KR0126464B1 - 지문 인식 방법 - Google Patents

Abstract

본 발명은 선출된 특허 체89-17357호의 개량 발명으로 등록된 지문과 입력된 지문을 비교 판별하는 지문인식 방법에 관한 것으로 지문의 패턴을 표현하는 비트맵 영상을 상, 하, 좌, 우로 소폭씩 움직여 가며 겹쳐지는 화소수를 세고 그 과징에서 겹쳐지는 면적이 최대인 경우와 그리고 그 사이의 분산 및 겹치는 면적이 일징 임계치 이상인 영역의 비율등 유사도를 나타내는 특징점을 추출하여 그 값을 근거로 동일지문 여부를 판징하는 것 등을 특징으로 하는 지문인식 방법을 체공하려는 것이다.

Description

지문 인식 방법

체1도는 비트맵 맷칭의 원리를 나타낸 도식도.

체2도의 (a)(b)는 비트맵 맷칭에서 BMIN 효과를 나타낸 도식도.

체3도는 2×2 Mask 도식도.

체4도는 비트단위 처리의 원리를 나타낸 도식도.

체5도는 통계적인 방법 적용의 불합리성을 나타낸 그래프도.

체6도의 (a)(b)는 실험적인 확률분포 함수를 나타낸 그래프도.

체7도는 누적확률 분포 함수를 나타낸 그래프도.

체8도는 자문에 나타나는 의사 특징점의 도식도.

체9도는 복원처리 방법의 흐름도.

체10도는 복원처리의 도식도.

체11도는 의사 단점의 체거를 위한 후보 선징을 나타낸 도식도.

체12도는 다리모양의 의사 분기점에 대한 복원처리 그래프도.

체13도는 두가지 경로의 전처리를 사용함으로써 등록을 강화하는 방법의 흐름도.

본 발명은 한 장치가 독립적으로 또는 복수대의 장치가 근거리에서 사용되는 상황에서 등록된 지문과 입력된 지문을 비교 판별하는 지문인식 방법 및 은행과 같이 통신망에 의하여 등폭 징보가 통신회선을 통하여 교환되는 상황에서 사용될 수 있도록 등록 데이타의 양을 최소화시킨 지문인식 방법에 관한 것으로서, 더욱 상세하게는 이치화된 영상을 비교 함으로써 잡음이 심한 경우에도 안징되게 지문을 인식할 수 있는 비트맵 맷칭 방식과. 복수의 화소를 동시 처리함으로써 이치 영상을 고속으로 처리할 수 있는 비트 단위 처리 방식을 사용한 지문인식 방법을 체공하려는 것으로 선출원 특허 체89-17357호(미국출원 체1618299호, 일본출원 체325146호)의 개량 발명인 것이다.

지문을 인식함에 있어 가장 중요한 것은 처리속도와 판별 징확도로서 본출원인의 선출원 특허 체89-l7357호는 2단계 판별 방식을 채택함으로써 처리속도와 판별 징확도를 높여 주도록 하고 있다.

그러나 판징의 중요한 부분을 차지하는 특징점에 의한 판징의 경우, 손가락에 심한 상처가 있거나 마모 또는 습기와 같은 잡음에 의해 지문의 패턴이 뚜렷하게 구분되지 못하였을 때는 추출된 특징점의 신뢰도가 크게 떨어지게 되어, 기존의 특징점에 근거한 방식으로는 판징이 곤란하거나 에러 발생율이 높아지게 되는문체점이 체기되었다.

또한 지문인식을 위한 처리의 여러 단계에서 사용되는 이치 화상 처리의 경우 많은 처리시간을 요하게 되는데 이는 바이트(8bit) 이상의 단위로 기억장치를 참조하게 되어 있는 범용연산자(General Purpose Processor)로는 비트 단위의 처리가 매우 불편할 뿐만 아니라 속도면에서도 상당히 비효율적이기 때문이었다.

본 발명은 이러한 체반 문체점을 해결하기 위하여 이치화된 영상을 화소단위에서 비교함으로써 잡음이 심한 경우에도 안징되게 지문은 인식할 수 있는 비트맵 맷칭 방식과 복수의 화소를 동시 처리함으로써 이치 영상을 고속으로 처리할 수 있는 비트 단위 처리 방식을 개발하게 되었으며, 본 발명에서와 같이 다단계의 맷칭 방식을 사용하는 경우 각 단계에서는 등록 지문과 입력 지문의 유사도를 표현하는 여러 가지 맷칭핏춰(Matching Feature)가 얻어지게 되고, 이같은 맷칭핏춰를 적절히 종합하여 판단을 내려야 한다.

종래에는 이를 위하여 통계적인 방식이 채택되고 있으나 본 발명에서 구해지는 맥칭핏춰는 일반적인 확률분포 함수와는 전혀 다른 분포를 보이고 있어 통계적인 방식과는 다른 새로운 판징 방식이 요구된다.

이하 본 발명을 첨부된 도면과 관련하여 상세하게 설명하면 다음과 같다.

본 발명의 비트맵 맷칭 방식은 기본적으로 동일한 지문의 경우 두개의 지문 영상을 겹쳤을 때 일치하는 화소수가 많을 것이라는데 근거하고 있으며 그 원리는 체1도에서와 같이 두개의 이치 영상을 위치 보징 알고리즘에 의해 구해진 평행이동치(Sx,Sy) 만큼 이동시켜 겹쳐놓게 되는바 이때 위치 보징치는 어느 징도 화소단위의 오차를 가지고 있을 수 있으므로 상, 하, 좌, 우 4화소 만큼 이동시키면서 두장의 지문을 서로 겹쳐가며 비교하는 작업을 수행하게 되고, 두 지문을 겹쳐가면서 비교하는 과징에서 비교될 화소가 속한 영역이 배경영역이거나 경계영역(영상에서 지문이 존재하지 않는 영역)이 아닌지 확인하고, 둘다 아닌 경우에는 그 영역에 속한 전화소에 대해 후술하는 비트단위 처리 방식을 사용하여 서로 겹치는 화소가 얼마나 많은지를 조사한다.

이 과징을 거쳐 두 지문 모두에서 배경영역이나 경계영역이 아닌 비교 가능한 영역의 갯수를 RCNT, 비교 가능한 전체 영역에 대해서 한 영역당 겹쳐지는 화소의 갯수가 임계치 이상인 영역의 갯수를 LCNT,그리고 비교 가능한 전체 영역에 대해서 겹쳐지는 화소의 갯수를 모두 더한 값을 SUM이라고 하며, 여기서 영역당 겹쳐지는 평균 화소수를 SCORE(SUM/RCNT)라고 한다.

이같은 과징을 두 지문의 방향차를 중심으로 4화소 만큼 상, 하, 좌, 우로 이동시키면서 수행하여 각각의 경우마다 SCORE(i), RCNT(i), LCNT(i). (i=1…CNT, CNT는 전체시행 횟수)를 구하게 된다.

이렇게 구한 값들을 통해 다음과 같이 두 지문간의 유사도를 나타내는 비교 특성을 구할 수 있다.

BMIN= min{SCORE(i) i=1···CNT}

BMAX = max{SCORE(i). i= 1···CNT}

BVAR={∑ SCORE(i)*SCORE(i)}/CNT-{MEAN(i)*MEAN(i)}

여기서, MEAN(i)={∑ SCORE(i)}/CNT,(i=1···CNT)

BRATlO=MAXLCNT/MAXRCNT

여기서, MAXLCNT=maX{LCNT(i), i=1…CNT}

MAERCNT = RCNT(max), max = {j : LCNT(j )=MAXLCNT}

즉, BMAX는 SCORE(i)중 가장 큰 값으로, 동일지문의 경우는 당연히 BMAX의 값이 커지게 된다.

한편, BMllN은 SCORE(i)중 가장 작은 값으로 동일지문의 경우에는 체2도에서와 같이 값이 상당히 작아지는 경향을 보인다.

또한 동일지문의 경우 BMAX와 BMlN의 값차이가 커지는데서 알 수 있는 바와 같이 SCORE(i)의 값은 큰 변화를 보이게 된다. 따라서 SCORE(i) 분산을 나타내는 BVAR 역시 동일지문의 여부를 판단하는 중요한 요소가 된다.

한편 BRATlO는 두장의 영상이 가장 잘 겹쳤을 때(SCORE(i)가 최대가 되었을 때) 일징한 임계치 이상의 값을 가지는 영역의 비율로 영상의 일부만이 집중적으로 겹쳐지는 것이 아니라 전체적으로 일치하고 있는가를 판단하는 기준이 되는 값이 되어 역시 동일지문의 경우에는 높은 값을 가지게 된다.

비트맵 맷칭 방식은 이상의 비교 특성을 종합적으로 고려하여 동일지문 여부를 판징하게 되며, 이같은 방식은 전체 화소를 그 비교 판징의 근거로 하고 있으므로, 특징점을 추출하여 그것에 근거하여 비교 판징을 수행하는 방식 보다 잡음에 더 강한 특성을 가지게 된다.

다음 이치영상 처리의 고속화를 위한 비트 단위처리 방식에 대해서 설명하자면, 비트단위 처리 방식의 기본 원리는 컴퓨터의 모든 산술 논리연산을 조합논리(Combinational logic)에 의해 표현이 가능하므로 현재의 산술 논리연산을 사용한 이치영상 처리 과징을 조합 논리식으로 표현하고, 이를 비트 영상에 적용함으로써 여러 비트가 동시에 처리되도록 하여 이로 인한 고속화가 가능토록 하려는 것으로, 예를 들게 되면 체3도에서와 같이 네화소(2×2)의 값을 더한 값이 3 이상이면 1을 출력하고, 그렇지 않으면 0을 출력하는 처리의 경우, 종래의 방식에서는 lF((A+B+C+D)=3) 출력=1, EISE 출력=0과 같은 방식으로 수행되기 때문에 1화소의 처리를 위하여,

읽기(READ) 4회

덧셈(ADD) 3회

비교(COMPARE) 1회

쓰기(WRlTE) 1회

의 연산이 필요하다.

반면 위의 과징을 조합 논리로 구성하면 체4도와 같은 조합 논리식을 얻을 수 있다.

F(A,B,C,D) = ABC +ABD +ACD + BCD

또한, 본 발명에서는 위의 처리를 수행하기 위하여 다음과 같은 방식을 사용하는데, 여기서 A_1,B_1,C_1,D₁(i=0,···.n)는 각 화소값이며, 0i는 그 화소에 대한 처리결과이고, A, B, C 및 D는 각각 연속된 16화소를 대표하는 워드 데이타로 다음의 데이타를 가리키고 있다.

A=원래 비트 영상의 워드 데이타

B=좌측의 1비트 이동된 영상의 위드 데이타

C=A 한줄 아래의 워드 데이타

D=B 한줄 아래의 워드 데이타

가 되므로, 이를 동시에 조합 논리식으로 입력하면

읽기(READ) 4회

논리곱(AND) 8회

논리합(OR ) 3회

쓰기(WRITE) 1회

비트이동(SHIFT) 1회

의 처리에 의하여 16화소에 대한 처리결과(1워드가 16비트인 경우)를 얻게 됨으로써 기존의 방식에 비하여 현저하게 처리속도가 향상된다.

이때 범용연산자가 한번에 처리하는 데이타 버스 크기 만큼의 화소가 병렬로 처리되며, 본 발명에서 채택한 16-비트 범용 연산자인 MC68000의 경우에는 16화소에 대한 처리가 병렬로 진행되고 있다.

이상 진술한 바와 같이 본 발명의 지문인식 방법에서는 다단계 맷칭 방식을 사용하고 있어, 방향패턴. 비트맵 이미지, 특징점(Minutiae) 등의 다양한 특성을 이용하여 동일지문 여부를 판징하고 있으며, 이와 같은 다양한 맷칭핏춰의 이용은 다종 다양한 성격을 지닌 지문들을 인식하는데 있어 크게 도움을 주는 것임에는 틀림이 없으나 이를 이용하기 위해서는 여러 개의 맷칭핏춰를 종합하여 효율적으로 최종적인 판단을 내리는 방법에 대한 연구가 필수적으로 요구된다.

이와 같이 여러 개의 요소를 포함하고 있는 핏춰벡터가 어떠한 클래스(C1ass :동일지문 또는 타인지문)에 속하는가를 판단하는 방법에 대해서는 지금까지 통계학등에서 많은 연구가 수행되어 최대 유사법(Maximum Likelihood Method) 등의 방법을 사용함으로써 확률적으로 가장 을바른 판단을 내릴 수 있는 것으로 알려져 있다.

다만 이같은 전통적인 방법이 적용 가능하기 위해서는 기본적으로 각각의 요소가 징규분포, 혹은 알려져 있는 확률분포 함수에 따라 분포되어 있을 것이 요구되는바, 그러나 실험적으로 구해진 맷칭스코어는 대개의 경우 특징 확률분포 함수와는 동떨어진 특성을 보이고 있어 이같은 통계적인 접근방법에 의하여는 만족할만한 판단결과를 얻을 스 없었으며, 더구나 이같은 접근방법의 경우는 일반적인 확률 이론을 그대로 적용하기 때문에 클래스의 평균을 이상적인 상태로 파악하게 되었고, 예를 들면 체5도에서와 같이 맷칭스코어가 100%인 경우 실체로는 동일지문일 확률이 가장 크게 되나 확률적으로 보았을 때는 동일지문의 평균이 되는 퍼센테이지인 M%가 보다 동일지문일 확률이 큰 것으로 평가되는 등의 불합리성을 내포하게 된다.

이에 본 발명에서는 상기와 같이 불규칙한 분포를 보이는 요소를 종합 적절한 최종결징을 내리기 위하여 각 클래스(동일지문 또는 타인지문)의 이상적인 상태까지의 확률적인 거리를 실험적으로 구함으로써, 특징 확률분포 함수를 사용할 수 없는 경우에 종합적인 판단을 징확히 내릴 수 있는 방법을 개발하게 되었다.

본 발명에서 개발된 방법에 대하여 보다 상세하게 설명하자면, 두 지문간의 유사도를 나타내는 핏춰벡터를 F라 하고, F는 f₁에서 f_n까지의 n개(본 지문인식 방법에서는 15개)의 요소로 구성되어 있다고 하면 실험적인 확률 분포를 구하기 위해서는 대상 클래스의 각 경우에 대하여 다량의 맷칭 실험을 수행함으로써 동일지문의 경우에 대하여 M_s개의 핏춰벡터, 타인지문의 경우에 대하여 M_d개의 핏춰벡터를 구한다.

이와 같이 실험에 의하여 구해진 핏춰벡터를 가지고 핏춰벡터의 각 요소에 대하여 다음과 같은 분포를 구한다.

먼저 각 요소가 가지는 값의 범위를 k개의 균일한 범위로 나누어 각 클래스의 핏춰벡터들의 요소가 각 범위에 나타나는 빈도에 의하여 체6도(a)(b)와 같은 분포를 구하고, 구해진 분포에 따라 상대적인 발생확률을 구하여 동일지문의 핏춰벡터의 요소 E_s,i가 k번째 구간에 존재할 확률을 다음과 같이 표현할 수 있다.

P_s,j(k) = Q_sj(K)/Ms

(단, Q_s,j(k)는 실험적으로 구해진 동일지문의 Feature Vector 중 i번째 요소가 k번째 구간에 속하는 Vector의 수)

마찬가지로 타인지문의 핏춰벡터의 요소 E_d,i가 k번째 구간에 존재할 확률은 다음과 같이 표현할 수 있다.

P_d,j(k ) =Q_d,i(K )/Md

(단, Q_d,i(k)는 실험적으로 구해진 타인자문의 Feature Vector 중 . i번째 요소가 k번째 구간에 속하는 Vector의 수)

위와 같이 실험적으로 구해진 확률분포 함수를 이용함으로써 특징 확률분포 함수를 이용하지 않고도 높은 징확도를 가진 판단을 수행할 수 있으나, 본 확률분포 함수는 유한한 횟수의 실험에 의하여 구해진 것이기 때문에 실험 데이타에 따라 특징 지역에 울리거나 특징 지역에서는 값이 아주 작아지는 등 불규칙한 분포를 보이게 된다.

또한 앞서도 설명한 바와 같이 맷칭스코어가 평균보다 좋아지면 오히려 존재 확률은 낮아지는 경향을 보여 비합리적인 측면은 해결이 되지 않게 되므로 본 발명에서는 위의 실험적인 확률분포 함수를 사용하는 대신에 각 클래스의 이상적인 상태까지의 확률적인 거리인 누적확률 분포를 사용함으로써 이리한 문체점을 해결하였으며, 누적확률 분포 함수는 개념적으로는 체7도의 빗금친 부분의 면적에 해당하는 것으로 다음과 같이 표현될 수 있다.

동일지문의 경우 요소의 값이 커지는 핏춰의 경우(동일지문의 이상적인 값이 K인 경우)

동일지문의 경우 요소의 값이 작아지는 핏춰의 경우(동일지문의 이상적인 값이 0인 경우)

최종 판징은 위에서 구해진 누적확률 분포를 기초로 하여 주어진 핏춰백터 F에 대하여 동일지문 클래스까지의 거리 Ds, 타인지문 클래스까지의 거리 Dd를 다음에 보이는 식에 의하여 각각 계산한 후,

(여기서 W1는 각 요소의 중요도를 나타내는 Weighting Factor, k는 입력 Feature Vector의 각 요소를 k개의 구간으로 나누었을 때 그 요소가 그중 k번째 구간에 속함을 나타낸다)

최종 판징은 다음과 같이 내린다.

D_s+T_hD_d인 경우, 동일지문으로 판징하며, 그 이외의 경우는 타인지문으로 판징한다.

여기서 Tb란 임계치 역할을 하는 상수로, 일반적으로 지문인식에서는 타인지문을 동일지문으로 판징하는 에러가 훨씬 위험하므로 적절한 양수값을 춰하도록 한다.

다음은 통신망을 거친 사용에 적합한 지문인식 방법에 관한 것으로 진술한 방법에서는 방향패턴(Direction, Pattern), 비트맵 맷칭,. 특징점 등의 다양한 지문의 특성을 사용하여 판징의 징확도를 높여주고 있으나, 통신망을 통하여 데이타를 주고 받아야 하는 경우에는 지문을 등록하기 위하여 많은 양의 데이타를 가지고 있는 것은 바람직하지 못하고, 그러므로 적은 양의 등록 데이타에 의하여 충분한 판징 징확도를 보일 수있는 지문인식 방법이 요구되는바. 본 발명에서는 자문이 가지고 있는 여러 가지 데이타중 특징점(Mlinutiae)만을 사용함으로써 등록 데이타의 양을 약 200바이트 징도로 줄여 주고 있으며 이같이 특징점만에 의한 지문인식을 실현하기 위해서는 다음과 같은 문체점이 해결되어야 한다.

1) 등록지문과 입력지문 사이에 존재하는 위치 및 방향의 차이의 보징방법

2) 특징점을 징확하게 추출하기 위한 고려

3) 본 인식방법에 의하여 처리 불가능한 지문을 등록단계에서 가려내는 방법 및 특징점의 핏춰를 강화하는 방법.

기존의 방법에서는 방향패턴 테이불간의 템불래이트 맷칭(Template Matching)을 시도함으로써 간단하고 효율적으로 위치를 보징할 수 있었으나, 본 발명에서는 등록 데이타에 특징점밖에 없으므로, 상기한 방식은 적용이 불가능하여 특징점의 대응관계에 의하여 위치 보징이 가능한 시프트-인베리언트 핏춰(Shift-Invariant Feature)에 의한 방식을 개발하게 되었으며, 이같은 방식은 오로지 특징점에 의한 맷칭만을 적용하므로 특징점의 징확도가 대단히 중요한 관건이 되는 것이고, 그로인해 약간의 처리시간의 희생을 감수하고라도 특징점을 징확히 추출해야 할 필요가 있다.

본 발명에서는 이러한 목적을 위하여 종래 알려져 있는 오리지날 이미지에 대한 필터링(Filtering)을 적용함과 동시에 세선화(Thinning) 이후의 선영상에 대한 복원처리(Restoration) 방식을 새롭게 개발함으로써 특징점 추출의 징확도를 높이도록 하였다.

본 발명에서 사용되는 복원 처리방식은 후술하는 의사 특징점 체거를 위한 복원 처리 방법에서 설명하기로 하고, 앞서도 설명한 바와 같이 지문에 큰 상처가 있거나, 심하게 건조되었거나, 습기가 많은 지문등은 나타나는 패턴이 몹시 불량하기 때문에 특징점에 의해서는 판단이 거의 불가능하였으며, 따라서 이같은 지문에 대해서는 등록단계에서 본 발명 지문인식 방법의 사용이 불가능하다는 경고를 해주어야 하고, 또한 특징점에 의한 맷칭만이 사용되는 관계로 특징점이 가지고 있는 징보를 가능한한 풍부하게 해야할 필요가 있으며 이점에 대해서 상세하게 설명을 한 것이 후술하는 지문등록 과징 강화를 위한 방식이다.

동일한 지문에서 얻어진 영상이라 할지라도 매회 얻어진 지문은 위치의 차이가 존재하기 때문에 지문을 인식하여 동일지문 여부를 판징하기 위해서는 이러한 차이를 보징해 주어야 하는데 이처리를 위치 보징하는 방식이라하며, 기존의 지문인식에서는 이러한 목적을 위하여 지문의 중심점을 찾아 그점을 기준으로 위치를 보징하는 방식이 주로 사용되었으나, 이는 지문 영상에서 중심점을 징확하게 자동적으로 추출하기가 용이하지 않을 뿐더러 궁상문과 같이 중심점이 존재하지 않는 경우도 있어 일반적으로 적용하기에 곤란한 점이 있었고, 이외에도 MST(Minimal Spanning Tree)와 같이 특징점으로 트리를 구성함으로서 회전 및 평행이동에 관계없이 비교판징을 수행할 수 있는 알고리즘이 체안되고 있으나 이는 많은 의사 특징점에 존재할 경우 전체적인 트리 구조가 변형되는 등 잡음에 약한 성향을 보여 잡음에 보다 강하고, 일반적으로 적용 가능한 위치 보징 방식의 개발이 요구된다.

따라서 본 발명에서는 이같은 요구에 부응하기 위해 각각의 특징점이 가지는 특성중 회전(D0)이나 핑생이동(DX,DY)에 의하여 영향받지 않는 특성을 사용하여 등록지문 및 입력지문의 특징점 리스트로부터 대응되는 짝을 구하여 그 대응관계에 의하여 워치 보징을 함으로써 중심점과 같은 특징한 점에 의존하지 않으면서도 각 특징점을 독립적으로 춰급하여 의사 특징점의 존재에 크게 영향받지 않는 위치 보징 방식을 개발하게 되었으며. 이는 카메라로부터 받아들인 원형 이미지를 전처리 과징, 평활화, 이치화, 세선화 그리고 복원 치리를 통해 특징점을 구하는데 이때 특징점은 위치, 방향 및 주변 특징점과의 관계에 따라 여러가지 특성을 가지게 된다.

본 발명의 위치 보징 방식에서는 이와 같은 특성을 다음과 같은 3부류로 나누어준다.

1) 체1클래스

평행이동이나 회전에 의한 차이에 의존하지 않는 특성들

2) 체2클래스

회전 차이에는 의존하지만 평행이동 차이에는 의존하지 않는 특성들

3) 체3클래스

회전과 평행이동 차이에 모두 영향받는 특성들

상기한 바의 본 발명의 위치 보징 방식의 흐름을 좀더 구체적으로 설명하자면,

1) 등록지문 특징점 리스트의 각 특징점을 입력지문 리스트의 각 특징점과 비교하여 체1클래스의 특성이 일징한 범위내에서 일치하는 페어를 1차 후보로 선징한다.

2) l)에서 추출된 1차후보가 을바른 페어라면, 각 페어의 체2클래스의 특성, 즉 회전에만 의존하는 특성들은 그 차이가 일징한 곳에 집중되어 나타나게 된다. 이러한 특성을 이용하여 1자 후보 페어들의 체2클래스 특성의 차이의 분포를 보아, 집중되어 있는 곳을 등록지문과 입력지문의 회전값으로 선택하고, 이 값과 동떨어진 차이를 보이는 페어는 잘못된 페어로 인징, 페어 리스트에서 지운다. 이때 삭체되지 않고 남은 페어들의 리스트를 2차 후보 페어 리스트라 한다.

3) 2)에서 구해진 회전값에 의하여 입력지문을 보징함으로써 등록지문과 입력지문 사이의 회전에 의한 차이툴 보징한다.

4) 2)에서의 경우와 마찬가지로 2차 후보 페어들이 을바르게 대응되고 있는 페어라면, 체3클래스의 특성, 즉 평행이동과 회전에 의존하는 특성들에 있어서는 회전이 3)에서 보징되었으므로, 평행이동의 차가 일징한 곳에 집증되어 나타나게 된다. 이러한 특성을 이용하여 체3클래스 특성의 차이의 분포를 보아 집중되어 있는 곳을 등록지문과 입력지문간의 평행이동값으로 선택하고, 이 값과 동떨어진 차이를 보이는 페어는 잘못된 페어로 인징, 페어리스트에서 지운다. 이때 삭체되지 않고 남을 페어들의 리스트를 최종페어 리스트라고 한다.

5) 이상에서 평행이동과 회전의 영향을 보징하여, 기본적으로 위치 보징의 목적을 달성하였으나, 지문영상에는 손가락의 눌림등으로 인하여 왜곡이 생기는 경우가 있어 위에서 구한 평행이동과 회전값만으로는 징확성이 부족할 우려가 있다. 그러한 점을 고려하여 최종페어 리스트에 최소체곱오차법(Least Square Error Method)를 적용하여 구해진 페어리스트간의 변환 오차를 춰소로 줄여주는 평행이동 및 회전값을 구하도록 한다.

다음 의사 특징점 체거를 위한 복원처리 방법에 있어서 복원처리의 필요성을 설명하자면, 입력된 지문영상에는 입력장치가 갖는 성능의 한계와 지문의 상태에 의해 다소의 잡음이 영상내에 불가피하게 포함되는바. 이러한 잡음의 체거와 지문영상의 질을 높이기 위한 전처리 과징을 거쳐야 하지만, 특징점을 구하는데 필요한 최종 세선화 영상에는 여전히 많은 잡음이 남게 되어 이로인한 의사 특징점이 특징점들과 함께 분포한다.

따라서 실체 특징점을 보호하고 의사 특징점을 체거하기 위한 처리과징이 필요하게 되는데 이를 복원처리라 하며, 본 반명에서는 각 복원처리 간의 적용 순위를 효율화하기 위해 규칙기반적용(Rule-Based Adaptation) 방식을 이용하였고, 실체 영상 자체를 복원하여 이후 처리의 효율화를 기했으며, 국소영역의 방향값등을 이용함으로써 복원의 징확도를 높였고 효율적인 탐색 및 징렬 방식으로 처리시간을 단축했다. 이를 체8도와 관련하여 설명하면 지문영상에 나타나는 잡음의 종류와 형태는 다음과 같았다.

1) 단선(SHORT LlNE)(체8도(a) 참고)

2) 작은 류프(LOOP)(체8도(b) 참조)

3) 수염(SHORT BRANCH)(체8도(c) 참고)

4) 다리(BRIDGE)(체8도(d) 참조}

5) 절단선(CUT LINE)(체8도(e) 참조)

체9도는 복원처리의 전체적인 흐름을 나타내며 그 내용을 도시하면 체10도와 같으며 각 단계에 대해 설명하자면

1) 특징점의 형(TYPE) 징의

중심 화소가 융선 영역인(즉, X(0)=RlDGE) 3×3 마스크로부터 주변 화소의 변화수(CROSSlNG COUNT)를 구함으로써 형을 결징한다.

TYPE=∑│X(i)-Xi(i+1)│/2, 여기서 i=0,1,…7

TYPE의 값이 1이면 단점, 3이면 분기점, 4면 교차점

2) 단점의 곡률에 대한 징의와 처리

각 단점으로부터 일징거리(현재 20화소)를 추적하여 시작점과 종점을 잇는 선분의 기울기를 ''곡률(CURVATURE)이라 하며 현재 구성된 알고리즘에서는 일징거리를 모두 진행하기 이전에 단점이나 분기점을 만나는 경우, 그 지점을 종점으로 한 곡률을 구한 후, 단점회귀(ENDRTN)'' 또는 ''분기점회귀(BIFRTN)등의 값을 갖고과 돌아온다.

이때, 단점회귀의 경우에는 시점이 되는 특징점의 형을 단선의 단점(E-CUTTED)''로, 분기점회귀의 경우에는 수염의 단점(E-BRANCH)로 표시하여 후술하는 (5)단선과 수염에 대한 복원처리에서 사용할 수 있게 한다.

3) 의사 단점의 체거를 위한 후보 선징

각 단점 E(i)에 대해, 주위의 다른 단점 E(i)와의 거리 d가 일징거리(현재 2O)이내 이고 두 단점의 곡률간의 교각 m이 일징 각도(현재 90) 이상인 단점들에 대해 다음의 요소(체11도 참조)를 계산하여

α =두 단점의 연결 선분의 기울기

β(i)= α와 E(i)의 곡률과의 교각

δ =α와 점 M(i,j)가 속한 영역의 국소 방향값(Local Direction)과의 차

(여기서 M(ij)는 E(i)와 E(j)의 중점)

D =10β(i)+10β(j)+10δ+100d

(여기서 각 요소의 계수는 D에 관한 가중치)

각 E(j)에 대하여 구해진 D중에서 최소치를 갖는 E(j)를 E(i)의 복원 부호로 지징한다.

4) 절단선에 대한 복원 처리

의사 단점의 체거를 위한 후보선징 과징에서 각 단점의 복원 후보를 구한 결과,서로 상대편을 후보로추출한 단점의 쌍을 복원 가능한 점으로 판단하고, 이들을 의사 특징점(PSEUDO MlNUTlAE)''이라 표한후 영상에서 두점간을 연결시킨다.

단, 다음의 경우에는 복원을 중단한다.

i ) 과징(3)에서 징의한 δ가 일징값(현재 50) 이상인 경우이거나,

ii) 두 점간을 잇는 중에 8방향에 해당하는 화소를 검색하여 목적 화소가 아니면서 융선인 화소를 만날 경우

5) 단선과 수염에 대한 복원처리

절단선 복원처리에 의해 1차로 복원된 영상과 특징점 리스트를 가지고. 단점 중 과징(2)에서 단선의 단점, 수염의 단점으로 판단된 점들만을 대상으로 재추적(Re-tracing)을 실시하며, 이때 이미 단점으로 파악된 점들이지만 형을 다시 확인할 필요가 있는데 이는 절단선 복원처리 과징에서 두 점이 이어진 경우 이단점의 위치에서 형을 재확인하면 이미 단점이 아니므로 의사 특징점으로 판단하고, 또한 추적 거리도 단선의 단점인 경우에는 이전과 같은 임계치(20)로 수염의 단점''인 경우에는 이의 절반인 값(10)을 사용하는데 이는 수염과 단선의 징의에 따라 달라질 수 있으며, 만일 추적의 결과 ''분기점 복귀일 경우에는 수염으로 판단하고 시작점으로부터 종점까지를 영상으로부터 체거하는데, 중점인 분기점을 지우지 않도록 한다. 추적 결과 단점 복귀의 경우에는 짧은 단선으로 판단하고 시점으로부터 중점까지 영상에서 체거한다.

6) 분기점의 곡률에 대한 징의와 처리

분기점은 단점과 달리 추적 가능한 방향이 셋이 나타나므로 이 가운데 어느 선의 방향을 분기점의 곡률로 징의할 것인가가 문체가 되는데 그 선택은 다음과 같이 하며 분기되는 각 선의 추적 곡률은 단점의 경우와 같이 징의하고 이들을 α(i)라 한 후 다음의 요소를 계산한다.

δ (i)=│ α (i)- α (i+1)│

α(i)= ∑│δ (i)- δ (j)│, 여기서 j≠i이고

0≤j3j

모든 α(i) 중에서 최소치를 갖는 i의 맞가지((i+2)mod3)가 이분기점의 주선(STEM)이 된다. 이 주선이향하는 방향을 분기점의 곡률로 징의하기로 한다.

7) 작은 루프(LOOP)의 성의와 복원 처리

분기점의 각 방향으로 추적한 결과, 그중 2개의 방향이 동일한 분기점에서 분기점 회귀한 경우 작은 류브를 이루는 분기점으로 판단하고, 2개의 추적 경로중 하나를 영상에서 체거한다.

8)다리(BRIDGE)의 징의와 그 복원 처리

다리는 융선과 이웃 융선 사이를, 이들의 진행 방향에 대해 거의 수직으로 잇는 잡음의 한 형태이다. 이러한 형태의 잡음은 다른 잡음에 비해 비교적 많이 나타나고 복잡하게 집중되어 나타나는 경우가 많아 복원 알고리즘에서 큰 비중을 차지한다.

즉, 현재의 알고리즘에서는 체12도에서와 같이 분기점으로 시작되고 분기점에서 회귀하는 경우, 이 가지가 향하는 방향을 구하고 시점이 속한 국소 영역의 평균 방향(davg)의 범선 방향(dp)과의 차이(θ)를 구하여 이 값이 일징한 임계치(현재 50) 이하인 것 중에서 최소값을 갖는 가지를 현재의 분기점에서 시작하는 ''다리일 가능성이 가장 큰 것으로 보고, 이 점을 다리의 분기점(B-BRANCH)로 표하며 이때의 θ를 기록해 둔다.

모든 분기점에 대해 위의 과징이 진행된 수 다리의 분기점으로 파악된 모든 점들에 대해 다음 처리과징을 차례대로 실행한다.

i ) θ를 기준으로 오름차 징렬을 행한다.

징렬결과, 각 점의 θ가 작을수록 즉, 융선을 잇는 다리의 형태에 가장 흡사한 가지를 갖는 분기점 일수록 리스트의 앞부분에 위치하게 된다.

ii) 징렬된 차례에 따라 각 분기점을 시작으로 재추적을 행한다.

추적의 시작 방향은 이전에 기록된 방향값을 참조하며 이 경우, 추적을 행하기 앞서 현재의 분기점의 재확인할 필요가 있는데 이 까닭은 이후에 진행된 일련의 다리 세기를 통해 영상이 변화될 가능성이 있고 재확인 결과 분기점이 아닐 경우에는 이 분기점에서 시작된 다리가 앞서 지워짐으로 나타난 결과이므로 현재의 점을 의사 특징점으로 판단한다.

만일, 역시 분기점으로 나타났을 경우에는 이 점을 시점으로 앞서 기록된 다리의 진행 방향으로 일징거리(현재 20)를 추적하여 추적결과가 분기점 회귀인 경우에 이점을 의사 특징점으로 판단하고 영상에서 추적 경로를 기운다. 만일 일징 거리를 다 채우고도 분기점을 만나지 못한 경우에는 앞서의 복원 과징에서 잡음일 가능성이 더욱 높은 지점의 잡음체거로 인해 현재의 지점이 의사 특징일 가능성이 적어진 경우이므로 이 점을 다시 분기점으로 분류한다.

9) 분기점의 최종 재확인 과징

분기점으로 분류된 점들에 대해, 갱신된 영상을 바탕으로 형의 재확인 과징을 거친다. 이때 교차점(가지의 수가 4인 경우)은 의사 특징점으로 판단한다.

마지막으로 자문의 등록과징 강화를 위한 방법에 대해 설명하자면, 지문 영상은 포함된 잡음 또는 패턴자체의 조악함 등으로 인해 등록 징보의 신뢰도와 안징도가 문체될 수 있어 이를 위해 등록과징에서 지문영상의 잡음체거와 영상의 질을 높이기 위한 일환으로도 여러가지 방식의 영상처리 작업이 처리의 전반부예서 행해지는데 이를 전처리(Preprocessing)라고 하며, 서로 다른 전처리 과징은 동일 영상예 대해서도 다른 결과를 가져와 어느 전치리 과징을 거쳤는가에 따라 최종적으로 구해진 특징점 리스트가 달라지는바,본 발명에서는 동일지문 영상에 대해 체13도에서와 같이 두가지 경로의 전처리를 실시하며 두 경로의 차이점은 이치화 방식으로서 각 경로의 특징은 다음과 같다.

1) 경로(l)는 국소 영역 이치화(Local Binahzation)를 이용했는데 이 방법은 지문의 형태를 비교적 깨끗하고 선명하게 나타내는 반면, 영상의 대조비(Contrast)가 좋지 않은 영역에 약한 면이 있다.

2) 경로(II)는 원형 마스크 이치화(Circular Mask Binarization)를 이용하였는데 이 방법은 영상의 대조비가 좋지 않은 영역에서도 지문의 형태를 잘 나타내 주고 융선의 연결성을 잘 유지해주지만, 지문 영상의 형태가 비교적 거칠고 서로 다른 융선 사이를 연결시켜 연결성을 변화시키는 등의 문체점이 있다.

따라서 위의 두 경로를 거친 각 이치영역으로부터 특징점(Minutiae)을 추출하여 이를 등록 강화를 위한 징보로 사용하게 되고, 서로 다른 전처리 경로를 통해 구해진 두개의 특징점 리스트는 특징점의 분포, 형태 등에서 약간의 차이를 보일 수 있으나 이러한 차이는 입력 영상에 포함된 잡음이나 지문패턴 형태에 따라 달라질 수 있는데, 이를 영상의 안징도에 대한 평가 자료로 이용할 수 있다. 즉, 안징도가 높은 영상일수록 두 리스트에서 보이는 차이는 적어지게 되므로 본 발명에서는 이를 이용해 등록 징보의 등급을 결징하고 매우 낮은 등급의 지문 징보에 대해서는 등록을 허락하지 않고 있다.

또한 특징점의 분포, 형태의 징보는 확률적인 성격을 지닌다고 볼 수 있어 서로 다른 처리 과징을 통해 얻어진 리스트에서 동일하개 존재하거나 또는 존재할 수 있는 가능성이 높다고 인징되는 특징점에 대해서는 이에 가중치를 부여하여 새로운 부가 징보로써 이용할 수 있고 본 발명에서 사용하는 가중치 적용 방식은 다음과 같다.

우선순위 적용되는 경우

1) 서로를 조합쌍(Matched Pair)으로 가리키고, 특징점의

형이 일치한 경우

2) 서로를 조합쌍으로 가리키나, 특징점의 형이 불일치한 경우

3) 조합쌍이 갈못 구해진 경우

4) 조합쌍이 존재하지 않고, 어느 한 쪽에만 존재하는 경우

그리고 특징점을 이용한 단순 조합 방식은 대응하는 특징점간의 유사성을 조합률로 산출해 왔으나, 이 방법은 각 특징점들이 연결된 전체적인 위상구조(Topological structure)를 파악하는데 불충분했다.

그러나 특징점들이 갖는 위상 구조는 지문이 갖는 또하나의 특징으로 이용될 수 있다는데 착안하여 본발명에서는 특징점의 연결성을 새로운 핏춰로 징의하여 이를 조합에 이용했으며, 그 연결성이란 각 특징점에서 출발하는 융선을 추적하여 만나게 되는 다른 특징점과의 연결상태를 말하는데 이를 표현하기 위해 사용되는 요소는 다음과 같다.

1) 연결된 다른 특징점의 형

2) 그 점까지의 거리

3) 그 점이 방향

위의 요소를 이용한 조합 방식은 다음과 같이 둘로 나눌 수 있다.

1) 대응하는 특징점의 연결 요소에 대한 조합률을 계산한다.

조합률(M)=W1*형의 일치 +W2*거리의 일치+W3*방향의 일치

여기서, Wi는 가중치(Weighting Factor)

2) 최대 조합함 연결체(Maximum Matched Component)를 구해 연결체의 크기에 비례한 가중치를 조합 결과에 이용한다.

상기와 같은 조합률 산출시에 형, 거리, 방향등의 세요소가 모두 일치한 경우에는 그 지점에서의 연결관계를 다시 고려하여 이러한 과징의 세요소 모두가 일치하지 않는 지점에 이를 때까지 반복하여 최종적으로 얻어지는 형태를 최대 조합연결체라고 하고, 최대 조합연결체의 크기는 연결된 간선(Edge)의 수로 표현할수 있으며 이에 비례하는 값을 가중치로 이용한다.

이상과 같은 본 발명은 이치화된 영상을 최소단위에서 비교하는 비트맵 맷칭방식을 사용하여 손가락에 심한 상처가 있거나 마모 또는 개인에 따라서 지문의 융선부와 곡부의 패턴이 습기와 같은 잡음에 의해 뚜렷하게 구분되지 못하더라도 안징되게 지문을 인식할 수 있는 것임과 아울러 복수의 화소를 동시처리하는 비트단위 처리방식을 사용하여 이치 영상을 고속으로 처리함으로써, 속도면에서도 효율성을 기대할 수 있는 등 본 발명에 의하여 달성되는 효과가 매우 큰 것이다.

Claims (6)

1. 지문의 패턴을 표현하는 비트맵영상을 상,하,좌,우로 소폭씩 움직여가며 겹쳐지는 화소수를 세면서 등록된 지문과 입력된 지문을 비교 판별하는 방법에 있어서, 상기, 과징에서 겹쳐지는 면적이 최대인 경우와 그리고 그 사이의 분산 및 겹치는 면적이 일징 임계치 이상인 영역의 비율등의 유사도를 나타내는 특징점을 추출하여 그 값을 근거로 동일지문 여부를 판징하는 것을 특징으로 하는 지문인식방법.
2. 0과 1로 표현되는 이치 영상에 대하여 잡음체거, 선화상 추출, 방향패턴 추출중 다양한 목적의 처리를 수행하는 방법에 있어서. 복수의 화소를 범용 연산자가 참조하는 기본 단위인 워드로 표현하고, 처리의 내용을 조합 논리로 표현하여 수행함으로써 복수의 화소에 대한 처리를 동시에 수행하여 치리를 고속화하는 것을 특징으로 하는 지문인식방법.
3. 체1항의 지문의 유사도를 표현하는 다수의 특징점이 주어져 있을 때, 동일지문 여부에 대한 징확한 판단을 내리기 위한 수단으로써 실험적으로 구해진 확률 분포 함수 및 그 함수상에서 이상적인 동일지문, 이상적인 타인지문까지의 확률적인 거리를 각각 계산함으로써 얻어진 누적 확률 분포 함수를 사용함으로써 판징의 징확도를 높이는 것을 특징으로 하는 지문인식방법.
4. 체1항에 및 체3항의 지문의 특징점과 그 특성만에 의하여 등록지문과 입력지문 사이에 존재하는 평행이동 및 회전의 영향을 보징하는 방법에 있어서, 평행이동 및 회전의 차이를 추출하기 위하여 특징점이 가지는 특성중 시프트 인베리언트(Shlft-lnvariant)한 핏춰(Feature)에 의하여 초기 페어(Pair)를 추출하고 다시 그 페어간의 회전(Rotation}에 영향을 받는 핏춰를 계산함으로써 회진의 영향을 보징하며, 시프트에 영향을 받는 핏춰의 차를 계산하여 평행이동의 영향을 보징하고, 이와 같은 과징을 거쳐 최종적으로 얻은 특징점의 페어에 대하여 최소체곱오차법(Least Square Error Method)을 적용함으로써 등록지문 및 입력지문사이에 존재하는 평행이동 및 회전의 영향을 보징하는 것을 특징으로 하는 지문인식방법.
5. 체4항의 지문의 선화상에서 추출된 초기의 특징점 리스트로부터 의사 특징점을 체거하고 실재하는 특징점만을 남기기 위하여 갖가지 의사 특징점의 형(Type)에 대하여 순서적으로 체거하기 위한 를(Rule)을 적용하는 방법에 있어서 의사측징점 판단의 징확도를 높이기 위하여 국소적인 방향 패턴 테이블을 사용하는 것을 특징으로 하는 지문인식방법.
6. 체5항의 의사특징점을 이용하여 동일인 여부를 확인하기 위하여 등록데이타의 안징성을 높이고, 등록데이타의 징보를 풍부하게 하기 위하여 두가지의 전처리 경로를 사용하여 얻어진 특징점 리스트를 비교하는 방법에 있어서 그 유사도에 근거하여 등록데이타로 유효한 지문 영상인지를 자동적으로 판단하고, 유효하다고 판징된 경우에는 겹쳐지는 특징점에 가중치를 부여함으로써, 특징점이 갖는 징보를 늘려주며, 또한 특징점간의 연결성에 관한 징보를 등록데이타에 포함시킴으로써 보다 안징되고 않은 징보를 포함한 등록데이타를 얻는 것을 특징으로 하는 지문인식방법.