시스템 진행 상황을 문자로 표시하는 LCD(2)가 각각 설치되어 있다.

그리고, 상기 LCD(2)의 하부 측에는 시스템 진행에 필요한 번호나 사용자 등록번호를 입력하기 위한 키패드(3), 외부 조명을 차단하는 러버(4), 사용자의 손등에 관한 영상 입력시 손가락을 지지하는 지지대로서 손잡이(5)가 각각 설치되어 있다.

또한 도 6b에 도시된 바와 같이, 상기 케이스(1)의 내부에는 사용자 손등에관한 영상을 촬영하기 위해 상기 러버(4)로부터 일정 거리 떨어진 위치에 설치된 CCD 혹은 CMOS 카메라(6), 상기 카메라(6)의 양측에 혈관패턴을 강조하는 Mid-Wave 적외선 조명(7), 상기 Mid-Wave 적외선 조명(7)과 카메라(6)의 하단부에 설치되어 혈관패턴을 강조하는 Mid-Wave 적외선 필터(8)가 각각 설치되어 있다.

특히, 상기 러버(4)와 카메라(6) 사이에는 혈관패턴 검출 영역인 ROI(Region of Interest) 영상 촬영을 위한 초점거리 확보를 위해 경통(9)이 설치되어 있는데, 상기 경통(9)의 내부면은 적외선을 흡수하는 물질로 도포되어 있어 외부 빛의 영향을 최소화시킬 수 있다.

한편, 도 7에는 본 발명의 실시예에 따른 개인식별을 위한 혈관패턴 인식 장치의 내부 구성이 도시된 도면이다.

도 7에 도시된 바와 같이, 본 발명이 실시예는 키패드(3)를 이용한 사용자의 키 입력을 위해 설치된 키입력부(11), 사용자 등록번호별 혈관패턴 분기 특성에 관한 데이터에 따라 업데이트되면서 사용자의 혈관패턴에 관한 분기특성과 기준 영상이 저장되는 데이터베이스(12), 사용자 손등의 영상을 촬영하는 카메라(6)로부터 입력되는 사용자 손등에 관한 영상신호를 정지 화상 데이터로 변환하는 프레임 그레버(13)를 포함한다.

또한, 본 발명의 실시예는 프레임 그레버(13)에서 생성된 정지 화상 데이터를 임시 저장하는 화상 메모리(14), 상기 화상 메모리(14)에 저장된 정지 화상 데이터에서 혈관패턴을 추출하여 그 혈관패턴으로부터 분포특성 데이터를 검출하는 동시에 상기 분포특성 데이터를 이용하여 데이터베이스(12) 내의 분포 특성과 비교하여 동일 여부를 판별함으로써 사용자의 입장 허락/거부 결정을 수행하는 마이크로 프로세서(15), 상기 마이크로 프로세서(15)의 제어에 의해 외부장치와의 데이터 및 제어 통신 기능을 수행하는 인터페이스부(16)를 포함한다.

이하, 상기와 같이 구성되는 장치의 동작을 개인식별을 위한 손등의 혈관패턴 인식 방법을 통해 살펴보면 다음과 같다.

먼저, 개개인에 대한 손등 혈관패턴은 사람마다 패턴의 분기 형상이나 분기 방향이 다르게 나타난다. 그러므로, 본 발명의 실시예에서는 혈관패턴의 분기 형상이나 방향성을 고려하여 분기점과 각 분기점을 연결한 다각형을 추출하고, 분기점에서의 분기각도 및 분기 개수, 분기점간의 길이에 관한 수치데이터, 다각형에서 꼭지점간의 길이, 꼭지점에서의 각도, 다각형 면적에 대한 수치데이터를 산출해냄으로써 혈관패턴의 분기 특성과 특성 벡터가 검출될 수 있다.

여기서, 확률적인 특징 벡터는 불특정 사용자의 손등 혈관패턴이 외부 환경, 입력 영상 등의 변화에 의해서 추출하려는 혈관패턴 분기 특성의 기본이 되는 분기점을 부분적으로 손실하게 되며 개개인에 따라 다르게 발생하므로, 혈관패턴 분기 특징의 기본 특징인 분기점에 대한 손실기여도를 측정함으로써 각각의 분기점에 대한 가중치를 다르게 적용하는 방법을 의미한다.

즉, 확률적인 특징 벡터는 손실 기여도가 가장 낮은 분기점을 확률적으로 가장 안정된 분기 특성으로 인식할 수 있다. 그리고, 확률적인 특징 벡터는 시스템의 반복적인 사용 횟수에서 발생되는 개개인의 분기 특성에 대한 손실 여부를 확률적인 방법으로 측정하여 각각의 분기 특성에 대한 손실 기여도를 측정하게 되며, 이특성은 개개인의 분기 특성에 대한 확률적인 특징 벡터가 된다.

다음, 본 발명의 실시예에서는 외부 환경이나 입력되는 영상의 변화에 대해 데이터의 손실 기여도 정도를 판단할 수 있도록 확률적인 신뢰도를 개개인의 혈관패턴 분기 특성에 적용하는 트레이닝 단계, 트레이닝 단계에 의해 개개인의 데이터 베이스를 자동 변환시키는 동시에 확률적인 특징 벡터를 이용한 매칭 연산방식을 적용하여 사용자의 본인 여부를 식별함으로써 입장 허락/거부를 실행하는 개인식별 단계로 크게 나뉘어진다.

다음, 도 8은 상기 트레이닝 단계의 상세 동작이 도시된 순서도로서 이를 참고하면 다음과 같다.

도 6a 및 6b, 도 7에 도시된 손등의 혈관패턴 인식 장치를 이용하면, 사용자가 키입력부(11)를 통해 사용자 등록번호를 입력하고, 장치 정면으로 손을 삽입하여 손잡이(5)를 감싸쥠으로써 손등의 혈관패턴이 선명하게 드러나도록 한다.

그러면, 마이크로 프로세서(15)에서는 데이터베이스(12) 내에 사용자가 입력한 등록번호가 존재하는지를 판단한 후에 손등 영상에 대한 입력 여부를 결정한다.

마이크로 프로세서(15)가 손등의 영상 입력을 결정한 경우, Mid-Wave 적외선 조명(7)이 중간파 적외선을 하부 쪽으로 방사하고, 중간파 적외선은 Mid-Wave 적외선 필터(8)를 통해 손등으로 조사된 후 손등에 의해 반사되어 다시 Mid-Wave 적외선 필터(8)를 거치게 된다.

따라서, 카메라(6)는 Mid-Wave 적외선 필터(8)를 거쳐 전달되는 손등에 관한 영상을 감지한 후 그 영상 신호를 프레임 그레버(13)에 전달한다. 프레임그레버(13)는 영상신호를 정지 화상 데이터로 변환하고 이를 화상 메모리(14)에 전달한다.

마이크로 프로세서(15)는 화상 메모리(14)를 통해 원시 영상이 입력된 후(S101), ROI 영상을 분리한다(S102).

상기 마이크로 프로세서(15)는 ROI 영상에서 혈관패턴의 분기 방향성을 고려하여 손등의 혈관패턴 중 횡렬 패턴(Row-pattern)을 추출하고(S103), 데이터 필터링을 위해 표준화 처리(S104)를 거쳐 흑백만으로 구성되는 이치화 영상을 추출함으로써 최종적인 혈관패턴의 횡렬 패턴을 추출한다.(S105)

또한, 상기 마이크로 프로세서(15)는 ROI 영상에서 손등의 혈관패턴 중 종렬 패턴(Column-pattern)을 추출하고(S106), 표준화 처리(S107) 및 이치화 영상 추출(S108)을 통해 최종적인 종렬 패턴을 추출한다.

이때, 상기 혈관패턴 중에서 횡렬 패턴을 추출하는 방식은 ROI 영상이 종렬 벡터 필터(예를 들어, 커널 사이즈=11)와 횡렬 벡터 필터(예를 들어, 커널 사이즈=21)를 거쳐 표준화 처리 및 이치화 영상 추출을 진행하면서 도 9에 도시된 영상 처리 결과와 같이 횡렬 패턴이 추출되도록 한다.

마찬가지로, 상기 혈관패턴 중 종렬 패턴을 추출하는 방식은 종렬 벡터 필터(예를 들어, 커널 사이즈=21)와 횡렬 벡터 필터(예를 들어, 커널 사이즈=11)의 커널 사이즈만을 달리하여 횡렬 패턴과 동일한 방식으로 도 10에 도시된 바와 같이 종렬 패턴 추출되도록 한다.

이렇게, 마이크로프로세서(15)는 손등 혈관패턴을 종/횡 방향성에 따라 구별하여 상기 단계(S105, S108)에서 추출된 횡렬 패턴과 종렬 패턴을 패턴 병합(pattern merge)함으로써 도 11에 도시된 바와 같이 최종 손등의 혈관패턴을 나타내는 이치화 영상 형태로 타켓 영상을 출력한다(S109).

상기 마이크로 프로세서(15)에서는 사용자 트레이닝 단계에서 원형정합 연산방식을 사용하여 상기 타겟 영상을 통해 사용자 본인 여부를 판단하는데, 여기서 상기 원형정합 연산방식은 등록번호를 입력한 사용자로부터 추출된 혈관패턴의 원형을 저장하여 인식한다.(S110)

특히, 상기 원형 정합 연산방식은 혈관패턴의 분기 특성보다는 데이터베이스(12) 상에 저장된 영상과 타겟 영상의 직접적인 유사도(Correlation)를 비교한다. 그 후, 마이크로 프로세서(15)에서는 상기 단계(S110)의 비교 과정에서 얻어진 비교값이 일정한 임계값(threshold level)을 초과하는지를 판단한다.(S111)

상기 단계(S111)의 판단 결과가 '예'인 경우에, 마이크로 프로세서(15)에서는 사용자가 시스템을 반복적으로 사용함으로써 확률적인 특징 벡터를 추출하게 되며, 자동적으로 확률적인 특징 벡터 매칭 연산방식으로 자동 전환되는 동시에 최종적으로 개개인의 가장 안정된 혈관패턴 분기 특성을 검출하게 된다(S112).

그리고, 상기 마이크로 프로세서(15)는 혈관패턴 분기 특성에 따라 최적의 분기점 가중치(Branch Point Weighting Factor, BPWF)를 추출하고(S113), 이와 같은 진행에 의해 사용자의 데이터베이스(12)는 사용자에게서 추출된 혈관패턴 분포 특성만을 업데이트한다(S114).

이렇게 하여, 마이크로 프로세서(15)는 현재 타겟 영상이 사용자 등록번호에 따른 데이터베이스(12)상에 기저장된 기준 영상을 토대로 동일 인물의 혈관패턴임을 판단하고 입장을 허락하지만(S115), 상기 단계(S111)의 판단 결과가 '아니오'인 경우에 현재 타겟영상이 데이터베이스(12)의 기준영상을 토대로 동일 인물의 혈관패턴이 아니라고 판단하고 입장을 거부한다.(S116)

도 12는 상기 개인식별 단계의 상세 동작이 도시된 순서도로서, 마이크로프로세서(15)는 카메라(6)와 프레임 그레버(13), 화상 메모리(14)를 통해 원시 영상이 입력되면(S201) ROI 영상을 분리한다(S202).

그리고, 마이크로프로세서(15)는 손등 혈관패턴의 횡렬 패턴과 종렬 패턴을 각각 구별 추출(S203, S206)한 후에 표준화 처리(S204, S207) 및 이치화 영상 추출(S205, S208)을 하는 과정을 도 8에 도시된 순서도와 동일하게 진행한다.

마이크로 프로세서(15)는 상기 과정에서 추출된 손등 혈관패턴의 횡렬 패턴과 종렬 패턴은 패턴 병합하여 최종 손등 혈관패턴을 추출한다(S209). 그 후, 마이크로프로세서(15)는 확률적인 매칭 연산방식으로 개인식별을 수행하는 특성 벡터 매칭 연산방식을 통해 최종적인 사용자의 본인 여부를 확인한다.(S210)

상기 단계(S210)는 사용자의 본인 여부를 확인하기 위해 도 13에 도시된 바와 같이, 마이크로 프로세서(15)가 데이터베이스(12)의 기준 영상에서 가장 안정적인 혈관패턴 분기점(Vein-Pattern Branch Point, VPBP)을 연결한 다각형과 현재 타겟 영상에서 얻어진 혈관패턴 분기점을 연결한 다각형의 특성 벡터, 즉 각 다각형의 꼭지점을 매칭시켰을 때 각 꼭지점에 대한 정합, 다각형의 꼭지점에서의 각도에대한 정합, 꼭지점간의 길이, 다각형 면적에 대한 정합 정도를 판단한다.(S211)

도 14는 본 발명에 따른 실시예의 확률적인 신뢰도를 적용한 최적의 혈관패턴 분기 특성이 도시된 도면이다.

상기 다각형 특성의 정합 정도가 일치하는 경우에, 마이크로 프로세서(15)는 도 14에 도시된 바와 같이 데이터 손실 기여도가 낮은 A11 영역에는 높은 가중치를 적용하고, 반대로 데이터 손실 기여도가 높은 A12 영역에는 낮은 가중치를 적용한다.

이러한 방식의 확률적인 신뢰도를 통해 마이크로프로세서(15)는 각각의 분기 특성에 대한 최적의 분기점 가중치를 적용하여 특성 벡터, 즉 분기점, 분기점에서의 분기각도, 분기점에서의 분기개수, 분기점에서의 길이에 대한 정합 정도를 판단한다.(S212)

상기에서, 마이크로프로세서(15)에서는 확률적 분기 특성의 정합 정도가 일치하는 경우에 현재 입력되는 손등의 혈관패턴이 사용자 본인이라고 판단하고 입장을 허락한다(S213).

그런데, 상기 다각형의 특성 또는 확률적 분기 특성의 정합 정도가 일치하지 않는 경우에 마이크로 프로세서(15)에서는 현재 입력되는 손등의 혈관패턴이 사용자 본인이 아니라고 판단하고 입장을 거부한다(S214).

도 15는 본 발명에 따른 실시예의 기본 혈관패턴 분기특성을 이용한 사용자의 회전과 이동 보상에 대한 진행 상태가 도시된 도면이다.

상기와 같이 동작되는 개인식별을 위한 혈관패턴 인식 방법은 도 15에 도시되어 있듯이 마이크로 프로세서(15)에서 최적의 혈관패턴 분기 특성을 적용하여 사용자의 회전(Rotation)과 이동(Shift)에 대한 보상을 수행하게 된다.

여기서, 최적의 혈관패턴 분기 특성이 마이크로 프로세서(15)를 통해 추출되면 추출된 분기점을 포함하는 영역은 분기점을 추출하기 위해 세선화 연산방식(Thinning Algorithm)이 적용된다.

이 과정에서 추출하려는 분기점 위치의 미소한 변화는 입력된 동일인의 원시 영상에서도 혈관패턴의 미소한 굵기 변화에 의해서 발생될 수 있는 허용범위를 나타내고 있으므로 이 허용 영역 내에서 추출된 분기점은 허용 영역의 중앙 위치로 분기점의 위치를 최종 결정한다.

도 15의 (a)는 데이터베이스에 저장된 최적의 혈관패턴 분기 특성을 나타내고 있는데, (a)에 표시된 사각형 및 삼각형 영역은 허용 영역을 나타내고, 허용 영역 중에서 사각형 영역은 확률적인 신뢰도에서 높은 신뢰도를 나타내는 반면에 삼각형 영역은 낮은 신뢰도를 나타낸다.

여기서, 상기 허용 영역 중 삼각형 영역은 외부 환경 변화나 반복적인 시스템 사용에서 발생되는 입력 영상의 미소한 변화에 의해서 마이크로 프로세서(15)에서 분기점 특성이 손실되는 확률이 높은 분기 특성을 나타내는 분기점으로 데이터 손실 기여도가 높으므로 낮은 가중치가 적용되어 인식된다.

그러나, 상기 허용 영역 중 사각형 영역은 마이크로 프로세서(15)에서 외부 환경 변화나 입력 영상의 미소한 변화에 대해서 확률적으로 높은 신뢰성을 나타내는 안정된 혈관패턴 분기점을 의미하여 높은 가중치가 적용되어 인식된다.

도 15의 (b)는 사용자 손의 회전이나 이동에 의해 얻어진 혈관패턴 분기 특성을 나타내고, 도 15의 (c)는 (a)의 데이터베이스 분기 특성과 현재 입력된 (b)의 분기 특성에 대해 회전 보상, 이동 보상을 실시하고 있다.

도 15의 (c)는 (a), (b)에서 가장 안정적인 혈관패턴 분기점을 연결한 다각형이 구성되면 각각의 다각형의 모양이 가장 일치되도록 위치시킴으로써 회전(R) 및 이동(S)에 대한 보상을 실행한다.

도 16은 본 발명에 따른 실시예의 확률적으로 가장 안정적인 혈관패턴 분기점을 이용한 사용자의 회전과 이동을 보상하는 일례가 도시되어 있다.

더욱 상세하게, 도 16의 (a), (b)는 추출된 혈관패턴 분기점을 나타내고, (c)는 (a)과 (b)에서 선택된 가장 안정적인 혈관패턴 분기점을 중첩했을 때의 결과를 나타내고, (d)는 (a)이 저장된 데이터베이스의 분기 특성으로 간주 할 경우에 (b)의 가장 안정적인 혈관패턴 분기점을 연결한 다각형을 데이터베이스 분기 특성에 가장 적합하게 적용시킨 결과를 나타내며, (e)는 사용자의 회전과 이동에 대한 보상 후의 매칭 결과를 나타낸다.

도 17 및 도 18은 본 발명과 종래 기술에 따른 혈관 패턴과 정맥패턴 추출 결과에 대한 비교 영상 및 그래프를 도시한 것으로서 이를 통해 시스템 성능 평가를 살펴본다.

도 17의 (a)는 종래 정맥패턴 추출 알고리즘에 따라 추출된 정맥패턴에서는 패턴 연결성이 부분적으로 손실됨으로 인해 정맥패턴 분기 특성의 가장 기본적인 특징인 정맥패턴 분기점의 특징이 손실된 것으로서 실제적인 시스템 성능 평가에많은 문제가 내포됨을 알 수 있다.

그런데, 도 17의 (b)는 본 발명에 따른 혈관패턴 추출 알고리즘에 의해 추출하려는 정맥패턴의 방향성을 고려하여 추출하려는 혈관패턴의 패턴 연결성을 최대한 보존하여 혈관패턴을 추출함으로써 안정적으로 혈관패턴 분기점을 추출할 수 있어 종래 내포되어 있던 문제가 획기적으로 개선됨을 알 수 있다.

도 18에서 본 발명과 종래 기술에 따른 혈관패턴과 정맥패턴 추출 알고리즘의 성능을 비교한 그래프를 보면, 각 임계값(threshold value)에서 혈관패턴과 정맥패턴 추출 알고리즘 성능인 FAR(False Acceptance Rate)을 비교한 결과 본 발명이 종래 기술에 비해 시스템 성능이 월등히 향상됨을 알 수 있다.

상기 도면과 발명의 상세한 설명은 단지 본 발명의 예시적인 것으로서, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

본 발명에 의한 개인식별을 위한 손등의 혈관패턴 인식 방법은 혈관패턴의 패턴 연결성을 최대한 유지하면서 혈관패턴의 방향성을 고려하고 확률적인 신뢰도를 적용한 개개인의 최적 혈관패턴 분기 특성을 추출함으로써 가장 안정적인 혈관패턴의 분기점 및 분기 특성, 최적의 분기점 가중치를 매칭시켜 시스템 인식 성능을 높일 수 있고, 이렇게 시스템 인식 성능이 높아짐에 따라 외부 환경과 입력 영상의 미세한 변화에 의해서 판별되는 시스템 민감성과 사용자 회전과 이동에 의한 오거절율(False Rejection Rate), 혈관패턴 추출 알고리즘 성능(False Acceptance Rate)에 의한 시스템 안정성 및 사용자 편의성을 개선시킬 수 있는 효과를 갖는다.

Claims (8)

1. 촬영된 사용자 손등의 원시 영상에서 혈관패턴을 추출하고, 혈관패턴의 분기 방향을 구분하여 타겟 영상(Target image)을 추출하는 단계와,

   상기 추출된 타겟 영상과 데이터베이스에 기저장된 사용자의 혈관패턴에 대한 기준영상의 유사도를 비교하여 사용자 식별을 수행하는 단계와,

   상기 타겟 영상과 기준영상이 유사한 경우, 혈관패턴의 분기 특성을 추출하여 데이터베이스에 저장된 기준영상을 업데이트하는 단계와,

   사용자의 원시영상 재입력시, 원시 영상에서 타겟 영상을 추출하여 상기 업데이트된 기준 영상과 타겟 영상의 혈관패턴의 분기 특성을 추출하고, 각 분기 특성에 따른 특성 벡터를 상호 비교하여 사용자의 움직임에 대한 위치 보상을 수행하는 단계와,

   상기 타겟 영상의 위치 보상이 수행 완료된 경우, 타겟 영상과 기준영상의 분기 특성에 따른 특성 벡터를 비교하여 사용자의 본인 여부를 확인하고 입장 허락/거부를 결정하는 단계를 포함하여 이루어진 개인식별을 위한 손등의 혈관패턴 인식 방법.
2. 제 1 항에 있어서,

   상기 혈관패턴의 분기 방향을 구분하는 단계에서는,

   촬영된 사용자 손등의 원시 영상을 정지화상으로 변환하여 패턴 검출영역(Region of Interest, ROI)을 분리하고, 상기 ROI 영상에서 혈관패턴을 추출하는 단계와,

   상기 추출된 혈관패턴에서 횡렬 패턴(Row-pattern)과 종렬 패턴(Column-pattern)으로 각각 구분하는 단계와,

   상기 횡렬 패턴과 종렬 패턴을 표준화 처리하고, 이치화 영상(Binary Image)을 추출 한 후에 패턴 병합하여 최종 혈관패턴을 검출하는 단계를 더 포함하여 이루어지는 특징으로 하는 개인식별을 위한 손등의 혈관패턴 인식 방법.
3. 제 1 항에 있어서,

   상기 혈관패턴의 분기 특성을 추출하는 단계에서는,

   시스템이 사용자의 반복 사용에 의해 확률적인 특징 벡터를 이용한 매칭 연산방식(Probabilistic Feature Vector Matching Algorithm)으로 전환됨으로써 상기 혈관패턴 분기 특성에서 입력 영상의 변화에 대한 데이터 손실 기여도를 검출하여 분기점 가중치(Branch Point Weighting Factor)가 결정되도록 하는 것을 특징으로 하는 개인식별을 위한 손등의 혈관패턴 인식 방법.
4. 제 1 항에 있어서,

   상기 사용자의 움직임에 따른 위치 보상을 수행하는 단계에서는,

   세선화 연산방식(Thinning Algorithm)을 적용하여 데이터베이스 상의 혈관패턴 분기점 및 현재 입력되는 영상의 혈관패턴 분기점을 연결한 각각의 다각형의 모양과 위치를 상호 비교하여 사용자의 회전/이동에 대한 보상을 실행하는 것을 특징으로 하는 개인식별을 위한 손등의 혈관패턴 인식 방법.
5. 제 1 항에 있어서,

   상기 사용자의 본인 여부 확인 단계에서는,

   데이터베이스 상의 혈관패턴 분기점을 연결한 다각형과 현재 입력되는 영상의 혈관패턴 분기점을 연결한 다각형에서 각 꼭지점을 매칭시켜 꼭지점에 대한 정합 - 꼭지점에서의 각도, 꼭지점간의 길이, 다각형 면적에 대한 정합 - 정도를 판단하여 인식하는 것을 특징으로 하는 개인식별을 위한 손등의 혈관패턴 인식 방법.
6. 제 1 항 또는 제 3 항에 있어서,

   상기 사용자의 본인 여부 확인 단계에서,

   데이터 베이스 상의 혈관패턴 분기 특성과 현재 입력되는 영상의 혈관패턴 분기 특성에 대한 분기점 가중치를 각각 적용하여 분기 특성 정합 - 분기점, 분기각도, 분기개수 및 길이에 대한 정합 - 정도를 판단하여 인식하는 것을 특징으로 하는 개인식별을 위한 손등의 혈관패턴 인식 방법.
7. 사용자가 동작 진행에 필요한 번호나 사용자 등록번호를 입력하는 키입력부와,

   사용자 손등의 혈관패턴에 관한 기준 영상이 사용자별로 저장되는 데이터베이스와,

   사용자 손등을 촬영한 원시영상을 혈관패턴 추출을 위한 정지화상으로 변환 출력하는 영상처리부와,

   상기 영상처리부의 정지화상을 입력받아 데이터 손실 기여도를 고려하여 사용자의 움직임에 따른 위치 보상을 수행하고, 혈관패턴에 따른 분기 특성을 추출하여 이를 데이터베이스에 기저장된 기준영상과 비교함으로써 사용자 본인 여부를 확인하는 마이크로 프로세서와,

   상기 마이크로프로세서의 제어에 의해 외부장치와 데이터 및 제어 통신 기능을 수행하는 인터페이스부를 포함하여 구성되는 것을 특징으로 하는 개인식별을 위한 손등의 혈관패턴 인식 장치.
8. 제 7 항에 있어서,

   상기 데이터베이스는 기준 영상이 혈관패턴의 분기 방향을 구분하여 추출된 혈관패턴의 분기 특성에 따라 업데이트되는 것을 특징으로 하는 개인식별을 위한 손등의 혈관패턴 인식 장치.