KR20020031724A - The Method and Apparatus of Iris Pattern Processing for Feature Extraction and Recognition - Google Patents
The Method and Apparatus of Iris Pattern Processing for Feature Extraction and Recognition Download PDFInfo
- Publication number
- KR20020031724A KR20020031724A KR1020000062398A KR20000062398A KR20020031724A KR 20020031724 A KR20020031724 A KR 20020031724A KR 1020000062398 A KR1020000062398 A KR 1020000062398A KR 20000062398 A KR20000062398 A KR 20000062398A KR 20020031724 A KR20020031724 A KR 20020031724A
- Authority
- KR
- South Korea
- Prior art keywords
- vector
- winner
- iris
- class
- dimension
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Collating Specific Patterns (AREA)
Abstract
Description
본 발명은 홍채 패턴 처리를 위한 특징 추출과 인식 장치 및 그 방법에 관한 것으로, 더욱 상세하게는 웨이브렛 변환의 다중분할을 이용하여 홍채 영상으로부터 효과적으로 그 특징을 추출하고 가중치 초기화 및 승자 선택 방식을 적용한 개선된 학습 벡터 양자화(LVQ : Learning Vector Quantization)를 사용하는 진보된 특징 추출과 인식 장치 및 그 방법과 상기 방법을 실현시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체에 관한 것이다.The present invention relates to a feature extraction and recognition apparatus for iris pattern processing and a method thereof, and more particularly, to effectively extract features from an iris image using multi-split of wavelet transform, and to apply weight initialization and winner selection. An advanced feature extraction and recognition apparatus using improved learning vector quantization (LVQ) and a method and a computer readable recording medium having recorded thereon a program for realizing the method.
생체 특징 정보를 활용하여 개인의 신원을 확인하고 응용하려는 기술 개발에 있어서 핵심이 되는 기술은, 입력영상으로부터 영상을 구성하는 패턴의 독특한 특징 정보를 효율적으로 획득하고, 이러한 정보를 바탕으로 특징 정보간의 정확한 비교를 통해 입력영상을 분류하는 것이다.The core technology in the development of technology to identify and apply an individual's identity using biometric feature information is to efficiently acquire unique feature information of a pattern constituting an image from an input image, and then, based on such information, It is to classify the input image through accurate comparison.
기존의 홍채인식 분야에서는 가버 변환을 이용하여 특징을 추출하고 벡터를 구성하는 방법이 주류를 이루어왔다. 이러한 방법들에 의해 생성된 특징벡터는 256 이상의 차원으로 구성되어, 한 차원당 한 바이트를 차지한다고 가정을 해도 최소한256 바이트 이상을 차지하기 때문에 실용적인 관점에서는 다소 효율성이 떨어지는 문제점이 있었다.In the field of iris recognition, the method of extracting features and constructing vectors using Gabor transform has been mainstream. Since the feature vectors generated by these methods are composed of 256 or more dimensions and occupy at least 256 bytes, assuming that they occupy one byte per dimension, there is a problem that the efficiency is somewhat inefficient from a practical point of view.
또한, 기존의 방법들에서는 패턴 분류를 위해서 두 특징벡터(입력패턴에 대한 특징벡터와 저장되어 있는 참조 특징벡터) 간의 해밍 거리와 같은 간단한 거리 측량 방법을 이용하기 때문에, 패턴 정보의 일반화를 통한 참조 특징벡터의 구성이 용이하지 않고 특징벡터의 각 차원이 가지는 정보의 특성을 적절히 반영하지 못하는 문제점이 있었다.In addition, since the conventional methods use a simple distance measurement method such as a hamming distance between two feature vectors (a feature vector for an input pattern and a stored reference feature vector) for pattern classification, reference through generalization of pattern information There is a problem in that the construction of the feature vector is not easy and the feature of each dimension of the feature vector is not properly reflected.
그리고 학습을 통한 데이터의 일반화 기능으로 인해 패턴 분류를 위해 많이 사용되는 LVQ는 오류역전파 학습 알고리즘에 비해 학습속도가 빠르지만 초기 가중치 벡터에 민감하며, LVQ의 승자선택 방법으로 유클리디안 거리가 일반적으로 사용되기 때문에 특징벡터의 차원이 클 경우 각 차원에 대한 정보가 소실됨으로써 잘못된 승자를 선택할 수 있고, 계산량이 증가하여 처리가 늦어지는 현상이 발생하는 문제점이 있었다.In addition, LVQ, which is widely used for pattern classification due to the generalization of data through learning, is faster than the error backpropagation algorithm, but is sensitive to the initial weight vector, and Euclidean distance is generally used as the winner selection method of LVQ. Since the feature vector has a large dimension, the information on each dimension is lost, so that the wrong winner can be selected, and the calculation amount is increased, resulting in a delay in processing.
본 발명은 상기 문제점을 해결하기 위하여 안출된 것으로, 웨이브렛 변환의 다중분할을 이용하여 홍채 영상으로부터 효과적으로 그 특징을 추출하고 가중치 초기화 및 승자 선택 방식을 적용한 개선된 LVQ를 사용하는 진보된 특징 추출과 인식 장치 및 그 방법과 상기 방법을 실현시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는데 그 목적이 있다.The present invention has been made to solve the above problems. The present invention provides an advanced feature extraction method using an improved LVQ that effectively extracts a feature from an iris image using multi-segmentation of wavelet transform and applies weight initialization and winner selection. It is an object of the present invention to provide a recognizing apparatus, a method thereof, and a computer-readable recording medium having recorded thereon a program for realizing the method.
또한, 본 발명은, 웨이브렛 변환의 다중분할을 이용하여 홍채 영상으로부터 효과적으로 그 특징을 추출하기 위한 특징 추출 장치및 그 방법과 상기 방법을 실현시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는데 다른 목적이 있다.The present invention also provides a feature extraction apparatus for effectively extracting a feature from an iris image using multiple division of wavelet transform, and a computer readable recording medium having recorded thereon a program for implementing the method. Has a different purpose.
또한, 본 발명은, 가중치 초기화 및 승자 선택 방식을 적용한 개선된 LVQ를 사용하는 진보된 인식 장치 및 그 방법과 상기 방법을 실현시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는데 또 다른 목적이 있다.It is another object of the present invention to provide an advanced recognition device using an improved LVQ using weight initialization and winner selection, and a method and a computer readable recording medium having recorded thereon a program for realizing the method. There is this.
도 1 은 본 발명에 따른 홍채 패턴 처리를 위한 특징 추출과 인식 장치의 일실시예 구성도.1 is a block diagram of an embodiment of a feature extraction and recognition apparatus for iris pattern processing according to the present invention.
도 2 는 본 발명에 따른 홍채 패턴 처리를 위한 특징추출과 인식의 일실시예 흐름도.Figure 2 is a flow diagram of an embodiment of feature extraction and recognition for iris pattern processing according to the present invention.
도 3 은 본 발명에 따른 웨이브렛 변환 기반의 홍채 영상 신호의 다중분할 과정에 대한 일실시예 상세흐름도3 is a detailed flowchart illustrating a multi-segmentation process of an iris image signal based on wavelet transform according to the present invention.
도 4 는 본 발명에 따른 홍채 패턴의 특징벡터를 구성하는 과정에 대한 일실시예 상세흐름도.Figure 4 is an embodiment detailed flow diagram for the process of configuring the feature vector of the iris pattern according to the present invention.
도 5 는 본 발명에 따른 학습 벡터 양자화(LVQ : Learning Vector Quantization) 기반의 균일분포 가중치 초기화 과정에 대한 일실시예 상세흐름도.FIG. 5 is a detailed flowchart illustrating a uniform weight distribution initialization process based on learning vector quantization (LVQ) according to the present invention. FIG.
도 6 은 본 발명에 따른 LVQ 기반의 차원별 승자 선택 과정에 대한 일실시예 상세흐름도.Figure 6 is a detailed flow diagram of an embodiment of the LVQ-based winner selection process according to the present invention.
도 7 은 본 발명에 따른 차원별 승자 선택 방법의 처리 과정을 나타내는 일예시도.7 is an exemplary view showing a process of a winner selection method for each dimension according to the present invention.
* 도면의 주요 부분에 대한 부호의 설명* Explanation of symbols for the main parts of the drawings
110 : 홍채 영상 입력부 120 : 특징추출부110: iris image input unit 120: feature extraction unit
130 : LVQ 인식부 140 : 신원확인부130: LVQ recognition unit 140: identification unit
상기 목적을 달성하기 위한 본 발명의 장치는, 홍채 패턴 처리를 위한 특징 추출 및 인식 장치에 있어서, 홍채 영상 신호를 입력받기 위한 홍채영상 입력수단; 상기 홍채영상 입력수단으로부터 입력받은 홍채 영상 신호를 웨이브렛 변환하여 다중분할하고, 특징벡터 정보를 양자화하여 특징벡터를 추출하기 위한 특징 추출수단; 상기 특징추출 수단으로부터 특징벡터를 입력받아 가중치 초기화 및 승자 선택 방식을 적용한 개선된 LVQ를 통해 인식을 수행하기 위한 LVQ 인식수단; 및 상기 인식된 결과를 바탕으로 신원을 확인하기 위한 신원확인수단을 포함하는 것을 특징으로 한다.An apparatus for extracting and recognizing a feature for processing an iris pattern includes: an iris image input unit for receiving an iris image signal; Feature extraction means for extracting a feature vector by wavelet transforming the iris image signal received from the iris image input means and quantizing the feature vector information; LVQ recognition means for receiving a feature vector from the feature extraction means and performing recognition through an improved LVQ applying weight initialization and winner selection schemes; And identification means for verifying the identity based on the recognized result.
또한, 본 발명의 방법은, 홍채 패턴 처리를 위한 특징 추출 및 인식 장치에 적용되는 특징 추출과 인식 방법에 있어서, 홍채 영상신호를 입력받는 제 1 단계; 상기 입력받은 홍채 영상 신호를 웨이브렛 변환하여 다중분할하고, 특징벡터 정보를 양자화하여 특징벡터를 추출하는 제 2 단계; 상기 추출된 특징벡터를 입력받아 가중치 초기화 및 승자 선택 방식을 적용한 개선된 LVQ를 통해 인식을 수행하는 제 3 단계; 및 상기 인식된 결과를 바탕으로 신원을 확인하는 제 4 단계를 포함하는 것을 특징으로 한다.In addition, the method of the present invention, the feature extraction and recognition method applied to the feature extraction and recognition device for iris pattern processing, comprising: a first step of receiving an iris image signal; A second step of multiplying the received iris image signal by wavelet transform and quantizing feature vector information to extract a feature vector; A third step of receiving the extracted feature vector and performing recognition through an improved LVQ using a weight initialization and a winner selection scheme; And a fourth step of identifying an identity based on the recognized result.
또한, 본 발명은, 홍채 패턴 처리를 위하여, 프로세서를 구비한 특징 추출 및 인식 장치에, 홍채 영상신호를 입력받는 제 1 기능; 상기 입력받은 홍채 영상 신호를 웨이브렛 변환하여 다중분할하고, 특징벡터 정보를 양자화하여 특징벡터를 추출하는 제 2 기능; 상기 추출된 특징벡터를 입력받아 가중치 초기화 및 승자 선택 방식을 적용한 개선된 LVQ를 통해 인식을 수행하는 제 3 기능; 및 상기 인식된 결과를 바탕으로 신원을 확인하는 제 4 기능을 실현시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 포함한다.The present invention also provides a feature extraction and recognition apparatus having a processor for processing an iris pattern, comprising: a first function of receiving an iris image signal; A second function of multiplying the received iris image signal by wavelet transform and quantizing feature vector information to extract a feature vector; A third function of receiving the extracted feature vector and performing recognition through an improved LVQ using a weight initialization and a winner selection scheme; And a computer readable recording medium having recorded thereon a program for realizing a fourth function of identifying an identity based on the recognized result.
한편, 상기 다른 목적을 달성하기 위한 본 발명의 장치는, 홍채 패턴 처리를 위한 특징 추출 장치에 있어서, 홍채 영상 신호를 입력받기 위한 홍채영상 입력수단; 상기 홍채영상 입력수단으로부터 입력받은 2차원 영상을 하(Haar) 웨이브렛 변환하여 다중으로 분할하기 위한 영상 다중 분할 수단; 상기 영상 다중 분할 수단에서의 다중 분할의 결과로서 얻어지는 분할된 영상 중에서 소정 차원의 각 축에 대해 고주파 성분을 포함하는 영역을 추출하기 위한 영역 추출 수단; 상기 영역 추출 수단에서 추출된 고주파 성분을 포함하는 영역을 이용하여 벡터를 구성하기 위한 벡터 구성 수단; 상기 벡터 구성 수단에서 구성된 벡터의 값들을 이진값으로 양자화하기 위한 양자화 수단; 및 상기 양자화 수단에서 양자화된 값들로 특징벡터를구성하기 위한 특징벡터 구성수단을 포함하는 것을 특징으로 한다.On the other hand, the apparatus of the present invention for achieving the other object, the feature extraction apparatus for iris pattern processing, iris image input means for receiving an iris image signal; Image multi-segmentation means for dividing the 2D image inputted from the iris image input means into multiples by converting the lower wavelet; Area extraction means for extracting an area including a high frequency component with respect to each axis of a predetermined dimension from the divided images obtained as a result of multiple division in said image multiple division means; Vector constructing means for constructing a vector using a region including a high frequency component extracted by said region extracting means; Quantization means for quantizing the values of the vector constructed in the vector constructing means to binary values; And feature vector constructing means for constructing the feature vector with the quantized values in the quantization means.
또한, 본 발명의 방법은, 홍채 패턴 처리를 위한 특징 추출 장치에 적용되는 특징 추출 방법에 있어서, 홍채 영상 신호를 입력받는 제 1 단계; 상기 입력받은 홍채 영상 신호를 하(Haar) 웨이브렛 변환하여 다중으로 분할하는 제 2 단계; 상기 다중 분할의 결과로서 얻어지는 분할된 영상 중에서 소정 차원의 각 축에 대해 고주파 성분을 포함하는 영역을 추출하는 제 3 단계; 상기 추출된 고주파 성분을 포함하는 영역을 이용하여 벡터를 구성하는 제 4 단계; 상기 구성된 벡터의 값들을 이진값으로 양자화하는 제 5 단계; 및 상기 양자화된 값들로 특징벡터를 구성하는 제 6 단계를 포함하는 것을 특징으로 한다.In addition, the method of the present invention, a feature extraction method applied to the feature extraction apparatus for iris pattern processing, comprising: a first step of receiving an iris image signal; A second step of dividing the received iris image signal into a multiple by performing wavelet transform; Extracting a region including a high frequency component with respect to each axis of a predetermined dimension from the divided images obtained as a result of the multi-division; A fourth step of constructing a vector using the region including the extracted high frequency component; A fifth step of quantizing the values of the constructed vector into binary values; And a sixth step of constructing a feature vector using the quantized values.
또한, 본 발명은, 홍채 패턴 처리를 위하여, 프로세서를 구비한 특징 추출 장치에, 홍채 영상 신호를 입력받는 제 1 기능; 상기 입력받은 홍채 영상 신호를 하(Haar) 웨이브렛 변환하여 다중으로 분할하는 제 2 기능; 상기 다중 분할의 결과로서 얻어지는 분할된 영상 중에서 소정 차원의 각 축에 대해 고주파 성분을 포함하는 영역을 추출하는 제 3 기능; 상기 추출된 고주파 성분을 포함하는 영역을 이용하여 벡터를 구성하는 제 4 기능; 상기 구성된 벡터의 값들을 이진값으로 양자화하는 제 5 기능; 및 상기 양자화된 값들로 특징벡터를 구성하는 제 6 기능을 수행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공한다.The present invention also provides a feature extraction apparatus having a processor for processing an iris pattern, comprising: a first function of receiving an iris image signal; A second function of dividing the received iris image signal into a multiple by performing wavelet transform; A third function of extracting an area including a high frequency component with respect to each axis of a predetermined dimension from the divided images obtained as a result of the multi-division; A fourth function of constructing a vector by using the region including the extracted high frequency component; A fifth function of quantizing values of the constructed vector to binary values; And a computer-readable recording medium having recorded thereon a program for performing a sixth function of constructing a feature vector using the quantized values.
한편, 상기 또다른 목적을 달성하기 위한 본 발명의 장치는, 홍채 패턴 처리를 위한 홍채 패턴 인식 장치에 있어서, 입력된 각 클래스의 첫번째 학습 데이터를 해당 클래스의 최초 가중치 벡터로 설정하기 위한 가중치 벡터 설정수단; 임의의클래스로부터 얻어진 학습 데이터와 상기 학습된 각 클래스의 가중치 벡터와의 유사도를 구하기 위한 유사도 획득 수단; 상기 구한 유사도를 이용해 각 차원 별로 가장 큰 유사도를 가진 차원이 소속된 클래스를 해당 차원의 승자로 결정하기 위한 제 1 승자 결정수단; 및 상기 각 차원 별로 승자가 결정되면 가장 많이 승자로 선택된 클래스를 최종 승자로 선택하기 위한 제 2 승자 결정수단을 포함하는 것을 특징으로 한다.On the other hand, the apparatus of the present invention for achieving the above another object, in the iris pattern recognition apparatus for iris pattern processing, weight vector setting for setting the first learning data of each input class as the first weight vector of the corresponding class Way; Similarity obtaining means for obtaining a similarity between the training data obtained from an arbitrary class and the weight vector of each learned class; First winner determining means for determining a class to which a dimension having the largest similarity belongs to each dimension as a winner of the corresponding dimension using the obtained similarity; And a second winner determining means for selecting a class selected as the winner most as the winner when the winner is determined for each dimension.
또한, 본 발명의 방법은, 홍채 패턴 처리를 위한 홍채 인식 장치에 적용되는 홍채 패턴 인식 방법에 있어서, 입력된 각 클래스의 첫번째 학습 데이터를 해당 클래스의 최초 가중치 벡터로 설정하는 제 1 단계; 임의의 클래스로부터 얻어진 학습 데이터와 상기 학습된 각 클래스의 가중치 벡터와의 유사도를 구하는 제 2 단계; 상기 구한 유사도를 이용해 각 차원 별로 가장 큰 유사도를 가진 차원이 소속된 클래스를 해당 차원의 승자로 결정하는 제 3 단계; 및 상기 각 차원 별로 승자가 결정되면 가장 많이 승자로 선택된 클래스를 최종 승자로 선택하는 제 4 단계를 포함하는 것을 특징으로 한다.In addition, the method of the present invention, the iris pattern recognition method applied to the iris recognition apparatus for iris pattern processing, comprising: a first step of setting the first learning data of each input class as the first weight vector of the corresponding class; A second step of obtaining a similarity between the training data obtained from any class and the weight vector of each learned class; A third step of determining a class to which a dimension having the largest similarity belongs to each dimension as a winner of the corresponding dimension using the obtained similarity; And if the winner is determined for each of the dimensions, selecting a class selected as the winner most often as a final winner.
또한, 본 발명은, 홍채 패턴 처리를 위하여, 프로세서를 구비한 홍채 인식 장치에, 입력된 각 클래스의 첫번째 학습 데이터를 해당 클래스의 최초 가중치 벡터로 설정하는 제 1 기능; 임의의 클래스로부터 얻어진 학습 데이터와 상기 학습된 각 클래스의 가중치 벡터와의 유사도를 구하는 제 2 기능; 상기 구한 유사도를 이용해 각 차원 별로 가장 큰 유사도를 가진 차원이 소속된 클래스를 해당 차원의 승자로 결정하는 제 3 기능; 및 상기 각 차원 별로 승자가 결정되면 가장 많이 승자로 선택된 클래스를 최종 승자로 선택하는 제 4 기능을 실현시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공한다.The present invention also provides an iris recognition apparatus having a processor for processing an iris pattern, comprising: a first function of setting first training data of each input class as an initial weight vector of a corresponding class; A second function of obtaining a similarity between the training data obtained from any class and the weight vector of each learned class; A third function of determining a class to which a dimension having the largest similarity belongs to each dimension as a winner of the corresponding dimension using the obtained similarity; And a computer-readable recording medium having recorded thereon a program for realizing a fourth function of selecting a class selected as the winner most often when the winner is determined for each dimension.
상술한 목적, 특징들 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 일실시예를 상세히 설명한다.The above objects, features and advantages will become more apparent from the following detailed description taken in conjunction with the accompanying drawings. Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1 은 본 발명에 따른 홍채 패턴 정보를 이용한 특징 추출과 인식 장치의 일실시예 구성도이다.1 is a block diagram of an embodiment of a feature extraction and recognition apparatus using iris pattern information according to the present invention.
도 1 에 도시된 바와 같이, 홍채 영상 신호는 홍채영상 입력부(110)를 통해 홍채 영상 신호를 웨이브렛 변환하여 다중분할하고, 특징벡터 정보를 양자화하여 특징벡터를 추출하는 특징 추출부(120)를 거치면서 특징 벡터로 생성된다.As shown in FIG. 1, the iris image signal is divided by the wavelet transform of the iris image signal through the iris image input unit 110, and the feature extractor 120 extracts the feature vector by quantizing the feature vector information. It is generated as a feature vector while going through.
상기 특징추출부(120)로부터 특징벡터를 입력받아 가중치 초기화 및 승자 선택 방식을 적용한 개선된 LVQ를 통해 인식을 수행하는 LVQ 인식부(130)에서 승자가 결정되면, 결정된 결과를 바탕으로 신원확인부에서 확인의 단계를 갖는다.When the winner is determined in the LVQ recognizer 130 that receives the feature vector from the feature extractor 120 and performs the recognition through the improved LVQ by applying the weight initialization and the winner selection scheme, the identification unit based on the determined result Has a step of confirmation.
각 장치의 상세한 동작은 이하의 첨부된 도면을 참조하여 상세히 설명하기로 한다.Detailed operation of each device will be described in detail with reference to the accompanying drawings below.
도 2 는 본 발명이 적용되는 홍채 패턴 정보를 이용한 특징 추출과 인식 방법에 대한 일실시예 흐름도이다.2 is a flowchart illustrating a feature extraction and recognition method using iris pattern information to which the present invention is applied.
도 2 에 도시된 바와 같이, 홍채영상이 입력(210)되면, 하(Haar) 웨이브렛 변환을 일정한 횟수 또는 일정한 기준을 만족하는 동안 반복적으로 적용하여 영상 신호를 다중으로 분할(221)한다. 이 과정에서 특징 추출을 위해 필요한 고주파 성분만을 포함한 영역을 별도로 추출한다.As illustrated in FIG. 2, when the iris image is input 210, the video signal is divided into multiples 221 by repeatedly applying the Haar wavelet transform while satisfying a predetermined number of times or a predetermined criterion. In this process, a region including only high frequency components necessary for feature extraction is separately extracted.
그리고, 분할되어 추출된 고주파 성분의 영역에 대해서 특징벡터를 구성하는 정보들의 값을 추출하고, 해당 값들을 양자화하여 특징벡터를 구성(222)한다.Then, the values of the information constituting the feature vector are extracted for the region of the divided high frequency component, and the values are quantized to form the feature vector (222).
상기와 같은 방식의 특징추출(220) 방법은, 2차원의 홍채영상에 대해 웨이브렛 변환을 반복적으로 적용함으로써 얻어지는 축소된 크기의 영상에 대하여 특징을 추출하고, 더욱이 이들 특징들을 이진값으로 양자화하여 특징벡터의 크기를 줄일 수 있는 장점이 있다.The feature extraction 220 method as described above extracts features of a reduced size image obtained by repeatedly applying a wavelet transform to a two-dimensional iris image, and further quantizes these features by binary values. It is advantageous to reduce the size of the feature vector.
그 다음, LVQ 기반의 홍채 특징벡터 인식 방법(230)에서는, 균일분포 초기 가중치 설정 과정(231)과 차원별 승자 선택 과정(232)을 사용하여 효과적인 학습과 인식을 수행함으로써 신원을 확인(240)한다.Next, in the LVQ-based iris feature vector recognition method 230, the identification is performed by performing effective learning and recognition using the uniform distribution initial weight setting process 231 and the dimension winner selection process 232 (240). do.
이 때, LVQ 인식부에서 초기 가중치의 선정을 효율적으로 하기 위해서, 각 클래스의 경계에 보다 가까이 위치한 가중치 벡터만을 초기 가중치로 생성함으로써 초기 가중치에 의한 인식 성능의 영향을 최소화하여 처리 성능을 향상시킬 수 있게 되었으며, LVQ 인식부에서 최종 출력 결과를 생성하기 위해 학습된 특징벡터와 입력패턴의 특징벡터를 비교하는 과정에서, 각 차원의 정보를 최대한 반영함으로써 효과적인 비교가 이루어지게 되었다.In this case, in order to efficiently select initial weights in the LVQ recognizer, by generating only the weight vectors located closer to the boundary of each class as initial weights, the processing performance can be improved by minimizing the influence of the recognition performance by the initial weights. In the process of comparing the feature vector learned from the learned vector to the feature vector of the input pattern to generate the final output result, the LVQ recognizer effectively reflected the information of each dimension.
도 3 은 본 발명에 따른 웨이브렛 변환 기반의 홍채 영상 신호의 다중 분할 과정에 대한 일실시예 상세흐름도이다.3 is a detailed flowchart illustrating a multi-segmentation process of an iris image signal based on a wavelet transform according to the present invention.
도 3 에 도시된 바와 같이 홍채영상 신호의 다중 분할 과정은, 영상신호가 입력(310)되면 이에 대해서 하(Haar) 웨이브렛 변환을 적용하여 영상을 다중으로분할(320)하고, 분할된 영상 중에서 x축과 y축에 대해 모두 고주파 성분만을 포함한 영역(HH)을 추출(330)한다.As shown in FIG. 3, in the multi-segmentation process of the iris image signal, when the image signal is input 310, the image is divided into multiples by applying a Haar wavelet transform (320), and among the divided images. The region HH including only high frequency components is extracted 330 for both the x-axis and the y-axis.
이후, 상기 HH 영역의 특징값에 의한 패턴의 판별율을 계산(340)하여 계산한 판별율이나 또는 과정의 반복 횟수를 판단(350)하는데, 상기 판별율이 일정한 임계치 이하이면 처리 과정을 종료하거나, 반복되는 횟수가 지정된 횟수보다 큰 경우에도 처리 과정을 종료한다.Thereafter, the determination rate of the pattern based on the feature value of the HH region is calculated 340 to determine the determination rate or the number of repetitions of the process (350). If the determination rate is equal to or less than a predetermined threshold, the process is terminated. If the number of repetitions is greater than the specified number of times, the process ends.
그리고, 상기의 판단(350)과정에서 판별율이 임계치 이상이거나, 과정의 반복되는 횟수가 지정된 횟수 이하일 경우에는, 현재 HH 영역의 정보를 저장(360)하고 분할된 영상 중에서 x축과 y축에 대해 모두 저주파 성분만을 포함한 영역(LL)을 추출(370)한 뒤, 이전 영상의 크기에 비해 1/4로 크기가 줄어든 LL 영역을 새로운 처리 대상 영상으로 제공(380)함으로써, 상기 하(Haar) 웨이브렛 변환을 적용하여 영상을 다중으로 분할(320)하는 과정부터 다시 반복 수행한다.When the determination rate is greater than or equal to the threshold value or the number of times the process is repeated is less than or equal to the specified number of times, the information on the current HH area is stored (360) on the x-axis and the y-axis of the divided images. After extracting the region LL including only the low frequency components for all (370), the LL region, which is reduced to one-quarter of the size of the previous image, is provided as a new processing target image (380). The process is repeated again from the process of dividing the image into multiples 320 by applying the wavelet transform.
도 4 는 본 발명에 따른 홍채 패턴의 특징벡터를 구성하는 과정에 대한 일실시예 상세흐름도이다.4 is a detailed flowchart illustrating an embodiment of a process of configuring a feature vector of an iris pattern according to the present invention.
웨이브렛 변환을 통해 얻어진 N개의 HH 영역을 입력(410)받아, 가장 마지막으로 얻어진 HH 영역을 제외한 나머지 모든 HH 영역에 대해서 각 값들의 평균값을 구하여 하나의 특징값으로 할당(420)하고, 가장 마지막으로 얻어진 HH 영역에 대해서는 해당 영역에 존재하는 각 값들을 각각의 특징으로 추출(430)한다.It receives the N HH regions obtained through the wavelet transform (410), obtains the average value of each value for all the remaining HH regions except the last obtained HH region, and assigns them to one feature value (420). For each HH region obtained as a result, each value existing in the region is extracted as a feature.
이 때, 가장 마지막으로 얻어진 HH 영역에서는 M개의 값이 생성되고, 그 나머지 영역에서는 N-1개의 값이 생성된다.At this time, M values are generated in the last obtained HH region, and N-1 values are generated in the remaining regions.
상기 가장 마지막으로 얻어진 HH 영역을 제외한 나머지 모든 HH 영역에 대해서 각 값들의 평균값을 구하여 하나의 특징값으로 할당하는(420) 과정에서 추출된 N-1개의 값과, 가장 마지막으로 얻어진 HH 영역에 대해서는 해당 영역에 존재하는 각 값들을 각각의 특징으로 추출(430)된 M개(가장 마지막으로 얻어진 HH 영역의 크기와 동일한 개수)를 결합하여 하나의 특징벡터를 생성(440)한다.N-1 values extracted in the process of obtaining the average value of each value for all remaining HH regions except for the last obtained HH region and assigning them as a feature value (420) and for the last HH region obtained A feature vector is generated 440 by combining M values (the same number as the size of the last obtained HH region) extracted from each value existing in the corresponding region as each feature (430).
그리고, 특징벡터의 각 요소 값들을 이진값으로 양자화를 수행(450)한 후, 양자화된 값을 사용하여 M+N-1 차원으로 구성된 최종의 특징벡터를 구성(460)한다.Then, after performing quantization 450 of binary values of each element of the feature vector, a quantized value is used to form a final feature vector 460 having an M + N-1 dimension.
도 5 는 본 발명에 따른 LVQ를 위한 균일분포 가중치 초기화 과정에 대한 일실시예 상세흐름도이다.5 is a detailed flowchart illustrating an example of uniform distribution weight initialization process for LVQ according to the present invention.
도 5 에 도시된 바와 같이, 각 클래스의 학습 데이터들 중에서 처음으로 입력되는 학습 데이터를 해당 클래스의 최초 가중치 벡터로 설정하고 해당 클래스의 나머지 가중치 벡터는 모두 0으로 설정(510)한 다음, 각 클래스에서 다른 학습 데이터를 선정하여 새로운 입력으로 제공(520)한다.As shown in FIG. 5, the first training data input among the training data of each class is set as an initial weight vector of the corresponding class, and all remaining weight vectors of the corresponding class are set to 0 (510), and then each class In step 520, another training data is selected and provided as a new input.
그리고 새로운 입력으로 제공된 학습 데이터의 특징벡터와 이미 학습이 완료되어 각 클래스에 저장된 각 가중치 벡터와의 유사도를 측정(530)하는데, 이 때 상기 유사도의 측정을 위해서는 유클리디안 거리를 계산한다.The degree of similarity between the feature vector of the training data provided as a new input and the weight vector stored in each class is measured (530). At this time, the Euclidean distance is calculated for the similarity.
각 가중치 벡터에 대해 계산된 거리 중에서 최소거리를 가진 가중치 벡터의 클래스가 학습 데이터의 클래스와 일치하는지를 판단(540)하여, 두 클래스가 일치할 경우에는 더 이상의 학습데이터가 존재하는지를 판단(560)하여, 모든 학습 데이터에 대해 등록이 완료될 때 까지 상기의 과정들(520~550)을 반복 수행하고, 만약두 클래스가 일치하지 않는 경우에는 현재 학습 데이터의 특징벡터를 해당 클래스에 새로운 가중치 벡터로 등록(550)하고, 더 이상의 학습데이터가 존재하는지를 판단(560)하여, 모든 학습 데이터에 대해 등록이 완료될 때 까지 상기의 과정들(520~550)을 반복 수행한다.It is determined whether the class of the weight vector having the minimum distance among the calculated distances for each weight vector matches the class of the training data (540). If the two classes match, it is determined whether there is more training data (560). Repeat the above steps 520 to 550 until the registration is completed for all learning data. If the two classes do not match, the feature vector of the current learning data is registered as a new weight vector in the corresponding class. In operation 550, it is determined whether there is more learning data (560), and the above processes 520 to 550 are repeatedly performed until registration is completed for all learning data.
도 6 은 본 발명에 따른 LVQ를 위한 차원별 승자 선택 과정에 대한 일실시예 상세흐름도이다.FIG. 6 is a detailed flowchart illustrating an exemplary winner selection process for LVQ according to the present invention.
입력 영상의 특징벡터의 차원 i(i=1,…,M+N-1)에 대해서, 각 출력 뉴런의 해당 차원과의 유사도를 계산(610)하여, 계산된 유사도 중에서 가장 큰 유사도 값을 가진 클래스를 해당 차원 i에 대한 승자로 선택(620)한다.For the dimension i (i = 1, ..., M + N-1) of the feature vector of the input image, the similarity with the corresponding dimension of each output neuron is calculated (610), and has the highest similarity value among the calculated similarities. The class is selected as the winner for that dimension i (620).
모든 차원에 대한 비교가 되었는지를 판단(630)하여, 완료될 때까지 상기의 과정(610,620)을 반복 수행한 다음, 모든 차원에 대한 비교가 완료되면 각 차원에 대해서 가장 많이 승자로 선택된 클래스를 최종 승자로 결정(640)한다.It is determined whether a comparison has been made for all dimensions (630), and the above processes (610, 620) are repeated until completion, and when the comparison for all dimensions is completed, the class selected as the most winner for each dimension is finalized. The winner is determined 640.
도 7 은 본 발명에 따른 차원별 승자 선택 과정을 설명하기 위한 일예시도로서, 상기 도 6 에 도시된 순서에 따라 승자를 선택하는 방법의 구체적인 일실시예로서, 가장 많이 승자로 선택된 클래스(도면의 두번째 : 6번 선택)가 최종 승자로 선택됨을 보여준다.FIG. 7 is an exemplary view for explaining a winner selection process for each dimension according to the present invention. As a specific embodiment of the method of selecting a winner according to the order shown in FIG. Second: select 6) is selected as the final winner.
이상에서 설명한 본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니고, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하다는 것이 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에게 있어 명백할 것이다.The present invention described above is not limited to the above-described embodiments and the accompanying drawings, and various substitutions, modifications, and changes are possible in the art without departing from the technical spirit of the present invention. It will be clear to those of ordinary knowledge.
상기와 같은 본 발명은, 홍채 패턴 정보를 이용한 개인 신원 확인 시스템에서 2차원의 홍채영상에 대해 웨이브렛 변환을 반복적으로 적용함으로써 얻어지는 축소된 크기의 영상에 대하여 특징을 추출하고, 더욱이 이들 특징들을 이진값으로 양자화하여 특징벡터의 크기를 줄일 수 있는 효과가 있다.As described above, the present invention extracts features on a reduced size image obtained by repeatedly applying wavelet transform to a 2D iris image in a personal identification system using iris pattern information, and further extracts these features. The size of the feature vector can be reduced by quantizing the value.
또한, 본 발명은, LVQ 인식부에서 초기 가중치의 선정을 효율적으로 하기 위해서, 각 클래스의 경계에 보다 가까이 위치한 가중치 벡터만을 초기 가중치로 생성함으로써 초기 가중치에 의한 인식 성능의 영향을 최소화하여 처리 성능을 향상시킬 수 있는 효과가 있다.In addition, the present invention, in order to efficiently select the initial weight in the LVQ recognition unit, by generating only the weight vector located closer to the boundary of each class as the initial weight to minimize the effect of the recognition performance by the initial weight to improve the processing performance There is an effect that can be improved.
또한, 본 발명은, LVQ 인식부에서 최종 출력 결과를 생성하기 위해 학습된 특징벡터와 입력패턴의 특징벡터를 비교하는 과정에서, 각 차원의 정보를 차원별 승자 선택 과정에 최대한 반영하여 효과적인 비교가 이루어지게 함으로써, 처리 성능이나 처리 시간의 관점에서 효율적으로 특징을 추출하고 인식할 수 있는 기술을 제공하여, 홍채 패턴 정보의 분석 이외에 다양한 패턴인식 분야의 문제에도 유연성있게 적용할 수 있는 기술 기반을 제공할 수 있는 효과가 있다.In addition, the present invention, in the process of comparing the feature vector of the input pattern and the feature vector learned to generate the final output result in the LVQ recognition unit, by reflecting the information of each dimension to the winner selection process for each dimension as an effective comparison By providing technology that can extract and recognize features efficiently in terms of processing performance or processing time, it provides a technology base that can be flexibly applied to various pattern recognition fields in addition to analyzing iris pattern information. It can work.
Claims (15)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020000062398A KR20020031724A (en) | 2000-10-23 | 2000-10-23 | The Method and Apparatus of Iris Pattern Processing for Feature Extraction and Recognition |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020000062398A KR20020031724A (en) | 2000-10-23 | 2000-10-23 | The Method and Apparatus of Iris Pattern Processing for Feature Extraction and Recognition |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20020031724A true KR20020031724A (en) | 2002-05-03 |
Family
ID=19694953
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020000062398A KR20020031724A (en) | 2000-10-23 | 2000-10-23 | The Method and Apparatus of Iris Pattern Processing for Feature Extraction and Recognition |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20020031724A (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100359920B1 (en) * | 2000-11-17 | 2002-11-07 | 엘지전자 주식회사 | Discrimination method for imitative iris in iris recognition system |
| CN106297440A (en) * | 2016-10-25 | 2017-01-04 | 合肥东上多媒体科技有限公司 | A kind of multi-media safety identification teaching system |
| CN112418240A (en) * | 2019-08-21 | 2021-02-26 | 上海商汤临港智能科技有限公司 | Image processing method, device, equipment and storage medium |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1040386A (en) * | 1996-07-25 | 1998-02-13 | Oki Electric Ind Co Ltd | Iris recognition system |
| KR20000065781A (en) * | 1999-04-09 | 2000-11-15 | 김대훈 | A method for identifying the iris of persons based on the shape of lacuna and autonomous nervous wreath |
| KR20010006975A (en) * | 1999-04-09 | 2001-01-26 | 김대훈 | A method for identifying the iris of persons based on the reaction of the pupil and autonomous nervous wreath |
| KR20020023011A (en) * | 2000-09-22 | 2002-03-28 | 박형근 | Human iris recognition method using harr wavelet transform and lvq |
| KR20020028406A (en) * | 2000-10-09 | 2002-04-17 | 정인수 | Iris image acquisition device and iris recognition method with high recognition rates |
-
2000
- 2000-10-23 KR KR1020000062398A patent/KR20020031724A/en not_active Application Discontinuation
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1040386A (en) * | 1996-07-25 | 1998-02-13 | Oki Electric Ind Co Ltd | Iris recognition system |
| KR20000065781A (en) * | 1999-04-09 | 2000-11-15 | 김대훈 | A method for identifying the iris of persons based on the shape of lacuna and autonomous nervous wreath |
| KR20010006975A (en) * | 1999-04-09 | 2001-01-26 | 김대훈 | A method for identifying the iris of persons based on the reaction of the pupil and autonomous nervous wreath |
| KR20020023011A (en) * | 2000-09-22 | 2002-03-28 | 박형근 | Human iris recognition method using harr wavelet transform and lvq |
| KR20020028406A (en) * | 2000-10-09 | 2002-04-17 | 정인수 | Iris image acquisition device and iris recognition method with high recognition rates |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100359920B1 (en) * | 2000-11-17 | 2002-11-07 | 엘지전자 주식회사 | Discrimination method for imitative iris in iris recognition system |
| CN106297440A (en) * | 2016-10-25 | 2017-01-04 | 合肥东上多媒体科技有限公司 | A kind of multi-media safety identification teaching system |
| CN112418240A (en) * | 2019-08-21 | 2021-02-26 | 上海商汤临港智能科技有限公司 | Image processing method, device, equipment and storage medium |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11216729B2 (en) | Recognition system and recognition method | |
| KR100291255B1 (en) | Image Feature Extractor, Image Feature Analyzer and Image Matching System | |
| Kotropoulos et al. | Frontal face authentication using morphological elastic graph matching | |
| CN110362677B (en) | Text data category identification method and device, storage medium and computer equipment | |
| Bazen et al. | Likelihood-ratio-based biometric verification | |
| EP0539749A2 (en) | A statistical mixture approach to automatic handwriting recognition | |
| CN109165639B (en) | Finger vein identification method, device and equipment | |
| US11062120B2 (en) | High speed reference point independent database filtering for fingerprint identification | |
| KR20170016231A (en) | Multi-modal fusion method for user authentification and user authentification method | |
| WO2006078265A2 (en) | Efficient classification of three dimensional face models for human identification and other applications | |
| US6594392B2 (en) | Pattern recognition based on piecewise linear probability density function | |
| US10373028B2 (en) | Pattern recognition device, pattern recognition method, and computer program product | |
| KR20180092197A (en) | Method and device to select candidate fingerprint image for recognizing fingerprint | |
| CN100369047C (en) | Image identifying method based on Gabor phase mode | |
| KR20200020107A (en) | Method and system for authenticating stroke-based handwritten signature using machine learning | |
| US7454062B2 (en) | Apparatus and method of pattern recognition | |
| CN106407942B (en) | Image processing method and device | |
| CN112257689A (en) | Training and recognition method of face recognition model, storage medium and related equipment | |
| KR20020031724A (en) | The Method and Apparatus of Iris Pattern Processing for Feature Extraction and Recognition | |
| Bazama et al. | Security System by face recognition | |
| KR102399673B1 (en) | Method and apparatus for recognizing object based on vocabulary tree | |
| JP5020513B2 (en) | Pattern recognition apparatus, pattern recognition method, pattern recognition program, and recording medium | |
| US7697773B1 (en) | System, method and computer program product for image compression/decompression | |
| JPH05298452A (en) | Pattern recognizing device | |
| Kutty et al. | Fast and efficient compact feature descriptor for face recognition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |