KR20080076170A

KR20080076170A - 지문 영상 생성을 위한 영상 필터 조합 생성 방법

Info

Publication number: KR20080076170A
Application number: KR1020070015736A
Authority: KR
Inventors: 홍진혁; 조웅근; 조성배
Original assignee: 연세대학교 산학협력단
Priority date: 2007-02-15
Filing date: 2007-02-15
Publication date: 2008-08-20
Also published as: KR100858681B1

Abstract

본 발명은 지문 영상 생성을 위한 영상 필터 조합 생성 방법에 관한 것으로, 모델링하고자 하는 목적 환경에서 실제로 수집한 소량의 지문과 복수의 영상필터를 포함하는 영상필터 집합에서 선택되는 영상필터 조합을 적용하여 얻어진 지문 영상과의 유사도를 측정하고, 집단 크기, 세대 수, 염색체 길이, 선택율, 교차율, 돌연변이율 등과 같은 변수들이 설정된 상태에서, 선택되는 영상필터 조합에 대하여 적합도 평가와 선택, 교차, 돌연변이를 종료 조건이 만족될 때까지 반복하는 유전자 알고리즘(GA; Genetic Algorithm)을 적용하여 지문 인식 성능 평가용 지문 DB를 구축할 때 지문 영상 자동 생성을 위하여 사용되는 최적 영상 필터 조합을 생성한다.

본 발명에 의하면 최적의 영상필터 조합을 자동으로 탐색할 수 있으므로 전문가 지식이 많이 필요하지 않으며, 적합도를 수정하여 지문 영상 개선의 기능도 함께 제공할 수 있으며, 특히 본 발명에 의해 생성되는 영상 필터 조합을 지문 인식 성능 평가용 지문 DB 구축용 지문 영상 자동 생성에 적용하면 다양한 환경에서 수집된 지문과 유사한 지문 영상을 자동으로 획득하여 지문수집의 비용과 노력을 줄 일 수 있다.

지문 인식, 성능 평가, 지문 영상 생성, 영상 필터 조합, 유전자 알고리즘

Description

지문 영상 생성을 위한 영상 필터 조합 생성 방법{Image filter combination generating method for fingerprint image generation}

도 1은 일반적인 지문의 특징을 나타낸 실시예.

도 2는 지문 인증을 위한 특징점 매칭을 나타낸 실시예.

도 3은 종래의 인공 지문 영상 생성 프로그램의 실시예.

도 4는 본 발명에 따른 지문 영상 생성을 위한 영상 필터 조합 생성 방법을 나타낸 실시예.

도 5는 본 발명에 따른 영상필터에 사용되는 다양한 마스크를 나타낸 실시예.

도 6은 지문 영상의 특징점 추출 과정을 나타낸 실시예.

본 발명은 지문 인식에 관한 것이며, 더욱 상세히는 지문 인식 시스템의 지문 인식 성능 평가를 위하여 활용되는 지문 DB를 구축할 때 지문 영상 자동 생성을 위하여 사용되는 최적의 영상 필터 조합을 생성하는 방법에 관한 것이다.

최근 수요가 늘고 있는 자동 지문인식 시스템은 광학식이나 반도체식 등의 센서를 이용하여 지문 영상을 획득하여, 도 1에 나타낸 바와 같이 특이점(Singualarity; 중심점과 삼각주)이나 특징점(Minutiae; 분기점과 끝점)과 같은 지문인식에 필요한 유용한 특징을 추출한 후, 도 2에 나타낸 바와 같이 미리 시스템에 등록되어 있는 사용자 지문정보인 템플릿과 유사도를 측정하여 사용자를 확인한다. 이때, 대규모 사용자가 시스템에 등록되어 있는 경우에는 비교 횟수를 줄이기 위해서 인덱싱이나 분류가 매칭 전에 수행되기도 한다.

한편, 이러한 지문인식 시스템이 실제 환경에서 얼마나 잘 동작하는지를 평가하는 지문 인식 성능 평가는 대부분 평가용 지문 DB에 의존적인데, NIST DB나 FVC200(0,2,4,6) 지문 DB 등의 몇몇 지문 DB를 제외하면 지문인식 시스템 개발자들은 보통 자체적으로 수집한 소규모의 지문 DB를 이용하여 시스템을 평가한다.

이러한 지문 인식 성능 평가를 위한 지문 DB를 구축하기 위해서는 매우 많은 노력과 비용이 필요하기 때문에 보통 현실적으로 어렵고, 실제 환경에 대한 시스템의 성능을 정확히 측정하기 위해서는 다양한 환경에서 수집된 지문 영상으로 구성된 지문 DB가 필요한데, 이런 제약들이 지문인식 시스템의 성능평가를 더욱 어렵게 만들고 있다.

최근 지문인식 시스템의 성능을 다각적으로 측정하기 위한 연구가 진행되고 있으며, 연구진들은 다양한 평가 프로토콜이나 DB를 제안하고 있다.

실제로, 적은 비용과 노력을 들여서 지문 DB를 구축하기 위해 인조 지문 영상을 생성하는 연구도 진행되었는데, 카펠리(Cappelli) 등은 설정된 파라미터에 따라 휴리스틱(Heuristic)하게 지문 영상을 생성하는 SFinGe라는 소프트웨어를 개발하여 FVC200(0,2,4,6) 지문 DB로 사용하였다(참고문헌; R. Cappelli, et al., "Synthetic fingerprint-image generation," Proc. 15^th Int. Conf. Pattern Recognition, vol. 3, pp. 475-478, 2000.).

참고로, 도 3은 종래의 인공 지문 영상 생성 프로그램(SFinGe라는 소프트웨어)을 구동하여 인공 지문 영상을 생성하는 실시예를 나타내고 있다.

하지만, 도 3에 나타낸 바와 같은 인공 지문 영상 생성 프로그램은 지문 수집에서의 비용과 노력 등의 현실적인 문제를 해결하였지만, 초기에 설정된 변수에 따라서 특징점을 구성하고 지문 영상을 인공적으로 생성하기 때문에, 지문 영상의 현실성이 부족하고 각종 환경적 영향을 받은 지문 영상을 생성하기 어려운 한계, 즉 다른 영역으로의 확장성이 부족하다는 한계가 있다. 또한 생성되는 지문 영상은 초기에 설정하는 변수에 매우 의존적이기 때문에 원하는 유형의 지문 영상을 생성하기 위해서는 변수를 잘 설정해야 하는 어려움을 가지고 있다.

본 발명은 상기한 바와 같은 종래의 문제점을 해결하기 위한 것으로서, 본 발명의 목적은 모델링하고자 하는 목적 환경에서 실제로 수집한 소량의 지문과 복 수의 영상필터를 포함하도록 선택되는 영상필터 조합을 적용하여 얻어진 지문 영상과의 유사도를 측정하고, 집단 크기, 세대 수, 염색체 길이, 선택율, 교차율, 돌연변이율 등과 같은 변수들이 설정된 상태에서, 선택되는 영상필터 조합에 대하여 적합도 평가와 영상필터 조합의 선택, 교차, 돌연변이를 종료 조건이 만족될 때까지 반복하는 유전자 알고리즘(GA; Genetic Algorithm)을 적용하여 지문 인식 성능 평가용 지문 DB를 구축할 때 상기 목적 환경에 대응하는 지문 영상 자동 생성을 위하여 사용되는 최적의 영상 필터 조합을 생성하는 방법을 제공하는 것이다.

상기한 바와 같은 본 발명의 목적을 달성하기 위하여, 본 발명의 실시예에 따른 지문 영상 생성을 위한 영상 필터 조합 생성 방법은, 모델링하고자 하는 목적 환경에서 실제로 특정 샘플링 개수의 지문을 수집하여 환경 DB를 구축하는 과정과; 영상필터 조합 생성을 위한 기준 학습 환경에서 실제로 특정 샘플링 개수의 지문을 수집하여 학습 DB를 구축하는 과정; 영상필터 조합 생성을 위한 복수의 영상필터에 대하여 유전자 알고리즘(GA) 변수와 염색체 집단을 설정하고, 상기 환경 DB의 지문 영상과 상기 학습 DB의 지문 영상의 유사도에 따른 적합도를 평가하기 위한 적합도 함수를 설계하는 초기화 과정; 상기 환경 DB의 지문 영상으로부터 지문 특징을 추출하는 과정; 상기 초기화 과정에서 설정되는 염색체 집단을 영상필터 조합으로 선택하여 상기 학습 DB의 지문 영상을 필터링하고, 필터링된 지문 영상으로부터 지문 특징을 추출하는 과정; 및 상기 초기화 과정에서 설계한 적합도 함수로 상기 환경 DB의 지문 특징과 상기 학습 DB의 지문 특징의 유사도에 따른 적합도 평가와 영상필터 조합의 선택, 교차, 돌연변이를 종료 조건이 만족될 때까지 반복하는 유전자 알고리즘(GA)을 적용하여 지문 인식 성능 평가용 지문 DB를 구축할 때 상기 목적 환경에 대응하는 지문 영상 자동 생성을 위하여 사용되는 최적의 영상 필터 조합을 생성하는 과정;으로 이루어지는 것을 특징으로 한다.

본 발명의 실시예에 따른 지문 영상 생성을 위한 영상 필터 조합 생성 방법은, 상기 초기화 과정에서는 히스토그램 방식, 마스크 방식, 모폴로지 방식의 복수의 영상필터에 대하여 유전자 알고리즘(GA) 변수와 염색체 집단을 설정하는 것을 특징으로 한다.

본 발명의 실시예에 따른 지문 영상 생성을 위한 영상 필터 조합 생성 방법에 있어서, 상기 유전자 알고리즘(GA) 변수는 총 영상필터 조합의 개수를 나타내는 집단 크기와, 최적의 영상필터 조합을 획득하기 위하여 설정하는 유전자 알고리즘(GA)의 반복 횟수를 나타내는 세대 수, 각 영상필터 조합에 포함되는 영상필터의 개수를 나타내는 염색체 길이, 각 영상필터 조합의 선택율, 각 영상필터 조합에 포함된 영상필터의 색인을 나타내는 유전자 값의 교차율, 상기 유전자 값의 돌연변이율을 포함하는 것을 특징으로 한다.

본 발명의 실시예에 따른 지문 영상 생성을 위한 영상 필터 조합 생성 방법은, 상기 환경 DB의 지문 영상과 상기 학습 DB의 지문 영상으로부터 각각의 지문 특징을 추출하는 과정에서는 지문 영상에 대한 명암의 평균과 편차, 방향성 대비, 융선 두께와 간격, 특이점, 특징점을 지문 특징으로 추출하는 것을 특징으로 한다.

이하, 본 발명의 실시예를 첨부된 도면을 참조하여 더욱 상세하게 설명한다.

도 4는 본 발명에 따른 지문 영상 생성을 위한 영상 필터 조합 생성 방법을 나타낸 플로차트로서, 유전자 알고리즘(GA)을 기반으로 한다.

참고로, 유전자 알고리즘(GA)은 1975년 존 홀랜드(John Holland)가 교차, 돌연 변이, 적자생존 등의 자연적 진화 현상을 모방하여 제안한 알고리즘으로, 염색체로 표현되는 해의 집단을 대상으로 탐색을 수행하며 최적화나 기계학습 등에 널리 사용된다. 이 알고리즘에 있어서, 염색체는 주어진 문제를 해결하는 개체(본 발명에서는 영상필터 조합에 해당함)를 의미하는데, 적합도 함수를 통해 얼마나 적절한지를 평가받는다. 이 알고리즘의 기본 동작과정은 집단을 구성하는 모든 개체의 적합도를 평가한 후에 새로운 개체를 생성하기 위해 원하는 해가 발견될 때까지 선택, 교차와 돌연변이 등의 유전자 연산을 반복한다.

선택 과정에서는 다음 세대의 집단을 생성하기 위해서 현재 집단을 구성하는 개체 중 우수한 개체를 선택하는데, 보통은 개체의 적합도에 따라서 확률적으로 선택하여 높은 적합도를 가지는 개체가 더 많이 다음 세대에 포함되도록 뽑는다.

교차 과정에서는 선택된 두 개체의 유전 정보를 일정한 비율로 교환한다. 예를 들면, 개체 a = (1 1 1 1)와 b = (0 0 0 0)가 있을 때, 3번째 위치를 중심으로 하는 1점 교차를 사용하면 a' = (1 1 0 0)와 b' = (0 0 1 1)이 생성된다.

돌연변이 과정에서는 해당 개체의 배열에서 임의의 위치를 선택하여 값을 초기화한다. 예를 들면, 개체 a의 4번째 위치에 돌연변이를 적용하면 a' = (1 1 1 0) 을 생성한다.

상기한 바와 같은 유전자 알고리즘(GA)을 기반으로 하는 본 발명에 따른 지문 영상 생성을 위한 영상 필터 조합 생성 방법의 구체적인 수행 과정은 다음과 같다.

가장 먼저, 모델링하고자 하는 목적 환경에서 실제로 소량의 특정 샘플링 개수의 지문을 수집하여 환경 DB를 구축하고(S10), 연이어서 영상필터 조합 생성을 위한 기준 학습 환경에서 실제로 소량의 특정 샘플링 개수의 지문을 수집하여 학습 DB를 구축한다(S20).

상기 기준 학습 환경은 본 발명에 따라 획득하는 최적화된 영상조합 필터를 적용하여 향후 상기 목적 환경에서 실제로 수집한 지문과 유사한 지문을 자동으로 생성하기 위한 샘플링 지문을 수집하는 환경이다.

상기와 같이 환경 DB와 학습 DB가 구축되고 나면(S10,S20), 초기화 과정으로, 영상필터 조합 생성을 위한 복수의 영상필터에 대하여 유전자 알고리즘(GA) 변수와 각각 복수의 영상필터를 포함하는 영상필터 조합을 나타내는 염색체 집단을 설정하고, 상기 환경 DB의 지문 영상과 상기 학습 DB의 지문 영상의 유사도에 따른 적합도를 평가하기 위한 적합도 함수를 설계한다(S30).

이때, 상기 복수의 영상필터로는 아래의 표 1에 나타낸 실시예와 같이 히스토그램 방식, 마스크 방식, 모폴로지 방식의 복수의 영상필터가 활용된다.

유형	필터명	종류	효과	색인
히스토그램	Brightness	3가지 값	밝기 조정	1~3
	Contrast	3가지 값	대비 조정	4~6
	Stretch	-	영상의 히스토그램을 늘리기	7
	Equalize	-	영상의 히스토그램을 균일화하기	8
	Logarithm	-	영상의 히스토그램을 로그화하기	9
마스크	Blur	6 마스크	영상을 평활화하기	10~15
	Sharper	4 마스크	영상을 날카롭게 하기	16~19
	Median	10 마스크	잡음 제거하기	20~29
모폴로지	Erosion	10 마스크	영상으로부터 밝은 점들 제거하기	30~39
	Dilation	10 마스크	영상으로부터 어두운 점을 제거하기	40~49
	Opening	10 마스크	영상의 잡음을 제거하기	50~59
	Closing	10 마스크	영상에서의 구멍을 제거하기	60~69
사용 안함				0

상기 표 1은 영상필터 조합을 구성하는데 사용되는 총 70개의 영상필터를 나타내고 있으며, 각각의 영상필터는 필터를 사용하지 않는 경우를 포함하여 0번부터 69번까지의 색인을 가진다.

상기 히스토그램 기반 영상 필터링에서, 영상의 히스토그램은 각 명암 값에 대해서 영상에서의 해당 명암의 픽셀 수를 보여주는 그래프이다. 보통 지문 영상은 256개의 다른 명암을 가지는 8 비트 회색 계조(gray scale)로 표현되기 때문에, 히스토그램은 회색 계조들의 픽셀에서의 분포를 보여주는 256개의 숫자로 구성된다.

예컨대, 비율 s (-100≤s≤100)가 주어질 때, 히스토그램 ‘brightness’는 픽셀 p의 값을 다음의 수학식 1과 같이 조정한다.

또한, 비율 s (-100≤s≤100)가 주어질 때, 히스토그램 ‘contrast’는 픽셀 p의 값을 다음의 수학식 2와 같이 조정한다.

‘Contrast stretching’은 명암 분포 범위를 원하는 형태로 조정하여 영상의 대비를 개선한다. 명암 분포의 상한선(a)과 하한선(b)을 설정하고, 현재 영상에서의 가장 높은 값의 명암(c)과 가장 낮은 값(d)을 찾는다. 히스토그램 ‘stretching’은 각 픽셀 p의 값을 다음의 수학식 3과 같이 조정한다.

히스토그램 ‘equalization’은 영상이 전체적으로 고른 명암 분포를 가지도록 픽셀의 명암을 조정하는 것으로, 기존 영상의 픽셀의 명암을 고려하여 명암 값이 j인 픽셀은 다음의 수학식 4와 같은 값을 할당한다.

상기 마스크 기반 영상 필터링에서, ‘Convolution’의 일종인 ‘Masking’ 기법은 도 5에 나타낸 바와 같은 마스크 유형에 따라 입력 영상의 픽셀 값을 선형 적으로 결합하는 단순한 수리적 연산이다. 보통 영상의 왼쪽 상단에서 오른쪽 하단으로 진행하면서, 각 픽셀의 값은 다음의 수학식 5와 같이 m×n의 마스크와 겹치는 영역에 대해 마스크 값과 영상 값을 곱하고 이들 값을 합하여 계산한다. 마스크 기반의 필터는 마스크의 모양과 셀의 가중치에 따라서 영상을 흐리게 하거나 뚜렷하게 하는 등의 다양한 효과를 만든다.

‘Median’ 필터는 마스크 기반의 필터와 같이 주변 셀의 명암값을 고려하지만, 가중치를 곱하여 명암값을 계산하는 것이 아니라 마스크 내의 픽셀들을 명암에 따라 정렬하였을 때 중간 픽셀의 값으로 현재 픽셀의 명암을 결정한다.

상기 모폴로지 기반 영상 필터링에서, 모폴로지 연산은 교차(intersection)나 결합(union), 포함(inclusion), 보충(complement) 등의 집합 연산을 사용하여 원본 영상과 구조체(structuring element)를 결합한다. 도 5에서와 같이 구조체의 모양에 따라서 영상에서 다양한 효과를 발생시킨다. 특히 모폴로지 기반 필터의 기본적인 연산자인 ‘dilation’은 서서히 전경의 범위를 넓혀나가며 영상에 있는 구멍을 점점 더 작게 만든다. 반면, 다른 연산자인 ‘erosion’은 전경을 침식해가면서 영상에 있는 구멍을 보다 크게 만든다. ‘Opening’과 ‘closing’은 기본적인 연산자인 ‘dilation’과 ‘erosion’으로부터 파생되었는데, ‘opening’은 전경 영역에 있는 테두리의 픽셀을 서서히 삭제하여 구조체의 모양과 비슷한 영역은 남기고 다른 영역은 지워간다. 반대로 ‘closing’은 전경 영역의 경계를 넓혀나가며 구조체와 비슷한 모양의 배경 영역을 남긴다.

또한, 상기 유전자 알고리즘(GA) 변수는 총 영상필터 조합의 개수를 나타내는 집단 크기와, 최적의 영상필터 조합을 획득하기 위하여 설정하는 유전자 알고리즘(GA)의 반복 횟수를 나타내는 세대 수, 각 영상필터 조합에 포함되는 영상필터의 개수를 나타내는 염색체 길이, 각 영상필터 조합의 선택율, 각 영상필터 조합에 포함된 영상필터의 색인을 나타내는 유전자 값의 교차율, 상기 유전자 값의 돌연변이율을 포함하며, 아래의 표 2에 나타낸 실시예와 같이 설정할 수 있다.

변수	값
세대 수	200
집단 크기	50
염색체 길이	5
선택율	0.7
교차율	0.7
돌연변이율	0.05
엘리트 선택	Yes

상기 표 2에 있어서, 염색체 길이 5, 집단 크기 50, 세대 수 200은 5개의 영상필터를 포함하는 영상필터 조합을 50개로 설정하여 최적의 영상필터 조합을 획득하기 위하여 유전자 알고리즘(GA)을 200번 반복하기 위한 설정 값이다.

또한, 상기 환경 DB의 지문 영상과 상기 학습 DB의 지문 영상의 유사도에 따른 적합도를 평가하기 위한 적합도 함수는 다음의 수학식 6과 같이 설정된다.

상기와 같이 초기화 과정이 완료되면(S30), 상기 환경 DB의 지문 영상으로부터 지문 특징을 추출하고(S40), 상기 초기화 과정(S30)에서 설정되는 염색체 집단을 영상필터 조합으로 선택하여 상기 학습 DB의 지문 영상을 필터링하여 필터링된 지문 영상으로부터 지문 특징을 추출한다(S50).

이때, 상기 환경 DB의 지문 영상과 상기 학습 DB의 지문 영상으로부터 지문 영상에 대한 명암(예컨대, 회색 계조(gray scale))의 평균과 편차, 방향성 대비, 융선 두께와 간격, 특이점, 특징점 등을 추출한다.

상기 명암의 평균(mean)은 영상 전체의 회색 계조 값을 가리키고, 편차(variance)는 이들 값이 얼마나 고르게 분포하는지를 나타내며, 다음의 수학식 7과 같이 계산된다.

상기 방향성 대비는 지문을 블록으로 구분하여 이들 사이의 방향성 편차를 계산하여 아래의 수학식 8과 아래의 표 3과 같이 보이는 마스크를 사용하여 각 방향의 중심 C에 대한 편차의 합 Si (i=1,2,3,4)를 계산한다. Smax는 4방향의 편차 중 가장 큰 값이고, Smin은 가장 작은 값이다. Pi는 i번째 방향의 회색 계조 값을 가리키며, Smax와 Smin은 보통 골 픽셀(흰 색)과 융선 픽셀(검은 색)에서 각각 나타난다.

	P1	P2
	C	P3
		P4

상기 융선 두께와 간격은 각 블록에서 융선의 방향성에 직교한 방향으로 회색 계조값을 분석하여 얻는다. 영상의 각 블록에서 융선의 두께와 간격을 구한 후 평균값을 취하여 융선 두께와 간격으로 사용한다. 이때, 방향성은 영상의 각 열과 행을 블록화하고 이들 블록의 방향성을 축적하여 획득한다.

상기 특이점은 방향성을 이용하여 중심점과 삼각주를 계산하는 대표적 방법인 포인케어(Poincare) 지수로 추출한다. 알고리즘에 의해 감지된 특이점 집합을 Sd= {sd1, sd2, ..., sdn}라 하고, 전문가가 지문 영상에서 직접 특이점을 추출한 것을 Se= {se1, se2, ..., sem}라 할 때, N개의 학습 샘플에 대해 다음을 정의하고, 각각의 특이점은 아래의 수학식 9와 같이 계산된다.

추출 특이점(p): sd와 se가 일정한 영역(24픽셀) 안에 동시에 존재하는 특이점으로 추출 알고리즘으로 찾은 특이점

분실 특이점(a): se에는 존재하지만 sd에는 존재하지 않는 특이점으로 추출 알고리즘으로 찾지 못한 특이점

의사 특이점(b): sd에는 존재하지만 se에는 존재하지 않는 특이점으로 잘못 추출된 특이점

상기 특징점은 끝점과 분기점으로 구성되며, 이 특징점을 추출하기 위해, 도 6에 나타낸 실시예와 같이, 먼저 입력 영상으로부터 방향성을 측정하고 전경영역분리와 가보 필터링 등의 전처리를 통해 영상의 품질을 향상시킨 다음, 융선의 세선화를 통해 끝점과 분기점을 감지한다. 알고리즘으로부터 추출한 끝점과 분기점을 각각 Ed={ed₁, ed₂, ..., ed_n}와 Bd={bd₁, bd₂, ..., bd_m}라 하고, 전문가가 지문 영상으로부터 직접 뽑은 끝점과 분기점을 각각 Ee={ee₁, ee₂, ..., ee_k}와 Be={be₁, be₂, ..., be_l}라 할 때, N개의 학습 샘플로부터 아래의 표 4에서와 같은 값을 정의한다.

기호	알고리즘 결과	전문가 판단	확률
ee	끝점	끝점
be	분기점	끝점
ne	무	끝점
eb	끝점	분기점
bb	끝점	분기점
nb	무	분기점
en	끝점	무
bn	분기점	무

상기와 같이 환경 DB의 지문 영상과 상기 학습 DB의 지문 영상으로부터 각각의 지문 특징을 추출하고 나면(S40,S50), 상기 초기화 과정(S30)에서 설계한 적합도 함수로 상기 환경 DB의 지문 특징과 상기 학습 DB의 지문 특징의 유사도에 따른 적합도 평가와 영상필터 조합의 선택, 교차, 돌연변이를 종료 조건이 만족될 때까지 반복하는 유전자 알고리즘(GA)을 적용하여 지문 인식 성능 평가용 지문 DB를 구축할 때 상기 목적 환경에 대응하는 지문 영상 자동 생성을 위하여 사용되는 최적의 영상 필터 조합을 생성한다(S60).

이때, 개체의 적합도, 즉 영상필터 조합의 적합도는 목적 환경으로부터 수집된 지문과 학습 DB의 지문을 영상필터 조합으로 필터링하여 얻어진 지문 영상과의 유사도는 상기 수학식 6과 같이 적합도 함수에 의해 측정된다. 또한, 유전자 알고리즘(GA)은 학습 DB의 지문을 영상필터 조합으로 필터링하여 얻어진 지문 영상이 목적 DB의 지문과 얼마나 유사한지를 측정하여 실제 목적 환경에서 수집된 지문과 유사한 영상을 획득하는 방향으로 진화를 반복한다.

이상에서 설명한 본 발명에 따른 지문 영상 생성을 위한 영상 필터 조합 생성 방법은 상기한 실시예에 한정되지 않고, 이하의 특허청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 누구든지 다양하게 변경하여 실시할 수 있는 범위까지 그 기술적 정신이 있다.

이상에서 설명한 바와 같은 본 발명에 의하면 최적의 영상필터 조합을 자동으로 탐색할 수 있으므로 전문가 지식이 많이 필요하지 않으며, 적합도를 수정하여 지문 영상 개선의 기능도 함께 제공할 수 있으며, 특히 본 발명에 의해 생성되는 영상 필터 조합을 지문 인식 성능 평가용 지문 DB 구축용 지문 영상 자동 생성에 적용하면 다양한 환경에서 수집된 지문과 유사한 지문 영상을 자동으로 획득하여 지문수집의 비용과 노력을 줄 일 수 있다.

Claims

모델링하고자 하는 목적 환경에서 실제로 특정 샘플링 개수의 지문을 수집하여 환경 DB를 구축하는 과정(S10)과;

영상필터 조합 생성을 위한 기준 학습 환경에서 실제로 특정 샘플링 개수의 지문을 수집하여 학습 DB를 구축하는 과정(S20);

영상필터 조합 생성을 위한 복수의 영상필터에 대하여 유전자 알고리즘(GA) 변수와 각각 복수의 영상필터를 포함하는 영상필터 조합을 나타내는 염색체 집단을 설정하고, 상기 환경 DB의 지문 영상과 상기 학습 DB의 지문 영상의 유사도에 따른 적합도를 평가하기 위한 적합도 함수를 설계하는 초기화 과정(S30);

상기 환경 DB의 지문 영상으로부터 지문 특징을 추출하는 과정(S40);

상기 초기화 과정(S30)에서 설정되는 염색체 집단을 영상필터 조합으로 선택하여 상기 학습 DB의 지문 영상을 필터링하고, 필터링된 지문 영상으로부터 지문 특징을 추출하는 과정(S50); 및

상기 초기화 과정(S30)에서 설계한 적합도 함수로 상기 환경 DB의 지문 특징과 상기 학습 DB의 지문 특징의 유사도에 따른 적합도 평가와 영상필터 조합의 선택, 교차, 돌연변이를 종료 조건이 만족될 때까지 반복하는 유전자 알고리즘(GA; Genetic Algorithm)을 적용하여 지문 인식 성능 평가용 지문 DB를 구축할 때 상기 목적 환경에 대응하는 지문 영상 자동 생성을 위하여 사용되는 최적의 영상 필터 조합을 생성하는 과정(S60);

으로 이루어지는 것을 특징으로 하는 지문 영상 생성을 위한 영상 필터 조합 생성 방법.
제 1 항에 있어서, 상기 초기화 과정(S30)에서는 히스토그램 방식, 마스크 방식, 모폴로지 방식의 복수의 영상필터에 대하여 유전자 알고리즘(GA) 변수와 염색체 집단을 설정하는 것을 특징으로 하는 지문 영상 생성을 위한 영상 필터 조합 생성 방법.
제 1 항에 있어서, 상기 환경 DB의 지문 영상과 상기 학습 DB의 지문 영상으로부터 각각의 지문 특징을 추출하는 과정(S40,S50)에서는 지문 영상에 대한 명암의 평균과 편차, 방향성 대비, 융선 두께와 간격, 특이점(Singualarity), 특징점(Minutiae)을 지문 특징으로 추출하는 것을 특징으로 하는 지문 영상 생성을 위한 영상 필터 조합 생성 방법.