KR20110133271A - 홍채 형상의 검출 방법 - Google Patents

홍채 형상의 검출 방법 Download PDF

Info

Publication number
KR20110133271A
KR20110133271A KR1020100052907A KR20100052907A KR20110133271A KR 20110133271 A KR20110133271 A KR 20110133271A KR 1020100052907 A KR1020100052907 A KR 1020100052907A KR 20100052907 A KR20100052907 A KR 20100052907A KR 20110133271 A KR20110133271 A KR 20110133271A
Authority
KR
South Korea
Prior art keywords
iris
calculated
track
normalized
image
Prior art date
Application number
KR1020100052907A
Other languages
English (en)
Other versions
KR101763761B1 (ko
Inventor
강병준
유장희
문기영
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020100052907A priority Critical patent/KR101763761B1/ko
Publication of KR20110133271A publication Critical patent/KR20110133271A/ko
Application granted granted Critical
Publication of KR101763761B1 publication Critical patent/KR101763761B1/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
    • G06V40/19—Sensors therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06V40/193—Preprocessing; Feature extraction
    • 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
    • G06V40/197—Matching; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)

Abstract

본 발명의 목적은 홍채 영상의 노이즈(noise)를 감소시키고, 양자화 에러를 줄이는 홍채 형상 검출 방법을 제공하는 데에 있다. 본 발명의 실시 예에 따른 홍채 형상 검출 방법은 홍채 영상을 복수의 픽셀들로 나누어 수신하는 단계, 상기 복수의 픽셀들을 복수의 그룹들로 나누고 상기 복수의 그룹들 각각에서 제 1 및 제 2 표준 편차를 갖는 제 1 및 제 2 정규 분포 곡선들의 차이에 대응하는 계수를 갖는 필터를 이용하여 홍채 특징 패턴들을 계산하는 단계, 및 상기 계산된 홍채 특징 패턴들로부터 논리 값 "0" 내지 "1" 사이의 값에 대응하는 홍채 특징 벡터를 검출하는 단계를 포함하되, 상기 복수의 홍채 특징 패턴들은 상기 제 1 및 제 2 정규 분포 곡선들의 평균을 가변하며 계산된다.

Description

홍채 형상의 검출 방법{METHOD OF DETECTING SHAPE OF IRIS }
본 발명은 홍채 형상의 검출 방법에 관한 것이다.
본인을 식별하는 전통적인 방법으로 널리 활용되는 개인 암호(password)나 개인식별번호(personal identificationnumber) 등은 도용되거나 분실될 위험이 있다는 단점이 있다. 따라서, 점차 고도화/첨단화되고 있는 정보사회에서의 안정적이고 정확한 본인 식별에 대한 요구를 충족시켜 줄 수 없다.
개인 암호 및 개인식별번호 등을 이용한 본인 식별 방법들의 단점을 보완할 수 있는 대체 방법으로써 바이오 인식(biometrics)에 기반한 본인 식별 방법이 연구되고 있다. 바이오 인식은 개개인의 생체 특성에 기반하여 본인을 식별하는 방법으로서, 구체적으로 지문, 얼굴, 홍채 등을 이용하여 본인을 식별한다. 이러한 개개인의 생체 특성에 기반하는 본인 식별은 절도되거나 누출되지 않는다는 장점이 있다. 또한, 생체 특성은 변경되거나 분실할 위험성이 없으므로 보안 침해를 누가 행하였는지 추적이 가능하므로 감사(audit) 기능이 완벽하게 구축될 수 있다는 장점이 있다.
특히, 다양한 바이오 인식 방법 중에서 홍채(iris) 인식에 기반한 본인 식별은 본인을 식별함에 있어 유일성과 불변성, 안정성 측면에서 효율적인 것으로 알려져 있다. 또한 홍채 인식에 기반한 본인 식별은 오인식률이 매우 낮아 고도의 보안이 요구되는 분야에 적용되고 있다.
홍채는 안구 중 색채를 띠는 부분으로서, 홍채를 확대해 보면 상세한 부분까지 다양한 특징들을 담고 있다. 따라서, 홍채 인식에 기반한 본인 식별 방법이 이용되면, 본인인지 여부가 판별될 수 있다.
본 발명의 목적은 홍채 영상의 노이즈(noise)를 감소시키고, 양자화 에러를 줄이는 홍채 형상 검출 방법을 제공하는 데에 있다.
상기 목적을 달성하기 위한 본 발명의 실시 예에 따른 홍채 형상 검출 방법은 홍채 영상을 복수의 픽셀들로 나누어 수신하는 단계; 상기 복수의 픽셀들을 복수의 그룹들로 나누고, 상기 복수의 그룹들 각각에서, 제 1 및 제 2 표준 편차를 갖는 제 1 및 제 2 정규 분포 곡선들의 차이에 대응하는 계수를 갖는 필터를 이용하여 홍채 특징 패턴들을 계산하는 단계; 및 상기 계산된 홍채 특징 패턴들로부터 논리 값 "0" 내지 "1" 사이의 값에 대응하는 홍채 특징 벡터를 검출하는 단계를 포함하되, 상기 복수의 홍채 특징 패턴들은 상기 제 1 및 제 2 정규 분포 곡선들의 평균을 가변하며 계산된다.
본 발명의 실시 예에 따르면, 제 2 및 제 3 표준 편차들(σ2,σ3)을 가진 필터가 이용되어 홍채 특징 패턴이 계산되므로 효율적인 노이즈 제거 기능이 제공된다. 그리고 논리 값 "0" 내지 "1" 사이의 값에 대응하는 홍채 특징 벡터가 추출되므로 양자화 오류가 감소된다.
도 1은 홍채 영상을 극 좌표계에 대응시킨 개념도이다.
도 2는 도 1의 홍채 영상를 홍채 행렬로 재배열한 블록도이다.
도 3은 도 2의 제 1 트랙이 정규화되는 과정을 보여주는 블록도이다.
도 4는 정규화된 제 1 트랙으로부터 홍채 특징 패턴을 계산하는 방법을 보여주는 블록도이다.
도 5는 퍼지 맴버쉽 함수를 예시적으로 보여주는 그래프이다.
도 6은 본 발명의 실시 예에 따른 홍채 인식 장치를 보여주는 블록도이다.
도 7은 본 발명의 제 1 실시 예에 따른 홍채 형상 검출과정을 보여주는 순서도이다.
도 8은 본 발명의 제 2 실시 예에 따른 복수의 필터를 이용한 홍채 형상 검출 방법을 보여주는 순서도이다.
도 9는 본 발명의 제 3 실시 예에 따른 복수의 필터를 이용한 홍채 형상 검출 방법을 보여주는 순서도이다.
이하에서, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 정도로 상세히 설명하기 위하여, 본 발명의 실시 예를 첨부된 도면을 참조하여 설명하기로 한다.
도 1은 홍채 영상(100)을 극 좌표계에 대응시킨 개념도이다. 도 1을 참조하면, 홍채 영상(100)의 중심(o)을 기준으로 반지름 축(ρ)은 거리를 나타낸다. 홍채 영상(100)의 중심을 기준으로 각도 축(θ)은 각도를 나타낸다.
홍채 영상(100)은 눈의 중심인 동공과 동공 외곽의 홍채 주름을 포함하여, 전체적으로 검은 자를 포함하는 영상이다. 예시적으로, 홍채 주름의 패턴이 이용되므로, 컬러 영상이 아닌, 흑백 영상이 요구된다.
홍채 영상(100)은 반지름 축(ρ) 방향으로 복수의 트랙들로 나누어질 수 있다. 예시적으로, CCD, CMOS 칩을 포함하는 디지털 카메라에 의하여 캡쳐된 영상은 복수의 트랙으로 나뉠 수 있을 것이다. 예시적으로, 도 1에 8개의 트랙들로 나뉜 홍채(100) 영상이 도시된다. 그리고 각각의 트랙에서, 복수의 픽셀들이 반지름 축(ρ) 방향으로 배열될 수 있다(미도시). 또, 각각의 트랙에서, 각도 축(θ) 방향으로 복수의 픽셀들이 배열될 수 있다(미도시). 즉, 홍채 영상은 복수의 픽셀들로 나누어 수신될 것이다.
도 2는 도 1의 홍채 영상(100)를 홍채 행렬(200)로 재배열한 블록도이다. 도 2를 참조하면, 홍채 행렬(200)은 행 방향으로 M개의 픽셀들이 배열된다. 행 방향은 도 1의 각도 축(θ)에 대응된다. 그리고 홍채 행렬(200)은 열 방향으로 N개의 트랙들이 배열된다. 열 방향은 도 2의 반지름 축(ρ)과 대응된다.
도 3은 도 2의 제 1 트랙(210)이 정규화되는 과정을 보여주는 블록도이다. 제 1 트랙(210)에서, 열 방향으로 복수의 픽셀들이 배열된다. 예를 들면, 도 3에 도시된 바와 같이, 제 1 트랙(210)에서 3개의 픽셀들이 열 방향으로 배열된다. 그리고, 도 2를 참조하여 설명된 바와 마찬가지로, 제 1 트랙(210)의 행 방향으로 M개의 픽셀들이 배열될 것이다.
트랙들 각각에 포함된 픽셀들은 복수의 그룹으로 나뉘고, 복수의 그룹마다 정규분포를 이용한 가중 평균이 계산될 수 있다. 예시적으로, 평균값(m) 및 제 1 표준 편차(σ1)를 가지는 제 1 산포(140)가 이용되어, 제 1 트랙(210)의 각각의 열들의 가중 평균(weighted sum)이 계산되어, 정규화된 제 1 트랙(220)의 각각의 픽셀들이 도출될 것이다. 예시적으로, 제 1 트랙(210)의 제 5 열(211)에 제 1 산포(140)의 곡선상의 세 점의 값을 특정할 것이다. 그리고 제 5 열(211)의 각각의 픽셀들의 값들과 특정된 각각의 점들의 값들이 곱해진 후, 곱해진 값들이 더해져 정규화된 제 5 픽셀(221)이 도출될 것이다. 제 1 트랙(210)에 포함된 각각의 열들의 가중 평균(weighted sum)이 계산되면, 정규화된 제 1 트랙(220)이 도출된다. 정규화된 제 1 트랙(220)은 M개의 픽셀들을 포함할 것이다.
제 1 산포(140)의 평균값(m) 및 제 1 표준 편차(σ1)는 홍채 행렬(200)에 포함된 노이즈(noise)를 감소시킬 수 있도록 설정된다. 따라서, 제 1 산포(140)가 이용되어 제 1 트랙(210)이 정규화됨으로써, 홍채 영상에 포함된 노이즈가 감소될 것이다. 또, 복수의 행으로 구성된 제 1 트랙(210)으로부터, 하나의 행으로 구성된 정규화된 제 1 트랙(220)이 계산됨으로써, 홍채 영상의 처리시간이 단축될 것이다.
도 3에서, 제 1 트랙(210)이 정규화되는 과정이 도시되나, 도 2의 홍채 행렬(200)에 포함된 다른 트랙들도 제 1 트랙(210)과 마찬가지로 정규화될 것이다.
도 4는 정규화된 제 1 트랙(220)으로부터 홍채 특징 패턴을 계산하는 방법을 보여주는 블록도이다.
도 4를 참조하면, 제 2 산포(G2)는 제 2 표준 편차(σ2)를 갖는다. 제 3 산포(G3)는 제 3 표준 편차(σ3)를 갖는다. 제 3 표준 편차(σ3)는 제 2 표준 편치(σ2)보다 작을 수 있다. 예시적으로, 제 2 및 제 3 산포들(G2,G3)은 가우스 분포(Gaussian distribution)일 수 있다. 그리고, 제 2 및 제 3 산포들의 차(G2-G3)는 가우스 분포의 차에 기반한 DOG(Difference of Gaussian) 필터의 계수로 사용될 수 있다.
제 2 산포(G2) 및 제 3 산포(G3)가 이용되어, 정규화된 제 1 트랙(220)으로부터 홍채 특징 패턴이 계산될 수 있다. 제 2 및 제 3 표준 편차(σ3,σ3)를 갖는 제 1 및 제 2 정규 분포 곡선들의 차이에 대응하는 계수를 갖는 필터를 이용하여, 정규화된 제 1 트랙(220)과 컨볼루션(convolution) 함으로써 홍채 특징 패턴들이 계산된다. 예시적으로, 제 2 표준 편차(σ2)를 갖는 제 2 산포(G2)와 제 3 표준 편차(σ3)를 갖는 제 3 산포(G3)의 차에 대응하는 필터(이하, 제 2 및 제 3 표준 편차들(σ2,σ3)을 가진 필터)가 이용되어, 정규화된 제 1 트랙(220)의 가중 평균(weighted sum)이 계산될 수 있다. 계산된 가중 평균들은 홍채 특징 패턴을 구성할 것이다.
