KR100476406B1 - 웨이블렛 패킷변환을 이용한 홍채인식 시스템 및 방법과그 프로그램을 저장한 기록매체 - Google Patents

Abstract

본 발명은 웨이블렛 패킷변환을 이용하여 특징영역을 효과적으로 추출하고, 지지벡터 기계학습(Support Vector Machines)을 분류규칙으로 이용하여 인식오류를 최소화한 웨이블렛 패킷변환을 이용한 홍채인식 시스템 및 방법과 그 프로그램을 저장한 기록매체에 관한 것이다.

이를 위하여 본 발명은, 외부로부터 입력된 눈 영상에 캐니 경계선 검출방법, 바이섹션(Bisection)법 및 탄성체 모델을 적용하여 홍채영상을 추출하는 홍채영상 추출수단과, 홍채영상 추출수단에서 추출된 홍채영상을 웨이블렛 패킷변환하여 다중분할하고 다중분할된 영상으로부터 홍채 특징영역을 구하여 통계적인 방법에 의해 특징벡터를 추출하는 특징벡터 추출수단과, 특징벡터 추출수단에서 추출된 특징벡터를 미리 등록한 특징벡터 DB와, 특징벡터 추출수단에서 추출된 특징벡터와 특징벡터 DB에 등록된 특징벡터를 비교하여 개인을 식별하는 인식수단을 포함하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템을 제공한다.

따라서, 본 발명은 웨이블렛 패킷변환을 이용하여 홍채영상의 저주파와 고주파 대역에서도 효과적으로 특징영역을 추출하여 특징벡터를 구성할 수 있다. 그리고, 지지벡터 기계학습(Support Vector Machines)을 분류규칙으로 이용하여 인식오류를 최소화할 수 있다.

Description

웨이블렛 패킷변환을 이용한 홍채인식 시스템 및 방법과 그 프로그램을 저장한 기록매체{IRIS IDENTIFICATION SYSTEM AND METHOD USING WAVELET PACKET TRANSFORMATION, AND STORAGE MEDIA HAVING PROGRAM THEREOF}

본 발명은 웨이블렛 패킷변환을 이용하여 특징영역을 효과적으로 추출하고, 지지벡터 기계학습(Support Vector Machines)을 분류규칙으로 이용하여 인식오류를 최소화한 웨이블렛 패킷변환을 이용한 홍채인식 시스템 및 방법과 그 프로그램을 저장한 기록매체에 관한 것이다.

종래의 홍채인식 방법에서는 동공과 공막 사이에 존재하는 홍채영역을 분리하기 위하여 원형 경계선 검출방법을 사용하였다. 그러나, 이 방법은 눈 영상에 원 성분이 있다는 가정하에 수행하기 때문에, 원 성분이 없는 눈 영상에서는 홍채를 찾지 못하고 시간이 오래 걸리는 단점이 있었다.

그리고, 동공의 중심을 이용해서 동공과 유사한 크기 및 위치를 가지는 가상원으로써 홍채영역을 결정하기 때문에, 가상원의 형태에 따라서는 동공의 일부 영역만이 포함되거나 홍채 영역이 일부 소실될 수 있다는 단점이 있었다.

또, 가버변환을 이용하여 특징을 추출하고 벡터를 구성하는 경우, 특징벡터가 256 이상의 차원으로 구성된다. 따라서, 한 차원당 1 바이트(Byte)를 차지한다고 가정을 해도, 최소한 256 바이트 이상을 차지하기 때문에 효율성이 떨어지는 문제점이 있었다.

또, 홍채벡터를 비교하기 위해서 해밍거리와 같이 간단한 거리측량 방법을 사용하는 경우, 홍채패턴의 일반화를 통한 참조 특징벡터의 구성이 용이하지 않고, 특징벡터의 각 차원이 가지는 특성을 적절히 반영하지 못하는 문제점이 있었다.

또, 카메라로부터 입력되는 영상에 대하여 홍채인식에 적합한 영상인지를 판단하는 기능이 없어서, 시스템 전체의 처리시간과 인식률이 떨어지는 문제점이 있었다. 그리고, 사용자에게 정확한 위치선정과 동작을 강요하는 불편함이 있었다.

본 발명은 이러한 문제점을 해결하기 위해 안출한 것으로, 캐니 경계선 검출방법, 바이섹션(Bisection)법 및 탄성체 모델을 이용하여 정보의 손실없이 홍채영상을 추출하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템 및 방법과 그 프로그램을 저장한 기록매체를 제공하기 위한 것이다.

본 발명의 다른 목적은 웨이블렛 패킷변환을 이용하여 홍채영상의 저주파와 고주파 대역에서도 효과적으로 특징영역을 추출하고, 추출된 특징영역의 통계값으로부터 특징벡터를 구성하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템 및 방법과 그 프로그램을 저장한 기록매체를 제공하기 위한 것이다.

본 발명의 또 다른 목적은 지지벡터 기계학습(Support Vector Machines)을 분류규칙으로 이용하여 인식오류를 최소화할 수 있는 웨이블렛 패킷변환을 이용한 홍채인식 시스템 및 방법과 그 프로그램을 저장한 기록매체를 제공하기 위한 것이다.

본 발명의 또 다른 목적은 홍채인식에 적합한 눈 영상을 필터링할 수 있는 웨이블렛 패킷변환을 이용한 홍채인식 시스템 및 방법과 그 프로그램을 저장한 기록매체를 제공하기 위한 것이다.

상기 목적을 달성하기 위하여 본 발명의 일 실시예에서는 개인을 식별하기 위한 특징벡터를 미리 등록한 특징벡터 DB; 외부로부터 입력된 눈 영상에 캐니 경계선 검출방법, 바이섹션(Bisection)법 및 탄성체 모델을 적용하여 홍채영상을 추출하는 홍채영상 추출수단; 상기 홍채영상 추출수단에서 추출된 홍채영상을 웨이블렛 패킷변환하여 다중분할하고, 다중분할된 영상으로부터 홍채 특징영역을 구하여 통계적인 방법에 의해 특징벡터를 추출하는 특징벡터 추출수단; 및 상기 특징벡터 추출수단에서 추출된 특징벡터와 상기 특징벡터 DB에 등록된 특징벡터를 비교하여 개인을 식별하는 인식수단을 포함하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템을 제공한다.

또, 본 발명에서, 상기 인식수단은 상기 특징벡터 추출수단에서 추출된 특징벡터와 상기 특징벡터 DB에 등록되어 있는 특징벡터에 지지벡터 기계학습(Support Vector machines)법을 적용하여 특징벡터간 거리를 계산하고, 상기 계산된 특징벡터간 거리가 미리 지정된 기준값보다 작으면 동일인으로 인식하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 홍채영상 추출수단은 상기 눈 영상에 캐니 경계선 검출방법을 적용하여 경계요소를 검출하는 경계요소 검출부; 상기 검출된 경계요소를 그룹화하는 그룹화부; 상기 그룹화된 경계요소에 상기 바이섹션법을 적용하여 홍채를 추출하는 홍채영상 추출부; 및 상기 추출된 홍채영상에 탄성체 모델을 적용하여 정규화하는 정규화부를 포함하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 탄성체 모델은 공막에 일단이 결합되고 동공에 타단이 결합되며 길이 방향으로 변형가능한 복수의 탄성체로 이루어진 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 특징벡터 추출수단은 상기 홍채영상 추출수단에서 추출된 홍채영상을 웨이블렛 패킷 변환하여 다중분할하는 다중 분할부; 상기 다중분할된 홍채영상 각 영역의 에너지값을 계산하는 계산부; 상기 다중분할된 홍채영상의 영역 중 에너지값이 미리 정한 기준값보다 큰 영역을 추출하여 저장하는 특징영역 추출부; 및 상기 특징영역 추출부에서 추출되어 저장된 영역을 여러 개의 부영역으로 분할하여 각 부영역의 평균과 표준편차를 구한 후, 상기 평균과 표준편차를 이용하여 특징벡터를 구성하는 특징벡터부를 포함하고, 상기 특징영역 추출부에서 추출되는 영역은 상기 다중 분할부에서 재차 웨이블렛 변환되는 과정과 상기 계산부에서 에너지값이 계산되는 과정이 미리 지정된 횟수만큼 반복 실행되며, 그 에너지값이 상기 기준값보다 큰 영역은 각각 상기 특징영역 추출부에 저장되는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 계산부는 상기 다중분할된 영역의 값을 제곱하여 더한 후 전체개수로 나누어 에너지값을 계산하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 외부로부터 입력받은 눈 영상을 필터링하여 상기 홍채영상 추출수단에 출력하는 필터링 수단을 더 포함하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 필터링 수단은 상기 눈 영상의 깜빡임을 탐색하기 위한 깜빡임 탐색부; 상기 눈 영상에서 동공위치를 탐색하기 위한 동공위치 탐색부; 에지(edge)의 수직성분을 탐색하기 위한 수직성분 탐색부; 상기 깜빡임 탐색부, 동공위치 탐색부, 및 수직성분 탐색부가 탐색한 값에 가중치(W1,W2,W3)를 각각 곱한 결과가 미리 정한 기준값보다 큰 눈 영상을 제외시키고, 나머지 눈 영상을 상기 홍채영상 추출수단으로 출력하는 필터링부를 포함하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 깜빡임 탐색부는 상기 눈 영상을 가로 M개, 세로 N개의 블록으로 분할하였을 때, 행별로 블록들의 평균밝기 합을 계산하여 가장 밝은 값(F1)을 출력하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 W1은 상기 눈 영상의 세로중심으로부터 멀수록 가중되는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 동공위치 탐색부는 상기 눈 영상을 가로 M개, 세로 N개의 블록으로 분할하였을 때, 각 블록의 평균밝기가 미리 지정된 값보다 작은 블록(F2)을 계산하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 W2는 동공의 중심이 상기 눈 영상의 중심으로부터 멀수록 가중되는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 수직성분 탐색부는 소벨(Sobel) 경계선 검출방법을 적용하여 홍채영역의 수직성분 값(F3)을 계산하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 W3는 가중되는 값이 동일한 것을 웨이블렛 패킷변환을 이용한 홍채인식 시스템으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 특징벡터 추출수단이 추출한 특징벡터를 상기 특징벡터 DB에 등록하기 위한 등록수단을 더 포함하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템으로서 상술한 과제를 해결한다.

또, 본 발명에서, 사람의 눈 영상을 촬영하여 상기 필터링 수단에 출력하는 촬영수단을 더 포함하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템으로서 상술한 과제를 해결한다.

상기 목적을 달성하기 위하여 본 발명의 다른 실시예에서는 외부로부터 입력된 눈 영상에 캐니 경계선 검출방법, 바이섹션(Bisection)법 및 탄성체 모델을 적용하여 홍채영상을 추출하는 홍채영상 추출단계; 상기 추출된 홍채영상을 웨이블렛 패킷변환하여 다중분할하고, 다중분할된 영상으로부터 홍채 특징영역을 구하여 통계적인 방법에 의해 특징벡터를 추출하는 특징벡터 추출단계; 및 상기 추출된 특징벡터와 미리 등록되어 있는 특징벡터를 비교하여 개인을 식별하는 인식단계를 포함하는 웨이블렛 패킷변환을 이용한 홍채인식 방법을 제공한다.

또, 본 발명에서, 상기 인식단계는 상기 추출된 특징벡터와 미리 등록되어 있는 특징벡터에 지지벡터 기계학습(Support Vector machines)법을 적용하여 특징벡터간 거리를 계산하고, 상기 계산된 특징벡터간 거리가 미리 지정된 기준값보다 작으면 동일인으로 인식하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 홍채영상 추출단계는 (a1) 상기 눈 영상에 캐니 경계선 검출방법을 적용하여 경계요소를 검출하는 단계; (a2) 상기 검출된 경계요소를 그룹화하는 단계; (a3) 상기 그룹화된 경계요소에 바이섹션법을 적용하여 홍채를 추출하는 단계; 및 (a4) 상기 추출된 홍채영상에 탄성체 모델을 적용하여 정규화하는 단계를 포함하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 탄성체 모델은 공막에 일단이 결합되고 동공에 타단이 결합되며 길이 방향으로 변형가능한 복수의 탄성체로 이루어진 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 특징벡터 추출단계는 (b1) 상기 홍채영상 추출단계에서 추출된 홍채영상을 웨이블렛 패킷 변환하여 다중분할하는 단계; (b2) 상기 다중분할된 홍채영상 각 영역의 에너지값을 계산하는 단계; (b3) 상기 다중분할된 홍채영상의 영역 중 에너지값이 미리 정한 기준값보다 큰 영역을 추출하여 저장하고, 상기 추출된 영역에 대하여 다시 상기 (b1)단계부터 미리 지정된 횟수만큼 반복하는 단계; 및 (b4) 상기 추출되어 저장된 영역을 여러 개의 부영역으로 분할하여 각 부영역의 평균과 표준편차를 구한 후, 상기 평균과 표준편차를 이용하여 특징벡터를 구성하는 단계를 포함하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 에너지값은 상기 다중분할된 영역의 값을 제곱하여 더한 후 전체개수로 나눈 값인 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 홍채영상을 추출하기 전에 상기 외부로부터 입력받은 눈 영상을 필터링하는 영상 필터링 단계를 더 포함하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 영상 필터링 단계는 (c1) 상기 눈 영상의 깜빡임을 탐색하는 단계; (c2) 상기 눈 영상에서 동공위치를 탐색하는 단계; (c3) 에지(edge)의 수직성분을 탐색하는 단계; (c4) 상기 (c1),(c2),(c3)단계에서 탐색한 값에 가중치(W1,W2,W3)를 각각 곱한 결과가 미리 정한 기준값보다 큰 눈 영상을 제외시키고, 나머지 눈 영상을 사용하는 단계를 포함하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 (c1)단계는 상기 눈 영상을 가로 M개, 세로 N개의 블록으로 분할하였을 때, 행별로 블록들의 평균밝기 합을 계산하여 가장 밝은 값(F1)을 출력하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 W1은 상기 눈 영상의 세로중심으로부터 멀수록 가중되는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 (c2)단계는 상기 눈 영상을 가로 M개, 세로 N개의 블록으로 분할하였을 때, 각 블록의 평균밝기가 미리 지정된 값보다 작은 블록(F2)을 계산하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 W2는 동공의 중심이 상기 눈 영상의 중심으로부터 멀수록 가중되는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 (c3)단계는 소벨(Sobel) 경계선 검출방법을 적용하여 홍채영역의 수직성분 값(F3)을 계산하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 W3는 가중되는 값이 동일한 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법으로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 특징벡터 추출단계에서 추출한 특징벡터를 미리 등록하는 등록단계를 더 포함하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법으로서 상술한 과제를 해결한다.

상기 목적을 달성하기 위하여 본 발명의 또 다른 실시예에서는 외부로부터 입력된 눈 영상에 캐니 경계선 검출방법, 바이섹션(Bisection)법 및 탄성체 모델을 적용하여 홍채영상을 추출하는 홍채영상 추출 프로세스; 상기 추출된 홍채영상을 웨이블렛 패킷변환하여 다중분할하고, 다중분할된 영상으로부터 홍채 특징영역을 구하여 통계적인 방법에 의해 특징벡터를 추출하는 특징벡터 추출 프로세스; 및 상기 추출된 특징벡터와 미리 등록되어 있는 특징벡터를 비교하여 개인을 식별하는 인식 프로세스를 포함하는 웨이블렛 패킷변환을 이용한 홍채인식 프로그램을 저장한 기록매체를 제공한다.

또, 본 발명에서, 상기 인식 프로세스는 상기 추출된 특징벡터와 미리 등록되어 있는 특징벡터에 지지벡터 기계학습(Support Vector machines)법을 적용하여 특징벡터간 거리를 계산하고, 상기 계산된 특징벡터간 거리가 미리 지정된 기준값보다 작으면 동일인으로 인식하는 것을 특징으로 하는 기록매체로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 홍채영상 추출 프로세스는 (a1) 상기 눈 영상에 캐니 경계선 검출방법을 적용하여 경계요소를 검출하는 프로세스; (a2) 상기 검출된 경계요소를 그룹화하는 프로세스; (a3) 상기 그룹화된 경계요소에 바이섹션법을 적용하여 홍채를 추출하는 프로세스; 및 (a4) 상기 추출된 홍채영상에 탄성체 모델을 적용하여 정규화하는 프로세스를 포함하는 것을 특징으로 하는 기록매체로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 탄성체 모델은 공막에 일단이 결합되고 동공에 타단이 결합되며 길이 방향으로 변형가능한 복수의 탄성체로 이루어진 것을 특징으로 하는 기록매체로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 특징벡터 추출 프로세스는 (b1) 상기 홍채영상 추출 프로세스에서 추출된 홍채영상을 웨이블렛 패킷 변환하여 다중분할하는 프로세스; (b2) 상기 다중분할된 홍채영상 각 영역의 에너지값을 계산하는 프로세스; (b3) 상기 다중분할된 홍채영상의 영역 중 에너지값이 미리 정한 기준값보다 큰 영역을 추출하여 저장하고, 상기 추출된 영역에 대하여 다시 상기 (b1)단계부터 미리 지정된 횟수만큼 반복하는 프로세스; 및 (b4) 상기 추출되어 저장된 영역을 여러 개의 부영역으로 분할하여 각 부영역의 평균과 표준편차를 구한 후, 상기 평균과 표준편차를 이용하여 특징벡터를 구성하는 프로세스를 포함하는 것을 특징으로 하는 기록매체로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 에너지값은 상기 다중분할된 영역의 값을 제곱하여 더한 후 전체개수로 나눈 값인 것을 특징으로 하는 기록매체로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 홍채영상을 추출하기 전에 상기 외부로부터 입력받은 눈 영상을 필터링하는 영상 필터링 프로세스를 더 포함하는 것을 특징으로 하는 기록매체로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 영상 필터링 프로세스는 (c1) 상기 눈 영상의 깜빡임을 탐색하는 프로세스; (c2) 상기 눈 영상에서 동공위치를 탐색하는 프로세스; (c3) 에지(edge)의 수직성분을 탐색하는 프로세스; (c4) 상기 (c1),(c2),(c3)프로세스에서 탐색한 값에 가중치(W1,W2,W3)를 각각 곱한 결과가 미리 정한 기준값보다 큰 눈 영상을 제외시키고, 나머지 눈 영상을 사용하는 프로세스를 포함하는 것을 특징으로 하는 기록매체로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 (c1)프로세스는 상기 눈 영상을 가로 M개, 세로 N개의 블록으로 분할하였을 때, 행별로 블록들의 평균밝기 합을 계산하여 가장 밝은 값(F1)을 출력하는 것을 특징으로 하는 기록매체로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 W1은 상기 눈 영상의 세로중심으로부터 멀수록 가중되는 것을 특징으로 하는 기록매체로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 (c2)프로세스는 상기 눈 영상을 가로 M개, 세로 N개의 블록으로 분할하였을 때, 각 블록의 평균밝기가 미리 지정된 값보다 작은 블록(F2)을 계산하는 것을 특징으로 하는 기록매체로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 W2는 동공의 중심이 상기 눈 영상의 중심으로부터 멀수록 가중되는 것을 특징으로 하는 기록매체로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 (c3)프로세스는 소벨(Sobel) 경계선 검출방법을 적용하여 홍채영역의 수직성분 값(F3)을 계산하는 것을 특징으로 하는 기록매체로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 W3는 가중되는 값이 동일한 것을 특징으로 하는 기록매체로서 상술한 과제를 해결한다.

또, 본 발명에서, 상기 특징벡터 추출 프로세스에서 추출한 특징벡터를 미리 등록하는 등록 프로세스를 더 포함하는 것을 특징으로 하는 기록매체로서 상술한 과제를 해결한다.

본 발명의 목적과 특징 및 장점은 첨부 도면 및 다음의 상세한 설명을 참조함으로서 더욱 쉽게 이해될 수 있을 것이다.

본 발명은 캐니 경계선 검출방법, 바이섹션(Bisection)법 및 탄성체 모델을 이용하여 눈 영상으로부터 홍채영상을 추출하고, 웨이블렛 패킷변환을 이용하여 특징영역을 효과적으로 추출한 후 특징벡터를 구성하며, 지지벡터 기계학습(Support Vector Machines)을 분류규칙으로 이용하여 인식오류를 최소화하는 방법 및 그를 지원하도록 구현되는 시스템을 바람직한 실시예로 제안한다.

본 발명의 바람직한 실시예는 본 발명방법을 실행하도록 프로그램된 컴퓨터 시스템 및 컴퓨터 프로그램 제품과 같은 실시예를 포함한다. 컴퓨터 시스템의 실시예에 따르면, 방법을 실행하기 위한 명령어 세트는 하나 또는 그 이상의 메모리에 상주하며, 이들 명령어 세트는 CD-ROM 등과 같은 기록매체에 컴퓨터 프로그램 제품으로서 저장될 수 있다.

도 1a는 본 발명에 따른 웨이블렛 패킷변환을 이용한 홍채인식 시스템의 일실시예를 도시한 블록 구성도이다. 도 1a를 참조하면, 홍채인식 시스템은 홍채영상 추출수단(10), 특징벡터 추출수단(20), 인식수단(30) 및 특징벡터 DB(40)를 포함한다.

홍채영상 추출수단(10)은 외부로부터 입력된 눈 영상에 캐니 경계선 검출방법, 바이섹션(Bisection)법 및 탄성체 모델을 적용하여 홍채영상을 추출한다.

특징벡터 추출수단(20)은 홍채영상 추출수단(10)에서 추출된 홍채영상을 웨이블렛 패킷변환하여 다중분할하고, 다중분할된 영상으로부터 홍채 특징영역을 구하여 통계적인 방법에 의해 특징벡터를 추출한다.

인식수단(30)은 특징벡터 추출수단(20)에서 추출된 특징벡터와 특징벡터 DB(40)에 등록된 특징벡터를 비교하여 개인을 식별하며, 특징벡터 DB(40)에는 각 개인을 식별하기 위한 특징벡터들이 미리 등록되어 있다.

본 발명에서 인식수단(30)은 특징벡터 추출수단(20)에서 추출된 특징벡터와 특징벡터 DB(40)에 등록되어 있는 특징벡터에 지지벡터 기계학습(Support Vector machines)법을 적용하여 특징벡터간 거리를 계산한다.

그리고, 인식수단(30)은 계산된 특징벡터간 거리가 미리 지정된 기준값보다 작으면 동일인으로 인식한 결과를 출력하고, 기준값보다 크면 다른 사람으로 인식한 결과를 출력한다.

이와 같이 지지벡터 기계학습을 사용하는 이유는 웨이블렛 패킷변환을 이용하여 구성한 특징벡터 집단간의 구분력과 정확도가 가장 뛰어나기 때문이다.

도 1b는 도 1a의 홍채인식 시스템에 등록수단이 더 포함된 실시예를 나타낸 블록 구성도이다. 등록수단(50)은 특징벡터 추출수단(20)이 추출한 특징벡터를 특징벡터 DB(40)에 등록시킨다.

본 발명은 사람의 눈 영상을 촬영하여 홍채영상 추출수단(10)에 출력하는 촬영수단(미도시)을 더 포함시켜 구성할 수도 있다.

도 2a는 홍채영상 추출수단의 일실시예를 도시한 블록 구성도이다.

도 2a를 참조하면, 홍채영상 추출수단(10)은 경계요소 검출부(12), 그룹화부(14), 홍채영상 추출부(16), 및 정규화부(18)를 포함한다.

경계요소 검출부(12)는 캐니 경계선 검출방법을 이용하여 경계요소를 검출한다. 이 때, 눈 영상의 전경과 배경에 차이가 많이 발생하는 홍채(도 2c의 72)와 공막(도 2c의 74)의 경계요소는 잘 추출된다. 그러나, 동공(도 2c의 71)과 홍채의 배경에는 차이가 많이 나지 않아서 경계요소가 잘 추출되지 않는 경우가 있다.

그리고, 공막에서 여러 개의 경계요소가 추출되기도 한다.

따라서, 보다 정확하게 동공(71)과 홍채(72)의 경계 및 공막(74, 도 2c 참조)과 홍채(72)의 경계를 찾아내기 위해 그룹화부(14)와 홍채영상 추출부(16)가 사용된다.

그룹화부(14)는 경계요소 검출부(12)에서 검출된 경계요소를 그룹화한다. 추출된 경계요소가 아래에 도시한 왼쪽 표(a)와 같을 때, 경계요소를 그룹화하면 표(b)와 같이 된다.

이와 같이, 그룹화부(14)는 연결된 픽셀 경계요소들을 각각의 그룹으로 묶으며, 여기에는 연결된 순서대로 정렬하는 것도 포함된다.

도 2b는 홍채영상 추출부(16)가 그룹화된 경계요소에 바이섹션법을 적용하여 홍채를 추출하는 것을 설명하기 위한 도면이다.

도 2b를 참조하면, 홍채영상 추출부(16)는 그룹화된 연결요소들을 하나의 경계집합으로 보고 각각의 경계집합에 바이섹션법을 적용하여 원의 중심을 찾는다. 도 2b와 같이 임의의 두 점A(X_A,Y_A), B(X_B,Y_B)를 연결하는 직선에 수직이등분선(C)을 구하고, 이와 같은 방법으로 구한 직선들이 한 점(O)으로 근접하는지를 확인한다.

그래서, 근접한 정도가 가장 높은 경계집합 중 안쪽에 위치하는 경계집합을 홍채의 내부경계로 결정하고, 바깥쪽에 위치하는 경계집합을 홍채의 외부경계로 결정한다.

홍채영상 추출부(16)에서 추출된 홍채영상은 정규화부(18)에서 탄성체 모델이 적용되어 정규화된다. 도 2c는 정규화부가 홍채영상에 적용하는 탄성체 모델을 도시한 도면이다.

탄성체 모델을 사용하는 이유는 동공(71)과 공막(74)을 경계로 이루어진 홍채(72)영상을 일정한 공간으로 사상시킬 필요성이 있기 때문이며, 그 모양이 일그러져도 영역관계는 일대일 대응되어야 한다는 조건을 전제시킨 것으로써 모양이 일그러질 때의 이동도 고려해야 한다.

탄성체 모델은 공막(74)에 일단이 핀 조인트로 결합되고 동공(71)에 타단이 결합된 복수개의 탄성체로 이루어져 있고, 탄성체는 길이 방향으로 변형될 수 있으며, 길이에 수직한 방향으로는 변형되지 않는다는 제한조건으로 모델링된다.

이러한 조건을 가지면 탄성체의 고정 선단은 핀 조인트로 결합되어 있으므로 좌우회전이 가능하며, 동공(71)은 탄성체의 고정되지 않은 타단들이 이루는 모양으로서, 동공(71) 경계에 수직한 방향은 이 탄성체의 축 방향이라고 설정할 수 있다.

홍채영상에 분포하는 홍채무늬는 동공(71)에 가까운 영역에서는 밀접해 있고, 공막(74)에 가까운 영역에서는 넓게 분포하게 된다. 따라서, 동공(71)에 가까운 영역에서 사소한 오차가 발생하더라도 인식이 잘 안 되는 문제가 발생할 수 있고, 서로 다른 사람임에도 불구하고 공막(74)에 가까운 영역에서는 동일인으로 인식하는 문제가 발생할 수 있다.

또, 홍채근육의 비대칭적인 수축이나 팽창 등의 변형으로 오류가 발생할 수 있고, 눈 영상을 촬영하는 각도가 동공에 수직하지 않고 기울어져 있으면 원래의 영상이 변형될 수 있다.

위와 같은 이유로, 탄성체 모델을 적용하면 도 1에 도시된 바와 같이 정규화된 홍채영상(73)을 얻을 수 있다. 탄성체 모델을 적용하는 과정을 자세히 설명하면 다음과 같다.

홍채의 내부경계와 외부경계에는 다음과 같은 관계가 성립한다.

내부경계에 위치한 어느 한 점의 좌표 : (Xi,Yi),

Xi,Yi 에서의 법선벡터 방향 : Ni,

외부경계의 중심 : (Xoc,Yoc), 외부경계의 반지름 : Ro

Xi,Yi를 포함하는 탄성체가 외부경계와 핀 조인트되는 위치 : (Xo,Yo)

(Xoc,Yoc)와 (Xo,Yo)가 이루는 각 : To

즉, 내부경계에 대한 법선벡터 방향(Ni)을 계산하고, 위 수식과 같이 Ni와 To의 관계를 설정한다. 그리고, 외부경계의 원을 기준으로 극좌표의 각을 일정 각도단위로 이동하면서 To 에 대한 Ni와 (Xi,Yi)를 계산하고, (Xi,Yi)와 (Xo,Yo) 사이의 영상을 정규화한다. 이와 같은 과정에 따라 얻어진 홍채영상은 홍채의 움직임에 의한 변형에 강한 특성을 갖게 된다.

도 3a는 특징벡터 추출수단의 일실시예를 도시한 블록 구성도이다.

도 3a를 참조하면, 특징벡터 추출수단(20)은 다중 분할부(22), 계산부(24), 특징영역 추출부(26), 및 특징벡터부(28)를 포함한다.

다중 분할부(22)는 홍채영상 추출수단(10)에서 추출된 홍채영상을 웨이블렛 패킷 변환한다. 이하에서, 웨이블렛 패킷변환에 대해 더 자세히 설명하기로 한다.

웨이블렛 패킷변환은 2차원의 홍채영상을 주파수와 시간의 국부성을 갖도록 분해한다. 웨이블렛 패킷 변환을 1회 적용할 때마다, 홍채영상은 도 3b와 같이 4가지 영역, 고주파 성분 HH,HL,LH와 저주파 성분 LL로 나누어진다.

주파수가 가장 낮은 대역은 원래 영상과 같은 통계적 특성을 나타내며, 나머지 대역은 경계영역에 에너지가 집중되는 특징을 가진다.

웨이블렛 패킷변환은 풍부한 웨이블렛 기저를 제공하므로, 홍채영상의 공간-주파수 특성에 알맞은 기저를 선택하면 효율적인 분해가 가능하다. 따라서, 저주파 대역 뿐만 아니라 고주파 대역에도 중요정보를 많이 포함하는 홍채영상의 공간-주파수 특성에 맞게 분해가 가능하다.

계산부(24)는 다중 분할부(22)에서 다중분할된 홍채영상 각 영역의 에너지값을 계산한다.

그리고, 특징영역 추출부(26)는 다중분할된 홍채영상의 영역 중 에너지값이 미리 정한 기준값보다 큰 영역을 추출하여 저장한다.

특징영역 추출부(26)에서 추출되는 영역은 다중 분할부(22)에서 재차 웨이블렛 변환된 후 계산부(24)에서 에너지값이 계산되는 과정이 미리 지정된 횟수만큼 반복 실행된다. 그리고, 에너지값이 기준값보다 큰 영역은 각각 특징영역 추출부(26)에 저장된다.

모든 영역을 대상으로 홍채특징을 추출하여 특징벡터를 구성하면, 중요하지 않은 정보가 포함된 영역을 사용함으로써 인식률을 저하시킬 뿐만 아니라, 처리시간도 비효율적으로 된다. 따라서, 높은 에너지값을 가지는 영역이 보다 많은 특징정보를 포함하는 것으로 간주하고, 특징영역 추출부(26)에서 기준값보다 큰 영역만을 추출하는 것이다.

도 3b는 웨이블렛 패킷변환이 3회 적용된 경우의 홍채 특징영역이다. 여기서, 2회까지는 LL영역만이 기준값보다 큰 에너지값을 가지고, 3회에서 LL3와 HL3가 기준값보다 큰 에너지값을 가지는 것으로 가정한다. 그러면, LL1, LL2, LL3, HL3가 홍채의 특징영역으로 추출되어 저장되는 것이다.

특징벡터부(28)는 특징영역 추출부(26)에서 추출되어 저장된 영역을 M(가로) ×N(세로)의 부영역으로 분할하여 각 부영역의 평균과 표준편차를 구한 후, 구해진 평균과 표준편차를 이용하여 특징벡터를 구성한다.

도 4a는 홍채인식 시스템에 필터링 수단이 더 포함된 실시예를 나타낸 블록 구성도이고, 도 4b는 필터링 수단의 일실시예를 나타낸 블록 구성도이다.

필터링 수단(60)은 외부로부터 입력받은 눈 영상 중 품질이 좋지 못한 영상을 필터링하여 홍채영상 추출수단(10)에 출력하며, 깜빡임 탐색부(62), 동공위치 탐색부(64), 수직성분 탐색부(66), 및 필터링부(68)를 포함한다.

깜빡임 탐색부(62)는 눈 영상의 깜빡임을 탐색하여 필터링부(68)에 출력한다. 즉, 눈 영상이 가로 M개, 세로 N개의 블록으로 분할된다면, 행별로 블록들의 평균밝기 합을 계산하여 가장 밝은 값(F1)을 필터링부(68)에 출력한다.

이것은 눈꺼풀이 홍채보다 밝다는 특징을 이용하는 것으로서, 눈꺼풀이 중앙에 위치할수록 홍채를 가리게 되므로 개인을 인식하기 힘든 영상을 가려내기 위한 것이다.

동공위치 탐색부(64)는 눈 영상에서 동공위치를 탐색하여 필터링부(68)에 출력한다. 즉, 눈 영상이 가로 M개, 세로 N개의 블록으로 분할된다면, 각 블록의 평균밝기가 미리 지정된 값보다 작은 블록(F2)을 찾아서 필터링부(68)에 출력한다. 눈 영상에서 가장 어두운 부분이 동공이므로, 세로중심을 기준으로 해서 눈 영상을 탐지하면 비교적 쉽게 찾을 수 있다.

그리고, 수직성분 탐색부(66)는 눈 영상에서 에지(edge)의 수직성분을 탐색하여 필터링부(68)에 출력한다. 수직성분 탐색부(66)는 눈 영상에 소벨(Sobel) 경계선 검출방법을 적용하여 홍채영역의 수직성분 값을 계산한다.

이것은 사람의 눈꺼풀에 있는 속눈썹(예를 들면, 마스카라)이 홍채를 가리게 되면 인식이 어려워지므로, 속눈썹이 수직으로 위치하는 점을 이용하여 품질이 좋지 않은 영상을 가려내기 위한 것이다.

필터링부(68)는 깜빡임 탐색부(62)와 동공위치 탐색부(64) 및 수직성분 탐색부(66)로부터 입력된 값(F1,F2,F3)에 가중치(W1,W2,W3)를 각각 곱한다. 필터링부(68)는 곱한 결과가 미리 정한 기준값보다 큰 눈 영상을 제외시키고, 나머지 눈 영상을 홍채영상 추출수단(10)으로 출력한다.

여기서, W1은 눈 영상의 세로중심으로부터 멀수록 가중되는 것이 바람직하다. 예를들어, 눈 영상의 세로중심 행에 가중치로 1을 적용한다면, 세로중심 행으로부터 5블록 떨어져 있는 행에는 가중치로 5를 적용하는 것이다.

그리고, W2는 동공의 중심이 눈 영상의 중심으로부터 멀수록 가중되고, W3는 위치에 상관없이 가중되는 값이 동일한 것이 바람직하다.

필터링부(68)에 적용하는 기준값을 조정함으로써 인식에 적합한 영상의 품질정도를 결정할 수 있다. F1,F2,F3에 W1,W2,W3를 곱한 결과는 일정시간 획득된 각 동영상 프레임의 우선순위를 결정하는 기준으로 사용될 수도 있으며, 곱한 결과가 낮을수록 우선순위는 높은 것이 바람직하다.

도 5는 본 발명에 따른 웨이블렛 패킷변환을 이용한 홍채인식 방법의 일실시예를 도시한 흐름도이다. 도 5를 참조하면, 본 발명방법은 홍채영상 추출단계(S100), 특징벡터 추출단계(S200), 및 인식단계(S300)를 포함한다.

홍채영상 추출단계(S100)는 외부로부터 입력된 눈 영상에 캐니 경계선 검출방법, 바이섹션(Bisection)법 및 탄성체 모델을 적용하여 홍채영상을 추출한다.

특징벡터 추출단계(S200)는 추출된 홍채영상을 웨이블렛 패킷변환하여 다중분할하고, 다중분할된 영상으로부터 홍채 특징영역을 구하여 통계적인 방법에 의해 특징벡터를 추출한다.

인식단계(S300)는 추출된 특징벡터와 미리 등록되어 있는 특징벡터를 비교하여 개인을 식별한다. 이 때, 인식단계(S300)는 추출된 특징벡터와 미리 등록되어 있는 특징벡터에 지지벡터 기계학습법을 적용하여 개인을 식별한다.

도면에 도시하지는 않았지만, 본 발명방법은 특징벡터 추출단계(S200)에서 추출한 특징벡터를 미리 등록하는 등록단계를 더 포함할 수 있다.

도 6은 홍채영상 추출단계를 상세히 나타낸 흐름도이다.

도 6을 참조하면, 홍채영상 추출단계(S100)는 눈 영상에 캐니 경계선 검출방법을 적용하여 경계요소를 검출하는 단계(S110), 검출된 경계요소를 그룹화하는 단계(S120), 그룹화된 경계요소에 바이섹션법을 적용하여 홍채를 추출하는 단계(S130), 및 추출된 홍채영상에 탄성체 모델을 적용하여 정규화하는 단계(S140)를 포함한다.

도 7은 특징벡터 추출단계를 상세히 나타낸 흐름도이다.

도 7을 참조하면, 특징벡터 추출단계(S200)는 홍채영상 추출단계에서 추출된 홍채영상을 웨이블렛 패킷 변환하여 다중분할하는 단계(S210), 다중분할된 홍채영상 각 영역의 에너지값을 계산하는 단계(S220), 다중분할된 홍채영상의 영역 중 에너지값이 미리 정한 기준값보다 큰 영역을 추출하여 저장하고, 추출된 영역에 대하여 다시 S210 단계부터 미리 지정된 횟수만큼 반복하는 단계(S230~S240), 및 추출되어 저장된 영역을 여러 개의 부영역으로 분할하여 평균과 표준편차를 구한 후 구해진 평균과 표준편차를 이용하여 특징벡터를 구성하는 단계(S250~S260)를 포함한다.

그리고, 본 발명에 따른 홍채인식 방법은 도 8과 같이 영상 필터링 단계를 더 포함할 수 있다.

도 8을 참조하면, 영상 필터링 단계(S400)는 눈 영상의 깜빡임을 탐색하는 단계(S410)와, 눈 영상에서 동공위치를 탐색하는 단계(S420)와, 에지의 수직성분을 탐색하는 단계(S430)와, S410~S430 단계에서 탐색한 값에 가중치(W1,W2,W3)를 각각 곱한 결과가 미리 정한 기준값보다 큰 눈 영상을 제외시키고 나머지 눈 영상을 사용하는 단계(S440)를 포함한다.

이상과 같이 구성된 본 발명에서 홍채인식 시스템이 눈 영상으로부터 홍채영상을 추출하고, 웨이블렛 패킷변환을 이용하여 추출한 특징영역으로 특징벡터를 구성한 후 미리 등록된 특징벡터와 비교하여 인식하는 과정을 도 1 내지 도 8을 참조하여 자세히 설명하면 다음과 같다.

먼저, 홍채영상 추출수단(20)의 경계요소 검출부(12)는 외부로부터 입력된 눈 영상에 캐니 경계선 검출방법을 적용하여 경계요소를 검출한다(S110). 즉, 눈 영상에서 전경과 배경에 차이가 많이 발생하는 경계를 찾는다.

보다 정확하게 동공(71)과 홍채(72)의 경계요소 및 공막(74)과 홍채(72)의 경계요소를 찾아내기 위해서, 그룹화부(14)에서 검출된 경계요소를 각각의 그룹으로 묶어 그룹화한다(S120). 그리고, 홍채영상 추출부(16)는 그룹화된 경계요소에 도 2b와 같이 바이섹션법을 적용하여 홍채를 추출한다(S130).

정규화부(18)는 홍채영상 추출부(16)에서 추출된 홍채영상에 도 2c에 도시한 탄성체 모델을 적용하여 정규화시킨 후 특징벡터 추출수단(20)으로 출력한다(S140).

특징벡터 추출수단(20)의 다중 분할부(22)는 홍채영상 추출수단(10)에서 추출된 홍채영상을 웨이블렛 패킷변환하여 도 3b와 같이 다중분할한다(S210). 그러면, 계산부(24)가 다중분할된 홍채영상 각 영역의 에너지값을 계산한다(S220).

특징영역 추출부(26)는 계산부(24)에서 계산된 에너지값이 미리 정한 기준값보다 큰지를 비교한다(S230).

에너지값이 기준값보다 크면 그 영역을 추출하여 저장하고(S235), 추출되는 영역을 미리 지정된 횟수만큼 S210 단계부터 반복한다(S240).

이와 같은 과정으로 에너지값이 기준값보다 큰 홍채 특징영역을 추출하여 저장하면, 특징벡터부(28)는 특징영역 추출부(26)에서 추출되어 저장된 영역을 부영역으로 분할하여 평균과 표준편차를 구한다(S250). 그리고, S250 단계에서 구한 평균과 표준편차를 이용하여 특징벡터를 구성한다(S260).

마지막에 인식수단(30)은 특징벡터 추출수단(20)에서 추출된 특징벡터와 특징벡터 DB(40)에 등록된 특징벡터에 지지벡터 기계학습법을 적용하여 동일성 여부를 식별한다(S300).

즉, 두 개의 벡터에 지지벡터 기계학습법을 적용하여 특징벡터간 거리를 계산한 후, 계산된 특징벡터간 거리가 미리 지정된 기준값보다 작으면 동일인으로 인식하는 것이다.

한편, 도 4a와 같이 필터링 수단(60)이 더 포함된 경우, 필터링 수단(60)은 외부로부터 입력받은 눈 영상을 필터링하여 홍채영상 추출수단(10)에 출력한다(S400).

깜빡임 탐색부(62)는 행별로 블록들의 평균밝기 합을 계산하여 가장 밝은 값(F1)을 필터링부(68)에 출력하고(S410), 동공위치 탐색부(64)는 각 블록의 평균밝기가 미리 지정된 값보다 작은 블록(F2)을 계산하여 필터링부(68)에 출력한다(S420). 그리고, 수직성분 탐색부(66)는 눈 영상에 소벨(Sobel) 경계선 검출방법을 적용하여 홍채영역의 수직성분 값(F3)을 계산한다(S430).

그러면, 필터링부(68)는 깜빡임 탐색부(62)와 동공위치 탐색부(64) 및 수직성분 탐색부(66)가 탐색한 값에 가중치(W1,W2,W3)를 각각 곱하고, 곱한 결과가 미리 정한 기준값보다 큰 눈 영상을 제외시킨다(S440). 필터링부(68)는 나머지 눈 영상을 홍채영상 추출수단(10)으로 출력한다.

이상의 본 발명은 상기에 기술된 실시예들에 의해 한정되지 않고, 당업자들에 의해 다양한 변형 및 변경을 가져올 수 있으며, 이는 첨부된 청구항에서 정의되는 본 발명의 취지와 범위에 포함된다.

이상에서 살펴본 바와 같이 본 발명은, 캐니 경계선 검출방법, 바이섹션(Bisection)법 및 탄성체 모델을 이용하여 정보의 손실없이 홍채영상을 추출할 수 있다.

그리고, 동공의 움직임이나 홍채영역의 회전 및 위치 변경, 카메라의 명암차로 홍채영상이 찌그러지는 등의 잡영에 의한 영향을 최소화 할 수 있고, 홍채검출의 정확성을 향상시킬 수 있다.

따라서, 눈 영상 입력시 사용자의 위치와 거리에 영향을 받지 않고 영상획득이 가능하므로 사용자의 편의성을 극대화 할 수 있다.

또, 웨이블렛 패킷변환을 이용하여 홍채영상의 저주파와 고주파 대역에서도 효과적으로 특징영역을 추출하여 특징벡터를 구성할 수 있다. 특히, 종래에 비해 축소된 크기를 가지면서도 보다 많은 특징을 포함하는 특징벡터를 구성할 수 있으므로, 특징벡터의 크기를 효과적으로 줄일 수 있다.

또, 지지벡터 기계학습을 분류규칙으로 이용하여 단순하고 큰 값에 영향을 받지 않는 특징벡터로 정규화할 수 있고, 동일인과 타인간의 변별력을 극대화시킬 수 있다. 따라서, 처리성능이나 처리시간의 관점에서 효율적으로 인식할 수 있는 기술을 제공한다.

그리고, 홍채패턴 정보의 분석 이외에 다양한 패턴인식 분야의 문제에도 유연성 있게 적용할 수 있는 기반을 제공한다.

또, 입력된 눈 영상에 깜빡임이 있는 경우, 사용자의 움직임으로 인해 동공 중심이 영상의 중앙에서 크게 벗어나 홍채 영역의 일부가 사라진 경우, 눈꺼풀에 의하여 생기는 그림자의 영향으로 홍채영상이 불분명하게 나타나는 경우, 또는 잡영이 심하게 들어간 경우의 영상을 사전에 실시간 처리로 제외시킴으로써 처리의 효율성과 인식률을 향상시킬 수 있는 등의 이점이 있다.

도 1a는 본 발명에 따른 웨이블렛 패킷변환을 이용한 홍채인식 시스템의 일실시예를 도시한 블록 구성도.

도 1b는 등록수단이 더 포함된 홍채인식 시스템의 블록 구성도.

도 2a는 홍채영상 추출수단의 일실시예를 도시한 블록 구성도.

도 2b는 바이섹션법을 적용하여 홍채를 추출하는 방법을 설명하기 위한 도면.

도 2c는 홍채영상에 적용하는 탄성체 모델을 도시한 도면.

도 3a는 특징벡터 추출수단의 일실시예를 도시한 블록 구성도.

도 3b는 홍채 특징영역을 설명하기 위한 도면.

도 4a는 필터링 수단이 더 포함된 홍채인식 시스템의 실시예를 나타낸 블록 구성도

도 4b는 필터링 수단의 일실시예를 나타낸 블록 구성도.

도 5는 본 발명에 따른 웨이블렛 패킷변환을 이용한 홍채인식 방법의 일실시예를 도시한 흐름도.

도 6은 홍채영상 추출단계를 상세히 나타낸 흐름도.

도 7은 특징벡터 추출단계를 상세히 나타낸 흐름도.

도 8은 영상 필터링 단계를 도시한 흐름도.

<도면의 주요부분에 대한 부호의 설명>

10 : 홍채영상 추출수단 20 : 특징벡터 추출수단

30 : 인식수단 40 : 특징벡터 DB

50 : 등록수단 60 : 필터링 수단

Claims (46)

1. 개인을 식별하기 위한 특징벡터를 미리 등록한 특징벡터 DB;

   외부로부터 입력된 눈 영상에 캐니 경계선 검출방법, 바이섹션(Bisection)법 및 탄성체 모델을 적용하여 홍채영상을 추출하는 홍채영상 추출수단;

   상기 홍채영상 추출수단에서 추출된 홍채영상을 웨이블렛 패킷변환하여 다중분할하고, 다중분할된 영상으로부터 홍채 특징영역을 구하여 통계적인 방법에 의해 특징벡터를 추출하는 특징벡터 추출수단;

   상기 특징벡터 추출수단에서 추출된 특징벡터와 상기 특징벡터 DB에 등록된 특징벡터를 비교하여 개인을 식별하는 인식수단; 및

   상기 외부로부터 입력받은 눈 영상을 필터링하여 상기 홍채영상 추출수단에 출력하는 필터링 수단;을 포함하며,

   상기 필터링 수단은:

   상기 눈 영상의 깜빡임을 탐색하기 위한 깜빡임 탐색부;

   상기 눈 영상에서 동공위치를 탐색하기 위한 동공위치 탐색부;

   에지(edge)의 수직성분을 탐색하기 위한 수직성분 탐색부;

   상기 깜빡임 탐색부, 동공위치 탐색부, 및 수직성분 탐색부가 탐색한 값에 가중치(W1,W2,W3)를 각각 곱한 결과가 미리 정한 기준값보다 큰 눈 영상을 제외시키고, 나머지 눈 영상을 상기 홍채영상 추출수단으로 출력하는 필터링부를 포함하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템.
2. 제 1항에 있어서, 상기 인식수단은

   상기 특징벡터 추출수단에서 추출된 특징벡터와 상기 특징벡터 DB에 등록되어 있는 특징벡터에 지지벡터 기계학습(Support Vector machines)법을 적용하여 특징벡터간 거리를 계산하고, 상기 계산된 특징벡터간 거리가 미리 지정된 기준값보다 작으면 동일인으로 인식하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템.
3. 제 1항 또는 제 2항에 있어서, 상기 홍채영상 추출수단은

   상기 눈 영상에 캐니 경계선 검출방법을 적용하여 경계요소를 검출하는 경계요소 검출부;

   상기 검출된 경계요소를 그룹화하는 그룹화부;

   상기 그룹화된 경계요소에 상기 바이섹션법을 적용하여 홍채를 추출하는 홍채영상 추출부; 및

   상기 추출된 홍채영상에 탄성체 모델을 적용하여 정규화하는 정규화부를 포함하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템.
4. 제 3항에 있어서, 상기 탄성체 모델은

   공막에 일단이 결합되고 동공에 타단이 결합되며 길이 방향으로 변형가능한 복수의 탄성체로 이루어진 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템.
5. 제 1항 또는 제 2항에 있어서, 상기 특징벡터 추출수단은

   상기 홍채영상 추출수단에서 추출된 홍채영상을 웨이블렛 패킷 변환하여 다중분할하는 다중 분할부;

   상기 다중분할된 홍채영상 각 영역의 에너지값을 계산하는 계산부;

   상기 다중분할된 홍채영상의 영역 중 에너지값이 미리 정한 기준값보다 큰 영역을 추출하여 저장하는 특징영역 추출부; 및

   상기 특징영역 추출부에서 추출되어 저장된 영역을 여러 개의 부영역으로 분할하여 각 부영역의 평균과 표준편차를 구한 후, 상기 평균과 표준편차를 이용하여 특징벡터를 구성하는 특징벡터부를 포함하고,

   상기 특징영역 추출부에서 추출되는 영역은 상기 다중 분할부에서 재차 웨이블렛 변환되는 과정과 상기 계산부에서 에너지값이 계산되는 과정이 미리 지정된 횟수만큼 반복 실행되며, 그 에너지값이 상기 기준값보다 큰 영역은 각각 상기 특징영역 추출부에 저장되는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템.
6. 제 5항에 있어서, 상기 계산부는

   상기 다중분할된 영역의 값을 제곱하여 더한 후 전체개수로 나누어 에너지값을 계산하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템.
7. 삭제
8. 삭제
9. 제 1항 또는 제 2항에 있어서, 상기 깜빡임 탐색부는

   상기 눈 영상을 가로 M개, 세로 N개의 블록으로 분할하였을 때, 행별로 블록들의 평균밝기 합을 계산하여 가장 밝은 값(F1)을 출력하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템.
10. 제 9항에 있어서, 상기 W1은

    상기 눈 영상의 세로중심으로부터 멀수록 가중되는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템.
11. 제 1항 또는 제 2항에 있어서, 상기 동공위치 탐색부는

    상기 눈 영상을 가로 M개, 세로 N개의 블록으로 분할하였을 때, 각 블록의 평균밝기가 미리 지정된 값보다 작은 블록(F2)을 계산하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템.
12. 제 11항에 있어서, 상기 W2는

    동공의 중심이 상기 눈 영상의 중심으로부터 멀수록 가중되는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템.
13. 제 1항 또는 제 2항에 있어서, 상기 수직성분 탐색부는

    소벨(Sobel) 경계선 검출방법을 적용하여 홍채영역의 수직성분 값(F3)을 계산하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템.
14. 제 13항에 있어서, 상기 W3는 가중되는 값이 동일한 것을 웨이블렛 패킷변환을 이용한 홍채인식 시스템.
15. 제 1항 또는 제 2항에 있어서,

    상기 특징벡터 추출수단이 추출한 특징벡터를 상기 특징벡터 DB에 등록하기 위한 등록수단을 더 포함하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템.
16. 제 1항 또는 제 2항에 있어서,

    사람의 눈 영상을 촬영하여 상기 필터링 수단에 출력하는 촬영수단을 더 포함하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 시스템.
17. 외부로부터 입력된 눈 영상을 필터링하는 영상필터링 단계;

    상기 필터링된 눈 영상에 캐니 경계선 검출방법, 바이섹션(Bisection)법 및 탄성체 모델을 적용하여 홍채영상을 추출하는 홍채영상 추출단계;

    상기 추출된 홍채영상을 웨이블렛 패킷변환하여 다중분할하고, 다중분할된 영상으로부터 홍채 특징영역을 구하여 통계적인 방법에 의해 특징벡터를 추출하는 특징벡터 추출단계; 및

    상기 추출된 특징벡터와 미리 등록되어 있는 특징벡터를 비교하여 개인을 식별하는 인식단계를 포함하고,

    상기 영상 필터링 단계는

    (c1) 상기 눈 영상의 깜빡임을 탐색하는 단계;

    (c2) 상기 눈 영상에서 동공위치를 탐색하는 단계;

    (c3) 에지(edge)의 수직성분을 탐색하는 단계;

    (c4) 상기 (c1),(c2),(c3)단계에서 탐색한 값에 가중치(W1,W2,W3)를 각각 곱한 결과가 미리 정한 기준값보다 큰 눈 영상을 제외시키고, 나머지 눈 영상을 사용하는 단계를 포함하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법.
18. 제 17항에 있어서, 상기 인식단계는

    상기 추출된 특징벡터와 미리 등록되어 있는 특징벡터에 지지벡터 기계학습(Support Vector machines)법을 적용하여 특징벡터간 거리를 계산하고, 상기 계산된 특징벡터간 거리가 미리 지정된 기준값보다 작으면 동일인으로 인식하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법.
19. 제 17항 또는 제 18항에 있어서, 상기 홍채영상 추출단계는

    (a1) 상기 눈 영상에 캐니 경계선 검출방법을 적용하여 경계요소를 검출하는 단계;

    (a2) 상기 검출된 경계요소를 그룹화하는 단계;

    (a3) 상기 그룹화된 경계요소에 바이섹션법을 적용하여 홍채를 추출하는 단계; 및

    (a4) 상기 추출된 홍채영상에 탄성체 모델을 적용하여 정규화하는 단계를 포함하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법.
20. 제 19항에 있어서, 상기 탄성체 모델은

    공막에 일단이 결합되고 동공에 타단이 결합되며 길이 방향으로 변형가능한 복수의 탄성체로 이루어진 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법.
21. 제 17항 또는 제 18항에 있어서, 상기 특징벡터 추출단계는

    (b1) 상기 홍채영상 추출단계에서 추출된 홍채영상을 웨이블렛 패킷 변환하여 다중분할하는 단계;

    (b2) 상기 다중분할된 홍채영상 각 영역의 에너지값을 계산하는 단계;

    (b3) 상기 다중분할된 홍채영상의 영역 중 에너지값이 미리 정한 기준값보다 큰 영역을 추출하여 저장하고, 상기 추출된 영역에 대하여 다시 상기 (b1)단계부터 미리 지정된 횟수만큼 반복하는 단계; 및

    (b4) 상기 추출되어 저장된 영역을 여러 개의 부영역으로 분할하여 각 부영역의 평균과 표준편차를 구한 후, 상기 평균과 표준편차를 이용하여 특징벡터를 구성하는 단계를 포함하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법.
22. 제 21항에 있어서, 상기 에너지값은

    상기 다중분할된 영역의 값을 제곱하여 더한 후 전체개수로 나눈 값인 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법.
23. 삭제
24. 삭제
25. 제 17항 또는 제 18항에 있어서, 상기 (c1)단계는

    상기 눈 영상을 가로 M개, 세로 N개의 블록으로 분할하였을 때, 행별로 블록들의 평균밝기 합을 계산하여 가장 밝은 값(F1)을 출력하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법.
26. 제 25항에 있어서, 상기 W1은

    상기 눈 영상의 세로중심으로부터 멀수록 가중되는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법.
27. 제 17항 또는 제 18항에 있어서, 상기 (c2)단계는

    상기 눈 영상을 가로 M개, 세로 N개의 블록으로 분할하였을 때, 각 블록의 평균밝기가 미리 지정된 값보다 작은 블록(F2)을 계산하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법.
28. 제 27항에 있어서, 상기 W2는

    동공의 중심이 상기 눈 영상의 중심으로부터 멀수록 가중되는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법.
29. 제 17항 또는 제 18항에 있어서, 상기 (c3)단계는

    소벨(Sobel) 경계선 검출방법을 적용하여 홍채영역의 수직성분 값(F3)을 계산하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법.
30. 제 29항에 있어서, 상기 W3는

    가중되는 값이 동일한 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법.
31. 제 17항 또는 제 18항에 있어서,

    상기 특징벡터 추출단계에서 추출한 특징벡터를 미리 등록하는 등록단계를 더 포함하는 것을 특징으로 하는 웨이블렛 패킷변환을 이용한 홍채인식 방법.
32. 외부로부터 입력된 눈 영상을 필터링하는 영상필터링 프로세스;

    상기 필터링된 눈 영상에 캐니 경계선 검출방법, 바이섹션(Bisection)법 및 탄성체 모델을 적용하여 홍채영상을 추출하는 홍채영상 추출 프로세스;

    상기 추출된 홍채영상을 웨이블렛 패킷변환하여 다중분할하고, 다중분할된 영상으로부터 홍채 특징영역을 구하여 통계적인 방법에 의해 특징벡터를 추출하는 특징벡터 추출 프로세스; 및

    상기 추출된 특징벡터와 미리 등록되어 있는 특징벡터를 비교하여 개인을 식별하는 인식 프로세스를 포함하며,

    상기 영상 필터링 프로세스는

    (c1) 상기 눈 영상의 깜빡임을 탐색하는 프로세스;

    (c2) 상기 눈 영상에서 동공위치를 탐색하는 프로세스;

    (c3) 에지(edge)의 수직성분을 탐색하는 프로세스;

    (c4) 상기 (c1),(c2),(c3)프로세스에서 탐색한 값에 가중치(W1,W2,W3)를 각각 곱한 결과가 미리 정한 기준값보다 큰 눈 영상을 제외시키고, 나머지 눈 영상을 사용하는 프로세스를 포함하는 것을 특징으로 하는 기록매체.
33. 제 32항에 있어서, 상기 인식 프로세스는

    상기 추출된 특징벡터와 미리 등록되어 있는 특징벡터에 지지벡터 기계학습(Support Vector machines)법을 적용하여 특징벡터간 거리를 계산하고, 상기 계산된 특징벡터간 거리가 미리 지정된 기준값보다 작으면 동일인으로 인식하는 것을 특징으로 하는 기록매체.
34. 제 32항 또는 제 33항에 있어서, 상기 홍채영상 추출 프로세스는

    (a1) 상기 눈 영상에 캐니 경계선 검출방법을 적용하여 경계요소를 검출하는 프로세스;

    (a2) 상기 검출된 경계요소를 그룹화하는 프로세스;

    (a3) 상기 그룹화된 경계요소에 바이섹션법을 적용하여 홍채를 추출하는 프로세스; 및

    (a4) 상기 추출된 홍채영상에 탄성체 모델을 적용하여 정규화하는 프로세스를 포함하는 것을 특징으로 하는 기록매체.
35. 제 34항에 있어서, 상기 탄성체 모델은

    공막에 일단이 결합되고 동공에 타단이 결합되며 길이 방향으로 변형가능한 복수의 탄성체로 이루어진 것을 특징으로 하는 기록매체.
36. 제 32항 또는 제 33항에 있어서, 상기 특징벡터 추출 프로세스는

    (b1) 상기 홍채영상 추출 프로세스에서 추출된 홍채영상을 웨이블렛 패킷 변환하여 다중분할하는 프로세스;

    (b2) 상기 다중분할된 홍채영상 각 영역의 에너지값을 계산하는 프로세스;

    (b3) 상기 다중분할된 홍채영상의 영역 중 에너지값이 미리 정한 기준값보다 큰 영역을 추출하여 저장하고, 상기 추출된 영역에 대하여 다시 상기 (b1)단계부터 미리 지정된 횟수만큼 반복하는 프로세스; 및

    (b4) 상기 추출되어 저장된 영역을 여러 개의 부영역으로 분할하여 각 부영역의 평균과 표준편차를 구한 후, 상기 평균과 표준편차를 이용하여 특징벡터를 구성하는 프로세스를 포함하는 것을 특징으로 하는 기록매체.
37. 제 36항에 있어서, 상기 에너지값은

    상기 다중분할된 영역의 값을 제곱하여 더한 후 전체개수로 나눈 값인 것을 특징으로 하는 기록매체.
38. 삭제
39. 삭제
40. 제 32항 또는 제 33항에 있어서, 상기 (c1)프로세스는

    상기 눈 영상을 가로 M개, 세로 N개의 블록으로 분할하였을 때, 행별로 블록들의 평균밝기 합을 계산하여 가장 밝은 값(F1)을 출력하는 것을 특징으로 하는 기록매체.
41. 제 40항에 있어서, 상기 W1은

    상기 눈 영상의 세로중심으로부터 멀수록 가중되는 것을 특징으로 하는 기록매체.
42. 제 32항 또는 제 33항에 있어서, 상기 (c2)프로세스는

    상기 눈 영상을 가로 M개, 세로 N개의 블록으로 분할하였을 때, 각 블록의 평균밝기가 미리 지정된 값보다 작은 블록(F2)을 계산하는 것을 특징으로 하는 기록매체.
43. 제 42항에 있어서, 상기 W2는

    동공의 중심이 상기 눈 영상의 중심으로부터 멀수록 가중되는 것을 특징으로 하는 기록매체.
44. 제 32항 또는 제 33항에 있어서, 상기 (c3)프로세스는

    소벨(Sobel) 경계선 검출방법을 적용하여 홍채영역의 수직성분 값(F3)을 계산하는 것을 특징으로 하는 기록매체.
45. 제 44항에 있어서, 상기 W3는

    가중되는 값이 동일한 것을 특징으로 하는 기록매체.
46. 제 32항 또는 제 33항에 있어서,

    상기 특징벡터 추출 프로세스에서 추출한 특징벡터를 미리 등록하는 등록 프로세스를 더 포함하는 것을 특징으로 하는 기록매체.