KR20060105272A - 아다부스트 알고리즘을 이용한 안구 영상 판단 방법 - Google Patents

아다부스트 알고리즘을 이용한 안구 영상 판단 방법 Download PDF

Info

Publication number
KR20060105272A
KR20060105272A KR1020050027903A KR20050027903A KR20060105272A KR 20060105272 A KR20060105272 A KR 20060105272A KR 1020050027903 A KR1020050027903 A KR 1020050027903A KR 20050027903 A KR20050027903 A KR 20050027903A KR 20060105272 A KR20060105272 A KR 20060105272A
Authority
KR
South Korea
Prior art keywords
image
eyeball
eye
adaboost algorithm
sample
Prior art date
Application number
KR1020050027903A
Other languages
English (en)
Inventor
장재영
채장진
민승기
Original Assignee
엘지전자 주식회사
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 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020050027903A priority Critical patent/KR20060105272A/ko
Publication of KR20060105272A publication Critical patent/KR20060105272A/ko

Links

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
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Ophthalmology & Optometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

본 발명에 의한 아다부스트 알고리즘을 이용한 안구 영상 판단 방법은 안구 영상샘플 및 비안구 영상샘플이 구비되어 상기 안구 영상샘플의 명암유형이 반영된 소정 개수의 특징량이 설정되고, 상기 특징량을 이용하여 조합된 제1 부분류자들에 상기 영상샘플들을 기준으로 가중치가 부여되며, 상기 가중치에 의하여 소정 개수의 제2 부분류자가 선별되는 아다부스트 훈련단계; 및 상기 제2 부분류자 및 가중치를 변수로 하는 아다부스트 알고리즘 수식에 의하여 정의되는 주분류자가 촬영된 영상에 적용됨으로써 안구 영상 여부를 판단하는 아다부스트 실행단계를 포함하는 것을 특징으로 한다. 또한, 본 발명의 상기 아다부스트 실행단계는 촬영된 영상에서 안구의 위치가 확인되는 단계; 홍채 영역만을 포함하도록 상기 촬영된 영상이 변환되는 단계; 상기 변환된 영상의 영역별 화소값이 표준화되는 단계; 및 상기 주분류자가 상기 표준화된 영상에 적용되는 단계로 구비되는 것을 특징으로 한다.
본 발명에 의하면, 연산 속도를 단축시키고, 복잡하지 않은 연산을 통해서도 보다 정밀하게 영상을 검사하여 검사 대상 영상이 안구 영상인지의 여부를 신속하게 판단할 수 있는 효과가 있으며, 외부적 요인에 의하여 발생된 잡음 성분이 일부 안구 영역을 가리는 경우가 발생되더라도 안구를 재촬영하지 않고 반사잡음을 제거하기 위한 별도의 신호처리 과정 없이 안구 영상 여부를 판단할 수 있게 된다.

Description

아다부스트 알고리즘을 이용한 안구 영상 판단 방법{Interpretation method of eyeball image using Adaboost algorithm}
도 1은 본 발명의 실시예에 따른 아다부스트 알고리즘을 이용한 안구 영상 판단 방법을 도시한 흐름도.
도 2는 본 발명의 실시예에 따른 아다부스트 알고리즘을 이용한 안구 영상 판단 방법의 훈련 단계를 도시한 흐름도.
도 3은 본 발명의 실시예에 따른 아다부스트 알고리즘을 이용한 안구 영상 판단 방법에 사용되는 영상 샘플들을 예시적으로 도시한 도면.
도 4는 본 발명의 실시예에 따른 아다부스트 알고리즘을 이용한 안구 영상 판단 방법에 사용되는 명암 유형 특징량을 예시한 도면.
도 5는 본 발명의 실시예에 따른 아다부스트 알고리즘을 이용한 안구 영상 판단 방법의 전처리 과정을 도시한 흐름도.
도 6은 본 발명에 의한 아다부스트 알고리즘을 이용한 안구 영상 판단 방법의 전처리 과정에서 촬영된 영상의 크기가 변환된 홍채를 포함하여 변환된 경우를 예시한 도면.
〈도면의 주요 부분에 대한 부호의 설명〉
S100: 훈련단계 요구 과정 S200: 훈련단계 실행 과정
S300: 주분류자 생성 확인 과정 S400: 안구 영상 촬영 과정
S500: 안구 영상 전처리 과정 S600: 반사잡음 확인 과정
S700: 반사잡음 처리 과정 S800: 안구 영상 판단 과정
본 발명은 홍채인식의 전처리 과정으로서, 검사 대상 영상이 안구 영상인지의 여부를 판단하는 방법에 관한 것이다.
현재, 유전자 형질, 지문, 목소리, 정맥, 얼굴 생김새, 눈동자 홍채 등의 생물학적 특징을 이용하여 개개인의 신원을 인증하는 시스템에 대하여 활발한 연구가 진행되고 있다.
이중에서, 홍채 인식 분야는 높은 인식률과 위조의 불가성, 데이터량이 많은 패턴 특성, 변화 요인이 없다는 점 등의 장점으로 인하여, 보안시스템에 있어서 향후 가장 많이 사용될 것으로 전망된다.
홍채(Iris)란, 동공과 흰 부위 사이에 존재하는 영역을 의미하는데, 빗살 무늬의 인대, 붉은색의 섬유질, 속눈썹 모양의 돌기, 혈관계 형태, 링 형태의 조직, 동공을 둘러싸는 코로나모양의 인대, 홍채 고유의 색, 얼룩점 등의 고유 특성을 가지고 있으므로 홍채를 이용하면 개개인을 식별할 수 있다.
데이터 연산량을 감소시키기 위하여, 홍채를 인식하기 전에 눈위치를 찾는 전처리 과정이 수행되는데, 이러한 과정은 여러 가지 방법으로 진행될 수 있다. 종 래에는, 눈의 위치를 찾기 위해서 눈의 형태에 따른 영상 정보를 이용하거나 동공에 의하여 나타나는 반사 잡음(Specular; 빛이 동공에 반사되는 경우에 나타나는 잡음 성분은 크기와 패턴에 규칙적인 특징을 가진다)을 이용하는 방법 등이 있다.
이렇게 하여 눈의 위치를 찾게 되면, 피인증자의 눈과 카메라의 렌즈가 광학적으로 일치되도록 홍채인식시스템이 정밀하게 구동되고, 홍채를 정교하게 촬영하여 홍채 인식 과정을 처리하게 된다.
그러나, 눈의 형태를 이용하여 눈의 위치를 찾는 경우, 화장, 인공 눈썹 등의 요인에 의하여 눈의 형태가 달라지거나 개인의 특성에 따라 눈의 형태가 다른 점, 컨텍트 렌즈나 안경의 착용으로 인하여 눈의 형태가 다르게 인지될 수 있는 점 등 장애적인 요소가 많으므로 영상 처리를 통하여 눈이라는 영상 객체를 일률적으로 검출하는 것은 기술적으로 많은 어려움이 따른다.
또한, 안구 영역을 촬영한 영상에는 반사 잡음을 비롯하여 여러 가지 잡음 성분들이 나타나게 되며, 이러한 잡음 성분들은 눈의 일부를 가림으로써 눈의 형태를 인지할 수 없게 하므로 종래의 방법으로는 눈의 위치를 찾을 수 없는 경우가 종종 발생된다.
종래에는 명암, 대비, 주파수 특성 등과 같은 보편적인 영상 특성을 분석하여 입력 영상의 품질(즉, 인식 처리가 가능한 안구 영상인지의 판단 기준)을 판단하는 수준이었으나, 이는 안구 자체의 특징이 아니기 때문에 안구 영상 여부를 판단하기에는 부적절하였다.
이렇게 소정 기준에 의하여 검사 대상 영상이 원하는 영상 객체인지의 여부 를 판단하는 연구는 주로 얼굴 검출 분야에서 GMM(The conventional Gaussian Mixture Models), AI(Artificial Intelligence), SVM(Support Vector Muchine) 등의 기술을 통하여 이루어져 왔으나, 사람이 인지하여 안구 영상이라고 판단하기 어려운 영상까지 포함하여 모든 입력 영상에 대하여 인식 프로세스가 진행되므로 불필요한 연산이 수행된다.
따라서, 종래의 인식 시스템에서는 인식 시간(전체 반응 시간)이 오래 걸리고 연산 효율이 비능률적으로 진행되므로 이는 시스템 성능을 저하시키는 요인으로 작용된다.
이에, 종래의 영상 신호 처리 방법을 개선하여 연산 과정을 최소화하면서도 인식률의 정확도 및 신뢰도를 향상시킬 수 있는 안구 영상 판단 방법이 요구되고 있다.
따라서, 본 발명은 안구 영역이 포함되지 않은 영상을 인식 처리 과정에서 제외시키고 최소한의 연산 알고리즘을 이용하여 안구 영상 여부를 판단함으로써 반응 시간을 단축시키면서도 인식률을 향상시킬 수 있는 안구 영상 판단 방법을 제공하는 것을 그 목적으로 한다.
또한, 본 발명은 안경과 같은 외부적 요인에 의하여 반사잡음 성분이 생기고, 반사잡음 성분에 의하여 일부 안구 영역이 가리워져도 정확도 및 신뢰도를 유지하여 안구 영상 여부를 판단할 수 있는 안구 영상 판단 방법을 제공하는 것을 다른 목적으로 한다.
상기의 목적을 달성하기 위하여, 본 발명에 의한 아다부스트 알고리즘을 이용한 안구 영상 판단 방법은 안구 영상샘플 및 비안구 영상샘플이 구비되어 상기 안구 영상샘플의 명암유형이 반영된 소정 개수의 특징량이 설정되고, 상기 특징량을 이용하여 조합된 제1 부분류자들에 상기 영상샘플들을 기준으로 가중치가 부여되며, 상기 가중치에 의하여 소정 개수의 제2 부분류자가 선별되는 아다부스트 훈련단계; 및 상기 제2 부분류자 및 가중치를 변수로 하는 아다부스트 알고리즘 수식에 의하여 정의되는 주분류자가 촬영된 영상에 적용됨으로써 안구 영상 여부를 판단하는 아다부스트 실행단계를 포함하는 것을 특징으로 한다.
또한, 본 발명에 의한 아다부스트 알고리즘을 이용한 안구 영상 판단 방법의 상기 아다부스트 실행단계는 촬영된 영상에서 안구의 위치가 확인되는 단계; 홍채 영역만을 포함하도록 상기 촬영된 영상이 변환되는 단계; 상기 변환된 영상의 영역별 화소값이 표준화되는 단계; 및 상기 주분류자가 상기 표준화된 영상에 적용되는 단계로 구비되는 것을 특징으로 한다.
또한, 본 발명에 의한 아다부스트 알고리즘을 이용한 안구 영상 판단 방법의 상기 촬영된 영상이 변환되는 단계는 홍채 반경의 소정 배수가 포함되도록 영상 크기가 변환되는 단계인 것을 특징으로 한다.
또한, 본 발명에 의한 아다부스트 알고리즘을 이용한 안구 영상 판단 방법의 상기 영상 크기는 "18× 18" 수치로 변환되는 것을 특징으로 한다.
또한, 본 발명에 의한 아다부스트 알고리즘을 이용한 안구 영상 판단 방법의 상기 변환된 영상의 영역별 화소값이 표준화되는 단계는 명암도 분포의 영향을 받지 않도록 상기 변환된 영상의 영역별 화소가 가지는 명암 수치가 표준화되는 단계인 것을 특징으로 한다.
또한, 본 발명에 의한 아다부스트 알고리즘을 이용한 안구 영상 판단 방법의 상기 특징량은 10개 이하의 개수로 설정되는 것을 특징으로 한다.
또한, 본 발명에 의한 아다부스트 알고리즘을 이용한 안구 영상 판단 방법의 상기 제2 부분류자는 상기 제1 부분류자 개수의 0.1% 내지 0.3%의 개수로 선별되는 것을 특징으로 한다.
또한, 본 발명에 의한 아다부스트 알고리즘을 이용한 안구 영상 판단 방법의 상기 주분류자는
Figure 112005017609664-PAT00001
(여기서, "h(x) : 주분류자", "ht(x) : 부분류자", "T : 제2 부분류자의 개수", "αt : 가중치"임을 의미하고, "1"은 촬영된 영상이 안구 영상임을 의미하며, "0"은 촬영된 영상이 안구 영상이 아님을 의미함)의 수식에 의하여 정의되는 것을 특징으로 한다.
또한, 본 발명에 의한 아다부스트 알고리즘을 이용한 안구 영상 판단 방법의 상기 아다부스트 실행단계는 촬영된 영상에서 반사잡음 성분을 검출하고, 상기 검출된 반사잡음 성분에 해당되는 제2 부분류자를 제외하여 상기 주분류자가 적용됨 으로써 안구 영상 여부를 판단하는 단계인 것을 특징으로 한다.
이하에서 첨부된 도면을 참조하여 본 발명의 실시예에 따른 아다부스트 알고리즘을 이용한 안구 영상 판단 방법에 대하여 상세히 설명한다.
도 1은 본 발명의 실시예에 따른 아다부스트 알고리즘을 이용한 안구 영상 판단 방법을 도시한 흐름도이다.
우선, 본 발명에 의한 아다부스트 알고리즘을 이용하여 안구 영상을 판단하는 방법은 크게 훈련단계(S100 ~ S300)와 실행단계(S400 ~ S800)로 이루어지는데, 아다부스트 알고리즘의 훈련단계(S100 ~ S300)는 검사대상과 유사한 샘플들을 구비하여 다수개의 부분류자(weak classifier)로 구성되는 주분류자(strong classifier)를 사전에 설정하는 단계이고, 실행단계(S400 ~ S800)는 사전에 설정된 주분류자를 실제 검사대상에 적용시켜 조건에 부합되는지의 여부를 판단하는 단계를 의미한다.
즉, 상기 훈련단계(S100 ~ S300)에서는 검사 대상 샘플들이 가지는 특징량들을 추출하여 다수개의 부분류자를 생성하고, 부분류자에 가중치를 부여하여 검사 대상 샘플들의 표현 형식에 가장 부합되는 부분류자 그룹을 선별함으로써 최종적으로 검사 대상이 조건에 부합되는지의 여부를 판단하는 하나의 주분류자를 구성하게 된다.
따라서, 본 발명에 의한 아다부스트 알고리즘을 이용하여 안구 영상을 판단하기 위해서는 필수적으로 훈련단계를 통하여 하나의 주분류자가 구성되어야 한다(S100).
상기 훈련단계(S200)에 대하여 상세히 설명하면 다음과 같다.
도 2는 본 발명의 실시예에 따른 아다부스트 알고리즘을 이용한 안구 영상 판단 방법의 훈련 단계(S200)를 도시한 흐름도이고, 도 3은 본 발명의 실시예에 따른 아다부스트 알고리즘을 이용한 안구 영상 판단 방법에 사용되는 영상 샘플들(A, B)을 예시적으로 도시한 도면이다.
도 3에 의하면, 상기 영상 샘플들은 2가지 종류의 샘플(A, B)들로 구비되는데(S210), 하나는 안구 영상 샘플(Positive sample)들(A)이고 다른 하나는 비안구 영상 샘플(Negative sample)들(B)이다.
일반적으로, 개인의 안구 생김새에 따라 또는 촬영 환경에 따라 안구 영상은 각각의 특징을 가지게 되는데, 이러한 특징에도 불구하고 사람은 어느 영상이 안구를 촬영한 영상인지를 인지할 수 있다.
상기 비안구 영상 샘플(B)은 도 3에 도시된 것처럼, 사람, 꽃무늬, 구조물 등과 같이 사람의 인지에 의하여 쉽게 안구 영상이 아니라고 판단될 수 있는 샘플들이지만, 안구 인식 장치가 상기 영상 샘플들이 안구 영상인지 또는 비안구 영상인지 판단하기 위해서는 복잡한 신호 처리 과정을 수행해야할 것이다.
이렇게 사람의 인지에 의하여 안구 영상 샘플(A)과 비안구 영상 샘플(B)이 선택되며, 선택된 영상 샘플은 "18× 18" 크기인 것이 바람직하다(이러한 크기를 가지는 이유에 대해서는 실행단계 부분에서 언급하기로 한다).
도 4는 본 발명의 실시예에 따른 아다부스트 알고리즘을 이용한 안구 영상 판단 방법에 사용되는 명암 유형 특징량(a1 ~ a6)을 예시한 도면이다.
이어서, 상기 안구 영상샘플의 명암 유형이 반영된 소정 개수의 특징량(a1 ~ a6)이 설정되는데(S220), 도 4에 도시된 바와 같이 상기 특징량(a1 ~ a6)은 일종의 단위 영상으로서 다수개가 조합되면 안구 영상샘플들(A)을 영역별로 표현할 수 있다.
가령, 첫 번째 특징량(a1)은 동공의 측부를 표현하는데 유용하고, 두 번째 특징량(a2)은 동공의 상부를 표현하는데 유용할 것이다. 또한, 세 번째, 네 번째, 다섯 번째 특징량(a3, a4, a5)은 동공과 홍채가 이루는 다양한 경계성분을 표현하는데 사용될 수 있고, 여섯 번째 특징량(a6)은 홍채와 동공의 형태와 가장 유사함을 알 수 있다.
본 발명의 실시예에서는 6개의 특징량이 사용되는 것으로 한다.
상기 특징량이 결정되면, 결정된 특징량을 이용하여 많은 수의 제1 부분류자가 조합될 수 있는데(S230), 가령 영상 샘플의 크기가 "18× 18" 인 경우에는 54306 개의 제1 부분류자가 존재한다.
이론상으로는, 부분류자의 개수가 많을 수록 영상의 안구 여부 판단이 정확히 이루어지지만 연산의 효율을 향상시키기 위하여 본 발명에서는 제2 부분류자를 선별하는 과정이 더 구비된다.
상기 안구 영상 샘플 및 비안구 영상 샘플들을 기준으로 하여 제1 부분류자들에 가중치가 부여되고(S240), 가중치에 의하여 약 100 여개의 제2 부분류자가 선별된다(연산의 효율성 및 판단의 정확성을 동시에 고려할 때, 제2 부분류자의 개수는 제1 부분류자 개수의 0.1% 내지 0.3%가 되는 것이 바람직하다)(S250).
주분류자는 상기 제2 부분류자 및 가중치를 변수로 하는 아다부스트 알고리즘 수식에 의하여 정의되는 분류자로서, 촬영된 영상이 안구 영상인지의 여부를 최종적으로 판단하는데, 다음과 같은 수식을 통하여 정의될 수 있다.
Figure 112005017609664-PAT00002
상기 수학식에서, "h(x) : 주분류자", "ht(x) : 부분류자", "T : 제2 부분류자의 개수", "αt : 가중치"임을 의미하고, "1"은 촬영된 영상이 안구 영상임을 의미하며, "0"은 촬영된 영상이 안구 영상이 아님을 의미한다.
이하에서, 도 1 및 첨부된 도면을 참조하여 본 발명에 의한 안구 여부 판단 방법의 실행단계에 대하여 설명하기로 한다.
전술한 바와 같이 주분류자가 정의되고(S300) 피인증자가 인증을 시도하면, 영상입력장치에 의하여 피인증자의 안구 영역이 촬영된다(S400).
촬영된 안구 영상은 전처리 과정을 거친다(S500).
본 발명은 모든 입력 영상(안구라고 인식되기 어려운 영상을 포함하여)에 대하여 홍채인식 프로세스를 수행함으로써 발생되는 연산의 비효율성을 방지하는 것에 그 목적이 있는 것으로서, 연산 효율을 더욱 향상시키기 위하여 본 발명에 의한 안구 여부 판단을 실행하기에 앞서 전처리 과정을 수행한다.
도 5는 본 발명의 실시예에 따른 아다부스트 알고리즘을 이용한 안구 영상 판단 방법의 전처리 과정을 도시한 흐름도이다.
전처리 과정은 다음과 같다.
첫째, 눈의 형태 또는 동공의 반사잡음을 분석하여 촬영된 영상에서 안구의 위치를 확인하는데(S510), 이는 본 발명에 의한 아다부스트 알고리즘을 이용하여 안구 여부를 판단하는 과정보다 덜 정교하게 안구의 위치를 추정하는 과정이다.
둘째로, 본 발명에 의한 아다부스트 알고리즘이 적용되기 위하여 검사 대상 영상이 홍채 영역만을 포함하도록 상기 촬영된 영상의 크기가 변환된다(S520).
도 6은 본 발명에 의한 아다부스트 알고리즘을 이용한 안구 영상 판단 방법의 전처리 과정에서 촬영된 영상의 크기가 변환된 홍채를 포함하여 변환된 경우를 예시한 도면이다.
본 발명의 실시예에서는 검사 대상 영상의 크기가 18× 18 수치를 가지도록 촬영된 영상이 변환되며, 검사 대상 영상의 지름(r2)은 홍채를 포함하여 홍채 반경(r1)의 약 2.4배가 되도록 위치가 정해진다.
일반적으로, 영상입력장치를 이용하여 안구 영상을 촬영하면 촬영된 영상은 640×480의 크기를 가지는데, 이는 본 발명에 의한 아다부스트 알고리즘을 적용하기에 불필요한 크기이다. 따라서, 안구 판단율의 정확도를 유지하면서 불필요한 연산을 배제하기 위하여, 전술한 바와 같이 안구 샘플과 검사 대상 영상의 크기를 18×18의 수치로 조정하는 것이다.
이렇게 안구의 위치를 먼저 추정하고 크기를 조정함으로써 본 발명에 의한 아다부스트 알고리즘의 연산 부담을 덜 수 있다.
셋째로, 상기 변환된 영상의 영역별 화소값을 표준화시키는데, 100 여개의 제2부분류자로 구성되는 주분류자가 검사 대상 영상에 적용됨에 있어 명암도 분포의 영향을 받지 않도록 영역별 화소가 가지는 명암도(gray level) 수치를 표준화(normalize)시킨다(S530).
한편, 안경 또는 렌즈와 같이 외부적 요소에 의하여 반사잡음 성분이 발생하여 안구 영역을 일부 가리게 되더라도, 본 발명에 의하면 안구 영상 여부를 판단할 수 있다.
즉, 표준화된 검사 대상 영상을 스캔하여 주변 영역보다 높은 화소 수치를 가지는 영역이 존재하면(S600), 이를 검출하여 반사잡음 영역으로 판단하고, 반사잡음 영역에 해당되는 제2 부분류자를 비교선별하여 주분류자 연산에서 제외시킨다(S700).
본 발명에 의한 아다부스트 알고리즘에 의한 주분류자는 많은 수의 제2 부분류자들로 구성되므로, 일부의 제2 부분류자가 제외되더라도 안구 영상 여부를 판단할 수 있게 된다.
최종적으로, 전처리되고 반사잡음 성분이 판단 대상에서 제외된 검사 대상 영상에 상기 주분류자가 적용되고 상기 검사 대상 영상의 안구 영상 여부가 판단된다(S800).
이상에서 본 발명에 대하여 그 바람직한 실시예를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 발명의 본질적인 특성을 벗어나지 않는 범위에서 이상 에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 본 발명의 실시예에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
본 발명에 의한 아다부스트 알고리즘을 이용한 안구 영상 판단 방법에 의하면, 사람의 인지 능력이 이용된 훈련 단계를 통하여 판단 능력이 극대화된 주분류자를 검사 대상 영상에 적용시킴으로써 연산 속도를 단축시키고, 복잡하지 않은 연산을 통해서도 보다 정밀하게 영상을 검사하여 검사 대상 영상이 안구 영상인지의 여부를 신속하게 판단할 수 있는 효과가 있다.
또한, 본 발명에 의하면, 외부적 요인에 의하여 발생된 잡음 성분이 일부 안구 영역을 가리는 경우가 발생되더라도 다수개의 부분류자로 구성되는 주분류자를 이용하여 검사 대상 영상을 판단하게 되므로, 안구를 재촬영하지 않고 반사잡음을 제거하기 위한 별도의 신호처리 과정 없이 안구 영상 여부를 판단할 수 있는 효과가 있다.

Claims (11)

  1. 안구 영상샘플 및 비안구 영상샘플이 구비되어 상기 안구 영상샘플의 명암유형이 반영된 소정 개수의 특징량이 설정되고, 상기 특징량을 이용하여 조합된 제1 부분류자(weak classifier)들에 상기 영상샘플들을 기준으로 가중치가 부여되며, 상기 가중치에 의하여 소정 개수의 제2 부분류자가 선별되는 아다부스트(adaboost) 훈련단계; 및
    상기 제2 부분류자 및 가중치를 변수로 하는 아다부스트 알고리즘 수식에 의하여 정의되는 주분류자(strong classifier)가 촬영된 영상에 적용됨으로써 안구 영상 여부를 판단하는 아다부스트 실행단계를 포함하는 것을 특징으로 하는 아다부스트 알고리즘을 이용한 안구 영상 판단 방법.
  2. 제1항에 있어서, 상기 아다부스트 실행단계는
    촬영된 영상에서 안구의 위치가 확인되는 단계;
    홍채 영역만을 포함하도록 상기 촬영된 영상이 변환되는 단계;
    상기 변환된 영상의 영역별 화소값이 표준화되는 단계; 및
    상기 주분류자가 상기 표준화된 영상에 적용되는 단계로 구비되는 것을 특징으로 하는 아다부스트 알고리즘을 이용한 안구 영상 판단 방법.
  3. 제2항에 있어서, 상기 촬영된 영상이 변환되는 단계는
    홍채 반경의 소정 배수가 포함되도록 영상 크기가 변환되는 단계인 것을 특징으로 하는 아다부스트 알고리즘을 이용한 안구 영상 판단 방법.
  4. 제3항에 있어서, 상기 영상 크기는
    홍채 반경의 2.n 배가 포함되도록 변환되는 것을 특징으로 하는 아다부스트 알고리즘을 이용한 안구 영상 판단 방법.
  5. 제3항에 있어서, 상기 영상 크기는
    "18× 18" 수치로 변환되는 것을 특징으로 하는 아다부스트 알고리즘을 이용한 안구 영상 판단 방법.
  6. 제2항에 있어서, 상기 변환된 영상의 영역별 화소값이 표준화되는 단계는
    명암도 분포의 영향을 받지 않도록 상기 변환된 영상의 영역별 화소가 가지는 명암 수치가 표준화되는 단계인 것을 특징으로 하는 아다부스트 알고리즘을 이용한 안구 영상 판단 방법.
  7. 제1항에 있어서, 상기 영상샘플은
    18× 18 크기인 것을 특징으로 하는 아다부스트 알고리즘을 이용한 안구 영상 판단 방법.
  8. 제1항에 있어서, 상기 특징량은
    10개 이하의 개수로 설정되는 것을 특징으로 하는 아다부스트 알고리즘을 이용한 안구 영상 판단 방법.
  9. 제1항에 있어서, 상기 제2 부분류자는
    상기 제1 부분류자 개수의 0.1% 내지 0.3%의 개수로 선별되는 것을 특징으로 하는 아다부스트 알고리즘을 이용한 안구 영상 판단 방법.
  10. 제1항에 있어서, 상기 주분류자는
    Figure 112005017609664-PAT00003
    (여기서, "h(x) : 주분류자", "ht(x) : 부분류자", "T : 제2 부분류자의 개수", "αt : 가중치"임을 의미하고, "1"은 촬영된 영상이 안구 영상임을 의미하며, "0"은 촬영된 영상이 안구 영상이 아님을 의미함)의 수식에 의하여 정의되는 것을 특징으로 하는 아다부스트 알고리즘을 이용한 안구 영상 판단 방법.
  11. 제1항에 있어서, 상기 아다부스트 실행단계는
    촬영된 영상에서 반사잡음 성분을 검출하고, 상기 검출된 반사잡음 성분에 해당되는 제2 부분류자를 제외하여 상기 주분류자가 적용됨으로써 안구 영상 여부 를 판단하는 단계인 것을 특징으로 하는 아다부스트 알고리즘을 이용한 안구 영상 판단 방법.
KR1020050027903A 2005-04-04 2005-04-04 아다부스트 알고리즘을 이용한 안구 영상 판단 방법 KR20060105272A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020050027903A KR20060105272A (ko) 2005-04-04 2005-04-04 아다부스트 알고리즘을 이용한 안구 영상 판단 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020050027903A KR20060105272A (ko) 2005-04-04 2005-04-04 아다부스트 알고리즘을 이용한 안구 영상 판단 방법

Publications (1)

Publication Number Publication Date
KR20060105272A true KR20060105272A (ko) 2006-10-11

Family

ID=37635088

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020050027903A KR20060105272A (ko) 2005-04-04 2005-04-04 아다부스트 알고리즘을 이용한 안구 영상 판단 방법

Country Status (1)

Country Link
KR (1) KR20060105272A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971118A (zh) * 2013-01-25 2014-08-06 北京明日时尚信息技术有限公司 静态图片中葡萄酒瓶的检测方法
CN103971117A (zh) * 2013-01-25 2014-08-06 北京明日时尚信息技术有限公司 静态图片中数码相机的检测方法
CN108133231A (zh) * 2017-12-14 2018-06-08 江苏大学 一种尺度自适应的实时车辆检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971118A (zh) * 2013-01-25 2014-08-06 北京明日时尚信息技术有限公司 静态图片中葡萄酒瓶的检测方法
CN103971117A (zh) * 2013-01-25 2014-08-06 北京明日时尚信息技术有限公司 静态图片中数码相机的检测方法
CN108133231A (zh) * 2017-12-14 2018-06-08 江苏大学 一种尺度自适应的实时车辆检测方法
CN108133231B (zh) * 2017-12-14 2020-02-21 江苏大学 一种尺度自适应的实时车辆检测方法

Similar Documents

Publication Publication Date Title
US8644562B2 (en) Multimodal ocular biometric system and methods
KR100852629B1 (ko) 다초점 영상 시퀀스를 이용한 홍채인식 시스템 및 방법
Hossain et al. Automatic detection of eye cataract using deep convolution neural networks (DCNNs)
EP1732028B1 (en) System and method for detecting an eye
US20060222212A1 (en) One-dimensional iris signature generation system and method
US6247813B1 (en) Iris identification system and method of identifying a person through iris recognition
CN108985210A (zh) 一种基于人眼几何特征的视线追踪方法及系统
JP2000259814A (ja) 画像処理装置及びその方法
CN102902970A (zh) 一种虹膜定位方法
KR20160115501A (ko) 생체 정보 획득 방법 및 이를 위한 장치
CN109661668A (zh) 用于虹膜识别的图像处理方法和系统
Hajari et al. A review of issues and challenges in designing Iris recognition Systems for noisy imaging environment
US9946929B2 (en) Method of detecting boundaries of the human eye
CN110929570B (zh) 虹膜快速定位装置及其定位方法
KR20030066512A (ko) 노이즈에 강인한 저용량 홍채인식 시스템
Czajka Iris liveness detection by modeling dynamic pupil features
KR20060105272A (ko) 아다부스트 알고리즘을 이용한 안구 영상 판단 방법
Dronky et al. A review on iris liveness detection techniques
Hortinela et al. Determination of Non-Proliferative and Proliferative Diabetic Retinopathy through Fundoscopy using Principal Component Analysis
KR101794727B1 (ko) 홍채 검증 방법
CN115526888A (zh) 眼图数据识别方法、装置、存储介质及电子设备
JP4355310B2 (ja) 生体眼識別装置および方法、並びに生体眼識別プログラム
CN116982093A (zh) 呈现攻击检测
CN117197877B (zh) 一种基于区域加权光流特征的微表情识别方法及系统
Kabbani et al. Robust Sclera Segmentation for Skin-Tone Agnostic Face Image Quality Assessment

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application