KR101094107B1

KR101094107B1 - Apparatus for fingerprint calssification, apparatus to generate markov models for fingerprint classification and methode for fingerprint classification

Info

Publication number: KR101094107B1
Application number: KR1020090076136A
Authority: KR
Inventors: 이지형; 정혜욱
Original assignee: 성균관대학교산학협력단
Priority date: 2009-08-18
Filing date: 2009-08-18
Publication date: 2011-12-15
Also published as: KR20110018597A

Abstract

개시된 기술은 지문분류장치, 지문 분류를 위한 지문의 클래스별 마코프 모델을 생성하는 장치 및 지문분류방법에 관한 것이다. 실시예들 중에서, 지문분류장치는 각각의 클래스에 속하는 복수의 지문 영상들에 대한 융선의 방향 값을 기초로 생성되는 상기 각각의 클래스의 마코프 모델들을 저장하는 마코프 모델 저장부; 및 상기 저장된 각각의 클래스의 마코프 모델들을 참조하여, 지문 영상에 대한 융선의 방향 값으로부터, 상기 지문 영상의 클래스를 결정하는 클래스 결정부를 포함하며, 상기 마코프 모델은 상태 천이 행렬 및 초기값 행렬을 포함하며, 상기 상태 천이 행렬의 셀

는, 상기 융선의 방향 값이 방향 값 i에서 방향 값 j로 변화할 확률 값이며, 상기 초기값 행렬의 셀

는 상기 융선의 초기 방향 값이 i일 확률 값이다.The disclosed technology relates to a fingerprint classification apparatus, an apparatus for generating a Markov model for each class of fingerprint for fingerprint classification, and a fingerprint classification method. Among other embodiments, the fingerprint classification apparatus may include: a Markov model storage unit for storing Markov models of each class generated based on a direction value of a ridge of a plurality of fingerprint images belonging to each class; And a class determiner configured to determine a class of the fingerprint image from a direction value of the ridge of the fingerprint image by referring to the stored Markov models of each class, wherein the Markov model includes a state transition matrix and an initial value matrix. Cells of the state transition matrix

Is a probability value that the direction value of the ridge changes from the direction value i to the direction value j, and the cell of the initial value matrix

Is a probability value that the initial direction value of the ridge is i.

Description

지문분류장치, 지문 분류를 위한 지문의 클래스별 마코프 모델을 생성하는 장치 및 지문분류방법{APPARATUS FOR FINGERPRINT CALSSIFICATION, APPARATUS TO GENERATE MARKOV MODELS FOR FINGERPRINT CLASSIFICATION AND METHODE FOR FINGERPRINT CLASSIFICATION}Fingerprint classifier, device for generating Markov model by class of fingerprint for fingerprint classification, and fingerprint classification method {APPARATUS FOR FINGERPRINT CALSSIFICATION, APPARATUS TO GENERATE MARKOV MODELS FOR FINGERPRINT CLASSIFICATION AND METHODE FOR FINGERPRINT CLASSIFICATION}

개시된 기술은 지문분류장치, 지문 분류를 위한 지문의 클래스별 마코프 모델을 생성하는 장치 및 지문분류방법에 관한 것이다. The disclosed technology relates to a fingerprint classification apparatus, an apparatus for generating a Markov model for each class of fingerprint for fingerprint classification, and a fingerprint classification method.

지문은 사람이 가지고 있는 신뢰성 있는 생체 정보 중 하나로, 고유성과 불변의 특성을 지니고 있어 개인 인증에 많이 적용되고 있다. 지문 인식 기술은 크게 지문의 분류와 정합으로 나뉜다. 지문 분류는 주로 자동화된 지문 인식 시스템의 성능 향상을 위하여 방대한 양의 지문 데이터베이스를 헨리식 분류법 등에 따라 클래스(예를 들어, 와상문, 궁상문, 솟은 궁상문, 좌제상문, 우제상문)로 분류하는 기술을 말한다. Fingerprint is one of the reliable biometric information that a person has, and it is applied to personal authentication because it has uniqueness and immutable characteristics. Fingerprint recognition technology is divided into fingerprint classification and registration. Fingerprint classification is mainly used to classify a large database of fingerprints into classes (e.g., vortex, archus, towering arch, suppository, and right) to improve the performance of automated fingerprint recognition systems. Says technology.

한편, 지문의 분류는 일반적으로 지문의 특이점 정보를 이용하여 이루어진다. 이러한 지문 분류 방법은 특이점을 모두 획득하는 회전 날인의 경우에는 적용이 용이하지만, 최근 자동화된 지문 인식 시스템에서는 입력 센서의 소형화 및 입 력 방법의 문제 등으로 인하여 특이점이 추출되지 않거나 손상되는 문제점이 있다. On the other hand, classification of the fingerprint is generally performed using the singularity information of the fingerprint. Such a fingerprint classification method is easy to apply in the case of a rotational stamp that acquires all singularities, but in the recent automated fingerprint recognition system, the singularities are not extracted or damaged due to the miniaturization of the input sensor and the problem of the input method. .

이러한 배경 하에서, 지문의 특이점이 추출되지 않거나, 지문이 손상된 경우에도 지문을 정확하고 신속하게 분류할 수 있는 기술이 요구된다. Under this background, there is a need for a technology capable of classifying fingerprints accurately and quickly even when the singularity of the fingerprint is not extracted or the fingerprint is damaged.

개시된 기술이 이루고자 하는 기술적 과제는 지문분류장치, 지문 분류를 위한 지문의 클래스별 마코프 모델을 생성하는 장치 및 지문분류방법을 제공하는 데 있다.The technical problem to be achieved by the disclosed technology is to provide a fingerprint classification apparatus, a device for generating a Markov model for each class of fingerprint for fingerprint classification, and a fingerprint classification method.

상기의 기술적 과제를 이루기 위해 개시된 기술의 제1 측면은 각각의 클래스에 속하는 복수의 지문 영상들에 대한 융선의 방향 값을 기초로 생성되는 상기 각각의 클래스의 마코프 모델들을 저장하는 마코프 모델 저장부; 및 상기 저장된 각각의 클래스의 마코프 모델들을 참조하여, 지문 영상에 대한 융선의 방향 값으로부터, 상기 지문 영상의 클래스를 결정하는 클래스 결정부를 포함하며, 상기 마코프 모델은 상태 천이 행렬 및 초기값 행렬을 포함하며, 상기 상태 천이 행렬의 셀

는, 상기 융선의 방향 값이 방향 값 i에서 방향 값 j로 변화할 확률 값이며, 상기 초기 값 행렬의 셀

는 상기 융선의 초기 방향 값이 i일 확률인 지문분류장치를 제공한다.A first aspect of the disclosed technology to achieve the above technical problem is a Markov model storage unit for storing the Markov models of each class generated based on the direction value of the ridge for a plurality of fingerprint images belonging to each class; And a class determiner configured to determine a class of the fingerprint image from a direction value of the ridge of the fingerprint image by referring to the stored Markov models of each class, wherein the Markov model includes a state transition matrix and an initial value matrix. Cells of the state transition matrix

Provides a fingerprint classifier having a probability that the initial direction value of the ridge is i.

상기의 기술적 과제를 이루기 위해 개시된 기술의 제2 측면은 클래스에 속하는 복수의 지문 영상들에서 상기 복수의 지문 영상들의 융선의 방향 값들을 추출하는 방향 값 추출부; 및 상기 추출된 융선의 방향 값들을 기초로 상기 클래스의 마코프 모델을 생성하는 마코프 모델 생성부를 포함하며, 상기 마코프 모델은 상태 천이 행렬 및 초기값 행렬을 포함하며, 상기 상태 천이 행렬의 셀

는 상기 융선의 초기 방향 값이 i일 확률인 지문 분류를 위한 지문의 클래스별 마코프모델을 생성하는 장치를 제공한다.A second aspect of the disclosed technology to achieve the above technical problem is a direction value extraction unit for extracting the direction values of the ridges of the plurality of fingerprint images from a plurality of fingerprint images belonging to the class; And a Markov model generator for generating a Markov model of the class based on the extracted ridge direction values, wherein the Markov model includes a state transition matrix and an initial value matrix, and the cells of the state transition matrix.

Provides an apparatus for generating a Markov model for each class of fingerprints for fingerprint classification in which the initial direction value of the ridge is i.

상기의 기술적 과제를 이루기 위해 개시된 기술의 제3 측면은 각각의 클래스에 속하는 복수의 지문 영상들의 융선의 방향 값들을 기초로 상기 각각의 클래스의 마코프 모델들을 생성하는 단계; 및 상기 생성된 각각의 클래스의 마코프 모델들을 참조하여, 입력된 지문 영상에 대한 융선의 방향 값들로부터 상기 입력된 지문 영상의 클래스를 결정하는 단계를 포함하며, 상기 마코프 모델은 상태 천이 행렬 및 초기값 행렬을 포함하고, 상기 상태 천이 행렬의 셀

는 상기 융선의 초기 방향 값이 i일 확률인 지문분류방법을 제공한다.A third aspect of the disclosed technology to achieve the above technical problem comprises the steps of generating the Markov models of each class based on the direction values of the ridges of a plurality of fingerprint images belonging to each class; And determining the class of the input fingerprint image from the direction values of the ridges for the input fingerprint image by referring to the generated Markov models of each class, wherein the Markov model includes a state transition matrix and an initial value. A cell of the state transition matrix including a matrix

Provides a fingerprint classification method having a probability that the initial direction value of the ridge is i.

개시된 기술의 실시예들은 다음의 장점들을 포함하는 효과를 가질 수 있다. 다만, 개시된 기술의 실시예들이 이를 전부 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.Embodiments of the disclosed technology can have the effect of including the following advantages. However, the embodiments of the disclosed technology are not meant to include all of them, and thus the scope of the disclosed technology should not be understood as being limited thereto.

개시된 기술의 일실시예에 따르면, 지문이 손상된 경우에도 지문의 방향 특징을 효율적으로 추출할 수 있다. 또한, 개시된 기술에 따른 지문분류장치는 지문 의 품질이 나쁜 경우 또는 지문의 특이점 정보를 추출할 수 없는 경우에도 지문을 분류할 수 있으며, 마코프 모델을 최적화하여 더욱 정확한 지문분류를 가능하게 한다.According to one embodiment of the disclosed technology, even if the fingerprint is damaged, the orientation characteristic of the fingerprint can be extracted efficiently. In addition, the fingerprint classification apparatus according to the disclosed technology can classify the fingerprint even when the quality of the fingerprint is poor or the singularity information of the fingerprint can not be extracted, thereby optimizing the Markov model to enable more accurate fingerprint classification.

개시된 기술에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 개시된 기술의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 개시된 기술의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다.The description of the disclosed technique is merely an example for structural or functional explanation and the scope of the disclosed technology should not be construed as being limited by the embodiments described in the text. That is, the embodiments may be variously modified and may have various forms, and thus the scope of the disclosed technology should be understood to include equivalents capable of realizing the technical idea.

한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.On the other hand, the meaning of the terms described in the present application should be understood as follows.

“제1”, “제2” 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.The terms " first ", " second ", and the like are used to distinguish one element from another and should not be limited by these terms. For example, the first component may be named a second component, and similarly, the second component may also be named a first component.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.When a component is referred to as being "connected" to another component, it should be understood that there may be other components in between, although it may be directly connected to the other component. On the other hand, when an element is referred to as being "directly connected" to another element, it should be understood that there are no other elements in between. On the other hand, other expressions describing the relationship between the components, such as "between" and "immediately between" or "neighboring to" and "directly neighboring to", should be interpreted as well.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Singular expressions should be understood to include plural expressions unless the context clearly indicates otherwise, and terms such as "include" or "have" refer to features, numbers, steps, operations, components, parts, or parts thereof described. It is to be understood that the combination is intended to be present, but not to exclude in advance the possibility of the presence or addition of one or more other features or numbers, steps, operations, components, parts or combinations thereof.

각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.Each step may occur differently from the stated order unless the context clearly dictates the specific order. That is, each step may occur in the same order as specified, may be performed substantially simultaneously, or may be performed in the reverse order.

여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 개시된 기술이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다. All terms used herein have the same meaning as commonly understood by one of ordinary skill in the art unless otherwise defined. Terms defined in commonly used dictionaries should be interpreted to be consistent with meaning in the context of the relevant art and can not be construed as having ideal or overly formal meaning unless expressly defined in the present application.

도 1은 헨리식 분류법에 의한 지문 분류 클래스를 설명하기 위한 도면이다. 도 1을 참조하면, 지문은 궁상문(Arch) 클래스, 와상문(Whorl) 클래스, 좌제상문(Left Loop) 클래스 및 우제상문(Right Loop) 클래스로 분류될 수 있다. 궁상문 (이하, A)은 지두의 한쪽에서 다른 쪽으로 향한 궁형으로 된 융선이 있는 지문이고, 와상문(이하, W)은 중심부에 와상 또는 고리 모양의 융선을 가지는 지문이며, 좌제상문(이하, L)은 중심점 왼쪽에 삼각주가 1개 존재하는 지문이고, 우제상문(이하, R)은 지문 중심점 오른쪽에 삼각주가 1개 존재하는 지문이다. 1 is a view for explaining a fingerprint classification class by the Henry's classification method. Referring to FIG. 1, a fingerprint may be classified into an Arch class, a Whorl class, a Left Loop class, and a Right Loop class. The arch of the arch (hereinafter, A) is a fingerprint with an arched ridge facing from one side of the ground to the other, and the vortex (W) is a fingerprint having a spiral or annular ridge in the center. L) is a fingerprint with one delta on the left of the center point, and the right-hand gate (R) is a fingerprint with one delta on the right of the center.

지문을 분류하는 방식에는 헨리식 이외에도 로셔식(함부르크식) 분류법 등 다양한 분류법이 있고, 헨리식 분류법을 따르는 경우에도 지문의 클래스가 더 세분화 될 수도 있다. 본 명세서에서는 헨리식 분류법 중 지문을 4가지 클래스(A, W, L, R)로 나눈 경우를 기준으로 설명하나, 당해 분야에서 통상적 지식을 가진 자라면 다른 다양한 클래스를 포함하는 분류법에 의한 지문 분류에도 본 발명이 적용될 수 있다는 점을 이해할 것이다.In addition to the Henry's method, there are various classification methods, such as the Rosher's (Hamburg's) classification, and even the Henry's classification can further classify the fingerprint. In the present specification, a description is given on the basis of dividing fingerprints into four classes (A, W, L, and R) of the Henry's classification method, but those skilled in the art may classify fingerprints by classification methods including other various classes. It will be appreciated that the present invention can be applied to any of them.

지문 분류 방법은 접근 방법에 따라 특이점 기반, 방향성 기반, 필터기반 방법이 있는데, 이러한 기존의 지문 분류 방식은 중심점과 삼각점을 모두 획득할 수 있는 회전 날인된 지문영상을 이용할 때 적합하다. 본 발명에 따른 지문 분류 장치는 특이점 정보를 획득하지 못하거나 지문의 품질이 많이 손상된 지문, 지문의 일부만 인식된 경우에도 확률적 추론에 의하여 지문 분류가 가능하다. Fingerprint classification methods are singularity-based, directional-based, and filter-based, depending on the approach. These conventional fingerprint classification methods are suitable for the use of rotationally stamped fingerprint images that can acquire both center and triangle points. The fingerprint classification apparatus according to the present invention can classify a fingerprint by probabilistic inference even when only a part of the fingerprint or a fingerprint in which the quality of the fingerprint is not obtained or the quality of the fingerprint is largely damaged is recognized.

도 2는 개시된 기술의 일실시예에 따른 지문분류장치를 설명하기 위한 도면이다. 도 2를 참조하면, 지문분류장치(200)는 방향값 추출부(210), 마코프 모델 생성부(220), 마코프 모델 최적화부(230), 마코프 모델 저장부(240) 및 클래스 결정부(250)를 포함한다. 2 is a view for explaining a fingerprint classification apparatus according to an embodiment of the disclosed technology. Referring to FIG. 2, the fingerprint classifier 200 includes a direction value extractor 210, a Markov model generator 220, a Markov model optimizer 230, a Markov model storage 240, and a class determiner 250. ).

방향값 추출부(210)는 A, W, L, R의 각각의 클래스 중에서 어느 하나의 클래스에 속하는 복수의 지문 영상들에서 지문 영상들의 융선의 방향 값들을 추출한다. 마코프 모델 생성부(220)는 방향값 추출부(210)에서 추출된 융선의 방향 값들을 기초로 어느 하나의 클래스의 마코프 모델을 생성한다. 즉, 방향값 추출부(210)가 A 클래스에 속하는 지문 영상들의 융선의 방향 값들을 추출하여 마코프 모델 생성부(220)에 제공하면, 마코프 모델 생생부(220)는 제공받은 융선의 방향 값들로부터 A 클래스의 마코프 모델을 생성할 수 있다. W, L, R 클래스의 마코프 모델도 마찬가지의 방법으로 생성될 수 있다. The direction value extractor 210 extracts the direction values of the ridges of the fingerprint images from a plurality of fingerprint images belonging to any one class among A, W, L, and R classes. The Markov model generator 220 generates a Markov model of any class based on the direction values of the ridges extracted by the direction value extractor 210. That is, when the direction value extractor 210 extracts the direction values of the ridges of the fingerprint images belonging to the A class and provides them to the Markov model generator 220, the Markov model generator 220 is provided from the direction values of the provided ridges. You can create a Markov model of class A. Markov models of the W, L, and R classes can be generated in the same manner.

마코프 모델은 확률 분포와 그것의 연산을 바탕으로 개발된 확률 모델이다. 마코프 모델의 성질은 관찰되는 상태가 시간에 따라 매 순간 변화하며 상태간 전이가 오로지 이전 n개의 상태에만 관련이 있고 나머지 과거의 상태에는 독립적이다. 지문분류장치(200)에서 사용되는 마코프 모델은 상태 천이 행렬 S 및 초기값 행렬

를 포함하며, 상태 천이 행렬의 셀

는, 융선의 방향 값이 방향 값 i에서 방향 값 j로 변화할 확률 값이며, 초기 값 행렬의 셀

는 융선의 초기 방향 값이 i일 확률 값이다.Markov models are probabilistic models developed based on probability distributions and their calculations. The nature of the Markov model is that the state observed changes from moment to moment in time, with transitions between states only affecting the previous n states and independent of the rest of the past. The Markov model used in the fingerprint classifier 200 includes a state transition matrix S and an initial value matrix.

Cell of the state transition matrix

Is the probability value that the direction value of the ridge changes from the direction value i to the direction value j, and the cell of the initial value matrix

Is a probability value that the initial direction of the ridge is i.

마코프 모델 최적화부(230)는 유전자 알고리즘을 이용하여, 마코프 모델 생성부(220)에서 생성되는 마코프 모델들을 최적화한다. 유전자 알고리즘은 자연적 진화 현상을 모방한 최적화 알고리즘으로, 환경에 잘 적응하는 유전자만을 선택하여, 교차(crossover), 돌연변이(mutation) 연산을 통하여 적합도가 우수한 해를 탐 색하고 세대가 되풀이 되면서 가장 우수한 해를 찾아내게 된다. 지문분류장치(200)는 지문의 각 클래스를 대표하는 융선의 방향 변화 값을 최적화 시키기 위하여, 유전자 알고리즘을 이용하여 마코프 모델로부터 생성된 클래스별 상태 천이 행렬을 변형시킨다. The Markov model optimizer 230 optimizes the Markov models generated by the Markov model generator 220 using a genetic algorithm. Genetic algorithms are optimization algorithms that mimic natural evolutionary phenomena, and select only those genes that adapt well to the environment. Will be found. The fingerprint classification apparatus 200 transforms the state transition matrix for each class generated from the Markov model using a genetic algorithm to optimize the direction change value of the ridge representing each class of fingerprint.

마코프 모델 저장부(240)는 마코프 모델 생성부에서 생성되거나, 마코프 모델 최적화부에서 최적화된 상기 각각의 클래스의 마코프 모델들을 저장한다. 클래스 결정부(250)는 마코프 모델 저장부(240)에 저장된 A, W, L, R 클래스의 마코프 모델들을 참조하여, 입력 받은 지문 영상의 융선의 방향 값으로부터, 상기 지문 영상의 클래스를 결정한다. 이때 사용되는 융선의 방향 값은 방향값 추출부(210)에 의하여 입력 받은 지문 영상으로부터 추출될 수 있다. The Markov model storage 240 stores Markov models of each class generated by the Markov model generator or optimized by the Markov model optimizer. The class determiner 250 determines the class of the fingerprint image from the direction of the ridge of the input fingerprint image by referring to the Markov models of A, W, L, and R classes stored in the Markov model storage 240. . In this case, the direction value of the ridge used may be extracted from the fingerprint image received by the direction value extractor 210.

일 실시예에 따라, 클래스 결정부(250)는 마코프 모델 저장부(240)에 저장된 각각의 클래스의 마코프 모델들을 참조하여, 입력된 지문 영상에 대한 융선의 방향 값들이 생성될 확률을 계산하고, 계산된 확률이 가장 큰 클래스를 입력된 지문의 클래스로 결정할 수 있다.According to an embodiment, the class determiner 250 refers to the Markov models of each class stored in the Markov model storage 240 to calculate a probability of generating ridge direction values for the input fingerprint image. The class having the largest calculated probability may be determined as the class of the input fingerprint.

간단한 예를 들어, 지문영상 X의 융선의 방향 값 시퀀스가 1, 2, 1, 3으로 이루어져 있다고 가정한다. 클래스 결정부(250)는 수학식 1과 같이 A, W, L, R 각각의 클래스의 마코프 모델에서 초기 행렬의 값과 상태 천이 행렬의 값을 참조하여, 지문 영상 X의 방향값 시퀀스가 생성될 수 있는 확률 값들을 계산한다.As a simple example, it is assumed that the direction value sequence of the ridge of the fingerprint image X is 1, 2, 1, 3. The class determiner 250 may generate a direction value sequence of the fingerprint image X by referring to the initial matrix value and the state transition matrix value in the Markov model of each class A, W, L, and R as shown in Equation 1 below. Calculate the probability values.

클래스 결정부(250)는 계산된 확률 값들

,

중 가장 큰 확률 값을 가지는 클래스를 지문 영상 X의 클래스로 결정한다. The class determiner 250 calculates probability values

,

The class having the largest probability value is determined as the class of the fingerprint image X.

도 3은 도2의 방향값 추출부를 설명하기 위한 도면이다. 도 3을 참조하면, 방향값 추출부(210)는 전처리부(310), 융선 탐색부(320) 및 방향 검출부(330)를 포함한다. FIG. 3 is a diagram for describing a direction value extractor of FIG. 2. Referring to FIG. 3, the direction value extractor 210 includes a preprocessor 310, a ridge search unit 320, and a direction detector 330.

전처리부(310)는 그레이 스케일의 지문 영상에서 융선의 방향 값 추출을 용이하게 하기 위한 전처리를 한다. 예컨대, 전처리 과정은 지문 영상의 명암 분포를 고르게 하는 평활화, 지문의 방향 추출을 위하여 지문영상을 융선은 검은색으로, 골은 흰색으로 표현되는 이진화 영상으로 변환하는 이진화, 지문 융선은 픽셀 단위로 탐색되어 방향 값이 검출되므로 융선의 두께를 1 픽셀(pixel)로 변환하는 세선화 과정을 포함할 수 있다. The preprocessor 310 performs preprocessing to facilitate the extraction of the direction value of the ridges in the gray scale fingerprint image. For example, the preprocessing process may be performed to smooth the brightness distribution of the fingerprint image, to convert the fingerprint image into a binarized image in which the ridges are black and the valleys are expressed in white to extract the direction of the fingerprint. As a direction value is detected, a thinning process of converting the thickness of the ridge into one pixel may be included.

융선 탐색부(320)는 전처리 된 지문 영상에서 제1 윈도우를 이동 시키며, 픽 셀 단위로 융선의 진행 순서를 탐색한다. 일 실시예에 따라, 융선 탐색부(320)는 지문 영상의 좌측에 수직선을 세워 수직선과 융선과의 교점을 융선 탐색을 위한 시작점으로 정할 수 있다. 시작점이 정해지면, 융선 탐색부(320)는 시작점에서 시작하는 융선의 진행 순서를 탐색하며 탐색된 진행 순서 값들을 저장한다. 저장된 융선의 진행 순서 값은 방향 검출부(330)에서 융선의 방향을 검출하기 위하여 제2 윈도우를 이동시키는 이동 순서 값이 된다. The ridge search unit 320 moves the first window in the preprocessed fingerprint image, and searches for the progress order of the ridges in pixels. According to an embodiment, the ridge search unit 320 may establish a vertical line on the left side of the fingerprint image to determine an intersection point between the vertical line and the ridge as a starting point for the ridge search. When the starting point is determined, the ridge search unit 320 searches the progress order of the ridge starting from the starting point and stores the searched progress order values. The stored order value of the ridge is a movement order value for moving the second window in order to detect the direction of the ridge in the direction detecting unit 330.

예컨대, 융선 탐색부(320)는 복수의 픽셀들을 포함하는 제1 윈도우(예를 들어, 3 X 3)를 설정하고, 제1 윈도우의 테두리 픽셀들에게 진행 순서 값(예를 들어, 1 내지 8)들을 할당할 수 있다. 진행 순서 값은 융선이 진행해 나아가는 순서를 나타내기 위한 값으로, 8가지로 나뉘어진 각각의 진행 방향을 나타낸다. 융선 탐색부(320)는 제1 윈도우가 설정되면, 윈도우 내에서 융선이 위치한 픽셀을 탐색하여, 탐색된 픽셀에 할당된 진행 순서 값을 융선의 진행 순서 값으로 결정할 수 있다. 융선 탐색부(320)는 융선의 다음 진행 순서 값을 결정하기 위하여 제1 윈도우의 중심을 상기 탐색된 픽셀로 이동시킨다. 융선 탐색부(320)는 이러한 과정을 반복하며, 융선이 끊어질 때까지 융선의 진행 순서 값을 결정하여 저장한다. 이때, 융선의 길이가 소정의 값(예를 들어, 20 픽셀) 미만인 경우에는 잡음으로 간주되어 탐색 융선에서 제외될 수 있다. For example, the ridge search unit 320 sets a first window (eg, 3 × 3) including a plurality of pixels, and sets a progress order value (eg, 1 to 8) to edge pixels of the first window. ) Can be assigned. The progress order value is a value to indicate the order in which the ridge proceeds, and indicates the progress direction divided into eight. When the first window is set, the ridge search unit 320 may search for pixels in which the ridges are located in the window, and determine the progress order value assigned to the found pixels as the progress order value of the ridges. The ridge search unit 320 moves the center of the first window to the searched pixel in order to determine the next progress order value of the ridge. The ridge search unit 320 repeats this process and determines and stores the progress order value of the ridge until the ridge is broken. In this case, when the length of the ridge is less than a predetermined value (for example, 20 pixels), the ridge may be regarded as noise and may be excluded from the search ridge.

방향 검출부(330)는 전처리 된 지문 영상에서 융선 탐색부(320)에서 탐색된 융선의 진행 순서와 동일하게 제2 윈도우를 이동시키며, 융선의 방향 값들을 검출한다.The direction detector 330 moves the second window in the same order as the ridge searched by the ridge search unit 320 in the preprocessed fingerprint image, and detects ridge values.

예컨대, 방향 검출부(330)는 복수의 픽셀들을 포함하는 제2 윈도우(예를 들어, 5 X 5)를 설정하고, 제2 윈도우의 테두리 픽셀들에게 방향 값(1내지 16)들을 할당할 수 있다. 1부터 16까지의 방향 값은 융선의 방향을 나타내기 위한 값으로, 22.5도 간격으로 나뉘어진 각각의 방향을 나타낸다. 방향 검출부(330)는 융선 탐색부(320)에서 탐색된 융선의 진행 순서 동일하게 제2 윈도우의 중심을 이동시키며, 제2 윈도우 내에서 융선이 위치한 테두리 픽셀을 탐색하여, 탐색된 픽셀에 할당된 값을 기초로 융선의 방향 값을 결정할 수 있다. 예를 들어, 방향 검출부(320)는 탐색된 픽셀이 하나인 경우, 탐색된 픽셀에 할당된 값을 융선의 방향 값으로 결정하고, 탐색된 픽셀이 여러 개인 경우, 제1 윈도우에서 탐색되는 순서가 늦은 쪽에 해당하는 픽셀의 방향 값을 우선적으로 결정할 수 있다. 방향 검출부(330)는 융선이 끊어질 때까지 상술한 과정을 반복하며, 융선의 방향 값들을 검출할 수 있다. For example, the direction detector 330 may set a second window (eg, 5 × 5) including a plurality of pixels, and may assign direction values 1 to 16 to edge pixels of the second window. . Direction values from 1 to 16 are for indicating the direction of the ridges, and represent the directions divided by 22.5 degree intervals. The direction detecting unit 330 moves the center of the second window in the same order of progress of the ridges searched by the ridge search unit 320, searches for a border pixel where the ridges are located in the second window, and is assigned to the searched pixels. Based on the values, the direction of the ridge can be determined. For example, when there is one searched pixel, the direction detector 320 determines a value assigned to the searched pixel as the direction value of the ridge, and when there are several searched pixels, the order of searching in the first window is determined. The direction value of the pixel corresponding to the late side may be determined first. The direction detecting unit 330 may repeat the above-described process until the ridge is broken and detect the direction values of the ridge.

도 4는 도 2의 마코프 모델 생성부가 생성하는 마코프 모델을 설명하기 위한 상태 전이도이다. 상태 전이도는 마코프 모델에서 시간에 따라 변화하는 상태들 간의 관계를 방향성 그래프로 표현한 것이다. 일 실시예에 따라, 지문분류장치(200)에서 사용되는 마코프 모델의 상태는 16개로 정의될 수 있으며, 이는 지문 영상으로부터 추출한 융선의 방향 값을 의미한다. 이러한 마코프 모델에서 가능한 상태의 경로는 도 4의 상태 전이도에 도시되어 있으며, 이때, 화살표의 시작 노드는 t=n에서의 상태, 화살표의 끝 노드는 t=n+1에서의 상태이다. 4 is a state transition diagram for describing a Markov model generated by the Markov model generator of FIG. 2. State transition diagrams represent directional graphs of relationships between states that change over time in the Markov model. According to an embodiment, the states of the Markov model used in the fingerprint classification apparatus 200 may be defined as 16, which means a direction value of the ridge extracted from the fingerprint image. The paths of states possible in this Markov model are shown in the state transition diagram of FIG. 4, where the start node of the arrow is at t = n and the end node of the arrow is at t = n + 1.

각 클래스의 마코프 모델은 상태 천이 행렬 S 및 초기값 행렬

를 포함하 며, 다음과 같이 표현될 수 있다. The Markov model of each class is the state transition matrix S and the initial value matrix.

It can be expressed as:

, ,

,,

수학식 2에서 M은 A, W, L, R 클래스 마다 정의되는 마코프 모델의 집합이며, 상태 천이 행렬 S 및 초기값 행렬

를 포함한다. 상태 천이 행렬 S 및 초기값 행렬

는 수학식 3과 같이 표현될 수 있으며, 수학식 4의 조건을 만족한다. In Equation 2, M is a set of Markov models defined for each class A, W, L, and R, and the state transition matrix S and the initial value matrix

It includes. State Transition Matrix S and Initial Value Matrix

May be expressed as Equation 3, and satisfies the condition of Equation 4.

상태 천이 행렬 S의 셀

는, 융선의 방향 값이 방향 값 i에서 방향 값 j로 변화할 확률 값이며, 초기 값 행렬

의 셀

는 상기 융선의 초기 방향 값이 i일 확률 값이다. 또한, j가 1일 때의

에서부터 j가 N일 때의

까지 모두 더한 확률 값은 1이 되며, i가 1일 때의

에서부터 i가 N일 때의

까지 모두 더한 확률 값 역시 1이 된다. Cell of state transition matrix S

Is the probability value that the direction value of the ridge changes from the direction value i to the direction value j, and the initial value matrix

Cell

Is a probability value that the initial direction value of the ridge is i. Also, when j is 1

For when j is N

The probability value added up to 1 is 1, and when i is 1

From when i is N

The probability value added up to 1 is also 1.

수학식 5는

를 계산하는 수식이다. Equation 5 is

Is a formula to calculate.

는 방향 값이 i번째 상태에 있는 경우의 수이며,

는 방향 값이 상태 i에서 상태 j로 전이되는 경우의 수이다.

는

를

로 나눈 값으로 계산된다.

Is the number when the direction value is in the i th state,

Is the number of cases where the direction value transitions from state i to state j.

Is

To

It is calculated by dividing by.

예를 들어, 마코프 모델 생성부(220)는 방향값 추출부(210)로부터 A 클래스에 속하는 지문 영상들의 융선의 방향 값들을 제공받아, A 클래스의 마코프 모델을 생성할 수 있다. 마코프 모델 생성부(220)는 제공 받은 융선의 방향 값들 중에서 방향 값이 1인 경우의 수(

)를 세고, 융선의 방향 값이 1에서 2로 변화하는 경우의 수(

)를 세어서,

를

로 나누어서

값을 구할 수 있고, 마찬가지로 나머지

값들을 구하여 A 클래스의 상태 전이 행렬을 구할 수 있다. 또한, 마코프 모델 생성부(220)는 융선의 시작점에서의 방향 값이 1인 경우의 수를 전체 시작점의 개수로 나누어서

을 구하고, 나머지

도 마찬가지의 방법으로 구하여, A 클래스의 초기값 행렬을 구할 수 있다. For example, the Markov model generator 220 may receive the direction values of the ridges of the fingerprint images belonging to the class A from the direction value extractor 210 to generate a Markov model of the A class. The Markov model generation unit 220 is the number of cases in which the direction value is 1 among the direction values of the ridges provided (

), And the number of cases where the direction of the ridge changes from 1 to 2 (

)

To

Divided by

You can get the value, and likewise

By obtaining the values, we can get the state transition matrix of class A. In addition, the Markov model generator 220 divides the number of cases in which the direction value at the start point of the ridge is 1 by the total number of start points.

Save the rest

Similarly, the initial value matrix of class A can be obtained.

도 5a 및 도 5b는 도 2의 마코프 모델 최적화 과정을 설명하기 위한 도면이다. 마코프 모델 최적화부(230)는 마코프 모델 생성부(220)에서 생성한 마코프 모델들을 유전자 알고리즘에 의하여 최적화한다. 5A and 5B are diagrams for describing a Markov model optimization process of FIG. 2. The Markov model optimizer 230 optimizes Markov models generated by the Markov model generator 220 by a genetic algorithm.

일 실시예에 따른 마코프 모델 최적화부(230)는 32개의 가중치 항목을 정하여, 가중치 및 상기 마코프 모델을 최적화할 수 있다. 마코프 모델 최적화부(230)는 세대를 반복하며 셀 값

에 가중치를 주어 변형함으로써 마코프 모델을 최적화할 수 있다. 일례로, 가중치는 0 이상 30 이하의 실수 값을 가질 수 있다. 도 5a는 32개의 가중치 항목을 가지는 영역을 나타내고 있다. 도 5a를 참조하면, 우선, 510 은 각 클래스에서 유일하게 셀

값을 가지는 영역(510a는 A 클래스만 셀

값을 가지는 영역, 510b는 W 클래스만 셀

값을 가지는 영역, 510c는 L 클래스만 셀

값을 가지는 영역, 510d는 R 클래스만 셀 값

을 가지는 영역)이다. 4개의 영역에 대하여 총 4개의 가중치 항목이 있을 수 있다. The Markov model optimizer 230 may determine 32 weight items and optimize the weights and the Markov model. The Markov model optimizer 230 repeats generations and cell values

By weighting and modifying the Markov model, we can optimize it. In one example, the weight may have a real value between 0 and 30, inclusive. 5A shows an area having 32 weight items. 5A, first, 510 is the only cell in each class.

Area 510a contains only class A cells

Area with value, 510b indicates only W class cell

Area with value, 510c indicates only L class cell

Area with value, 510d is the R class only cell value

Area). There may be a total of four weight items for four areas.

520은 두 개의 클래스에서 공통적으로 셀

값을 가지는 영역이다. 이 영역에 대한 가중치 항목은, 총 6개의 공통 영역(A 클래스와 W클래스의 공통영역, A 클래스와 R 클래스의 공통영역, A 클래스와 L 클래스의 공통영역, W 클래스와 L클래스의 공통영역, W 클래스와 R클래스의 공통영역 및 R클래스와 L클래스의 공통영역)에서 각각 두 개의 가중치 항목을 가지게 되어 총 12가지의 가중치 항목이 존재할 수 있다. 520 cells common in both classes

This is an area that has a value. The weight items for this area are 6 common areas (common areas of class A and W, common areas of class A and R, common areas of class A and L, common areas of class W and L, There are two weight items in the common area of the W class and the R class, and the common area of the R class and the L class.

530은 세 개의 클래스에서 공통적으로 셀

값을 가지는 영역이다. 530a, 530b, 530c, 530d 네 가지 영역이 있으며, 각 영역에서 각각 3가지 가중치 항목이 존재하여 총 12개의 가중치 항목이 존재할 수 있다. 540은 네 개의 클래스에서 공통적으로 셀

값을 가지는 영역이다. 하나의 영역에 대하여 4가지 가중치 항목이 존재하므로 총 4개의 가중치 항목이 존재할 수 있다. 530 cells common in all three classes

This is an area that has a value. There are four

areas

530a, 530b, 530c, and 530d, and three weight items exist in each area, so that a total of 12 weight items may exist. 540 is a common cell in four classes

This is an area that has a value. Since four weight items exist for one region, a total of four weight items may exist.

상술한 바에 의하면 총 32개의 가중치 항목이 존재하며, 각각의 가중치 항목에 해당하는 영역의 가중치는, 세대를 반복하며 현재(t=n)의 셀

값의 크기에 따라 증가 또는 감소 되며 최적화된다.According to the above description, there are 32 weight items in total, and the weight of the region corresponding to each weight item repeats generation and the current (t = n) cell.

The value is increased or decreased and optimized according to the size of the value.

도 5b는 일 실시예에 따른 마코프 모델 최적화부(230)가 유전자 알고리즘을 통하여 세대를 반복하며 마코프 모델을 최적화하는 방법을 설명하기 위한 순서도이다. 이때, 인코딩 데이터는 도 5a에서 설명한 32개의 가중치 값이 사용된다. 인코딩은 최적화 하려는 데이터를 유전자 알고리즘에 적용될 수 있는 개체군 데이터 형태로 변환하는 작업이다(S510). 유전자 알고리즘에 적용되는 초기 개체군은 랜덤하게 생성된다(S520). 마코프 모델 최적화부(230)는 생성된 초기 개체군에 따라 마코프 모델을 변형하고, 변형된 마코프 모델에서 지문이 정확하게 분류되는지 정확도를 평가한다(S530). 그 후, 마코프 모델 최적화부(230)는 유전자 알고리즘을 적용하여 개체군 데이터(즉, 가중치)를 최적화 한다(S540). 이때, 적합도 함수에는 가장 좋은 해와 가장 나쁜 해를 기준으로 하는 품질 비례 방법이 사용될 수 있다. 선택 방법으로는 산출된 적합도를 기준으로 가장 우수한 해의 10%는 복사를 하고, 나머지 90%에 대해서는 룰렛 선택법이 적용될 수 있다. 교차 방법으로는 2점 교차가 사용되며, 돌연변이 방법은 균등 변이가 사용될 수 있다. 유전자 알고리즘에 따라 변형된 가중치는 마코프 모델을 변형 시키고, 마코프 모델 최적화부(230)는 변형된 마코프 모델에서 지문 분류의 정확도를 산출한다(S530). 그 후, 마코프 모델 최적화부(230)는 마코프 모델의 정확도가 목표 수치에 도달할 때까지, S530 및 S540 단계를 반복하며 마코프 모델을 최적화한다. 5B is a flowchart illustrating a method of optimizing a Markov model by repeating generation through a genetic algorithm, by the Markov model optimizer 230, according to an exemplary embodiment. In this case, 32 weight values described with reference to FIG. 5A are used as encoding data. Encoding is the task of converting the data to be optimized into a population data form that can be applied to the genetic algorithm (S510). Initial population applied to the genetic algorithm is randomly generated (S520). The Markov model optimizer 230 transforms the Markov model according to the generated initial population and evaluates the accuracy of whether the fingerprint is correctly classified in the modified Markov model (S530). Thereafter, the Markov model optimizer 230 applies genetic algorithms to optimize population data (ie, weights) (S540). In this case, a quality proportional method based on the best solution and the worst solution may be used as the fitness function. As a selection method, 10% of the best solutions can be duplicated based on the calculated goodness of fit, and roulette selection can be applied to the remaining 90%. Two-point crossing is used as the crossing method, and mutated methods may use uniform variation. The weight modified according to the genetic algorithm transforms the Markov model, and the Markov model optimizer 230 calculates the accuracy of fingerprint classification in the modified Markov model (S530). Thereafter, the Markov model optimizer 230 optimizes the Markov model by repeating steps S530 and S540 until the accuracy of the Markov model reaches a target value.

도 6은 돌연변이 변수에 대한 세대별 최고 품질 변화를 나타낸 그래프이다. 도 6의 그래프를 얻은 유전자 알고리즘 실험에는 마코프 모델의 지문 분류 정확도 를 산출하기 위하여 420개의 지문 융선의 테스트 데이터가 사용되었으며, 세대 반복 수는 1000번으로 하고, 돌연변이 변수에는 고정변수와 가변변수 두 가지가 사용되었다. 도 6의 그래프는 1세대에서부터 1000세대까지 반복 수를 늘려감에 따라 최고 품질의 수치가 증가하며 최적의 해에 도달하는 것을 보여준다. 또한 돌연변이 연산의 고정 변수를 -0.3이상 0.3이하로 한 경우 최고 품질이 77.3%로, 가변 변수를 -100 이상 100이하로 한 경우 최고 품질이 75.4%로 돌연 변이 변수를 고정 시킨 경우가 가변 시킨 경우의 보다 최고 품질의 수치가 높게 나온다. FIG. 6 is a graph showing the highest quality change for each mutant variable. In the genetic algorithm experiment of the graph of FIG. 6, test data of 420 fingerprint ridges were used to calculate the fingerprint classification accuracy of the Markov model, and the number of generation repetitions was set to 1000. Was used. The graph of Figure 6 shows that as the number of iterations from generation 1 to generation 1000 increases, the numerical value of the highest quality increases and the optimal solution is reached. Also, if the fixed variable of the mutation operation is -0.3 or more and 0.3 or less, the highest quality is 77.3%, and when the variable variable is -100 or more and 100 or less, the highest quality is 75.4%. The highest quality figure is higher.

도 7은 도 2의 클래스 결정부에 의해 지문이 분류된 결과를 나타내는 표이다. 도 7의 분류 결과 표는 812개의 테스트 데이터를 이용하여 지문 분류를 한 결과이다. 도 7의 표를 참조하면, 유전자 알고리즘을 이용한 마코프 모델의 최적화 후, 최종 지문 분류 결과는 평균 분류 정확도 78.2%로 마코프 모델을 변형하기 전의 평균 분류 정확도 67.4%보다 10.8% 상승하였다. FIG. 7 is a table illustrating a result of classifying fingerprints by the class determination unit of FIG. 2. The classification result table of FIG. 7 is a result of fingerprint classification using 812 test data. Referring to the table of FIG. 7, after the optimization of the Markov model using the genetic algorithm, the final fingerprint classification result was 10.8% higher than the average classification accuracy 67.4% before modifying the Markov model with an average classification accuracy of 78.2%.

도 8은 개시된 기술의 일 실시예에 따른 지문분류방법을 설명하기 위한 순서도이다. 8 is a flowchart illustrating a fingerprint classification method according to an embodiment of the disclosed technology.

도 2 및 도 8을 참조하여 지문분류방법을 설명하면 다음과 같다. 또한, 도 2의 지문분류장치(200)를 시계열적으로 구현하는 경우도 본 실시예에 해당하므로 도 2의 지문분류장치(200)에 대하여 설명된 부분은 본 실시예에도 그대로 적용된다. The fingerprint classification method will be described with reference to FIGS. 2 and 8 as follows. In addition, since the case of implementing the fingerprint classification apparatus 200 of FIG. 2 also corresponds to the present embodiment, the part described with respect to the fingerprint classification apparatus 200 of FIG. 2 is applied to the present embodiment as it is.

지문분류장치(200)는 각각의 클래스에 속하는 복수의 지문 영상들의 융선의 방향 값들을 기초로 각각의 클래스의 마코프 모델들을 생성한다(S810). 이때, 마코 프 모델은 상태 천이 행렬 및 초기값 행렬을 포함하고, 상기 상태 천이 행렬의 셀

는 융선의 초기 방향 값이 i일 확률 값이다.The fingerprint classification apparatus 200 generates Markov models of each class based on the direction values of the ridges of the plurality of fingerprint images belonging to each class (S810). In this case, the Markov model includes a state transition matrix and an initial value matrix, and cells of the state transition matrix

Is a probability value that the initial direction of the ridge is i.

지문분류장치(200)는 유전자 알고리즘을 이용하여, S810단계에서 생성된 마코프 모델들을 최적화할 수 있다(S820). 지문분류장치(200)는 최적화를 위하여 32개의 가중치 항목을 정할 수 있으며, 세대를 반복하며 가중치 및 마코프 모델을 최적화한다.The fingerprint classification apparatus 200 may optimize the Markov models generated in step S810 using a genetic algorithm (S820). The fingerprint classification apparatus 200 may determine 32 weight items for optimization, repeat generations, and optimize the weight and Markov models.

지문분류장치(200)는 S810 단계에서 생성되거나 S820 단계에서 최적화된 각각의 클래스의 마코프 모델들을 참조하여, 입력된 지문 영상에 대한 융선의 방향 값들로부터 입력된 지문 영상의 클래스를 결정한다(S830). 예컨대, 지문분류장치(200)는 상기 생성된 각각의 클래스의 마코프 모델들을 참조하여, 각각의 클래스에서 상기 입력된 지문 영상에 대한 융선의 방향 값들이 생성될 확률을 계산하고, 계산된 확률이 가장 큰 클래스를 지문의 클래스로 결정할 수 있다.The fingerprint classification apparatus 200 determines the class of the input fingerprint image from the direction values of the ridges with respect to the input fingerprint image by referring to the Markov models of each class generated in operation S810 or optimized in operation S820 (S830). . For example, the fingerprint classification apparatus 200 calculates a probability of generating ridge values for the input fingerprint image in each class by referring to the generated Markov models of each class, and calculates the probability Large classes can be determined by the class of the fingerprint.

이러한 개시된 기술인 방법 및 장치는 이해를 돕기 위하여 도면에 도시된 실시예를 참고로 설명되었으나, 이는 예시적인 것에 불과하며, 당해 분야에서 통상적 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 개시된 기술의 진정한 기술적 보호범위는 첨부된 특허청구범위에 의해 정해져야 할 것이다.The disclosed method and apparatus have been described with reference to the embodiments illustrated in the drawings for ease of understanding, but these are merely exemplary, and various modifications and equivalent other embodiments are possible to those skilled in the art. Will understand. Accordingly, the true scope of protection of the disclosed technology should be determined by the appended claims.

도 1은 헨리식 분류법에 의한 지문 분류 클래스를 설명하기 위한 도면이다.1 is a view for explaining a fingerprint classification class by the Henry's classification method.

도 2는 개시된 기술의 일실시예에 따른 지문분류장치를 설명하기 위한 도면이다.2 is a view for explaining a fingerprint classification apparatus according to an embodiment of the disclosed technology.

도 3은 도2의 방향값 추출부를 설명하기 위한 도면이다.FIG. 3 is a diagram for describing a direction value extractor of FIG. 2.

도 4는 도 2의 마코프 모델 생성부가 생성하는 마코프 모델을 설명하기 위한 상태 전이도이다.4 is a state transition diagram for describing a Markov model generated by the Markov model generator of FIG. 2.

도 5a 및 도 5b는 도 2의 마코프 모델 최적화 과정을 설명하기 위한 도면이다.5A and 5B are diagrams for describing a Markov model optimization process of FIG. 2.

도 6은 돌연변이 변수에 대한 세대별 최고 품질 변화를 나타낸 그래프이다.FIG. 6 is a graph showing the highest quality change for each mutant variable.

도 7은 도 2의 클래스 결정부에 의해 지문이 분류된 결과를 나타내는 표이다.FIG. 7 is a table illustrating a result of classifying fingerprints by the class determination unit of FIG. 2.

Claims

유전자 알고리즘을 이용하여 최적화되는 가중치 값을 기초로, 생성되는 마코프 모델들을 최적화하는 마코프 모델 최적화부;A Markov model optimizer configured to optimize generated Markov models based on a weight value optimized using a genetic algorithm;

각각의 클래스에 속하는 복수의 지문 영상들에 대한 융선의 방향 값을 기초로 생성되는 상기 각각의 클래스의 마코프 모델들을 저장하거나, 상기 최적화된 마코프 모델들을 저장하는 마코프 모델 저장부; 및A Markov model storage unit for storing Markov models of each class generated based on the direction values of the ridges of the plurality of fingerprint images belonging to each class, or storing the optimized Markov models; And

상기 저장된 각각의 클래스의 마코프 모델들을 참조하여, 지문 영상에 대한 융선의 방향 값으로부터, 상기 지문 영상의 클래스를 결정하는 클래스 결정부를 포함하며,A class determiner configured to determine a class of the fingerprint image from a direction value of a ridge on a fingerprint image by referring to the stored Markov models of each class,

상기 마코프 모델은 상태 천이 행렬 및 초기값 행렬을 포함하며, 상기 상태 천이 행렬의 셀 S_ij는, 상기 융선의 방향 값이 방향 값 i에서 방향 값 j로 변화할 확률 값이고, 상기 초기 값 행렬의 셀 π_i는 상기 융선의 초기 방향 값이 i일 확률이고,The Markov model includes a state transition matrix and an initial value matrix, wherein the cell S _ij of the state transition matrix is a probability value that the direction value of the ridge changes from the direction value i to the direction value j, Cell π _i is the probability that the initial direction value of the ridge is i,

상기 마코프 모델 최적화부는, 상기 상태 천이 행렬의 셀 S_ij의 가중치 값을 유전자 알고리즘에 적용될 수 있는 개체군 데이터 형태로 변환하고, 상기 유전자 알고리즘에 적용되는 초기 개체군을 랜덤하게 생성하고, 상기 생성된 초기 개체군에 따라 마코프 모델을 변형하고, 상기 변형된 마코프 모델에서 지문이 정확하게 분류되는지 정확도를 평가하고, 상기 정확도가 목표 수치에 도달한 경우, 상기 유전자 알고리즘을 적용하여 상기 개체군 데이터를 최적화하되, The Markov model optimizer converts the weight value of the cell S _ij of the state transition matrix into a form of population data applicable to a genetic algorithm, randomly generates an initial population applied to the genetic algorithm, and generates the generated initial population. According to the modification of the Markov model, to evaluate the accuracy that the fingerprint is correctly classified in the modified Markov model, and when the accuracy reaches the target value, by applying the genetic algorithm to optimize the population data,

상기 가중치 값은, 클래스들 중 선택되는 적어도 하나의 클래스 간의 교집합으로 이루어진 영역별로, 상기 영역에 대응되는 상기 상태 천이 행렬의 셀 S_ij의 가중치 값이 설정되는 지문 분류 장치.The weight value is a fingerprint classification apparatus in which a weight value of a cell S _ij of the state transition matrix corresponding to the region is set for each region consisting of an intersection between at least one selected class among classes.

제1항에 있어서,The method of claim 1,

상기 각각의 클래스 중에서 어느 하나의 클래스에 속하는 복수의 지문 영상들에서 상기 복수의 지문 영상들의 융선의 방향 값들을 추출하는 방향 값 추출부; 및A direction value extraction unit for extracting direction values of ridges of the plurality of fingerprint images from a plurality of fingerprint images belonging to any one of the classes; And

상기 추출된 융선의 방향 값들을 기초로 상기 어느 하나의 클래스의 마코프 모델을 생성하는 마코프 모델 생성부를 더 포함하며, Further comprising a Markov model generator for generating a Markov model of any one class based on the extracted ridge direction values,

상기 마코프 모델 저장부는 상기 마코프 모델 생성부에서 생성된 마코프 모델을 저장하는 지문분류장치.And the Markov model storage unit stores the Markov model generated by the Markov model generator.

삭제delete

제1항에 있어서, The method of claim 1,

상기 마코프 모델 최적화부는 32개의 가중치 항목을 정하여, 상기 가중치 및 상기 마코프 모델을 최적화하는 지문 분류 장치.And the Markov model optimizer determines 32 weight items to optimize the weights and the Markov model.

제1항에 있어서, 상기 클래스 결정부는,The method of claim 1, wherein the class determination unit,

상기 저장된 각각의 클래스의 마코프 모델들을 참조하여, 상기 지문 영상에 대한 융선의 방향 값들이 생성될 확률을 계산하여, 상기 계산된 확률이 가장 큰 클래스를 상기 지문의 클래스로 결정하는 지문분류장치.And a reference value of each stored class of Markov models to calculate a probability of generating ridge direction values for the fingerprint image, and determine the class having the largest probability as the class of the fingerprint.

제1항에 있어서, The method of claim 1,

상기 클래스는 지문 영상을 헨리식 분류법에 의한, 궁상문(Arch) 클래스, 와 상문(Whorl) 클래스, 좌제상문(Left Loop) 클래스 및 우제상문(Right Loop) 클래스를 포함하는 지문분류장치.The class may include a fingerprint class according to a Henry's classification, an Arch class, a Whorl class, a Left Loop class, and a Right Loop class.

클래스에 속하는 복수의 지문 영상들에서 상기 복수의 지문 영상들의 융선의 방향 값들을 추출하는 방향 값 추출부; A direction value extractor which extracts direction values of ridges of the plurality of fingerprint images from a plurality of fingerprint images belonging to a class;

상기 추출된 융선의 방향 값들을 기초로 상기 클래스의 마코프 모델을 생성하는 마코프 모델 생성부; 및A Markov model generator for generating a Markov model of the class based on the extracted ridge values; And

유전자 알고리즘을 이용하여 최적화되는 가중치 값을 기초로, 상기 생성된 마코프 모델을 최적화하는 마코프 모델 최적화부를 포함하며,A Markov model optimizer configured to optimize the generated Markov model based on a weight value optimized using a genetic algorithm,

상기 마코프 모델은 상태 천이 행렬 및 초기값 행렬을 포함하며, 상기 상태 천이 행렬의 셀 S_ij는, 상기 융선의 방향 값이 방향 값 i에서 방향 값 j로 변화할 확률 값이고, 상기 초기 값 행렬의 셀 π_i는 상기 융선의 초기 방향 값이 i일 확률 값 이고,The Markov model includes a state transition matrix and an initial value matrix, wherein the cell S _ij of the state transition matrix is a probability value that the direction value of the ridge changes from the direction value i to the direction value j, Cell π _i is a probability value that the initial direction of the ridge is i,

상기 마코프 모델 최적화부는, 상기 상태 천이 행렬의 셀 S_ij의 가중치 값을 유전자 알고리즘에 적용될 수 있는 개체군 데이터 형태로 변환하고, 상기 유전자 알고리즘에 적용되는 초기 개체군을 랜덤하게 생성하고, 상기 생성된 초기 개체군에 따라 마코프 모델을 변형하고, 상기 변형된 마코프 모델에서 지문이 정확하게 분류되는지 정확도를 평가하고, 상기 정확도가 목표 수치에 도달한 경우,상기 유전자 알고리즘을 적용하여 상기 개체군 데이터를 최적화하되,The Markov model optimizer converts the weight value of the cell S _ij of the state transition matrix into a form of population data applicable to a genetic algorithm, randomly generates an initial population applied to the genetic algorithm, and generates the generated initial population. In accordance with the present invention, the Markov model is modified, the accuracy of the fingerprint classification is accurately classified in the modified Markov model, and when the accuracy reaches a target value, the genetic algorithm is applied to optimize the population data,

상기 가중치 값은, 클래스들 중 선택되는 적어도 하나의 클래스 간의 교집합으로 이루어진 영역별로, 상기 영역에 대응되는 상기 상태 천이 행렬의 셀 S_ij의 가중치 값이 설정되는 지문의 클래스별 마코프모델을 생성하는 장치.The weight value is a device for generating a Markov model for each class of the fingerprint for which the weight value of the cell S _ij of the state transition matrix corresponding to the region is set for each region consisting of an intersection between at least one selected class among the classes. .

삭제delete

제7항에 있어서, 상기 방향 값 추출부는, The method of claim 7, wherein the direction value extraction unit,

상기 복수의 지문 영상들에게 상기 복수의 지문 영상의 융선의 방향 값 추출 을 용이하게 하기 위한 전처리를 하는 전처리부;A preprocessor configured to pre-process the plurality of fingerprint images to facilitate extraction of the direction values of the ridges of the plurality of fingerprint images;

상기 전처리 된 지문 영상에서 제1 윈도우를 이동 시키며, 픽셀 단위로 융선의 진행 순서를 탐색하는 융선 탐색부; A ridge search unit which moves a first window in the pre-processed fingerprint image and searches for a progress sequence of the ridges on a pixel basis;

상기 전처리 된 지문 영상에서 상기 탐색된 융선의 진행 순서와 동일하게 제2 윈도우를 이동시키며, 상기 융선의 방향 값들을 검출하는 방향 검출부를 포함하는 지문 분류를 위한 지문의 클래스별 마코프모델을 생성하는 장치.An apparatus for generating a Markov model for each class of fingerprints for classifying a fingerprint including a direction detecting unit which moves a second window in the same order as the searched ridges in the preprocessed fingerprint image, and detects direction values of the ridges. .

각각의 클래스에 속하는 복수의 지문 영상들의 융선의 방향 값들을 기초로 상기 각각의 클래스의 마코프 모델들을 생성하는 단계; Generating Markov models of each class based on ridge values of a plurality of fingerprint images belonging to each class;

유전자 알고리즘을 이용하여 최적화되는 가중치 값을 기초로, 상기 생성된 마코프 모델들을 최적화하는 단계; 및Optimizing the generated Markov models based on weight values optimized using a genetic algorithm; And

상기 생성된 각각의 클래스의 마코프 모델들 및 상기 최적화된 마코프 모델들을 참조하여, 입력된 지문 영상에 대한 융선의 방향 값들로부터 상기 입력된 지문 영상의 클래스를 결정하는 단계를 포함하며, Determining the class of the input fingerprint image from the direction values of the ridges with respect to the input fingerprint image by referring to the generated Markov models and the optimized Markov models of each class,

상기 마코프 모델은 상태 천이 행렬 및 초기값 행렬을 포함하고, 상기 상태 천이 행렬의 셀 S_ij는, 상기 융선의 방향 값이 방향 값 i에서 방향 값 j로 변화할 확률 값이며, 상기 초기 값 행렬의 셀 π_i는 상기 융선의 초기 방향 값이 i일 확률 값 이고,The Markov model includes a state transition matrix and an initial value matrix, wherein the cell S _ij of the state transition matrix is a probability value that the direction value of the ridge changes from the direction value i to the direction value j, Cell π _i is a probability value that the initial direction of the ridge is i,

상기 최적화하는 단계는, The optimizing step,

상기 상태 천이 행렬의 셀 S_ij의 가중치 값을 유전자 알고리즘에 적용될 수 있는 개체군 데이터 형태로 변환하는 단계;Converting a weight value of the cell S _ij of the state transition matrix into a population data form applicable to a genetic algorithm;

상기 유전자 알고리즘에 적용되는 초기 개체군을 랜덤하게 생성하는 단계;Randomly generating an initial population applied to the genetic algorithm;

상기 생성된 초기 개체군에 따라 마코프 모델을 변형하고, 상기 변형된 마코프 모델에서 지문이 정확하게 분류되는지 정확도를 평가하는 단계; 및Modifying a Markov model according to the generated initial population and evaluating the accuracy of fingerprint classification in the modified Markov model; And

상기 정확도가 목표 수치에 도달한 경우, 상기 유전자 알고리즘을 적용하여 상기 개체군 데이터를 최적화하는 단계를 포함하되, If the accuracy reaches a target value, applying the genetic algorithm to optimize the population data,

상기 가중치 값은, 클래스들 중 선택되는 적어도 하나의 클래스 간의 교집합으로 이루어진 영역별로, 상기 영역에 대응되는 상기 상태 천이 행렬의 셀 S_ij의 가중치 값이 설정되는 지문분류방법.The weight value is a fingerprint classification method in which a weight value of a cell S _ij of the state transition matrix corresponding to the region is set for each region consisting of an intersection between at least one selected class among classes.

삭제delete

제10항에 있어서, 상기 클래스를 결정하는 단계는,The method of claim 10, wherein determining the class comprises:

상기 생성된 각각의 클래스의 마코프 모델들을 참조하여, 상기 입력된 지문 영상에 대한 융선의 방향 값들이 생성될 확률을 계산하여, 상기 계산된 확률이 가장 큰 클래스를 상기 지문의 클래스로 결정하는 단계를 포함하는 지문분류방법.Calculating a probability of generating ridge direction values for the input fingerprint image by referring to the generated Markov models of each class, and determining the class having the largest probability as the class of the fingerprint; Fingerprint classification method comprising.