KR20070083436A - 객체인증장치 및 방법 - Google Patents

객체인증장치 및 방법 Download PDF

Info

Publication number
KR20070083436A
KR20070083436A KR1020070017622A KR20070017622A KR20070083436A KR 20070083436 A KR20070083436 A KR 20070083436A KR 1020070017622 A KR1020070017622 A KR 1020070017622A KR 20070017622 A KR20070017622 A KR 20070017622A KR 20070083436 A KR20070083436 A KR 20070083436A
Authority
KR
South Korea
Prior art keywords
channel
score
matching
weight
image
Prior art date
Application number
KR1020070017622A
Other languages
English (en)
Inventor
렌 하이빙
기석철
하이타오 왕
지아리 자오
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Publication of KR20070083436A publication Critical patent/KR20070083436A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis

Abstract

객체인증장치 및 방법이 개시된다. 객체인증장치는 쿼리영상에 대하여 서로 다른 복수개의 매칭 알고리즘을 수행하여 스코어를 생성하는 매칭 유니트; 상기 서로 다른 매칭 알고리즘의 수행결과 얻어지는 각 스코어를 상기 쿼리영상에 적응적으로 정규화하는 스코어 정규화 유니트; 상기 정규화된 각 스코어에 대하여 적용된 매칭 알고리즘에 따른 가중치를 추정하는 가중치 추정부; 및 상기 가중치 추정부에서 추정된 가중치를 적용하여 상기 정규화된 각 스코어를 통합하는 스코어 통합부로 이루어진다.