예시적으로, 도 4에 도시된 바와 같이, 정규화된 제 5 픽셀(221)에 대응하는 제 5 홍채 특징 패턴(231)이 계산될 때, 제 2 표준 편차(σ2)를 갖는 제 2 산포(G2)에, 정규화된 제 5 픽셀(221)에 대응하도록 제 2 평균값(x2)이 설정될 수 있을 것이다. 마찬가지로, 제 3 표준 편차(σ3)를 갖는 제 3 산포(G3)에, 정규화된 제 5 픽셀(221)에 대응하도록 제 3 평균값(x3)이 설정될 수 있다. 그리고, 제 2 산포(G2)와 제 3 산포(G3)의 차가 계산되어, 제 2 및 제 3 표준 편차들(σ2,σ3)을 가진 필터가 도출될 것이다. 제 2 및 제 3 표준 편차들(σ2,σ3)을 가진 필터상의 점들이 특정되고, 각각의 특정된 점과 정규화된 제 1 트랙(220)의 각각의 픽셀들이 곱해지고, 곱해진 값들이 더해져 제 5 홍채 특징 패턴(231)이 산출될 것이다.
제 5 홍채 특징 패턴(231)과 마찬가지로, 정규화된 제 1 트랙의 픽셀들 각각에 대하여 홍채 특징 패턴이 산출될 것이다. 예를 들면, 정규화된 제 1 트랙(220)의 픽셀들 각각에 대응하도록 제 2 및 제 3 평균값들(x2,x3)이 설정될 수 있을 것이다. 그리고 제 2 및 제 3 평균값들(x2,x3)을 가진 제 2 및 제 3 산포들(G1,G2)을 이용하여, 정규화된 제 1 트랙(220)의 각각의 픽셀들에 대한 제 1 홍채 특징 패턴들(230)이 계산될 것이다. 이 경우, 홍채 특징 패턴은 M개 생성될 것이다.
제 2 산포(G2)의 제 2 표준 편차(σ2) 및 제 3 산포(G3)의 제 3 표준 편차(σ3)는 실험을 통해, 홍채 인식률의 관점에서 인식률이 최대가 되도록 설정될 것이다. 또한, 제 2 및 제 3 표준 편차들(σ2,σ3)은 실험을 통해, 홍채 영상의 노이즈가 감소될 수 있도록 설정될 것이다.
예시적으로, 수학식 1과 같이 홍채 특징 패턴이 계산될 수 있다.
Figure pat00001
수학식 1에서, G2(x2,σ2)는 제 2 표준 편차(σ2) 및 제 2 평균값(x2)을 가지는 제 2 산포(G2)를 나타낸다. G3(x3,σ3)는 제 3 표준 편차(σ3) 및 제 3 평균 값(x3)을 가지는 제 3 산포(G3)를 나타낸다. 제 2 평균값(x2)과 제 3 평균값(x3)는 같을 수 있다. f(x)는 정규화된 제 1 트랙(220)에 포함된 픽셀들의 값을 나타낸다. x는 제 1 트랙(220)에 포함된 픽셀들 중 어느 하나에 대응될 것이다. D(x)는 홍채 특징 패턴값을 나타낸다. 예시적으로, G2(x,σ2)는 수학식 2와 같이 표현될 수 있다.
Figure pat00002
수학식 2에서, σ2는 제 2 산포(G2)의 표준 편차를 나타낼 것이다. x2는 제 2 산포(G2)의 평균을 나타낼 것이다. 예시적으로, 수학식 2에 x3 및 σ3가 대입되면, 제 3 산포(G3)도 수학식 2와 마찬가지로 표현될 수 있을 것이다.
도 5는 퍼지 맴버쉽 함수(s(t))를 보여주는 그래프이다. 도 5를 참조하면, 가로축은 홍채 특징 패턴의 값(t)을 나타낸다. 그리고 세로축은 홍채 특징 벡터의 값(s)을 나타낸다. 홍채 특징 벡터의 값(s)은 논리 값 "0" 내지 "1" 사이의 값과 대응된다.
제 2 및 제 3 표준 편차들(σ2,σ3)을 가진 필터를 이용하여 계산된 홍채 특징 패턴들의 값은, 퍼지 맴버쉽 함수에 기반하여 0 내지 1 사이의 값에 대응될 수 있다. 퍼지 맴버쉽 함수(s(t))를 이용하면, 홍채 특징 패턴들의 값이 양자화(quantization)되는 것이 아니라, 0 내지 1 사이의 값에 대응되어 홍채 특징 벡터가 계산된다.
예시적으로, 정규화된 제 5 픽셀(221, 도 4 참조)에 대한 제 5 홍채 특징 패턴(231,도 5 참조)의 값이 to에 대응된다고 가정한다. 이 경우, 세로축에 대응되는 홍채 특징 벡터의 값은 0.8일 것이다.
예시적으로, 퍼지 맴버쉽 함수(s(t))는 수학식 3과 같이 표현될 수 있다.
Figure pat00003
수학식 3에서, t는 홍채 특징 패턴의 값을 나타낸다. c는 특정된 상수를 나타낸다. c를 이용되어 s(t)의 기울기가 변화될 수 있을 것이다. 따라서, c가 이용되면, 홍채 특징 패턴의 값(t)과 대응하는 홍채 특징 벡터의 값(s)이 조절될 수 있다.
도 6은 본 발명의 실시 예에 따른 홍채 인식 장치(300)를 보여주는 블록도이다. 도 6을 참조하면, 홍채 인식 장치(300)는 영상 수신부(310), 홍채 인식부(320), 데이터 베이스(330) 및 비교부(340)를 포함한다.
영상 수신부(310)에서 홍채 영상이 획득된다. 예시적으로 영상 수신부(310)는 CCD, CMOS 칩을 포함하는 디지털 카메라일 수 있다. 영상 수신부(310)는 홍채 인식부(320)와 연결되어, 홍채 인식부(320)에 획득된 홍채 영상을 전송한다.
홍채 인식부(320)는 영상 수신부(310) 및 비교부(340)와 연결된다. 홍채 인식부(320)에서 수신된 홍채 영상에 기반하여 홍채 특징 벡터가 계산된다. 도 1 및 도 5를 참조하여 설명된 바와 마찬가지로 홍채 특징 벡터들이 계산된다. 즉, 수신된 홍채 영상이 정규화되고(도 3 참조), 정규화된 홍채 영상이 이용되어 홍채 특징 패턴들이 계산된다(도 4 참조). 그리고 계산된 홍채 특징 패턴이 이용되어 홍채 특징 벡터가 산출된다(도 5 참조).
데이터 베이스부(330)는 비교부(340)와 연결된다. 데이터 베이스부(330)는 본인의 홍채 형상과 대응되는 데이터를 저장한다. 영상 수신부(310)에서 홍채 영상이 획득되기 전에 미리 데이터 베이스부(330)에 데이터가 저장될 것이다.
비교부(340)는 데이터 베이스부(330)에 저장된 데이터와 산출된 홍채 특징 벡터에 기반하여, 영상 수신부(310)에서 획득된 홍채 영상이 본인인지 여부를 식별할 것이다. 예시적으로, 각각의 홍채 특징 벡터와, 그와 대응되는 데이터 베이스에 포함된 데이터의 차의 절대값이 계산될 것이다. 그리고 각각의 절대값이 합산되고, 정해진 임계치와 비교될 것이다. 합산된 절대값이 정해진 임계치보다 큰 경우, 본인의 홍채 형상이 아니라고 판단될 것이다. 합산된 절대값이 정해진 임계치보다 작은 경우, 본인의 홍채 형상이라고 판단될 것이다.
도 7은 본 발명의 제 1 실시 예에 따른 홍채 형상 검출과정을 보여주는 순서도이다.
도 7을 참조하면, S110단계는 홍채의 영상을 정규화하는 단계이다. 측정된 홍채 영상은 극 좌표계에 기반하여 복수의 트랙들로 나뉘고, 트랙들 각각에 대하여 정규화가 수행될 수 있다. 예시적으로, 측정된 홍채 영상은 이진화된 데이터일 수 있을 것이다.
예시적으로, 트랙들 각각에 포함된 픽셀들은 복수의 그룹으로 나뉘고, 복수의 그룹마다 정규분포를 이용한 가중 평균이 계산될 수 있을 것이다. 예시적으로, 도 3을 참조하여 설명된 바와 같이, 하나의 트랙에 포함된 픽셀들은 행 방향으로 배열되는 픽셀들과 열 방향으로 배열되는 픽셀들로 구분되고, 열 방향으로 배열된 픽셀들 각각이 그룹화된다. 그리고 그룹들 각각에 대하여 가중 평균이 계산될 수 있을 것이다.
S120단계는 각각의 정규화된 트랙으로부터 홍채 특징 패턴을 계산하는 단계이다. 도 4를 참조하여 설명된 바와 같이, 제 2 및 제 3 표준 편차들(σ2,σ3)을 가진 필터를 이용하여 각각의 정규화된 트랙에 대한 홍채 특징 패턴들이 계산될 수 있다. 즉, 각각의 정규화된 트랙에 대하여 제 2 및 제 3 표준 편차들(σ2,σ3)을 가진 필터를 이용한 가중 평균이 수행되어, 홍채 특징 패턴들이 계산될 수 있다. 예시적으로, DOG 필터가 이용되어 각각의 정규화된 트랙에 대한 홍채 특징 패턴들이 계산될 수 있을 것이다.
S130단계는 각각의 홍채 특징 패턴으로부터 홍채 특징 벡터를 계산하는 단계이다. 도 5를 참조하여 설명된 바와 같이 특정된 함수에 기반하여, 홍채 특징 벡터들의 값은 논리 값 "0" 내지 "1" 사이의 값에 대응될 수 있을 것이다. 예시적으로, 홍채 특징 패턴들의 값은 퍼지 멤버쉽 함수의 입력 값으로 사용되고, 퍼지 멤버쉽 함수에 기반한 홍채 특징 벡터들의 값은 논리 값 "0" 내지 "1" 사이의 값에 대응될 수 있을 것이다.
S140단계는 계산된 홍채 특징 벡터들에 기반하여 본인인지 여부가 식별되는 단계이다. 계산된 홍채 특징 벡터들은 미리 저장된 데이터 베이스와 비교된다. 미리 저장된 데이터 베이스는 본인의 홍채 형상과 대응될 것이다. 그리고 비교 결과에 기반하여 본인의 홍채 형상이 맞는지 여부가 판단될 것이다.
예시적으로, 각각의 홍채 특징 벡터와, 그와 대응되는 데이터 베이스에 포함된 데이터의 차의 절대값이 계산될 것이다. 그리고 각각의 절대값이 합산되고, 정해진 임계치와 비교될 것이다. 합산된 절대값이 정해진 임계치보다 큰 경우, 본인의 홍채 형상이 아니라고 판단될 것이다. 합산된 절대값이 정해진 임계치보다 작은 경우, 본인의 홍채 형상이라고 판단될 것이다.
도 8은 본 발명의 제 2 실시 예에 따른 복수의 필터를 이용한 홍채 형상 검출 방법을 보여주는 순서도이다.
S210단계는 홍채의 영상을 정규화하는 단계이다. 도 7을 참조하여 설명된 바와 같으므로, 그 설명은 생략된다.
S220a단계, S220b단계, S220c단계에서, 정규화된 트랙들 각각에 대하여 복수의 필터가 이용되어 홍채 특징 패턴들이 각각 계산된다. S220a단계에서, 제 2 및 제 3 표준 편차들(σ2,σ3)을 가진 필터가 이용되어 각각의 정규화된 트랙에 대한 홍채 특징 패턴들이 계산된다. S220b단계에서, 제 4 및 제 5 표준 편차들(σ4,σ5)을 가진 필터가 이용되어 각각의 정규화된 트랙에 대한 홍채 특징 패턴들이 계산된다. S220c단계에서도 마찬가지로 제 k 및 제 k-1 표준 편차들(σk,σk-1)을 가진 필터가 이용되어 각각의 정규화된 트랙에 대한 홍채 특징 패턴들이 계산된다.
S230단계에서, 계산된 각 홍채 특징 패턴들이 결합된다. 예시적으로, PCA(Principle Component Analysis), LDA(Linear Discriminant Analysis), SVM-DA (Support Vector Machine - Discriminant Analysis) 등의 방법에 의해 홍채 특징 패턴들이 결합될 수 있을 것이다.
S240단계에서, 결합된 홍채 특징 패턴들에 기반하여 입력된 홍채 영상이 본인의 홍채 형상인지 여부가 식별된다. 즉, 본인의 홍채 형상과 대응되는 데이터 베이스가 미리 저장될 것이다. 그리고 각각의 홍채 특징 패턴과, 그와 대응되는 데이터 베이스의 데이터가 비교되고, 비교 결과에 기반하여 본인의 홍채 형상인지 여부가 식별될 것이다.
도 9는 본 발명의 제 3 실시 예에 따른 복수의 필터를 이용한 홍채 형상 검출 방법을 보여주는 순서도이다.
S310단계는 홍채의 영상을 정규화하는 단계이다. 그리고 S320a단계, S320b단계, S320c단계에서, 정규화된 트랙들 각각에 대하여 복수의 필터가 이용되어 홍채 특징 패턴들이 각각 계산된다. 이는 도 7을 참조하여 설명된 바와 같으므로, 그 설명은 생략된다.
S330a단계, S330b단계, S330c단계는 본인의 홍채 형상과 대응되는 미리 저장된 데이터 베이스와 계산된 홍채 특징 패턴들을 비교하여 스코어 데이터가 생성되는 단계이다.
제 2 및 제 3 표준 편차들(σ2,σ3)을 가진 필터가 이용되어 계산된 홍채 특징 패턴들은 미리 저장된 제 1 데이터 베이스와 비교되어, 스코어 데이터가 생성될 것이다(S330a). 마찬가지로, 제 4 및 제 5 표준 편차들(σ4,σ5)을 가진 필터가 이용되어 계산된 홍채 특징 패턴들은 미리 저장된 제 2 데이터 베이스와 비교되어, 스코어 데이터가 생성될 것이다(S330b). 제 k 및 제 k-1 표준 편차들(σk,σk-1)을 가진 필터가 이용되어 계산된 홍채 특징 패턴들은 미리 저장된 제 n 데이터 베이스와 비교되어, 스코어 데이터가 생성될 것이다(S330c). 여기에서, n은 k/2일 수 있을 것이다.
예시적으로, S330a단계에서, 각각의 홍채 특징 패턴과, 그와 대응되는 제 1 데이터 베이스의 데이터의 차의 절대값이 계산될 것이다. 그리고 계산된 절대값들은 제 1 스코어 데이터를 구성할 것이다. 제 2 내지 제 n 스코어 데이터들도 마찬가지로 계산될 것이다.
S340단계에서, 제 1 내지 제 n 스코어 데이터들이 결합된다. 예시적으로, MIN, MAX, SUM, weighted SUM, SVM(Support Vector Machine) 등과 같은 결합 방법에 의해 스코어 데이터들이 결합된다.
S350단계에서, 결합된 스코어 데이터들에 기반하여, 입력된 홍채 영상이 본인의 홍채 형상인지 여부가 식별될 것이다. 즉, 본인의 홍채 형상에 대응하는 데이터 베이스가 미리 저장될 것이다. 그리고, 미리 저장된 데이터 베이스들과 결합된 스코어 데이터들이 비교되고, 비교 결과에 기반하여 본인의 홍채 영상인지 여부가 식별될 것이다.
본 발명의 실시 예에 따르면, DOG 필터가 이용되어 효율적인 노이즈 제거기능이 제공된다. 그리고 퍼지 멤버쉽 함수를 이용하여 논리 값 "0" 내지 "1" 사이에 대응하는 홍채 특징 벡터의 값이 추출되므로, 양자화 오류가 발생되지 않아 향상된 홍채 형상 검출기능이 제공된다.
한편, 본 발명의 범위 또는 기술적 사상을 벗어나지 않고 본 발명의 구조가 다양하게 수정되거나 변경될 수 있음은 이 분야에 숙련된 자들에게 자명하다. 상술한 내용을 고려하여 볼 때, 만약 본 발명의 수정 및 변경이 아래의 청구항들 및 동등물의 범주 내에 속한다면, 본 발명이 이 발명의 변경 및 수정을 포함하는 것으로 여겨진다.
100: 홍채 영상
200: 홍채 행렬
210: 제 1 트랙
220: 정규화된 제 1 트랙
230: 제 1 홍채 특징 패턴들

Claims (1)

  1. 홍채 형상 검출 방법에 있어서,
    홍채 영상을 복수의 픽셀들로 나누어 수신하는 단계;
    상기 복수의 픽셀들을 복수의 그룹들로 나누고, 상기 복수의 그룹들 각각에서, 제 1 및 제 2 표준 편차를 갖는 제 1 및 제 2 정규 분포 곡선들의 차이에 대응하는 계수를 갖는 필터를 이용하여 홍채 특징 패턴들을 계산하는 단계; 및
    상기 계산된 홍채 특징 패턴들로부터 논리 값 "0" 내지 "1" 사이의 값에 대응하는 홍채 특징 벡터를 검출하는 단계를 포함하되,
    상기 복수의 홍채 특징 패턴들은 상기 제 1 및 제 2 정규 분포 곡선들의 평균을 가변하며 계산되는 홍채 형상 검출 방법.
KR1020100052907A 2010-06-04 2010-06-04 홍채 형상의 인식 방법 및 홍채 형상 인식 장치 KR101763761B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020100052907A KR101763761B1 (ko) 2010-06-04 2010-06-04 홍채 형상의 인식 방법 및 홍채 형상 인식 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100052907A KR101763761B1 (ko) 2010-06-04 2010-06-04 홍채 형상의 인식 방법 및 홍채 형상 인식 장치

Publications (2)

Publication Number Publication Date
KR20110133271A true KR20110133271A (ko) 2011-12-12
KR101763761B1 KR101763761B1 (ko) 2017-08-02

Family

ID=45501005

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100052907A KR101763761B1 (ko) 2010-06-04 2010-06-04 홍채 형상의 인식 방법 및 홍채 형상 인식 장치

Country Status (1)

Country Link
KR (1) KR101763761B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10438061B2 (en) 2016-07-07 2019-10-08 Samsung Electronics Co., Ltd. Adaptive quantization method for iris image encoding
CN111344703A (zh) * 2017-11-24 2020-06-26 三星电子株式会社 基于虹膜识别的用户认证设备和方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019103520A1 (ko) * 2017-11-24 2019-05-31 삼성전자 주식회사 홍채 인식 기반 사용자 인증 장치 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8023699B2 (en) * 2007-03-09 2011-09-20 Jiris Co., Ltd. Iris recognition system, a method thereof, and an encryption system using the same

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10438061B2 (en) 2016-07-07 2019-10-08 Samsung Electronics Co., Ltd. Adaptive quantization method for iris image encoding
CN111344703A (zh) * 2017-11-24 2020-06-26 三星电子株式会社 基于虹膜识别的用户认证设备和方法
CN111344703B (zh) * 2017-11-24 2023-10-13 三星电子株式会社 基于虹膜识别的用户认证设备和方法

Also Published As

Publication number Publication date
KR101763761B1 (ko) 2017-08-02

Similar Documents

Publication Publication Date Title
EP2722792B1 (en) Image processing device, image processing method, and storage medium storing image processing program
US7257241B2 (en) Dynamic thresholding for a fingerprint matching system
CN104036254A (zh) 一种人脸识别方法
Pravallika et al. SVM classification for fake biometric detection using image quality assessment: Application to iris, face and palm print
US20120249297A1 (en) Consent Biometrics
Vishi et al. Multimodal biometric authentication using fingerprint and iris recognition in identity management
JP2015138449A (ja) 個人認証装置、個人認証方法及びプログラム
CN113614731A (zh) 使用软生物特征的认证验证
EP2701096A2 (en) Image processing device and image processing method
JP2006085268A (ja) 生体認証システムおよび生体認証方法
Villariña et al. Palm vein recognition system using directional coding and back-propagation neural network
KR20120114934A (ko) 무인접수시스템의 사용자 인증을 위한 얼굴 인식 시스템
KR20110133271A (ko) 홍채 형상의 검출 방법
Garg et al. Biometric authentication using soft biometric traits
Ivanov et al. Authentication of fingerprint scanners
Ross et al. Multimodal human recognition systems
Kirchgasser et al. Biometric menagerie in time-span separated fingerprint data
Sharma et al. Human recognition methods based on biometric technologies
Shukla et al. A Hybrid Model of Multimodal Biometrics System using Fingerprint and Face as Traits
Fierrez et al. Biometrics security
Hongo et al. Personal authentication with an iris image captured under visible-light condition
Baek The fake fingerprint detection system using a novel color distribution
Aparna et al. Machine Learning based Iris Recognition Modern Voting System
Hollingsworth et al. Recent research results in iris biometrics
Indi et al. Person identification based on multi-biometric characteristics

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant