KR100834995B1 - 지문 정합 장치 및 방법 - Google Patents

지문 정합 장치 및 방법 Download PDF

Info

Publication number
KR100834995B1
KR100834995B1 KR1020060095005A KR20060095005A KR100834995B1 KR 100834995 B1 KR100834995 B1 KR 100834995B1 KR 1020060095005 A KR1020060095005 A KR 1020060095005A KR 20060095005 A KR20060095005 A KR 20060095005A KR 100834995 B1 KR100834995 B1 KR 100834995B1
Authority
KR
South Korea
Prior art keywords
fingerprint
feature point
template
feature points
input
Prior art date
Application number
KR1020060095005A
Other languages
English (en)
Other versions
KR20080029218A (ko
Inventor
윤일동
권동진
Original Assignee
한국외국어대학교 연구산학협력단
윤일동
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 한국외국어대학교 연구산학협력단, 윤일동 filed Critical 한국외국어대학교 연구산학협력단
Priority to KR1020060095005A priority Critical patent/KR100834995B1/ko
Publication of KR20080029218A publication Critical patent/KR20080029218A/ko
Application granted granted Critical
Publication of KR100834995B1 publication Critical patent/KR100834995B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

본 발명에 따른 지문 정합 장치는, 사용자 지문을 스캔하는 스캐너, 지문 특징점을 포함하는 템플릿 지문 정보를 저장하는 데이터베이스, 데이터베이스로부터 읽어 들인 템플릿 지문의 특징점들과 스캐너로부터 입력된 지문 정보로부터 추출된 특징점들에 대해 각 특징점을 기준으로 최근접 특징점 정보를 포함하는 국소 이웃 구조(local neighborhood structure)를 생성하는 국소 이웃 구조 생성부, 국소 이웃 구조 생성부에서 생성된 템플릿 지문과 입력 지문의 국소 이웃 구조(local neighborhood structure)를 이용하여 입력 지문을 템플릿 지문에 정렬하고, 상기 정렬된 입력 지문과 템플릿 지문에서 정합되는 특징점들을 군집화하는 정렬 및 군집화 처리부, 정렬 및 군집화 처리부에서 군집화된 특징점들을 이용하여 템플릿 지문과 입력 지문 간의 지문 정합 점수를 산출하는 정합 점수 산출부를 포함한다.
지문 정합, 특징점, 국소 이웃 구조, 정렬, 군집화, 판정

Description

지문 정합 장치 및 방법{Fingerprints matching Apparatus and Method}
도 1은 본 발명에 따른 지문 정합 장치의 구성을 블럭으로 도시한 일실시예,
도 2a는 본 발명에 따른 국소 이웃 구조 생성부에서 생성되는 국소 이웃 구조 예시도,
도 2b는 본 발명에 따른 국소 이웃 구조 생성부에서 생성되는 k 번째 최근접 특징점에 대한 특징점 인코딩 변수 예시도,
도 3a는 본 발명에 따른 정렬 및 군집화 처리부의 정렬 결과 예시도,
도 3b는 본 발명에 따른 정렬 및 군집화 처리부의 특징점 군집화 예시도,
도 4는 본 발명에 따른 정렬 및 군집화 처리부의 지문 변형 예시도,
도 5는 본 발명에 따른 지문 정합 장치를 이용한 지문 인식 시스템에서의 지문 인식 성능 비교 그래프,
도 6은 본 발명에 따른 지문 정합 장치의 지문 정합 흐름도,
도 7은 본 발명에 따른 국소 이웃 구조(local neighborhood structure) 생성 흐름도,
도 8은 본 발명에 따른 정렬 및 군집화 흐름도,
도 9는 본 발명의 일실시예에 따른 특징점 군집화 흐름도,
<도면부호의 간단한 설명>
21,22 : 지문 경계 박스(boundary box) 31 : 변형 패턴
110 : 스캐너 120 : 템플릿 지문 DB
130 : 제어부
131 : 국소 이웃 구조 생성부 133 : 정렬 및 군집화 처리부
135 : 정합 점수 산출부
본 발명은 지문 인식 기술에 관한 것으로, 특히 비선형 뒤틀림 문제를 해결하여 효과적으로 지문 인식을 수행할 수 있도록 해주는 지문 정합 장치 및 방법에 관한 것이다.
지문 인식은 다양한 생체 인식 분야들 중 구별성, 지속성, 성능 등 여러 판단 항목에서 고르게 좋은 특성을 보이고, 또한 이용자에게 거부감을 주지 않는 기술로 가장 주목받고 있다. 최근 수 년 간에, 자동 지문 인식 시스템(Automatic Fingerprint Identification System) 분야는 매우 진보적인 발전을 이루어졌다. 이러한 자동 지문 인식 시스템(Automatic Fingerprint Identification System)에서 가장 중요하게 다루어져야 하는 기술은 지문 정합(fingerprint matching)이다. 지문 정합(fingerprint matching)은 두 개의 지문 영상에 대해 유사도(similarity)를 값으로 표현하는 것을 말하는데, 동일인의 지문에 대해서는 유사도(similarity)의 값이 커야 하고, 다른 사람과의 지문과는 유사도(similarity)의 값이 작아야 한다.
지문 정합 기술은 비록 다수의 지문 정합 이론들이 존재하지만, 가장 많이 사용되고 또한 정확한 방법인 특징점(minutiae) 기반의 방법이 널리 주목받고 있다. 여기서 지문 특징점(minutiae)이란 지문 패턴에서 융기선이 끝나는 지점(ridge ending, 이하, 단점이라 함)과 융기선이 두 개로 갈라지는 지점(ridge bifurcation, 이하, 분기점이라 함)을 통칭하여 일컫는 용어이다. 지문 인식 시스템(Fingerprint Identification System)이 미국 규격 협회(ANSI)와 미국 표준 기술원(NIST)의 표준과의 호환성을 지원하고 기존의 시스템에서 추출된 템플릿 지문 특징점들을 사용하기 위해, 특징점들의 위치와 방위 정보만을 사용하는 것이 요구되고 있다. 이에 따라 지문 정합(fingerprint matching)은 간단한 점 패턴 정합과 같이 일치하는 한 쌍의 특징점들의 개수를 찾는 문제로 생각되어질 수 있다.
그러나 이러한 간단한 점 패턴 정합 문제를 어렵게 하는 여러 가지 문제점이 존재한다. 그 중 가장 큰 영향을 미치는 문제는 탄력이 있는 피부의 성질에 의해 생기는 것으로 지문 인식기에 손가락을 대는 위치와 압력의 변화에 의해 지문 패턴에 비선형 뒤틀림(non-linear distortion)이 생기는 것이다. 실제로 사람의 손가락은 3 차원 적으로 곡률이 있는 모양이고, 지문 인식기는 보통 평평한 2차원 모양이므로 지문 취득 시에는 크던 작던 항상 비선형 뒤틀림(non-linear distortion)이 일어나게 된다. 모든 지문 인식 시스템(Fingerprint Identification System)은 지문 정합 단계에서 비선형 뒤틀림(non-linear distortion) 문제점들을 잘 대처하도록 설계해야 좋은 성능을 낼 수 있다.
지문 정합의 방법에는 이미지 기반 방법, 텍스처(texture) 기반 방법, 지문 특징점 기반 방법 등 다양한 방법론이 존재한다. 많은 논문에서 이러한 비선형 뒤틀림 문제를 해결하기 위한 다양한 방법들이 제시되고 있다. 그 중에서 제인(Jain)과 그외 2인들이 저술한 『On-line fingerprint verification』에서는 특징점 근처의 융기선 정보를 샘플링(sampling)하여 특징점 자체의 정보에 추가하여 사용하고, 각 특징점당 크기가 변하는 사각형을 범위로 대응쌍을 찾는 방법을 사용하였다. 그러나 이 방법은 기본적으로 강체(rigid) 변환만을 고려하고 있으므로 큰 뒤틀림 에러에는 효과적인 방법이 아니다. 또한 특징점 자체 이외의 정보를 사용하고 있으므로 호환성에 문제가 있고, 샘플링된 융기선 정보는 템플릿 용량을 커지게 하는 문제가 있다. 한편, 카페리(Cappelli)와 그외 2인들이 저술한 『Modelling plastic distortion in fingerprint images』에서는 비선형 뒤틀림을 기술하는 수학적인 변형 모델을 제안하였다. 그러나 이 모델은 뒤틀림이 없는 상태와 뒤틀림이 일어난 상태의 관계를 나타내는 것이기 때문에 기본적으로 뒤틀림이 일어난 상태들의 대응 관계를 따지는 지문 정합 방법의 목적에는 맞지 않는다. 실제로 두 뒤틀려진 표면의 관계는 수학적으로 기술하는 것이 쉽지 않다. 바젠(Bazen)과 게레즈(Gerez)가 저술한 『Fingerprint matching by thin-plate spline modelling plastic deformation』에서는 뒤틀린 지문 영상을 모델링하기 위해 thin-plate spline(TPS) 모델을 반복적으로 적용하는 방법을 사용하였다. 그러나 이 방법에는 반복적인 변형 과정을 제어하는 적절한 제한 조건이 없다. 비록 이 방법으로 동일인의 지문 정합의 유사도 점수를 확실하게 증가시킬 수 있지만, 타인의 지문과의 정합의 유 사도 점수도 비슷한 분포로 올리기 때문에, 결과적으로 FMR(false matched rate)도 올라가게 된다. 가장 최근에 로스(Ross)와 그외 2인들이 저술한 『Fingerprint warping using ridge curve correspondences』에서는 융기선 곡선 대응 정보를 바탕으로 TPS 모델을 사용하는 방법을 제안하고 있다. 그러나 이 방법은 각 사람당 변형 패턴을 학습(training) 시키는 과정이 필요하고 학습된 평균 변형 모델은 역시 큰 뒤틀림이 일어난 경우에는 올바른 결과를 주지 못하는 한계점이 있다.
본 발명은 상기와 같은 배경에서 제안된 것으로서, 본 발명의 목적은 비선형 뒤틀림 문제를 해결하여 효과적으로 지문 인식을 수행할 수 있도록 해주는 지문 정합 장치 및 방법을 제공하는 것이다.
본 발명의 일 양상에 따른 지문 정합 장치는, 사용자 지문을 스캔하는 스캐너, 지문 특징점을 포함하는 템플릿 지문 정보를 저장하는 데이터베이스, 데이터베이스로부터 읽어 들인 템플릿 지문의 특징점들과 스캐너로부터 입력된 지문 정보로부터 추출된 특징점들에 대해 각 특징점을 기준으로 최근접 특징점 정보를 포함하는 국소 이웃 구조(local neighborhood structure)를 생성하는 국소 이웃 구조 생성부, 국소 이웃 구조 생성부에서 생성된 템플릿 지문과 입력 지문의 국소 이웃 구조(local neighborhood structure)를 이용하여 입력 지문을 템플릿 지문에 정렬하고, 상기 정렬된 입력 지문과 템플릿 지문에서 정합되는 특징점들을 군집화하는 정렬 및 군집화 처리부, 정렬 및 군집화 처리부에서 군집화된 특징점들을 이용하 여 템플릿 지문과 입력 지문 간의 지문 정합 점수를 산출하는 정합 점수 산출부를 포함한다.
이 같은 양상에 따른 본 발명의 지문 정합 장치는 국소적인 특징점 정합쌍들을 군집화하고 각 군집에서의 정보들을 종합하여 지문 정합 점수를 산출하도록 구현됨으로써, 비선형 뒤틀림 문제를 해결하면서 효과적으로 지문 인식을 수행할 수 있도록 해준다.
본 발명의 다른 양상에 따른 템플릿 지문과 입력 지문 간의 지문 정합 방법은, 템플릿 지문의 특징점들과 입력 지문의 특징점들에 대해 각 특징점을 기준으로 최근접 특징점 정보를 포함하는 국소 이웃 구조(local neighborhood structure)를 생성하는 단계, 상기 생성된 템플릿 지문과 입력 지문의 국소 이웃 구조(local neighborhood structure)를 이용하여 상기 입력 지문을 상기 템플릿 지문에 정렬하고, 상기 정렬된 입력 지문과 템플릿 지문에서 정합되는 특징점들을 군집화하는 정렬 및 군집화 단계, 상기 군집화된 특징점들을 이용하여 템플릿 지문과 입력 지문 간의 지문 정합 점수를 산출하는 단계를 포함한다.
이하에서는 첨부된 도면을 참조하여 기술되는 바람직한 실시예를 통하여 본 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 상세히 설명하기로 한다.
도 1은 본 발명에 따른 지문 정합 장치의 구성을 블럭으로 도시한 일실시예이고, 도 2a는 본 발명에 따른 국소 이웃 구조 생성부에서 생성되는 국소 이웃 구조 예시도이고, 도 2b는 본 발명에 따른 국소 이웃 구조 생성부에서 생성되는 k 번째 최근접 특징점에 대한 특징점 인코딩 변수 예시도이고, 도 3a는 본 발명에 따른 정렬 및 군집화 처리부의 정렬 결과 예시도이고, 도 3b는 본 발명에 따른 정렬 및 군집화 처리부의 특징점 군집화 예시도이고, 도 4는 본 발명에 따른 정렬 및 군집화 처리부의 지문 변형 예시도이다.
도 1을 참조하면 도시한 바와 같이, 본 발명에 따른 지문 정합 장치는 크게 스캐너(110), 템플릿 지문 데이터베이스(120) 및 제어부(130)를 포함한다. 스캐너(110)는 사용자 지문을 스캔하는 지문 스캐너로 구현된다. 템플릿 지문 데이터베이스(120)는 지문 특징점을 포함하는 템플릿 지문 정보를 저장한다. 제어부(130)는 바람직하게는, 롬과 램과 주변장치가 집적된 마이크로프로세서로 구현되며 국소 이웃 구조 생성부(131), 정렬 및 군집화 처리부(133) 및 정합 점수 산출부(135)를 포함한다.
국소 이웃 구조 생성부(131)는 데이터베이스(120)로부터 읽어 들인 템플릿 지문의 특징점들과 스캐너(110)로부터 입력된 지문 정보로부터 추출된 특징점들에 대해 각 특징점을 기준으로 최근접 특징점 정보를 포함하는 국소 이웃 구조(local neighborhood structure)를 생성한다. 즉 본 발명에서는 각 지문 특징점에 대해 국소적으로 근접한 이웃 특징점에 대한 정보를 담는 국소 이웃 구조(local neighborhood structure)를 제안한다. 국소 이웃 구조(local neighborhood structure)는 이동(translation)과 회전(rotation)에 불변하는 정보를 담고 있는 구조로, 넓은 영역으로 전파되는 뒤틀림에 안정적이다. 일 실시예에 있어서, 국소 이웃 구조 생성부(131)는 최근접 특징점 산출부(1312)와 특징점 인코딩 변수 산출 부(1324)를 포함하여 구현될 수 있다.
최근접 특징점 산출부(1312)는 지문의 각 특징점을 기준점(이하, 기준 특징점이라 한다. 예컨대, i번째 지문 특징점에 대해 국소 이웃 구조를 생성할 때, i번째 지문 특징점이 기준 특징점이 된다)으로 하는 로컬 좌표계를 설정하여 상기 로컬 좌표계에 대한 평면을 K 개의 동일한 각도의 영역으로 나누어 각 영역에서 최근접 특징점들을 산출한다. 여기서, 도 2a를 참조하여 최근접 특징점 산출부(1312)의 동작을 설명한다.
로컬 좌표계에서 각 특징점은 속성으로 위치와 방향을 가지고 있으므로, 각 특징점의 방향을 x축으로 설정할 수 있다. 예컨대, 최근접 특징점 산출부(1312)는 도 2a 에 도시한 바와 같이, 먼저 기준 특징점을 원점으로, 기준 특징점의 융기선을 x 축으로 하는 로컬 좌표계를 설정한다. 최근접 특징점 산출부(1312)는 로컬 좌표계 평면을 45°각도(k=8)의 영역으로 나누고, 각각의 영역에 포함된 특징점들 중에서 기준 특징점에 대한 최근접 특징점들을 산출한다. 도2a에서, 사각형, 원형, ×자 모양의 선분은 각각 기준 특징점, 각 영역에서 기준 특징점과 최근접 특징점으로 선택된 이웃, 선택되지 않은 나머지 특징점을 나타낸다.
특징점 인코딩 변수 산출부(1324)는 최근접 특징점 산출부(1312)에서 산출된 최근접 특징점들의 인코딩 변수들을 산출한다. 여기서, 도 2b를 참조하여 특징점 인코딩 변수 산출부(1324)에서 최근접 특징점들의 인코딩 변수들을 산출하는 동작을 설명한다. 도 2b에 도시한 바와 같이, 특징점 인코딩 변수 산출부(1324)는 k 번째 최근접 특징점에 대해, 국소 구조의 중심 특징점을 기준으로 측정한 각도(θ k ), 거리(d k ) 및 이웃의 위치에 대한 각도(Φ k )를 포함하는 최근접 특징점들의 인코딩 변수들을 산출한다.
정렬 및 군집화 처리부(133)는 국소 이웃 구조 생성부(131)에서 생성된 템플릿 지문과 입력 지문의 국소 이웃 구조(local neighborhood structure)를 이용하여 입력 지문을 템플릿 지문에 정렬하고, 상기 정렬된 입력 지문과 템플릿 지문에서 정합되는 특징점들을 군집화한다. 일 실시예에 있어서, 정렬 및 군집화 처리부(133)는 유사 국소 이웃 구조 획득부(1332), 정렬 매개 변수 설정부(1334) 및 특징점 군집 설정부(1336)를 포함하여 구현될 수 있다.
유사 국소 이웃 구조 획득부(1332)는 국소 이웃 구조 생성부(131)에서 생성된 템플릿 지문의 각 국소 이웃 구조(local neighborhood structure)를 입력 지문의 각 국소 이웃 구조(local neighborhood structure)와 비교하여 유사도를 산출하고, 산출된 유사도가 임계치보다 큰 한 쌍의 템플릿 지문 및 입력 지문의 국소 이웃 구조들(local neighborhood structures)을 획득한다. 일례로, 유사 국소 이웃 구조 획득부(1332)는 템플릿 지문과 입력 지문의 국소 이웃 구조에 포함된 최근접 특징점 인코딩 변수들(θ k , d k , Φ k )의 차이를 산출하고, 변수들의 차이를 임계치와 비교하여 변수들이 서로 유사한지를 판단한다. 유사 국소 이웃 구조 획득부(1332)는 유사한 인코딩 변수들을 갖는 최근접 특징점들의 개수를 카운트하여 유사도를 산출하도록 구현될 수 있다. 일례로, 유사 국소 이웃 구조 획득부(1332)는 (유사 최근접 특징점들의 개수) / (총 최근접 특징점들의 개수)를 계산하여 유사도를 산출하도록 구현될 수 있다.
정렬 매개 변수 설정부(1334)는 유사 국소 이웃 구조 획득부(1332)에서 획득 된 한 쌍의 템플릿 지문 및 입력 지문의 국소 이웃 구조들(local neighborhood structures)에서 기준 특징점들의 위치와 각도를 이용하여 변환 매개 변수들을 산출한다. 여기서, 기준 특징점들의 위치와 각도는 전체 지문 영상 데이터에 대한 좌표계에서 해당 기준 특징점이 갖는 위치와 각도를 의미한다. 이러한 기준 특징점들의 위치와 각도는 프로그램적으로 용이하게 설정할 수 있다. 예컨대, 정렬 매개 변수 설정부(1334)는 템플릿 지문의 기준 특징점1과 입력 지문의 기준 특징점 2의 위치가 각각 (x1,y1), (x2,y2)이고 각도가 각각 r1, r2 인 경우, 각도 r1-r2, 변위 (x1-x2, y1-y2)인 변환 매개 변수를 산출한다.
또한, 정렬 매개 변수 설정부(1334)는 산출된 변환 매개 변수들 중 유사도가 최대인 변환 매개 변수를 정렬 매개 변수로 설정한다. 일례로, 정렬 매개 변수 설정부(1334)는 변환 매개 변수 공간에서 일정 공간 크기에 대해 유사도의 합을 최대로 하는 변환 매개 변수를 선택하도록 구현될 수 있다. 여기서, 변환 매개 변수 공간은 유사도가 높은 한 쌍의 템플릿 지문 및 입력 지문의 국소 이웃 구조에 속한 특징점들에 대한 각도, 변위를 이용하여 얻어지는 3차원 공간을, 일정 공간 크기는 3차원 공간상의 표시되는 각 특징점을 중심으로 일정 공간 크기의 구를 의미한다. 정렬 매개 변수 설정부(1334)는 3 차원 공간상의 표시되는 특징점들 중 일정 공간 크기 구 안에 포함되는 특징점들을 구하고, 상기 특징점들에 해당하는 유사도를 합산하여 유사도가 최대인 변환 매개 변수를 정렬 매개 변수로 설정한다.
특징점 군집 설정부(1336)는 정렬 매개 변수 설정부(1334)에서 설정된 정렬 매개 변수에 따라 입력 지문을 정렬하고, 상기 정렬된 입력 지문과 템플릿 지문에 서 일정 영역에 모여있는 최대 특징점 정합쌍들을 특징점 군집으로 설정한다. 도 3b를 참조하면 예컨대 일정 영역에 모여있는 최대 특징점 정합쌍들을 특징점 군집(Cluster 1)을 제외한 나머지 영역을 따로 떼어서 보면 역시 국소적으로는 국소 이웃 구조의 유사도가 유지되고 있다는 것을 알 수 있다. 따라서 기존의 군집에 해당하는 대응쌍의 특징점들을 제외한 나머지 특징점들 만으로 다시 정렬 과정을 수행한 뒤에 위의 군집을 정하는 과정을 수행하면 이전 군집과는 대응쌍의 수가 적지만 의미 있는 군집을 구할 수 있게 된다. 바람직하게는, 특징점 군집 설정부(1336)는 설정된 특징점 군집의 특징점들을 제외한 나머지 특징점들만으로 정렬 및 군집화 과정을 반복 수행하여 적어도 1이상의 특징점 정합쌍을 포함하는 특징점 군집을 설정하도록 구현된다.
여기서, 도 3a를 참조하면 입력 지문 경계 박스(boundary box)(22) 안에 포함된 특징점들이 템플릿 지문 경계 박스(boundary box)(21) 안에 포함된 특징점들에 정렬된 결과를 확인할 수 있다. 또한, 도 3b를 참조하면 템플릿 지문 경계 박스(boundary box)(21)와 입력 지문 경계 박스(boundary box)(22)의 중첩된 영역 내에서 특징점 군집들(Cluster 1, Cluster 2, Cluster 3, Cluster 4)을 확인할 수 있다.
정합 점수 산출부(135)는 정렬 및 군집화 처리부(133)에서 군집화된 특징점들을 이용하여 템플릿 지문과 입력 지문 간의 지문 정합 점수를 산출한다. 일실시예에 있어서, 정합 점수 산출부(135)는 아래 수학식 1에 해당하는 알고리즘을 통해 지문 정합 점수를 산출하도록 구현될 수 있다.
Figure 112006071063973-pat00001
여기서, T 는 템플릿 지문, I 는 입력 지문, S(T,I)는 지문 정합 점수, N1 과 N2 은 템플릿 지문과 입력 지문의 특징점들의 개수, NP 는 매칭된 특징점들의 개수를 의미한다.
다른 실시예에 있어서, 바람직하게는 정합 점수 산출부(135)는 아래 수학식 2 에 해당하는 알고리즘을 통해 지문 정합 점수를 산출하도록 구현될 수 있다.
Figure 112006071063973-pat00002
여기서, T 는 템플릿 지문, I 는 입력 지문, S(T,I)는 지문 정합 점수, AO 는 템플릿 지문 경계 박스(boundary box)(21)와 입력 지문 경계 박스(boundary box)(22)의 중첩된 영역, A1 은 템플릿 지문 경계 박스(boundary box)(21)의 영역, SP 는 군집화 과정에서 각 군집의 대응쌍에 해당하는 특징점 정합 비용(w) 총합(
Figure 112006071063973-pat00003
), NO 는 중첩된 영역 안에서 매칭된 특징점들의 개수를 의미한다. 여기서, 특징점 정합 비용(w)는 (유사 최근접 특징점들의 개수) / (총 최근접 특징점들의 개수)이다.
일 실시예에 있어서, 본 발명의 정렬 및 군집화 처리부(133)는 특징점 군집 설정부(1336)에서 군집화된 모든 특징점 정보를 이용하여 입력 지문을 템플릿 지문에 대해 변형하는 지문 변형 처리부(1338)를 더 포함하여 구현될 수 있다. 이 같은 실시예에 따라 특징점 군집 설정부(1336)는 지문 변형 처리부(1338)에서 변형된 입력 지문과 템플릿 지문에서 추가로 정합되는 특징점들을 군집화할 수 있다.
지문 변형 처리부(1338)는 특징점 군집 설정부(1336)에서 군집화된 모든 특징점 정보를 이용하여 입력 지문을 템플릿 지문에 대해 변형한다. 도 4를 참조하면 지문 변형 처리부(1338)에서 수행된 지문 변형 결과를 확인할 수 있다. 일례로, 지문 변형 처리부(1338)는 thin-plate spline(TPS) 지문 변형 방법을 사용한다. TPS 지문 변형 방법은 주어진 점 대응쌍들을 기준으로 전체적인 표면의 변형 패턴을 보간하는 방법으로 thin plate 의 휘어짐에 대한 에너지(bending energy)를 최소화하도록 하는 해석학적 솔루션이다.
일 실시예에 있어서, 지문 변형 처리부(1338)는 아래 수학식 3 과 같은 기본적인 TPS 알고리즘을 통해 입력 지문을 템플릿 지문에 대해 변형하도록 구현될 수 있다.
Figure 112006071063973-pat00004
여기서, k 는 기본 함수 행렬, w 는 비선형 변환 행렬, a는 아핀인(affine) 변환 행렬, P 와 v 는 입력 및 템플릿 특징점 위치 행렬을 의미한다.
그런데 수학식 3 과 같은 기본적인 TPS 알고리즘은 대응쌍 사이의 공간을 정확한 보간법으로 변형 패턴을 정하기 때문에 잘못 얻어진 대응쌍이 존재하게 된다 면 잘못된 방향으로 지문 표면의 변형이 일어나게 된다. 따라서 특징점 정합 비용이 작아 안정적이지 않은 대응쌍이 존재하는 상황에서도 좋은 변형 결과를 얻는 방법이 필요하다. 이에 본 명세서에서는 특징점 정합 비용을 함수의 인지로 갖는 가중치 정규화 방법을 제안한다.
다른 실시예에 있어서, 바람직하게는 본 발명의 지문 변형 처리부(1338)는 특징점 정합 비용을 함수의 인지로 갖는 가중치 정규화 방법이 적용된 아래 수학식 4 와 같은 알고리즘을 통해 입력 지문을 템플릿 지문에 대해 변형하도록 구현될 수 있다.
Figure 112006071063973-pat00005
여기서,
Figure 112006071063973-pat00006
는 정규화 매개 변수 행렬이고, 각
Figure 112006071063973-pat00007
는 k번째 정합쌍에서 대응쌍 주변의 지문 표면의 평탄화 정도를 정의한다. 도 4를 참조하면 지문 변형 처리부(1338)에서 수행된 지문 변형 결과를 확인할 수 있다. 신뢰도가 낮은 대응쌍 근처의 변형 패턴을 다른 주변의 대응쌍의 정보로 근사시키는 방법으로 전체적인 변형 패턴을 얻게 되어 결과적으로 안정적인 변형 패턴을 얻게 된다. 도 4 에서, 격자 모양의 변형 패턴(31)은 입력 지문의 전체적인 변형 패턴을 나타낸다. 여기서 기존 군집에 해당하지 않는 특징점에 대해서도 적절하게 대응쌍이 맞도록 변형 패턴을 구하였음을 알 수 있다.
도 5는 본 발명에 따른 지문 정합 장치를 이용한 지문 인식 시스템에서의 지 문 인식 성능 비교 그래프이다.
본 실험에서는 제안된(proposed) 알고리즘, NIST Fingerprint Image Software 2 에 포함되어 있는 BOZORTH3 알고리즘, 강체 변환(rigid matching) 1,2 알고리즘을 사용하였다. 한편, 본 실험에서는 서로 다른 100 개의 손가락에 대해 여러 상황에서 취득된 800 개의 지문 영상을 포함하는 FVC2002 DB1_A 지문 DB를 이용하였다. FVC2002의 과정에서 적용된 절차를 그대로 따라서 총 2,800 번의 동일인의 지문끼리의 정합과 총 4,950 번의 서로 다른 사람의 지문의 정합을 테스트 하였다.
제안된(proposed) 알고리즘에서는 지문 영상 개선 방법과 이진화 방법에 기반한 특징점 추출 방법을 사용하였고, 정합 방법 만의 성능을 비교하기 위하여 동일한 특징점 추출 결과를 모든 테스트한 정합 알고리즘에 사용하였다. 강체 변환(rigid matching) 2 알고리즘은 제안된 방법에서 특징점 군집화와 변형 과정을 제외하고 나머지는 동일한 과정을 사용한 방법이다. 강체 변환(rigid matching) 1 알고리즘은 강체 변환(rigid matching) 2에서 지문 정합 점수를 사용하는 과정을 제외하고 나머지는 동일한 과정을 사용한 방법이다. BOZORTH3 알고리즘은 지문 간의 대응성을 계산한 테이블을 조사하면서 비선형 뒤틀림을 내재적으로 허용하는 방법이다.
표 1과 그림 5를 참조하면, 본 명세서에서 제안된 지문 정합 알고리즘이 BOZORTH3 알고리즘, rigid matching 1,2 보다 가장 성능이 뛰어난 지문 인식 결과를 보여줌을 확인할 수 있다.
Method EER FMR100 FMR1000
BOZORTH3 3.35% 5.25% 7.14%
Rigid matching 1 2.03% 2.43% 4.18%
Rigid matching 2 1.32% 1.39% 2.43%
proposed 0.99% 1.00% 1.54%
도 6은 본 발명에 따른 지문 정합 장치의 지문 정합 흐름도이고, 도 7은 본 발명에 따른 국소 이웃 구조(local neighborhood structure) 생성 흐름도이고, 도 8 과 도 9 는 본 발명에 따른 정렬 및 군집화 흐름도이다. 이하, 도 6 내지 도 9를 참조하여 본 발명에 따른 지문 정합 장치의 지문 정합 방법을 설명하기로 한다.
도 6 을 참조하면 본 발명에 따른 지문 정합 장치는 먼저, 템플릿 지문과 입력 지문의 특징점을 획득한다(S501). 템플릿 지문의 특징점 데이터는 지문 특징점을 포함하는 테플릿 지문 데이터베이스로부터 획득 가능하며, 입력 지문의 특징점 데이터는 지문 스캐너에서 입력된 지문 영상을 전처리 과장, 각 융기선의 방향 성분을 찾아내는 과정, 융선과 골을 구분하여 이를 이진화하는 과정, 각 융선의 굵기를 판단하여 이를 1 포인트 선으로 세선화하는 과정, 잡음제거 처리하여 세선의 방향과 좌표로 특이점을 추출하는 특징점 추출 장치로부터 획득될 수 있다.
이후, 본 발명에 따른 지문 정합 장치는 템플릿 지문의 특징점들과 입력 지문의 특징점들에 대해 각 특징점을 기준으로 최근접 특징점 정보를 포함하는 국소 이웃 구조(local neighborhood structure)를 생성한다(S503). 도 7 을 참조하면, 본 발명에 따른 지문 정합 장치는 입력 지문의 각 특징점을 기준점으로 하는 로컬 좌표계를 설정하여(S601), 로컬 좌표계에 대한 평면을 K 개의 동일한 각도의 영역으로 나누어 각 영역에서 최근접 특징점들을 산출하고(S602), 산출된 최근접 특징점들의 인코딩 변수들(θ k , d k , Φ k )을 산출한다(S603).
이후, 본 발명에 따른 지문 정합 장치는 템플릿 지문의 각 특징점을 기준점으로 하는 로컬 좌표계를 설정하여(S604), 로컬 좌표계에 대한 평면을 K 개의 동일한 각도의 영역으로 나누어 각 영역에서 최근접 특징점들을 산출하고(S605), 상기 산출된 최근접 특징점들의 인코딩 변수들(θ k , d k , Φ k )을 산출한다(S606).
다시, 도 6 을 참조하면 본 발명에 따른 지문 정합 장치는 국소 이웃 구조(local neighborhood structure)를 생성(S503)한 후, 생성된 템플릿 지문과 입력 지문의 국소 이웃 구조(local neighborhood structure)를 이용하여 입력 지문을 템플릿 지문에 정렬하고, 상기 정렬된 입력 지문과 템플릿 지문에서 정합되는 특징점들을 군집화한다(S505). 도 8 을 참조하면, 본 발명에 따른 지문 정합 장치는 템플릿 지문의 각 국소 이웃 구조(local neighborhood structure)를 입력 지문의 각 국소 이웃 구조(local neighborhood structure)와 비교하여 유사도를 산출하고(S701), 산출된 유사도를 임계치와 비교하여 유사도가 임계치보다 큰 한 쌍의 템플릿 지문 및 입력 지문의 국소 이웃 구조들(local neighborhood structures)을 획득한다(S702). 일례로, 본 발명에 따른 지문 정합 장치는 템플릿 지문과 입력 지문의 국소 이웃 구조에 포함된 최근접 특징점 인코딩 변수들(θ k , d k , Φ k )의 차이를 산출하고, 변수들의 차이를 임계치와 비교하여 변수들이 서로 유사한지를 판단한다. 이후 본 발명에 따른 지문 정합 장치는 유사한 인코딩 변수들을 갖는 최근접 특징점들의 개수를 카운트하고 (유사 최근접 특징점들의 개수) / (총 최근접 특징점들의 개수)를 계산하여 유사도를 산출하도록 구현될 수 있다.
이후, 본 발명에 따른 지문 정합 장치는 획득된 한 쌍의 템플릿 지문 및 입력 지문의 국소 이웃 구조들(local neighborhood structures)에서 기준 특징점들의 위치와 각도를 이용하여 변환 매개 변수들을 산출한다(S703). 여기서, 기준 특징점들의 위치와 각도는 전체 지문 영상 데이터에 대한 좌표계에서 해당 기준 특징점이 갖는 위치와 각도를 의미한다. 이러한 기준 특징점들의 위치와 각도는 프로그램적으로 용이하게 설정할 수 있다. 본 발명에 따른 지문 정합 장치는 템플릿 지문의 기준 특징점1과 입력 지문의 기준 특징점 2의 위치가 각각 (x1,y1), (x2,y2)이고 각도가 각각 r1, r2 인 경우, 각도 r1-r2, 변위 (x1-x2, y1-y2)인 변환 매개 변수를 산출한다.
이후, 본 발명에 따른 지문 정합 장치는 산출된 변환 매개 변수들 중 유사도가 최대인 변환 매개 변수를 정렬 매개 변수로 설정한다(S704). 본 발명에 따른 지문 정합 장치는 변환 매개 변수 공간에서 일정 공간 크기에 대해 유사도의 합을 최대로 하는 변환 매개 변수를 선택하도록 구현될 수 있다. 여기서, 변환 매개 변수 공간은 유사도가 높은 한 쌍의 템플릿 지문 및 입력 지문의 국소 이웃 구조에 속한 특징점들에 대한 각도, 변위를 이용하여 얻어지는 3차원 공간을, 일정 공간 크기는 3차원 공간상의 표시되는 각 특징점을 중심으로 일정 공간 크기의 구를 의미한다. 본 발명에 따른 지문 정합 장치는 3 차원 공간상의 표시되는 특징점들 중 일정 공간 크기 구 안에 포함되는 특징점들을 구하고, 상기 특징점들에 해당하는 유사도를 합산하여 유사도가 최대인 변환 매개 변수를 정렬 매개 변수로 설정한다.
이후, 본 발명에 따른 지문 정합 장치는 설정된 정렬 매개 변수에 따라 입력 지문을 정렬하고, 상기 정렬된 입력 지문과 템플릿 지문에서 일정 영역에 모여있는 최대 특징점 정합쌍들을 특징점 군집으로 설정한다(S705). 도 9 를 참조하면, 일 실시예에 있어서 본 발명에 따른 지문 정합 장치는, 특징점 정합쌍들의 에지 연결 구조를 검사하고(S901), 에지 연결 구조 검사결과 군집에서 떨어져 있는 특징점 정합쌍들을 제외한 나머지 특징점 정합쌍들을 특징점 군집으로 설정한다(S902).
다시, 도 8 을 참조하면 본 발명에 따른 지문 정합 장치는 군집에 포함되지 않은 특징점 매칭쌍이 존재하는지 확인한다(S706). 본 발명에 따른 지문 정합 장치는 그 결과 군집에 포함되지 않은 특징점 매칭쌍이 존재하면, 기존의 군집의 특징점들을 제외한 나머지 특징점들의 국소 이웃 구조를 비교하여 유사도를 산출하고(S707), 다시 정렬 및 군집화 과정 S702∼S705를 반복 수행하여 적어도 1이상의 특징점 정합쌍을 포함하는 특징점 군집을 획득한다.
본 발명에 따른 지문 정합 장치는 군집에 포함되지 않은 특징점 매칭쌍이 존재하는지 확인하여(S706) 군집에 포함되지 않은 특징점 매칭쌍이 존재하지 않으면, 군집화된 모든 특징점 정보를 이용하여 상기 입력 지문을 템플릿 지문에 대해 변형하여(S708), 변형된 입력 지문과 템플릿 지문에서 추가로 정합되는 특징점들을 군집화한다(S709).
이후, 본 발명에 따른 지문 정합 장치는 군집화된 특징점들을 이용하여 템플릿 지문과 입력 지문 간의 지문 정합 점수를 산출한다(S507). 본 발명에 따른 지문 정합 장치를 이용한 지문 인식 시스템은 산출된 지문 정합 점수를 이용하여 템플릿 지문과 입력 지문이 동일한 사람의 지문인지를 확인할 수 있다.
상술한 바와 같이, 본 명세서에서 제안된 지문 정합 알고리즘은 첫째로, 비선형 뒤틀림에 불변하는 국소 이웃 구조를 생성하고, 다음으로 국소 이웃 구조를 반복적인 방법으로 특징점 정합쌍들을 군집화하고, 마지막으로 군집의 특징점 정합쌍들을 기준으로 전체 지문 표면을 변형하여 기존의 군집에 포함되지 않는 특징점 정합쌍을 추가로 획득하여 군집화하고 각 군집에서의 정보들을 종합하여 지문 정합 점수를 산출하도록 구현됨으로써, 비선형 뒤틀림 문제를 해결하면서 효과적으로 지문 인식을 수행할 수 있도록 해주는 유용한 효과가 있다.
본 발명은 첨부된 도면을 참조하여 바람직한 실시예를 중심으로 기술되었지만 당업자라면 이러한 기재로부터 본 발명의 범주를 벗어남이 없이 많은 다양한 자명한 변형이 가능하다라는 것은 명백하다. 따라서, 이러한 많은 변형예들을 포함하도록 기술된 특허청구범위에 의해서 해석되어져야 할 것이다.

Claims (9)

  1. 사용자 지문을 스캔하는 스캐너;
    지문 특징점을 포함하는 템플릿 지문 정보를 저장하는 데이터베이스;
    상기 데이터베이스로부터 읽어 들인 템플릿 지문의 특징점들과 상기 스캐너로부터 입력된 지문 정보로부터 추출된 특징점들에 대해 로컬 좌표계를 기준으로 각 특징점의 최근접 특징점 정보를 포함하는 국소 이웃 구조(local neighborhood structure)를 생성하는 국소 이웃 구조 생성부;
    상기 국소 이웃 구조 생성부에서 생성된 템플릿 지문과 입력 지문의 국소 이웃 구조(local neighborhood structure)를 이용하여 상기 입력 지문을 상기 템플릿 지문에 정렬하고, 상기 정렬된 입력 지문과 템플릿 지문에서 정합되는 특징점들을 군집화하는 정렬 및 군집화 처리부;및
    상기 정렬 및 군집화 처리부에서 군집화된 특징점들을 이용하여 템플릿 지문과 입력 지문 간의 지문 정합 점수를 산출하는 정합 점수 산출부;
    를 포함하는 것을 특징으로 하는 지문 정합 장치.
  2. 제 1 항에 있어서, 상기 국소 이웃 구조 생성부가 :
    지문의 각 특징점을 기준점으로 하는 로컬 좌표계를 설정하고, 각 특징점의 로컬 좌표계에 대한 평면을 K 개의 동일한 각도의 영역으로 나누어 각 영역에서 최근접 특징점들을 산출하는 최근접 특징점 산출부;및
    상기 최근접 특징점 산출부에서 산출된 최근접 특징점들의 인코딩 변수들을 산출하는 특징점 인코딩 변수 산출부;
    를 포함하는 것을 특징으로 하는 지문 정합 장치.
  3. 제 1 항 또는 제 2 항에 있어서, 상기 정렬 및 군집화 처리부가 :
    상기 국소 이웃 구조 생성부에서 생성된 상기 템플릿 지문의 각 국소 이웃 구조(local neighborhood structure)를 입력 지문의 각 국소 이웃 구조(local neighborhood structure)와 비교하여 유사도를 산출하고, 상기 유사도가 임계치보다 큰 한 쌍의 템플릿 지문 및 입력 지문의 국소 이웃 구조들(local neighborhood structures)을 획득하는 유사 국소 이웃 구조 획득부;
    상기 유사 국소 이웃 구조 획득부에서 획득된 한 쌍의 템플릿 지문 및 입력 지문의 국소 이웃 구조들(local neighborhood structures)에서 기준 특징점들의 위치와 각도를 이용하여 변환 매개 변수들을 산출하여 상기 산출된 변환 매개 변수들 중 유사도가 최대인 변환 매개 변수를 정렬 매개 변수로 설정하는 정렬 매개 변수 설정부;
    상기 정렬 매개 변수 설정부에서 설정된 정렬 매개 변수에 따라 입력 지문을 정렬하고 상기 정렬된 입력 지문과 템플릿 지문에서 일정 영역에 모여있는 최대 특징점 정합쌍들을 특징점 군집으로 설정하되, 상기 설정된 특징점 군집의 특징점들을 제외한 나머지 특징점들만으로 정렬 및 군집화 과정을 반복 수행하여 적어도 1이상의 특징점 정합쌍을 포함하는 특징점 군집을 설정하는 특징점 군집 설정부;
    를 포함하는 것을 특징으로 하는 지문 정합 장치.
  4. 제 3 항에 있어서, 상기 정렬 및 군집화 처리부가 :
    상기 특징점 군집 설정부에서 군집화된 모든 특징점 정보를 이용하여 상기 입력 지문을 템플릿 지문에 대해 변형하는 지문 변형 처리부를 더 포함하고,
    상기 특징점 군집 설정부가 상기 지문 변형 처리부에서 변형된 입력 지문과 템플릿 지문에서 추가로 정합되는 특징점들을 군집화하는 것을 특징으로 하는 지문 정합 장치.
  5. 템플릿 지문과 입력 지문 간의 지문 정합 방법에 있어서,
    상기 템플릿 지문의 특징점들과 입력 지문의 특징점들에 대해 로컬 좌표계를 기준으로 각 특징점의 최근접 특징점 정보를 포함하는 국소 이웃 구조(local neighborhood structure)를 생성하는 단계;
    상기 생성된 템플릿 지문과 입력 지문의 국소 이웃 구조(local neighborhood structure)를 이용하여 상기 입력 지문을 상기 템플릿 지문에 정렬하고, 상기 정렬된 입력 지문과 템플릿 지문에서 정합되는 특징점들을 군집화하는 정렬 및 군집화 단계;및
    상기 군집화된 특징점들을 이용하여 템플릿 지문과 입력 지문 간의 지문 정합 점수를 산출하는 단계;
    를 포함하는 것을 특징으로 하는 지문 정합 방법.
  6. 제 5 항에 있어서, 상기 국소 이웃 구조를 생성하는 단계가 :
    상기 입력 지문의 각 특징점을 기준점으로 하는 로컬 좌표계를 설정하고, 각 특징점의 로컬 좌표계에 대한 평면을 K 개의 동일한 각도의 영역으로 나누어 각 영역에서 최근접 특징점들을 산출하고, 상기 산출된 최근접 특징점들의 인코딩 변수들을 산출하는 단계;및
    상기 템플릿 지문의 각 특징점을 기준점으로 하는 로컬 좌표계를 설정하고, 각 특징점의 로컬 좌표계에 대한 평면을 K 개의 동일한 각도의 영역으로 나누어 각 영역에서 최근접 특징점들을 산출하고, 상기 산출된 최근접 특징점들의 인코딩 변수들을 산출하는 단계;
    를 포함하는 것을 특징으로 하는 지문 정합 방법.
  7. 제 5 항 또는 제 6 항에 있어서, 상기 정렬 및 군집화 단계가 :
    상기 템플릿 지문의 각 국소 이웃 구조(local neighborhood structure)를 상기 입력 지문의 각 국소 이웃 구조(local neighborhood structure)와 비교하여 유사도를 산출하는 단계;
    상기 산출된 유사도를 임계치와 비교하여 유사도가 임계치보다 큰 한 쌍의 템플릿 지문 및 입력 지문의 국소 이웃 구조들(local neighborhood structures)을 획득하는 단계;
    상기 획득된 한 쌍의 템플릿 지문 및 입력 지문의 국소 이웃 구조들(local neighborhood structures)에서 기준 특징점들의 위치와 각도를 이용하여 변환 매개 변수들을 산출하는 단계;
    상기 산출된 변환 매개 변수들 중 유사도가 최대인 변환 매개 변수를 정렬 매개 변수로 설정하는 단계;
    상기 설정된 정렬 매개 변수에 따라 입력 지문을 정렬하고, 상기 정렬된 입력 지문과 템플릿 지문에서 일정 영역에 모여있는 최대 특징점 정합쌍들을 특징점 군집으로 설정하는 단계;및
    상기 설정된 특징점 군집의 특징점들을 제외한 나머지 특징점들만으로 정렬 및 군집화 과정을 반복 수행하여 적어도 1이상의 특징점 정합쌍을 포함하는 특징점 군집을 설정하는 단계;
    를 포함하는 것을 특징으로 하는 지문 정합 방법.
  8. 제 7 항에 있어서, 상기 정렬된 입력 지문과 템플릿 지문에서 일정 영역에 모여있는 최대 특징점 정합쌍들을 특징점 군집으로 설정하는 단계가 :
    상기 특징점 정합쌍들의 에지 연결 구조를 검사하는 단계;및
    상기 에지 연결 구조 검사결과 군집에서 떨어져 있는 특징점 정합쌍들을 제외한 나머지 특징점 정합쌍들을 특징점 군집으로 설정하는 단계;
    를 포함하는 것을 특징으로 하는 지문 정합 방법.
  9. 제 7 항에 있어서, 상기 정렬-군집화 단계가 :
    상기 군집화된 모든 특징점 정보를 이용하여 상기 입력 지문을 템플릿 지문에 대해 변형하는 단계;및
    상기 변형된 입력 지문과 템플릿 지문에서 추가로 정합되는 특징점들을 군집화하는 단계;
    를 더 포함하는 것을 특징으로 하는 지문 정합 방법.
KR1020060095005A 2006-09-28 2006-09-28 지문 정합 장치 및 방법 KR100834995B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020060095005A KR100834995B1 (ko) 2006-09-28 2006-09-28 지문 정합 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020060095005A KR100834995B1 (ko) 2006-09-28 2006-09-28 지문 정합 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20080029218A KR20080029218A (ko) 2008-04-03
KR100834995B1 true KR100834995B1 (ko) 2008-06-04

Family

ID=39531825

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020060095005A KR100834995B1 (ko) 2006-09-28 2006-09-28 지문 정합 장치 및 방법

Country Status (1)

Country Link
KR (1) KR100834995B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210076514A (ko) 2019-12-16 2021-06-24 삼성전자주식회사 라이브니스 판단 방법 및 장치와 그 학습 장치 및 학습 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020076164A (ko) * 2001-03-26 2002-10-09 닛폰 덴키(주) 지문·손금 화상 처리 장치 및 방법
JP2003030660A (ja) 2001-07-17 2003-01-31 Canon Inc 指紋照合装置及び指紋照合方法
KR20040105065A (ko) * 2003-06-04 2004-12-14 주식회사 우량정보기술 강한 상관관계 및 약한 상관관계 그룹핑을 통한 지문인식매칭방법
US20050249387A1 (en) * 2004-05-06 2005-11-10 Akihiro Machida Finger-based identification systems and methods
KR20070023217A (ko) * 2005-08-23 2007-02-28 삼성전자주식회사 방향 추정 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020076164A (ko) * 2001-03-26 2002-10-09 닛폰 덴키(주) 지문·손금 화상 처리 장치 및 방법
JP2003030660A (ja) 2001-07-17 2003-01-31 Canon Inc 指紋照合装置及び指紋照合方法
KR20040105065A (ko) * 2003-06-04 2004-12-14 주식회사 우량정보기술 강한 상관관계 및 약한 상관관계 그룹핑을 통한 지문인식매칭방법
US20050249387A1 (en) * 2004-05-06 2005-11-10 Akihiro Machida Finger-based identification systems and methods
KR20070023217A (ko) * 2005-08-23 2007-02-28 삼성전자주식회사 방향 추정 방법 및 장치

Also Published As

Publication number Publication date
KR20080029218A (ko) 2008-04-03

Similar Documents

Publication Publication Date Title
Woodard et al. Finger surface as a biometric identifier
Bazen et al. Fingerprint matching by thin-plate spline modelling of elastic deformations
Xiong et al. Model-guided deformable hand shape recognition without positioning aids
Zaeri Minutiae-based fingerprint extraction and recognition
Chen et al. Iris recognition based on bidimensional empirical mode decomposition and fractal dimension
JP2012519928A (ja) 点整合アルゴリズムを用いた指紋テンプレートの合成及び指紋のモザイキングの方法
Islam et al. A review of recent advances in 3D ear-and expression-invariant face biometrics
Krishneswari et al. A review on palm print verification system
Angadi et al. Hand geometry based user identification using minimal edge connected hand image graph
Danlami et al. Comparing the legendre wavelet filter and the Gabor wavelet filter for feature extraction based on Iris recognition system
Aleem et al. Fast and accurate retinal identification system: Using retinal blood vasculature landmarks
Appati et al. Implementation of a Transform‐Minutiae Fusion‐Based Model for Fingerprint Recognition
Morales et al. Comparing infrared and visible illumination for contactless hand based biometric scheme
Doroz et al. An accurate fingerprint reference point determination method based on curvature estimation of separated ridges
Wang et al. Delaunay triangulation algorithm for fingerprint matching
CN106778491A (zh) 人脸3d特征信息的获取方法及设备
Tiwari et al. An efficient technique for automatic segmentation of fingerprint ROI from digital slap image
Tahmasebi et al. Robust intra-class distance-based approach for multimodal biometric game theory-based rank-level fusion of ear, palmprint and signature
Prashanth et al. DWT based offline signature verification using angular features
KR100834995B1 (ko) 지문 정합 장치 및 방법
Boukamcha et al. 3D face landmark auto detection
Gupta et al. Facial range image matching using the complexwavelet structural similarity metric
CN106971143A (zh) 一种利用对数变换和平滑滤波的人脸光照不变特征提取方法
Prathiba et al. Online handwritten signature verification system: A Review
Pintavirooj et al. Fingerprint verification and identification based on local geometric invariants constructed from minutiae points and augmented with global directional filterbank features

Legal Events

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

Payment date: 20120315

Year of fee payment: 5

LAPS Lapse due to unpaid annual fee