KR20090073470A - 지문 분류 처리 장치 및 방법 - Google Patents

Abstract

본 발명은 지문 분류 처리 방법과 장치에 관한 것으로 보다 상세하게는 로그-스케일 허프 변환(log-scale Hough transform)과 2차원 고속 푸리에 변환(Fast Fourier transform)중 적어도 하나를 이용하여 지문이 회전하거나 지문의 크기가 변화하여도 정확하게 분류하는 지문 분류 처리 장치 및 방법에 관한 것이다. 본 발명은 디지털신호 처리 보드를 이용하여 고속으로 정확하게 지문을 분류하는 지문 분류 처리 장치 및 방법이다.

지문영상, 그레이 레벨, 인공신경망, 특징벡터, 지문분류.

Description

지문 분류 처리 장치 및 방법 {Apparatus and Method of fingerprint classification}

본 발명은 지문 분류 처리 방법과 장치에 관한 것으로 특히 로그-스케일 허프변환(log-scale Hough transform)과 2차원 고속 푸리에 변환(Fast Fourier transform)을 사용하여 지문이 회전하거나 지문의 크기가 변하여도 정확하게 분류하는 지문 분류 처리 장치 및 방법에 관한 것이다.

일반적으로 지문인식에서 널리 사용하고 있는 알고리즘은 특징점 기반의 알고리즘을 적용하여 지문인식을 처리한다. 특징점 기반의 지문인식 알고리즘은 지문인식 센서로 획득한 지문 영상에서 구별되는 특징을 추출하는 특징점 추출 과정(Feature Extraction)과 상기 추출된 특징점과 기 저장된 지문영상의 특징점을 비교하여 유사도를 판정하는 정합 과정(Minutiae Matching)으로 이루어진다.

여기에서 특징점(minutiae)이란 융선의 흐름이 끊기는 지점인 단점과 하나의 융선이 두 개로 갈라지는 지점인 분기점이라고 부르는 융선의 흐름에 변화가 발생하는 점을 말한다.

또한, 종래의 지문영상분류 기술은 지문영상에 대하여 지문의 융선들이 합쳐 지거나 분기하거나 맴도는 점 등을 일일이 추출하여 그 기하학적 위치를 데이터베이스화한 다음 프로그램상의 비교추론에 의하여 지문타입을 분류하는 방식이 주로 사용되고 있다.

그러나 종래의 지문영상분류 방식은 각 단계별로 이진화, 방향성분 추출, 세선화 등의 다양한 영상처리 기법 및 다양한 특징추출 방법들이 존재하나 분류하고자 하는 영상들이 회전 및 크기가 변경될 경우 분류의 정확도가 현저히 떨어지는 문제점이 있으며 있으며, 이를 극복하기 위해서는 비교 추론 단계에서 왜곡을 줄이기 위한 복잡한 알고리즘이 요구되며, 특히 대용량 지문분류 시스템인 경우에는 처리시간이 많이 소요되어 효율성이 떨어지는 문제점이 지적되어 왔다.

본 발명은 상술한 문제점을 해결한 것으로, 본 발명의 목적은 지문 영상을 정확하게 분류하기 위한 지문 분류 처리 장치 및 방법을 제공하는 것을 목적으로 한다.

또한, 본 발명은 고속으로 지문영상을 분류하기 위한 지문 분류 처리 장치 및 방법을 제공하는 것을 목적으로 한다.

상기한 목적을 달성하기 위한 본 발명의 지문 분류 처리 방법은 전처리 과정을 거친 지문영상에 대하여 로그-스케일 허프변환을 처리하는 단계, 로그-스케일 허프변환된 데이터를 2차원 고속 푸리에 변환(FFT)을 하는 단계 및 2차원 고속 푸리에 변환의 결과 데이터를 쐐기-반고리 윈도우를 적용하여 특징벡터들을 검출하고 상기 특징벡터들을 패턴에 따라 분류하는 단계를 포함하는 것을 특징으로 한다.

또한, 전처리 과정은 입력되는 상기 지문영상의 크기를 바이리니어 보간을 이용하여 변경하는 단계, 크기 변환된 지문영상의 컬러 해상도를 그레이 레벨로 변경하는 단계, 그레이 레벨로 변경된 상기 지문영상에 대하여 히스토그램 스트레칭 기법을 적용하는 단계, 히스토그램 스트레칭 처리한 지문영상에 대하여 언샤프 마스킹을 적용 하는 단계, 지문영상의 불필요한 배경을 제거하는 단계 및 지문영상에 적응 스레숄딩 기법을 적용하여 그레이 레벨 영상을 이진영상으로 변경하는 단계를 포함하는 것을 특징으로 한다.

또한, 본 발명의 로그-스케일 허프변환을 처리하는 것은 지문영상의 영상공간의 직각좌표점(x, y)을 허프공간의 극좌표점(r, t)으로 사상하는 단계 및 극좌표점(r, t)을 상기 허프 공간에서 3차원 데이터로 누적하고, 정규화하여 허프 의사 영상을 구하는 단계를 포함하는 것을 특징으로 한다.

또한, 본 발명의 2차원 고속 푸리에 변환(FFT)을 적용하는 단계는 로그 스케일 허프 변환을 처리한 결과 데이터를 수신하여 스크램블 및 버터플라이 함수를 이용하여 1차원 푸리에 변환을 처리하는 단계, 수평 및 수직 방향에 대하여 1차원 푸리에 변환을 처리하여 2차원 푸리에 변환을 수행하는 단계 및 변환된 푸리에 공간의 위상을 재정렬하고 비선형 정규화를 처리하는 단계를 포함하는 것을 특징으로 한다.

또한, 본 발명의 쐐기-반고리 윈도우는 지문영상의 방향 정보 나타내는 특징벡터를 추출하기 위한 쐐기 모양 윈도우 영역과 상기 지문영상의 동심원 크기성분의 정보를 나타내는 특징벡터를 추출하기 위한 반고리 모양 윈도우 영역을 포함하는 것을 특징으로 한다.

또한, 특징벡터들을 패턴에 따라 분류하는 단계는 쐐기-반고리 윈도우를 통하여 얻어진 특징벡터를 정규화하는 단계 및 정규화된 특징벡터를 3층의 구조를 가지는 다층퍼셉트론 인공신경망에 적용시켜 분류하는 단계를 포함하는 것을 특징으로 한다.

본 발명의 지문 분류 처리 장치는 입력되는 지문영상에 대하여 전처리 과정과 다층퍼셉트론 인공신경망으로 분류하며 지문영상 분류 전체 동작을 제어하는 컴 퓨터 단말기, 컴퓨터 단말기의 제어에 의하여 상기 지문영상을 로그-스케일 허프 변환하고, 2차원 고속 푸리에 변환을 계산하며 쐐기-반고리 윈도우를 통하여 얻은 특징벡터 정보를 상기 컴퓨터 단말기로 제공하는 디지털 신호처리 보드를 포함하는 것을 특징으로 한다.

또한, 본 발명의 지문영상 분류를 지원하는 장치는 지문 영상을 획득하는 지문 영상 획득 수단과, 지문영상을 전처리하여 이진화 지문영상을 출력하는 전처리 수단과, 지문 영상에 대해 공간 좌표 변환을 이용하여 특징 벡터들을 추출하는 특징 추출 수단을 포함한다.

또한, 특징 벡터들을 패턴에 따라 분류하는 패턴 분류기를 더 포함하며, 특징 추출 수단은 공간 좌표 변환을 수행하는 로그 스케일 허프 변환기를 포함하며, 특징 추출 수단은 공간 좌표 변환된 데이터에 대해 고속 푸리에 변환을 수행하는 고속푸리에 변환기를 더 포함하며, 특징 추출 수단은 고속 푸리에 변환된 데이터에 대해 쐐기-반고리 윈도우를 이용하여 특징 벡터들을 추출하는 것을 특징으로 한다.

또한, 본 발명의 지문 영상 분류 방법은 입력된 지문 영상에 대해 전처리 과정을 수행하여 이진화 지문영상을 출력하는 단계와, 이진화 지문 영상에 대해 특징 벡터들을 추출 하는 단계와, 특징 벡터들에 근거하여 상기 입력된 지문 영상을 분류하는 단계를 포함하고 특징 벡터를 추출하는 단계는 상기 이진화 지문 영상을 공간 좌표 변환 하는 단계를 포함하는 것을 특징으로 한다.

본 발명의 지문영상 분류 방식은 분류하고자 하는 지문영상들에 대한 지문분 류의 정확도가 향상되고, 특히 중간에 끊어짐(폐색, Occlusion)이 많은 지문의 곡선성분에 대해서도 우수한 분류 성능을 보여준다.

또한 디지털신호처리 보드를 활용하여 연산 처리 속도를 향상시키는 장점이 있다.

또한, 본 발명의 지문 분류를 처리하는 최적화된 코드를 DSP칩 및 SDRAM을 장착한 PDA나 이동통신 단말기에 이식하면 주어진 지문 분류를 고속으로 처리하는 부가적인 제품화도 가능한 장점이 있다.

이하, 본 발명의 실시 예를 첨부한 도면을 참조하여 설명한다.

하기의 설명에서는 본 발명에 따른 동작을 이해하는데 필요한 부분만이 설명되며 그 이외 부분의 설명은 생략될 것이라는 것을 유의하여야 한다.

도 1은 본 발명에 따른 지문영상 분류를 처리하는 전체 동작 순서도이다.

먼저 S20 단계에서 분류하고자 하는 지문영상을 영상 지문 센서로부터 획득하면 지문영상에 대하여 영상조명 및 영상잡음 등의 영향을 경감시키기 위해 전처리(Preprocessing) 과정을 처리한다.

S30 단계에서는 전처리된 지문영상에 대하여 공간 좌표변환을 수행하고 구체적으로는 로그-스케일 허프 변환 (Hough transform)으로 처리하고 S40 단계에서 로그-스케일 허프 변환 (Hough transform) 통하여 얻은 허프 의사 영상(Hough Pseudo Color Image)에 대하여 2차원 고속 푸리에 변환(FFT)을 하여 2차원 FFT 의사 영상(FFT 2D Pseudo color image)을 얻는다.

S50 단계에서 상기 2차원 FFT 의사 영상의 쐐기-반고리 윈도우(Aperture, 틈새) 영역으로부터 특징 벡터(Feature Vectors)들을 추출한다.

여기서, 상기 2차원 FFT 의사 영상은 주파수로 이루어진 공간에 표현되는 영상 데이타이며, 상기 2차원 FFT 의사 영상의 쐐기형 윈도우 영역들은 지문영상의 방향성분의 정보를 나타내는 특징 벡터들이며, 따라서 쐐기형 윈도우 영역들에 따라 지문영상에 대한 분류가 가능하다. 또한 상기 2차원 FFT 의사 영상의 고리형 윈도우 영역들은 지문영상의 크기성분의 정보를 나타내는 특징 벡터들이며, 따라서 반고리형 윈도우 영역들에 따라 지문영상들의 분류가 가능하다.

이와 같이 쐐기형 윈도우 영역과 반고리형 윈도우 영역에 분류에 따라 특징 벡터들을 추출한다. 본 발명의 실시 예에서는 쐐기 윈도우 영역들과 반고리 윈도우 영역들 각각 16개에 대한 총 32개의 윈도우 영역들에 대한 특징 벡터들을 추출한다. 여기서 상기 S30, S40, S50 단계들은 특징 추출 과정이라고 할 수 있다.

S50 단계에서 추출된 특징 벡터들은 S60 단계에서 정규화(Normalization)를 거친 후 S70 단계에서 정규화(Normalization)된 특징 벡터들을 다층 퍼셉트론 인공 신경망 패턴분류기에서 해당 지문영상의 특징벡터들이 분류를 위해 준비된 학습쌍(Training Pair)에 따라 분류(Classification)된다.

본 발명의 실시예에서는 지문 영상의 분류는 지문영상을 궁상문(Arch), 와상문(Whorl), 좌측 제상문(Left-loop), 우측 제상문(Right-loop) 및 기타지문(etc) 5분류 체계로 분류한다.

또한 본 발명의 실시예에서 상기 인공신경망 패턴분류기는 준비된 학습쌍으 로 상기 5분류 체계에 대한 각 100개인 500개 (=5 *100)의 지문영상에 대하여 특징벡터들을 추출하여 준비하고, 검증 쌍은 별도의 임의 10개를 지문 영상을 통하여 검증한다

위에서 상술한 지문 영상 분류 과정에서 공간좌표 변환과 고속 푸리에 변환을 각각 하나만 선택하여 사용될 수 도 있다

도 2는 본 발명의 전처리 과정의 세부 순서도이다.

도 1에서 설명한 바와 같이 지문영상을 영상 지문 센서로부터 획득하면 지문영상에 대하여 영상조명 및 영상잡음 등의 영향을 경감시키기 위해 전처리(Preprocessing) 과정을 처리한다.

S200 단계에서 지문영상의 크기를 256x256 해상도로 바이 리니어 보간(Bilinear interpolation)을 적용하여 크기를 변경한다.

S210 단계에서 256x256 해상도로 크기가 변환된 이미지의 컬러 해상도를 RGB-컬러모델 기반으로 256 그레이(gray) 레벨로 변경한다.

S220 단계에서 256 그레이(gray) 레벨 지문영상에 대하여 영상의 전체적인 콘트라스트를 향상시키기 위하여 히스토그램 스트레칭 기법 적용하여 스트레치드 지문 영상 (stretched image)을 출력한다.

S230 단계에서 스트레치드 지문영상에 대하여 영상의 원영상을 보존하면서 융선의 윤곽선을 강조한 영상을 얻기 위해 언샤프 마스킹(unsharp masking)을 적용한다.

S240 단계에서 언샤프 마스킹이 적용된 지문영상에 대해 초저주파 잡음으로 작용하는 불필요한 배경을 제거한다.

S250 단계에서 적응 스레숄딩(Adaptive Thresholding) 기법을 사용하여 256 그레이 레벨 지문 영상을 {0, 256} 이진 지문영상으로 이진화한다.

도 3은 지문영상에 대하여 전처리와 로그스케일 허프 변환을 처리한 쐐기-반고리 윈도우를 나타낸 예의 도면이다.

첫번째 지문 영상은 전처리(Preprocessing) 과정을 거친 후의 이진 지문영상의 예이고, 두번째는 이진 지문 영상에 대하여 로그-스케일 허프 변환 후 의 허프 공간(Hough space) 의사영상(Pseudo-Color)의 예이며, 세번째는 허프공간 의사 영상을 2차원 고속 푸리에 변환한 후 상기 2차원 FFT 의사 영상에 대한 쐐기-반고리 윈도우를 적용한 예이다.

상기 쐐기-반고리 윈도우에서 A~D는 쐐기 윈도우 영역이라 하고 지문영상의 방향성분의 정보를 나타내며, E~H는 반고리 윈도우 영역이라고 하며 지문영상의 동심원 크기성분의 정보를 나타내며, 쐐기-반고리 윈도우는 A~H에 해당하는 윈도우 영역별로 특징 벡터(Feature Vectors) 추출하기 위해 적용된다.

본 발명의 실시예에서는 쐐기형 윈도우 영역과 반고리 윈도우 영역들은 각각 8개로 구성된다.

도 4는 도 1의 지문영상 분류를 설명하기 위한 도면이다.

본 발명은 상술한 바와 같이 추출된 특징벡터들을 분류한다. 분류된 특징벡터들은 정규화를 거치고 정규화를 거친 데이터를 이용하여 도 4와 같은 다층퍼셉트론 패턴분류기에서 분류를 처리한다.

도 4와 같은 다층퍼셉트론(Multi-Layer Perceptron) 인공신경망의 입력 레이어(Input Layer)는 32개의 입력노드가 있으며 히든레이어(Hidden Layer)에는 40개의 중간노드, 출력 레이어(Output Layer)에는 5개의 출력노드를 갖는 3층 구조를 가지며 각 레이어의 수와 입력노드의 수의 필요에 따라 변경 사용 가능하다.

상기 입력노드들은 특징벡터들을 각각 입력 받아, 인공 신경망 구성에 따라 상기 히든 레이어로 각각 출력된다. 상기 중간 노드에서는 사전 학습에 결정된 파라미터와 가중치 값들을 전달함수를 이용하여 인공 신경 망 구성에 따라 정해진 출력 노드로 각각 출력한다. 또한 상기 출력 노드는 중간 노드와 같이 사전 학습에 결정된 파라미터와 가중치 값들을 전달함수를 이용하여 분류값을 출력한다. 따라서 지문영상의 특징벡터들에 대한 분류값들을 얻을 수 있다

위에서 설명된 사전 학습에 대한 이론적인 동작 설명은 다음과 같다.

히든레이어(Hidden Layer)의 중간 노드의 전달함수는 시그-로그 시그모이드(sig-log sigmoid) 함수를 사용하였다.

인공 신경망의 가중치 행렬과 전달함수 바이어스 벡터값들을 초기화 하고, 학습쌍(Training Pair)의 입력을 전가한다.

입력노드, 중간노드, 출력노드 순으로 출력방향으로 신경망 전파하고 준비된 학습쌍의 목표 결과값을 인가하며, 출력값과 목표결과값의 차이를 바탕으로 오류가 생성되면 신경망에 역전파(Back Propagation)하며. 오류 역전파 알고리즘에 따라 가중치(weight)를 갱신한다.

가중치 갱신후 현재 오류가 목표 오류값에 미달할 경우 재학습을 시키며 학 습이 완료된 인공신경망의 네트워크 가중치를 보존하는 방식으로 동작한다.

도 5는 본 발명에 따른 도2의 히스토그램 스트레칭에 대한 세부과정을 나타낸 도면이다

먼저 S300 단계에서 256 그레이(gray) 레벨 지문영상에서 그레이 레벨 값의 최대값과 최소값을 구한다.

S310 단계에서 지문영상의 각 픽셀이 가지는 0~255 사이의 그레이 레벨값을 특정값 이내(예를 들어 [0. 1] 사이의 값)의 값을 가지도록 비선형 매핑(mapping)을 수행하여 S320 단계에서 콘트라스트(Contrast)가 향상된 스트레치드 영상 (stretched image)을 얻는다.

도 6은 본 발명에 따른 도2의 언샤프 마스킹 에 대한 세부과정을 나타낸 도면이다.

도면을 참조하면 S350 단계에서 입력영상 데이터(스트레치드 지문 영상)를 우측에 보인 3x3 라플라시안 마스크를 적용하여 스무딩(smoothing) 처리를 한다. 스무딩은 블러링(Blurring)과 노이즈의 제거를 위해 사용한다.

마스크 값으로는 가운데에 4, 나머지에는 0과 -1을 적용하여 마스크를 씌워서 처리한다.

다음으로 S360 단계에서 스무딩(smoothing) 처리된 영상데이터와 입력영상 데이터의 차를 구하고, 마지막으로 S370 단계에서 입력영상 데이터를 더하여 언샤프 마스킹 영상 데이터를 출력한다. 따라서 원영상의 정보는 살아있으면서 윤곽선이 강조된 영상을 얻게 된다.

도 7은 도 2의 불필요한 배경 제거단계의 세부 과정을 나타낸 도면이다.

S400 단계에서 입력 영상 데이터(언샤프 마스킹 처리 영상)를 동일한 두 개로 복제를 한다.

S410 단계에서 복제한 입력영상 데이터에 대하여 마스크의 크기를 64x64 크기로 하여 가우시안 블러링(Gaussian Blurring)을 수행하고 S420 단계에서 가우시안 블러링(Gaussian Blurring) 처리한 입력 영상 데이터에 대하여 밝기를 10% 수준으로 낮추도록 암흑화(darken)을 수행한다.

마지막 S430 단계는 원 입력 영상 데이터에서 상술한 S420 단계로부터 얻은 영상 데이터를 뺀 차영상 데이터를 구하여 입력영상에서 불필요한 배경을 제거시킨 배경 제거 영상(Normal background image)을 구한다.

도 8은 도 1의 로그-스케일 허프 변환 단계를 보다 구체적으로 설명한 도면이다.

먼저 전처리 과정을 마친 이진 지문 영상 데이터가 입력되면 S500 단계에서 생성될 허프 공간(Hough space)의 빈 메모리 영역을 준비하는 초기화를 하고, S510 단계로 진행하여 이진 지문 영상 데이터의 영상공간상의 선성분상의 직각좌표점(x, y)을 허프공간의 극좌표점(r, t)으로 사상한다. 기본식은 xcost + ysint=exp r이다.

S520 단계에서 허프 공간상의 좌표 값들을 허프공간상에서 3차원적 데이터로 누적시키며, S530 단계에서 {0, 255} 그레이 레벨로 정규화하여 허프 의사 영상(Hough Pseudo-color image)을 구한다. 로그-스케일 허프 변환은 허프 변환에 로 그를 취하므로서, 로그 특성을 이용하여 연산량을 줄이고 입력 영상의 왜곡 변화를 줄일수 있다.

도 9는 도1에서 2차원 푸리에 변환을 설명하는 도면이다.

S600 단계에서 허프 의사 영상에 대해 스크램블 및 버터플라이 함수(scramble & butterfly)를 이용하여 1차원 푸리에 변환을 처리한다.

다음 S610 단계에서 수평 및 수직 방향으로 1차원 푸리에 변환을 적용하여 2차원 푸리에 변환을 수행한다.

S620 단계에서 변환된 푸리에 공간상에서 위상 이동하여 재정렬하고, S630 단계에서 푸리에 공간의 초저주파 펄스를 제거하고 비선형적으로 강조하는 비선형 정규화(Nonlinear normalize)를 처리한다.

도 10은 본 발명의 지문 분류를 처리하는 장치의 구성도와 일 예의 디지털 신호처리 보드를 나타내고 있다.

본 발명은 컴퓨터 단말기(700)와 디지털 신호처리 보드(710)를 이용하여 지문영상 분류를 처리한다.

디지털 신호 처리보드(710)는 USB를 통하여 컴퓨터 단말기와 연결되고, 컴퓨터 단말기에는 지문영상을 획득하는 영상 지문센서를 연결하여 사용하는 것도 가능하고, 컴퓨터 단말기는 대용량 지문인식 서버 등과 연결되어서 지문분류를 처리하는 것도 가능하다.

또한, 디지털 신호처리 보드는 컴퓨터 단말기의 내부에 장착하여 사용하는 것도 가능하다.

컴퓨터 단말기(700)는 전처리 과정과 신경망을 이용한 패턴분류 과정 등의 전체적인 지문분류 작업을 제어하고, 디지털 신호처리 보드(710)에서는 연산량이 많은 지문영상에 대한 로그-스케일 허프 변환과 2차원 푸리에 변환을 처리하고, 2차원 고속 푸리에 변환의 출력에 대하여 쐐기-반고리 윈도우를 적용하여 특징벡터들을 검출하여 다시 컴퓨터 단말기(700)에 제공하고, 컴퓨터 단말기(700)는 디지털 신호처리 보드(710)에서 제공한 특징벡터들을 인공신경망으로 분류작업을 처리 하여 지문영상을 정확하게 분류한다.

다른 방식으로 컴퓨터 단말기만을 이용하여 연산량이 많은 로그-스케일 허프 변환과 2차원 고속 푸리에 변환, 쐐기-반고리 윈도우를 직접 처리 가능하며, 제어에 의하여 전처리 과정과 다층퍼셉트론 인공신경망으로 지문영상 분류 동작도 처리할 수 있다.

컴퓨터 단말기(700)는 여러 방식으로 디지털 신호처리 보드(710)를 제어하여 연산량이 많은 계산은 디지털 신호처리 보드(710)에서 처리하도록 다양하게 제어하여 분류속도를 향상시키고 정확도를 향상시킨다.

디지털 신호처리 보드(710)는 고속으로 신호처리 연산이 가능한 보드로 컴퓨터 단말기(700)와 USB 케이블로 연결되어 신호처리용 데이터 통신을 하고 지문영상 분류를 위한 프로그램 소스 적재가 이루어진다.

디지털 신호처리 보드(710)는 크게 JTAG 에뮬레이션부와 코덱(Codec) 및 입출력 인터페이스부, 그리고 DSP(Digital Signal Processor)칩 및 메모리부로 구성되어 있는데 DSP 칩은 고속 부동소수점 연산이 가능한 DSP 칩이 내장되어 고속의 신호처리가 이루어지게 된다.

디지털 신호처리 보드(710)에 연결된 컴퓨터 단말기(700)에서는 DSP보드 전용 개발환경인 Code Composer Studio(이하, CCS)가 설치되어 돌아가는데, CCS상에서 코딩되고 디버깅된 2차원 푸리에 변환 및 로그-스케일 허프(Hough) 변환 코드(C 언어)는 DSP 보드의 플래시 메모리에 적재된 후 SDRAM에 불려져서 재 디버깅 되며 디버깅이 완료된 최적화된 코드는 컴퓨터 단말기(700)가 넘겨주는 지문영상 데이터들을 DSP 보드상에서 초고속으로 처리하게 된다.

또한 이렇게 최적화된 코드를 DSP칩 및 SDRAM과 같이 PDA(Personal Digital Assistant), 이동통신 단말기와 같은 휴대 단말기 등에 이식하면 주어진 처리를 고속으로 처리하는 부가적인 제품화도 가능하다.

지금까지 본 발명의 실시 예의 구성 및 동작에 대해 설명하였다. 본 발명은 상술한 실시 예에 한정되지 않으며, 본 발명의 범위를 벗어나지 않는 한도 내에서 다양한 변형을 가할 수 있다. 그러므로 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 안되며 특허청구범위뿐만 아니라 특허청구범위와 균등한 것들에 의해 정해져야 한다.

도 1은 본 발명의 로그 스케일 허프 변환을 이용한 지문 분류를 처리하는 전체 동작 순서도.

도 2는 본 발명의 전처리 과정의 세부 순서도.

도 3은 지문영상에 대하여 전처리와 로그스케일 허프 변환을 처리한 쐐기-반고리 윈도우를 나타낸 예의 도면.

도 4는 본 발명의 지문분류 시 특징벡터를 분류하는 인공신경망의 예.

도 5는 본 발명에 따른 전처리 과정의 히스토그램 스트레칭의 세부 순서도.

도 6은 본 발명의 전처리 과정에서 언샤프 마스킹 처리하는 세부 순서도.

도 7은 본 발명의 전처리 과정에서 배경을 제거하는 세부 순서도.

도 8은 전처리 과정을 마친 후의 로그-스케일 허프 변환을 처리하는 순서도.

도 9는 로그 스케일 허프 변환을 처리후에 2차원 푸리에 변환을 처리하는 순서도.

도 10은 본 발명의 지문 분류를 처리하는 장치의 구성도와 디지털 신호처리 보드 도면.

<도면의 주요부호에 대한 설명>

700 : 컴퓨터 단말기 710 : 디지털 신호처리 보드

Claims (19)

1. 전처리 과정을 거친 지문영상에 대하여 로그-스케일 허프변환을 처리하는 단계;

   상기 로그-스케일 허프변환된 데이터를 2차원 고속 푸리에 변환(FFT)을 하는 단계; 및

   상기 2차원 고속 푸리에 변환의 결과 데이터를 쐐기-반고리 윈도우를 적용하여 특징벡터들을 검출하고 상기 특징벡터들을 패턴에 따라 분류하는 단계를 포함하는 것을 특징으로 하는 지문 분류 처리 방법.
2. 제 1항에 있어서,

   상기 전처리 과정은,

   입력되는 상기 지문영상의 크기를 바이리니어 보간을 이용하여 변경하는 단계;

   상기 크기 변환된 지문영상의 컬러 해상도를 그레이 레벨로 변경하는 단계;

   상기 그레이 레벨로 변경된 상기 지문영상에 대하여 히스토그램 스트레칭을 적용하는 단계;

   상기 히스토그램 스트레칭 처리한 지문영상에 대하여 언샤프 마스킹을 적용하는 단계;

   상기 지문영상의 불필요한 배경을 제거하는 단계; 및

   상기 지문영상에 적응 스레숄딩 기법을 적용하여 그레이 레벨 영상을 이진영상으로 변경하는 단계를 포함하는 것을 특징으로 하는 지문 분류 처리 방법.
3. 제 1항에 있어서,

   상기 로그-스케일 허프변환을 처리하는 것은,

   상기 지문영상의 영상공간의 직각좌표점(x, y)을 허프공간의 극좌표점(r, t)으로 사상하는 단계; 및

   상기 극좌표점(r, t)을 상기 허프 공간에서 3차원 데이터로 누적하고, 정규화하여 허프 의사 영상을 구하는 단계를 포함하는 것을 특징으로 하는 로그 스케일 허프 변환을 이용한 지문 분류 처리 방법.
4. 제 1항에 있어서,

   상기 2차원 고속 푸리에 변환(FFT)을 적용하는 단계는

   상기 로그 스케일 허프 변환을 처리한 결과 데이터를 수신하여 스크램블 및 버터플라이 함수를 이용하여 1차원 푸리에 변환을 처리하는 단계;

   수평 및 수직 방향에 대하여 1차원 푸리에 변환을 처리하여 2차원 푸리에 변환을 수행하는 단계; 및

   변환된 푸리에 공간의 위상을 재정렬하고 비선형 정규화를 처리하는 단계를 포함하는 것을 특징으로 하는 로그 스케일 허프 변환을 이용한 지문 분류 처리 방법.
5. 제 1항 에 있어서,

   상기 쐐기-반고리 윈도우는

   상기 지문영상의 방향 정보 나타내는 특징벡터를 추출하기 위한 쐐기모양 윈도우 영역과 상기 지문영상의 동심원 크기성분의 정보를 나타내는 특징벡터를 추출하기 위한 반고리 모양 윈도우 영역을 포함하는 것을 특징으로 하는 지문 분류 처리 방법.
6. 제 1항에 있어서,

   상기 특징벡터들을 패턴에 따라 분류하는 단계는,

   상기 쐐기-반고리 윈도우를 통하여 얻어진 상기 특징벡터를 정규화하는 단계; 및

   상기 정규화된 특징벡터를 3층의 구조를 가지는 다층퍼셉트론 인공신경망에 적용시켜 분류하는 단계를 포함하는 것을 특징으로 하는 지문 분류 처리 방법.
7. 입력되는 지문영상에 대하여 전처리 과정과 다층퍼셉트론 인공신경망으로 분류하며 지문영상 분류 전체 동작을 제어하는 컴퓨터 단말기;

   상기 컴퓨터 단말기의 제어에 의하여 상기 지문영상을 로그-스케일 허프 변환하고, 2차원 고속 푸리에 변환을 계산하며 쐐기-반고리 윈도우를 통하여 얻은 특징벡터 정보를 상기 컴퓨터 단말기로 제공하는 디지털 신호처리 보드를 포함하는 것을 특징으로 하는 로그 스케일 허프 변환을 이용한 지문 분류 처리 장치.
8. 제 7항에 있어서,

   상기 로그 스케일 허프 변환은,

   전처리된 지문영상의 영상공간의 직각좌표점(x, y)을 허프공간의 극좌표점(r, t)으로 사상하고, 상기 극좌표점(r, t)으로 사상된 허프 공간에 3차원 데이터로 누적하여 허프 의사 영상을 구하는 것을 특징으로 하는 지문 분류 처리 장치.
9. 제 7항에 있어서,

   상기 2차원 고속 푸리에 변환은

   로그 스케일 허프 변환을 처리한 영상을 수신하여 스크램블 및 버터플라이 함수를 이용하여 1차원 푸리에 변환을 처리하고, 수평 및 수직 방향에 대하여 1차원 푸리에 변환을 처리하고

   변환된 푸리에 공간의 위상을 재정렬하고 푸리에 공간의 초저주파 펄스를 제거하고 비선형적으로 강조하는 비선형 정규화를 처리하는 것을 특징으로 하는 지문 분류 처리 장치.
10. 제 7항에 있어서,

    상기 쐐기-반고리 윈도우는

    상기 지문영상의 방향 정보 나타내는 특징벡터를 추출하기 위한 쐐기모양 윈 도우 영역과 상기 지문영상의 동심원 크기성분의 정보를 나타내는 특징벡터를 추출하기 위한 반고리 모양 윈도우 영역을 포함하는 것을 특징으로 하는 지문 분류 처리 방법.
11. 지문 영상을 획득하는 지문 영상 획득 수단과;

    상기 지문영상을 전처리하여 이진화 지문영상을 출력하는 전처리 수단과;

    지문 영상에 대해 공간 좌표 변환을 이용하여 특징 벡터들을 추출하는 특징 추출 수단을 포함하는 것을 특징으로 하는 지문영상 분류를 지원하는 장치.
12. 제 11항에 있어서

    상기 특징 벡터들을 패턴에 따라 분류하는 패턴 분류기를 더 포함하는 것을 특징으로 하는 지문영상 분류를 지원하는 장치.
13. 제 11항에 있어서

    상기 특징 추출 수단은

    상기 공간 좌표 변환을 수행하는 로그 스케일 허프 변환기를 포함하는 것을 특징을 하는 지문 영상 분류를 지원하는 장치.
14. 제 11항에 있어서

    상기 특징 추출 수단은

    상기 공간 좌표 변환된 데이터에 대해 고속 푸리에 변환을 수행하는 고속푸리에 변환기를 더 포함하는 것을 특징으로 하는 지문 영상 분류를 지원하는 장치.
15. 제 11항에 있어서

    상기 특징 추출 수단은

    상기 고속 푸리에 변환된 데이터에 대해 쐐기-반고리 윈도우를 이용하여 상기 특징 벡터들을 추출하는 것을 특징으로 하는 지문 영상 분류를 지원하는 장치.
16. 입력된 지문 영상에 대해 전처리 과정을 수행하여 이진화 지문영상을 출력하는 단계와;

    상기 이진화 지문 영상에 대해 특징 벡터들을 추출 하는 단계와;

    상기 특징 벡터들에 근거하여 상기 입력된 지문 영상을 분류하는 단계를 포함하고

    상기 특징 벡터를 추출하는 단계는 상기 이진화 지문 영상을 공간 좌표 변환 하는 단계를 포함하는 것을 특징으로 하는 지문 영상 분류 방법.
17. 제 16항에 있어서,

    상기 공간 좌표 변환은 로그 스케일 허프 변환인 것을 특징을 하는 지문 영상 분류 방법.
18. 제 16항에 있어서,

    상기 특징 벡터를 추출하는 단계는

    상기 공간 좌표 변환된 값에 대해 고속 푸리에 변환을 수행하는 단계를 더 포함하는 것을 특징으로 하는 지문 영상 분류 방법.
19. 제 16항에 있어서,

    상기 특징 벡터를 추출하는 단계는,

    상기 고속 푸리에 변환된 데이터 값들에 대해 및 쐐기-반고리 윈도우들을 이용하여 특징벡터를 추출하는 단계를 더 포함하는 것을 특징으로 하는 지문 영상 분류 방법.

Images