Description

객체인증장치 및 방법{Object verification apparatus and method}
도 1은 본 발명의 일실시예에 따른 객체인증장치의 구성을 나타낸 블록도,
도 2는 도 1에 도시된 매칭 유니트에 있어서 제1 매칭부의 일실시예에 따른 세부 블록도,
도 3은 도 1에 도시된 매칭 유니트에 있어서 제1 매칭부의 다른 실시예에 따른 세부 블록도,
도 4a 및 도 4b는 종래기술과 본 발명에 따른 스코어 정규화를 비교한 그래프,
도 5는 도 1에 도시된 가중치 추정부의 일실시예에 따른 세부 블록도,
도 6a 및 도 6b은 도 5에 도시된 가중치 추정부에서 사용되는 파라미터를 설명하는 그래프,
도 7은 고속 매칭알고리즘에 대하여 본 발명에 따른 채널영상 스코어 통합방법과 채널영상 통합방법을 적용한 경우와 종래기술에 따른 채널영상 통합방법을 적용한 경우의 인증율을 비교한 도면,
도 8은 저속 매칭알고리즘에 대하여 본 발명에 따른 채널영상 스코어 통합방법과 채널영상 통합방법을 적용한 경우와 종래기술에 따른 채널영상 통합방법을 적용한 경우의 인증율을 비교한 도면,
도 9a 및 도 9b는 본 발명에 따른 스코어 정규화방법을 적용한 경우와 종래기술에 따른 스코어 정규화방법을 적용한 경우의 인증율을 비교한 도면, 및
도 10은 본 발명에 따른 가중치 추정방법을 적용한 경우와 종래기술에 따른 가중치 추정방법을 적용한 경우의 인증율을 비교한 도면이다.
본 발명은 객체인식에 관한 것으로서, 특히 복수개의 매칭 알고리즘을 적용하여 객체의 쿼리영상을 인증하는 경우, 칼라정보를 고려하여 매칭 알고리즘을 수행하거나, 쿼리영상에 적응적인 스코어 정규화를 수행하거나, EER(Equal Error Rate)에 기초하여 각 매칭 알고리즘을 통하여 얻어지는 스코어에 대한 가중치를 추정함으로써, 통합된 스코어에 대한 인증 성능을 향상시킬 수 있는 객체인증장치 및 방법에 관한 것이다.
최근 널리 사용하고 있거나 중점적으로 연구되고 있는 객체 예를 들면, 생체의 특징(biometric)으로는 얼굴, 얼굴 열영상(thermogram), 지문, 손모양, 손정맥, 홍채, 망막패턴, 서명 혹은 음성 등이 있다. 그러나, 이들 중 어떤 생체의 특징도 일반적으로 요구되는 특성들, 즉, 보편성(universality), 유일성(uniqueness), 영구성(permanence), 수집성(collectability), 정확도(performance), 수용도(acceptability), 기만용이도(circumvention) 면에서 다른 생체의 특징에 비해서 모두 우월하다고 말할 수 없으며, 생체의 특징마다 특정한 환경이나 사용자에 대해 취약성을 가지고 있다.
정보보안, 금융서비스, 범인색출, 정부의 대민업무 등 유망한 생체인식의 실제 응용분야들은 대부분 극히 낮은 에러율을 요구하기 때문에 단일한 생체의 특징에 의한 인증기술로는 요구되는 성능을 만족시킬 수 없는 경우가 발생한다. 이에 따라서 여러가지 생체인식 기술을 함께 사용하여 성능을 향상시키고 신뢰도를 높이는 기술, 즉 멀티모달 생체인식 기술들이 제안되고 있다.
멀티모달 생체인식 시스템은 여러가지 서로 다른 동작 시나리오를 가질 수 있다. 첫째, 하나의 생체특징을 여러 개의 다른 방식의 센서로 획득한다. 예를 들면, 지문 획득을 위해 광학, 초음파, 반도체 방식 센서를 사용한다. 둘째, 다수의 서로 다른 생체특징들을 사용한다. 예를 들면, 얼굴과 지문을 함께 사용하여 생체인식을 수행한다. 셋째, 하나의 생체특징에 대하여 여러개의 특징 유닛을 사용한다. 예를 들면, 양눈의 홍채, 양손으로부터 각각 하나씩 두개의 손영상, 각 손가락으로부터 하나씩 10개의 지문이 사용될 수 있다. 넷째, 하나의 생체특징을 하나의 센서로 여러번 획득하여 사용한다. 예를 들면, 한 손가락으로부터 여러번 지문을 획득하거나, 동일인의 음성을 여러번 샘플링하거나, 동일 얼굴의 영상을 여러번 촬영하여 사용한다. 다섯째, 하나의 입력된 생체특징 신호를 여러가지 다른 방식으로 표현한 후, 여러가지 매칭 알고리즘을 사용한다. 예를 들면, 하나의 지문 신호에 대해 여러가지의 특징을 추출하고 여러가지 매칭방법을 사용하여 생체인식을 수행한다.
한편, 다중 정보 소스를 활용하는 시스템의 통합 레벨(level of fusion)이란 정보처리의 어느 레벨에서 실제 정보의 통합이 발생하는가를 의미한다. 멀티모달 생체인식 시스템에서 정보의 통합은 시스템 내부의 여러 단계, 예를 들면 특징추출 레벨(feature extraction level), 매칭 스코어 레벨(matching score level), 혹은 결정 레벨(decision level) 등에서 발생될 수 있으므로 먼저 어느 레벨에서 정보를 통합할 것인가를 결정하여야 한다. 이 중, 복수의 매칭부에서 얻어지는 스코어 매트릭스들을 하나의 스코어 매트릭스로 통합하기 위해서는 고려되어야 할 문제들이 있다. 첫째, 각 매칭부의 스코어 매트릭스는 동종(homogeneous)이 아니다. 예를 들면, 하나의 매칭부는 거리 즉, 비유사도 척도(dissimilarity measure)를 출력하고, 다른 하나의 매칭부는 유사도 척도(similarity measure)를 출력할 수 있다. 둘째, 각 매칭부의 출력은 동일한 수치 스케일 즉, 범위를 가지지 않는다. 셋째, 각 매칭부에서의 스코어 매트릭스들은 서로 다른 통계적 분포를 따를 수 있다. 이러한 이유로 인하여, 복수의 매칭부들로부터의 스코어 매트릭스를 통합하기 이전에 각 매칭부의 스코어 매트릭스를 공통 영역으로 변환하기 위한 스코어 정규화(score normalization)를 반드시 수행할 필요가 있다.
그런데, 기존의 스코어 정규화 알고리즘에 따르면 첫째, 일단 칼라영상이 아니라 칼라정보가 누락된 그레이영상을 이용하여 스코어 매트릭스를 구하므로 스코어 매트릭스의 정확도가 떨어지는 단점이 있다. 둘째, 스코어 매트릭스에 종속적인 스코어 정규화 즉, 스코어 매트릭스별로 서로 다른 정규화 파라미터를 사용함으로써, 그 결과 하나의 스코어 매트릭스내의 각 스코어에 대하여 동일한 정규화 파라미터가 적용되므로 인증율(Verification Rate)를 개선시키는데 한계가 있다. 셋 째, 스코어 정규화가 수행된 각 매칭부의 스코어 매트릭스를 통합하는데 사용되는 통합 가중치(fusion weight)가 미리 수동으로 결정되거나, FAR(False Acceptance Rate)-FRR(False Rejection Rate) 기반으로, LDA(Linear Discriminant Analysis) 기반으로, 혹은 인식율 기반으로 결정됨으로써, 매칭부의 실제 성능을 제대로 반영하지 못하게 되어 가중치의 정확도가 떨어지는 단점이 있다.
한편, 멀티모달 생체인식 시스템과 관련된 문헌으로는 Anil Jain, Karthik Nandakumar, Arun Ross의 논문 "Score normalization in multimodal biometric systems"(Pattern Recognition 2005), 미국특허번호 6,651,057호와 6,539,352 등이 있다.
본 발명이 이루고자 하는 기술적 과제는 복수개의 매칭 알고리즘을 적용하여 객체의 쿼리영상을 인증하는 경우, 각 매칭 알고리즘을 통하여 얻어지는 스코어를 쿼리영상에 종속적으로 정규화하고, 정규화된 각 스코어를 통합함으로써 인증성능을 향상시킬 수 있는 객체인증장치 및 방법을 제공하는데 있다.
본 발명이 이루고자 하는 다른 기술적 과제는 복수개의 매칭 알고리즘을 적용하여 객체의 쿼리영상을 인증하는 경우, EER(Equal Error Rate)에 기초하여 각 매칭 알고리즘을 통하여 얻어지는 스코어에 대한 가중치를 추정하고, 추정된 가중치를 반영하여 각 스코어를 통합함으로써 인증성능을 향상시킬 수 있는 객체인증장치 및 방법을 제공하는데 있다.
본 발명이 이루고자 하는 또 다른 기술적 과제는 복수개의 매칭 알고리즘을 적용하여 객체의 쿼리영상을 인증하는 경우, 칼라 정보를 고려하여 매칭 알고리즘을 수행하고, 각 매칭 알고리즘을 통하여 얻어지는 스코어를 통합함으로써 인증성능을 향상시킬 수 있는 객체인증장치 및 방법을 제공하는데 있다.
본 발명이 이루고자 하는 또 다른 기술적 과제는 복수개의 매칭 알고리즘을 적용하여 객체의 쿼리영상을 인증하는 경우, 각 매칭 알고리즘을 통하여 얻어지는 스코어를 쿼리영상에 종속적으로 정규화하고, 정규화된 각 스코어에 대한 가중치를 EER에 기초하여 추정하고, 정규화된 각 스코어를 추정된 가중치를 반영하여 통합함으로써 인증성능을 향상시킬 수 있는 객체인증장치 및 방법을 제공하는데 있다.
본 발명이 이루어자 하는 또 다른 기술적 과제는 복수개의 매칭 알고리즘을 적용하여 객체의 쿼리영상을 인증하는 경우, 칼라정보를 고려하여 각 매칭 알고리즘을 수행하고, 각 매칭 알고리즘을 통하여 얻어지는 스코어를 쿼리영상에 종속적으로 정규화하고, 정규화된 각 스코어를 통합함으로써 인증성능을 향상시킬 수 있는 객체인증장치 및 방법을 제공하는데 있다.
본 발명이 이루어자 하는 또 다른 기술적 과제는 복수개의 매칭 알고리즘을 적용하여 객체의 쿼리영상을 인증하는 경우, 칼라정보를 고려하여 각 매칭 알고리즘을 수행하고, EER에 기초하여 각 매칭 알고리즘을 통하여 얻어지는 스코어에 대한 가중치를 추정하고, 추정된 가중치를 반영하여 각 스코어를 통합함으로써 인증성능을 향상시킬 수 있는 객체인증장치 및 방법을 제공하는데 있다.
본 발명이 이루어자 하는 또 다른 기술적 과제는 복수개의 매칭 알고리즘을 적용하여 객체의 쿼리영상을 인증하는 경우, 칼라정보를 고려하여 각 매칭 알고리 즘을 수행하고, 각 매칭 알고리즘을 통하여 얻어지는 스코어를 쿼리영상에 종속적으로 정규화하고, 정규화된 각 스코어에 대한 가중치를 EER에 기초하여 추정하고, 정규화된 각 스코어를 추정된 가중치를 반영하여 통합함으로써 인증성능을 향상시킬 수 있는 객체인증장치 및 방법을 제공하는데 있다.
상기 기술적 과제들을 달성하기 위하여 본 발명에 따른 객체인증장치는 쿼리영상에 대하여 서로 다른 복수개의 매칭 알고리즘을 수행하여 스코어를 생성하는 매칭 유니트; 상기 서로 다른 매칭 알고리즘의 수행결과 얻어지는 각 스코어를 상기 쿼리영상에 적응적으로 정규화하는 스코어 정규화 유니트; 상기 정규화된 각 스코어에 대하여 적용된 매칭 알고리즘에 따른 가중치를 추정하는 가중치 추정부; 및 상기 가중치 추정부에서 추정된 가중치를 적용하여 상기 정규화된 각 스코어를 통합하는 스코어 통합부를 포함하는 것을 특징으로 한다.
상기 기술적 과제들을 달성하기 위하여 본 발명에 따른 객체인증방법은 쿼리영상에 대하여 서로 다른 복수개의 매칭 알고리즘을 수행하여 스코어를 생성하는 단계; 상기 서로 다른 매칭 알고리즘의 수행결과 얻어지는 각 스코어를 상기 쿼리영상에 적응적으로 정규화하는 단계; 상기 정규화된 각 스코어에 대하여 적용된 매칭 알고리즘에 따른 가중치를 추정하는 단계; 및 상기 추정된 가중치를 적용하여 상기 정규화된 각 스코어를 통합하는 단계를 포함하는 것을 특징으로 한다.
상기 객체인증방법은 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 대하여 상세하게 설명하기로 한다.
도 1은 본 발명의 일실시예에 따른 객체인증장치의 구성을 나타낸 블록도로서, 매칭 유니트(110), 스코어 정규화 유니트(130), 가중치 추정부(150) 및 스코어 통합부(170)을 포함하여 이루어진다. 여기서, 매칭 유니트(110)는 제1, 제2 내지 제n 매칭부(111, 113, 115)로 이루어지고, 스코어 정규화 유니트(130)는 제1, 제2 내지 제n 스코어 정규화부(131, 133, 135)로 이루어진다. 여기서, 제1, 제2 내지 제n 매칭부(111, 113, 115)는 동일한 신원의 동일한 생체특징에 대하여 각각 서로 다른 매칭 알고리즘을 수행하도록 구현될 수 있다. 또한, 제1, 제2 내지 제n 매칭부(111, 113, 115)는 동일한 신원의 서로 다른 생체특징에 대하여 각각 매칭을 수행하도록 구현될 수 있다. 또한, 제1, 제2 내지 제n 매칭부(111, 113, 115)는 동일한 신원의 서로 다른 생체특징과 서로 다른 매칭 알고리즘을 혼합하여 구현할 수 있다.
도 1을 참조하면, 매칭 유니트(110)에 있어서 제1, 제2 내지 제n 매칭부(111, 113, 115)는 쿼리영상에 대하여 등록영상 데이터베이스(미도시)를 참조하여 각각 미리 설정된 매칭 알고리즘을 수행하고, 그 결과 개별 스코어를 생성한다. 여기서, 쿼리영상과 등록영상은 모두 칼라영상이다. 일실시예에 따르면, 쿼리영상으로부터 R, G, B 채널영상을 구성하여 별도로 매칭 알고리즘을 수행하고, 각 채널영상의 매칭 스코어를 통합하여 개별 스코어를 생성한다. 다른 실시예에 따르면, 쿼리영상으로부터 구성되는 R, G, B 채널영상에 대하여 가중치를 서로 다르게 설정 하여 그레이 영상을 생성하고, 그레이 영상에 대하여 매칭 알고리즘을 수행하여 개별 스코어를 생성한다.
스코어 정규화 유니트(130)에 있어서 제1, 제2 내지 제n 스코어 정규화부(131,133,135)는 제1, 제2 내지 제n 매칭부(11,113,115)로부터 제공되는 개별 스코어를 입력으로 하고, 쿼리영상의 개별 스코어에 대하여 미리 구해진 제1, 제2 내지 제n 통계치를 이용하여 스코어 정규화를 수행하고, 정규화된 개별 스코어는 스코어 통합부(170)로 제공된다.
제1, 제2 내지 제n 통계치는 트레이닝 과정을 통하여 사전에 미리 구해지는 정보로서, 트레이닝 영상 세트에 대하여 각 매칭부에 대응하는 매칭 알고리즘을 수행하여 스코어 분포가 구해지면, 스코어 분포로부터 평균, 분산, 표준편차, 최대값, 최소값, 오인수락율(FAR;False Acceptance Rate), 오인거절율(FRR;False Rejection Rate), 오인식율(EER;Equal Error Rate) 등과 같은 파라미터를 추출하여 구성한다. 여기서, 각 파라미터는 매칭 알고리즘에서 사용되는 임계치에 따라서 달라질 수 있으며, 특히 FAR과 FRR이 같아지는 지점을 EER이라 하며, EER은 인증성능을 평가하는데 사용된다. 한편, 임계치가 커질수록 FRR은 증가하는 반면 FAR은 감소하고, 임계치가 작을수록 FAR은 증가하는 반면 FRR은 감소한다. 따라서, 임계치는 인증장치의 적용분야에 따라서 FRR과 FAR 사이의 트레이드 오프를 고려하여 정해진다. EER은 인증장치가 얼마나 잘 모델링되었는가를 나타내는 것으로서, EER이 낮다는 것은 더 잘 모델링되었음 즉, 높은 인증성능을 보장해 줄 수 있음을 의미하고, EER이 높다는 것은 잘 모델링되지 않았음을 의미한다. 제1, 제2 내지 제n 스코어 정규화부(131,133,135)는 개별 스코어별로 각각 동일한 정규화 파라미터를 사용하는 것이 아니라, 개별 스코어에 따라서 쿼리영상별로 서로 다른 정규화 파라미터를 사용하여 스코어 정규화를 수행한다. 구체적으로, 제1 스코어 정규화부(131)를 예로 들면, 제1 및 제2 쿼리영상의 스코어 정규화에 동일한 제1 통계치를 사용하나, 제1 쿼리영상으로부터 얻어지는 개별 스코어의 분포와 제2 쿼리영상으로부터 얻어지는 개별 스코어의 분포가 서로 다르므로 제1 쿼리영상의 스코어 정규화 파라미터와 제2 쿼리영상의 스코어 정규화 파라미터가 서로 다르다. 즉, 스코어 정규화 유니트(130)의 각 스코어 정규화부(131, 133, 135)는 동일한 통계치를 사용하더라도 쿼리영상별로 얻어지는 스코어의 분포에 따라서 스코어 정규화 파라미터가 서로 다르게 설정된다.
가중치 추정부(150)는 미리 구해진 제1, 제2 내지 제n 통계치에 각각 포함되는 EER에 기초하여 개별 스코어의 가중치를 추정한다. 즉, 각 매칭부(111,113,115)의 인증성능의 척도로 사용되는 EER에 따라서 개별 스코어에 서로 다른 가중치를 부여한다.
스코어 통합부(170)는 제1, 제2 내지 제n 스코어 정규화부(131,133,135)로부터 제공되는 정규화된 개별 스코어에 대하여 가중치 추정부(150)로부터 제공되는 가중치를 적용하여 가중합 연산에 의하여 개별 스코어들을 통합한다.
도 2는 도 1에 도시된 매칭 유니트(110)에 있어서 제1 매칭부(111)의 일실시예에 따른 세부 블록도로서, 제1 채널영상 구성부(210), 채널 매칭부(220), 채널스코어 정규화부(230), 채널스코어 가중치 추정부(250) 및 채널스코어 통합부(270)를 포함하여 이루어진다. 여기서는 제1 매칭부(111)를 예로 들었으나, 나머지 매칭부(113,115)에 대해서도 동일하게 적용할 수 있다.
도 2를 참조하면, 제1 채널영상 구성부(210)에 있어서 R 채널영상 구성부(211), G 채널영상 구성부(213), B 채널영상 구성부(215)는 쿼리영상으로부터 각각 R 성분, G 성분, B 성분을 추출하여 R, G, B 채널영상을 구성한다.
채널 매칭부(220)에 있어서 R 채널 매칭부(221), G 채널 매칭부(223), B 채널 매칭부(225)는 R, G, B 채널영상 구성부(211,213,215)로부터 제공되는 R, G, B 채널영상에 대하여 매칭 알고리즘을 적용하여 R 채널 스코어, G 채널 스코어, B 채널 스코어를 구한다.
채널스코어 정규화부(230)에 있어서 R 채널스코어 정규화부(231), G 채널스코어 정규화부(233), B 채널스코어 정규화부(235)는 R, G, B 채널매칭부(221,223,225)로부터 제공되는 R, G, B 채널스코어에 대하여, 미리 구해진 R, G, B 채널통계치를 이용하여 스코어 정규화를 수행하고, 정규화된 R, G, B 채널스코어는 채널스코어 통합부(270)로 제공된다. 여기서, R, G, B 채널통계치는 도 1의 제1, 제2 내지 제n 통계치와 마찬가지로, 트레이닝 과정을 통하여 사전에 미리 구해지는 정보로서, 트레이닝 영상 세트에 대하여 각 채널매칭부에서 매칭 알고리즘을 수행하여 구해지는 채널스코어 분포로부터 얻어진다.
채널스코어 가중치 추정부(250)는 미리 구해진 R, G, B 채널 통계치를 이용하여 R,G,B 채널스코어 정규화부(231,233,235)로부터 제공되는 R,G,B 채널스코어의 가중치를 추정한다. 이때, 도 1의 가중치 추정부(150)에서와 마찬가지로 EER에 기 초하여 각 채널스코어의 가중치를 추정한다. 즉, 각 채널매칭부(221,223,225)의 인증성능의 척도로 사용되는 EER에 기초하며, 채널스코어 통합시 각 채널영상의 기여도를 고려하여 R,G,B 채널스코어에 서로 다른 가중치를 부여한다.
채널스코어 통합부(270)는 R,G,B 채널스코어 정규화부(231,233,235)로부터 제공되는 정규화된 채널스코어에 대하여 채널스코어 가중치 추정부(250)로부터 제공되는 채널스코어 가중치를 적용하여 가중합 연산에 의하여 채널스코어들을 통합함으로써, 하나의 쿼리영상에 대한 개별 스코어를 생성한다.
이와 같이 쿼리영상에 대하여 R,G,B 채널영상별로 매칭 알고리즘을 수행하여 R,G,B 채널스코어를 구하고, 인증성능에 대한 기여도에 따라서 서로 다른 채널스코어 가중치를 적용하여 R, G, B 채널스코어를 통합하면, 동일한 채널가중치를 적용여 생성되는 그레이영상에 대하여 매칭 알고리즘을 수행하는 종래기술에 비하여 대략 3 내지 6 %의 인증율 향상을 도모할 수 있다.
도 3은 도 1에 도시된 매칭 유니트(110)에 있어서 제1 매칭부(111)의 다른 실시예에 따른 세부 블록도로서, 제2 채널영상 구성부(310), 채널가중치 추정부(330), 채널영상 통합부(350) 및 서브매칭부(370)를 포함하여 이루어진다. 여기서는 제1 매칭부(111)를 예로 들었으나, 나머지 매칭부(113,115)에 대해서도 동일하게 적용할 수 있다.
도 3을 참조하면, 제2 채널영상 구성부(310)에 있어서 R 채널영상 구성부(311), G 채널영상 구성부(313), B 채널영상 구성부(315)는 쿼리영상으로부터 각각 R 성분, G 성분, B 성분을 추출하여 R, G, B 채널영상을 구성한다.
채널가중치 추정부(330)는 미리 구해진 R, G, B 채널 통계치를 이용하여 R,G,B 채널영상의 가중치를 추정한다. 이때, 도 1의 채널스코어 가중치 추정부(250)에서와 마찬가지로 EER에 기초하며, 각 채널영상의 기여도를 고려하여 각 채널영상의 가중치를 추정한다.
채널영상 통합부(350)는 R,G,B 채널영상 구성부(311,313,315)로부터 제공되는 R,G,B 채널영상에 대하여 채널가중치 추정부(330)로부터 제공되는 채널영상의 가중치를 적용하여 가중합 연산에 의하여 채널영상들을 통합함으로써, 하나의 쿼리영상에 대한 그레이 영상을 생성한다. 채널영상 통합부(350)에서 생성되는 그레이 영상(I)는 다음 수학식 1과 같이 나타낼 수 있다.
I = RatioR * R + RatioG * G + RatioB * B
여기서, 채널영상의 가중치 즉, RatioR, RatioG, RatioB은 채널영상의 통합시 각 채널영상의 기여도에 따라서 EER에 기반하여 추정된다. 일예로서, MPEG-7 AFD(Advanced Face Descriptor; ADMPEG7)를 적용한 방식과 같은 매칭 알고리즘을 사용한 경우, RatioR은 0.5740, RatioG은 0.3559, RatioB은 0.0701을 할당한다. 이는 R 채널영상이 인증성능에 가장 높은 기여도를, G 채널영상은 중간 기여도를, B 채널영상은 가장 낮은 기여도를 가지는데 따른 것이다.
서브 매칭부(370)는 채널영상 통합부(350)로부터 제공되는 그레이영상에 대하여 매칭 알고리즘을 수행하여 하나의 쿼리영상에 대한 개별 스코어를 구한다.
이와 같이 서로 다른 채널가중치를 적용하여 각 채널영상을 통합함으로써 얻어지는 그레이영상에 대하여 매칭 알고리즘을 적용하면, 동일한 채널가중치를 적용하여 생성된 그레이영상에 대하여 매칭 알고리즘을 적용하는 종래기술에 비하여 계산시간을 증가시킴이 없이 대략 2 내지 4 %의 인증율 향상을 도모할 수 있다.
도 4a 및 도 4b는 종래기술과 본 발명에 따른 스코어 정규화를 비교한 그래프이다. 도 4a와 함께 설명되는 종래기술에 따르면, 단일 매칭부, 예를 들면 제1 매칭부(111)에서 동일한 정규화 파라미터를 사용함으로써 데이터베이스(미도시)에 저장된 모든 등록영상과 각 쿼리영상 간의 스코어 분포가 서로 다를 수 있는 가능성을 배제한다. 그 결과, 정규화된 제1 쿼리영상의 스코어 분포(405)와 정규화된 제2 쿼리영상의 스코어 분포(410)가 서로 다르게 된다. 즉, 정규화된 스코어 분포(405,410)의 하부(415)를 확대한 그래프(420,425)에 따르면, 매칭수락(match)와 매칭거부(non-match)를 판단하기 위한 임계치가 서로 달라지게 되어 인증율의 저하를 초래한다. 반면, 도 4b와 함께 본 발명에 따르면, 단일 매칭부, 예를 들면 제1 매칭부(111)에서 쿼리영상별로 서로 다른 정규화 파라미터를 사용함으로써 데이터베이스(미도시)에 저장된 모든 등록영상과 각 쿼리영상 간의 스코어 분포가 서로 다를 수 있는 가능성을 고려한다. 즉, 쿼리영상의 스코어 분포는 객체에 따라서, 혹은 흐릿함(blur), 조명 혹은 메이크업(make-up) 등에 따른 쿼리영상의 화질에 따라서 달라질 수 있으므로 쿼리영상별로 서로 다른 정규화 파라미터를 사용한다. 그 결과, 정규화된 제1 쿼리영상의 스코어 분포(430)와 정규화된 제2 쿼리영상의 스코어 분포(435)가 거의 유사하게 된다. 즉, 정규화된 스코어 분포(430,435)의 하부(440)를 확대한 그래프(445,450)에 따르면, 매칭수락(match)와 매칭거부(non-match)를 판단하기 위한 임계치가 거의 동일하므로 인증율의 향상을 도모한다.
한편, 스코어 정규화에는 최대-최소(min-max) 알고리즘, Z-스코어 알고리즘, 메디안 및 메디안 편차 알고리즘, 더블 시그모이드 알고리즘, 하이퍼 탄젠트 알고리즘 등 공지된 여러가지 알고리즘을 적용할 수 있으며, 바람직하게는 아웃라이어(outliers)에 크게 영향을 받지 않는 Z-스코어 알고리즘을 사용한다.
도 5는 도 1에 도시된 가중치 추정부(150)의 일실시예에 따른 세부 블록도로서, 성능 평가부(510), 지수 산출부(530), 가중치 산출부(550) 및 가중치 정규화부(570)를 포함하여 이루어진다. 도 5에 도시된 가중치 추정부(150)의 기본 원리는 도 2에 도시된 채널스코어 가중치 추정부(250)와 도 3에 도시된 채널가중치 추정부(350)에도 동일하게 적용될 수 있다.
도 5를 참조하면, 성능평가부(510)에 있어서 제1, 제2 내지 제n 성능평가부(511,513,515)는 각 매칭부(도 1의 111,113,115)의 인증성능을 평가하기 위하여, 각 매칭부(도 1의 111,113,115)에 대응되는 제1, 제2 내지 제n 통계치로부터 EER을 구한다.
지수 산출부(530)는 각 매칭부(도 1의 111,113,115)의 EER의 평균값을 이용하여 가중치 지수를 산출한다. 가중치 지수(Ie)는 다음 수학식 2와 같이 나타낼 수 있다.
Ie = a * E(EERm)2 + b * E(EERm) + c
E(EERm) = max(3 + log EERm, 0)
여기서, EERm 은 각 매칭부(도 1의 111,113,115)의 EER의 평균값을 나타낸다. 여기서, 상수 a, b, c는 트레이닝 영상 세트를 이용하여 미리 최적의 값으로 설정될 수 있으며, 일실시예에서는 a=-0.5, b=-0.5, c=0을 사용한다.
가중치 산출부(550)에 있어서 제1, 제2 내지 제n 가중치 산출부(551,553,555)는 각 매칭부(도 1의 111,113,115)의 EERi 과 지수 산출부(530)로부터 제공되는 가중치 지수(Ie)를 이용하여 각 매칭부(도 1의 111,113,115)의 가중치를 산출한다. 이때, 가중치 Wi는 다음 수학식 3과 같이 나타낼 수 있다.
Figure 112007015461671-PAT00001
가중치 정규화부(570)는 가중치 산출부(550)로부터 제공되는 각 매칭부(도 1의 111,113,115)의 가중치를 정규화한다. 이때, 정규화된 가중치 wi는 다음 수학식 4와 같이 나타낼 수 있다.
Figure 112007015461671-PAT00002
도 6a 및 도 6b은 도 5에 도시된 가중치 추정부(150)에서 사용되는 파라미터를 설명하는 그래프로서, 도 6a는 FAR, FRR 및 EER 간의 관계를 나타내고, 도 6b는 E(EER)과 EER 간의 관계를 나타낸다.
다음, 본 발명에 따른 객체인증방법과 종래기술에 따른 객체인증방법의 성능을 비교하기 위하여 실시한 실험에 대하여 설명하기로 한다. 실험을 위해서 FRGC(Face Recognition Grand Challenge)의 버전 2.0 데이터베이스를 사용하였다.
표 1은 각 매칭부(도 1의 111, 113, 혹은 115)에서 ADMPEG7을 적용한 방식과 같은 매칭 알고리즘을 사용한 경우, 각 채널영상만 사용하는 방식, 본 발명에 따라 칼라영상의 각 채널영상의 스코어를 통합하는 방식(RGB 스코어 통합: 본 발명 1), 종래기술에 따라 칼라영상의 각 채널영상을 통합하는 방식(채널영상 통합: 종래기술), 본 발명에 따라 칼라영상의 각 채널영상을 통합하는 방식(채널영상 통합: 본 발명 2)를 적용한 경우 EER(Equal Error Rate) 및 VR(Verification Rate)를 각각 비교한 것이다.
R 채널영상 G 채널영상 B 채널영상 채널영상 스코어 통합 (본발명 1) 채널영상 통합 (종래기술) 채널영상 통합 (본발명 2)
EER 0.0454 % 0.0512 % 0.0773 % 0.0406 % 0.0470 % 0.0404 %
VR (FAR=0.001) 0.6306 % 0.5982 % 0.4571 % 0.6780 % 0.6192 % 0.6576 %
한편, 도 7은 표 1에 나타난 각 방식의 성능 비교가 용이하도록 각 방식별 VR을 도식적으로 나타낸 것이다. 도 7을 살펴보면, 개별 채널영상을 사용하는 경우에는 R 채널영상을 사용하는 경우가 가장 VR이 높다. 또한, 본 발명에 따라 채널영상 스코어를 통합하거나 채널영상을 통합하는 경우에는, R 채널영상만 사용하는 경우 및 종래기술에 의해 채널영상을 통합하는 경우에 비하여 EER이 낮아지고, VR이 높아짐으로써, 인증성능이 향상됨을 알 수 있다.
표 2은 각 매칭부(도 1의 111, 113, 혹은 115)에서 가버 필터와 LDA(Linear Discriminant Analysis)를 혼합한 방식과 같은 매칭 알고리즘을 사용한 경우, 각 채널영상만 사용하는 방식, 본 발명에 따라 칼라영상의 각 채널영상의 스코어를 통합하는 방식(RGB 스코어 통합: 본 발명 1), 종래기술에 따라 칼라영상의 각 채널영상을 통합하는 방식(채널영상 통합: 종래기술), 본 발명에 따라 칼라영상의 각 채널영상을 통합하는 방식(채널영상 통합: 본 발명 2)를 적용한 경우 EER(Equal Error Rate) 및 VR(Verification Rate)를 각각 비교한 것이다.
R 채널영상 G 채널영상 B 채널영상 채널영상 스코어 통합 (본발명 1) 채널영상 통합 (종래기술) 채널영상 통합 (본발명 2)
EER 0.0610 % 0.0668 % 0.0792 % 0.0513 % 0.0667 % 0.0631 %
VR (FAR=0.001) 0.5501 % 0.5398 % 0.3975 % 0.6042 % 0.5402 % 0.5790 %
한편, 도 8은 표 2에 나타난 각 방식의 성능 비교가 용이하도록 각 방식별 VR을 도식적으로 나타낸 것이다. 도 7에서와 마찬가지로 도 8을 살펴보면, 개별 채널영상을 사용하는 경우에는 R 채널영상을 사용하는 경우가 가장 VR이 높다. 또한, 본 발명에 따라 채널영상 스코어를 통합하거나 채널영상을 통합하는 경우에는, R 채널영상만 사용하는 경우 및 종래기술에 의해 채널영상을 통합하는 경우에 비하여 EER이 낮아지고, VR이 높아짐으로써, 인증성능이 향상됨을 알 수 있다. 한편, 가버 필터와 LDA를 혼합한 방식을 사용하면서 채널영상 스코어를 통합하는 방식(본 발명 1)을 적용하면, 그 처리속도가 매우 늦어지므로 채널영상을 통합하는 방식(본 발명 2)을 사용하는 것이 바람직하다.
표 3은 정상적인 화질을 갖는 데이터 그룹 1과, 낮은 화질을 갖는 데이터 그룹 2에 대하여, 스코어 매트릭스에 종속적인 스코어 정규화를 수행하는 경우(종래기술)와 쿼리영상에 종속적인 스코어 정규화를 수행하는 경우(본 발명), 여러가지 매칭 알고리즘에 대한 VR을 비교한 것이다.
매칭 알고리즘 종래기술의 스코어 정규화에 따른 VR 본 발명의 스코어 정규화에 따른 VR VR 향상도
데이터 그룹 1 SAIT_Garbor+LDA 85.7080 % 90.8222 % 5.1142 %
ADMPEG-7 83.2155 % 88.4071 % 5.1916 %
Kernel LBP 93.8373 % 97.4055 % 3.5682 %
데이터 그룹 2 SAIT_Garbor+LDA 55.4852 % 69.4149 % 13.9297 %
ADMPEG-7 42.1369 % 61.5093 % 19.3724 %
Kernel Garbor 51.7100 % 55.3985 % 3.6885 %
한편, 도 9a 및 도 9b는 표 3에 나타난 각 방식의 성능 비교가 용이하도록 각 방식별 VR을 도식적으로 나타낸 것이다. 도 9a를 살펴보면, 80 % 이상의 비교적 높은 VR을 나타내는 데이터 그룹의 경우에도 본 발명에 따른 스코어 정규화를 수행한 경우 VR이 4 내지 5 % 정도 향상됨을 알 수 있다. 특히, 도 9b를 살펴보면, 70 % 이상의 비교적 낮은 VR을 나타내는 데이터 그룹의 경우에는, 본 발명에 따른 스코어 정규화를 수행함으로써 VR을 4 내지 20 % 향상시킬 수 있음을 알 수 있다.
표 4는 종래기술에 따른 FAR-FRR 기반, LDA 기반, 인식율 기반에 따른 가중치 추정방법과 본 발명에 따른 EER 기반 가중치 추정방법을 각각 이용하는 경우, 통합 그룹 1과 통합 그룹 2에 대하여 VR을 비교한 것이다. 여기서, 통합 그룹 1은 SAIT_Garbor+LDA, ADMPEG-7, Kernel LBP(Linear Binary Pattern) 매칭 알고리즘으로부터 얻어지는 스코어를 통합하고, 통합 그룹 2는 SAIT_Garbor+LDA, ADMPEG-7, Beijing_Garbor+LDA 매칭 알고리즘으로부터 얻어지는 스코어를 통합한다.
FAR-FRR 기반 LDA 기반 인식율 기반 EER 기반
통합그룹 1 95.954 % 93.736 % 92.126 % 97.879 %
통합그룹 2 78.027 % 76.004 % 74.097 % 80.890 %
한편, 도 10은 표 4에 나타난 각 방식의 성능 비교가 용이하도록 각 방식별 VR을 도식적으로 나타낸 것이다. 이에 따르면, 본 발명에 따른 EER 기반 가중치 추정방법을 적용함으로써 통합 스코어에 따른 인증성능을 향상시킬 수 있음을 알 수 있다.
본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플라피디스크, 광데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
상술한 바와 같이 본 발명에 따르면, 복수개의 매칭 알고리즘을 적용하여 객체의 쿼리영상을 인증하는 경우, 칼라정보를 고려하여 매칭 알고리즘을 수행하는 절차, 쿼리영상에 적응적인 스코어 정규화를 수행하는 절차, EER(Equal Error Rate)에 기초하여 각 매칭 알고리즘을 통하여 얻어지는 스코어에 대한 가중치를 추정하는 절차 중 적어도 하나 혹은 두가지 이상을 조합함으로써, 통합된 스코어에 대한 인증 성능을 대폭적으로 향상시킬 수 있다.
본 발명은 신용카드, 현금카드, 전자주민등록증 등과, 신분확인을 필요로 하는 카드류, 단말기 접근제어, 공공장소 관제시스템, 전자사진첩 및 범죄자사진인식 등 같이 객체인식을 필요로 하는 응용분야의 전단계로 널리 적용될 수 있을 뿐 아니라, 특히 얼굴인식의 경우 디지털 카메라의 자동 포커싱 동작에 유용하게 적용될 수 있다.
본 발명에 대해 상기 실시예를 참고하여 설명하였으나, 이는 예시적인 것에 불과하며, 본 발명에 속하는 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (20)

  1. 쿼리영상에 대하여 서로 다른 복수개의 매칭 알고리즘을 수행하여 스코어를 생성하는 매칭 유니트;
    상기 서로 다른 매칭 알고리즘의 수행결과 얻어지는 각 스코어를 상기 쿼리영상에 적응적으로 정규화하는 스코어 정규화 유니트;
    상기 정규화된 각 스코어에 대하여 적용된 매칭 알고리즘에 따른 가중치를 추정하는 가중치 추정부; 및
    상기 가중치 추정부에서 추정된 가중치를 적용하여 상기 정규화된 각 스코어를 통합하는 스코어 통합부를 포함하는 것을 특징으로 하는 객체인증장치.
  2. 제1 항에 있어서, 상기 가중치 추정부는 상기 각 매칭 알고리즘에 따른 오인식율(EER)을 이용하는 것을 특징으로 하는 객체인증장치.
  3. 제1 항에 있어서, 상기 가중치 추정부는
    상기 각 매칭 알고리즘의 성능을 평가하기 위하여 오인식율을 구하는 성능 평가부;
    상기 각 매칭 알고리즘에 따른 오인식율의 평균값을 이용하여 가중치 지수를 산출하는 지수 산출부;
    상기 각 매칭 알고리즘에 따른 오인식율과 상기 가중치 지수를 이용하여 상 기 각 매칭 알고리즘의 가중치를 구하는 가중치 산출부; 및
    상기 각 매칭 알고리즘의 가중치를 정규화하는 가중치 정규화부를 포함하는 것을 특징으로 하는 객체인증장치.
  4. 제3 항에 있어서, 상기 매칭 유니트는 상기 쿼리영상의 칼라정보를 고려하여 매칭 알고리즘을 수행하는 것을 특징으로 하는 객체인증장치.
  5. 제1 항에 있어서, 상기 매칭 유니트는
    상기 쿼리영상으로부터 R, G, B 채널영상을 구성하는 채널영상 구성부;
    상기 R, G, B 채널영상에 대하여 매칭 알고리즘을 수행하여 R,G,B 채널 스코어를 생성하는 채널 매칭부;
    상기 정규화된 R,G,B 채널 스코어를 정규화하는 채널 정규화부;
    정규화된 R,G,B 채널스코어의 가중치를 각 채널영상별 오인식율과 각 채널영상의 기여도를 고려하여 추정하는 채널스코어 가중치 추정부; 및
    상기 정규화된 R,G,B 채널 스코어를 상기 채널스코어의 가중치를 이용하여 통합하는 채널스코어 통합부를 포함하는 것을 특징으로 하는 객체인증장치.
  6. 제5 항에 있어서, 상기 가중치 추정부는 상기 각 매칭 알고리즘에 따른 오인식율(EER)을 이용하는 것을 특징으로 하는 객체인증장치.
  7. 제1 항에 있어서, 상기 매칭 유니트는
    상기 쿼리영상으로부터 R, G, B 채널영상을 구성하는 채널영상 구성부;
    상기 R,G,B 채널영상의 가중치를 각 채널영상별 오인식율과 각 채널영상의 기여도를 고려하여 추정하는 채널가중치 추정부;
    상기 R,G,B 채널영상을 상기 채널영상의 가중치를 이용하여 통합하여 그레이영상을 생성하는 채널영상 통합부; 및
    상기 그레이영상에 대하여 매칭 알고리즘을 수행하여 상기 쿼리영상의 스코어를 생성하는 서브 매칭부를 포함하는 것을 특징으로 하는 객체인증장치.
  8. 제7 항에 있어서, 상기 가중치 추정부는 상기 각 매칭 알고리즘에 따른 오인식율(EER)을 이용하는 것을 특징으로 하는 객체인증장치.
  9. 쿼리영상에 대하여 서로 다른 복수개의 매칭 알고리즘을 수행하여 스코어를 생성하는 단계;
    상기 서로 다른 매칭 알고리즘의 수행결과 얻어지는 각 스코어를 상기 쿼리영상에 적응적으로 정규화하는 단계;
    상기 정규화된 각 스코어에 대하여 적용된 매칭 알고리즘에 따른 가중치를 추정하는 단계; 및
    상기 추정된 가중치를 적용하여 상기 정규화된 각 스코어를 통합하는 단계를 포함하는 것을 특징으로 하는 객체인증방법.
  10. 제9 항에 있어서, 상기 가중치 추정단계에서는 상기 각 매칭 알고리즘에 따른 오인식율(EER)을 이용하는 것을 특징으로 하는 객체인증방법.
  11. 제9 항에 있어서, 상기 가중치 추정단계는
    상기 각 매칭 알고리즘의 성능을 평가하기 위하여 오인식율을 구하는 단계;
    상기 각 매칭 알고리즘에 따른 오인식율의 평균값을 이용하여 가중치 지수를 산출하는 단계;
    상기 각 매칭 알고리즘에 따른 오인식율과 상기 가중치 지수를 이용하여 상기 각 매칭 알고리즘의 가중치를 산출하는 단계; 및
    상기 각 매칭 알고리즘의 가중치를 정규화하는 단계를 포함하는 것을 특징으로 하는 객체인증방법.
  12. 제11 항에 있어서, 상기 스코어 생성단계는 상기 쿼리영상의 칼라정보를 고려하여 매칭 알고리즘을 수행하는 것을 특징으로 하는 객체인증방법.
  13. 제11 항에 있어서, 상기 가중치 지수 산출단계는 다음 수학식
    Ie = a * E(EERm)2 + b * E(EERm) + c
    E(EERm) = max(3 + log EERm, 0)
    (여기서, Ie 는 가중치 지수, EERm 은 각 매칭 알고리즘의 EER의 평균값을 나타낸다.)
    에 의해 수행되는 것을 특징으로 하는 객체인증방법.
  14. 제11 항에 있어서, 상기 가중치 산출단계는 다음 수학식
    Figure 112007015461671-PAT00003
    (여기서, Ie 는 가중치 지수, Wi는 산출된 가중치, EERi는 i번째 매칭 알고리즘의 EER을 나타낸다)
    에 의해 수행되는 것을 특징으로 하는 객체인증방법.
  15. 제14 항에 있어서, 상기 가중치 정규화단계는 다음 수학식
    Figure 112007015461671-PAT00004
    (여기서, wi는 정규화된 가중치, N은 매칭 알고리즘의 수를 나타낸다)
    에 의해 수행되는 것을 특징으로 하는 객체인증방법.
  16. 제9 항에 있어서, 상기 스코어 생성단계는
    상기 쿼리영상으로부터 R, G, B 채널영상을 구성하는 단계;
    상기 R, G, B 채널영상에 대하여 매칭 알고리즘을 수행하여 R,G,B 채널 스코어를 생성하는 단계;
    상기 정규화된 R,G,B 채널 스코어를 정규화하는 단계;
    정규화된 R,G,B 채널스코어의 가중치를 각 채널영상별 오인식율과 각 채널영상의 기여도를 고려하여 추정하는 단계; 및
    상기 정규화된 R,G,B 채널 스코어를 상기 채널스코어의 가중치를 이용하여 통합하는 단계를 포함하는 것을 특징으로 하는 객체인증방법.
  17. 제16 항에 있어서, 상기 가중치 추정단계는 상기 각 매칭 알고리즘에 따른 오인식율(EER)을 이용하는 것을 특징으로 하는 객체인증방법.
  18. 제9 항에 있어서, 상기 스코어 생성단계는
    상기 쿼리영상으로부터 R, G, B 채널영상을 구성하는 단계;
    상기 R,G,B 채널영상의 가중치를 각 채널영상별 오인식율과 각 채널영상의 기여도를 고려하여 추정하는 단계;
    상기 R,G,B 채널영상을 상기 채널영상의 가중치를 이용하여 통합하여 그레이영상을 생성하는 단계; 및
    상기 그레이영상에 대하여 매칭 알고리즘을 수행하여 상기 쿼리영상의 스코어를 생성하는 단계를 포함하는 것을 특징으로 하는 객체인증방법.
  19. 제18 항에 있어서, 상기 가중치 추정단계는 상기 각 매칭 알고리즘에 따른 오인식율(EER)을 이용하는 것을 특징으로 하는 객체인증방법.
  20. 제9 항 내지 제19 항 중 어느 한 항에 기재된 객체인증방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
KR1020070017622A 2006-02-21 2007-02-21 객체인증장치 및 방법 KR20070083436A (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US77464506P 2006-02-21 2006-02-21
US60/774,645 2006-02-21
KR20060049151 2006-06-01
KR1020060049151 2006-06-01

Publications (1)

Publication Number Publication Date
KR20070083436A true KR20070083436A (ko) 2007-08-24

Family

ID=38445258

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020070017622A KR20070083436A (ko) 2006-02-21 2007-02-21 객체인증장치 및 방법

Country Status (2)

Country Link
US (1) US8219571B2 (ko)
KR (1) KR20070083436A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101218666B1 (ko) * 2010-12-23 2013-01-21 전남대학교산학협력단 멀티모달 화자인식 시스템의 인식성능 향상을 위한 입력영상의 신뢰도 계산방법

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080162561A1 (en) * 2007-01-03 2008-07-03 International Business Machines Corporation Method and apparatus for semantic super-resolution of audio-visual data
EP2523149B1 (en) * 2011-05-11 2023-01-11 Tata Consultancy Services Ltd. A method and system for association and decision fusion of multimodal inputs
US8560517B2 (en) * 2011-07-05 2013-10-15 Microsoft Corporation Object retrieval using visual query context
US9275306B2 (en) * 2013-11-13 2016-03-01 Canon Kabushiki Kaisha Devices, systems, and methods for learning a discriminant image representation
US9679197B1 (en) 2014-03-13 2017-06-13 Leap Motion, Inc. Biometric aware object detection and tracking
US10782657B2 (en) 2014-05-27 2020-09-22 Ultrahaptics IP Two Limited Systems and methods of gestural interaction in a pervasive computing environment
CN204480228U (zh) 2014-08-08 2015-07-15 厉动公司 运动感测和成像设备
CN105224849B (zh) * 2015-10-20 2019-01-01 广州广电运通金融电子股份有限公司 一种多生物特征融合身份鉴别方法以及装置
CN105160746A (zh) * 2015-10-23 2015-12-16 成都博盛信息技术有限公司 一种小区门禁控制系统
CN106156727B (zh) * 2016-06-24 2019-07-09 厦门中控智慧信息技术有限公司 一种生物特征的识别方法和终端
MX2019012706A (es) 2017-04-24 2019-12-16 Patek Philippe Sa Geneve Metodo para identificar un reloj.
US20190205611A1 (en) * 2017-12-30 2019-07-04 MorphoTrak, LLC Quality-based ten-print match score normalization

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6850252B1 (en) * 1999-10-05 2005-02-01 Steven M. Hoffberg Intelligent electronic appliance system and method
JPH05315977A (ja) * 1992-05-12 1993-11-26 Hitachi Ltd 軟判定最尤復号方法および復号器
US6584144B2 (en) * 1997-02-24 2003-06-24 At&T Wireless Services, Inc. Vertical adaptive antenna array for a discrete multitone spread spectrum communications system
US6651057B1 (en) * 1999-09-03 2003-11-18 Bbnt Solutions Llc Method and apparatus for score normalization for information retrieval applications
US6816605B2 (en) * 1999-10-08 2004-11-09 Lumidigm, Inc. Methods and systems for biometric identification of individuals using linear optical spectroscopy
EP1603077B1 (en) * 2003-03-07 2010-06-02 Nippon Telegraph and Telephone Corporation Biological image correlation device and correlation method thereof
US20070174019A1 (en) * 2003-08-14 2007-07-26 Aditya Vailaya Network-based approaches to identifying significant molecules based on high-throughput data analysis
US20060018516A1 (en) * 2004-07-22 2006-01-26 Masoud Osama T Monitoring activity using video information
US7298873B2 (en) * 2004-11-16 2007-11-20 Imageware Systems, Inc. Multimodal biometric platform
US20060171571A1 (en) * 2005-02-01 2006-08-03 Chan Michael T Systems and methods for quality-based fusion of multiple biometrics for authentication
US7668388B2 (en) * 2005-03-03 2010-02-23 Mitutoyo Corporation System and method for single image focus assessment

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101218666B1 (ko) * 2010-12-23 2013-01-21 전남대학교산학협력단 멀티모달 화자인식 시스템의 인식성능 향상을 위한 입력영상의 신뢰도 계산방법

Also Published As

Publication number Publication date
US8219571B2 (en) 2012-07-10
US20070203904A1 (en) 2007-08-30

Similar Documents

Publication Publication Date Title
KR20070083436A (ko) 객체인증장치 및 방법
US9189686B2 (en) Apparatus and method for iris image analysis
Navaz et al. Face recognition using principal component analysis and neural networks
Gomez-Barrero et al. Face verification put to test: A hill-climbing attack based on the uphill-simplex algorithm
Jindal et al. Securing face templates using deep convolutional neural network and random projection
Shawkat et al. The new hand geometry system and automatic identification
Ajish et al. Iris template protection using double bloom filter based feature transformation
Tomar et al. Cascade‐based Multimodal Biometric Recognition System with Fingerprint and Face
Rajalakshmi et al. A multimodal architecture using Adapt‐HKFCT segmentation and feature‐based chaos integrated deep neural networks (Chaos‐DNN‐SPOA) for contactless biometricpalm vein recognition system
Jacob et al. Feature level fusion using multiple fingerprints
Toygar et al. On the use of ear and profile faces for distinguishing identical twins and nontwins
KR100564766B1 (ko) 다중 생체 정보를 이용한 개인 등록 및 인증 시스템과 그방법
Ross et al. Multimodal human recognition systems
Rane et al. Multimodal biometric recognition system using feature level fusion
Soviany et al. A multimodal biometric system with several degrees of feature fusion for target identities recognition
Kalsoom et al. Iris Recognition: Existing Methods and Open Issues
Shenai et al. Fast biometric authentication system based on audio-visual fusion
Soviany et al. An optimized biometric system with intra-and inter-modal feature-level fusion
Beukes Hand vein-based biometric authentication with limited training samples
WO2024042674A1 (ja) 情報処理装置、認証方法および記憶媒体
Yaddaden et al. An efficient palmprint authentication system based on one-class SVM and hog descriptor
Ibrahim et al. Plastic surgery face recognition: a comparative study of performance
Naidu et al. Development of a biometric authentication system based on HAAR transformation and score level fusion
Chauhan et al. Investigating Scope of Enhanced Biometric Security for IOT based Digital Wallet.
Sagar et al. A Feature Vector Compression Approach for Face Recognition using Convolution and DWT

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid